संरचित क्वेरी भाषा (एसक्यूएल) एक जटिल भाषा है जिसके लिए डेटाबेस और मेटाडेटा की समझ की आवश्यकता होती है। आज, जनरेटिव ए.आई. SQL ज्ञान के बिना लोगों को सक्षम कर सकता है। इस जेनरेटिव एआई कार्य को टेक्स्ट-टू-एसक्यूएल कहा जाता है, जो प्राकृतिक भाषा प्रसंस्करण (एनएलपी) से एसक्यूएल क्वेरी उत्पन्न करता है और टेक्स्ट को शब्दार्थ रूप से सही एसक्यूएल में परिवर्तित करता है। इस पोस्ट के समाधान का उद्देश्य प्राकृतिक भाषा का उपयोग करके आपके डेटा के पथ को छोटा करके एंटरप्राइज़ एनालिटिक्स संचालन को अगले स्तर पर लाना है।
बड़े भाषा मॉडल (एलएलएम) के उद्भव के साथ, एनएलपी-आधारित एसक्यूएल पीढ़ी में एक महत्वपूर्ण परिवर्तन आया है। असाधारण प्रदर्शन का प्रदर्शन करते हुए, एलएलएम अब प्राकृतिक भाषा विवरणों से सटीक एसक्यूएल क्वेरी उत्पन्न करने में सक्षम हैं। हालाँकि, चुनौतियाँ अभी भी बनी हुई हैं। सबसे पहले, मानव भाषा स्वाभाविक रूप से अस्पष्ट और संदर्भ-निर्भर है, जबकि SQL सटीक, गणितीय और संरचित है। इस अंतर के परिणामस्वरूप उत्पन्न होने वाली SQL में उपयोगकर्ता की आवश्यकताओं का गलत रूपांतरण हो सकता है। दूसरा, आपको प्रत्येक डेटाबेस के लिए टेक्स्ट-टू-एसक्यूएल सुविधाओं का निर्माण करने की आवश्यकता हो सकती है क्योंकि डेटा अक्सर एक ही लक्ष्य में संग्रहीत नहीं होता है। आपको एनएलपी-आधारित एसक्यूएल पीढ़ी वाले उपयोगकर्ताओं को सक्षम करने के लिए प्रत्येक डेटाबेस के लिए क्षमता को फिर से बनाना पड़ सकता है। तीसरा, डेटा लेक और वेयरहाउस जैसे केंद्रीकृत विश्लेषण समाधानों को बड़े पैमाने पर अपनाने के बावजूद, विभिन्न तालिका नामों और अन्य मेटाडेटा के साथ जटिलता बढ़ जाती है जो वांछित स्रोतों के लिए एसक्यूएल बनाने के लिए आवश्यक है। इसलिए, व्यापक और उच्च-गुणवत्ता मेटाडेटा एकत्र करना भी एक चुनौती बनी हुई है। टेक्स्ट-टू-एसक्यूएल सर्वोत्तम प्रथाओं और डिज़ाइन पैटर्न के बारे में अधिक जानने के लिए, देखें एंटरप्राइज़ डेटा से मूल्य उत्पन्न करना: Text2SQL और जेनरेटिव AI के लिए सर्वोत्तम अभ्यास.
हमारे समाधान का उद्देश्य उन चुनौतियों का उपयोग करके समाधान करना है अमेज़ॅन बेडरॉक और AWS एनालिटिक्स सेवाएँ। हम प्रयोग करते हैं एंथ्रोपिक क्लाउड v2.1 हमारे एलएलएम के रूप में अमेज़ॅन बेडरॉक पर। चुनौतियों का समाधान करने के लिए, हमारा समाधान सबसे पहले डेटा स्रोतों के मेटाडेटा को शामिल करता है एडब्ल्यूएस गोंद डेटा कैटलॉग उत्पन्न SQL क्वेरी की सटीकता बढ़ाने के लिए। यदि किसी SQL समस्या की पहचान की जाती है, तो वर्कफ़्लो में अंतिम मूल्यांकन और सुधार लूप भी शामिल होता है अमेज़न एथेना, जिसका उपयोग डाउनस्ट्रीम SQL इंजन के रूप में किया जाता है। एथेना हमें अनेक प्रकार के उपयोग करने की अनुमति भी देती है समर्थित समापन बिंदु और कनेक्टर डेटा स्रोतों के एक बड़े समूह को कवर करने के लिए।
समाधान बनाने के चरणों से गुजरने के बाद, हम अलग-अलग SQL जटिलता स्तरों के साथ कुछ परीक्षण परिदृश्यों के परिणाम प्रस्तुत करते हैं। अंत में, हम चर्चा करते हैं कि आपके SQL प्रश्नों में विभिन्न डेटा स्रोतों को शामिल करना कितना सरल है।
समाधान अवलोकन
हमारे आर्किटेक्चर में तीन महत्वपूर्ण घटक हैं: डेटाबेस मेटाडेटा के साथ रिट्रीवल ऑगमेंटेड जेनरेशन (आरएजी), एक मल्टी-स्टेप सेल्फ-करेक्शन लूप और हमारे एसक्यूएल इंजन के रूप में एथेना।
यह सुनिश्चित करने के लिए कि अनुरोध सही तालिका और डेटासेट से संबंधित है, हम AWS ग्लू मेटास्टोर से तालिका विवरण और स्कीमा विवरण (कॉलम) पुनर्प्राप्त करने के लिए RAG विधि का उपयोग करते हैं। हमारे समाधान में, हमने प्रदर्शन उद्देश्यों के लिए AWS ग्लू डेटा कैटलॉग के साथ RAG फ्रेमवर्क चलाने के लिए अलग-अलग चरण बनाए। हालाँकि, आप भी उपयोग कर सकते हैं ज्ञान का आधार अमेज़ॅन बेडरॉक में आरएजी समाधान शीघ्रता से बनाने के लिए।
मल्टी-स्टेप घटक एलएलएम को सटीकता के लिए उत्पन्न SQL क्वेरी को सही करने की अनुमति देता है। यहां, जेनरेट किया गया SQL सिंटैक्स त्रुटियों के लिए भेजा जाता है। हम उत्पन्न एसक्यूएल में अधिक सटीक और प्रभावी सुधार के लिए एलएलएम के लिए अपने संकेत को समृद्ध करने के लिए एथेना त्रुटि संदेशों का उपयोग करते हैं।
आप एथेना से कभी-कभार आने वाले त्रुटि संदेशों को फीडबैक की तरह मान सकते हैं। त्रुटि सुधार कदम की लागत निहितार्थ वितरित मूल्य की तुलना में नगण्य है। आप अपने एलएलएम को बेहतर बनाने के लिए इन सुधारात्मक कदमों को पर्यवेक्षित प्रबलित शिक्षण उदाहरणों के रूप में भी शामिल कर सकते हैं। हालाँकि, हमने सरलता के उद्देश्य से इस प्रवाह को अपनी पोस्ट में शामिल नहीं किया है।
ध्यान दें कि अशुद्धियाँ होने का अंतर्निहित जोखिम हमेशा बना रहता है, जो स्वाभाविक रूप से जेनरेटिव एआई समाधानों के साथ आता है। भले ही एथेना त्रुटि संदेश इस जोखिम को कम करने के लिए अत्यधिक प्रभावी हैं, आप ऐसे जोखिमों को और कम करने के लिए अधिक नियंत्रण और दृश्य जोड़ सकते हैं, जैसे मानवीय प्रतिक्रिया या फाइन-ट्यूनिंग के लिए उदाहरण प्रश्न।
एथेना न केवल हमें SQL क्वेरीज़ को सही करने की अनुमति देता है, बल्कि यह हमारे लिए समग्र समस्या को भी सरल बनाता है क्योंकि यह हब के रूप में कार्य करता है, जहां स्पोक्स कई डेटा स्रोत हैं। एक्सेस प्रबंधन, एसक्यूएल सिंटैक्स और बहुत कुछ एथेना के माध्यम से नियंत्रित किया जाता है।
निम्नलिखित चित्र समाधान वास्तुकला को दर्शाता है।
प्रक्रिया प्रवाह में निम्नलिखित चरण शामिल हैं:
- AWS ग्लू डेटा कैटलॉग बनाएं AWS ग्लू क्रॉलर का उपयोग करना (या कोई भिन्न विधि)।
- ऊपर दिए अमेज़ॅन बेडरॉक पर टाइटन-टेक्स्ट-एंबेडिंग मॉडल, मेटाडेटा को एम्बेडिंग में परिवर्तित करें और इसे एक में संग्रहीत करें Amazon OpenSearch सर्वर रहित वेक्टर स्टोर, जो हमारे RAG ढांचे में हमारे ज्ञान आधार के रूप में कार्य करता है।
इस स्तर पर, प्रक्रिया प्राकृतिक भाषा में क्वेरी प्राप्त करने के लिए तैयार है। यदि लागू हो तो चरण 7-9 एक सुधार लूप का प्रतिनिधित्व करते हैं।
- उपयोगकर्ता अपनी क्वेरी प्राकृतिक भाषा में दर्ज करता है। चैट यूआई प्रदान करने के लिए आप किसी भी वेब एप्लिकेशन का उपयोग कर सकते हैं। इसलिए, हमने अपनी पोस्ट में यूआई विवरण शामिल नहीं किया है।
- समाधान के माध्यम से एक RAG ढाँचा लागू होता है समानता खोज, जो वेक्टर डेटाबेस से मेटाडेटा से अतिरिक्त संदर्भ जोड़ता है। इस तालिका का उपयोग सही तालिका, डेटाबेस और विशेषताओं को खोजने के लिए किया जाता है।
- क्वेरी को संदर्भ के साथ मिला दिया जाता है और भेज दिया जाता है एंथ्रोपिक क्लाउड v2.1 अमेज़ॅन बेडरॉक पर।
- मॉडल जेनरेट की गई SQL क्वेरी प्राप्त करता है और सिंटैक्स को सत्यापित करने के लिए एथेना से जुड़ता है।
- यदि एथेना एक त्रुटि संदेश प्रदान करता है जिसमें उल्लेख किया गया है कि वाक्यविन्यास गलत है, तो मॉडल एथेना की प्रतिक्रिया से त्रुटि पाठ का उपयोग करता है।
- नया संकेत एथेना की प्रतिक्रिया जोड़ता है।
- मॉडल सही SQL बनाता है और प्रक्रिया जारी रखता है। यह पुनरावृत्ति कई बार की जा सकती है.
- अंत में, हम एथेना का उपयोग करके SQL चलाते हैं और आउटपुट उत्पन्न करते हैं। यहां, आउटपुट उपयोगकर्ता को प्रस्तुत किया जाता है। वास्तुशिल्पीय सरलता के लिए, हमने यह कदम नहीं दिखाया।
.. पूर्वापेक्षाएँ
इस पद के लिए, आपको निम्नलिखित आवश्यक शर्तें पूरी करनी चाहिए:
- एक है AWS खाता.
- स्थापित करें la AWS कमांड लाइन इंटरफ़ेस (AWS CLI)।
- सेट अप करें पायथन के लिए एसडीके (Boto3).
- AWS ग्लू डेटा कैटलॉग बनाएं AWS ग्लू क्रॉलर का उपयोग करना (या कोई भिन्न विधि)।
- ऊपर दिए अमेज़ॅन बेडरॉक पर टाइटन-टेक्स्ट-एंबेडिंग मॉडल, मेटाडेटा को एम्बेडिंग में परिवर्तित करें और इसे ओपनसर्च सर्वरलेस में संग्रहीत करें वेक्टर स्टोर.
समाधान लागू करें
आप निम्नलिखित का उपयोग कर सकते हैं ज्यूपिटर नोटबुक, जिसमें समाधान बनाने के लिए इस अनुभाग में प्रदान किए गए सभी कोड स्निपेट शामिल हैं। हम उपयोग करने की सलाह देते हैं अमेज़ॅन सैजमेकर स्टूडियो इस नोटबुक को Python 3 (डेटा साइंस) कर्नेल के साथ ml.t3.medium इंस्टेंस के साथ खोलने के लिए। निर्देशों के लिए, देखें मशीन लर्निंग मॉडल को प्रशिक्षित करें. समाधान स्थापित करने के लिए निम्नलिखित चरणों को पूरा करें:
- RAG ढाँचे के लिए OpenSearch सेवा में ज्ञान का आधार बनाएँ:
- प्रॉम्प्ट बनाएं (
final_question
) उपयोगकर्ता इनपुट को प्राकृतिक भाषा में संयोजित करके (user_query
), वेक्टर स्टोर से प्रासंगिक मेटाडेटा (vector_search_match
), और हमारे निर्देश (details
): - एलएलएम (क्लाउड v2) के लिए अमेज़ॅन बेडरॉक को आमंत्रित करें और इसे SQL क्वेरी उत्पन्न करने के लिए संकेत दें। निम्नलिखित कोड में, यह स्व-सुधार चरण को दर्शाने के लिए कई प्रयास करता है:x
- यदि जेनरेट की गई SQL क्वेरी के साथ कोई समस्या प्राप्त होती है (
{sqlgenerated}
) एथेना प्रतिक्रिया से ({syntaxcheckmsg}
), नया प्रॉम्प्ट (prompt
) प्रतिक्रिया के आधार पर उत्पन्न होता है और मॉडल नया SQL उत्पन्न करने के लिए फिर से प्रयास करता है: - SQL उत्पन्न होने के बाद, एथेना क्लाइंट को आउटपुट चलाने और उत्पन्न करने के लिए बुलाया जाता है:
समाधान का परीक्षण करें
इस अनुभाग में, हम SQL क्वेरी के विभिन्न जटिलता स्तरों का परीक्षण करने के लिए विभिन्न उदाहरण परिदृश्यों के साथ अपना समाधान चलाते हैं।
अपने टेक्स्ट-टू-एसक्यूएल का परीक्षण करने के लिए, हम दो का उपयोग करते हैं IMDB से डेटासेट उपलब्ध हैं। IMDb डेटा के सबसेट व्यक्तिगत और गैर-व्यावसायिक उपयोग के लिए उपलब्ध हैं। आप डेटासेट डाउनलोड कर सकते हैं और उन्हें संग्रहीत कर सकते हैं अमेज़न सरल भंडारण सेवा (अमेज़ॅन एस3)। आप AWS ग्लू में तालिकाएँ बनाने के लिए निम्नलिखित स्पार्क SQL स्निपेट का उपयोग कर सकते हैं। इस उदाहरण के लिए, हम उपयोग करते हैं title_ratings
और title
:
डेटा को Amazon S3 में और मेटाडेटा को AWS ग्लू में स्टोर करें
इस परिदृश्य में, हमारा डेटासेट S3 बकेट में संग्रहीत है। एथेना में एक S3 कनेक्टर है जो आपको अमेज़ॅन S3 को डेटा स्रोत के रूप में उपयोग करने की अनुमति देता है जिसे क्वेरी किया जा सकता है.
हमारी पहली क्वेरी के लिए, हम इनपुट प्रदान करते हैं “मैं इसमें नया हूं। क्या आप आईएमडीबी स्कीमा में सभी तालिकाओं और स्तंभों को देखने में मेरी मदद कर सकते हैं?"
उत्पन्न क्वेरी निम्नलिखित है:
निम्नलिखित स्क्रीनशॉट और कोड हमारा आउटपुट दिखाते हैं।
हमारी दूसरी क्वेरी के लिए, हम पूछते हैं "मुझे अमेरिकी क्षेत्र के सभी शीर्षक और विवरण दिखाएँ जिनकी रेटिंग 9.5 से अधिक है।"
निम्नलिखित हमारी जेनरेट की गई क्वेरी है:
प्रतिक्रिया इस प्रकार है.
हमारी तीसरी क्वेरी के लिए, हम "शानदार प्रतिक्रिया" दर्ज करते हैं! अब मुझे 7.5 से अधिक रेटिंग वाले सभी मूल प्रकार के शीर्षक दिखाएं, न कि अमेरिकी क्षेत्र में।''
निम्नलिखित क्वेरी उत्पन्न होती है:
हमें निम्नलिखित परिणाम मिलते हैं।
स्व-संशोधित एसक्यूएल उत्पन्न करें
यह परिदृश्य एक SQL क्वेरी का अनुकरण करता है जिसमें सिंटैक्स समस्याएँ हैं। यहां, एथेना की प्रतिक्रिया के आधार पर जेनरेट किया गया एसक्यूएल स्वयं-सही किया जाएगा। निम्नलिखित प्रतिक्रिया में, एथेना ने एक दिया COLUMN_NOT_FOUND
त्रुटि और उसका उल्लेख किया table_description
हल नहीं किया जा सकता:
अन्य डेटा स्रोतों के साथ समाधान का उपयोग करना
अन्य डेटा स्रोतों के साथ समाधान का उपयोग करने के लिए, एथेना आपके लिए काम संभालती है। ऐसा करने के लिए, एथेना का उपयोग करता है डेटा स्रोत कनेक्टर जिसके साथ प्रयोग किया जा सकता है फ़ेडरेटेड क्वेरीज़. आप कनेक्टर को एथेना क्वेरी इंजन के विस्तार के रूप में मान सकते हैं। जैसे डेटा स्रोतों के लिए पूर्व-निर्मित एथेना डेटा स्रोत कनेक्टर मौजूद हैं अमेज़न CloudWatch लॉग, अमेज़ॅन डायनेमोडीबी, Amazon DocumentDB (MongoDB संगतता के साथ), तथा अमेज़न रिलेशनल डेटाबेस सर्विस (अमेज़ॅन आरडीएस), और अपाचे 2.0 लाइसेंस के तहत जेडीबीसी-संगत संबंधपरक डेटा स्रोत जैसे MySQL, और PostgreSQL। किसी भी डेटा स्रोत से कनेक्शन स्थापित करने के बाद, आप समाधान का विस्तार करने के लिए पूर्ववर्ती कोड आधार का उपयोग कर सकते हैं। अधिक जानकारी के लिए देखें अमेज़ॅन एथेना की नई फ़ेडरेटेड क्वेरी के साथ किसी भी डेटा स्रोत को क्वेरी करें.
क्लीन अप
संसाधनों को साफ करने के लिए, आप शुरुआत कर सकते हैं अपनी S3 बाल्टी की सफ़ाई करें जहां डेटा रहता है. जब तक आपका एप्लिकेशन अमेज़ॅन बेडरॉक को लागू नहीं करता, तब तक उस पर कोई लागत नहीं आएगी। बुनियादी ढांचे प्रबंधन की सर्वोत्तम प्रथाओं के लिए, हम इस प्रदर्शन में बनाए गए संसाधनों को हटाने की सलाह देते हैं।
निष्कर्ष
इस पोस्ट में, हमने एक समाधान प्रस्तुत किया है जो आपको एथेना द्वारा सक्षम विभिन्न संसाधनों के साथ जटिल SQL क्वेरी उत्पन्न करने के लिए एनएलपी का उपयोग करने की अनुमति देता है। हमने डाउनस्ट्रीम प्रक्रियाओं से त्रुटि संदेशों के आधार पर मल्टी-स्टेप मूल्यांकन लूप के माध्यम से जेनरेट की गई SQL क्वेरी की सटीकता भी बढ़ाई है। इसके अतिरिक्त, हमने RAG फ्रेमवर्क के माध्यम से क्वेरी में पूछे गए तालिका नामों पर विचार करने के लिए AWS ग्लू डेटा कैटलॉग में मेटाडेटा का उपयोग किया। फिर हमने विभिन्न क्वेरी जटिलता स्तरों के साथ विभिन्न यथार्थवादी परिदृश्यों में समाधान का परीक्षण किया। अंत में, हमने चर्चा की कि इस समाधान को एथेना द्वारा समर्थित विभिन्न डेटा स्रोतों पर कैसे लागू किया जाए।
अमेज़न बेडरॉक इस समाधान के केंद्र में है। अमेज़ॅन बेडरॉक आपको कई जेनरेटिव एआई एप्लिकेशन बनाने में मदद कर सकता है। अमेज़ॅन बेडरॉक के साथ शुरुआत करने के लिए, हम निम्नलिखित में त्वरित शुरुआत का पालन करने की सलाह देते हैं गीथहब रेपो और जेनेरिक एआई अनुप्रयोगों के निर्माण से खुद को परिचित करना। आप भी कोशिश कर सकते हैं ज्ञान का आधार अमेज़ॅन बेडरॉक में ऐसे RAG समाधान शीघ्रता से बनाने के लिए।
लेखक के बारे में
संजीब पांडा अमेज़न में डेटा और एमएल इंजीनियर हैं। एआई/एमएल, डेटा साइंस और बिग डेटा की पृष्ठभूमि के साथ, संजीब इनोवेटिव डेटा और एमएल समाधान डिजाइन और विकसित करते हैं जो जटिल तकनीकी चुनौतियों का समाधान करते हैं और अमेज़ॅन पर अपने व्यवसाय का प्रबंधन करने वाले वैश्विक 3पी विक्रेताओं के लिए रणनीतिक लक्ष्य प्राप्त करते हैं। अमेज़ॅन में डेटा और एमएल इंजीनियर के रूप में अपने काम के अलावा, संजीब पांडा खाने और संगीत के शौकीन हैं।
बुरक गोज़्लुक्लू बोस्टन, एमए में स्थित एक प्रिंसिपल एआई/एमएल स्पेशलिस्ट सॉल्यूशंस आर्किटेक्ट हैं। वह रणनीतिक ग्राहकों को उनके व्यावसायिक उद्देश्यों को प्राप्त करने के लिए AWS प्रौद्योगिकियों और विशेष रूप से जेनरेटिव AI समाधानों को अपनाने में मदद करता है। बुरक के पास एमईटीयू से एयरोस्पेस इंजीनियरिंग में पीएचडी, सिस्टम इंजीनियरिंग में एमएस और कैम्ब्रिज, एमए में एमआईटी से सिस्टम डायनेमिक्स में पोस्ट-डॉक्टर है। बुरक अभी भी एमआईटी में एक शोध सहयोगी है। बुरक को योग और ध्यान का शौक है।
- एसईओ संचालित सामग्री और पीआर वितरण। आज ही प्रवर्धित हो जाओ।
- प्लेटोडेटा.नेटवर्क वर्टिकल जेनरेटिव एआई। स्वयं को शक्तिवान बनाएं। यहां पहुंचें।
- प्लेटोआईस्ट्रीम। Web3 इंटेलिजेंस। ज्ञान प्रवर्धित। यहां पहुंचें।
- प्लेटोईएसजी. कार्बन, क्लीनटेक, ऊर्जा, पर्यावरण, सौर, कचरा प्रबंधन। यहां पहुंचें।
- प्लेटोहेल्थ। बायोटेक और क्लिनिकल परीक्षण इंटेलिजेंस। यहां पहुंचें।
- स्रोत: https://aws.amazon.com/blogs/machine-learning/build-a-robust-text-to-sql-solution-generating-complex-queries-self-correcting-and-querying-diverse-data-sources/
- :हैस
- :है
- :नहीं
- :कहाँ
- $यूपी
- 1
- 10
- 100
- 11
- 12
- 13
- 14
- 16
- 20
- 2024
- 22
- 23
- 29
- 30
- 32
- 39
- 50
- 500
- 521
- 7
- 8
- 9
- a
- About
- ऊपर
- पहुँच
- शुद्धता
- सही
- पाना
- जोड़ना
- इसके अतिरिक्त
- पता
- जोड़ता है
- अपनाना
- दत्तक ग्रहण
- एयरोस्पेस
- सहबद्ध
- बाद
- फिर
- AI
- ऐ / एमएल
- करना
- संरेखित करता है
- सब
- की अनुमति देता है
- भी
- वैकल्पिक
- हमेशा
- am
- वीरांगना
- अमेज़ॅन आरडीएस
- अमेज़ॅन वेब सेवा
- an
- विश्लेषिकी
- और
- जवाब
- anthropic
- कोई
- अपाचे
- उपयुक्त
- आवेदन
- अनुप्रयोगों
- लागू होता है
- लागू करें
- वास्तु
- स्थापत्य
- हैं
- AS
- पूछना
- At
- अटलांटा
- करने का प्रयास
- प्रयास
- विशेषताओं
- संवर्धित
- अधिकृत
- उपलब्ध
- एडब्ल्यूएस
- एडब्ल्यूएस गोंद
- पृष्ठभूमि
- आधार
- आधारित
- BE
- क्योंकि
- नीचे
- BEST
- सर्वोत्तम प्रथाओं
- बड़ा
- बड़ा डेटा
- खंड
- बोस्टन
- लाना
- निर्माण
- इमारत
- बनाया गया
- व्यापार
- व्यवसायों
- लेकिन
- by
- बुलाया
- कैंब्रिज
- कर सकते हैं
- नही सकता
- क्षमता
- सक्षम
- कौन
- मामला
- सूची
- केंद्र
- केंद्रीकृत
- चुनौती
- चुनौतियों
- बातचीत
- जाँच
- जाँच
- स्वच्छ
- CLI
- ग्राहक
- कोड
- कोड आधार
- एकत्रित
- स्तंभ
- स्तंभ
- संयोजन
- आता है
- अ रहे है
- तुलना
- की तुलना
- अनुकूलता
- पूरा
- जटिल
- जटिलता
- अंग
- घटकों
- व्यापक
- संबंध
- जोड़ता है
- विचार करना
- प्रसंग
- जारी
- नियंत्रण
- रूपांतरण
- बदलना
- सही
- संशोधित
- सुधार
- लागत
- गणना
- आवरण
- बनाना
- बनाया
- बनाता है
- महत्वपूर्ण
- ग्राहक
- तिथि
- डेटा विज्ञान
- डाटाबेस
- डेटाबेस
- डेटासेट
- तारीख
- दिनांक और समय
- दिया गया
- प्रदर्शन
- डिज़ाइन
- डिजाइन पैटर्न्स
- वांछित
- के बावजूद
- विवरण
- विकसित करना
- आरेख
- डीआईडी
- विभिन्न
- चर्चा करना
- चर्चा की
- कई
- do
- डॉक्स
- दस्तावेजों
- डाउनलोड
- दौरान
- गतिकी
- प्रभावी
- अन्य
- उद्भव
- सक्षम
- सक्षम
- इंजन
- इंजीनियर
- अभियांत्रिकी
- समृद्ध
- सुनिश्चित
- दर्ज
- उद्यम
- में प्रवेश करती है
- सरगर्म
- त्रुटि
- त्रुटियाँ
- मूल्यांकन
- और भी
- प्रत्येक
- उदाहरण
- उदाहरण
- असाधारण
- को क्रियान्वित
- मौजूद
- मौजूदा
- समझाना
- विस्तार
- विस्तार
- अतिरिक्त
- विफल रहे
- असत्य
- विशेषताएं
- प्रतिक्रिया
- अंतिम
- अंत में
- खोज
- प्रथम
- प्रवाह
- का पालन करें
- निम्नलिखित
- इस प्रकार है
- के लिए
- ढांचा
- से
- आगे
- अन्तर
- दे दिया
- उत्पन्न
- उत्पन्न
- उत्पन्न करता है
- सृजन
- पीढ़ी
- उत्पादक
- जनरेटिव एआई
- मिल
- हो जाता है
- वैश्विक
- लक्ष्यों
- मिला
- हैंडल
- है
- होने
- he
- मदद
- मदद करता है
- यहाँ उत्पन्न करें
- उच्च गुणवत्ता
- अत्यधिक
- उसके
- कैसे
- How To
- तथापि
- एचटीएमएल
- http
- HTTPS
- हब
- मानव
- i
- पहचान
- if
- समझाना
- दिखाता है
- निहितार्थ
- महत्वपूर्ण
- in
- ग़लत
- शामिल
- शामिल
- सम्मिलित
- को शामिल किया गया
- गलत
- बढ़ना
- वृद्धि हुई
- अनुक्रमणिका
- व्यक्ति
- पता
- करें-
- इंफ्रास्ट्रक्चर
- निहित
- स्वाभाविक
- प्रारंभिक
- आंतरिक
- अभिनव
- निवेश
- उदाहरण
- निर्देश
- में
- लागू
- का आह्वान
- मुद्दा
- मुद्दों
- IT
- यात्रा
- काम
- में शामिल होने
- जेपीजी
- ज्ञान
- झीलों
- भाषा
- बड़ा
- बड़ा
- जानें
- सीख रहा हूँ
- स्तर
- स्तर
- लाइसेंस
- पसंद
- सीमा
- लाइन
- एलएलएम
- स्थित
- मोहब्बत
- मशीन
- यंत्र अधिगम
- बनाना
- बनाता है
- प्रबंध
- प्रबंध
- बहुत
- गणितीय
- मई..
- me
- ध्यान
- मध्यम
- उल्लेख किया
- उल्लेख है
- message
- संदेश
- मेटाडाटा
- तरीका
- हो सकता है
- कम से कम
- एमआईटी
- कम करना
- ML
- आदर्श
- मॉडल
- MongoDB
- अधिक
- MS
- विभिन्न
- भीड़
- संगीत
- MySQL
- नाम
- नामों
- प्राकृतिक
- प्राकृतिक भाषा संसाधन
- आवश्यकता
- की जरूरत है
- नया
- अगला
- NLP
- गैर वाणिज्यिक
- नोटबुक
- अभी
- संख्या
- उद्देश्य
- of
- अक्सर
- on
- केवल
- खुला
- संचालन
- or
- आदेश
- मूल
- अन्य
- हमारी
- उत्पादन
- बाहर
- कुल
- पारित कर दिया
- आवेशपूर्ण
- पथ
- पैटर्न उपयोग करें
- स्टाफ़
- प्रदर्शन
- प्रदर्शन
- स्टाफ़
- पीएचडी
- प्लेटो
- प्लेटो डेटा इंटेलिजेंस
- प्लेटोडाटा
- कृप्या अ
- पद
- PostgreSQL
- प्रथाओं
- पूर्ववर्ती
- ठीक
- आवश्यक शर्तें
- वर्तमान
- प्रस्तुत
- प्रिंसिपल
- मुसीबत
- प्रक्रिया
- प्रक्रियाओं
- प्रसंस्करण
- संकेतों
- प्रदान करना
- बशर्ते
- प्रदान करता है
- प्रयोजनों
- अजगर
- प्रश्नों
- सवाल
- प्रश्न
- त्वरित
- जल्दी से
- उद्धरण
- खपरैल
- दर्ज़ा
- रेटिंग
- पढ़ना
- तैयार
- यथार्थवादी
- प्राप्त करना
- प्राप्त
- की सिफारिश
- उल्लेख
- क्षेत्र
- सम्बंधित
- प्रासंगिक
- रहना
- बाकी है
- प्रतिनिधित्व
- का अनुरोध
- अपेक्षित
- आवश्यकताएँ
- की आवश्यकता होती है
- अनुसंधान
- बसता था
- संकल्प
- संकल्प
- उपयुक्त संसाधन चुनें
- सम्मान
- प्रतिक्रिया
- परिणाम
- परिणाम
- बहाली
- वापसी
- सही
- उगना
- जोखिम
- जोखिम
- मजबूत
- आरओडब्ल्यू
- रन
- sagemaker
- कारण
- वही
- देखा
- परिदृश्य
- परिदृश्यों
- विज्ञान
- खोज
- दूसरा
- अनुभाग
- देखना
- चयन
- स्व
- सेलर्स
- भेजा
- serverless
- कार्य करता है
- सेवा
- सेवाएँ
- सेट
- चाहिए
- दिखाना
- दिखा
- दिखाया
- पक्ष
- महत्वपूर्ण
- सरल
- सादगी
- सरल
- एक
- टुकड़ा
- समाधान
- समाधान ढूंढे
- हल
- कुछ
- स्रोत
- सूत्रों का कहना है
- स्पार्क
- विशेषज्ञ
- विशेष रूप से
- ट्रेनिंग
- प्रारंभ
- शुरू
- राज्य
- कथन
- स्थिति
- कदम
- कदम
- फिर भी
- भंडारण
- की दुकान
- संग्रहित
- सरल
- सामरिक
- तार
- संरचित
- ऐसा
- समर्थित
- निश्चित
- वाक्यविन्यास
- SYS
- प्रणाली
- सिस्टम
- तालिका
- लेना
- लक्ष्य
- कार्य
- तकनीकी
- टेक्नोलॉजीज
- परीक्षण
- परीक्षण किया
- टेक्स्ट
- से
- कि
- RSI
- केंद्र
- लेकिन हाल ही
- उन
- फिर
- वहाँ।
- इसलिये
- इन
- तीसरा
- इसका
- उन
- तीन
- यहाँ
- बार
- शीर्षक
- खिताब
- सेवा मेरे
- आज
- परिवर्तन
- कोशिश
- दो
- टाइप
- प्रकार
- ui
- के अंतर्गत
- साथ इसमें
- समझ
- जब तक
- अपडेट
- अद्यतन
- us
- उपयोग
- प्रयुक्त
- उपयोगकर्ता
- उपयोगकर्ताओं
- का उपयोग करता है
- का उपयोग
- सत्यापित करें
- मूल्य
- विविधता
- विभिन्न
- परिवर्तनीय
- के माध्यम से
- विचारों
- जागना
- चलना
- मार्ग..
- we
- वेब
- वेब एप्लीकेशन
- वेब सेवाओं
- जहाँ तक
- कौन कौन से
- जब
- किसका
- मर्जी
- साथ में
- अंदर
- बिना
- काम
- वर्कफ़्लो
- लिखना
- लिख रहे हैं
- X
- योग
- आप
- आपका
- स्वयं
- जेफिरनेट