Pengantar
Di dunia yang serba cepat saat ini, layanan pelanggan merupakan aspek penting dalam bisnis apa pun. Bot Jawaban Zendesk, yang didukung oleh Model Bahasa Besar (LLM) seperti GPT-4, dapat meningkatkan efisiensi dan kualitas dukungan pelanggan secara signifikan dengan mengotomatiskan respons. Entri blog ini akan memandu Anda dalam membangun dan menerapkan Zendesk Auto Responder Anda sendiri menggunakan LLM dan menerapkan alur kerja berbasis RAG di GenAI untuk menyederhanakan prosesnya.
Apa alur kerja berbasis RAG di GenAI
Alur kerja berbasis RAG (Retrieval Augmented Generation) di GenAI (Generative AI) menggabungkan manfaat pengambilan dan pembuatan untuk meningkatkan kemampuan sistem AI, khususnya dalam menangani data spesifik domain di dunia nyata. Sederhananya, RAG memungkinkan AI untuk mengambil informasi relevan dari database atau sumber lain untuk mendukung pembuatan respons yang lebih akurat dan terinformasi. Hal ini sangat bermanfaat dalam lingkungan bisnis yang mengutamakan akurasi dan konteks.
Apa saja komponen dalam alur kerja berbasis RAG
- Dasar pengetahuan: Basis pengetahuan adalah gudang informasi terpusat yang menjadi acuan sistem ketika menjawab pertanyaan. Ini dapat mencakup FAQ, manual, dan dokumen relevan lainnya.
- Pemicu/Permintaan: Komponen ini bertanggung jawab untuk memulai alur kerja. Biasanya pertanyaan atau permintaan pelanggan memerlukan tanggapan atau tindakan.
- Tugas/Tindakan: Berdasarkan analisis pemicu/kueri, sistem melakukan tugas atau tindakan tertentu, seperti menghasilkan respons atau melakukan operasi backend.
Beberapa contoh alur kerja berbasis RAG
- Alur Kerja Interaksi Pelanggan di Perbankan:
- Chatbots yang didukung oleh GenAI dan RAG dapat meningkatkan tingkat keterlibatan secara signifikan di industri perbankan dengan mempersonalisasi interaksi.
- Melalui RAG, chatbots dapat mengambil dan memanfaatkan informasi relevan dari database untuk menghasilkan tanggapan yang dipersonalisasi terhadap pertanyaan pelanggan.
- Misalnya, selama sesi obrolan, sistem GenAI berbasis RAG dapat mengambil riwayat transaksi pelanggan atau informasi akun dari database untuk memberikan respons yang lebih terinformasi dan dipersonalisasi.
- Alur kerja ini tidak hanya meningkatkan kepuasan pelanggan namun juga berpotensi meningkatkan tingkat retensi dengan memberikan pengalaman interaksi yang lebih personal dan informatif.
- Alur Kerja Kampanye Email:
- Dalam pemasaran dan penjualan, membuat kampanye bertarget sangatlah penting.
- RAG dapat digunakan untuk mendapatkan informasi produk terbaru, umpan balik pelanggan, atau tren pasar dari sumber eksternal untuk membantu menghasilkan materi pemasaran/penjualan yang lebih terinformasi dan efektif.
- Misalnya, saat menyusun kampanye email, alur kerja berbasis RAG dapat mengambil ulasan positif terkini atau fitur produk baru untuk disertakan dalam konten kampanye, sehingga berpotensi meningkatkan tingkat keterlibatan dan hasil penjualan.
- Alur Kerja Dokumentasi dan Modifikasi Kode Otomatis:
- Awalnya, sistem RAG dapat mengambil dokumentasi kode, basis kode, dan standar pengkodean yang ada dari repositori proyek.
- Saat pengembang perlu menambahkan fitur baru, RAG dapat membuat cuplikan kode mengikuti standar pengkodean proyek dengan mereferensikan informasi yang diambil.
- Jika diperlukan modifikasi pada kode, sistem RAG dapat mengusulkan perubahan dengan menganalisis kode dan dokumentasi yang ada, memastikan konsistensi dan kepatuhan terhadap standar pengkodean.
- Setelah modifikasi atau penambahan kode, RAG dapat secara otomatis memperbarui dokumentasi kode untuk mencerminkan perubahan, mengambil informasi yang diperlukan dari basis kode dan dokumentasi yang ada.
Cara mengunduh dan mengindeks semua tiket Zendesk untuk diambil
Sekarang mari kita mulai dengan tutorialnya. Kami akan membuat bot untuk menjawab tiket Zendesk yang masuk sambil menggunakan database khusus tiket Zendesk sebelumnya dan tanggapannya untuk menghasilkan jawaban dengan bantuan LLM.
- Akses API Zendesk: Gunakan Zendesk API untuk mengakses dan mengunduh semua tiket. Pastikan Anda memiliki izin dan kunci API yang diperlukan untuk mengakses data.
Kami pertama kali membuat kunci API Zendesk kami. Pastikan Anda adalah pengguna Admin dan kunjungi tautan berikut untuk membuat kunci API Anda – https://YOUR_SUBDOMAIN.zendesk.com/admin/apps-integrations/apis/zendesk-api/settings/tokens
Buat kunci API dan salin ke clipboard Anda.
Sekarang mari kita mulai menggunakan notebook python.
Kami memasukkan kredensial Zendesk kami, termasuk kunci API yang baru saja kami peroleh.
subdomain = YOUR_SUBDOMAIN
username = ZENDESK_USERNAME
password = ZENDESK_API_KEY
username = '{}/token'.format(username)
Kami sekarang mengambil data tiket. Dalam kode di bawah ini, kami telah mengambil kueri dan balasan dari setiap tiket, dan menyimpan setiap set [kueri, larik balasan] yang mewakili tiket ke dalam larik yang disebut data tiket.
Kami hanya mengambil 1000 tiket terbaru. Anda dapat memodifikasinya sesuai kebutuhan.
import requests ticketdata = []
url = f"https://{subdomain}.zendesk.com/api/v2/tickets.json" params = {"sort_by": "created_at", "sort_order": "desc"} headers = {"Content-Type": "application/json"} tickettext = "" while len(ticketdata) <= 1000: response = requests.get( url, auth=(username, password), params=params, headers=headers ) tickets = response.json()["tickets"] for ticket in tickets: ticketid = ticket["id"] url = f"https://{subdomain}.zendesk.com/api/v2/tickets/{ticketid}/comments.json" headers = { "Content-Type": "application/json", } response2 = requests.get(url, auth=(username, password), headers=headers) try: comments = response2.json()["comments"] except: comments = ["", ""] ticketelement = [ticketid, comments] ticketdata.append(ticketelement) if response.json()["next_page"]: url = response.json()["next_page"] else: break
Seperti yang Anda lihat di bawah, kami telah mengambil data tiket dari Zendesk db. Setiap elemen di data tiket mengandung -
A. ID tiket
B. Semua komentar/balasan di tiket.
Kami kemudian melanjutkan untuk membuat string berbasis teks yang memiliki pertanyaan dan tanggapan pertama dari semua tiket yang diambil, menggunakan data tiket Himpunan.
for ticket in ticketdata: try: text = ( "nnn" + "Question - " + ticket[1][0]["body"] + "n" + "Answer - " + ticket[1][1]["body"] ) tickettext = tickettext + text except: pass
Grafik teks tiket string sekarang berisi semua tiket dan tanggapan pertama, dengan setiap data tiket dipisahkan oleh karakter baris baru.
Pilihan : Anda juga dapat mengambil data dari artikel Dukungan Zendesk untuk memperluas basis pengetahuan lebih lanjut, dengan menjalankan kode di bawah ini.
import re def remove_tags(text): clean = re.compile("<.*?>") return re.sub(clean, "", text) articletext = ""
try: articledata = [] url = f"https://{subdomain}.zendesk.com/api/v2/help_center/en-us/articles.json" headers = {"Content-Type": "application/json"} while True: response = requests.get(url, auth=(username, password), headers=headers) articles = response.json()["articles"] for article in articles: articledata.append([article["title"], article["html_url"], article["body"]]) if response.json()["next_page"]: url = response.json()["next_page"] else: break for article in articledata: text = ( "nnn" + "Support Page Title - " + article[0] + "n" + "Support Page Link - " + article[1] + "n" + "Support Page Body - " + article[2] ) articletext = articletext + remove_tags(text)
except: pass
Tali teks artikel berisi judul, tautan, dan isi setiap bagian artikel di halaman dukungan Zendesk Anda.
Opsional : Anda dapat menghubungkan database pelanggan Anda atau database relevan lainnya, lalu menggunakannya saat membuat penyimpanan indeks.
Gabungkan data yang diambil.
knowledge = tickettext + "nnn" + articletext
- Tiket Indeks: Setelah diunduh, indekskan tiket menggunakan metode pengindeksan yang sesuai untuk memfasilitasi pengambilan yang cepat dan efisien.
Untuk melakukan ini, pertama-tama kita menginstal dependensi yang diperlukan untuk membuat penyimpanan vektor.
pip install langchain openai pypdf faiss-cpu
Buat penyimpanan indeks menggunakan data yang diambil. Ini akan bertindak sebagai basis pengetahuan kami ketika kami mencoba menjawab tiket baru melalui GPT.
os.environ["OPENAI_API_KEY"] = "YOUR_OPENAI_API_KEY" from langchain.document_loaders import PyPDFLoader
from langchain.vectorstores import FAISS
from langchain.chat_models import ChatOpenAI
from langchain.embeddings.openai import OpenAIEmbeddings
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain.chains import RetrievalQA, ConversationalRetrievalChain
from transformers import GPT2TokenizerFast
import os
import pandas as pd
import numpy as np tokenizer = GPT2TokenizerFast.from_pretrained("gpt2") def count_tokens(text: str) -> int: return len(tokenizer.encode(text)) text_splitter = RecursiveCharacterTextSplitter( chunk_size=512, chunk_overlap=24, length_function=count_tokens,
) chunks = text_splitter.create_documents([knowledge]) token_counts = [count_tokens(chunk.page_content) for chunk in chunks]
df = pd.DataFrame({"Token Count": token_counts})
embeddings = OpenAIEmbeddings()
db = FAISS.from_documents(chunks, embeddings)
path = "zendesk-index"
db.save_local(path)
Indeks Anda disimpan di sistem lokal Anda.
- Perbarui Indeks Secara Teratur: Perbarui indeks secara berkala untuk memasukkan tiket baru dan modifikasi pada tiket yang sudah ada, memastikan sistem memiliki akses ke data terkini.
Kami dapat menjadwalkan skrip di atas untuk dijalankan setiap minggu, dan memperbarui 'indeks-zendesk' kami atau frekuensi lain yang diinginkan.
Cara melakukan pengambilan ketika tiket baru masuk
- Pantau Tiket Baru: Siapkan sistem untuk memantau Zendesk untuk tiket baru secara terus menerus.
Kami akan membuat API Flask dasar dan menyimpannya. Untuk memulai,
- Buat folder baru bernama 'Zendesk Answer Bot'.
- Tambahkan folder FAISS db Anda 'zendesk-index' ke folder 'Zendesk Answer Bot'.
- Buat file python baru zendesk.py dan salin kode di bawah ini ke dalamnya.
from flask import Flask, request, jsonify app = Flask(__name__) @app.route('/zendesk', methods=['POST'])
def zendesk(): return 'dummy response' if __name__ == '__main__': app.run(port=3001, debug=True)
- Jalankan kode python.
- Unduh dan konfigurasikan ngrok menggunakan instruksi di sini. Pastikan untuk mengkonfigurasi ngrok authtoken di terminal Anda seperti yang diarahkan pada tautan.
- Buka instance terminal baru dan jalankan perintah di bawah ini.
ngrok http 3001
- Kami sekarang memiliki Layanan Flask yang terekspos melalui IP eksternal yang dapat digunakan untuk melakukan panggilan API ke layanan kami dari mana saja.
- Kami kemudian menyiapkan Webhook Zendesk, dengan mengunjungi tautan berikut – https://YOUR_SUBDOMAIN.zendesk.com/admin/apps-integrations/webhooks/webhooks ATAU langsung menjalankan kode di bawah ini di notebook Jupyter asli kami.
CATATAN : Penting untuk dicatat bahwa meskipun penggunaan ngrok baik untuk tujuan pengujian, sangat disarankan untuk mengalihkan layanan Flask API ke instance server. Dalam hal ini, IP statis server menjadi titik akhir Zendesk Webhook dan Anda perlu mengonfigurasi titik akhir di Zendesk Webhook Anda agar mengarah ke alamat ini – https://YOUR_SERVER_STATIC_IP:3001/zendesk
zendesk_workflow_endpoint = "HTTPS_NGROK_FORWARDING_ADDRESS" url = "https://" + subdomain + ".zendesk.com/api/v2/webhooks"
payload = { "webhook": { "endpoint": zendesk_workflow_endpoint, "http_method": "POST", "name": "Nanonets Workflows Webhook v1", "status": "active", "request_format": "json", "subscriptions": ["conditional_ticket_events"], }
}
headers = {"Content-Type": "application/json"} auth = (username, password) response = requests.post(url, json=payload, headers=headers, auth=auth)
webhook = response.json() webhookid = webhook["webhook"]["id"]
- Kami sekarang menyiapkan Pemicu Zendesk, yang akan memicu webhook di atas yang baru saja kami buat untuk dijalankan setiap kali tiket baru muncul. Kita dapat mengatur pemicu Zendesk dengan mengunjungi tautan berikut – https://YOUR_SUBDOMAIN.zendesk.com/admin/objects-rules/rules/triggers ATAU dengan langsung menjalankan kode di bawah ini di notebook Jupyter asli kita.
url = "https://" + subdomain + ".zendesk.com/api/v2/triggers.json" trigger_payload = { "trigger": { "title": "Nanonets Workflows Trigger v1", "active": True, "conditions": {"all": [{"field": "update_type", "value": "Create"}]}, "actions": [ { "field": "notification_webhook", "value": [ webhookid, json.dumps( { "ticket_id": "{{ticket.id}}", "org_id": "{{ticket.url}}", "subject": "{{ticket.title}}", "body": "{{ticket.description}}", } ), ], } ], }
} response = requests.post(url, auth=(username, password), json=trigger_payload)
trigger = response.json()
- Ambil Informasi yang Relevan: Saat tiket baru masuk, gunakan basis pengetahuan yang diindeks untuk mengambil informasi relevan dan tiket lama yang dapat membantu menghasilkan respons.
Setelah pemicu dan webhook disiapkan, Zendesk akan memastikan bahwa layanan Flask yang sedang berjalan akan mendapatkan panggilan API di rute /zendesk dengan ID tiket, subjek, dan isi setiap kali tiket baru tiba.
Kami sekarang harus mengkonfigurasi Layanan Flask kami
A. menghasilkan respons menggunakan penyimpanan vektor kami 'zendesk-index'.
B. perbarui tiket dengan respons yang dihasilkan.
Kami mengganti kode layanan flask kami saat ini di zendesk.py dengan kode di bawah ini –
from flask import Flask, request, jsonify
from langchain.document_loaders import PyPDFLoader
from langchain.vectorstores import FAISS
from langchain.chat_models import ChatOpenAI
from langchain.embeddings.openai import OpenAIEmbeddings
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain.chains import RetrievalQA, ConversationalRetrievalChain
from transformers import GPT2TokenizerFast
import os
import pandas as pd
import numpy as np app = Flask(__name__) @app.route('/zendesk', methods=['POST'])
def zendesk(): updatedticketjson = request.get_json() zenembeddings = OpenAIEmbeddings() query = updatedticketjson['body'] zendb = FAISS.load_local('zendesk-index', zenembeddings) docs = zendb.similarity_search(query) if __name__ == '__main__': app.run(port=3001, debug=True)
Seperti yang Anda lihat, kami telah menjalankan pencarian kesamaan pada indeks vektor kami dan mengambil tiket dan artikel yang paling relevan untuk membantu menghasilkan respons.
Cara menghasilkan respons dan memposting ke Zendesk
- Hasilkan Respon: Memanfaatkan LLM untuk menghasilkan respons yang koheren dan akurat berdasarkan informasi yang diambil dan konteks yang dianalisis.
Sekarang mari kita lanjutkan menyiapkan titik akhir API kita. Kami selanjutnya memodifikasi kode seperti yang ditunjukkan di bawah ini untuk menghasilkan respons berdasarkan informasi relevan yang diambil.
@app.route("/zendesk", methods=["POST"])
def zendesk(): updatedticketjson = request.get_json() zenembeddings = OpenAIEmbeddings() query = updatedticketjson["body"] zendb = FAISS.load_local("zendesk-index", zenembeddings) docs = zendb.similarity_search(query) zenchain = load_qa_chain(OpenAI(temperature=0.7), chain_type="stuff") answer = zenchain.run(input_documents=docs, question=query)
Grafik menjawab variabel akan berisi respons yang dihasilkan.
- Tanggapan Tinjauan: Opsional, mintalah agen manusia meninjau respons yang dihasilkan untuk mengetahui keakuratan dan kesesuaiannya sebelum diposting.
Cara kami memastikan hal ini adalah dengan TIDAK memposting respons yang dihasilkan oleh GPT secara langsung sebagai balasan Zendesk. Sebagai gantinya, kami akan membuat fungsi untuk memperbarui tiket baru dengan catatan internal yang berisi respons yang dihasilkan GPT.
Tambahkan fungsi berikut ke layanan labu zendesk.py –
def update_ticket_with_internal_note( subdomain, ticket_id, username, password, comment_body
): url = f"https://{subdomain}.zendesk.com/api/v2/tickets/{ticket_id}.json" email = username headers = {"Content-Type": "application/json"} comment_body = "Suggested Response - " + comment_body data = {"ticket": {"comment": {"body": comment_body, "public": False}}} response = requests.put(url, json=data, headers=headers, auth=(email, password))
- Posting ke Zendesk: Gunakan API Zendesk untuk memposting respons yang dihasilkan ke tiket terkait, memastikan komunikasi tepat waktu dengan pelanggan.
Sekarang mari kita gabungkan fungsi pembuatan catatan internal ke dalam titik akhir API kita.
@app.route("/zendesk", methods=["POST"])
def zendesk(): updatedticketjson = request.get_json() zenembeddings = OpenAIEmbeddings() query = updatedticketjson["body"] zendb = FAISS.load_local("zendesk-index", zenembeddings) docs = zendb.similarity_search(query) zenchain = load_qa_chain(OpenAI(temperature=0.7), chain_type="stuff") answer = zenchain.run(input_documents=docs, question=query) update_ticket_with_internal_note(subdomain, ticket, username, password, answer) return answer
Ini melengkapi alur kerja kami!
Mari kita merevisi alur kerja yang telah kita siapkan –
- Pemicu Zendesk kami memulai alur kerja ketika tiket Zendesk baru muncul.
- Pemicunya mengirimkan data tiket baru ke Webhook kami.
- Webhook kami mengirimkan permintaan ke Layanan Flask kami.
- Layanan Flask kami menanyakan penyimpanan vektor yang dibuat menggunakan data Zendesk sebelumnya untuk mengambil tiket dan artikel lama yang relevan guna menjawab tiket baru.
- Tiket dan artikel lama yang relevan diteruskan ke GPT bersama dengan data tiket baru untuk menghasilkan respons.
- Tiket baru diperbarui dengan catatan internal yang berisi respons yang dihasilkan GPT.
Kami dapat mengujinya secara manual –
- Kami membuat tiket di Zendesk secara manual untuk menguji alurnya.
- Dalam hitungan detik, bot kami memberikan jawaban yang relevan terhadap permintaan tiket!
Bagaimana melakukan seluruh alur kerja ini dengan Nanonets
Nanonets menawarkan platform yang kuat untuk mengimplementasikan dan mengelola alur kerja berbasis RAG dengan lancar. Inilah cara Anda memanfaatkan Nanonets untuk alur kerja ini:
- Integrasikan dengan Zendesk: Hubungkan Nanonets dengan Zendesk untuk memantau dan mengambil tiket secara efisien.
- Membangun dan Melatih Model: Gunakan Nanonets untuk membangun dan melatih LLM guna menghasilkan respons yang akurat dan koheren berdasarkan basis pengetahuan dan konteks yang dianalisis.
- Respons Otomatis: Siapkan aturan otomatisasi di Nanonets untuk secara otomatis memposting respons yang dihasilkan ke Zendesk atau meneruskannya ke agen manusia untuk ditinjau.
- Pantau dan Optimalkan: Terus pantau kinerja alur kerja dan optimalkan model dan aturan untuk meningkatkan akurasi dan efisiensi.
Dengan mengintegrasikan LLM dengan alur kerja berbasis RAG di GenAI dan memanfaatkan kemampuan Nanonets, bisnis dapat meningkatkan operasi dukungan pelanggan mereka secara signifikan, memberikan respons yang cepat dan akurat terhadap pertanyaan pelanggan di Zendesk.
- Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
- PlatoData.Jaringan Vertikal Generatif Ai. Berdayakan Diri Anda. Akses Di Sini.
- PlatoAiStream. Intelijen Web3. Pengetahuan Diperkuat. Akses Di Sini.
- PlatoESG. Karbon, teknologi bersih, energi, Lingkungan Hidup, Tenaga surya, Penanganan limbah. Akses Di Sini.
- PlatoHealth. Kecerdasan Uji Coba Biotek dan Klinis. Akses Di Sini.
- Sumber: https://nanonets.com/blog/build-your-own-zendesk-answer-bot-with-llms/
- :memiliki
- :adalah
- :bukan
- :Di mana
- $NAIK
- 06
- 08
- 1
- 2000
- 28
- 32
- 40
- 7
- a
- atas
- mengakses
- Akun
- ketepatan
- tepat
- Bertindak
- Tindakan
- tindakan
- aktif
- menambahkan
- tambahan
- alamat
- ketaatan
- admin
- Agen
- agen
- AI
- Semua
- sepanjang
- juga
- an
- analisis
- dianalisis
- menganalisis
- dan
- menjawab
- Apa pun
- di manapun
- api
- KUNCI API
- aplikasi
- muncul
- ADALAH
- susunan
- Tiba
- artikel
- artikel
- AS
- penampilan
- At
- usaha
- ditambah
- Auth
- mobil
- secara otomatis
- mengotomatisasi
- Otomatisasi
- Backend
- Perbankan
- industri perbankan
- mendasarkan
- berdasarkan
- dasar
- BE
- menjadi
- menjadi
- sebelum
- di bawah
- bermanfaat
- Manfaat
- Blog
- tubuh
- Bot
- Istirahat
- membangun
- Bangunan
- bisnis
- bisnis
- tapi
- by
- panggilan
- bernama
- Panggilan
- Kampanye
- Kampanye
- CAN
- kemampuan
- kasus
- terpusat
- rantai
- Perubahan
- karakter
- ChatBot
- chatbots
- kode
- Basis kode
- Pengkodean
- KOHEREN
- COM
- menggabungkan
- datang
- komentar
- komentar
- Komunikasi
- Selesaikan
- komponen
- komponen
- Kondisi
- Terhubung
- mengandung
- mengandung
- Konten
- konteks
- terus
- terus menerus
- Sesuai
- bisa
- membuat
- dibuat
- membuat
- penciptaan
- Surat kepercayaan
- kritis
- sangat penting
- terbaru
- Sekarang
- adat
- pelanggan
- Kepuasan pelanggan
- Layanan Pelanggan
- Customer Support
- data
- Basis Data
- ketergantungan
- penggelaran
- diinginkan
- Pengembang
- diarahkan
- langsung
- do
- dokumentasi
- dokumen
- Download
- selama
- setiap
- Efektif
- efisiensi
- efisien
- efisien
- antara
- elemen
- lain
- tertanam
- dipekerjakan
- memungkinkan
- Titik akhir
- interaksi
- mempertinggi
- Meningkatkan
- memastikan
- memastikan
- Seluruh
- Setiap
- contoh
- contoh
- Kecuali
- ada
- Lihat lebih lanjut
- terkena
- luar
- memudahkan
- palsu
- serba cepat
- Fitur
- Fitur
- umpan balik
- Sudah diambil
- bidang
- File
- Pertama
- aliran
- berikut
- Untuk
- Depan
- Frekuensi
- dari
- fungsi
- lebih lanjut
- menghasilkan
- dihasilkan
- menghasilkan
- generasi
- generatif
- AI generatif
- mendapatkan
- gif
- baik
- membimbing
- Penanganan
- Memiliki
- memiliki
- header
- membantu
- sejarah
- tuan rumah
- Seterpercayaapakah Olymp Trade? Kesimpulan
- http
- HTTPS
- manusia
- ID
- if
- melaksanakan
- mengimplementasikan
- mengimpor
- penting
- memperbaiki
- meningkatkan
- in
- memasukkan
- Termasuk
- masuk
- menggabungkan
- Meningkatkan
- indeks
- diindeks
- industri
- informasi
- informatif
- informasi
- memasukkan
- Pertanyaan
- install
- contoh
- sebagai gantinya
- instruksi
- Mengintegrasikan
- interaksi
- interaksi
- intern
- ke
- Pengantar
- IP
- IT
- json
- hanya
- kunci
- kunci-kunci
- pengetahuan
- bahasa
- besar
- Terbaru
- Leverage
- leveraging
- 'like'
- LINK
- LLM
- lokal
- membuat
- mengelola
- manual
- Pasar
- Trend pasar
- Marketing
- bahan
- metode
- model
- Modifikasi
- memodifikasi
- Memantau
- lebih
- paling
- pindah
- nama
- perlu
- Perlu
- dibutuhkan
- kebutuhan
- New
- produk baru
- buku catatan
- sekarang
- mati rasa
- diperoleh
- of
- Penawaran
- on
- sekali
- yang
- hanya
- OpenAI
- operasi
- Operasi
- Optimize
- or
- asli
- OS
- Lainnya
- kami
- lebih
- sendiri
- halaman
- halaman
- panda
- bagian
- khususnya
- Lulus
- Kata Sandi
- lalu
- path
- Melakukan
- prestasi
- melakukan
- melakukan
- Izin
- Personalized
- Platform
- plato
- Kecerdasan Data Plato
- Data Plato
- Titik
- positif
- Pos
- berpotensi
- didukung
- kuat
- proses
- Produk
- Informasi produk
- proyek
- memprojeksikan
- mengusulkan
- memberikan
- menyediakan
- menyediakan
- publik
- menarik
- tujuan
- Ular sanca
- kualitas
- query
- pertanyaan
- Cepat
- Penilaian
- Tarif
- RE
- dunia nyata
- baru
- direkomendasikan
- referensi
- mengacu
- mencerminkan
- secara teratur
- relevan
- menggantikan
- balasan
- gudang
- mewakili
- permintaan
- permintaan
- wajib
- tanggapan
- tanggapan
- tanggung jawab
- penyimpanan
- kembali
- ulasan
- Review
- merevisi
- Rute
- aturan
- Run
- berjalan
- s
- penjualan
- kepuasan
- disimpan
- menjadwalkan
- naskah
- mulus
- Pencarian
- detik
- melihat
- mengirimkan
- Server
- layanan
- Sidang
- set
- pengaturan
- pengaturan
- bergeser
- ditunjukkan
- signifikan
- Sederhana
- potongan
- sumber
- tertentu
- standar
- mulai
- dimulai
- Status
- menyimpan
- menyimpan
- mempersingkat
- Tali
- sangat
- subyek
- langganan
- seperti itu
- cocok
- mendukung
- yakin
- SWIFT
- sistem
- ditargetkan
- tugas
- terminal
- istilah
- uji
- pengujian
- teks
- bahwa
- Grafik
- mereka
- Mereka
- kemudian
- ini
- Melalui
- Demikian
- tiket
- tiket
- tepat waktu
- Judul
- untuk
- hari ini
- token
- terhadap
- Pelatihan VE
- .
- transformer
- Tren
- memicu
- benar
- mencoba
- tutorial
- Memperbarui
- diperbarui
- URL
- us
- menggunakan
- Pengguna
- menggunakan
- biasanya
- Penggunaan
- v1
- nilai
- melalui
- Vimeo
- Mengunjungi
- Cara..
- we
- minggu
- ketika
- kapan saja
- yang
- sementara
- akan
- dengan
- alur kerja
- Alur kerja
- dunia
- Kamu
- Anda
- Zendesk
- zephyrnet.dll