AmazonKendra adalah layanan pencarian cerdas yang didukung oleh pembelajaran mesin (ML). Itu mengindeks dokumen yang disimpan dalam berbagai repositori dan menemukan dokumen yang paling relevan berdasarkan kata kunci atau pertanyaan bahasa alami yang dicari pengguna. Dalam beberapa skenario, Anda memerlukan hasil pencarian untuk difilter berdasarkan konteks pengguna yang melakukan pencarian. Penyempurnaan tambahan diperlukan untuk menemukan dokumen khusus untuk pengguna atau grup pengguna tersebut sebagai hasil pencarian teratas.
Dalam postingan blog ini, kami fokus untuk mengambil hasil pencarian khusus yang berlaku untuk pengguna atau grup pengguna tertentu. Misalnya, fakultas di lembaga pendidikan milik departemen yang berbeda, dan jika seorang profesor milik departemen ilmu komputer masuk ke aplikasi dan mencari dengan kata kunci "mata kuliah fakultas,โ kemudian dokumen yang relevan dengan departemen yang sama muncul sebagai hasil teratas, berdasarkan ketersediaan sumber data.
Ikhtisar solusi
Untuk mengatasi masalah ini, Anda dapat mengidentifikasi satu atau beberapa informasi metadata unik yang terkait dengan dokumen yang sedang diindeks dan dicari. Saat pengguna masuk ke sebuah AmazonLex chatbot, informasi konteks pengguna dapat diperoleh dari Amazon Kognito. Chatbot Amazon Lex dapat diintegrasikan ke dalam Amazon Kendra menggunakan integrasi langsung atau melalui AWS Lambda fungsi. Penggunaan fungsi AWS Lambda akan memberi Anda kendali yang sangat baik atas panggilan API Amazon Kendra. Ini akan memungkinkan Anda meneruskan informasi kontekstual dari chatbot Amazon Lex ke Amazon Kendra untuk menyempurnakan kueri penelusuran.
Di Amazon Kendra, Anda memberikan atribut metadata dokumen menggunakan atribut khusus. Untuk menyesuaikan metadata dokumen selama proses penyerapan, lihat Panduan Pengembang Amazon Kendra. Setelah menyelesaikan langkah-langkah pembuatan dan pengindeksan metadata dokumen, Anda harus fokus pada penyempurnaan hasil pencarian menggunakan atribut metadata. Berdasarkan hal ini, misalnya, Anda dapat memastikan bahwa pengguna dari departemen ilmu komputer akan mendapatkan peringkat hasil pencarian menurut relevansinya dengan departemen tersebut. Artinya, jika ada dokumen yang relevan dengan departemen tersebut, dokumen tersebut harus berada di bagian atas daftar hasil pencarian sebelum dokumen lain tanpa informasi departemen atau departemen yang tidak cocok.
Sekarang mari kita telusuri cara membangun solusi ini secara lebih mendetail.
Panduan solusi
Contoh arsitektur yang digunakan di blog ini untuk mendemonstrasikan kasus penggunaan ditunjukkan pada Gambar 1. Anda akan menyiapkan indeks dokumen Amazon Kendra yang menggunakan data dari Layanan Penyimpanan Sederhana Amazon (Amazon S3) ember. Anda akan menyiapkan chatbot sederhana menggunakan Amazon Lex yang akan terhubung ke indeks Amazon Kendra melalui fungsi AWS Lambda. Pengguna akan mengandalkan Amazon Cognito untuk mengautentikasi dan mendapatkan akses ke antarmuka pengguna chatbot Amazon Lex. Untuk tujuan demo, Anda akan memiliki dua pengguna berbeda di Amazon Cognito yang tergabung dalam dua departemen berbeda. Dengan menggunakan pengaturan ini, saat Anda masuk menggunakan Pengguna 1 di Departemen A, hasil pencarian akan disaring dokumen milik Departemen A dan sebaliknya untuk pengguna Departemen B.
Prasyarat
Sebelum Anda dapat mencoba mengintegrasikan chatbot Amazon Lex dengan indeks Amazon Kendra, Anda perlu menyiapkan blok penyusun dasar untuk solusinya. Pada level tinggi, Anda perlu melakukan langkah-langkah berikut untuk mengaktifkan demo ini:
- Siapkan sumber data bucket S3 dengan dokumen dan struktur folder yang sesuai. Untuk instruksi pembuatan bucket S3, silakan merujuk ke Dokumentasi AWS โ Membuat bucket. Simpan metadata dokumen yang diperlukan beserta dokumen secara statis di bucket S3. Untuk memahami cara menyimpan metadata dokumen untuk dokumen Anda di bucket S3, lihat Dokumentasi AWS โ Metadata dokumen Amazon S3. Contoh file metadata dapat terlihat seperti di bawah ini:
- Siapkan indeks Amazon Kendra dengan mengikuti Dokumentasi AWS โ Membuat indeks.
- Tambahkan bucket S3 sebagai sumber data ke indeks Anda dengan mengikuti Dokumentasi AWS โ Menggunakan sumber data Amazon S3. Pastikan bahwa Amazon Kendra mengetahui informasi metadata dan memungkinkan informasi departemen disisipkan.
- Anda perlu memastikan bahwa atribut khusus dalam indeks Amazon Kendra sudah diatur facetable, dapat dicari, dan dapat ditampilkan. Anda dapat melakukannya di konsol Amazon Kendra, dengan membuka Manajemen data dan memilih Definisi segi. Untuk melakukan ini menggunakan antarmuka baris perintah AWS (AWS CLI), Anda dapat memanfaatkan indeks pembaruan kendra perintah.
- Siapkan kumpulan pengguna Amazon Cognito dengan dua pengguna. Kaitkan atribut khusus dengan pengguna untuk menangkap nilai departemen mereka.
- Buat chatbot Amazon Lex v2 sederhana dengan maksud, slot, dan ucapan yang diperlukan untuk mendorong kasus penggunaan. Di blog ini, kami tidak akan memberikan panduan mendetail tentang menyiapkan bot dasar karena fokus blog adalah untuk memahami cara mengirim informasi konteks pengguna dari ujung depan ke indeks Amazon Kendra. Untuk detail tentang cara membuat bot Amazon Lex sederhana, lihat Membuat dokumentasi bot. Untuk sisa blog, diasumsikan bahwa chatbot Amazon Lex memiliki hal berikut:
- Niat โ Cari Kursus
- Ucapan โ โKursus apa yang tersedia di {subject_types}?โ
- Slot โ elektif_year (dapat memiliki nilai โ elektif, nonelektif)
- Anda perlu membuat antarmuka chatbot yang akan digunakan pengguna untuk mengautentikasi dan berinteraksi dengan chatbot. Anda dapat menggunakan Contoh Antarmuka Web Amazon Lex (lex-web-ui) disediakan oleh AWS untuk memulai. Ini akan menyederhanakan proses pengujian integrasi karena sudah mengintegrasikan Amazon Cognito untuk autentikasi pengguna dan meneruskan informasi kontekstual yang diperlukan dan token identitas JWT Amazon Cognito ke backend Amazon Lex chatbot.
Setelah blok penyusun dasar terpasang, langkah Anda selanjutnya adalah membuat fungsi AWS Lambda yang akan menyatukan pemenuhan niat chatbot Amazon Lex dengan indeks Amazon Kendra. Bagian selanjutnya dari blog ini akan secara khusus berfokus pada langkah ini dan memberikan perincian tentang cara mencapai integrasi ini.
Mengintegrasikan Amazon Lex dengan Amazon Kendra untuk menyampaikan konteks pengguna
Sekarang prasyarat sudah ada, Anda dapat mulai bekerja untuk mengintegrasikan chatbot Amazon Lex Anda dengan indeks Amazon Kendra. Sebagai bagian dari integrasi, Anda harus melakukan tugas-tugas berikut:
- Tulis fungsi AWS Lambda yang akan dilampirkan ke chatbot Amazon Lex Anda. Dalam fungsi Lambda ini, Anda akan mengurai kejadian masukan yang masuk untuk mengekstrak informasi pengguna, seperti ID pengguna dan atribut tambahan untuk pengguna dari token identitas Amazon Cognito yang diteruskan sebagai bagian dari atribut sesi di objek kejadian.
- Setelah semua informasi untuk membentuk kueri Amazon Kendra tersedia, Anda mengirimkan kueri ke indeks Amazon Kendra, termasuk semua atribut khusus yang ingin Anda gunakan untuk membatasi tampilan hasil pencarian.
- Terakhir, setelah kueri Amazon Kendra mengembalikan hasilnya, Anda membuat objek respons Amazon Lex yang tepat untuk mengirim kembali respons hasil pencarian ke pengguna.
- Kaitkan fungsi AWS Lambda dengan chatbot Amazon Lex sehingga setiap kali chatbot menerima kueri dari pengguna, fungsi AWS Lambda akan dipicu.
Mari kita lihat langkah-langkah ini lebih detail di bawah ini.
Mengekstrak konteks pengguna dalam fungsi AWS Lambda
Hal pertama yang perlu Anda lakukan adalah membuat kode dan menyiapkan fungsi Lambda yang dapat bertindak sebagai jembatan antara maksud chatbot Amazon Lex dan indeks Amazon Kendra. Itu format acara masukan dokumentasi menyediakan input lengkap struktur event input Javascript Object Notation (JSON). Jika sistem autentikasi memberikan ID pengguna sebagai permintaan HTTP POST ke Amazon Lex, maka nilainya akan tersedia di โuserIdโ
kunci objek JSON. Saat autentikasi dilakukan menggunakan Amazon Cognito, โsessionStateโ.โsessionAttributesโ.โidtokenjwtโ
kunci akan berisi objek token JSON Web Token (JWT). Jika Anda memprogram fungsi AWS Lambda dengan Python, dua baris kode untuk membaca atribut dari objek kejadian adalah sebagai berikut:
Token JWT dikodekan. Setelah mendekodekan token JWT, Anda akan dapat membaca nilai atribut khusus yang terkait dengan pengguna Amazon Cognito. Mengacu pada Bagaimana saya bisa mendekode dan memverifikasi tanda tangan Token Web Amazon Cognito JSON untuk memahami cara mendekode token JWT, memverifikasinya, dan mengambil nilai khusus. Setelah Anda memiliki klaim dari token, Anda dapat mengekstrak atribut khusus, seperti โdepartmentโ
dengan Python, sebagai berikut:
Saat menggunakan penyedia identitas pihak ketiga (IDP) untuk mengautentikasi chatbot, Anda perlu memastikan bahwa IDP mengirimkan token dengan atribut yang diperlukan. Token harus menyertakan data yang diperlukan untuk atribut khusus, seperti departemen, keanggotaan grup, dll. Ini akan diteruskan ke chatbot Amazon Lex dalam variabel konteks sesi. Jika Anda menggunakan lex-web-ui sebagai antarmuka chatbot, lihat bagian manajemen kredensial dari readme lex-web-ui dokumentasi untuk memahami bagaimana Amazon Cognito terintegrasi dengan lex-web-ui. Untuk memahami bagaimana Anda dapat mengintegrasikan penyedia identitas pihak ketiga dengan kumpulan identitas Amazon Cognito, lihat dokumentasi di Kumpulan identitas (identitas federasi) penyedia identitas eksternal.
Untuk topik kueri dari pengguna, Anda dapat mengekstrak dari objek peristiwa dengan membaca nilai slot yang diidentifikasi oleh Amazon Lex. Nilai sebenarnya dari slot dapat dibaca dari atribut dengan kuncinya โsessionStateโ.โintentโ.โslotsโ.โslot nameโ.โvalueโ.โinterpretedValueโ
berdasarkan tipe data yang teridentifikasi. Dalam contoh di blog ini, dengan menggunakan Python, Anda dapat menggunakan baris kode berikut untuk membaca nilai kueri:
Seperti dijelaskan dalam dokumentasi untuk format acara masukan, nilai slot adalah objek yang dapat memiliki beberapa entri dari tipe data yang berbeda. Tipe data untuk setiap nilai yang diberikan akan ditunjukkan oleh โ'sessionStateโ.โintentโ.โslotsโ.โslot nameโ.โshapeโ
. Jika atributnya kosong atau hilang, maka tipe datanya adalah string. Dalam contoh di blog ini, dengan menggunakan Python, Anda dapat menggunakan baris kode berikut untuk membaca nilai kueri:
Setelah Anda mengetahui format data untuk slot tersebut, Anda dapat menginterpretasikan nilai 'slotValue' berdasarkan tipe data yang teridentifikasi pada 'tipeslot'.
Meminta indeks Amazon Kendra dari AWS Lambda
Sekarang setelah Anda berhasil mengekstrak semua informasi yang relevan dari objek kejadian input, Anda perlu membuat kueri Amazon Kendra di dalam Lambda. Amazon Kendra memungkinkan Anda memfilter kueri melalui atribut tertentu. Saat Anda mengirimkan kueri ke Amazon Kendra menggunakan API kueri, Anda dapat memberikan atribut dokumen sebagai filter atribut sehingga hasil penelusuran pengguna Anda akan didasarkan pada nilai yang cocok dengan filter tersebut. Filter dapat digabungkan secara logis saat Anda perlu melakukan kueri pada hierarki atribut. Kueri yang difilter sampel akan terlihat seperti berikut:
Untuk memahami kueri pemfilteran di Amazon Kendra secara lebih detail, Anda dapat merujuk ke Dokumentasi AWS โ Memfilter kueri. Berdasarkan kueri di atas, hasil pencarian dari Amazon Kendra akan dicakup untuk menyertakan dokumen dengan atribut metadata "dokumen" cocok dengan nilai untuk filter yang disediakan. Dengan Python, ini akan terlihat sebagai berikut:
Seperti yang disorot sebelumnya, silakan merujuk ke API Permintaan Amazon Kendra dokumentasi untuk memahami berbagai atribut yang dapat diberikan ke dalam kueri, termasuk kondisi filter kompleks untuk memfilter pencarian pengguna.
Tangani respons Amazon Kendra di fungsi AWS Lambda
Setelah kueri berhasil dalam indeks Amazon Kendra, Anda akan menerima kembali objek JSON sebagai respons dari Query API. Struktur lengkap objek respons, termasuk semua detail atributnya, tercantum dalam API Permintaan Amazon Kendra dokumentasi. Anda dapat membaca โTotalNumberOfResultsโ
untuk memeriksa jumlah total hasil yang dikembalikan untuk kueri yang Anda kirimkan. Perhatikan bahwa SDK hanya akan memungkinkan Anda mengambil hingga maksimal 100 item. Hasil kueri dikembalikan dalam โResultItemsโ
atribut sebagai array dari โItem Hasil Kueriโ objek. Dari โQueryResultItemโ
, atribut minat langsung adalah โDocumentTitleโ
, โDocumentExcerptโ
, dan โDocumentURIโ
. Di Python, Anda dapat menggunakan kode di bawah ini untuk mengekstrak nilai-nilai ini dari yang pertama โResultItemsโ
dalam tanggapan Amazon Kendra:
Idealnya, Anda harus memeriksa nilai dari โTotalNumberOfResultsโ
dan ulangi melalui โResultItemsโ
array untuk mengambil semua hasil yang menarik. Anda kemudian perlu mengemasnya dengan benar ke dalam objek respons AWS Lambda yang valid untuk dikirim ke chatbot Amazon Lex. Struktur respons chatbot Amazon Lex v2 yang diharapkan didokumentasikan dalam Bagian format respons. Minimal, Anda perlu mengisi atribut berikut di objek respons sebelum mengembalikannya ke chatbot:
- objek sessionState โ Atribut wajib dalam objek ini adalah
โdialogActionโ
. Ini akan digunakan untuk menentukan status/tindakan apa yang harus ditransisikan oleh chatbot selanjutnya. Jika ini adalah akhir dari percakapan karena Anda telah mengambil semua hasil yang diperlukan dan siap untuk menyajikan, maka Anda akan menutupnya. Anda perlu menunjukkan intent mana dalam chatbot yang terkait dengan respons Anda dan apa status pemenuhan yang perlu ditransisikan oleh chatbot. Hal ini dapat dilakukan sebagai berikut:
- objek pesan โ Anda perlu mengirimkan kembali hasil pencarian Anda ke chatbot dengan mengisi objek pesan dalam respons berdasarkan nilai yang telah Anda ekstrak dari kueri Amazon Kendra. Anda dapat menggunakan kode berikut sebagai contoh untuk melakukannya:
Menghubungkan fungsi AWS Lambda dengan chatbot Amazon Lex
Pada titik ini, Anda memiliki fungsi AWS Lambda lengkap yang dapat mengekstrak konteks pengguna dari kejadian yang masuk, melakukan kueri yang difilter terhadap Amazon Kendra berdasarkan konteks pengguna, dan merespons kembali ke chatbot Amazon Lex. Langkah selanjutnya adalah mengonfigurasi chatbot Amazon Lex untuk menggunakan fungsi AWS Lambda ini sebagai bagian dari proses pemenuhan maksud. Anda dapat melakukannya dengan mengikuti langkah-langkah yang didokumentasikan di Melampirkan fungsi Lambda ke alias bot. Pada titik ini, Anda sekarang memiliki chatbot Amazon Lex yang berfungsi penuh yang terintegrasi dengan indeks Amazon Kendra yang dapat melakukan kueri kontekstual berdasarkan interaksi pengguna dengan chatbot.
Dalam contoh kami, kami memiliki 2 pengguna, Pengguna 1 dan Pengguna 2. Pengguna 1 dari departemen ilmu komputer dan Pengguna 2 dari departemen teknik sipil. Berdasarkan informasi kontekstual mereka yang terkait dengan departemen, Gambar 2 akan menggambarkan bagaimana percakapan yang sama dapat menghasilkan hasil yang berbeda dalam screenshot dua interaksi chatbot yang berdampingan:
Gambar 2: Perbandingan berdampingan dari beberapa sesi obrolan pengguna
Membersihkan
Jika Anda mengikuti contoh penyiapan, maka Anda harus membersihkan semua sumber daya yang Anda buat untuk menghindari biaya tambahan dalam jangka panjang. Untuk melakukan pembersihan sumber daya, Anda perlu:
- Hapus indeks Amazon Kendra dan sumber data Amazon S3 terkait
- Hapus bot obrolan Amazon Lex
- Kosongkan wadah S3
- Hapus keranjang S3
- Hapus fungsi Lambda dengan mengikuti Bagian pembersihan.
- Hapus sumber daya lex-web-ui dengan menghapus yang terkait Formasi AWS Cloud tumpukan
- Hapus sumber daya Amazon Cognito
Kesimpulan
Amazon Kendra adalah layanan pencarian perusahaan yang sangat akurat. Menggabungkan fitur pemrosesan bahasa alaminya dengan chatbot yang cerdas menciptakan solusi yang kuat untuk setiap kasus penggunaan yang membutuhkan keluaran khusus berdasarkan konteks pengguna. Di sini kami mempertimbangkan contoh kasus penggunaan organisasi dengan beberapa departemen, tetapi mekanisme ini dapat diterapkan ke kasus penggunaan lain yang relevan dengan sedikit perubahan.
Siap untuk memulai? Itu Grup Bisnis AWS Accenture (AABG) membantu pelanggan mempercepat laju inovasi digital mereka dan mewujudkan nilai bisnis tambahan dari adopsi dan transformasi cloud. Terhubung dengan tim kami di aksenureaws@amazon.com untuk mempelajari cara membangun solusi chatbot yang cerdas untuk pelanggan Anda.
tentang Penulis
Rohit Satyanarayana adalah Arsitek Solusi Mitra di AWS di Singapura dan merupakan bagian dari tim AWS GSI yang bekerja dengan Accenture secara global. Hobinya adalah membaca fantasi dan fiksi ilmiah, menonton film, dan mendengarkan musik.
Leo An adalah Arsitek Solusi Senior yang telah mendemonstrasikan kemampuan merancang dan menghadirkan solusi infrastruktur berperforma tinggi dan hemat biaya di cloud pribadi dan publik. Dia senang membantu pelanggan dalam menggunakan teknologi cloud untuk mengatasi tantangan bisnis mereka dan berspesialisasi dalam pembelajaran mesin dan berfokus untuk membantu pelanggan memanfaatkan AI/ML untuk hasil bisnis mereka.
Hemalatha Katari adalah Arsitek Solusi di Accenture. Dia adalah bagian dari tim pembuatan prototipe cepat dalam Accenture AWS Business Group (AABG). Dia membantu organisasi bermigrasi dan menjalankan bisnis mereka di cloud AWS. Dia menikmati menanam tanaman hias dalam ruangan dan suka berjalan-jalan di alam yang panjang.
Sruthi Mamidipalli adalah arsitek solusi AWS di Accenture, di mana dia membantu klien dengan penerapan arsitektur cloud native yang sukses. Di luar pekerjaan, dia suka berkebun, memasak, dan menghabiskan waktu bersama balita.
- Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
- Platoblockchain. Intelijen Metaverse Web3. Pengetahuan Diperkuat. Akses Di Sini.
- Sumber: https://aws.amazon.com/blogs/machine-learning/building-ai-chatbots-using-amazon-lex-and-amazon-kendra-for-filtering-query-results-based-on-user-context/
- 1
- 10
- 100
- 7
- 9
- a
- kemampuan
- Sanggup
- atas
- mempercepat
- Accenture
- mengakses
- menyelesaikan
- Menurut
- tepat
- Mencapai
- Bertindak
- Tambahan
- alamat
- Adopsi
- Setelah
- terhadap
- AI
- AI / ML
- Membantu
- Semua
- memungkinkan
- sudah
- Amazon
- Amazon Kognito
- AmazonKendra
- AmazonLex
- dan
- api
- Aplikasi
- terapan
- Mendaftar
- sesuai
- arsitektur
- susunan
- Menghubungkan
- terkait
- diasumsikan
- atribut
- mengotentikasi
- Otentikasi
- tersedianya
- tersedia
- AWS
- AWS Lambda
- kembali
- Backend
- berdasarkan
- dasar
- karena
- sebelum
- makhluk
- di bawah
- antara
- Blok
- Blog
- Bot
- bot
- JEMBATAN
- membangun
- Bangunan
- bisnis
- bisnis
- Panggilan
- menangkap
- kasus
- kasus
- Sertifikasi
- tantangan
- Perubahan
- beban
- ChatBot
- chatbots
- memeriksa
- memilih
- klaim
- klien
- Penyelesaian
- awan
- adopsi cloud
- kode
- COM
- bergabung
- menggabungkan
- bagaimana
- perbandingan
- lengkap
- menyelesaikan
- kompleks
- komputer
- Komputer Ilmu
- Kondisi
- Terhubung
- dianggap
- konsul
- membangun
- Konten
- konteks
- kontekstual
- kontrol
- Percakapan
- hemat biaya
- bisa
- Pelatihan
- membuat
- dibuat
- menciptakan
- membuat
- adat
- pelanggan
- menyesuaikan
- data
- menyampaikan
- mendemonstrasikan
- menunjukkan
- Departemen
- departemen
- Berasal
- dijelaskan
- Mendesain
- rinci
- terperinci
- rincian
- Pengembang
- berbeda
- digital
- inovasi digital
- langsung
- dokumen
- dokumentasi
- dokumen
- turun
- mendorong
- selama
- Terdahulu
- edukasi
- aktif
- Teknik
- memastikan
- Enterprise
- dll
- Acara
- contoh
- diharapkan
- menyelidiki
- luar
- ekstrak
- FANTASI
- Fitur
- Fiksi
- Angka
- File
- menyaring
- penyaringan
- filter
- Menemukan
- menemukan
- Pertama
- Fokus
- terfokus
- diikuti
- berikut
- berikut
- bentuk
- format
- dari
- depan
- Ujung depan
- penuh
- sepenuhnya
- fungsi
- berfungsi
- Mendapatkan
- menghasilkan
- generasi
- mendapatkan
- diberikan
- Secara global
- akan
- Kelompok
- Pertumbuhan
- membantu
- membantu
- di sini
- hirarki
- High
- kinerja tinggi
- Disorot
- sangat
- Seterpercayaapakah Olymp Trade? Kesimpulan
- How To
- HTML
- HTTPS
- ID
- diidentifikasi
- mengenali
- identitas
- identitas
- Segera
- in
- memasukkan
- Termasuk
- masuk
- indeks
- indeks
- menunjukkan
- Dalam
- informasi
- Infrastruktur
- Innovation
- memasukkan
- contoh
- Lembaga
- instruksi
- mengintegrasikan
- terpadu
- Terintegrasi
- Mengintegrasikan
- integrasi
- integrasi
- Cerdas
- maksud
- berinteraksi
- berinteraksi
- interaksi
- bunga
- Antarmuka
- IT
- item
- JavaScript
- Pekerjaan
- json
- Jwt
- kunci
- Tahu
- bahasa
- BELAJAR
- pengetahuan
- Lets
- Tingkat
- Leverage
- baris
- baris
- Daftar
- Daftar
- Listening
- Panjang
- melihat
- terlihat seperti
- mesin
- Mesin belajar
- Membuat
- berhasil
- pengelolaan
- wajib
- sesuai
- maksimum
- mekanisme
- keanggotaan
- pesan
- Metadata
- bermigrasi
- minimal
- minimum
- hilang
- ML
- lebih
- paling
- bioskop
- beberapa
- musik
- nama
- asli
- Alam
- Pengolahan Bahasa alami
- Alam
- Perlu
- membutuhkan
- kebutuhan
- berikutnya
- jumlah
- obyek
- objek
- ONE
- organisasi
- organisasi
- Lainnya
- di luar
- Perdamaian
- pak
- bagian
- pasangan
- Lulus
- melewati
- Melakukan
- Tempat
- tanaman
- plato
- Kecerdasan Data Plato
- Data Plato
- silahkan
- Titik
- kolam
- Kolam renang
- Pos
- didukung
- prasyarat
- menyajikan
- swasta
- Masalah
- proses
- pengolahan
- Profesor
- Pemrograman
- tepat
- tepat
- diusulkan
- prototyping
- memberikan
- disediakan
- pemberi
- penyedia
- menyediakan
- publik
- Awan publik
- tujuan
- Ular sanca
- Pertanyaan
- jarak
- peringkat
- cepat
- Baca
- Bacaan
- siap
- menyadari
- menerima
- menerima
- terkait
- relevansi
- relevan
- permintaan
- wajib
- Sumber
- Menanggapi
- tanggapan
- ISTIRAHAT
- mengakibatkan
- Hasil
- kembali
- Pengembalian
- kuat
- Run
- sama
- skenario
- Ilmu
- Fiksi Ilmiah
- cakupan
- SDK
- Pencarian
- Bagian
- senior
- layanan
- Sidang
- set
- pengaturan
- penyiapan
- Bentuknya
- harus
- ditunjukkan
- menandatangani
- Tanda
- Sederhana
- menyederhanakan
- Singapura
- slot
- So
- larutan
- Solusi
- MEMECAHKAN
- beberapa
- sumber
- khusus
- tertentu
- Secara khusus
- Pengeluaran
- awal
- mulai
- Negara
- Langkah
- Tangga
- penyimpanan
- menyimpan
- tersimpan
- struktur
- menyerahkan
- disampaikan
- sukses
- seperti itu
- sistem
- tugas
- tim
- Teknologi
- pengujian
- Grafik
- informasi
- mereka
- hal
- pihak ketiga
- Melalui
- TIE
- waktu
- Judul
- untuk
- bersama
- token
- puncak
- tema
- Total
- Transformasi
- transisi
- jenis
- memahami
- unik
- menggunakan
- gunakan case
- Pengguna
- User Interface
- Pengguna
- nilai
- Nilai - Nilai
- berbagai
- memeriksa
- melalui
- View
- menonton
- jaringan
- Apa
- yang
- SIAPA
- lebar
- Rentang luas
- akan
- dalam
- tanpa
- Kerja
- kerja
- Kamu
- Anda
- zephyrnet.dll