با ظهور شبکههای تلفن همراه پرسرعت 5G، شرکتها راحتتر از همیشه موقعیتیابی میکنند و فرصتی برای مهار همگرایی شبکههای مخابراتی و فضای ابری دارند. به عنوان یکی از برجستهترین موارد استفاده تا به امروز، یادگیری ماشینی (ML) در لبه به شرکتها این امکان را میدهد تا مدلهای ML را نزدیکتر به مشتریان نهایی خود مستقر کنند تا تأخیر را کاهش دهند و پاسخگویی برنامههای خود را افزایش دهند. به عنوان مثال، راه حل های مکان هوشمند میتواند از دید رایانهای در زمان واقعی برای تجزیه و تحلیل جمعیت از طریق شبکههای 5G استفاده کند، در حالی که سرمایهگذاری در تجهیزات شبکه سختافزاری داخلی را به حداقل میرساند. خردهفروشان میتوانند با پردازش زبان طبیعی (NLP)، سیستمهای توصیه بلادرنگ، و تشخیص تقلب، تجربههای بدون اصطکاک بیشتری را در حین حرکت ارائه دهند. زوج رباتیک زمینی و هوایی می توانید از ML برای باز کردن قفل عملیات ایمن تر و مستقل تر استفاده کنید.
برای کاهش مانع ورود ML در لبه، ما می خواستیم نمونه ای از استقرار یک مدل از پیش آموزش دیده را نشان دهیم. آمازون SageMaker به طول موج AWS، همه در کمتر از 100 خط کد. در این پست، نحوه استقرار یک مدل SageMaker در طول موج AWS برای کاهش تأخیر استنتاج مدل برای برنامههای مبتنی بر شبکه 5G را نشان میدهیم.
بررسی اجمالی راه حل
در میان زیرساختهای جهانی AWS که به سرعت در حال گسترش است، طول موج AWS قدرت محاسبات ابری و ذخیرهسازی را به لبه شبکههای 5G میآورد و تجربههای عملکردی تلفن همراه را باز میکند. با طول موج AWS، می توانید ابر خصوصی مجازی (VPC) خود را به مناطق طول موج مربوط به لبه شبکه حامل مخابراتی گسترش دهید. شهرهای 29 سرتاسر جهان. نمودار زیر نمونه ای از این معماری را نشان می دهد.
از طریق کنسول مدیریت AWS یا رابط خط فرمان AWS (AWS CLI). برای کسب اطلاعات بیشتر در مورد استقرار برنامه های کاربردی توزیع شده جغرافیایی در طول موج AWS، مراجعه کنید استقرار خوشه های آمازون EKS توزیع شده جغرافیایی در طول موج AWS.
با تکیه بر اصولی که در این پست مورد بحث قرار گرفت، ما به ML در لبه به عنوان یک نمونه کار برای استقرار در طول موج AWS نگاه می کنیم. به عنوان حجم کار نمونه، ما یک مدل از پیش آموزش دیده را به کار می بریم Amazon SageMaker JumpStart.
SageMaker یک سرویس ML کاملاً مدیریت شده است که به توسعه دهندگان اجازه می دهد تا به راحتی مدل های ML را در محیط های AWS خود مستقر کنند. اگرچه AWS تعدادی گزینه برای آموزش مدل ارائه می دهد - از بازار AWS مدلها و الگوریتمهای داخلی SageMaker - تعدادی تکنیک برای استقرار مدلهای ML منبع باز وجود دارد.
JumpStart امکان دسترسی به صدها الگوریتم داخلی را با مدلهای از پیش آموزش دیده فراهم میکند که میتوانند به طور یکپارچه در نقاط پایانی SageMaker مستقر شوند. از تعمیر و نگهداری پیشبینیکننده و دید رایانه گرفته تا رانندگی خودکار و تشخیص تقلب، JumpStart از انواع موارد استفاده محبوب با استقرار یک کلیک بر روی کنسول پشتیبانی میکند.
از آنجایی که SageMaker به صورت بومی در مناطق طول موج پشتیبانی نمیشود، نحوه استخراج مصنوعات مدل از منطقه و استقرار مجدد در لبه را نشان میدهیم. برای انجام این کار، استفاده می کنید سرویس الاستیک کوبرنتز آمازون (Amazon EKS) خوشهها و گروههای گره را در مناطق طول موج ایجاد میکند و به دنبال آن یک مانیفست استقرار با تصویر ظرف تولید شده توسط JumpStart ایجاد میکند. نمودار زیر این معماری را نشان می دهد.
پیش نیازها
برای اینکه این کار را تا حد امکان آسان کنید، مطمئن شوید که حساب AWS شما دارای مناطق طول موج فعال است. توجه داشته باشید که این ادغام فقط در دسترس است us-east-1
و us-west-2
، و شما استفاده خواهید کرد us-east-1
برای مدت زمان نمایش
برای شرکت در طول موج AWS، مراحل زیر را انجام دهید:
- در کنسول VPC آمازون، انتخاب کنید مناطق زیر تنظیمات و انتخاب کنید US East (Verizon) / us-east-1-wl1.
- را انتخاب کنید مدیریت.
- انتخاب کنید شرکت کرد.
- را انتخاب کنید به روز رسانی مناطق.
زیرساخت طول موج AWS ایجاد کنید
قبل از اینکه نقطه پایانی استنتاج مدل SageMaker محلی را به یک استقرار Kubernetes تبدیل کنیم، می توانید یک خوشه EKS در یک منطقه طول موج ایجاد کنید. برای انجام این کار، یک خوشه آمازون EKS با یک گروه گره طول موج AWS مستقر کنید. برای کسب اطلاعات بیشتر می توانید مراجعه کنید این راهنما در وبلاگ AWS Containers or مخزن 5GEdgeTutorials Verizon برای یکی از این نمونه ها
بعد، با استفاده از یک AWS Cloud9 محیط یا محیط توسعه تعاملی (IDE) انتخابی، بسته های مورد نیاز SageMaker را دانلود کنید و داکور نوشتن، یک وابستگی کلیدی JumpStart است.
با استفاده از JumpStart آرتیفکت های مدل ایجاد کنید
ابتدا مطمئن شوید که یک هویت AWS و مدیریت دسترسی نقش اجرایی (IAM) برای SageMaker. برای کسب اطلاعات بیشتر، مراجعه کنید نقش های SageMaker.
- با استفاده از این مثال، فایلی به نام train_model.py ایجاد کنید که از کیت توسعه نرم افزار SageMaker (SDK) برای بازیابی یک مدل از پیش ساخته شده (جایگزین) استفاده می کند. با نام منبع آمازون (ARN) نقش اجرای SageMaker شما). در این فایل، شما یک مدل را به صورت محلی با استفاده از
instance_type
ویژگی درmodel.deploy()
تابع، که یک ظرف Docker را در IDE شما با استفاده از تمام مصنوعات مدل مورد نیاز که تعریف کرده اید راه اندازی می کند:
- بعد، تنظیم کنید
infer_model_id
به شناسه مدل SageMaker که می خواهید استفاده کنید.
برای مشاهده لیست کامل به ادامه مطلب مراجعه کنید الگوریتم های داخلی با جدول مدل از پیش آموزش دیده. در مثال ما، از مدل بازنمایی رمزگذار دو جهته از ترانسفورماتورها (BERT) استفاده می کنیم که معمولاً برای پردازش زبان طبیعی استفاده می شود.
- اجرا کن
train_model.py
اسکریپت برای بازیابی مصنوعات مدل JumpStart و استقرار مدل از پیش آموزش دیده در دستگاه محلی شما:
در صورت موفقیت آمیز بودن این مرحله، خروجی شما ممکن است شبیه موارد زیر باشد:
در خروجی، سه مصنوع را به ترتیب مشاهده خواهید کرد: تصویر پایه برای استنتاج TensorFlow، اسکریپت استنتاجی که مدل را ارائه میکند، و مصنوعات حاوی مدل آموزشدیده شده. اگرچه می توانید یک تصویر Docker سفارشی با این مصنوعات ایجاد کنید، روش دیگر این است که به حالت محلی SageMaker اجازه دهید تصویر Docker را برای شما ایجاد کند. در مراحل بعدی، تصویر کانتینر در حال اجرا به صورت محلی را استخراج کرده و در آن مستقر می کنیم رجیستری ظروف الاستیک آمازون (Amazon ECR) و همچنین آرتیفکت مدل را جداگانه به آن فشار دهید سرویس ذخیره سازی ساده آمازون (Amazon S3).
مصنوعات حالت محلی را به استقرار Kubernetes از راه دور تبدیل کنید
اکنون که تأیید کردید SageMaker به صورت محلی کار می کند، اجازه دهید مانیفست استقرار را از ظرف در حال اجرا استخراج کنیم. مراحل زیر را کامل کنید:
مکان مانیفست استقرار حالت محلی SageMaker را شناسایی کنید: برای انجام این کار، دایرکتوری ریشه ما را برای هر فایلی با نام جستجو کنید. docker-compose.yaml
.
docker_manifest=$( find /tmp/tmp* -name "docker-compose.yaml" -printf '%T+ %pn' | sort | tail -n 1 | cut -d' ' -f2-)
echo $docker_manifest
مکان مصنوعات مدل حالت محلی SageMaker را شناسایی کنید: سپس، حجم زیرین نصب شده در محفظه استنتاج محلی SageMaker را پیدا کنید، که پس از آپلود مصنوع در Amazon s3 در هر گره کارگر EKS استفاده خواهد شد.
model_local_volume = $(grep -A1 -w "volumes:" $docker_manifest | tail -n 1 | tr -d ' ' | awk -F: '{print $1}' | cut -c 2-) # Returns something like: /tmp/tmpcr4bu_a7</p>
ایجاد کپی محلی از محفظه استنتاج SageMaker در حال اجرا: در مرحله بعد، تصویر محفظه در حال اجرا را که مدل استنتاج یادگیری ماشین ما را اجرا می کند، پیدا کرده و یک کپی از ظرف به صورت محلی ایجاد می کنیم. این تضمین می کند که ما کپی خودمان از تصویر کانتینر را برای برداشتن از Amazon ECR داریم.
# Find container ID of running SageMaker Local container
mkdir sagemaker-container
container_id=$(docker ps --format "{{.ID}} {{.Image}}" | grep "tensorflow" | awk '{print $1}')
# Retrieve the files of the container locally
docker cp $my_container_id:/ sagemaker-container/
قبل از اقدام بر روی model_local_volume
، که ما آن را به آمازون S3 فشار می دهیم، یک کپی از تصویر داکر در حال اجرا را فشار دهید، اکنون در sagemaker-container
دایرکتوری، به Amazon Elastic Container Registry. حتما تعویض کنید region
, aws_account_id
, docker_image_id
و my-repository:tag
یا دنبال کنید راهنمای کاربر Amazon ECR. همچنین، حتماً URL تصویر نهایی ECR را یادداشت کنید (aws_account_id.dkr.ecr.region.amazonaws.com/my-repository:tag
) که در استقرار EKS خود استفاده خواهیم کرد.
اکنون که یک تصویر ECR مربوط به نقطه پایانی استنتاج داریم، یک سطل جدید Amazon S3 ایجاد کنید و مصنوعات محلی SageMaker را کپی کنید (model_local_volume
) به این سطل. به موازات آن، یک مدیریت دسترسی به هویت (IAM) ایجاد کنید که به نمونه های آمازون EC2 دسترسی به اشیاء خواندنی درون سطل را فراهم می کند. حتما تعویض کنید با نام منحصر به فرد جهانی برای سطل آمازون S3 شما.
در مرحله بعد، برای اطمینان از اینکه هر نمونه EC2 یک کپی از مصنوع مدل را هنگام راه اندازی می کشد، داده های کاربر را برای گره های کارگر EKS خود ویرایش کنید. در اسکریپت دادههای کاربر، اطمینان حاصل کنید که هر گره آرتیفکتهای مدل را با استفاده از S3 API در هنگام راهاندازی بازیابی میکند. حتما تعویض کنید با نام منحصر به فرد جهانی برای سطل آمازون S3 شما. با توجه به اینکه داده های کاربر گره شامل اسکریپت بوت استرپ EKS نیز می شود، اطلاعات کامل کاربر ممکن است چیزی شبیه به این باشد.
اکنون، میتوانید مانیفست داکر موجود را بررسی کنید و با استفاده از آن به فایلهای مانیفست پسند Kubernetes ترجمه کنید آهنگسازی، یک ابزار تبدیل معروف است. توجه: اگر با خطای سازگاری نسخه مواجه شدید، آن را تغییر دهید version
ویژگی در خط 27 docker-compose.yml به “2”
.
پس از اجرای Kompose، چهار فایل جدید را مشاهده خواهید کرد: a Deployment
هدف - شی، Service
هدف - شی، PersistentVolumeClaim
شی، و NetworkPolicy
هدف - شی. شما اکنون همه چیز مورد نیاز خود را برای شروع حمله خود به Kubernetes در لبه دارید!
استقرار مصنوعات مدل SageMaker
مطمئن شوید که kubectl و aws-iam-authenticator را در AWS Cloud9 IDE خود دانلود کرده اید. اگر نه، دستورالعمل های نصب را دنبال کنید:
اکنون مراحل زیر را کامل کنید:
اصلاح کنید service/algo-1-ow3nv
شیء برای تغییر نوع سرویس از ClusterIP
به NodePort
. در مثال خود، پورت 30,007 را به عنوان پورت خود انتخاب کرده ایم NodePort
:
در مرحله بعد، باید NodePort را در گروه امنیتی برای گره خود مجاز کنید. برای انجام این کار، شناسه گروه امنیتی را بازیابی کنید و NodePort را لیست کنید:
بعد، را اصلاح کنید algo-1-ow3nv-deployment.yaml
manifest to mount the /tmp/model hostPath
دایرکتوری به کانتینر جایگزین کردن با تصویر ECR که قبلا ایجاد کردید:
با فایل های مانیفست که از Kompose ایجاد کردید، از kubectl برای اعمال تنظیمات در خوشه خود استفاده کنید:
به مدل 5G edge متصل شوید
برای اتصال به مدل خود مراحل زیر را انجام دهید:
در کنسول آمازون EC2، IP حامل گره کارگر EKS را بازیابی کنید یا از AWS CLI برای استعلام مستقیم آدرس IP حامل استفاده کنید:
اکنون، با استخراج آدرس IP حامل، میتوانید مستقیماً با استفاده از NodePort به مدل متصل شوید. یک فایل به نام ایجاد کنید invoke.py
برای فراخوانی مستقیم مدل BERT با ارائه یک ورودی مبتنی بر متن که در برابر یک تحلیلگر احساسات اجرا می شود تا مشخص شود که آیا لحن مثبت یا منفی بوده است:
خروجی شما باید شبیه موارد زیر باشد:
پاک کردن
برای از بین بردن تمام منابع برنامه ایجاد شده، گره های کارگر طول موج AWS، صفحه کنترل EKS و تمام منابع ایجاد شده در VPC را حذف کنید. علاوه بر این، مخزن ECR مورد استفاده برای میزبانی تصویر ظرف، سطل های S3 مورد استفاده برای میزبانی از مصنوعات مدل SageMaker و sagemaker-demo-app-s3 IAM
سیاست.
نتیجه
در این پست، ما یک رویکرد جدید برای استقرار مدلهای SageMaker در لبه شبکه با استفاده از آمازون EKS و طول موج AWS نشان دادیم. برای آشنایی با بهترین شیوه های آمازون EKS در مورد طول موج AWS، مراجعه کنید استقرار خوشه های آمازون EKS توزیع شده جغرافیایی در طول موج AWS. علاوه بر این، برای کسب اطلاعات بیشتر در مورد Jumpstart، به سایت مراجعه کنید راهنمای توسعه دهنده Amazon SageMaker JumpStart یا جدول مدل در دسترس JumpStart.
درباره نویسنده
رابرت بلسون یک مدافع توسعه دهنده در واحد تجاری مخابرات جهانی AWS است که در محاسبات لبه AWS تخصص دارد. او بر کار با جامعه توسعه دهندگان و مشتریان شرکت های بزرگ برای حل چالش های تجاری خود با استفاده از اتوماسیون، شبکه های ترکیبی و ابر لبه تمرکز می کند.
محمد المهدار یک معمار ارشد راه حل در واحد تجارت جهانی مخابرات در AWS است. تمرکز اصلی او کمک به مشتریان برای ایجاد و استقرار بارهای کاری فناوری اطلاعات Telco و Enterprise در AWS است. قبل از پیوستن به AWS، محمد بیش از 13 سال در صنعت مخابرات کار کرده است و تجربه زیادی در زمینه های LTE Packet Core، 5G، IMS و WebRTC به ارمغان می آورد. محمد دارای مدرک لیسانس در رشته مهندسی مخابرات از دانشگاه کنکوردیا است.
ایوان کراویتز یک مهندس نرم افزار در خدمات وب آمازون است که روی SageMaker JumpStart کار می کند. او از آشپزی و دویدن در شهر نیویورک لذت می برد.
جاستین سنت آرنولد معاون مدیر – معماران راه حل در Verizon برای بخش عمومی با بیش از 15 سال تجربه در صنعت فناوری اطلاعات است. او مدافع پرشور قدرت محاسبات لبه و شبکههای 5G است و متخصص در توسعه راهحلهای فناوری نوآورانه است که از این فناوریها استفاده میکند. جاستین به ویژه در مورد قابلیت های ارائه شده توسط خدمات وب آمازون (AWS) در ارائه راه حل های پیشرفته برای مشتریان خود مشتاق است. جاستین در اوقات فراغت خود از به روز بودن آخرین روندهای فناوری و به اشتراک گذاشتن دانش و بینش خود با دیگران در این صنعت لذت می برد.
- محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
- پلاتوبلاک چین. Web3 Metaverse Intelligence. دانش تقویت شده دسترسی به اینجا.
- منبع: https://aws.amazon.com/blogs/machine-learning/deploy-pre-trained-models-on-aws-wavelength-with-5g-edge-using-amazon-sagemaker-jumpstart/
- :است
- 1
- 10
- 100
- 11
- سال 15
- 5G
- 7
- 8
- 9
- a
- درباره ما
- پذیرفتن
- دسترسی
- حساب
- در میان
- عمل
- علاوه بر این
- نشانی
- ظهور
- مدافع
- پس از
- در برابر
- الگوریتم
- معرفی
- اجازه می دهد تا
- هر چند
- همیشه
- آمازون
- آمازون EC2
- آمازون SageMaker
- Amazon SageMaker JumpStart
- آمازون خدمات وب
- خدمات وب آمازون (AWS)
- علم تجزیه و تحلیل
- و
- دیگر
- API
- کاربرد
- برنامه های کاربردی
- درخواست
- روش
- معماری
- هستند
- مناطق
- AS
- وابسته
- انجمن
- At
- اتوماسیون
- خود مختار
- در دسترس
- AWS
- AWS Cloud9
- سد
- پایه
- BE
- شروع
- بهترین
- بهترین شیوه
- خود راه انداز
- به ارمغان می آورد
- ساختن
- ساخته شده در
- کسب و کار
- by
- نام
- CAN
- قابلیت های
- موارد
- CAT
- CD
- چالش ها
- تغییر دادن
- انتخاب
- را انتخاب کنید
- شهر:
- مشتریان
- نزدیک
- ابر
- Cloud9
- خوشه
- رمز
- COM
- عموما
- انجمن
- سازگاری
- کامل
- محاسبه
- کامپیوتر
- چشم انداز کامپیوتر
- محاسبه
- تایید شده
- اتصال
- کنسول
- ظرف
- ظروف
- کنترل
- همگرایی
- تبدیل
- تبدیل
- هسته
- متناظر
- میتوانست
- ایجاد
- ایجاد شده
- ایجاد
- جمعیت
- در حال حاضر
- سفارشی
- مشتریان
- برش
- لبه برش
- داده ها
- تاریخ
- مشخص
- درجه
- ارائه
- تحویل
- نشان دادن
- نشان
- وابستگی
- گسترش
- مستقر
- استقرار
- گسترش
- از بین بردن
- کشف
- مشخص کردن
- توسعه دهنده
- توسعه دهندگان
- در حال توسعه
- پروژه
- مستقیما
- مدیر
- بحث کردیم
- کارگر بارانداز
- دانلود
- رانندگی
- هر
- پیش از آن
- به آسانی
- شرق
- از دست
- لبه
- محاسبات لبه
- اثر
- قادر ساختن
- فعال
- نقطه پایانی
- مهندس
- مهندسی
- اطمینان حاصل شود
- سرمایه گذاری
- شرکت
- مشتاق
- ورود
- محیط
- محیط
- تجهیزات
- خطا
- حتی
- تا کنون
- همه چیز
- مثال
- اعدام
- موجود
- گسترش
- تجربه
- تجارب
- کارشناس
- گسترش
- عصاره
- پرونده
- فایل ها
- نهایی
- پیدا کردن
- تمرکز
- تمرکز
- به دنبال
- به دنبال
- پیروی
- برای
- پیش بینی
- تقلب
- کشف تقلب
- رایگان
- اصطکاک
- از جانب
- کاملا
- تابع
- اصول
- تولید
- دریافت کنید
- داده
- جهانی
- در سطح جهانی
- زمین
- Go
- رفتن
- گروه
- گروه ها
- راهنمایی
- راهنما
- سخت افزار
- دهنه
- آیا
- کمک
- دارای
- میزبان
- چگونه
- چگونه
- HTML
- HTTP
- HTTPS
- صدها نفر
- ترکیبی
- ID
- هویت
- تصویر
- واردات
- in
- شامل
- افزایش
- صنعت
- شالوده
- ابتکاری
- فن آوری نوآورانه
- ورودی
- بینش
- نصب
- نمونه
- ادغام
- تعاملی
- سرمایه گذاری
- IP
- IP آدرس
- IT
- صنعت فناوری اطلاعات
- پیوستن
- JPG
- json
- جاستین
- نگهداری
- کلید
- نوع
- کیت (SDK)
- دانش
- برچسب ها
- زبان
- بزرگ
- تاخیر
- آخرین
- راه اندازی
- یاد گرفتن
- یادگیری
- قدرت نفوذ
- پسندیدن
- لاین
- خطوط
- فهرست
- محلی
- به صورت محلی
- محل
- نگاه کنيد
- دستگاه
- فراگیری ماشین
- اصلی
- نگهداری
- ساخت
- اداره می شود
- مدیریت
- متاداده
- به حداقل رساندن
- ML
- موبایل
- شبکه های تلفن همراه
- حالت
- مدل
- مدل
- تغییر
- بیش
- اکثر
- استقرار (mount)
- نام
- تحت عنوان
- طبیعی
- پردازش زبان طبیعی
- نیاز
- منفی
- شبکه
- مبتنی بر شبکه
- شبکه
- شبکه
- جدید
- نیویورک
- شهر نیویورک
- بعد
- nlp
- گره
- گره
- رمان
- عدد
- هدف
- اشیاء
- of
- ارائه شده
- پیشنهادات
- on
- ONE
- منبع باز
- عملیات
- فرصت
- گزینه
- سفارش
- دیگران
- تولید
- خود
- بسته
- موازی
- ویژه
- احساساتی
- مسیر
- افلاطون
- هوش داده افلاطون
- PlatoData
- سیاست
- محبوب
- موقعیت یابی شده
- مثبت
- ممکن
- پست
- قدرت
- شیوه های
- پیشگو
- قبلا
- خصوصی
- در حال پردازش
- برجسته
- فراهم می کند
- ارائه
- عمومی
- کشد
- فشار
- سریعا
- خواندن
- زمان واقعی
- توصیه
- كاهش دادن
- منطقه
- رجیستری
- دور
- جایگزین کردن
- درخواست
- لازمه
- منابع
- منابع
- خرده فروشان
- بازده
- نقش
- ریشه
- دویدن
- در حال اجرا
- امن تر
- حکیم ساز
- استنباط SageMaker
- sdk
- یکپارچه
- جستجو
- بخش
- تیم امنیت لاتاری
- انتخاب شد
- ارشد
- خدمت
- خدمت
- سرویس
- خدمات
- تنظیم
- اشتراک
- باید
- نشان می دهد
- ساده
- به سادگی
- So
- نرم افزار
- توسعه نرم افزار
- مهندس نرمافزار
- راه حل
- مزایا
- حل
- چیزی
- متخصص
- شروع می شود
- بیانیه
- وضعیت
- گام
- مراحل
- ذخیره سازی
- استراتژی
- متعاقب
- موفق شدن
- چنین
- پشتیبانی
- پشتیبانی از
- گزینه
- سیستم های
- TAG
- گرفتن
- تکنیک
- فن آوری
- پیشرفته
- مخابراتی
- مخابراتی
- ارتباط از راه دور
- مهندسی مخابرات
- قالب
- جریان تنسور
- که
- La
- شان
- اینها
- سه
- زمان
- به
- TONE
- ابزار
- آموزش دیده
- ترانسفورماتور
- ترجمه کردن
- روند
- درست
- زیر
- اساسی
- منحصر به فرد
- واحد
- دانشگاه
- باز
- باز کردن قفل
- در جریان روز
- URL
- استفاده کنید
- کاربر
- v1
- ارزش
- تنوع
- محل برگزاری
- ورایزون
- نسخه
- از طريق
- مجازی
- دید
- بازدید
- حجم
- جلد
- خواسته
- ثروت
- وب
- خدمات وب
- خوب
- معروف
- چه
- که
- در حین
- اراده
- با
- در داخل
- کارگر
- کارگر
- در سرتاسر جهان
- خواهد بود
- یامل
- سال
- شما
- شما
- یوتیوب
- زفیرنت
- مناطق