بذرهای تغییر پارادایم یادگیری ماشین (ML) برای چندین دهه وجود داشته است، اما با در دسترس بودن ظرفیت محاسباتی تقریبا بی نهایت، تکثیر گسترده داده ها، و پیشرفت سریع فناوری های ML، مشتریان در سراسر صنایع به سرعت در حال پذیرش و استفاده از ML هستند. فناوری هایی که کسب و کار خود را متحول می کنند.
به تازگی، برنامه های کاربردی هوش مصنوعی مولد توجه و تخیل همه را به خود جلب کرده است. ما واقعاً در یک نقطه عطف هیجان انگیز در پذیرش گسترده ML هستیم و معتقدیم که هر تجربه و برنامه مشتری با هوش مصنوعی مولد دوباره اختراع خواهد شد.
هوش مصنوعی مولد نوعی از هوش مصنوعی است که می تواند محتوا و ایده های جدیدی از جمله گفتگو، داستان، تصاویر، ویدئو و موسیقی ایجاد کند. مانند تمام هوش مصنوعی، هوش مصنوعی مولد از مدلهای ML پشتیبانی میکند - مدلهای بسیار بزرگی که از قبل بر روی مجموعههای وسیعی از دادهها آموزش دیدهاند و معمولاً به عنوان مدلهای پایه (FM) شناخته میشوند.
اندازه و ماهیت همه منظوره FM ها آنها را از مدل های سنتی ML متفاوت می کند، که معمولاً وظایف خاصی را انجام می دهند، مانند تجزیه و تحلیل متن برای احساسات، طبقه بندی تصاویر، و پیش بینی روندها.
با مدلهای سنتی ML، برای دستیابی به هر کار خاص، باید دادههای برچسبگذاری شده را جمعآوری کنید، یک مدل را آموزش دهید و آن مدل را به کار بگیرید. با مدلهای پایه، به جای جمعآوری دادههای برچسبگذاری شده برای هر مدل و آموزش چندین مدل، میتوانید از همان FM از پیش آموزشدیده برای تطبیق وظایف مختلف استفاده کنید. همچنین میتوانید FMها را برای انجام عملکردهای دامنه خاص که برای کسبوکار شما متمایز هستند، سفارشی کنید، تنها با استفاده از بخش کوچکی از دادهها و محاسبههای مورد نیاز برای آموزش یک مدل از ابتدا.
هوش مصنوعی مولد پتانسیل ایجاد اختلال در بسیاری از صنایع را با ایجاد انقلابی در نحوه تولید و مصرف محتوا دارد. تولید محتوای اصلی، تولید کد، بهبود خدمات مشتری و خلاصهسازی اسناد از موارد استفاده معمولی از هوش مصنوعی مولد هستند.
Amazon SageMaker JumpStart مدلهای از پیش آموزشدیده و منبع باز را برای طیف گستردهای از انواع مشکلات ارائه میکند تا به شما در شروع کار با ML کمک کند. می توانید این مدل ها را قبل از استقرار به صورت تدریجی آموزش داده و تنظیم کنید. JumpStart همچنین الگوهای راه حلی را ارائه می دهد که زیرساخت هایی را برای موارد استفاده رایج تنظیم می کند و نمونه های نوت بوک قابل اجرا برای ML با آمازون SageMaker.
با بیش از 600 مدل از قبل آموزش دیده در دسترس و هر روز در حال رشد، JumpStart به توسعه دهندگان این امکان را می دهد تا به سرعت و به راحتی تکنیک های پیشرفته ML را در جریان کار تولید خود بگنجانند. می توانید از طریق صفحه فرود JumpStart به مدل های از پیش آموزش دیده، الگوهای راه حل و نمونه ها دسترسی داشته باشید. Amazon SageMaker Studio. همچنین می توانید با استفاده از SageMaker Python SDK به مدل های JumpStart دسترسی داشته باشید. برای اطلاعات در مورد نحوه استفاده از مدلهای JumpStart به صورت برنامهنویسی، رجوع کنید از الگوریتم های SageMaker JumpStart با مدل های از پیش آموزش دیده استفاده کنید.
در آوریل 2023، AWS رونمایی کرد بستر آمازون، که راهی برای ساخت برنامه های مولد مبتنی بر هوش مصنوعی از طریق مدل های از پیش آموزش دیده استارت آپ ها از جمله آزمایشگاه های AI21, آنتروپیکو هوش مصنوعی پایداری. Amazon Bedrock همچنین دسترسی به مدل های پایه تیتان را ارائه می دهد، خانواده ای از مدل هایی که توسط AWS آموزش دیده اند. با تجربه بدون سرور Amazon Bedrock، می توانید به راحتی مدل مناسب برای نیازهای خود را بیابید، سریع شروع کنید، FM ها را به صورت خصوصی با داده های خود شخصی سازی کنید، و به راحتی آنها را با استفاده از ابزارها و قابلیت های AWS که آشنا هستید، در برنامه های خود ادغام و مستقر کنید. با (از جمله ادغام با ویژگی های SageMaker ML مانند آزمایشات آمازون SageMaker برای تست مدل های مختلف و خطوط لوله آمازون SageMaker برای مدیریت FM های خود در مقیاس) بدون نیاز به مدیریت زیرساخت.
در این پست، نحوه استقرار مدلهای هوش مصنوعی تولید کننده تصویر و متن را از JumpStart با استفاده از کیت توسعه ابری AWS (AWS CDK). AWS CDK یک چارچوب توسعه نرم افزار منبع باز برای تعریف منابع برنامه ابری شما با استفاده از زبان های برنامه نویسی آشنا مانند پایتون است.
ما از مدل Stable Diffusion برای تولید تصویر و مدل FLAN-T5-XL برای تولید تصویر استفاده می کنیم درک زبان طبیعی (NLU) و تولید متن از در آغوش کشیدن صورت در جامپ استارت
بررسی اجمالی راه حل
برنامه وب بر روی آن ساخته شده است Streamlit، یک کتابخانه منبع باز Python که ایجاد و اشتراک گذاری برنامه های وب زیبا و سفارشی برای ML و علم داده را آسان می کند. ما با استفاده از برنامه وب میزبانی می کنیم سرویس کانتینر الاستیک آمازون (Amazon ECS) با AWS Fargate و از طریق Application Load Balancer قابل دسترسی است. Fargate یک فناوری است که می توانید با Amazon ECS برای اجرا از آن استفاده کنید ظروف بدون نیاز به مدیریت سرورها یا خوشه ها یا ماشین های مجازی. نقاط پایانی مدل AI مولد از تصاویر JumpStart در راه اندازی می شوند رجیستری ظروف الاستیک آمازون (Amazon ECR). داده های مدل در ذخیره می شود سرویس ذخیره سازی ساده آمازون (Amazon S3) در حساب JumpStart. برنامه وب با مدل ها از طریق تعامل دارد دروازه API آمازون و AWS لامبدا توابع همانطور که در نمودار زیر نشان داده شده است.
API Gateway یک رابط استاندارد RESTful را به برنامه وب و سایر مشتریان ارائه می دهد، در حالی که از عملکردهای Lambda که با مدل ارتباط دارند محافظت می کند. این کد برنامه مشتری را که مدل ها را مصرف می کند، ساده می کند. نقاط پایانی API Gateway در این مثال به صورت عمومی قابل دسترسی هستند و امکان گسترش این معماری را برای پیاده سازی متفاوت فراهم می کند. کنترل های دسترسی API و با سایر برنامه ها ادغام شود.
در این پست شما را با مراحل زیر آشنا می کنیم:
- نصب رابط خط فرمان AWS (AWS CLI) و AWS CDK نسخه 2 در ماشین محلی شما
- برنامه AWS CDK را شبیه سازی کرده و راه اندازی کنید.
- برنامه AWS CDK را مستقر کنید.
- از مدل AI تولید تصویر استفاده کنید.
- از مدل AI تولید متن استفاده کنید.
- مشاهده منابع مستقر در کنسول مدیریت AWS.
در ضمیمه انتهای این پست یک نمای کلی از کدهای این پروژه ارائه می دهیم.
پیش نیازها
شما باید پیش نیازهای زیر را داشته باشید:
می توانید زیرساخت های موجود در این آموزش را از رایانه محلی خود مستقر کنید یا می توانید از آن استفاده کنید AWS Cloud9 به عنوان ایستگاه کاری استقرار شما. AWS Cloud9 با AWS CLI، AWS CDK و Docker از پیش بارگذاری شده است. اگر AWS Cloud9 را انتخاب کنید، محیط را ایجاد کند از کنسول AWS.
هزینه تخمینی تکمیل این پست 50 دلار است، با فرض اینکه منابع را به مدت 8 ساعت در حال اجرا بگذارید. مطمئن شوید که منابعی را که در این پست ایجاد کرده اید حذف کرده اید تا از هزینه های مداوم جلوگیری کنید.
AWS CLI و AWS CDK را روی دستگاه محلی خود نصب کنید
اگر قبلاً AWS CLI را روی دستگاه محلی خود ندارید، به آن مراجعه کنید نصب یا به روز رسانی آخرین نسخه AWS CLI و پیکربندی AWS CLI.
با استفاده از دستور مدیر بسته گره زیر، AWS CDK Toolkit را به صورت سراسری نصب کنید:
دستور زیر را برای تأیید نصب صحیح اجرا کنید و شماره نسخه AWS CDK را چاپ کنید:
مطمئن شوید که Docker را روی دستگاه محلی خود نصب کرده اید. دستور زیر را برای تایید نسخه صادر کنید:
برنامه AWS CDK را شبیه سازی کرده و راه اندازی کنید
در دستگاه محلی خود، برنامه AWS CDK را با دستور زیر کلون کنید:
به پوشه پروژه بروید:
قبل از استقرار برنامه، بیایید ساختار دایرکتوری را بررسی کنیم:
La stack
پوشه حاوی کد هر پشته در برنامه AWS CDK است. را code
پوشه حاوی کد توابع Lambda است. مخزن همچنین حاوی برنامه وب است که در زیر پوشه قرار دارد web-app
.
La cdk.json
فایل به AWS CDK Toolkit می گوید که چگونه برنامه شما را اجرا کند.
این نرم افزار در تست شده است us-east-1
منطقه، اما باید در هر منطقه ای که خدمات مورد نیاز و نوع نمونه استنتاج را دارد کار کند ml.g4dn.4xlarge
مشخص شده در app.py
.
یک محیط مجازی راه اندازی کنید
این پروژه مانند یک پروژه استاندارد پایتون راه اندازی شده است. با استفاده از کد زیر یک محیط مجازی پایتون ایجاد کنید:
برای فعال کردن محیط مجازی از دستور زیر استفاده کنید:
اگر در پلتفرم ویندوز هستید، محیط مجازی را به صورت زیر فعال کنید:
پس از فعال شدن محیط مجازی، پیپ را به آخرین نسخه ارتقا دهید:
وابستگی های مورد نیاز را نصب کنید:
قبل از استقرار هر برنامه AWS CDK، باید فضایی را در حساب خود و منطقه ای که در آن مستقر می کنید بوت استرپ کنید. برای بوت استرپ در منطقه پیش فرض خود، دستور زیر را صادر کنید:
اگر می خواهید در یک حساب کاربری و منطقه خاص مستقر شوید، دستور زیر را صادر کنید:
برای اطلاعات بیشتر در مورد این تنظیمات، مراجعه کنید شروع کار با AWS CDK.
ساختار پشته برنامه AWS CDK
برنامه AWS CDK شامل چندین پشته است، همانطور که در نمودار زیر نشان داده شده است.
میتوانید پشتهها را در برنامه AWS CDK خود با دستور زیر فهرست کنید:
در زیر سایر دستورات مفید AWS CDK آمده است:
- cdk ls - تمام پشته های برنامه را فهرست می کند
- سی دی کی سینت – سنتز شده را منتشر می کند AWS CloudFormation قالب
- cdk استقرار – این پشته را در حساب و منطقه پیشفرض AWS شما مستقر میکند
- cdk تفاوت - پشته مستقر شده را با وضعیت فعلی مقایسه می کند
- اسناد cdk – اسناد AWS CDK را باز می کند
بخش بعدی نحوه استقرار برنامه AWS CDK را به شما نشان می دهد.
برنامه AWS CDK را مستقر کنید
برنامه AWS CDK بر اساس پیکربندی ایستگاه کاری شما در منطقه پیشفرض مستقر میشود. اگر میخواهید استقرار را در منطقه خاصی اجباری کنید، خود را تنظیم کنید AWS_DEFAULT_REGION
بر این اساس متغیر محیطی
در این مرحله، می توانید برنامه AWS CDK را مستقر کنید. ابتدا پشته شبکه VPC را راه اندازی می کنید:
اگر از شما خواسته شد، وارد کنید y
برای ادامه استقرار شما باید فهرستی از منابع AWS را که در پشته ارائه می شوند، مشاهده کنید. تکمیل این مرحله حدود 3 دقیقه طول می کشد.
سپس پشته برنامه وب را راه اندازی می کنید:
پس از تجزیه و تحلیل پشته، CDK AWS لیست منابع را در پشته نمایش می دهد. برای ادامه استقرار y را وارد کنید. این مرحله حدود 5 دقیقه طول می کشد.
یادداشت کنید WebApplicationServiceURL
از خروجی برای استفاده بعدا همچنین میتوانید آن را در کنسول AWS CloudFormation، در زیر بازیابی کنید GenerativeAiDemoWebStack
خروجی های پشته
اکنون، پشته نقطه پایانی مدل AI تولید تصویر را راه اندازی کنید:
این مرحله حدود 8 دقیقه طول می کشد. نقطه پایانی مدل تولید تصویر مستقر شده است، اکنون می توانیم از آن استفاده کنیم.
از مدل AI تولید تصویر استفاده کنید
مثال اول نحوه استفاده از Stable Diffusion را نشان میدهد، یک تکنیک مدلسازی مولد قدرتمند که امکان ایجاد تصاویر با کیفیت بالا را از پیامهای متنی فراهم میکند.
- دسترسی به برنامه وب با استفاده از
WebApplicationServiceURL
از خروجیGenerativeAiDemoWebStack
در مرورگر شما - در صفحه پیمایش، را انتخاب کنید ایجاد تصویر.
- La نام نقطه پایانی SageMaker و آدرس اینترنتی API GW فیلدها از قبل پر می شوند، اما در صورت تمایل می توانید درخواست توضیحات تصویر را تغییر دهید.
- را انتخاب کنید ایجاد تصویر.
- برنامه با نقطه پایانی SageMaker تماس خواهد گرفت. چند ثانیه طول می کشد. تصویری با مشخصات در توضیحات تصویر شما نمایش داده می شود.
از مدل AI تولید متن استفاده کنید
مثال دوم حول محور استفاده از مدل FLAN-T5-XL، که یک مدل پایه یا زبان بزرگ (LLM) است، برای دستیابی به یادگیری درون متنی برای تولید متن و در عین حال به طیف گسترده ای از درک زبان طبیعی (NLU) و طبیعی می پردازد. وظایف تولید زبان (NLG).
برخی از محیطها ممکن است تعداد نقاط پایانی را که میتوانید در یک زمان راهاندازی کنید، محدود کنند. اگر اینطور است، می توانید هر بار یک نقطه پایانی SageMaker را راه اندازی کنید. برای متوقف کردن یک نقطه پایانی SageMaker در برنامه AWS CDK، باید پشته نقطه پایانی مستقر شده و قبل از راهاندازی پشته نقطه پایانی دیگر را از بین ببرید. برای کم کردن نقطه پایانی مدل AI تولید تصویر، دستور زیر را صادر کنید:
سپس پشته نقطه پایانی مدل هوش مصنوعی تولید متن را راه اندازی کنید:
y را در دستورات وارد کنید.
پس از راه اندازی پشته نقطه پایانی مدل تولید متن، مراحل زیر را انجام دهید:
- به برنامه وب برگردید و انتخاب کنید تولید متن در صفحه ناوبری
- La متن ورودی فیلد از قبل با مکالمه بین مشتری و نماینده در رابطه با مشکل تلفن مشتریان پر شده است، اما در صورت تمایل می توانید زمینه خود را وارد کنید.
- در زیر زمینه، تعدادی پرس و جو از قبل پر شده را در منوی کشویی پیدا خواهید کرد. یک پرس و جو را انتخاب کنید و انتخاب کنید ایجاد پاسخ.
- همچنین می توانید پرس و جوی خود را در قسمت وارد کنید پرس و جو ورودی فیلد و سپس انتخاب کنید ایجاد پاسخ.
مشاهده منابع مستقر در کنسول
در کنسول AWS CloudFormation، را انتخاب کنید پشته در صفحه ناوبری برای مشاهده پشته های مستقر شده.
در کنسول آمازون ECS، میتوانید خوشهها را روی آن ببینید خوشه احتمال برد مراجعه کنید.
در کنسول AWS Lambda، میتوانید عملکردها را روی آن ببینید توابع احتمال برد مراجعه کنید.
در کنسول API Gateway، میتوانید نقاط پایانی API Gateway را روی آن ببینید رابط های برنامه کاربردی احتمال برد مراجعه کنید.
در کنسول SageMaker، می توانید نقاط پایانی مدل مستقر شده را در آن مشاهده کنید نقاط پایان احتمال برد مراجعه کنید.
هنگامی که پشته ها راه اندازی می شوند، برخی از پارامترها تولید می شوند. اینها در AWS Systems Manager Parameter Store. برای مشاهده آنها، انتخاب کنید فروشگاه پارامتر در قسمت ناوبری روی مدیر سیستم های AWS کنسول.
پاک کردن
برای جلوگیری از هزینه های غیر ضروری، تمام زیرساخت های ایجاد شده را با دستور زیر در ایستگاه کاری خود پاک کنید:
وارد y
در اعلان این مرحله حدود 10 دقیقه طول می کشد. بررسی کنید که آیا تمام منابع روی کنسول حذف شده اند یا خیر. همچنین سطل های دارایی S3 ایجاد شده توسط AWS CDK در کنسول آمازون S3 و همچنین مخازن دارایی ها در Amazon ECR را حذف کنید.
نتیجه
همانطور که در این پست نشان داده شد، میتوانید از CDK AWS برای استقرار مدلهای هوش مصنوعی در JumpStart استفاده کنید. ما یک نمونه تولید تصویر و یک نمونه تولید متن را با استفاده از رابط کاربری ارائه شده توسط Streamlit، Lambda و API Gateway نشان دادیم.
اکنون می توانید پروژه های هوش مصنوعی مولد خود را با استفاده از مدل های هوش مصنوعی از پیش آموزش دیده در JumpStart بسازید. همچنین میتوانید این پروژه را برای تنظیم دقیق مدلهای پایه برای مورد استفاده خود و کنترل دسترسی به نقاط پایانی API Gateway گسترش دهید.
ما از شما دعوت می کنیم راه حل را آزمایش کنید و در پروژه مشارکت کنید GitHub. نظرات خود را در مورد این آموزش در نظرات به اشتراک بگذارید!
خلاصه مجوز
این کد نمونه تحت مجوز MIT تغییر یافته در دسترس است. را ببینید مجوز برای اطلاعات بیشتر فایل کنید همچنین، مجوزهای مربوطه را نیز بررسی کنید انتشار پایدار و flan-t5-xl مدل های روی صورت در آغوش کشیده.
درباره نویسندگان
هانتزلی تاکور یک رهبر معماری راه حل های شریک APJ مستقر در سنگاپور است. او دارای 20 سال تجربه در صنعت ICT است که حوزه های کاربردی متعددی را شامل می شود، از جمله معماری راه حل ها، توسعه کسب و کار، استراتژی فروش، مشاوره و رهبری. او تیمی از معماران ارشد راهحل را رهبری میکند که شرکا را قادر میسازد راهحلهای مشترک را توسعه دهند، قابلیتهای فنی ایجاد کنند و آنها را در مرحله پیادهسازی هدایت کنند، زیرا مشتریان مهاجرت میکنند و برنامههای خود را به AWS مدرن میکنند.
کوونیول چوی یک CTO در BABITALK، یک استارتاپ پلت فرم مراقبت زیبایی کره ای، مستقر در سئول است. قبل از این نقش، کونیول به عنوان مهندس توسعه نرم افزار در AWS با تمرکز بر AWS CDK و Amazon SageMaker کار می کرد.
آرونپراسات شانکار یک معمار ارشد راه حل های تخصصی AI/ML با AWS است که به مشتریان جهانی کمک می کند راه حل های هوش مصنوعی خود را به طور موثر و کارآمد در فضای ابری مقیاس کنند. آرون در اوقات فراغت خود از تماشای فیلم های علمی تخیلی و گوش دادن به موسیقی کلاسیک لذت می برد.
ساتیش اوپرتی یک PSA رهبری مهاجرت و SME امنیتی در سازمان شریک در APJ است. Satish دارای 20 سال تجربه در زمینه فناوریهای ابر خصوصی داخلی و ابر عمومی است. از زمان پیوستن به AWS در آگوست 2020 به عنوان متخصص مهاجرت، او مشاوره فنی و پشتیبانی گسترده ای را برای شرکای AWS برای برنامه ریزی و اجرای مهاجرت های پیچیده ارائه می دهد.
ضمیمه: بررسی کد
در این قسمت به بررسی اجمالی کدهای این پروژه می پردازیم.
برنامه AWS CDK
برنامه اصلی AWS CDK در app.py
فایل در دایرکتوری ریشه این پروژه از چندین پشته تشکیل شده است، بنابراین باید پشته ها را وارد کنیم:
ما مدلهای هوش مصنوعی تولیدی خود را تعریف میکنیم و URIهای مربوطه را از SageMaker دریافت میکنیم:
تابع get_sagemaker_uris تمام اطلاعات مدل را از JumpStart بازیابی می کند. دیدن script/sagemaker_uri.py
.
سپس، پشته ها را نمونه سازی می کنیم:
اولین پشته ای که راه اندازی می شود پشته VPC، GenerativeAiVpcNetworkStack است. پشته برنامه وب، GenerativeAiDemoWebStack، به پشته VPC وابسته است. وابستگی از طریق عبور پارامتر vpc=network_stack.vpc انجام می شود.
دیدن app.py
برای کد کامل
پشته شبکه VPC
در پشته GenerativeAiVpcNetworkStack، ما یک VPC با یک زیرشبکه عمومی و یک زیرشبکه خصوصی ایجاد می کنیم که در دو منطقه در دسترس قرار دارد:
دیدن /stack/generative_ai_vpc_network_stack.py
برای کد کامل
پشته برنامه وب نسخه ی نمایشی
در پشته GenerativeAiDemoWebStack، توابع Lambda و نقاط پایانی API Gateway مربوطه را راه اندازی می کنیم که از طریق آن برنامه وب با نقاط پایانی مدل SageMaker تعامل می کند. قطعه کد زیر را ببینید:
برنامه وب به صورت کانتینری در آمازون ECS با Fargate میزبانی می شود. قطعه کد زیر را ببینید:
دیدن /stack/generative_ai_demo_web_stack.py
برای کد کامل
پشته نقطه پایانی مدل SageMaker تولید تصویر
پشته GenerativeAiTxt2imgSagemakerStack نقطه پایانی مدل تولید تصویر را از JumpStart ایجاد می کند و نام نقطه پایانی را در Systems Manager Parameter Store ذخیره می کند. این پارامتر توسط برنامه وب استفاده خواهد شد. کد زیر را ببینید:
دیدن /stack/generative_ai_txt2img_sagemaker_stack.py
برای کد کامل
پشته نقطه پایانی مدل SageMaker تولید NLU و متن
پشته GenerativeAiTxt2nluSagemakerStack نقطه پایانی مدل NLU و تولید متن را از JumpStart ایجاد می کند و نام نقطه پایانی را در Systems Manager Parameter Store ذخیره می کند. این پارامتر توسط وب اپلیکیشن نیز استفاده خواهد شد. کد زیر را ببینید:
دیدن /stack/generative_ai_txt2nlu_sagemaker_stack.py
برای کد کامل
برنامه تحت وب
برنامه وب در واقع شده است /web-app
فهرست راهنما. این یک برنامه Streamlit است که مطابق با کانتینر شده است Dockerfile
:
برای کسب اطلاعات بیشتر در مورد Streamlit، مراجعه کنید مستندات Streamlit.
- محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
- PlatoAiStream. Web3 Data Intelligence دانش تقویت شده دسترسی به اینجا.
- ضرب کردن آینده با آدرین اشلی. دسترسی به اینجا.
- خرید و فروش سهام در شرکت های PRE-IPO با PREIPO®. دسترسی به اینجا.
- منبع: https://aws.amazon.com/blogs/machine-learning/deploy-generative-ai-models-from-amazon-sagemaker-jumpstart-using-the-aws-cdk/
- : دارد
- :است
- $UP
- 1
- 10
- 100
- 20
- سال 20
- 2020
- 2023
- 7
- 8
- 9
- a
- درباره ما
- دسترسی
- قابل دسترسی است
- در دسترس
- بر این اساس
- حساب
- رسیدن
- در میان
- وفق دادن
- خطاب به
- تصویب
- اتخاذ
- پیشرفت
- نصیحت
- عامل
- AI
- مجهز به هوش مصنوعی
- AI / ML
- الگوریتم
- معرفی
- اجازه دادن
- قبلا
- همچنین
- آمازون
- دروازه API آمازون
- آمازون SageMaker
- Amazon SageMaker JumpStart
- آمازون خدمات وب
- an
- تجزیه و تحلیل
- و
- هر
- API
- نرم افزار
- کاربرد
- برنامه های کاربردی
- برنامه های
- آوریل
- معماری
- هستند
- مناطق
- دور و بر
- AS
- دارایی
- At
- توجه
- اوت
- دسترس پذیری
- در دسترس
- اجتناب از
- AWS
- AWS Cloud9
- AWS CloudFormation
- AWS لامبدا
- به عقب
- متعادل کننده
- مستقر
- BAT
- BE
- خوشگل
- زیبایی
- قبل از
- بودن
- باور
- میان
- خود راه انداز
- پهن
- مرورگر
- ساختن
- ساخته
- کسب و کار
- توسعه تجاری
- کسب و کار
- اما
- by
- صدا
- CAN
- قابلیت های
- ظرفیت
- اسیر
- اهميت دادن
- مورد
- موارد
- CD
- مراکز
- تغییر دادن
- مشخصات
- بار
- بررسی
- را انتخاب کنید
- مشتری
- مشتریان
- ابر
- Cloud9
- رمز
- می آید
- مشترک
- عموما
- کامل
- پیچیده
- محاسبه
- کامپیوتر
- پیکر بندی
- کنسول
- ساختن
- مشاوره
- مصرف
- موجود
- ظرف
- شامل
- محتوا
- زمینه
- کمک
- کنترل
- گفتگو
- گفتگو
- اصلاح
- هزینه
- ایجاد
- ایجاد شده
- ایجاد
- ایجاد
- CTO
- جاری
- سفارشی
- مشتری
- تجربه مشتری
- خدمات مشتری
- مشتریان
- سفارشی
- لبه برش
- داده ها
- علم اطلاعات
- روز
- دهه
- به طور پیش فرض
- تعریف می کند
- نشان
- نشان می دهد
- وابستگی
- وابسته
- گسترش
- مستقر
- استقرار
- گسترش
- مستقر می کند
- شرح
- از بین بردن
- توسعه
- توسعه دهندگان
- پروژه
- مختلف
- انتشار
- نمایش دادن
- مختل کردن
- کارگر بارانداز
- سند
- انجام شده
- آیا
- پایین
- هر
- به آسانی
- ساده
- به طور موثر
- موثر
- قادر ساختن
- را قادر می سازد
- پایان
- نقطه پایانی
- مهندس
- وارد
- محیط
- محیط
- برآورد
- هر
- هر روز
- هر کس
- مثال
- مثال ها
- مهیج
- تجربه
- گسترش
- وسیع
- چهره
- غلط
- آشنا
- خانواده
- امکانات
- کمی از
- رشته
- زمینه
- پرونده
- پیدا کردن
- نام خانوادگی
- تمرکز
- پیروی
- به دنبال آن است
- برای
- استحکام
- پایه
- کسر
- چارچوب
- از جانب
- کامل
- تابع
- تابعی
- توابع
- دروازه
- جمع آوری
- جمع آوری
- همه منظوره
- تولید
- نسل
- مولد
- هوش مصنوعی مولد
- دریافت کنید
- رفتن
- جهانی
- در سطح جهانی
- در حال رشد
- آیا
- داشتن
- he
- کمک
- کمک
- با کیفیت بالا
- خود را
- صفحه اصلی
- میزبان
- میزبانی
- ساعت ها
- چگونه
- چگونه
- HTML
- HTTP
- HTTPS
- فناوری اطلاعات و ارتباطات
- ایده ها
- if
- تصویر
- تصاویر
- خیال پردازی
- انجام
- پیاده سازی
- واردات
- in
- از جمله
- ترکیب کردن
- لوازم
- صنعت
- نا محدود
- نقطه عطف
- اطلاعات
- شالوده
- نصب
- نصب و راه اندازی
- نصب شده
- نمونه
- در عوض
- ادغام
- یکپارچگی
- در ارتباط بودن
- رابط
- به
- دعوت
- موضوع
- IT
- پیوستن
- مشترک
- JPG
- json
- کره ای
- فرود
- زبان
- زبان ها
- بزرگ
- بعد
- آخرین
- راه اندازی
- راه اندازی
- راه اندازی
- رهبری
- رهبر
- رهبری
- منجر می شود
- یاد گرفتن
- یادگیری
- ترک کردن
- کتابخانه
- مجوز
- مجوزها
- پسندیدن
- محدود
- لاین
- فهرست
- استماع
- لیست
- LLM
- بار
- محلی
- واقع شده
- دستگاه
- فراگیری ماشین
- ماشین آلات
- ساخته
- اصلی
- ساخت
- باعث می شود
- مدیریت
- مدیریت
- مدیر
- بسیاری
- عظیم
- فهرست
- قدرت
- مهاجرت
- مهاجرت
- دقیقه
- MIT
- ML
- مدل
- مدل
- نوین کردن
- اصلاح شده
- بیش
- فیلم ها
- چندگانه
- موسیقی
- باید
- نام
- طبیعی
- طبیعت
- جهت یابی
- نیاز
- نیازهای
- شبکه
- جدید
- بعد
- گره
- اکنون
- عدد
- of
- پیشنهادات
- on
- ONE
- مداوم
- فقط
- منبع باز
- نرم افزار منبع باز
- باز می شود
- or
- سفارش
- کدام سازمان ها
- اصلی
- دیگر
- ما
- تولید
- روی
- مروری
- خود
- بسته
- با ما
- قطعه
- نمونه
- پارامتر
- پارامترهای
- شریک
- شرکای
- عبور
- انجام
- فاز
- تلفن
- تصویر
- برنامه
- سکو
- افلاطون
- هوش داده افلاطون
- PlatoData
- نقطه
- امکان
- پست
- پتانسیل
- صفحه اصلی
- قوی
- پیش نیازها
- چاپ
- قبلا
- خصوصی
- مشکل
- تولید
- برنامه نويسي
- زبانهای برنامه نویسی
- پروژه
- پروژه ها
- ارائه
- فراهم می کند
- عمومی
- ابر عمومی
- عمومی
- پــایتــون
- نمایش ها
- به سرعت
- محدوده
- سریع
- سریعا
- اماده
- تازه
- اشاره
- با توجه
- منطقه
- مربوط
- مخزن
- ضروری
- مورد نیاز
- منابع
- منابع
- قابل احترام
- این فایل نقد می نویسید:
- انقلابی
- راست
- نقش
- ریشه
- دویدن
- در حال اجرا
- حکیم ساز
- حراجی
- همان
- مقیاس
- Sci-Fi حجم
- علم
- خراش
- sdk
- دوم
- ثانیه
- بخش
- تیم امنیت لاتاری
- دیدن
- دانه
- خود
- ارشد
- احساس
- سئول
- بدون سرور
- سرور
- سرویس
- خدمات
- تنظیم
- برپایی
- اشتراک گذاری
- تغییر
- باید
- نشان
- نشان داد
- نشان داده شده
- نشان می دهد
- ساده
- پس از
- سنگاپور
- اندازه
- کوچک
- EMS
- So
- نرم افزار
- توسعه نرم افزار
- راه حل
- مزایا
- برخی از
- منبع
- فضا
- متخصص
- خاص
- مشخص شده
- پایدار
- پشته
- پشته
- استاندارد
- آغاز شده
- شروع
- نوپا
- گام
- مراحل
- توقف
- ذخیره سازی
- opbevare
- ذخیره شده
- پرده
- داستان
- استراتژی
- ساختار
- زیر شبکه
- پشتیبانی
- سیستم های
- طول می کشد
- کار
- وظایف
- تیم
- فنی
- تکنیک
- فن آوری
- پیشرفته
- می گوید
- قالب
- آزمون
- تست
- که
- La
- شان
- آنها
- سپس
- اینها
- این
- از طریق
- زمان
- تیتان
- به
- ابزار
- ابزار
- سنتی
- سنتی
- قطار
- آموزش دیده
- آموزش
- دگرگون کردن
- روند
- درست
- صادقانه
- دور زدن
- آموزش
- دو
- نوع
- انواع
- نوعی
- به طور معمول
- زیر
- درک
- پرده برداری کرد
- به روز رسانی
- ارتقاء
- استفاده کنید
- مورد استفاده
- استفاده
- کاربر
- رابط کاربری
- با استفاده از
- استفاده کنید
- مختلف
- وسیع
- بررسی
- نسخه
- از طريق
- فیلم های
- چشم انداز
- مجازی
- عملا
- بازدید
- می خواهم
- بود
- تماشای
- مسیر..
- we
- وب
- برنامه تحت وب
- خدمات وب
- خوب
- که
- در حین
- وسیع
- دامنه گسترده
- بطور گسترده
- ویکیپدیا
- اراده
- پنجره
- با
- بدون
- مهاجرت کاری
- مشغول به کار
- گردش کار
- ایستگاه های کاری
- سال
- شما
- شما
- زفیرنت
- مناطق