محتوای تولید شده توسط کاربر (UGC) و همچنین الزامات و هزینه ایمن نگه داشتن محتوا و جوامع آنلاین به طور تصاعدی رشد می کند. پلتفرمهای وب و موبایل مدرن به کسبوکارها دامن میزنند و تعامل کاربران را از طریق ویژگیهای اجتماعی، از استارتآپها گرفته تا سازمانهای بزرگ، هدایت میکنند. اعضای جامعه آنلاین انتظار تجربه های ایمن و فراگیر را دارند که در آن می توانند آزادانه تصاویر، فیلم ها، متن و صدا را مصرف کنند و مشارکت دهند. حجم، تنوع و پیچیدگی روزافزون UGC باعث میشود که جریانهای کاری اعتدال انسانی سنتی برای محافظت از کاربران به چالش کشیده شوند. این محدودیتها مشتریان را مجبور به فرآیندهای کاهش ناکارآمد، پرهزینه و واکنشی میکند که خطرات غیرضروری را برای کاربران و کسبوکار به همراه دارد. نتیجه یک تجربه اجتماعی ضعیف، مضر و غیر فراگیر است که کاربران را رها می کند و بر اهداف جامعه و کسب و کار تأثیر منفی می گذارد.
راه حل، جریان های کاری تعدیل محتوای مقیاس پذیر است که بر فناوری های هوش مصنوعی (AI)، یادگیری ماشین (ML)، یادگیری عمیق (DL) و پردازش زبان طبیعی (NLP) تکیه دارند. این سازهها ترجمه، رونویسی، شناسایی، شناسایی، پوشاندن، ویرایش، و بهطور استراتژیک استعدادهای انسانی را به جریان کار تعدیل میآورند تا اقدامات مورد نیاز برای ایمن نگهداشتن کاربران و درگیر نگهداشتن آنها و در عین حال افزایش دقت و کارایی فرآیند و کاهش هزینههای عملیاتی را انجام دهند.
این پست نحوه ایجاد جریان های کاری تعدیل محتوا با استفاده از خدمات AWS AI را بررسی می کند. برای کسب اطلاعات بیشتر در مورد نیازهای کسب و کار، تأثیر و کاهش هزینههایی که تعدیل محتوای خودکار در رسانههای اجتماعی، بازیها، تجارت الکترونیک و صنایع تبلیغاتی ایجاد میکند، رجوع کنید به از خدمات هوش مصنوعی AWS برای خودکارسازی نظارت و انطباق محتوا استفاده کنید.
بررسی اجمالی راه حل
برای پیادهسازی این گردشهای کاری نیازی به تخصص در ML ندارید و میتوانید این الگوها را با نیازهای خاص کسبوکار خود تنظیم کنید! AWS این قابلیتها را از طریق خدمات کاملاً مدیریت شده ارائه میکند که پیچیدگی عملیاتی و بلند کردن سنگهای متمایز نشده را حذف میکند، و بدون تیم علم داده.
در این پست نشان میدهیم که چگونه میتوان فضاهایی را که مشتریان با استفاده از متن، صدا، تصاویر، ویدئو و حتی فایلهای PDF درباره محصولات بحث و بررسی میکنند، به طور موثر تعدیل کرد. نمودار زیر معماری راه حل را نشان می دهد.
پیش نیازها
بهطور پیشفرض، این الگوها روششناسی بدون سرور را نشان میدهند، که در آن شما فقط برای آنچه استفاده میکنید پرداخت میکنید. شما همچنان برای منابع محاسباتی پرداخت می کنید، مانند AWS Fargate ظروف، و ذخیره سازی، مانند سرویس ذخیره سازی ساده آمازون (Amazon S3)، تا زمانی که آن منابع را حذف نکنید. سرویسهای AWS AI مورد بحث نیز از یک مدل قیمتگذاری مصرف در هر عملیات پیروی میکنند.
محیطهای غیر تولیدی میتوانند هر یک از این الگوها را با فرض واجد شرایط بودن حساب شما در سطح رایگان آزمایش کنند.
متن ساده متوسط
ابتدا باید تعدیل محتوا را برای متن ساده پیاده سازی کنید. این روش به عنوان پایه ای برای انواع رسانه های پیچیده تر عمل می کند و مستلزم دو مرحله سطح بالا است:
- متن را ترجمه کنید.
- متن را تحلیل کنید.
مشتریان جهانی می خواهند با پلتفرم های اجتماعی به زبان مادری خود همکاری کنند. برآورده کردن این انتظار میتواند پیچیدگی بیشتری ایجاد کند زیرا تیمهای طراحی باید یک گردش کار یا مراحلی را برای هر زبان ایجاد کنند. در عوض، می توانید استفاده کنید ترجمه آمازون برای تبدیل متن به بیش از 70 زبان و انواع در بیش از 15 منطقه. این قابلیت شما را قادر می سازد تا قوانین تجزیه و تحلیل را برای یک زبان بنویسید و آن قوانین را در سراسر جامعه آنلاین جهانی اعمال کنید.
Amazon Translate یک سرویس ترجمه ماشینی عصبی است که ترجمه زبانی سریع، با کیفیت بالا، مقرون به صرفه و قابل تنظیم را ارائه می دهد. میتوانید آن را در گردشهای کاری خود ادغام کنید تا زبان غالب را شناسایی کنید متن را ترجمه کنید. نمودار زیر روند کار را نشان می دهد.
API ها به شرح زیر عمل می کنند:
- La DetectDominantLanguage API زبان غالب متن ورودی را تعیین می کند. برای فهرستی از زبانهایی که آمازون Comprehend میتواند تشخیص دهد، ببینید زبان غالب.
- La TranslateText API متن ورودی را از زبان مبدأ به زبان مقصد با اختیاری ترجمه می کند پوشاندن فحاشی. برای فهرستی از زبانهای موجود و کدهای زبان، رجوع کنید زبان ها و کدهای زبان پشتیبانی شده.
- La StartExecution و StartSyncExecution API ها یک را شروع می کنند توابع مرحله AWS ماشین حالت.
در مرحله بعد، میتوانید از NLP برای کشف ارتباطات در متن، مانند کشف عبارات کلیدی، تجزیه و تحلیل احساسات، و شناسایی اطلاعات شناسایی شخصی (PII) استفاده کنید. درک آمازون APIها این بینش های ارزشمند را استخراج کرده و به کنترل کننده های تابع سفارشی منتقل می کنند.
اجرای آن دستهها در داخل AWS لامبدا توابع به صورت الاستیک کد شما را بدون فکر کردن به سرورها یا خوشه ها مقیاس می کند. از طرف دیگر، میتوانید بینشهای Amazon Comprehend را پردازش کنید الگوهای معماری میکروسرویس ها. صرف نظر از زمان اجرا، کد شما بر روی استفاده از نتایج تمرکز می کند، نه تجزیه متن.
نمودار زیر روند کار را نشان می دهد.
توابع Lambda با API های زیر تعامل دارند:
- La DetectEntities API نام اشیاء دنیای واقعی مانند افراد و مکان ها را در متن کشف و گروه بندی می کند. میتوانید از واژگان سفارشی برای ویرایش انواع موجودیتهای نامناسب و خاص استفاده کنید.
- La DetectSentiment API احساسات کلی متن را به صورت مثبت، منفی یا خنثی شناسایی می کند. میتوانید طبقهبندیکنندههای سفارشی را برای تشخیص موقعیتهای مورد علاقه خاص صنعت و استخراج معنای مفهومی متن آموزش دهید.
- La DetectPIIentities API PII را در متن شما مانند آدرس، شماره حساب بانکی یا شماره تلفن شناسایی می کند. خروجی شامل نوع موجودیت PII و مکان مربوط به آن است.
فایل های صوتی متوسط
برای تعدیل فایل های صوتی، باید فایل را به متن رونویسی کنید و سپس آن را تجزیه و تحلیل کنید. این فرآیند بسته به اینکه در حال پردازش فایلهای فردی (همگام) یا پخش جریانی صوتی زنده (ناهمزمان) هستید، دو نوع دارد. گردشهای کاری همزمان برای پردازش دستهای ایدهآل هستند و تماسگیرنده یک پاسخ کامل را دریافت میکند. در مقابل، جریان های صوتی نیاز به نمونه برداری دوره ای با نتایج رونویسی چندگانه دارند.
آمازون رونوشت یک سرویس تشخیص خودکار گفتار است که از مدل های ML برای تبدیل صدا به متن استفاده می کند. شما می توانید آن را در گردش های کاری همزمان ادغام کنید شروع کار رونویسی و به صورت دوره ای استعلام وضعیت کار. پس از اتمام کار، می توانید خروجی را با استفاده از گردش کار تعدیل متن ساده از مرحله قبل تجزیه و تحلیل کنید.
نمودار زیر روند کار را نشان می دهد.
API ها به شرح زیر عمل می کنند:
- La starttranscriptionjob API یک کار ناهمزمان را برای رونویسی گفتار به متن شروع می کند.
- La GetTranscriptionJob API اطلاعات مربوط به یک کار رونویسی را برمی گرداند. برای مشاهده وضعیت کار، تیک بزنید
TranscriptionJobStatus
رشته. در صورتی که ملک وضعی باشدCOMPLETED
، می توانید نتایج را در مکان مشخص شده در پیدا کنیدTranscriptFileUri
رشته. اگر ویرایش محتوا را فعال کنید، رونوشت ویرایش شده در ظاهر می شودRedactedTranscriptFileUri
.
پخشهای صوتی زنده به الگوی متفاوتی نیاز دارند که از مدل تحویل بیدرنگ پشتیبانی کند. پخش جریانی میتواند شامل رسانههای از پیش ضبطشده مانند فیلمها، موسیقی و پادکستها و رسانههای بیدرنگ، مانند پخش اخبار زنده باشد. میتوانید تکههای صوتی را فوراً با استفاده از آن رونویسی کنید پخش جریانی آمازون رونویسی از طریق پروتکل های HTTP/2 و WebSockets. پس از ارسال یک تکه به سرویس، یک یا چند قطعه دریافت می کنید اشیاء نتیجه رونویسی بخشهای رونویسی جزئی و کامل را توصیف میکند. بخشهایی که نیاز به تعدیل دارند، میتوانند از گردش کار متن ساده از بخش قبل دوباره استفاده کنند. نمودار زیر این فرآیند را نشان می دهد.
La StartStreaming Transcription API یک جریان دو طرفه HTTP/2 را شروع میکند که در آن صدا به Amazon Transcript پخش میشود و نتایج رونویسی را برای برنامه شما پخش میکند.
تصاوير و عكسها را معتدل كنيد
تعدیل تصاویر مستلزم شناسایی محتوای نامناسب، ناخواسته یا توهینآمیز حاوی برهنگی، وسوسهانگاری، خشونت و سایر مقولهها از تصاویر و محتوای عکس است.
شناسایی آمازون شما را قادر می سازد تا بدون نیاز به تخصص ML، جریان کار نظارت تصویر و ویدئو را ساده یا خودکار کنید. Amazon Rekognition یک طبقه بندی سلسله مراتبی از برچسب های مربوط به اعتدال را برمی گرداند. این اطلاعات به شما کمک میکند تا قوانین تجاری را بر اساس استانداردها و شیوههای شما، ایمنی کاربر و دستورالعملهای انطباق تعریف کنید. برای استفاده از این قابلیت ها به تجربه ML نیازی نیست. آمازون Rekognition می تواند متن موجود در یک تصویر را شناسایی کرده و بخواند و برای هر کلمه یافت شده کادرهای محدودکننده را برگرداند. آمازون Rekognition از تشخیص متن نوشته شده به زبان های انگلیسی، عربی، روسی، آلمانی، فرانسوی، ایتالیایی، پرتغالی و اسپانیایی پشتیبانی می کند!
میتوانید از پیشبینیهای ماشین برای خودکارسازی وظایف خاص تعدیل به طور کامل استفاده کنید. این قابلیت مدیران انسانی را قادر میسازد تا بر کارهای درجه بالاتر تمرکز کنند. علاوه بر این، آمازون Rekognition میتواند به سرعت میلیونها تصویر یا هزاران ویدیو را با استفاده از ML بررسی کند و زیرمجموعهای از داراییهایی را که نیاز به اقدامات بیشتری دارند، پرچمگذاری کند. پیش فیلتر کردن به ارائه پوشش نظارتی جامع و در عین حال مقرون به صرفه کمک می کند و در عین حال میزان محتوایی را که تیم های انسانی تعدیل می کنند کاهش می دهد.
نمودار زیر روند کار را نشان می دهد.
API ها به شرح زیر عمل می کنند:
- La DetectModerationLabels API محتوای ناامن را در تصاویر مشخص شده با فرمت JPEG یا PNG شناسایی می کند. از DetectModerationLabels برای تعدیل تصاویر بسته به نیاز خود استفاده کنید. به عنوان مثال، ممکن است بخواهید تصاویری را فیلتر کنید که حاوی برهنگی هستند اما تصاویر حاوی محتوای پیشنهادی نیستند.
- La متن ردیابی API متن را در تصویر ورودی تشخیص می دهد و آن را به متن قابل خواندن توسط ماشین تبدیل می کند.
اسناد متنی غنی را متعادل کنید
بعد، می توانید استفاده کنید متن آمازون برای استخراج متن و داده های دست نویس از اسناد اسکن شده. این فرآیند با فراخوانی شروع می شود StartDocument Analysis اقدام برای تجزیه فایل های Microsoft Word و Adobe PDF. شما می توانید پیشرفت کار را با GetDocumentAnalysis عمل است.
نتیجه تجزیه و تحلیل هر صفحه، پاراگراف، جدول و جفت کلید-مقدار کشف نشده در سند را مشخص می کند. به عنوان مثال، فرض کنید یک ارائه دهنده بهداشت باید نام بیماران را فقط در قسمت توضیحات ادعا پنهان کند. در آن صورت، گزارش تجزیه و تحلیل می تواند قدرت را به دست آورد خطوط لوله پردازش اسناد هوشمند که فیلد داده خاص را تعدیل و ویرایش می کند. نمودار زیر خط لوله را نشان می دهد.
API ها به شرح زیر عمل می کنند:
- La StartDocument Analysis API تجزیه و تحلیل ناهمزمان یک سند ورودی را برای روابط بین موارد شناسایی شده مانند جفتهای کلید-مقدار، جداول و عناصر انتخاب آغاز میکند.
- La GetDocumentAnalysis API نتایج یک عملیات ناهمزمان متن آمازون را دریافت می کند که متن را در یک سند تجزیه و تحلیل می کند
ویدیوها را تعدیل کنید
یک رویکرد استاندارد برای تعدیل محتوای ویدیویی از طریق روش نمونهگیری فریم است. بسیاری از موارد استفاده نیازی به بررسی هر فریم ندارند و انتخاب یکی در هر 15 تا 30 ثانیه کافی است. فریمهای ویدیویی نمونه میتوانند از دستگاه حالت برای تعدیل تصاویر بخش قبل استفاده مجدد کنند. به طور مشابه، فرآیند موجود برای تعدیل صدا می تواند از محتوای شنیداری فایل پشتیبانی کند. نمودار زیر این گردش کار را نشان می دهد.
La فراخوانی API یک تابع Lambda را اجرا می کند و به طور همزمان منتظر پاسخ می ماند.
فرض کنید فایل مدیا یک فیلم کامل با چندین صحنه است. در این صورت می توانید از API بخش شناسایی آمازون، یک API ترکیبی برای تشخیص نشانه های فنی یا تشخیص شات. در مرحله بعد، میتوانید از این فاصله زمانی برای پردازش موازی هر بخش با الگوی تعدیل ویدیوی قبلی استفاده کنید، همانطور که در نمودار زیر نشان داده شده است.
API ها به شرح زیر عمل می کنند:
- La StartSegmentationDetection API تشخیص ناهمزمان تشخیص بخش را در یک ویدیوی ذخیره شده شروع می کند
- La GetSegmentationDetection API نتایج تشخیص بخش یک تجزیه و تحلیل ویدیوی شناسایی آمازون را دریافت می کند که توسط StartSegmentDetection API آغاز شده است.
استخراج فریم های جداگانه از فیلم نیازی به بارها واکشی شی از Amazon S3 ندارد. یک راه حل ساده لوحانه شامل خواندن ویدیو در حافظه و صفحه بندی تا انتها است. این الگو برای کلیپ های کوتاه و جایی که ارزیابی ها به زمان حساس نیستند ایده آل است.
استراتژی دیگر مستلزم انتقال فایل یک بار به سیستم فایل الاستیک آمازون (Amazon EFS)، یک سیستم فایل کاملاً مدیریت شده، مقیاس پذیر و مشترک برای سایر سرویس های AWS، مانند Lambda. با آمازون EFS برای لامبدا، می توانید داده ها را به طور مؤثر در فراخوان های تابع توزیع کنید. هر فراخوانی به طور موثر بخش کوچکی را کنترل می کند و پتانسیل پردازش موازی گسترده و زمان پردازش سریع تر را باز می کند.
پاک کردن
پس از آزمایش روشهای موجود در این پست، باید هر محتوایی را در سطل S3 حذف کنید تا از هزینههای آینده جلوگیری کنید. اگر این الگوها را با منابع محاسباتی تدارک دیده شده مانند ابر محاسبه الاستیک آمازون (Amazon EC2) یا سرویس کانتینر الاستیک آمازون (Amazon ECS)، شما باید این موارد را متوقف کنید تا از هزینه های بیشتر جلوگیری کنید.
نتیجه
محتوای تولید شده توسط کاربر و ارزش آن برای بازیها، رسانههای اجتماعی، تجارت الکترونیک و سازمانهای خدمات مالی و بهداشتی به رشد خود ادامه خواهد داد. با این حال، استارت آپ ها و سازمان های بزرگ باید فرآیندهای تعدیل کارآمد را برای محافظت از کاربران، اطلاعات و کسب و کار ایجاد کنند و در عین حال هزینه های عملیاتی را کاهش دهند. این راهحل نشان میدهد که چگونه فناوریهای AI، ML و NLP میتوانند به طور موثر به شما در تعدیل محتوا در مقیاس کمک کنند. شما می توانید خدمات AWS AI را برای رفع نیازهای تعدیل خاص خود سفارشی کنید! این قابلیت های کاملا مدیریت شده پیچیدگی های عملیاتی را حذف می کند. این انعطاف پذیری به طور استراتژیک بینش های زمینه ای و استعداد انسانی را در فرآیندهای تعدیل شما ادغام می کند.
برای اطلاعات بیشتر، منابع، و برای شروع رایگان امروز، به سایت مراجعه کنید صفحه اصلی تعدیل محتوای AWS.
درباره نویسنده
نیت باخمایر یک معمار ارشد راه حل های AWS است که به طور عشایری نیویورک را، یکپارچه سازی ابری در یک زمان، بررسی می کند. او در مهاجرت و نوسازی اپلیکیشن ها تخصص دارد. علاوه بر این، نیت دانشجوی تمام وقت است و دو فرزند دارد.
رام پاتانگی یک معمار راه حل در خدمات وب آمازون در منطقه خلیج سان فرانسیسکو است. او به مشتریان در زمینههای کشاورزی، بیمه، بانکداری، خردهفروشی، مراقبتهای بهداشتی و علوم زندگی، مهماننوازی، و بخشهای فناوری پیشرفته کمک کرده است تا کسبوکار خود را با موفقیت در AWS Cloud اداره کنند. او در پایگاه های داده، تجزیه و تحلیل و یادگیری ماشین تخصص دارد.
روپ باین یک معمار راه حل در AWS است که بر AI/ML تمرکز دارد. او مشتاق کمک به مشتریان برای نوآوری و دستیابی به اهداف تجاری خود با استفاده از هوش مصنوعی و یادگیری ماشین است. روپ در اوقات فراغت خود از مطالعه و پیاده روی لذت می برد.
- "
- 100
- 70
- درباره ما
- چکیده
- حساب
- در میان
- عمل
- اقدامات
- اضافه
- اضافی
- نشانی
- تبلیغات
- کشاورزی
- AI
- خدمات هوش مصنوعی
- آمازون
- آمازون خدمات وب
- مقدار
- تحلیل
- علم تجزیه و تحلیل
- API
- رابط های برنامه کاربردی
- کاربرد
- برنامه های کاربردی
- روش
- معماری
- محدوده
- مصنوعی
- هوش مصنوعی
- هوش مصنوعی (AI)
- هوش مصنوعی و یادگیری ماشین
- دارایی
- سمعی
- خودکار بودن
- خودکار
- اتوماتیک
- در دسترس
- AWS
- بانک
- حساب بانکی
- بانکداری
- سرخ مایل به قرمز
- ساختن
- کسب و کار
- کسب و کار
- دعوت کننده
- قابلیت های
- حمل
- موارد
- به چالش کشیدن
- بار
- کلیپ های
- ابر
- رمز
- همکاری
- بیا
- جوامع
- انجمن
- پیچیدگی ها
- انطباق
- موافق
- جامع
- محاسبه
- اتصالات
- مصرف
- مصرف
- ظرف
- ظروف
- شامل
- محتوا
- ادامه دادن
- کمک
- متناظر
- مقرون به صرفه
- هزینه
- ایجاد
- سفارشی
- مشتریان
- سفارشی
- داده ها
- علم اطلاعات
- پایگاه های داده
- ارائه
- تحویل
- نشان دادن
- بستگی دارد
- طرح
- شناسایی شده
- کشف
- مختلف
- بحث و تبادل نظر
- اسناد و مدارک
- نمی کند
- راندن
- تجارت الکترونیک
- تجارت الکترونیک
- بهره وری
- موثر
- موثر
- قادر ساختن
- نامزدی
- انگلیسی
- موجودیت
- مثال
- موجود
- انتظار
- تجربه
- تجارب
- تجربه
- تخصص
- نمایی
- FAST
- سریعتر
- امکانات
- مالی
- انعطاف پذیری
- جریان
- تمرکز
- تمرکز
- به دنبال
- پیروی
- یافت
- پایه
- FRAME
- فرانسیسکو
- رایگان
- فرانسوی
- سوخت
- تابع
- بیشتر
- آینده
- بازی
- جهانی
- گروه ها
- شدن
- دستورالعمل ها
- سلامتی
- بهداشت و درمان
- کمک
- کمک
- کمک می کند
- با کیفیت بالا
- چگونه
- چگونه
- HTTPS
- انسان
- تصویر
- تأثیر
- انجام
- اجرا
- شامل
- افزایش
- فرد
- لوازم
- اطلاعات
- ورودی
- بینش
- بیمه
- ادغام
- ادغام
- اطلاعات
- علاقه
- IT
- کار
- کلید
- بچه ها
- برچسب ها
- زبان
- زبان ها
- بزرگ
- یاد گرفتن
- یادگیری
- علوم زندگی
- بلند کردن اجسام
- فهرست
- محل
- دستگاه
- فراگیری ماشین
- باعث می شود
- اداره می شود
- ماسک
- معنی
- رسانه ها
- نشست
- اعضا
- حافظه
- مایکروسافت
- قدرت
- میلیون ها نفر
- ML
- موبایل
- مدل
- مدل
- مانیتور
- بیش
- سینما
- فیلم ها
- متحرک
- چندگانه
- موسیقی
- نام
- طبیعی
- منفی
- نیویورک
- اخبار
- عدد
- آنلاین
- کار
- عمل
- سازمان های
- دیگر
- به طور کلی
- احساساتی
- الگو
- پرداخت
- مردم
- عبارات
- سیستم عامل
- پــادکـست
- فقیر
- پرتغالی
- مثبت
- پتانسیل
- قدرت
- پیش بینی
- قبلی
- قیمت گذاری
- روند
- فرآیندهای
- در حال پردازش
- محصولات
- ویژگی
- محافظت از
- پروتکل
- ارائه
- به سرعت
- مطالعه
- زمان واقعی
- گرفتن
- شناختن
- کاهش
- روابط
- گزارش
- نیاز
- ضروری
- مورد نیاز
- منابع
- پاسخ
- نتایج
- خرده فروشی
- برگشت
- بازده
- این فایل نقد می نویسید:
- بررسی
- خطر
- قوانین
- دویدن
- امن
- ایمنی
- سان
- سان فرانسیسکو
- مقیاس پذیر
- مقیاس
- صحنه های
- علم
- علوم
- ثانیه
- بخش
- بخش ها
- احساس
- بدون سرور
- سرویس
- خدمات
- به اشتراک گذاشته شده
- کوتاه
- نشان داده شده
- به طور مشابه
- ساده
- کوچک
- آگاهی
- رسانه های اجتماعی
- راه حل
- مزایا
- مصنوعی
- فضاها
- تخصص دارد
- استاندارد
- استانداردهای
- شروع
- آغاز شده
- شروع می شود
- نوپا
- دولت
- وضعیت
- ذخیره سازی
- استراتژی
- جریان
- جریان
- دانشجو
- موفقیت
- پشتیبانی
- پشتیبانی از
- سیستم
- استعداد
- هدف
- وظایف
- تیم
- فنی
- فن آوری
- آزمون
- منبع
- تفکر
- هزاران نفر
- از طریق
- زمان
- امروز
- با هم
- سنتی
- رونوشت
- ترجمه
- انواع
- برملا کردن
- استفاده کنید
- کاربران
- ارزش
- تنوع
- عمودی
- تصویری
- فیلم های
- حجم
- وب
- خدمات وب
- چی
- چه
- در حین
- در داخل
- بدون
- مهاجرت کاری