تولید متن به تصویر زمینهای از هوش مصنوعی است که به سرعت در حال رشد است و کاربردهایی در زمینههای مختلف مانند رسانه و سرگرمی، بازی، تجسم محصولات تجارت الکترونیک، تبلیغات و بازاریابی، طراحی و تجسم معماری، خلاقیتهای هنری و تصویربرداری پزشکی دارد.
انتشار پایدار یک مدل متن به تصویر است که به شما این امکان را می دهد تا در عرض چند ثانیه تصاویری با کیفیت بالا ایجاد کنید. در نوامبر 2022، ما اعلام کرد که مشتریان AWS می توانند با آن تصاویری از متن تولید کنند انتشار پایدار مدل در Amazon SageMaker JumpStartیک مرکز یادگیری ماشینی (ML) که مدلها، الگوریتمها و راهحلها را ارائه میدهد. این تکامل در آوریل 2023 با معرفی ادامه یافت بستر آمازون، یک سرویس کاملاً مدیریت شده که از طریق یک API مناسب، به مدلهای فونداسیون پیشرفته، از جمله Stable Diffusion دسترسی دارد.
از آنجایی که تعداد روزافزونی از مشتریان تلاشهای متن به تصویر خود را آغاز میکنند، یک مانع رایج به وجود میآید: چگونگی ایجاد اعلانهایی که از قدرت تولید تصاویر با کیفیت بالا و هدفمند استفاده میکنند. این چالش اغلب به زمان و منابع قابل توجهی نیاز دارد زیرا کاربران سفری تکراری از آزمایش را آغاز میکنند تا اعلانهایی را که با دیدگاههای آنها همسو هستند را کشف کنند.
Retrieval Augmented Generation (RAG) فرآیندی است که در آن یک مدل زبان اسناد متنی را از یک منبع داده خارجی بازیابی میکند و از این اطلاعات برای تولید متن دقیقتر و آموزندهتر استفاده میکند. این تکنیک به ویژه برای وظایف پردازش زبان طبیعی (NLP) با دانش فشرده مفید است. اکنون لمس تحولآفرین آن را به دنیای تولید متن به تصویر گسترش میدهیم. در این پست، ما نشان میدهیم که چگونه میتوان از قدرت RAG برای تقویت اعلانهای ارسال شده به مدلهای Stable Diffusion استفاده کرد. میتوانید با مدلهای زبان بزرگ (LLM) در Amazon Bedrock، و همچنین در SageMaker JumpStart، دستیار هوش مصنوعی خود را برای تولید سریع در چند دقیقه ایجاد کنید.
رویکردهایی برای ایجاد دستورات متن به تصویر
ایجاد یک درخواست برای یک مدل متن به تصویر ممکن است در نگاه اول ساده به نظر برسد، اما این یک کار فریبنده پیچیده است. این چیزی فراتر از تایپ چند کلمه و انتظار از مدل برای ایجاد تصویری است که با تصویر ذهنی شما هماهنگ باشد. اعلانهای مؤثر باید دستورالعملهای روشنی ارائه دهند و در عین حال فضایی برای خلاقیت باقی بگذارند. آنها باید ویژگی و ابهام را متعادل کنند، و باید متناسب با مدل خاصی که استفاده می شود، تنظیم شوند. برای مقابله با چالش مهندسی سریع، صنعت رویکردهای مختلفی را مورد بررسی قرار داده است:
- کتابخانه های سریع – برخی از شرکتها کتابخانههایی از دستورات از پیش نوشته شده را تنظیم میکنند که میتوانید به آنها دسترسی داشته باشید و سفارشی کنید. این کتابخانه ها شامل طیف گسترده ای از دستورات متناسب با موارد استفاده مختلف است که به شما امکان می دهد اعلان هایی را انتخاب کنید که با نیازهای خاص شما هماهنگ باشد.
- الگوها و دستورالعمل های فوری - بسیاری از شرکت ها و سازمان ها مجموعه ای از الگوها و دستورالعمل های از پیش تعریف شده را در اختیار کاربران قرار می دهند. این الگوها فرمتهای ساختاریافتهای را برای نوشتن اعلانها ارائه میکنند، که ساختن دستورالعملهای مؤثر را آسان میکند.
- مشارکت و مشارکت کاربران - پلتفرمهای جمعسپاری و جوامع کاربر اغلب نقش مهمی در بهبود درخواستها دارند. کاربران میتوانند مدلهای تنظیمشده، پیامهای موفق، نکات و بهترین شیوههای خود را با جامعه به اشتراک بگذارند و به دیگران کمک کنند تا مهارتهای سریعنویسی خود را بیاموزند و اصلاح کنند.
- تنظیم دقیق مدل - شرکتها ممکن است مدلهای متن به تصویر خود را برای درک بهتر و پاسخگویی به انواع خاصی از درخواستها تنظیم کنند. تنظیم دقیق می تواند عملکرد مدل را برای دامنه های خاص یا موارد استفاده بهبود بخشد.
هدف این رویکردهای صنعتی در مجموع این است که فرآیند ایجاد پیامهای متن به تصویر مؤثر را در دسترستر، کاربرپسندتر و کارآمدتر کند و در نهایت قابلیت استفاده و تطبیقپذیری مدلهای تولید متن به تصویر را برای طیف وسیعی از کاربردها افزایش دهد.
استفاده از RAG برای طراحی سریع
در این بخش، به این می پردازیم که چگونه تکنیک های RAG می توانند به عنوان یک تغییر دهنده بازی در مهندسی سریع عمل کنند، و در هماهنگی با این رویکردهای موجود کار کنند. با ادغام یکپارچه RAG در فرآیند، میتوانیم کارایی طراحی سریع را ساده کرده و افزایش دهیم.
جستجوی معنایی در یک پایگاه داده سریع
شرکتی را تصور کنید که مخزن وسیعی از دستورات را در کتابخانه سریع خود جمع آوری کرده است یا تعداد زیادی الگوی سریع ایجاد کرده است که هر کدام برای موارد و اهداف خاص طراحی شده اند. به طور سنتی، کاربرانی که به دنبال الهام گرفتن برای درخواست های متن به تصویر خود هستند، به صورت دستی در میان این کتابخانه ها مرور می کنند، و اغلب لیست های گسترده ای از گزینه ها را غربال می کنند. این فرآیند می تواند زمان بر و ناکارآمد باشد. با تعبیه اعلانات از کتابخانه سریع با استفاده از مدل های جاسازی متن، شرکت ها می توانند یک موتور جستجوی معنایی بسازند. در اینجا نحوه کار آن آمده است:
- درخواست های جاسازی - این شرکت از تعبیههای متنی برای تبدیل هر فرمان موجود در کتابخانه خود به یک نمایش عددی استفاده میکند. این تعبیهها معنای معنایی و بافت اعلانها را در بر میگیرد.
- پرس و جو کاربر - هنگامی که کاربران درخواست های خود را ارائه می دهند یا تصویر مورد نظر خود را توصیف می کنند، سیستم می تواند ورودی آنها را تجزیه و تحلیل و جاسازی کند.
- جستجوی معنایی – با استفاده از تعبیهها، سیستم جستجوی معنایی را انجام میدهد. مرتبط ترین درخواست ها را از کتابخانه بر اساس پرس و جوی کاربر، با در نظر گرفتن داده های ورودی و تاریخی کاربر در کتابخانه سریع، بازیابی می کند.
شرکتها با اجرای جستجوی معنایی در کتابخانههای سریع خود، کارمندان خود را قادر میسازند تا بدون زحمت به مخزن وسیعی از دستورات دسترسی پیدا کنند. این رویکرد نه تنها ایجاد سریع را تسریع می کند، بلکه خلاقیت و ثبات را در تولید متن به تصویر تشویق می کند.y
تولید سریع از جستجوی معنایی
اگرچه جستجوی معنایی فرآیند یافتن اعلانهای مربوطه را ساده میکند، RAG با استفاده از این نتایج جستجو برای تولید اعلانهای بهینهشده، آن را یک گام جلوتر میبرد. در اینجا نحوه کار آن آمده است:
- نتایج جستجوی معنایی – پس از بازیابی مرتبط ترین درخواست ها از کتابخانه، سیستم این دستورات را به همراه ورودی اصلی کاربر به کاربر ارائه می دهد.
- مدل تولید متن - کاربر می تواند یک درخواست را از نتایج جستجو انتخاب کند یا زمینه بیشتری را در مورد ترجیحات خود ارائه دهد. سیستم هم اعلان انتخاب شده و هم ورودی کاربر را به یک LLM تغذیه می کند.
- درخواست بهینه شده - LLM با درک خود از تفاوت های ظریف زبان، یک درخواست بهینه سازی شده ایجاد می کند که عناصر درخواست انتخاب شده و ورودی کاربر را ترکیب می کند. این اعلان جدید مطابق با نیازهای کاربر طراحی شده است و به گونه ای طراحی شده است که خروجی تصویر مورد نظر را ارائه دهد.
ترکیب جستجوی معنایی و تولید سریع نه تنها فرآیند یافتن اعلانها را ساده میکند، بلکه تضمین میکند که درخواستهای تولید شده بسیار مرتبط و مؤثر هستند. این به شما این امکان را میدهد که اعلانهای خود را دقیق تنظیم و سفارشی کنید، که در نهایت منجر به بهبود نتایج تولید متن به تصویر میشود. در زیر نمونه هایی از تصاویر تولید شده از Stable Diffusion XL با استفاده از اعلان های جستجوی معنایی و تولید اعلان ارائه شده است.
درخواست اصلی | درخواست های جستجوی معنایی | درخواست بهینه شده توسط LLM |
کارتون یک سگ کوچولو |
|
صحنه کارتونی پسری که با خوشحالی دست در دست هم با سگ خانگی نازش در یک مسیر جنگلی قدم میزند، به سبک انیمیشن. |
برنامه های کاربردی طراحی سریع مبتنی بر RAG در صنایع مختلف
قبل از اینکه کاربرد معماری RAG پیشنهادی خود را بررسی کنیم، بیایید با صنعتی شروع کنیم که در آن مدل تولید تصویر بیشترین کاربرد را دارد. در AdTech، سرعت و خلاقیت بسیار مهم است. تولید اعلان مبتنی بر RAG میتواند با ایجاد پیشنهادهای فوری برای ایجاد سریع تصاویر بسیاری برای یک کمپین تبلیغاتی، ارزش فوری بیافزاید. تصمیم گیرندگان انسانی می توانند تصاویر تولید شده به صورت خودکار را برای انتخاب تصویر نامزد برای کمپین بررسی کنند. این ویژگی میتواند یک برنامه مستقل باشد یا در ابزارها و پلتفرمهای نرمافزاری رایج موجود در حال حاضر تعبیه شده باشد.
صنعت دیگری که در آن مدل Stable Diffusion می تواند بهره وری را افزایش دهد، رسانه و سرگرمی است. به عنوان مثال، معماری RAG می تواند در موارد استفاده از ایجاد آواتار کمک کند. با شروع از یک دستور ساده، RAG می تواند رنگ و ویژگی های بسیار بیشتری را به ایده های آواتار اضافه کند. می تواند بسیاری از درخواست های نامزد ایجاد کند و ایده های خلاقانه تری ارائه دهد. از بین این تصاویر تولید شده، می توانید مناسب ترین مناسب برای برنامه داده شده را پیدا کنید. با ایجاد خودکار بسیاری از پیشنهادات سریع، بهره وری را افزایش می دهد. تنوعی که می تواند ایجاد کند، فواید راه حل است.
بررسی اجمالی راه حل
توانمندسازی مشتریان برای ساخت دستیار هوش مصنوعی مبتنی بر RAG برای طراحی سریع در AWS گواهی بر تطبیق پذیری فناوری مدرن است. AWS گزینه ها و خدمات زیادی را برای تسهیل این تلاش ارائه می دهد. نمودار معماری مرجع زیر یک برنامه RAG را برای طراحی سریع در AWS نشان می دهد.
وقتی نوبت به انتخاب LLM های مناسب برای دستیار هوش مصنوعی می رسد، AWS طیفی از انتخاب ها را برای برآوردن نیازهای خاص شما ارائه می دهد.
در مرحله اول، می توانید LLM های موجود از طریق SageMaker JumpStart را انتخاب کنید و از نمونه های اختصاصی استفاده کنید. این نمونهها از مدلهای مختلفی از جمله Falcon، Llama 2، Bloom Z و Flan-T5 پشتیبانی میکنند، یا میتوانید مدلهای اختصاصی مانند Cohere's Command و Multilingual Embedding یا Jurassic-2 را از آزمایشگاههای AI21 کاوش کنید.
اگر رویکرد سادهتری را ترجیح میدهید، AWS LLMs را ارائه میدهد بستر آمازون، دارای مدل هایی مانند آمازون تایتان و آنتروپیک کلود. این مدلها از طریق تماسهای ساده API به راحتی قابل دسترسی هستند و به شما این امکان را میدهند که بدون زحمت از قدرت آنها استفاده کنید. انعطافپذیری و تنوع گزینهها تضمین میکند که شما آزادی انتخاب LLM را دارید که با اهداف طراحی سریع شما مطابقت دارد، چه به دنبال نوآوری با ظروف باز یا قابلیتهای قوی مدلهای اختصاصی باشید.
وقتی صحبت از ساخت پایگاه داده برداری ضروری می شود، AWS گزینه های زیادی را از طریق سرویس های بومی خود ارائه می دهد. می توانید انتخاب کنید سرویس جستجوی باز آمازون, آمازون شفق قطبی، یا سرویس پایگاه داده رابطه ای آمازون (آمازون RDS) برای PostgreSQL، هر کدام ویژگی های قوی را متناسب با نیازهای خاص شما ارائه می دهد. از طرف دیگر، میتوانید محصولات شرکای AWS مانند Pinecone، Weaviate، Elastic، Milvus یا Chroma را که راهحلهای تخصصی برای ذخیرهسازی و بازیابی وکتور کارآمد ارائه میدهند، کاوش کنید.
برای کمک به شما در شروع ساخت یک دستیار هوش مصنوعی مبتنی بر RAG برای طراحی سریع، ما یک نمایش جامع را در GitHub مخزن این نمایش از منابع زیر استفاده می کند:
- تولید تصویر: Stable Diffusion XL در Amazon Bedrock
- جاسازی متن: Amazon Titan در Amazon Bedrock
- تولید متن: Claude 2 در Amazon Bedrock
- پایگاه داده برداری: FAISS، یک کتابخانه منبع باز برای جستجوی شباهت کارآمد
- Prompt library: نمونه های درخواستی از DiffusionDB، اولین مجموعه داده گالری فوری در مقیاس بزرگ برای مدل های تولیدی متن به تصویر
علاوه بر این، ما LangChain را برای اجرای LLM و Streamit را برای مؤلفه برنامه وب گنجاندهایم که تجربه یکپارچه و کاربرپسند را ارائه میدهد.
پیش نیازها
برای اجرای این برنامه آزمایشی باید موارد زیر را داشته باشید:
- یک حساب AWS
- درک اولیه از نحوه پیمایش Amazon SageMaker Studio
- درک اولیه نحوه دانلود مخزن از GitHub
- دانش اولیه اجرای دستور در ترمینال
برنامه دمو را اجرا کنید
شما می توانید تمام کدهای لازم را با دستورالعمل از سایت دانلود کنید GitHub مخزن. پس از استقرار برنامه، صفحه ای مانند تصویر زیر را مشاهده خواهید کرد.
با این نمایش، هدف ما این است که فرآیند پیادهسازی را در دسترس و قابل درک کنیم و تجربهای عملی برای شروع سفر خود به دنیای RAG و طراحی سریع در AWS در اختیار شما قرار دهیم.
پاک کردن
پس از امتحان کردن برنامه، منابع خود را با توقف برنامه پاکسازی کنید.
نتیجه
RAG به عنوان یک پارادایم تغییر دهنده بازی در دنیای طراحی سریع ظهور کرده است و قابلیت های Stable Diffusion را برای تبدیل متن به تصویر احیا می کند. با هماهنگ کردن تکنیکهای RAG با رویکردهای موجود و استفاده از منابع قوی AWS، ما مسیری را برای خلاقیت ساده و یادگیری تسریع یافتهایم.
برای منابع بیشتر، به آدرس زیر مراجعه کنید:
درباره نویسندگان
جیمز یی یک معمار ارشد راه حل های شریک هوش مصنوعی / ML در تیم فناوری های نوظهور در خدمات وب آمازون است. او مشتاق کار با مشتریان و شرکای سازمانی برای طراحی، استقرار و مقیاسبندی برنامههای AI/ML برای استخراج ارزشهای تجاری آنها است. خارج از محل کار، او از بازی فوتبال، مسافرت و گذراندن وقت با خانواده لذت می برد.
رومی اولسن یک معمار راه حل در برنامه شریک AWS است. او در نقش فعلی خود در راه حل های بدون سرور و یادگیری ماشین تخصص دارد و سابقه ای در فناوری های پردازش زبان طبیعی دارد. او بیشتر اوقات فراغت خود را با دخترش به کاوش در طبیعت شمال غربی اقیانوس آرام می گذراند.
- 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/improve-your-stable-diffusion-prompts-with-retrieval-augmented-generation/
- : دارد
- :است
- :نه
- :جایی که
- $UP
- 100
- 14
- 2022
- 2023
- 210
- 7
- a
- درباره ما
- تسریع شد
- تسریع می شود
- دسترسی
- در دسترس
- جمع آوری شده
- دقیق
- در میان
- وفق دادن
- اضافه کردن
- اضافی
- نشانی
- تبلیغات
- تبلیغات
- پس از
- AI
- دستیار هوش مصنوعی
- AI / ML
- هدف
- الگوریتم
- تراز
- تراز می کند
- معرفی
- اجازه دادن
- در کنار
- همچنین
- آمازون
- آمازون RDS
- آمازون خدمات وب
- ابهام
- an
- تحلیل
- و
- انیمیشن
- انیمیشن
- آنتروپیک
- API
- نرم افزار
- مربوط
- کاربرد
- برنامه های کاربردی
- روش
- رویکردها
- آوریل
- معماری
- معماری
- هستند
- مناطق
- مصنوعی
- هوش مصنوعی
- هنرمندانه
- AS
- همکاری
- دستیار
- At
- افزوده شده
- بطور خودکار
- در دسترس
- نماد
- AWS
- زمینه
- برج میزان
- مستقر
- BE
- بودن
- سود
- بهترین
- بهترین شیوه
- بهتر
- شکوفه
- هر دو
- ساختن
- بنا
- کسب و کار
- اما
- by
- تماس ها
- کمپین بین المللی حقوق بشر
- CAN
- نامزد
- قابلیت های
- گرفتن
- کارتون
- موارد
- تهیه کنید
- به چالش
- صراف
- مشخصات
- انتخاب
- را انتخاب کنید
- تمیز
- واضح
- رمز
- مجموعا
- رنگ
- ترکیب
- ترکیب
- بیا
- می آید
- مشترک
- جوامع
- انجمن
- شرکت
- شرکت
- پیچیده
- جزء
- جامع
- قابل توجه
- با توجه به
- ساختن
- شامل
- ظروف
- زمینه
- متنی
- ادامه داد:
- مشارکت
- مناسب
- تبدیل
- سادگی
- ایجاد
- ایجاد شده
- ایجاد
- خلاقیت
- خالق
- خلاقیت
- بحرانی
- جاری
- در حال حاضر
- مشتریان
- سفارشی
- لبه برش
- داده ها
- پایگاه داده
- تصمیم گیرندگان
- اختصاصی
- غرق کردن
- خواسته
- نسخه ی نمایشی
- نشان دادن
- گسترش
- مستقر
- استخراج
- توصیف
- طرح
- طراحی
- مطلوب
- انتشار
- شام
- كشف كردن
- مختلف
- تنوع
- اسناد و مدارک
- سگ
- حوزه
- پایین
- دانلود
- هر
- به آسانی
- تجارت الکترونیک
- موثر
- بهره وری
- موثر
- زحمت
- عناصر
- سوار شدن
- جاسازی کردن
- جاسازی شده
- تعبیه کردن
- ظهور
- سنگ سنباده
- فن آوری های نوظهور
- کارکنان
- قدرت دادن
- توانمندسازی
- تشویق می کند
- تلاش کن
- تلاش می کند
- موتور
- مهندسی
- بالا بردن
- افزایش
- اطمینان حاصل شود
- تضمین می کند
- سرمایه گذاری
- سرگرمی
- ضروری است
- روزافزون
- تکامل
- مثال
- مثال ها
- موجود
- منتظر
- تجربه
- اکتشاف
- کشف
- بررسی
- گسترش
- وسیع
- خارجی
- تسهیل کردن
- خانواده
- ویژگی
- امکانات
- ویژگی های
- کمی از
- رشته
- پیدا کردن
- پیدا کردن
- نام خانوادگی
- مناسب
- انعطاف پذیری
- پیروی
- برای
- جنگل
- پایه
- آزادی
- از جانب
- کاملا
- بیشتر
- آلبوم عکس
- بازی
- تغییر دهنده ی بازی
- بازی
- تولید می کنند
- تولید
- مولد
- نسل
- مولد
- دریافت کنید
- داده
- نگاه
- Go
- اهداف
- در حال رشد
- دستورالعمل ها
- دست
- دست
- هارمونی
- دهنه
- آیا
- داشتن
- he
- کمک
- کمک
- او
- با کیفیت بالا
- خیلی
- خود را
- تاریخی
- چگونه
- چگونه
- HTML
- HTTPS
- قطب
- انسان
- موانع
- ایده ها
- نشان می دهد
- تصویر
- تصاویر
- تصویربرداری
- فوری
- پیاده سازی
- اجرای
- بهبود
- بهبود یافته
- بهبود
- in
- از جمله
- ادغام شده
- افزایش
- صنعت
- ناکارآمد
- اطلاعات
- حاوی اطلاعات مفید
- ابداع
- ورودی
- الهام
- فوری
- دستورالعمل
- ادغام
- اطلاعات
- به
- معرفی
- IT
- ITS
- سفر
- JPG
- تنها
- دانش
- آزمایشگاه
- لین
- زبان
- بزرگ
- در مقیاس بزرگ
- برجسته
- یاد گرفتن
- یادگیری
- ترک
- کتابخانه ها
- کتابخانه
- پسندیدن
- لیست
- کوچک
- پشم لاما
- LLM
- دستگاه
- فراگیری ماشین
- ساخت
- ساخت
- اداره می شود
- دستی
- بسیاری
- بازار یابی (Marketing)
- ممکن است..
- معنی
- رسانه ها
- پزشکی
- روانی
- دقیقه
- ML
- مدل
- مدل
- مدرن
- بیش
- اکثر
- بسیار
- بسیاری
- باید
- بومی
- طبیعی
- پردازش زبان طبیعی
- طبیعت
- هدایت
- لازم
- نیاز
- نیازهای
- جدید
- nlp
- نوامبر
- اکنون
- تفاوت های ظریف
- عدد
- اهداف
- of
- ارائه
- ارائه
- پیشنهادات
- غالبا
- on
- فقط
- باز کن
- منبع باز
- بهینه
- گزینه
- or
- سازمان های
- اصلی
- دیگران
- ما
- خارج
- تولید
- خارج از
- خود
- ارام
- با ما
- نمونه
- ویژه
- ویژه
- شریک
- شرکای
- احساساتی
- مسیر
- کامل
- کارایی
- انجام می دهد
- سیستم عامل
- افلاطون
- هوش داده افلاطون
- PlatoData
- بازی
- بازی
- کثیف
- محبوب
- پست
- قدرت
- شیوه های
- ترجیح می دهند
- تنظیمات
- هدیه
- روند
- در حال پردازش
- محصول
- بهره وری
- محصولات
- برنامه
- پرسیدن
- اختصاصی
- ارائه
- فراهم می کند
- ارائه
- قرار دادن
- به سرعت
- محدوده
- سریعا
- مرجع
- خالص کردن
- مربوط
- مخزن
- نمایندگی
- مورد نیاز
- منابع
- پاسخ
- نتایج
- راست
- تنومند
- نقش
- اتاق
- دویدن
- در حال اجرا
- حکیم ساز
- مقیاس
- صحنه
- بدون درز
- یکپارچه
- جستجو
- موتور جستجو
- ثانیه
- بخش
- دیدن
- به دنبال
- به نظر می رسد
- را انتخاب کنید
- انتخاب شد
- انتخاب
- ارشد
- فرستاده
- خدمت
- بدون سرور
- سرویس
- خدمات
- تنظیم
- اشتراک گذاری
- او
- باید
- قابل توجه
- ساده
- ساده شده
- ساده می کند
- مهارت ها
- فوتبال
- نرم افزار
- راه حل
- مزایا
- برخی از
- منبع
- تخصصی
- تخصص دارد
- خاص
- اختصاصی
- طیف
- سرعت
- هزینه
- پایدار
- مستقل
- شروع
- آغاز شده
- راه افتادن
- گام
- متوقف کردن
- ذخیره سازی
- ساده
- ساده کردن
- ساده
- ساده سازی
- ساخت یافته
- سبک
- موفق
- چنین
- کت و شلوار
- پشتیبانی
- سیستم
- طراحی شده
- طول می کشد
- کار
- وظایف
- تیم
- تکنیک
- تکنیک
- فن آوری
- پیشرفته
- قالب
- اراده
- متن
- نسبت به
- که
- La
- جهان
- شان
- اینها
- آنها
- این
- از طریق
- زمان
- زمان بر
- نکات
- تیتان
- به
- با هم
- ابزار
- لمس
- به طور سنتی
- دگرگونی
- سفر
- امتحان
- انواع
- در نهایت
- کشف
- فهمیدن
- درک
- قابلیت استفاده
- استفاده کنید
- استفاده
- کاربر
- کاربر پسند
- کاربران
- استفاده
- با استفاده از
- با استفاده از
- ارزش
- ارزشها
- تنوع
- مختلف
- وسیع
- تطبیق پذیری
- سند چشم انداز
- بازدید
- تجسم
- راه رفتن
- we
- وب
- برنامه تحت وب
- خدمات وب
- خوب
- چه زمانی
- چه
- که
- در حین
- سفید
- وسیع
- دامنه گسترده
- اراده
- با
- در داخل
- کلمات
- مهاجرت کاری
- کارگر
- با این نسخهها کار
- جهان
- خواهد بود
- نوشته
- بازده
- شما
- شما
- زفیرنت