این مجموعه سه قسمتی نحوه استفاده از شبکه های عصبی گراف (GNN) و نپتون آمازون برای تولید توصیه های فیلم با استفاده از IMDb و Box Office Mojo Movies/TV/OTT بسته داده های قابل مجوز، که طیف گسترده ای از فراداده های سرگرمی، از جمله بیش از 1 میلیارد رتبه بندی کاربر را ارائه می دهد. اعتبار برای بیش از 11 میلیون بازیگر و خدمه؛ 9 میلیون عنوان فیلم، تلویزیون و سرگرمی؛ و داده های گزارش باکس آفیس جهانی از بیش از 60 کشور. بسیاری از مشتریان رسانه و سرگرمی AWS به داده های IMDb مجوز می دهند تبادل داده AWS برای بهبود کشف محتوا و افزایش تعامل و حفظ مشتری.
نمودار زیر معماری کامل اجرا شده به عنوان بخشی از این مجموعه را نشان می دهد.
In قسمت 1، ما در مورد کاربردهای GNN و نحوه تبدیل و آماده سازی داده های IMDb خود به یک نمودار دانش (KG) بحث کردیم. ما داده ها را از AWS Data Exchange دانلود کرده و در آن پردازش کردیم چسب AWS برای تولید فایل های KG فایل های KG در آن ذخیره شدند سرویس ذخیره سازی ساده آمازون (Amazon S3) و سپس بارگذاری شد نپتون آمازون.
In قسمت 2، نحوه استفاده را نشان دادیم آمازون نپتون ام ال (در آمازون SageMaker) برای آموزش KG و ایجاد KG embeddings.
در این پست، نحوه اعمال تعبیههای KG آموزشدیده خود را در آمازون S3 در موارد استفاده جستجوی خارج از کاتالوگ با استفاده از سرویس جستجوی باز آمازون و AWS لامبدا. شما همچنین یک برنامه وب محلی را برای یک تجربه جستجوی تعاملی مستقر می کنید. تمام منابع استفاده شده در این پست را می توان با استفاده از یک واحد ایجاد کرد کیت توسعه ابری AWS دستور (AWS CDK) همانطور که در ادامه پست توضیح داده شد.
زمینه
آیا تا به حال به طور ناخواسته عنوان محتوایی را که در پلتفرم پخش ویدیو در دسترس نبود جستجو کرده اید؟ اگر بله، متوجه میشوید که بهجای مواجهه با یک صفحه نتیجه جستجوی خالی، فهرستی از فیلمها در ژانر مشابه با بازیگران یا خدمه را پیدا میکنید. این یک تجربه جستجوی خارج از کاتالوگ است!
جستجوی خارج از کاتالوگ (OOC) زمانی است که شما یک عبارت جستجو را وارد می کنید که مطابقت مستقیمی در یک کاتالوگ ندارد. این رویداد اغلب در پلتفرمهای پخش ویدیو رخ میدهد که دائماً محتوای متنوعی را از چندین فروشنده و شرکت تولیدی برای مدت زمان محدود خریداری میکنند. عدم وجود ارتباط یا نقشهبرداری از کاتالوگ یک شرکت پخش جریانی به پایگاههای دانش بزرگ فیلمها و نمایشها میتواند منجر به یک تجربه جستجوی پایینتر برای مشتریانی شود که محتوای OOC را جستجو میکنند و در نتیجه زمان تعامل با پلتفرم را کاهش میدهد. این نگاشت را می توان با نگاشت دستی پرس و جوهای OOC مکرر به محتوای کاتالوگ انجام داد یا می توان با استفاده از یادگیری ماشین (ML) خودکار کرد.
در این پست، نحوه مدیریت OOC را با استفاده از قدرت مجموعه دادههای IMDb (منبع برتر فرادادههای سرگرمی جهانی) و نمودارهای دانش نشان میدهیم.
سرویس OpenSearch یک سرویس کاملاً مدیریت شده است که انجام تجزیه و تحلیل گزارش تعاملی، نظارت بر برنامه های کاربردی، جستجوی وب سایت و موارد دیگر را برای شما آسان می کند. OpenSearch یک مجموعه جستجوی منبع باز، توزیع شده و تجزیه و تحلیل است که از Elasticsearch مشتق شده است. سرویس OpenSearch جدیدترین نسخه های OpenSearch، پشتیبانی از 19 نسخه Elasticsearch (نسخه های 1.5 تا 7.10)، و همچنین قابلیت های تجسم با داشبوردهای OpenSearch و Kibana (نسخه های 1.5 تا 7.10) را ارائه می دهد. سرویس OpenSearch در حال حاضر ده ها هزار مشتری فعال با صدها هزار خوشه تحت مدیریت دارد که تریلیون ها درخواست در ماه را پردازش می کنند. سرویس OpenSearch جستجوی kNN را ارائه میکند که میتواند جستجو را در موارد استفاده مانند توصیههای محصول، کشف تقلب، و تصویر، ویدئو و برخی سناریوهای معنایی خاص مانند سند و شباهت پرس و جو افزایش دهد. برای اطلاعات بیشتر در مورد قابلیتهای جستجوی جستجوی OpenSearch مبتنی بر درک زبان طبیعی، مراجعه کنید ساخت یک برنامه جستجوی مبتنی بر NLU با Amazon SageMaker و ویژگی Amazon OpenSearch Service KNN.
بررسی اجمالی راه حل
در این پست، ما راهحلی برای مدیریت موقعیتهای OOC از طریق جستجوی تعبیهشده مبتنی بر نمودار با استفاده از قابلیتهای جستجوی k-نزدیکترین همسایه (kNN) سرویس OpenSearch ارائه میکنیم. خدمات کلیدی AWS مورد استفاده برای اجرای این راه حل عبارتند از OpenSearch Service، SageMaker، Lambda و Amazon S3.
اتمام قسمت 1 و قسمت 2 از این مجموعه برای کسب اطلاعات بیشتر در مورد ایجاد نمودارهای دانش و تعبیه GNN با استفاده از Amazon Neptune ML.
راه حل OOC ما فرض می کند که شما یک KG ترکیبی دارید که از ادغام یک شرکت پخش KG و IMDb KG به دست می آید. این کار را میتوان از طریق تکنیکهای ساده پردازش متن انجام داد که عناوین را با نوع عنوان (فیلم، سریال، مستند)، بازیگران و عوامل فیلم مطابقت میدهد. علاوه بر این، این نمودار دانش مشترک باید برای ایجاد جاسازی گراف دانش از طریق خطوط لوله ذکر شده در قسمت 1 و قسمت 2. نمودار زیر یک نمای ساده از KG ترکیبی را نشان می دهد.
برای نشان دادن عملکرد جستجوی OOC با یک مثال ساده، نمودار دانش IMDb را به کاتالوگ مشتری و کاتالوگ خارج از مشتری تقسیم کردیم. ما عناوینی را که حاوی «داستان اسباببازی» هستند بهعنوان منبع کاتالوگ خارج از مشتری و بقیه نمودار دانش IMDb را بهعنوان کاتالوگ مشتری علامتگذاری میکنیم. در سناریویی که کاتالوگ مشتری بهبود نیافته یا با پایگاههای اطلاعاتی خارجی ادغام نشده است، جستجوی «داستان اسباببازی» هر عنوانی را که کلمات «اسباببازی» یا «داستان» را در فرادادههای خود داشته باشد، با جستجوی متنی OpenSearch برمیگرداند. اگر کاتالوگ مشتری به IMDb نگاشت شده باشد، راحت تر می توان دریافت که عبارت «داستان اسباب بازی» در کاتالوگ وجود ندارد و بهترین موارد منطبق در IMDb عبارتند از «داستان اسباب بازی»، «داستان اسباب بازی 2»، «اسباب بازی» داستان 3، «داستان اسباببازی 4» و «چارلی: داستان اسباببازی» به ترتیب کاهش مرتبط با مطابقت متن. برای به دست آوردن نتایج درون کاتالوگ برای هر یک از این موارد، میتوانیم پنج فیلم نزدیک را در شباهت تعبیهشده kNN مبتنی بر کاتالوگ مشتری (از KG مشترک) از طریق سرویس OpenSearch ایجاد کنیم.
یک تجربه OOC معمولی از جریان نشان داده شده در شکل زیر پیروی می کند.
ویدئوی زیر پنج نتیجه برتر OOC (تعداد بازدیدها) را برای پرس و جو "داستان اسباب بازی" و موارد مشابه در کاتالوگ مشتری (تعداد توصیه ها) نشان می دهد.
در اینجا، پرس و جو با نمودار دانش با استفاده از جستجوی متن در سرویس OpenSearch مطابقت داده می شود. سپس جاسازیهای متن مطابق با عناوین کاتالوگ مشتری را با استفاده از نمایه kNN Service OpenSearch ترسیم میکنیم. از آنجایی که پرس و جو کاربر را نمی توان مستقیماً با موجودیت های نمودار دانش ترسیم کرد، ما از یک رویکرد دو مرحله ای برای پیدا کردن شباهت های پرس و جو مبتنی بر عنوان و سپس موارد مشابه با عنوان با استفاده از جاسازی های نمودار دانش استفاده می کنیم. در بخشهای بعدی، فرآیند راهاندازی یک خوشه سرویس OpenSearch، ایجاد و آپلود فهرستهای نمودار دانش، و استقرار راهحل را بهعنوان یک برنامه کاربردی وب طی میکنیم.
پیش نیازها
برای پیاده سازی این راه حل، باید یک حساب AWS، آشنایی با OpenSearch Service، SageMaker، Lambda و AWS CloudFormation، و مراحل را طی کرده اند قسمت 1 و قسمت 2 از این سری
راه اندازی منابع راه حل
نمودار معماری زیر گردش کار خارج از فهرست را نشان می دهد.
شما از کیت توسعه ابری AWS (CDK) برای تهیه منابع مورد نیاز برای برنامه های جستجوی OOC استفاده خواهید کرد. کد راه اندازی این منابع عملیات زیر را انجام می دهد:
- یک VPC برای منابع ایجاد می کند.
- یک دامنه سرویس OpenSearch برای برنامه جستجو ایجاد می کند.
- یک تابع لامبدا برای پردازش و بارگذاری فراداده فیلم و جاسازیها در فهرستهای سرویس OpenSearch ایجاد میکند (
**-ReadFromOpenSearchLambda-**
). - یک تابع Lambda ایجاد می کند که درخواست کاربر را از یک برنامه وب به عنوان ورودی می گیرد و عناوین مربوطه را از OpenSearch برمی گرداند (
**-LoadDataIntoOpenSearchLambda-**
). - یک دروازه API ایجاد می کند که یک لایه امنیتی اضافی بین رابط کاربری برنامه وب و Lambda اضافه می کند.
برای شروع مراحل زیر را انجام دهید:
- با دستور AWS CDK را از ترمینال اجرا کنید
bash launch_stack.sh
. - دو مسیر فایل S3 ایجاد شده در قسمت 2 را به عنوان ورودی ارائه دهید:
- مسیر S3 به فایل CSV جاسازی فیلم.
- مسیر S3 به فایل گره فیلم.
- صبر کنید تا اسکریپت تمام منابع مورد نیاز را فراهم کند و اجرا به پایان برسد.
- URL Gateway API را که اسکریپت AWS CDK چاپ می کند کپی کنید و آن را ذخیره کنید. (ما بعداً از این برای برنامه Streamlit استفاده می کنیم).
یک دامنه سرویس OpenSearch ایجاد کنید
برای اهداف تصویری، یک دامنه جستجو در یک منطقه دسترسی در یک نمونه r6g.large.search در یک VPC و زیرشبکه امن ایجاد میکنید. توجه داشته باشید که بهترین روش راهاندازی در سه منطقه دسترسی با یک نمونه اولیه و دو نمونه مشابه است.
یک فهرست سرویس OpenSearch ایجاد کنید و داده ها را آپلود کنید
شما از توابع Lambda (که با استفاده از فرمان راه اندازی پشته AWS CDK ایجاد شده اند) برای ایجاد فهرست های سرویس OpenSearch استفاده می کنید. برای شروع ایجاد ایندکس مراحل زیر را انجام دهید:
- در کنسول Lambda، را باز کنید
LoadDataIntoOpenSearchLambda
تابع لامبدا - بر تست برگه ، انتخاب کنید تست برای ایجاد و وارد کردن داده ها در فهرست سرویس OpenSearch.
کد زیر برای این تابع لامبدا را می توان در آن یافت part3-out-of-catalog/cdk/ooc/lambdas/LoadDataIntoOpenSearchLambda/lambda_handler.py
:
تابع وظایف زیر را انجام می دهد:
- فایل گره فیلم IMDB KG را که حاوی فراداده فیلم و جاسازیهای مرتبط با آن از مسیرهای فایل S3 است که به فایل ایجاد پشته ارسال شده است بارگیری میکند.
launch_stack.sh
. - دو فایل ورودی را برای ایجاد یک دیتافریم واحد برای ایجاد فهرست ادغام می کند.
- سرویس گیرنده OpenSearch را با استفاده از کتابخانه Boto3 Python راه اندازی می کند.
- دو شاخص برای متن ایجاد می کند (
ooc_text
) و جستجوی جاسازی kNN (ooc_knn
) و آپلود انبوه داده ها از دیتافریم ترکیبی از طریقingest_data_into_ops
تابع.
این فرآیند جذب داده ها 5 تا 10 دقیقه طول می کشد و می توان از طریق آن نظارت کرد CloudWatch آمازون سیاهههای مربوط به نظارت زبانه تابع Lambda.
شما دو نمایه ایجاد می کنید تا جستجوی مبتنی بر متن و جستجوی مبتنی بر تعبیه kNN را فعال کنید. جستجوی متن، پرس و جوی رایگانی را که کاربر وارد می کند به عنوان فیلم ترسیم می کند. جستجوی تعبیهسازی kNN نزدیکترین فیلم به بهترین متن را از فضای پنهان KG پیدا میکند تا بهعنوان خروجی بازگردد.
راه حل را به عنوان یک برنامه وب محلی مستقر کنید
اکنون که یک جستجوی متنی و نمایه kNN در سرویس OpenSearch دارید، آماده ساخت یک برنامه وب مبتنی بر ML هستید.
ما با استفاده از streamlit
بسته پایتون برای ایجاد یک تصویر جلویی برای این برنامه. را IMDb-Knowledge-Graph-Blog/part3-out-of-catalog/run_imdb_demo.py
فایل پایتون در ما GitHub repo دارای کد مورد نیاز برای راه اندازی یک برنامه وب محلی برای کشف این قابلیت است.
برای اجرای کد مراحل زیر را انجام دهید:
- نصب
streamlit
وaws_requests_auth
بسته پایتون در محیط پایتون مجازی محلی شما از طریق دستورات زیر در ترمینال شما:
- جای جای نشانی اینترنتی API Gateway را به شرح زیر با کد ایجاد شده توسط AWS CDK جایگزین کنید:
api = '<ENTER URL OF THE API GATEWAY HERE>/opensearch-lambda?q={query_text}&numMovies={num_movies}&numRecs={num_recs}'
- برنامه وب را با دستور اجرا کنید
streamlit run run_imdb_demo.py
از ترمینال شما
این اسکریپت یک برنامه وب Streamlit را راه اندازی می کند که در مرورگر وب شما قابل دسترسی است. همانطور که در تصویر زیر نشان داده شده است، URL برنامه وب را می توان از خروجی اسکریپت بازیابی کرد.
برنامه رشته های جستجوی جدید، تعداد بازدیدها و تعداد توصیه ها را می پذیرد. تعداد بازدیدها مطابق با تعداد عناوین OOC منطبق است که باید از کاتالوگ خارجی (IMDb) بازیابی کنیم. تعداد توصیهها مربوط به این است که چه تعداد از نزدیکترین همسایهها را باید از کاتالوگ مشتری بر اساس جستجوی تعبیهشده kNN بازیابی کنیم. کد زیر را ببینید:
این ورودی (پرس و جو، تعداد بازدیدها و توصیه ها) به **-ReadFromOpenSearchLambda-**
تابع Lambda ایجاد شده توسط AWS CDK از طریق درخواست API Gateway. این کار در تابع زیر انجام می شود:
نتایج خروجی تابع Lambda از سرویس OpenSearch به API Gateway منتقل می شود و در برنامه Streamlit نمایش داده می شود.
پاک کردن
شما می توانید تمام منابع ایجاد شده توسط AWS CDK را از طریق دستور حذف کنید npx cdk destroy –app “python3 appy.py” --all
در همان مثال (در داخل cdk
پوشه) که برای راه اندازی پشته استفاده شده است (تصویر صفحه زیر را ببینید).
نتیجه
در این پست به شما نشان دادیم که چگونه با استفاده از SageMaker و OpenSearch Service راه حلی برای جستجوی OOC با استفاده از متن و جستجوی مبتنی بر kNN ایجاد کنید. شما از جاسازیهای مدل نمودار دانش سفارشی برای یافتن نزدیکترین همسایههای عناوین IMDb در فهرست خود استفاده کردید. برای مثال، اکنون میتوانید «حلقههای قدرت»، مجموعهای فانتزی که توسط آمازون پرایم ویدیو ساخته شده است، در دیگر پلتفرمهای استریم جستجو کنید و استدلال کنید که چگونه میتوانستند نتیجه جستجو را بهینه کنند.
برای اطلاعات بیشتر در مورد نمونه کد در این پست به ادامه مطلب مراجعه کنید GitHub repo. برای کسب اطلاعات بیشتر در مورد همکاری با آمازون ML Solutions Lab برای ساختن برنامه های کاربردی پیشرفته ML مشابه، رجوع کنید به آزمایشگاه راه حل های یادگیری ماشین آمازون. برای اطلاعات بیشتر در مورد صدور مجوز مجموعه داده های IMDb، مراجعه کنید developer.imdb.com.
درباره نویسنده
دیویا بهرگاوی دانشمند داده و رهبر عمودی رسانه و سرگرمی در آزمایشگاه راه حل های آمازون ML است، جایی که او با استفاده از یادگیری ماشینی مشکلات تجاری با ارزش را برای مشتریان AWS حل می کند. او روی درک تصویر/ویدیو، سیستمهای توصیه گراف دانش، موارد استفاده از تبلیغات پیشبینیکننده کار میکند.
گاوراو رله یک دانشمند داده در آزمایشگاه راه حل آمازون ML است، جایی که با مشتریان AWS در سطوح مختلف کار می کند تا استفاده آنها از یادگیری ماشین و خدمات AWS Cloud را برای حل چالش های تجاری آنها تسریع بخشد.
متیو رودز یک دانشمند داده است که در آزمایشگاه راه حل های آمازون ام ال کار می کنم. او در ساخت خطوط لوله یادگیری ماشین که شامل مفاهیمی مانند پردازش زبان طبیعی و بینایی کامپیوتری است، تخصص دارد.
کاران سیندوانی دانشمند داده در آزمایشگاه راه حل های آمازون ML است، جایی که مدل های یادگیری عمیق را می سازد و به کار می برد. او در زمینه بینایی کامپیوتر تخصص دارد. در اوقات فراغت خود از پیاده روی لذت می برد.
سوجی آدیشینا یک دانشمند کاربردی در AWS است که در آن مدلهای مبتنی بر شبکه عصبی گراف را برای یادگیری ماشین در وظایف نمودارها با برنامههای کاربردی برای تقلب و سوء استفاده، نمودارهای دانش، سیستمهای توصیهکننده و علوم زیستی توسعه میدهد. در اوقات فراغت از مطالعه و آشپزی لذت می برد.
ویدیا ساگار راویپاتی مدیر آزمایشگاه راه حلهای آمازون ML است، جایی که از تجربه گسترده خود در سیستمهای توزیعشده در مقیاس بزرگ و اشتیاق خود به یادگیری ماشینی استفاده میکند تا به مشتریان AWS در بخشهای مختلف صنعت کمک کند تا پذیرش هوش مصنوعی و ابر خود را تسریع کنند.
- 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/power-recommendations-and-search-using-an-imdb-knowledge-graph-part-3/
- 1
- 10
- 100
- 11
- 116
- 7
- 9
- a
- درباره ما
- سو استفاده کردن
- شتاب دادن
- قبول می کند
- قابل دسترسی است
- در میان
- فعال
- اضافی
- علاوه بر این
- می افزاید:
- اتخاذ
- تبلیغات
- AI
- معرفی
- آمازون
- آزمایشگاه راه حل های آمازون ام ال
- نپتون آمازون
- آمازون نپتون ام ال
- سرویس جستجوی باز آمازون
- آمازون SageMaker
- علم تجزیه و تحلیل
- و
- API
- نرم افزار
- کاربرد
- برنامه های کاربردی
- اعمال می شود
- درخواست
- روش
- معماری
- محدوده
- مرتبط است
- خودکار
- دسترس پذیری
- در دسترس
- AWS
- تبادل داده AWS
- مستقر
- زیرا
- بهترین
- میان
- بیلیون
- جعبه
- دفتر جعبه
- مرورگر
- ساختن
- بنا
- می سازد
- کسب و کار
- قابلیت های
- موارد
- کاتالوگ
- چالش ها
- را انتخاب کنید
- مشتری
- ابر
- پذیرش ابر
- خدمات ابر
- خوشه
- رمز
- همکاری
- ترکیب شده
- شرکت
- شرکت
- شرکت
- کامل
- تکمیل شده
- کامپیوتر
- چشم انداز کامپیوتر
- مفاهیم
- کنسول
- به طور مداوم
- شامل
- محتوا
- مطابقت دارد
- میتوانست
- کشور
- ایجاد
- ایجاد شده
- ایجاد
- ایجاد
- اعتبار
- جاری
- در حال حاضر
- سفارشی
- مشتری
- نامزدی مشتری
- مشتریان
- داده ها
- تبادل اطلاعات
- دانشمند داده
- پایگاه های داده
- مجموعه داده ها
- عمیق
- یادگیری عمیق
- نشان دادن
- نشان
- گسترش
- استقرار
- مستقر می کند
- نشات گرفته
- شرح داده شده
- از بین بردن
- کشف
- توسعه
- پروژه
- توسعه
- مختلف
- مستقیم
- مستقیما
- کشف
- بحث کردیم
- توزیع شده
- سیستم های توزیع شده
- سند
- مستند
- نمی کند
- دامنه
- هر
- آسان تر
- قادر ساختن
- نامزدی
- افزایش
- وارد
- وارد می شود
- سرگرمی
- اشخاص
- محیط
- واقعه
- تا کنون
- مثال
- تبادل
- تجربه
- اکتشاف
- خارجی
- اضافی
- نما
- آشنایی
- فانتزی
- شکل
- پرونده
- فایل ها
- پیدا کردن
- پیدا می کند
- نام خانوادگی
- جریان
- پیروی
- به دنبال آن است
- یافت
- تقلب
- کشف تقلب
- مکرر
- غالبا
- از جانب
- کاملا
- تابع
- ویژگی های
- قابلیت
- توابع
- دروازه
- تولید می کنند
- دریافت کنید
- جهانی
- گراف
- نمودار ها
- دسته
- هدر
- کمک
- اصابت
- بازدید
- چگونه
- چگونه
- HTML
- HTTPS
- صدها نفر
- تصویر
- انجام
- اجرا
- بهبود
- in
- از جمله
- افزایش
- شاخص
- فهرستها
- Indices
- صنعت
- اطلاعات
- ورودی
- نصب
- نمونه
- در عوض
- اثر متقابل
- تعاملی
- رابط
- شامل
- IT
- اقلام
- کلید
- دانش
- نمودار دانش
- آزمایشگاه
- زبان
- بزرگ
- در مقیاس بزرگ
- آخرین
- راه اندازی
- راه اندازی
- لایه
- رهبری
- یاد گرفتن
- یادگیری
- اهرم ها
- کتابخانه
- مجوز
- صدور مجوز
- زندگی
- علوم زندگی
- محدود شده
- فهرست
- بار
- محلی
- دستگاه
- فراگیری ماشین
- باعث می شود
- اداره می شود
- مدیریت
- مدیر
- دستی
- بسیاری
- نقشه
- نقشه برداری
- نقشه ها
- علامت
- مسابقه
- مطابق
- رسانه ها
- اعضا
- ذکر شده
- ادغام
- متاداده
- میلیون
- دقیقه
- ML
- مدل
- مدل
- نظارت
- نظارت بر
- ماه
- بیش
- سینما
- فیلم ها
- چندگانه
- طبیعی
- پردازش زبان طبیعی
- همسایه ها
- نپتون
- مبتنی بر شبکه
- شبکه
- شبکه های عصبی
- جدید
- گره
- عدد
- به دست آمده
- پیشنهادات
- دفتر
- ONE
- باز کن
- منبع باز
- عملیات
- بهینه
- سفارش
- OS
- دیگر
- بسته
- بخش
- گذشت
- شور
- مسیر
- انجام
- انجام می دهد
- حفره یا سوراخ
- سکو
- سیستم عامل
- افلاطون
- هوش داده افلاطون
- PlatoData
- لطفا
- پست
- قدرت
- صفحه اصلی
- تمرین
- نخست وزیر
- آماده
- در حال حاضر
- اصلی
- نخستین
- چاپ
- مشکلات
- روند
- فرآوری شده
- در حال پردازش
- محصول
- تولید
- فراهم می کند
- تدارک
- خرید
- اهداف
- پــایتــون
- محدوده
- رتبه بندی
- مطالعه
- اماده
- زمان واقعی
- دلیل
- توصیه
- توصیه
- ربط
- مربوط
- پاسخ
- گزارش
- مخزن
- درخواست
- درخواست
- ضروری
- منابع
- منابع
- پاسخ
- REST
- نتیجه
- نتایج
- نگهداری
- برگشت
- بازده
- دویدن
- در حال اجرا
- حکیم ساز
- همان
- ذخیره
- سناریوها
- علوم
- دانشمند
- جستجو
- بخش
- امن
- تیم امنیت لاتاری
- سلسله
- سرویس
- خدمات
- تنظیم
- محیط
- تنظیمات
- باید
- نشان داده شده
- نشان می دهد
- مشابه
- شباهت ها
- ساده
- ساده شده
- تنها
- شرایط
- راه حل
- مزایا
- حل
- حل می کند
- برخی از
- منبع
- فضا
- تخصص دارد
- خاص
- انشعاب
- پشته
- شروع
- آغاز شده
- وضعیت هنر
- مراحل
- ذخیره سازی
- ذخیره شده
- داستان
- جریان
- زیر شبکه
- چنین
- دنباله
- پشتیبانی
- سیستم های
- گرفتن
- طول می کشد
- وظایف
- تکنیک
- پایانه
- La
- محوطه
- مفصل
- شان
- در نتیجه
- هزاران نفر
- سه
- از طریق
- زمان
- عنوان
- عناوین
- به
- بالا
- قطار
- آموزش دیده
- دگرگون کردن
- تریلیون ها
- tv
- نوعی
- زیر
- درک
- آپلود
- URL
- استفاده کنید
- کاربر
- رابط کاربری
- با استفاده از
- تنوع
- وسیع
- فروشندگان
- عمودی
- تصویری
- چشم انداز
- مجازی
- دید
- تجسم
- وب
- برنامه تحت وب
- مرورگر وب
- سایت اینترنتی
- که
- وسیع
- دامنه گسترده
- اراده
- در داخل
- کلمه
- کلمات
- کارگر
- با این نسخهها کار
- خواهد بود
- شما
- شما
- زفیرنت
- مناطق