هوش مصنوعی مولد (هوش مصنوعی مولد) مدل ها قابلیت های چشمگیری در تولید متن، تصاویر و سایر محتواهای با کیفیت بالا نشان داده اند. با این حال، این مدلها به مقادیر عظیمی از دادههای آموزشی تمیز و ساختاریافته برای دستیابی به پتانسیل کامل خود نیاز دارند. بیشتر دادههای دنیای واقعی در قالبهای بدون ساختار مانند فایلهای PDF وجود دارند که قبل از استفاده مؤثر، نیاز به پردازش اولیه دارند.
مطابق با IDC، داده های بدون ساختار امروزه بیش از 80٪ از کل داده های تجاری را تشکیل می دهند. این شامل فرمت هایی مانند ایمیل ها، فایل های PDF، اسناد اسکن شده، تصاویر، صدا، ویدئو و غیره است. در حالی که این داده ها دارای بینش های ارزشمندی هستند، ماهیت بدون ساختار آن تفسیر و یادگیری از آن را برای الگوریتم های هوش مصنوعی دشوار می کند. با توجه به الف نظرسنجی 2019 توسط Deloitteتنها 18 درصد از کسب و کارها گزارش دادند که می توانند از داده های بدون ساختار استفاده کنند.
با تسریع پذیرش هوش مصنوعی، توسعه مکانیسمهای کارآمد برای هضم و یادگیری از دادههای بدون ساختار در آینده بسیار حیاتیتر میشود. این می تواند شامل ابزارهای پیش پردازش بهتر، تکنیک های یادگیری نیمه نظارت شده و پیشرفت در پردازش زبان طبیعی باشد. شرکتهایی که از دادههای بدون ساختار خود به بهترین شکل استفاده میکنند، مزایای رقابتی قابل توجهی را از هوش مصنوعی به دست خواهند آورد. داده های پاک برای عملکرد خوب مدل مهم است. متون استخراج شده همچنان دارای مقادیر زیادی از متن های بیهوده و بیهوده هستند (به عنوان مثال، خواندن HTML). داده های خراشیده شده از اینترنت اغلب حاوی موارد تکراری زیادی است. دادههای رسانههای اجتماعی، بررسیها یا هر محتوای تولید شده توسط کاربر نیز میتواند حاوی محتوای سمی و مغرضانه باشد، و ممکن است لازم باشد با استفاده از برخی مراحل پیشپردازش، آنها را فیلتر کنید. همچنین میتواند محتوای بیکیفیت یا متون تولید شده توسط رباتهای زیادی وجود داشته باشد که میتوانند با استفاده از ابردادههای همراه فیلتر شوند (مثلاً پاسخهای خدمات مشتری را که رتبهبندی پایینی از مشتریان دریافت کردهاند فیلتر کنید).
آمادهسازی دادهها در مراحل متعدد در Retrieval Augmented Generation مهم است (RAG) مدل ها. اسناد منبع دانش نیاز به پیش پردازش دارند، مانند پاک کردن متن و ایجاد تعبیههای معنایی، بنابراین میتوان آنها را بهطور مؤثر فهرستبندی و بازیابی کرد. پرس و جو زبان طبیعی کاربر نیز به پیش پردازش نیاز دارد، بنابراین می توان آن را در یک بردار کدگذاری کرد و با جاسازی های سند مقایسه کرد. پس از بازیابی زمینههای مرتبط، ممکن است قبل از الحاق به درخواست کاربر برای ایجاد اعلان نهایی برای مدل پایه، به پیشپردازش اضافی مانند کوتاهسازی نیاز داشته باشند. آمازون SageMaker Canvas اکنون از قابلیت های جامع آماده سازی داده ها پشتیبانی می کند Amazon SageMaker Data Rangler. با این ادغام، SageMaker Canvas فضای کاری بدون کد سرتاسری را برای آماده سازی داده ها، ساخت و استفاده از مدل های ML و مبانی برای تسریع زمان از داده ها تا بینش های تجاری به مشتریان ارائه می دهد. اکنون می توانید داده ها را از بیش از 50 منبع داده به راحتی کشف و جمع آوری کنید، و با استفاده از بیش از 300 تجزیه و تحلیل داخلی و تبدیل در رابط بصری SageMaker Canvas، داده ها را کاوش و آماده کنید.
بررسی اجمالی راه حل
در این پست، ما با یک مجموعه داده اسناد PDF کار می کنیم -بستر آمازون راهنمای کاربر. علاوه بر این، نحوه پیش پردازش یک مجموعه داده برای RAG را نشان می دهیم. به طور خاص، ما داده ها را تمیز می کنیم و آرتیفکت های RAG را برای پاسخ به سؤالات مربوط به محتوای مجموعه داده ایجاد می کنیم. مشکل یادگیری ماشین (ML) زیر را در نظر بگیرید: کاربر یک سوال مدل زبان بزرگ (LLM) می پرسد: "چگونه مدل ها را در Amazon Bedrock فیلتر و جستجو کنیم؟". LLM مستندات را در مرحله آموزش یا تنظیم دقیق ندیده است، بنابراین نمی تواند به این سوال پاسخ دهد و به احتمال زیاد دچار توهم خواهد شد. هدف ما از این پست، یافتن یک قطعه متن مرتبط از PDF (یعنی RAG) و پیوست کردن آن به درخواست است، بنابراین LLM را قادر میسازد تا به سؤالات مربوط به این سند پاسخ دهد.
در زیر، ما نشان می دهیم که چگونه می توانید تمام این مراحل اصلی پیش پردازش را از طریق انجام دهید آمازون SageMaker Canvas (توسط Amazon SageMaker Data Rangler):
- استخراج متن از یک سند PDF (تجهیز شده توسط Text)
- حذف اطلاعات حساس (پشتیبانی شده توسط Comprehend)
- متن را به تکه تکه کنید.
- برای هر قطعه تعبیههایی ایجاد کنید (با استفاده از Bedrock).
- بارگذاری جاسازی در یک پایگاه داده برداری (تأمین شده توسط OpenSearch)
پیش نیازها
برای این راهنما باید موارد زیر را داشته باشید:
توجه داشته باشید: دامنه های سرویس OpenSearch را طبق دستورالعمل ها ایجاد کنید اینجا کلیک نمایید. برای سادگی، بیایید گزینه ای را با نام کاربری و رمز عبور اصلی برای کنترل دسترسی دقیق انتخاب کنیم. پس از ایجاد دامنه، یک نمایه برداری با نگاشت های زیر ایجاد کنید و بعد برداری 1536 با تعبیه های آمازون تایتان تراز شود:
خرید
یک جریان داده بسازید
در این بخش، نحوه ایجاد یک جریان داده برای استخراج متن و ابرداده از فایلهای PDF، پاکسازی و پردازش دادهها، تولید جاسازیها با استفاده از Amazon Bedrock و فهرستبندی دادهها در جستجوی باز آمازون را پوشش میدهیم.
SageMaker Canvas را راه اندازی کنید
برای راه اندازی SageMaker Canvas، مراحل زیر را انجام دهید:
- در آمازون کنسول SageMaker، انتخاب کنید دامنه در صفحه ناوبری
- دامنه خود را انتخاب کنید
- در منوی راه اندازی، را انتخاب کنید نقاشی.
یک جریان داده ایجاد کنید
مراحل زیر را برای ایجاد یک جریان داده در SageMaker Canvas انجام دهید:
- در صفحه اصلی SageMaker Canvas، را انتخاب کنید داده رانگلر.
- را انتخاب کنید ساختن در سمت راست صفحه، سپس یک نام جریان داده را انتخاب کنید ساختن.
- این در یک صفحه جریان داده قرار می گیرد.
- را انتخاب کنید وارد کردن داده، داده های جدولی را انتخاب کنید.
حالا بیایید داده ها را از سطل آمازون S3 وارد کنیم:
- را انتخاب کنید وارد کردن داده را انتخاب کنید و جدولی از لیست کشویی
- منبع اطلاعات را انتخاب کنید و آمازون S3 از لیست کشویی
- به فایل متا داده با مکان های فایل PDF بروید و فایل را انتخاب کنید.
- اکنون فایل ابرداده در جریان داده آماده سازی داده بارگیری می شود و می توانیم مراحل بعدی را برای تبدیل داده ها و فهرست به آمازون اضافه کنیم. جستجوی باز. در این مورد فایل دارای ابرداده های زیر است، با مکان هر فایل در فهرست آمازون S3.
برای افزودن یک تبدیل جدید، مراحل زیر را انجام دهید:
- علامت مثبت را انتخاب کرده و انتخاب کنید Transform را اضافه کنید.
- را انتخاب کنید مرحله را اضافه کنید و انتخاب کنید تبدیل سفارشی.
- شما می توانید با استفاده از Pandas، PySpark، توابع تعریف شده توسط کاربر Python و SQL PySpark یک تبدیل سفارشی ایجاد کنید. انتخاب کنید پایتون (PySpark) برای این مورد استفاده
- یک نام برای مرحله وارد کنید. از نمونه قطعه کد، مرور و انتخاب کنید استخراج متن از پی دی اف. تغییرات لازم را در قطعه کد انجام دهید و انتخاب کنید اضافه کردن.
- بیایید یک مرحله برای حذف دادههای اطلاعات شناسایی شخصی (PII) از دادههای استخراجشده با اعمال نفوذ اضافه کنیم. درک آمازون. انتخاب کنید مرحله را اضافه کنید و انتخاب کنید تبدیل سفارشی. و انتخاب کنید پایتون (PySpark).
از نمونه قطعه کد، مرور و انتخاب کنید ماسک PII. تغییرات لازم را در قطعه کد انجام دهید و انتخاب کنید اضافه کردن.
- گام بعدی این است که محتوای متن را تکه تکه کنید. انتخاب کنید مرحله را اضافه کنید و انتخاب کنید تبدیل سفارشی. و انتخاب کنید پایتون (PySpark).
از نمونه قطعه کد، مرور و انتخاب کنید متن تکه. تغییرات لازم را در قطعه کد انجام دهید و انتخاب کنید اضافه کردن.
- بیایید محتوای متن را با استفاده از عبارت به جاسازی های برداری تبدیل کنیم بستر آمازون مدل Titan Embeddings. انتخاب کنید مرحله را اضافه کنید و انتخاب کنید تبدیل سفارشی. و انتخاب کنید پایتون (PySpark).
از نمونه قطعه کد، مرور و انتخاب کنید جاسازی متن را با Bedrock ایجاد کنید. تغییرات لازم را در قطعه کد انجام دهید و انتخاب کنید اضافه کردن.
- اکنون جاسازی های برداری برای محتویات فایل PDF در دسترس داریم. بیایید پیش برویم و داده ها را در جستجوی باز آمازون فهرست کنیم. انتخاب کنید مرحله را اضافه کنید و انتخاب کنید تبدیل سفارشی. و انتخاب کنید پایتون (PySpark). برای استفاده از پایگاه داده بردار ترجیحی خود، می توانید کد زیر را بازنویسی کنید. برای سادگی، ما از نام کاربری و رمز عبور اصلی برای دسترسی به OpenSearch API استفاده می کنیم، برای بارهای کاری تولید، با توجه به سیاست های سازمان خود، گزینه را انتخاب کنید.
در نهایت، جریان داده ایجاد شده به صورت زیر خواهد بود:
با این جریان داده، دادههای فایل PDF خوانده شده و با جاسازیهای برداری در جستجوی باز آمازون فهرستبندی شده است. اکنون زمان آن است که یک فایل با پرس و جو ایجاد کنیم تا داده های فهرست شده را پرس و جو کرده و آن را در محل آمازون S3 ذخیره کنیم. جریان دادههای جستجوی خود را به فایل نشان میدهیم و یک فایل با نتایج مربوطه را در یک فایل جدید در محل آمازون S3 خروجی میدهیم.
تهیه یک اعلان
پس از ایجاد پایگاه دانش از PDF خود، میتوانیم آن را با جستجو در پایگاه دانش برای چند نمونه پرس و جو آزمایش کنیم. ما هر پرس و جو را به صورت زیر پردازش می کنیم:
- ایجاد جاسازی برای پرس و جو (طراحی شده توسط Amazon Bedrock)
- پایگاه داده برداری پرس و جو برای زمینه نزدیکترین همسایه (طراحی شده توسط آمازون OpenSearch)
- پرس و جو و زمینه را در اعلان ترکیب کنید.
- Query LLM با یک اعلان (طراحی شده توسط Amazon Bedrock)
- در صفحه اصلی SageMaker Canvas، را انتخاب کنید آماده سازی داده ها.
- را انتخاب کنید ساختن در سمت راست صفحه، سپس یک نام جریان داده را انتخاب کنید ساختن.
حالا بیایید سؤالات کاربر را بارگذاری کنیم و سپس با ترکیب سؤال و اسناد مشابه، یک درخواست ایجاد کنیم. این اعلان به LLM برای ایجاد پاسخ به سؤال کاربر ارائه می شود.
- بیایید یک فایل csv با سوالات کاربر بارگذاری کنیم. انتخاب کنید واردات داده ها را انتخاب کنید و جدولی از لیست کشویی
- منبع اطلاعات، را انتخاب کنید و آمازون S3 از لیست کشویی از طرف دیگر، میتوانید انتخاب کنید که فایلی را با درخواستهای کاربر آپلود کنید.
- بیایید یک تبدیل سفارشی برای تبدیل دادهها به جاسازیهای برداری اضافه کنیم، به دنبال آن جاسازیهای مرتبط را از آمازون OpenSearch جستجو کنیم، قبل از ارسال یک درخواست به Amazon Bedrock با پرس و جو و زمینه از پایگاه دانش. برای ایجاد جاسازی برای پرس و جو، می توانید از همان قطعه کد مثال استفاده کنید جاسازی متن را با Bedrock ایجاد کنید در مرحله شماره 7 در بالا ذکر شد.
بیایید از آمازون OpenSearch API برای جستجوی اسناد مرتبط برای جاسازیهای برداری تولید شده استفاده کنیم. یک تبدیل سفارشی با پایتون (PySpark) اضافه کنید.
بیایید یک تبدیل سفارشی برای فراخوانی Amazon Bedrock API برای پاسخ به پرس و جو، ارسال اسناد از پایگاه دانش آمازون OpenSearch اضافه کنیم. از نمونه قطعه کد، مرور و انتخاب کنید پرس و جو از بستر با زمینه. تغییرات لازم را در قطعه کد انجام دهید و انتخاب کنید اضافه کردن.
به طور خلاصه، جریان داده پاسخگویی به سوالات مبتنی بر RAG به شرح زیر است:
متخصصان ML زمان زیادی را صرف ایجاد کد مهندسی ویژگی، اعمال آن در مجموعه دادههای اولیه، مدلهای آموزش در مجموعه دادههای مهندسی شده و ارزیابی دقت مدل میکنند. با توجه به ماهیت تجربی این کار، حتی کوچکترین پروژه منجر به تکرارهای متعدد می شود. همان کد مهندسی ویژگی اغلب بارها و بارها اجرا می شود و زمان و منابع محاسبه شده را برای تکرار همان عملیات تلف می کند. در سازمانهای بزرگ، این میتواند باعث کاهش بهرهوری حتی بیشتر شود، زیرا تیمهای مختلف اغلب کارهای یکسانی را اجرا میکنند یا حتی کد مهندسی ویژگیهای تکراری را مینویسند، زیرا آنها اطلاعاتی از کار قبلی ندارند. برای جلوگیری از پردازش مجدد ویژگی ها، جریان داده های خود را به آمازون صادر می کنیم خط لوله SageMaker. بیایید انتخاب کنیم دکمه + سمت راست پرس و جو. صادرات جریان داده را انتخاب کنید و انتخاب کنید SageMaker Pipeline را اجرا کنید (از طریق نوت بوک Jupyter).
تمیز کردن
برای جلوگیری از تحمیل هزینههای بعدی، منابعی را که هنگام دنبال کردن این پست ایجاد کردهاید حذف یا خاموش کنید. رجوع شود به خروج از Amazon SageMaker Canvas برای جزئیات بیشتر.
نتیجه
در این پست، ما به شما نشان دادیم که چگونه آمازون SageMaker Canvas با در نظر گرفتن نقش یک متخصص داده، دادهها را برای یک LLM آماده میکند. آمادهسازی دادههای تعاملی، تمیز کردن، تبدیل، و تجزیه و تحلیل سریع دادهها را برای مهندسی ویژگیهای اطلاعاتی امکانپذیر میسازد. SageMaker Canvas با حذف پیچیدگیهای کدنویسی، امکان تکرار سریع را برای ایجاد یک مجموعه داده آموزشی با کیفیت بالا فراهم کرد. این جریان کاری سریع مستقیماً به ساخت، آموزش و استقرار یک مدل یادگیری ماشینی کارآمد برای تأثیر تجاری منجر شد. SageMaker Canvas با آمادهسازی دادههای جامع و تجربه یکپارچه از دادهها تا بینشها، کاربران را قادر میسازد تا نتایج ML خود را بهبود بخشند.
ما شما را تشویق می کنیم که با کاوش بیشتر بیاموزید Amazon SageMaker Data Rangler, آمازون SageMaker Canvas, آمازون تایتان مدل ها، بستر آمازون، و آمازون سرویس OpenSearch برای ایجاد راه حل با استفاده از پیاده سازی نمونه ارائه شده در این پست و مجموعه داده های مرتبط با کسب و کار شما. اگر سوال یا پیشنهادی دارید، لطفا نظر بدهید.
درباره نویسنده
آجی گوویندارام یک معمار ارشد راه حل در AWS است. او با مشتریان استراتژیک که از AI/ML برای حل مشکلات پیچیده تجاری استفاده می کنند کار می کند. تجربه او در ارائه جهت فنی و همچنین کمک طراحی برای استقرار برنامه های کاربردی AI/ML در مقیاس متوسط تا بزرگ نهفته است. دانش او از معماری اپلیکیشن گرفته تا داده های بزرگ، تجزیه و تحلیل و یادگیری ماشینی را شامل می شود. او از گوش دادن به موسیقی در هنگام استراحت، تجربه در فضای باز و گذراندن وقت با عزیزانش لذت می برد.
نیکیتا ایوکین یک دانشمند کاربردی ارشد در Amazon SageMaker Data Wrangler است که به یادگیری ماشین و الگوریتم های پاکسازی داده علاقه دارد.
- 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/simplify-data-prep-for-gen-ai-with-amazon-sagemaker-data-wrangler/
- : دارد
- :است
- :نه
- 100
- 14
- 20
- 25
- 28
- 50
- 7
- 8
- 804
- a
- قادر
- درباره ما
- بالاتر
- شتاب دادن
- تسریع شد
- دسترسی
- مطابق
- حساب ها
- دقت
- اضافه کردن
- اضافی
- اتخاذ
- پیشرفت
- مزیت - فایده - سود - منفعت
- مزایای
- پس از
- از نو
- تجمیع
- پیش
- AI
- AI / ML
- الگوریتم
- تراز می کند
- معرفی
- مجاز
- همچنین
- آمازون
- آمازون SageMaker
- Amazon SageMaker Data Rangler
- آمازون خدمات وب
- مقدار
- an
- تجزیه و تحلیل
- علم تجزیه و تحلیل
- تجزیه و تحلیل
- و
- پاسخ
- هر
- API
- کاربرد
- اعمال می شود
- با استفاده از
- معماری
- هستند
- مصنوعی
- هوش مصنوعی
- AS
- کمک
- At
- ضمیمه کردن
- سمعی
- افزوده شده
- در دسترس
- اجتناب از
- AWS
- پایه
- مستقر
- BE
- زیرا
- شود
- بوده
- قبل از
- بودن
- بهتر
- جانبدارانه
- بزرگ
- بزرگ داده
- ساختن
- بنا
- ساخته شده در
- کسب و کار
- کسب و کار
- دکمه
- by
- صدا
- CAN
- نقاشی
- قابلیت های
- مورد
- علت
- تبادل
- بار
- را انتخاب کنید
- تمیز
- تمیز کاری
- رمز
- برنامه نویسی
- ترکیب
- توضیح
- شرکت
- مقایسه
- رقابتی
- کامل
- پیچیده
- پیچیدگی ها
- درک
- جامع
- محاسبه
- در نظر بگیرید
- کنسول
- شامل
- شامل
- محتوا
- محتویات
- زمینه
- زمینه ها
- ادامه
- کنترل
- تبدیل
- متناظر
- میتوانست
- پوشش
- ایجاد
- ایجاد شده
- بحرانی
- سفارشی
- مشتری
- خدمات مشتری
- مشتریان
- داده ها
- آماده سازی داده ها
- پایگاه داده
- مجموعه داده ها
- deloitte
- نشان
- استقرار
- اعزام ها
- طرح
- جزئیات
- در حال توسعه
- مختلف
- مشکل
- بعد
- جهت
- مستقیما
- كشف كردن
- do
- سند
- مستندات
- اسناد و مدارک
- دامنه
- حوزه
- پایین
- در طی
- e
- هر
- به آسانی
- به طور موثر
- موثر
- موثر
- ایمیل
- تعبیه کردن
- توانمندسازی
- فعال
- را قادر می سازد
- تشویق
- پشت سر هم
- مهندس
- مهندسی
- مهندسی
- ارزیابی
- حتی
- مثال
- وجود دارد
- تجربه
- تجربه
- تجربی
- اکتشاف
- بررسی
- صادرات
- عصاره
- ویژگی
- امکانات
- کمی از
- زمینه
- پرونده
- فیلتر
- نهایی
- پیدا کردن
- جریان
- به دنبال
- پیروی
- به دنبال آن است
- برای
- فوربس
- پایه
- مبانی
- رایگان
- از جانب
- کامل
- توابع
- بیشتر
- آینده
- افزایش
- تولید می کنند
- تولید
- مولد
- نسل
- مولد
- هوش مصنوعی مولد
- دریافت کنید
- دادن
- داده
- جهانی
- Go
- هدف
- خوب
- بیشتر
- آیا
- he
- هدر
- با کیفیت بالا
- خود را
- دارای
- صفحه اصلی
- چگونه
- چگونه
- اما
- HTML
- HTTPS
- i
- یکسان
- if
- تصاویر
- تأثیر
- پیاده سازی
- واردات
- مهم
- موثر
- بهبود
- in
- شامل
- شاخص
- نمایه شده
- اطلاعات
- حاوی اطلاعات مفید
- اول
- بینش
- دستورالعمل
- ادغام
- اطلاعات
- تعاملی
- منافع
- رابط
- اینترنت
- به
- شامل
- IT
- تکرار
- تکرار
- ITS
- شغل ها
- JPG
- json
- دانش
- زمین
- زبان
- بزرگ
- در مقیاس بزرگ
- راه اندازی
- منجر می شود
- یاد گرفتن
- یادگیری
- ترک کردن
- رهبری
- بهره برداری
- نهفته است
- پسندیدن
- فهرست
- استماع
- LLM
- بار
- محل
- مکان
- خاموش
- خیلی
- محبوب
- کم
- دستگاه
- فراگیری ماشین
- اصلی
- ساخت
- باعث می شود
- ماسک
- عظیم
- استاد
- ممکن است..
- مکانیسم
- رسانه ها
- فهرست
- متا
- متاداده
- ML
- مدل
- مدل
- فروتن
- بیش
- اکثر
- چندگانه
- موسیقی
- نام
- طبیعی
- پردازش زبان طبیعی
- طبیعت
- جهت یابی
- لازم
- نیاز
- جدید
- بعد
- نه
- دفتر یادداشت
- اکنون
- of
- غالبا
- on
- یک بار
- آنهایی که
- فقط
- عملیات
- گزینه
- or
- کدام سازمان ها
- سازمان های
- دیگر
- ما
- خارج
- نتایج
- خارج از منزل
- تولید
- روی
- با ما
- پانداها
- قطعه
- عبور
- کلمه عبور
- کارایی
- شخصی
- انتخاب کنید
- قطعه
- قطعات
- خط لوله
- افلاطون
- هوش داده افلاطون
- PlatoData
- لطفا
- به علاوه
- نقطه
- سیاست
- پست
- پتانسیل
- صفحه اصلی
- مرجح
- تهیه
- آماده
- آماده
- قبلا
- شاید
- مشکل
- مشکلات
- ادامه
- روند
- در حال پردازش
- تولید
- بهره وری
- حرفه ای
- پروژه
- املاک
- ارائه
- فراهم می کند
- ارائه
- پــایتــون
- نمایش ها
- سوال
- سوالات
- به سرعت
- محدوده ها
- سریع
- رتبه بندی
- رسیدن به
- خواندن
- دنیای واقعی
- اخذ شده
- مراجعه
- مربوط
- مربوط
- از بین بردن
- گزارش
- درخواست
- نیاز
- نیاز
- منابع
- پاسخ
- پاسخ
- استراحت كردن
- نتایج
- برگشت
- بررسی
- راست
- نقش
- دویدن
- حکیم ساز
- همان
- ذخیره
- دانشمند
- جستجو
- جستجو
- بخش
- مشاهده گردید
- را انتخاب کنید
- در حال ارسال
- ارشد
- حساس
- سرویس
- خدمات
- تنظیمات
- باید
- نشان
- نشان داد
- بسته
- خاموش
- طرف
- امضاء
- قابل توجه
- مشابه
- سادگی
- ساده کردن
- اندازه
- قطعه
- So
- آگاهی
- رسانه های اجتماعی
- راه حل
- مزایا
- حل
- برخی از
- منبع
- منابع
- خاص
- به طور خاص
- خرج کردن
- هزینه
- صحنه
- مراحل
- گام
- مراحل
- هنوز
- استراتژیک
- ساخت یافته
- خلاصه
- پشتیبانی از
- بررسی
- گرفتن
- تیم ها
- فنی
- تکنیک
- آزمون
- متن
- که
- La
- آینده
- شان
- آنها
- سپس
- آنجا.
- اینها
- آنها
- این
- بدین ترتیب
- زمان
- تیتان
- به
- امروز
- ابزار
- آموزش
- دگرگون کردن
- دگرگونی
- تحولات
- تبدیل شدن
- درست
- کوتاه شدن
- نوع
- انواع
- یکپارچه
- us
- استفاده کنید
- استفاده
- کاربر
- کاربران
- با استفاده از
- ارزشمند
- از طريق
- تصویری
- بصری
- خرید
- we
- وب
- خدمات وب
- خوب
- که
- در حین
- WHO
- اراده
- با
- مهاجرت کاری
- گردش کار
- با این نسخهها کار
- خواهد بود
- نوشتن
- شما
- شما
- زفیرنت