«دادههای قفلشده در متن، صدا، رسانههای اجتماعی و سایر منابع بدون ساختار میتواند یک مزیت رقابتی برای شرکتهایی باشد که نحوه استفاده از آن را درک میکنند».
تنها 18 درصد از سازمان ها در یک نظرسنجی 2019 توسط Deloitte گزارش داد که می تواند از داده های بدون ساختار استفاده کند. اکثر داده ها، بین 80 تا 90 درصد، داده های بدون ساختار هستند. این یک منبع بزرگ و دست نخورده است که این پتانسیل را دارد که اگر کسب و کارها بتوانند نحوه استفاده از آن را بیابند، مزیت رقابتی ایجاد کند. یافتن بینش از این دادهها میتواند دشوار باشد، بهویژه اگر تلاشهایی برای طبقهبندی، برچسبگذاری یا برچسبگذاری آنها مورد نیاز باشد. درک آمازون طبقه بندی سفارشی می تواند در این شرایط مفید باشد. درک آمازون یک سرویس پردازش زبان طبیعی (NLP) است که از یادگیری ماشینی برای کشف بینش ها و ارتباطات ارزشمند در متن استفاده می کند.
دسته بندی یا طبقه بندی اسناد مزایای قابل توجهی در حوزه های تجاری دارد -
- جستجو و بازیابی بهبود یافته – با دستهبندی اسناد به موضوعات یا دستههای مرتبط، جستجو و بازیابی اسناد مورد نیاز کاربران را بسیار آسانتر میکند. آنها می توانند در دسته های خاص جستجو کنند تا نتایج را محدود کنند.
- مدیریت دانش – دسته بندی اسناد به صورت سیستماتیک به سازماندهی پایگاه دانش سازمان کمک می کند. یافتن اطلاعات مرتبط و مشاهده ارتباط بین محتوای مرتبط را آسان تر می کند.
- گردش کار ساده - مرتبسازی خودکار اسناد میتواند به سادهسازی بسیاری از فرآیندهای تجاری مانند پردازش فاکتورها، پشتیبانی مشتری یا انطباق با مقررات کمک کند. اسناد را می توان به طور خودکار به افراد مناسب یا گردش کار هدایت کرد.
- صرفه جویی در هزینه و زمان - دسته بندی اسناد به صورت دستی خسته کننده، زمان بر و پرهزینه است. تکنیکهای هوش مصنوعی میتوانند این کار پیش پاافتاده را بر عهده بگیرند و هزاران سند را در مدت زمان کوتاهی با هزینه بسیار کمتر دستهبندی کنند.
- نسل بینش - تجزیه و تحلیل روندها در دسته بندی اسناد می تواند بینش تجاری مفیدی را ارائه دهد. به عنوان مثال، افزایش شکایات مشتریان در یک دسته محصول می تواند نشان دهنده برخی مسائل باشد که باید به آنها رسیدگی شود.
- حاکمیت و اجرای سیاست - تنظیم قوانین طبقه بندی اسناد به اطمینان از طبقه بندی صحیح اسناد بر اساس خط مشی ها و استانداردهای حاکمیتی سازمان کمک می کند. این امکان نظارت و ممیزی بهتر را فراهم می کند.
- تجربیات شخصی سازی شده - در زمینه هایی مانند محتوای وب سایت، دسته بندی اسناد به کاربران اجازه می دهد تا محتوای متناسب را بر اساس علایق و ترجیحات آنها که از رفتار مرور آنها مشخص می شود، نشان دهد. این می تواند تعامل کاربران را افزایش دهد.
پیچیدگی توسعه یک مدل یادگیری ماشینی طبقهبندی سفارشی بسته به جنبههای مختلفی مانند کیفیت داده، الگوریتم، مقیاسپذیری و دانش دامنه متفاوت است. ضروری است که با یک تعریف واضح مشکل، داده های تمیز و مرتبط شروع کنید و به تدریج در مراحل مختلف توسعه مدل کار کنید. با این حال، کسبوکارها میتوانند مدلهای یادگیری ماشینی منحصربهفرد خود را با استفاده از طبقهبندی سفارشی Amazon Comprehend ایجاد کنند تا اسناد متنی را بهطور خودکار به دستهها یا برچسبها طبقهبندی کند، تا نیازهای خاص کسبوکار را برآورده کند و به فناوری کسبوکار و دستههای اسناد نگاشت. از آنجایی که برچسبگذاری یا طبقهبندی انسانی دیگر ضروری نیست، این امر میتواند باعث صرفهجویی زیادی در زمان، پول و نیروی کار شود. ما این فرآیند را با خودکارسازی کل خط لوله آموزشی ساده کردهایم.
در قسمت اول این پست وبلاگ چند سری، نحوه ایجاد یک خط لوله آموزشی مقیاس پذیر و آماده سازی داده های آموزشی برای مدل های طبقه بندی سفارشی Comprehend را خواهید آموخت. ما یک خط لوله آموزشی طبقه بندی کننده سفارشی را معرفی می کنیم که می تواند با چند کلیک در حساب AWS شما مستقر شود. ما از مجموعه دادههای خبری BBC استفاده میکنیم و یک طبقهبندی کننده برای شناسایی طبقهای (مثلاً سیاست، ورزش) که یک سند به آن تعلق دارد، آموزش خواهیم داد. خط لوله سازمان شما را قادر می سازد تا به سرعت به تغییرات واکنش نشان دهد و مدل های جدید را بدون نیاز به شروع هر بار از ابتدا آموزش دهد. شما می توانید بر اساس تقاضای خود چندین مدل را افزایش داده و به راحتی آموزش دهید.
پیش نیازها
- یک حساب فعال AWS (کلیک کنید اینجا کلیک نمایید برای ایجاد یک حساب AWS جدید)
- دسترسی به Amazon Comprehend، Amazon S3، Amazon Lambda، Amazon Step Function، Amazon SNS و Amazon CloudFormation
- داده های آموزشی (نیمه ساختاری یا متنی) در بخش زیر تهیه شده است
- دانش اولیه در مورد پایتون و یادگیری ماشین به طور کلی
داده های آموزشی را آماده کنید
این راهحل میتواند ورودی را بهعنوان یکی از آنها دریافت کند قالب متن (مثلاً CSV) یا فرمت نیمه ساختار یافته (مثلاً PDF).
ورودی متن
درک آمازون طبقه بندی سفارشی از دو حالت پشتیبانی می کند: چند کلاسه و چند برچسب.
در حالت چند کلاسه، هر سند می تواند یک و تنها یک کلاس به آن اختصاص داده شود. داده های آموزشی باید به صورت فایل CSV دو ستونی تهیه شود که هر خط از فایل حاوی یک کلاس و متن سندی باشد که کلاس را نشان می دهد.
مثال برای مجموعه داده های خبری بی بی سی:
در حالت چند برچسبی، هر سند حداقل یک کلاس به آن اختصاص داده شده است، اما می تواند تعداد بیشتری داشته باشد. داده های آموزشی باید به صورت یک فایل CSV دو ستونی باشد که هر خط از فایل حاوی یک یا چند کلاس و متن سند آموزشی باشد. بیش از یک کلاس باید با استفاده از یک جداکننده بین هر کلاس نشان داده شود.
هیچ عنوانی نباید در فایل CSV برای هر یک از حالت های آموزشی گنجانده شود.
ورودی نیمه ساختار یافته
از سال 2023 شروع می شود ، درک آمازون اکنون از مدل های آموزشی با استفاده از اسناد نیمه ساختاریافته پشتیبانی می کند. دادههای آموزشی برای ورودی نیمهساختار شامل مجموعهای از اسناد برچسبگذاری شده است که میتوانند اسناد از پیش شناسایی شده از مخزن اسنادی باشند که از قبل به آن دسترسی دارید. در زیر نمونه ای از داده های CSV فایل حاشیه نویسی مورد نیاز برای آموزش (داده های نمونه):
فایل CSV حاشیه نویسی شامل سه ستون است: ستون اول حاوی برچسب سند، ستون دوم نام سند (یعنی نام فایل) و آخرین ستون شماره صفحه سندی است که می خواهید در آن قرار دهید. مجموعه داده های آموزشی در بیشتر موارد، اگر فایل CSV حاشیه نویسی در یک پوشه با تمام اسناد دیگر قرار دارد، فقط باید نام سند را در ستون دوم مشخص کنید. با این حال، اگر فایل CSV در مکان دیگری قرار دارد، باید مسیر مکان را در ستون دوم مشخص کنید، مانند path/to/prefix/document1.pdf
.
برای جزئیات، نحوه تهیه داده های آموزشی، لطفاً به ادامه مطلب مراجعه کنید اینجا کلیک نمایید.
بررسی اجمالی راه حل
- درک آمازون خط لوله آموزشی زمانی شروع می شود که داده های آموزشی (فایل csv. برای ورودی متن و حاشیه نویسی فایل csv. برای ورودی نیمه ساختاری) در یک سرویس ذخیره سازی ساده اختصاصی آمازون آپلود شود (آمازون S3) سطل.
- An AWS لامبدا تابع توسط فراخوانی می شود آمازون S3 ماشه به گونه ای است که هر بار که یک شی در مشخص شده آپلود می شود آمازون S3 مکان، تابع AWS Lambda نام سطل منبع و نام کلید شیء آپلود شده را بازیابی می کند و آن را به آموزش ارسال می کند. تابع مرحله گردش کار.
- در تابع مرحله آموزش، پس از دریافت نام سطل داده های آموزشی و نام کلید شی به عنوان پارامترهای ورودی، یک گردش کار آموزش مدل سفارشی به عنوان یک سری توابع لامبدا به شرح زیر آغاز می شود:
StartComprehendTraining
: این تابع AWS Lambda a را تعریف می کندComprehendClassifier
بسته به نوع فایل های ورودی (یعنی متنی یا نیمه ساختاریافته) شیء کنید و سپس یک درک آمازون وظیفه آموزش طبقه بندی سفارشی با تماس create_document_classifier Application Programming Interfact (API)، که یک شغل آموزشی نام منابع آمازون (ARN) را برمی گرداند. متعاقباً این تابع با فراخوانی وضعیت کار آموزشی را بررسی می کند describe_document_classifier API. در نهایت، یک Job ARN آموزشی و وضعیت شغلی را به عنوان خروجی به مرحله بعدی گردش کار آموزشی برمی گرداند.GetTrainingJobStatus
: این AWS Lambda وضعیت شغلی شغل آموزشی را در هر 15 دقیقه با تماس بررسی می کند describe_document_classifier API، تا زمانی که وضعیت شغل آموزشی به کامل یا ناموفق تغییر کند.GenerateMultiClass
orGenerateMultiLabel
: اگر انتخاب کنید بله برای گزارش عملکرد هنگام راهاندازی پشته، یکی از این دو AWS Lambdas مطابق با خروجیهای مدل آمازون Comprehend شما تجزیه و تحلیل را اجرا میکند، که تجزیه و تحلیل عملکرد هر کلاس را ایجاد میکند و آن را ذخیره میکند. آمازون S3.GenerateMultiClass
: اگر ورودی شما باشد، این AWS Lambda فراخوانی می شود چند کلاسه و شما انتخاب کنید بله برای گزارش عملکردGenerateMultiLabel
: اگر ورودی شما باشد، این AWS Lambda فراخوانی می شود چند برچسب و شما انتخاب کنید بله برای گزارش عملکرد
- هنگامی که آموزش با موفقیت انجام شد، راه حل خروجی های زیر را تولید می کند:
- مدل طبقهبندی سفارشی: یک مدل آموزشدیده ARN برای کارهای استنتاج آینده در حساب شما موجود خواهد بود.
- ماتریس سردرگمی [گزینهl]: یک ماتریس سردرگمی (
confusion_matrix
json.) در خروجی تعریف شده توسط کاربر در دسترس خواهد بود آمازون S3 مسیر، بسته به انتخاب کاربر. - سرویس اطلاع رسانی ساده آمازون اطلاع [گزینهl]: بسته به انتخاب کاربر اولیه، یک ایمیل اطلاع رسانی در مورد وضعیت شغلی آموزشی برای مشترکین ارسال می شود.
خرید
راه اندازی راه حل
برای استقرار خط لوله خود، مراحل زیر را انجام دهید:
- را انتخاب کنید Stack را راه اندازی کنید دکمه:
- گزینه Next را انتخاب کنید
- جزئیات خط لوله را با گزینه های مناسب مورد استفاده خود مشخص کنید:
اطلاعات مربوط به جزئیات هر پشته:
- نام پشته (الزامی) - نامی که برای این کار مشخص کردید AWS CloudFormation پشته. نام باید در منطقه ای که آن را ایجاد می کنید منحصر به فرد باشد.
- Q01ClassifierInputBucketName (الزامی) – نام سطل آمازون S3 برای ذخیره داده های ورودی شما. این باید یک نام منحصربهفرد جهانی باشد و پشته AWS CloudFormation به شما کمک میکند تا باکت را هنگام راهاندازی ایجاد کنید.
- Q02ClassifierOutputBucketName (الزامی) – نام سطل آمازون S3 برای ذخیره خروجی های آمازون Comprehend و خط لوله. همچنین باید یک نام منحصر به فرد جهانی باشد.
- Q03InputFormat - یک انتخاب کشویی، شما می توانید انتخاب کنید متن (اگر داده های آموزشی شما فایل های csv است) یا نیمه سازه (اگر داده های آموزشی شما نیمه ساختاری هستند [به عنوان مثال، فایل های PDF]) بر اساس فرمت ورودی داده شما.
- Q04 زبان - یک انتخاب کشویی، انتخاب زبان اسناد از لیست پشتیبانی شده. لطفاً توجه داشته باشید، در حال حاضر فقط انگلیسی پشتیبانی می شود اگر فرمت ورودی شما نیمه ساختاری باشد.
- Q05 چند کلاسه - یک انتخاب کشویی، انتخاب کنید بله اگر ورودی شما حالت MultiClass باشد. در غیر این صورت، انتخاب کنید نه.
- Q06Label Delimiter - فقط در صورتی لازم است که پاسخ Q05MultiClass شما باشد نه. این جداکننده در داده های آموزشی شما برای جداسازی هر کلاس استفاده می شود.
- Q07ValidationDataset - یک انتخاب کشویی، پاسخ را به آن تغییر دهید بله اگر می خواهید عملکرد طبقه بندی کننده آموزش دیده را با داده های آزمایشی خود آزمایش کنید.
- Q08S3 ValidationPath - فقط در صورتی لازم است که پاسخ Q07ValidationDataset شما باشد بله.
- Q09گزارش عملکرد - یک انتخاب کشویی، انتخاب کنید بله اگر می خواهید گزارش عملکرد در سطح کلاس را پس از آموزش مدل تولید کنید. گزارش در سطل خروجی مشخص شده شما در Q02ClassifierOutputBucketName ذخیره خواهد شد.
- Q10Email Notification - یک انتخاب کشویی انتخاب کنید بله اگر می خواهید پس از آموزش مدل اعلان دریافت کنید.
- Q11EmailID – آدرس ایمیل معتبری را برای دریافت اعلان گزارش عملکرد وارد کنید. لطفاً توجه داشته باشید، پس از راهاندازی پشته AWS CloudFormation، باید اشتراک را از ایمیل خود تأیید کنید، قبل از اینکه بتوانید هنگام تکمیل آموزش، اعلان دریافت کنید.
- در بخش تنظیمات پشته آمازون، تگهای اختیاری، مجوزها و سایر تنظیمات پیشرفته را اضافه کنید.
- را انتخاب کنید بعدی
- جزئیات پشته را مرور کنید و I acnowledge that را انتخاب کنید AWS CloudFormation ممکن است AWS ایجاد کند IAM منابع
- را انتخاب کنید ارسال. این کار استقرار خط لوله را در حساب AWS شما آغاز می کند.
- پس از اینکه پشته با موفقیت مستقر شد، می توانید از خط لوله استفاده کنید. ایجاد یک
/training-data
پوشه زیر مکان مشخص شده آمازون S3 برای ورودی. توجه داشته باشید: آمازون S3 به طور خودکار رمزگذاری سمت سرور (SSE-S3) را برای هر شی جدید اعمال می کند، مگر اینکه گزینه رمزگذاری متفاوتی را مشخص کنید. لطفا مراجعه کنید حفاظت از داده ها در آمازون S3 برای جزئیات بیشتر در مورد حفاظت از داده ها و رمزگذاری در آمازون S3.
- داده های آموزشی خود را در پوشه آپلود کنید. (اگر داده های آموزشی نیمه ساختاری هستند، قبل از آپلود اطلاعات برچسب با فرمت csv. تمام فایل های PDF را آپلود کنید).
شما تمام شده اید! شما با موفقیت خط لوله خود را مستقر کرده اید و می توانید وضعیت خط لوله را در تابع مرحله توسعه یافته بررسی کنید. (شما یک مدل آموزش دیده در پنل طبقه بندی سفارشی آمازون Comprehend خود خواهید داشت).
اگر مدل و نسخه داخل آن را انتخاب کنید درک آمازون کنسول، اکنون می توانید جزئیات بیشتری در مورد مدلی که به تازگی آموزش داده اید مشاهده کنید. این شامل حالتی است که انتخاب میکنید، که مربوط به گزینه Q05MultiClass، تعداد برچسبها و تعداد اسناد آموزش دیده و آزمایش شده در دادههای آموزشی شما است. همچنین می توانید عملکرد کلی را در زیر بررسی کنید. با این حال، اگر میخواهید عملکرد دقیق هر کلاس را بررسی کنید، لطفاً به گزارش عملکرد تولید شده توسط خط لوله توسعهیافته مراجعه کنید.
سهمیه خدمات
حساب AWS شما دارای سهمیه های پیش فرض برای است درک آمازون و آمازون تکست، اگر ورودی ها در قالب نیمه ساختاری باشند. برای مشاهده سهمیه خدمات مراجعه فرمایید اینجا کلیک نمایید برای درک آمازون و اینجا کلیک نمایید برای آمازون تکست.
پاک کردن
برای جلوگیری از تحمیل هزینه های مداوم، پس از اتمام کار، منابعی را که به عنوان بخشی از این راه حل ایجاد کرده اید حذف کنید.
- بر آمازون S3 کنسول، به صورت دستی محتویات داخل سطل هایی را که برای داده های ورودی و خروجی ایجاد کرده اید حذف کنید.
- بر AWS CloudFormation کنسول، انتخاب کنید پشته در صفحه ناوبری
- پشته اصلی را انتخاب کنید و انتخاب کنید حذف.
این به طور خودکار پشته مستقر شده را حذف می کند.
- آموزش دیده شما درک آمازون مدل طبقه بندی سفارشی در حساب شما باقی خواهد ماند. اگر دیگر به آن نیاز ندارید، در درک آمازون کنسول، مدل ایجاد شده را حذف کنید.
نتیجه
در این پست، مفهوم یک خط لوله آموزشی مقیاس پذیر را به شما نشان دادیم درک آمازون مدل های طبقه بندی سفارشی و ارائه یک راه حل خودکار برای آموزش موثر مدل های جدید. را AWS CloudFormation الگوی ارائه شده این امکان را برای شما فراهم میکند تا مدلهای طبقهبندی متن خود را بدون دردسر ایجاد کنید، که مطابق با مقیاسهای تقاضا است. راه حل از ویژگی اخیر اقلیدس اعلام شده استفاده می کند و ورودی ها را در قالب متن یا نیمه ساختار یافته می پذیرد.
اکنون، ما شما خوانندگان خود را تشویق می کنیم که این ابزارها را آزمایش کنید. می توانید جزئیات بیشتری در مورد آن بیابید آماده سازی داده های آموزشی و درک کنید معیارهای طبقه بندی سفارشی. آن را امتحان کنید و از نزدیک ببینید که چگونه می تواند فرآیند آموزش مدل شما را ساده کند و کارایی را افزایش دهد. لطفا نظرات خود را با ما به اشتراک بگذارید!
درباره نویسنده
ساندیپ سینگ یک دانشمند ارشد داده با خدمات حرفه ای AWS است. او مشتاق کمک به مشتریان برای نوآوری و دستیابی به اهداف تجاری خود با توسعه راه حل های پیشرفته AI/ML است. او در حال حاضر بر روی هوش مصنوعی، LLM، مهندسی سریع و مقیاسپذیری یادگیری ماشین در شرکتها متمرکز است. او پیشرفت های اخیر هوش مصنوعی را برای ایجاد ارزش برای مشتریان به ارمغان می آورد.
یانیان ژانگ یک دانشمند ارشد داده در تیم تحویل انرژی با خدمات حرفه ای AWS است. او مشتاق کمک به مشتریان برای حل مشکلات واقعی با دانش AI/ML است. اخیراً تمرکز او بر روی کشف پتانسیل هوش مصنوعی و LLM بوده است. خارج از محل کار، او عاشق سفر، کار کردن و کشف چیزهای جدید است.
ریک تالوکدار یک معمار ارشد با تیم آمازون Comprehend Service است. او با مشتریان AWS کار می کند تا به آنها کمک کند یادگیری ماشینی را در مقیاس بزرگ اتخاذ کنند. او در خارج از محل کار به مطالعه و عکاسی علاقه 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. 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/build-a-classification-pipeline-with-amazon-comprehend-custom-classification-part-i/
- : دارد
- :است
- $UP
- 1
- 100
- 11
- ٪۱۰۰
- 2023
- 24
- ٪۱۰۰
- 7
- 9
- a
- قادر
- درباره ما
- قبول می کند
- دسترسی
- مطابق
- حساب
- رسیدن
- اذعان
- در میان
- فعال
- اضافه کردن
- نشانی
- خطاب
- اتخاذ
- پیشرفته
- پیشرفت
- مزیت - فایده - سود - منفعت
- پس از
- AI
- AI / ML
- الگوریتم
- معرفی
- اجازه می دهد تا
- قبلا
- همچنین
- آمازون
- درک آمازون
- آمازون خدمات وب
- an
- تحلیل
- تجزیه و تحلیل
- و
- اعلام کرد
- پاسخ
- دیگر
- API
- کاربرد
- اعمال میشود
- هستند
- AS
- جنبه
- اختصاص داده
- At
- سمعی
- حسابرسی
- خودکار
- اتوماتیک
- بطور خودکار
- اتوماسیون
- در دسترس
- اجتناب از
- دور
- AWS
- AWS CloudFormation
- AWS لامبدا
- خدمات حرفه ای AWS
- پایه
- مستقر
- بی بی سی
- BE
- بوده
- قبل از
- رفتار
- بودن
- متعلق
- در زیر
- مزایای
- دزدگیر
- بهتر
- میان
- بزرگ
- بلاگ
- به ارمغان می آورد
- مرور
- ساختن
- کسب و کار
- کسب و کار
- اما
- دکمه
- by
- نام
- فراخوانی
- CAN
- مورد
- موارد
- دسته
- طبقه بندی
- دسته بندی
- تغییر دادن
- تبادل
- بار
- بررسی
- چک
- را انتخاب کنید
- انتخاب
- کلاس
- کلاس ها
- طبقه بندی
- طبقه بندی
- طبقه بندی کنید
- واضح
- کلیک
- جمع آوری
- ستون
- ستون ها
- رقابتی
- شکایت
- کامل
- تکمیل شده
- پیچیدگی
- انطباق
- درک
- شامل
- مفهوم
- تکرار
- گیجی
- اتصالات
- کنسول
- شامل
- محتوا
- محتویات
- زمینه ها
- مطابقت دارد
- هزینه
- میتوانست
- ایجاد
- ایجاد ارزش
- ایجاد شده
- ایجاد
- در حال حاضر
- سفارشی
- مشتری
- پشتیبانی مشتریان
- مشتریان
- داده ها
- حفاظت از داده ها
- دانشمند داده
- اختصاصی
- به طور پیش فرض
- مشخص
- تعریف می کند
- تعریف
- تحویل
- deloitte
- تقاضا
- نشان می دهد
- بستگی دارد
- گسترش
- مستقر
- گسترش
- شرح داده شده
- جزئیات
- دقیق
- جزئیات
- مشخص
- در حال توسعه
- پروژه
- مختلف
- مشکل
- سند
- اسناد و مدارک
- دلار
- دامنه
- حوزه
- انجام شده
- آیا
- پایین
- e
- هر
- آسان تر
- به آسانی
- لبه
- بهره وری
- موثر
- زحمت
- تلاش
- هر دو
- پست الکترونیک
- قادر ساختن
- تشویق
- رمزگذاری
- انرژی
- نامزدی
- مهندسی
- انگلیسی
- بالا بردن
- اطمینان حاصل شود
- وارد
- شرکت
- ضروری است
- اروپا
- هر
- مثال
- گران
- بررسی
- ناموفق
- ویژگی
- باز خورد
- کمی از
- شکل
- پرونده
- فایل ها
- سرانجام
- پیدا کردن
- شرکت ها
- نام خانوادگی
- مناسب
- تمرکز
- متمرکز شده است
- پیروی
- برای
- قالب
- از جانب
- تابع
- توابع
- آینده
- تولید می کنند
- تولید
- تولید می کند
- مولد
- هوش مصنوعی مولد
- دادن
- در سطح جهانی
- حکومت
- بتدریج
- آیا
- داشتن
- he
- کمک
- کمک
- کمک می کند
- او
- چگونه
- چگونه
- اما
- HTML
- HTTPS
- انسان
- i
- شناسایی
- if
- in
- شامل
- مشمول
- شامل
- افزایش
- نشان داد
- اطلاعات
- اول
- شروع می کند
- نوآوری
- ورودی
- ورودی
- داخل
- بینش
- منافع
- به
- معرفی
- استناد کرد
- مسائل
- IT
- ITS
- کار
- JPG
- json
- تنها
- کلید
- دانش
- برچسب
- برچسب ها
- کار
- زبان
- بزرگ
- نام
- راه اندازی
- راه اندازی
- یاد گرفتن
- یادگیری
- کمترین
- پسندیدن
- لاین
- فهرست
- LLM
- واقع شده
- محل
- قفل شده
- دیگر
- خیلی
- دوست دارد
- کاهش
- دستگاه
- فراگیری ماشین
- ساخته
- اصلی
- اکثریت
- باعث می شود
- کتابچه راهنمای
- دستی
- بسیاری
- نقشه
- ماتریس
- ممکن است..
- رسانه ها
- دیدار
- قدرت
- دقیقه
- حالت
- مدل
- مدل
- حالت های
- پول
- نظارت بر
- بیش
- اکثر
- کوه
- بسیار
- چندگانه
- باید
- نام
- نام
- باریک
- جهت یابی
- لازم
- نیاز
- ضروری
- جدید
- اخبار
- بعد
- nlp
- نه
- اخطار
- اکنون
- عدد
- هدف
- اهداف
- of
- on
- ONE
- مداوم
- فقط
- گزینه
- گزینه
- or
- کدام سازمان ها
- سازمان های
- دیگر
- در غیر این صورت
- ما
- خارج
- تولید
- خارج از
- روی
- به طور کلی
- خود
- با ما
- قطعه
- تابلو
- پارامترهای
- بخش
- ویژه
- عبور
- احساساتی
- مسیر
- مردم
- برای
- کارایی
- مجوز
- عکاسی
- خط لوله
- افلاطون
- هوش داده افلاطون
- PlatoData
- لطفا
- سیاست
- سیاست
- سیاست
- ممکن
- پست
- پتانسیل
- صفحه اصلی
- تنظیمات
- آماده
- آماده شده
- مشکل
- مشکلات
- روند
- فرآیندهای
- در حال پردازش
- محصول
- حرفه ای
- برنامه نويسي
- حفاظت
- ارائه
- ارائه
- ارائه
- پــایتــون
- کیفیت
- سریعا
- خوانندگان
- مطالعه
- واقعی
- گرفتن
- دریافت
- اخیر
- تازه
- مراجعه
- منطقه
- تنظیم کننده
- پیروی از مقررات
- مربوط
- مربوط
- ماندن
- گزارش
- گزارش
- مخزن
- ضروری
- مورد نیاز
- منابع
- منابع
- پاسخ
- نتایج
- بازده
- راست
- قوانین
- دویدن
- همان
- ذخیره
- نگهداری می شود
- مقیاس پذیری
- مقیاس پذیر
- مقیاس
- مقیاس ها
- مقیاس گذاری
- دانشمند
- خراش
- جستجو
- دوم
- بخش
- دیدن
- انتخاب
- ارشد
- فرستاده
- جداگانه
- سلسله
- سرویس
- خدمات
- تنظیم
- محیط
- تنظیمات
- اشتراک گذاری
- او
- کوتاه
- باید
- نشان داد
- نشان داده شده
- قابل توجه
- دلالت کردن
- ساده
- تنها
- وضعیت
- آگاهی
- رسانه های اجتماعی
- راه حل
- مزایا
- حل
- برخی از
- منبع
- منابع
- خاص
- مشخص شده
- ورزش ها
- پشته
- صحنه
- مراحل
- استانداردهای
- شروع
- شروع می شود
- وضعیت هنر
- وضعیت
- گام
- مراحل
- ذخیره سازی
- opbevare
- ساده کردن
- مشترکین
- اشتراک، ابونمان
- متعاقبا
- موفقیت
- چنین
- پشتیبانی
- پشتیبانی
- پشتیبانی از
- بررسی
- TAG
- طراحی شده
- گرفتن
- کار
- تیم
- فن آوری
- تکنیک
- پیشرفته
- قالب
- آزمون
- متن
- طبقه بندی متن
- نسبت به
- که
- La
- منبع
- شان
- آنها
- سپس
- اینها
- آنها
- اشیاء
- این
- هزاران نفر
- سه
- از طریق
- زمان
- زمان بر
- به
- ابزار
- تاپیک
- قطار
- آموزش دیده
- آموزش
- سفر
- روند
- ماشه
- امتحان
- دو
- نوع
- برملا کردن
- زیر
- فهمیدن
- منحصر به فرد
- استفاده نشده
- تا
- آپلود شده
- آپلود
- us
- استفاده کنید
- مورد استفاده
- استفاده
- کاربر
- کاربران
- استفاده
- با استفاده از
- ارزشمند
- ارزش
- تنوع
- نسخه
- چشم انداز
- می خواهم
- مسیر..
- we
- وب
- خدمات وب
- سایت اینترنتی
- چه زمانی
- که
- در حین
- تمام
- اراده
- با
- در داخل
- بدون
- مهاجرت کاری
- گردش کار
- گردش کار
- کارگر
- کار کردن
- با این نسخهها کار
- شما
- شما
- زفیرنت
- زیپ