Benih-benih perubahan paradigma pembelajaran mesin (ML) telah ada selama beberapa dekade, namun dengan ketersediaan kapasitas komputasi yang hampir tak terbatas, proliferasi data yang sangat besar, dan kemajuan pesat teknologi ML, pelanggan di seluruh industri dengan cepat mengadopsi dan menggunakan ML. teknologi untuk mengubah bisnis mereka.
Baru-baru ini, aplikasi AI generatif telah menarik perhatian dan imajinasi semua orang. Kami benar-benar berada pada titik perubahan yang menarik dalam penerapan ML secara luas, dan kami yakin setiap pengalaman pelanggan dan aplikasi akan diciptakan kembali dengan AI generatif.
AI Generatif adalah jenis AI yang dapat membuat konten dan ide baru, termasuk percakapan, cerita, gambar, video, dan musik. Seperti semua AI, AI generatif didukung oleh model MLโmodel sangat besar yang telah dilatih sebelumnya pada kumpulan data yang luas dan biasa disebut sebagai model dasar (FM).
Ukuran dan tujuan umum FM membuatnya berbeda dari model ML tradisional, yang biasanya melakukan tugas tertentu, seperti menganalisis teks untuk sentimen, mengklasifikasikan gambar, dan memperkirakan tren.
Dengan model ML tradisional, untuk mencapai setiap tugas tertentu, Anda perlu mengumpulkan data berlabel, melatih model, dan menerapkan model tersebut. Dengan model dasar, alih-alih mengumpulkan data berlabel untuk setiap model dan melatih beberapa model, Anda dapat menggunakan FM yang telah dilatih sebelumnya untuk mengadaptasi berbagai tugas. Anda juga dapat menyesuaikan FM untuk menjalankan fungsi khusus domain yang berbeda dengan bisnis Anda, hanya menggunakan sebagian kecil data dan komputasi yang diperlukan untuk melatih model dari awal.
AI Generatif berpotensi mengganggu banyak industri dengan merevolusi cara konten dibuat dan dikonsumsi. Produksi konten asli, pembuatan kode, peningkatan layanan pelanggan, dan peringkasan dokumen adalah kasus penggunaan AI generatif yang umum.
Mulai Lompatan Amazon SageMaker menyediakan model sumber terbuka dan terlatih untuk berbagai jenis masalah guna membantu Anda memulai ML. Anda dapat melatih dan menyempurnakan model ini secara bertahap sebelum penerapan. JumpStart juga menyediakan templat solusi yang menyiapkan infrastruktur untuk kasus penggunaan umum, dan contoh buku catatan yang dapat dieksekusi untuk ML Amazon SageMaker.
Dengan lebih dari 600 model terlatih yang tersedia dan terus bertambah setiap hari, JumpStart memungkinkan pengembang dengan cepat dan mudah menggabungkan teknik ML mutakhir ke dalam alur kerja produksi mereka. Anda dapat mengakses model terlatih, templat solusi, dan contoh melalui halaman arahan JumpStart di Studio Amazon SageMaker. Anda juga dapat mengakses model JumpStart menggunakan SageMaker Python SDK. Untuk informasi tentang cara menggunakan model JumpStart secara terprogram, lihat Gunakan Algoritma SageMaker JumpStart dengan Model Terlatih.
Pada bulan April 2023, AWS diluncurkan Batuan Dasar Amazon, yang menyediakan cara untuk membangun aplikasi generatif yang didukung AI melalui model terlatih dari startup termasuk Laboratorium AI21, Antropik, dan Stabilitas AI. Amazon Bedrock juga menawarkan akses ke model pondasi Titan, rangkaian model yang dilatih sendiri oleh AWS. Dengan pengalaman Amazon Bedrock tanpa server, Anda dapat dengan mudah menemukan model yang tepat untuk kebutuhan Anda, memulai dengan cepat, menyesuaikan FM secara pribadi dengan data Anda sendiri, dan dengan mudah mengintegrasikan dan menerapkannya ke dalam aplikasi Anda menggunakan alat dan kemampuan AWS yang Anda kenal. dengan (termasuk integrasi dengan fitur SageMaker ML seperti Eksperimen Amazon SageMaker untuk menguji model yang berbeda dan Pipa Amazon SageMaker untuk mengelola FM Anda dalam skala besar) tanpa harus mengelola infrastruktur apa pun.
Dalam postingan ini, kami menunjukkan cara menerapkan model AI generatif gambar dan teks dari JumpStart menggunakan Kit Pengembangan AWS Cloud (AWSCDK). AWS CDK adalah kerangka pengembangan perangkat lunak sumber terbuka untuk menentukan sumber daya aplikasi cloud Anda menggunakan bahasa pemrograman yang familiar seperti Python.
Kami menggunakan model Difusi Stabil untuk menghasilkan gambar dan model FLAN-T5-XL untuk pemahaman bahasa alami (NLU) dan pembuatan teks dari Wajah Memeluk di JumpStart.
Ikhtisar solusi
Aplikasi web dibangun merampingkan, pustaka Python sumber terbuka yang memudahkan pembuatan dan berbagi aplikasi web khusus yang indah untuk ML dan ilmu data. Kami menghosting aplikasi web menggunakan Layanan Kontainer Amazon Elastic (Amazon ECS) dengan Fargate AWS dan diakses melalui Application Load Balancer. Fargate adalah teknologi yang dapat Anda gunakan dengan Amazon ECS untuk menjalankannya kontainer tanpa harus mengelola server atau cluster atau mesin virtual. Titik akhir model AI generatif diluncurkan dari gambar JumpStart di Registry Kontainer Elastis Amazon (Amazon ECR). Data model disimpan Layanan Penyimpanan Sederhana Amazon (Amazon S3) di akun JumpStart. Aplikasi web berinteraksi dengan model melalui Gerbang API Amazon dan AWS Lambda berfungsi seperti terlihat pada diagram berikut.
API Gateway menyediakan antarmuka RESTful standar untuk aplikasi web dan klien lainnya, sekaligus melindungi fungsi Lambda yang berinteraksi dengan model. Ini menyederhanakan kode aplikasi klien yang menggunakan model. Titik akhir API Gateway dapat diakses publik dalam contoh ini, sehingga memungkinkan kemungkinan untuk memperluas arsitektur ini untuk mengimplementasikan yang berbeda Kontrol akses API dan terintegrasi dengan aplikasi lain.
Dalam posting ini, kami memandu Anda melalui langkah-langkah berikut:
- Instal Antarmuka Baris Perintah AWS (AWS CLI) dan AWS CDK v2 di mesin lokal Anda.
- Kloning dan atur aplikasi AWS CDK.
- Terapkan aplikasi AWS CDK.
- Gunakan model AI pembuatan gambar.
- Gunakan model AI pembuatan teks.
- Lihat sumber daya yang disebarkan di Konsol Manajemen AWS.
Kami memberikan gambaran umum kode dalam proyek ini pada lampiran di akhir postingan ini.
Prasyarat
Anda harus memiliki prasyarat berikut:
Anda dapat menyebarkan infrastruktur dalam tutorial ini dari komputer lokal Anda atau Anda dapat menggunakan AWS Cloud9 sebagai stasiun kerja penerapan Anda. AWS Cloud9 dilengkapi dengan AWS CLI, AWS CDK, dan Docker. Jika Anda memilih AWS Cloud9, menciptakan lingkungan dari Konsol AWS.
Perkiraan biaya untuk menyelesaikan posting ini adalah $50, dengan asumsi Anda membiarkan sumber daya berjalan selama 8 jam. Pastikan Anda menghapus sumber daya yang Anda buat di postingan ini untuk menghindari biaya berkelanjutan.
Instal AWS CLI dan AWS CDK di mesin lokal Anda
Jika Anda belum memiliki AWS CLI di mesin lokal Anda, lihat Menginstal atau memperbarui versi terbaru AWS CLI dan Mengonfigurasi AWS CLI.
Instal AWS CDK Toolkit secara global menggunakan perintah manajer paket simpul berikut:
Jalankan perintah berikut untuk memverifikasi instalasi yang benar dan mencetak nomor versi AWS CDK:
Pastikan Anda telah menginstal Docker di mesin lokal Anda. Keluarkan perintah berikut untuk memverifikasi versi:
Kloning dan atur aplikasi AWS CDK
Di mesin lokal Anda, kloning aplikasi AWS CDK dengan perintah berikut:
Arahkan ke folder proyek:
Sebelum kita menerapkan aplikasi, mari kita tinjau struktur direktori:
Grafik stack
folder berisi kode untuk setiap tumpukan di aplikasi AWS CDK. Itu code
folder berisi kode untuk fungsi Lambda. Repositori juga berisi aplikasi web yang terletak di bawah folder web-app
.
Grafik cdk.json
file memberitahu AWS CDK Toolkit cara menjalankan aplikasi Anda.
Aplikasi ini telah diuji di us-east-1
Wilayah, tetapi harus berfungsi di Wilayah mana pun yang memiliki layanan yang diperlukan dan jenis instans inferensi ml.g4dn.4xlarge
ditentukan dalam app.py
.
Siapkan lingkungan virtual
Proyek ini diatur seperti proyek Python standar. Buat lingkungan virtual Python menggunakan kode berikut:
Gunakan perintah berikut untuk mengaktifkan lingkungan virtual:
Jika Anda menggunakan platform Windows, aktifkan lingkungan virtual sebagai berikut:
Setelah lingkungan virtual diaktifkan, tingkatkan pip ke versi terbaru:
Instal dependensi yang diperlukan:
Sebelum Anda men-deploy aplikasi AWS CDK apa pun, Anda perlu melakukan bootstrap pada ruang di akun Anda dan Wilayah tempat Anda men-deploy. Untuk melakukan bootstrap di Wilayah default Anda, jalankan perintah berikut:
Jika Anda ingin menerapkan ke akun dan Wilayah tertentu, jalankan perintah berikut:
Untuk informasi lebih lanjut tentang pengaturan ini, kunjungi Memulai dengan AWS CDK.
Struktur tumpukan aplikasi AWS CDK
Aplikasi AWS CDK berisi banyak tumpukan, seperti yang ditunjukkan dalam diagram berikut.
Anda dapat membuat daftar tumpukan di aplikasi AWS CDK Anda dengan perintah berikut:
Berikut ini adalah perintah AWS CDK lainnya yang berguna:
- cdk ls โ Mencantumkan semua tumpukan di aplikasi
- cdk synth โ Memancarkan hasil sintesis Formasi AWS Cloud Template
- penyebaran cdk โ Terapkan tumpukan ini ke akun dan Wilayah AWS default Anda
- perbedaan cdk โ Membandingkan tumpukan yang disebarkan dengan keadaan saat ini
- dokumen cdk โ Membuka dokumentasi AWS CDK
Bagian berikutnya menunjukkan cara men-deploy aplikasi AWS CDK.
Terapkan aplikasi AWS CDK
Aplikasi AWS CDK akan diterapkan ke Wilayah default berdasarkan konfigurasi stasiun kerja Anda. Jika Anda ingin memaksakan penerapan di Wilayah tertentu, atur AWS_DEFAULT_REGION
variabel lingkungan yang sesuai.
Pada titik ini, Anda dapat men-deploy aplikasi AWS CDK. Pertama, Anda meluncurkan tumpukan jaringan VPC:
Jika Anda diminta, masukkan y
untuk melanjutkan penerapan. Anda akan melihat daftar sumber daya AWS yang disediakan di tumpukan. Langkah ini membutuhkan waktu sekitar 3 menit untuk diselesaikan.
Kemudian Anda meluncurkan tumpukan aplikasi web:
Setelah menganalisis tumpukan, AWS CDK akan menampilkan daftar sumber daya di tumpukan. Masukkan y untuk melanjutkan penerapan. Langkah ini memakan waktu sekitar 5 menit.
Catat WebApplicationServiceURL
dari output untuk digunakan nanti. Anda juga dapat mengambilnya di konsol AWS CloudFormation, di bawah GenerativeAiDemoWebStack
keluaran tumpukan.
Sekarang, luncurkan tumpukan titik akhir model AI pembuatan gambar:
Langkah ini memakan waktu sekitar 8 menit. Titik akhir model pembuatan gambar telah diterapkan, sekarang kita dapat menggunakannya.
Gunakan model AI pembuatan gambar
Contoh pertama menunjukkan cara memanfaatkan Difusi Stabil, teknik pemodelan generatif canggih yang memungkinkan pembuatan gambar berkualitas tinggi dari perintah teks.
- Akses aplikasi web menggunakan
WebApplicationServiceURL
dari keluaranGenerativeAiDemoWebStack
di browser Anda. - Di panel navigasi, pilih Pembuatan Gambar.
- Grafik Nama Titik Akhir SageMaker dan URL API GW bidang akan diisi sebelumnya, tetapi Anda dapat mengubah perintah untuk deskripsi gambar jika Anda mau.
- Pilih Hasilkan gambar.
- Aplikasi akan melakukan panggilan ke titik akhir SageMaker. Dibutuhkan beberapa detik. Gambar dengan ciri-ciri pada deskripsi gambar Anda akan ditampilkan.
Gunakan model AI pembuatan teks
Contoh kedua berpusat pada penggunaan model FLAN-T5-XL, yang merupakan landasan atau model bahasa besar (LLM), untuk mencapai pembelajaran dalam konteks untuk menghasilkan teks sekaligus menangani berbagai pemahaman bahasa alami (NLU) dan pemahaman bahasa alami. tugas pembuatan bahasa (NLG).
Beberapa lingkungan mungkin membatasi jumlah titik akhir yang dapat Anda luncurkan dalam satu waktu. Jika ini masalahnya, Anda dapat meluncurkan satu titik akhir SageMaker dalam satu waktu. Untuk menghentikan titik akhir SageMaker di aplikasi AWS CDK, Anda harus menghancurkan tumpukan titik akhir yang dikerahkan dan sebelum meluncurkan tumpukan titik akhir lainnya. Untuk mematikan titik akhir model AI pembuatan gambar, jalankan perintah berikut:
Kemudian luncurkan tumpukan titik akhir model AI pembuatan teks:
Masukkan y saat diminta.
Setelah tumpukan titik akhir model pembuatan teks diluncurkan, selesaikan langkah-langkah berikut:
- Kembali ke aplikasi web dan pilih Generasi Teks di panel navigasi.
- Grafik Konteks Masukan bidang sudah diisi sebelumnya dengan percakapan antara pelanggan dan agen mengenai masalah dengan telepon pelanggan, namun Anda dapat memasukkan konteks Anda sendiri jika mau.
- Di bawah konteksnya, Anda akan menemukan beberapa pertanyaan yang sudah diisi sebelumnya di menu tarik-turun. Pilih kueri dan pilih Menghasilkan Respons.
- Anda juga dapat memasukkan kueri Anda sendiri di Masukan Query bidang lalu pilih Menghasilkan Respons.
Lihat sumber daya yang disebarkan di konsol
Pada konsol AWS CloudFormation, pilih Tumpukan di panel navigasi untuk melihat tumpukan yang disebarkan.
Di konsol Amazon ECS, Anda dapat melihat klaster di Cluster .
Di konsol AWS Lambda, Anda dapat melihat fungsi di Fungsi .
Di konsol API Gateway, Anda dapat melihat titik akhir API Gateway di Lebah .
Di konsol SageMaker, Anda dapat melihat titik akhir model yang disebarkan di Titik akhir .
Saat tumpukan diluncurkan, beberapa parameter dihasilkan. Ini disimpan di Penyimpanan Parameter Manajer Sistem AWS. Untuk melihatnya, pilih Toko Parameter di panel navigasi di Manajer Sistem AWS konsol.
Membersihkan
Untuk menghindari biaya yang tidak perlu, bersihkan semua infrastruktur yang dibuat dengan perintah berikut di stasiun kerja Anda:
Enter y
saat diminta. Langkah ini memakan waktu sekitar 10 menit. Periksa apakah semua sumber daya di konsol telah dihapus. Hapus juga aset bucket S3 yang dibuat oleh AWS CDK di konsol Amazon S3 serta repositori aset di Amazon ECR.
Kesimpulan
Seperti yang ditunjukkan dalam postingan ini, Anda dapat menggunakan AWS CDK untuk menerapkan model AI generatif di JumpStart. Kami menunjukkan contoh pembuatan gambar dan contoh pembuatan teks menggunakan antarmuka pengguna yang didukung oleh Streamlit, Lambda, dan API Gateway.
Anda sekarang dapat membangun proyek AI generatif menggunakan model AI terlatih di JumpStart. Anda juga dapat memperluas proyek ini untuk menyempurnakan model dasar untuk kasus penggunaan Anda dan mengontrol akses ke titik akhir API Gateway.
Kami mengundang Anda untuk menguji solusi dan berkontribusi pada proyek ini GitHub. Bagikan pendapat Anda tentang tutorial ini di komentar!
Ringkasan lisensi
Kode contoh ini tersedia di bawah lisensi MIT yang dimodifikasi. Lihat LISENSI mengajukan untuk informasi lebih lanjut. Juga, tinjau masing-masing lisensi untuk difusi stabil dan flan-t5-xl model di Memeluk Wajah.
Tentang penulis
Hantzley Tauckoor adalah Pemimpin Arsitektur Solusi Mitra APJ yang berbasis di Singapura. Beliau memiliki pengalaman selama 20 tahun di industri ICT yang mencakup berbagai bidang fungsional, termasuk arsitektur solusi, pengembangan bisnis, strategi penjualan, konsultasi, dan kepemimpinan. Dia memimpin tim Arsitek Solusi Senior yang memungkinkan mitra mengembangkan solusi bersama, membangun kemampuan teknis, dan mengarahkan mereka melalui fase implementasi saat pelanggan bermigrasi dan memodernisasi aplikasi mereka ke AWS.
Kwonyul Choi adalah CTO di BABITALK, sebuah startup platform perawatan kecantikan Korea, yang berbasis di Seoul. Sebelum memegang peran ini, Kownyul bekerja sebagai Insinyur Pengembangan Perangkat Lunak di AWS dengan fokus pada AWS CDK dan Amazon SageMaker.
Arunprasath Shankar adalah Arsitek Solusi Spesialis AI/ML Senior dengan AWS, membantu pelanggan global menskalakan solusi AI mereka secara efektif dan efisien di cloud. Di waktu luangnya, Arun senang menonton film sci-fi dan mendengarkan musik klasik.
Satish Upreti adalah PSA Pemimpin Migrasi dan UKM Keamanan di organisasi mitra di APJ. Satish memiliki pengalaman selama 20 tahun dalam bidang teknologi private cloud dan public cloud lokal. Sejak bergabung dengan AWS pada Agustus 2020 sebagai spesialis migrasi, ia memberikan saran dan dukungan teknis ekstensif kepada mitra AWS untuk merencanakan dan menerapkan migrasi yang kompleks.
Lampiran: Panduan kode
Di bagian ini, kami memberikan gambaran umum kode dalam proyek ini.
Aplikasi AWS CDK
Aplikasi utama AWS CDK terdapat di app.py
file di direktori root. Proyek ini terdiri dari beberapa tumpukan, jadi kita harus mengimpor tumpukan tersebut:
Kami menentukan model AI generatif dan mendapatkan URI terkait dari SageMaker:
Fungsi get_sagemaker_uris mengambil semua informasi model dari JumpStart. Melihat script/sagemaker_uri.py
.
Kemudian, kami membuat instance tumpukannya:
Tumpukan pertama yang diluncurkan adalah tumpukan VPC, GenerativeAiVpcNetworkStack. Tumpukan aplikasi web, GenerativeAiDemoWebStack, bergantung pada tumpukan VPC. Ketergantungan dilakukan melalui parameter yang meneruskan vpc=network_stack.vpc.
Lihat app.py
untuk kode lengkapnya.
Tumpukan jaringan VPC
Di tumpukan GenerativeAiVpcNetworkStack, kami membuat VPC dengan subnet publik dan subnet privat yang mencakup dua Availability Zone:
Lihat /stack/generative_ai_vpc_network_stack.py
untuk kode lengkapnya.
Tumpukan aplikasi web demo
Dalam tumpukan GenerativeAiDemoWebStack, kami meluncurkan fungsi Lambda dan masing-masing titik akhir API Gateway yang melaluinya aplikasi web berinteraksi dengan titik akhir model SageMaker. Lihat cuplikan kode berikut:
Aplikasi web dimasukkan ke dalam container dan dihosting di Amazon ECS dengan Fargate. Lihat cuplikan kode berikut:
Lihat /stack/generative_ai_demo_web_stack.py
untuk kode lengkapnya.
Tumpukan titik akhir model SageMaker pembuatan gambar
Tumpukan GenerativeAiTxt2imgSagemakerStack membuat titik akhir model pembuatan gambar dari JumpStart dan menyimpan nama titik akhir di Penyimpanan Parameter Systems Manager. Parameter ini akan digunakan oleh aplikasi web. Lihat kode berikut:
Lihat /stack/generative_ai_txt2img_sagemaker_stack.py
untuk kode lengkapnya.
NLU dan tumpukan titik akhir model SageMaker pembuatan teks
Tumpukan GenerativeAiTxt2nluSagemakerStack membuat NLU dan titik akhir model pembuatan teks dari JumpStart dan menyimpan nama titik akhir di Penyimpanan Parameter Systems Manager. Parameter ini juga akan digunakan oleh aplikasi web. Lihat kode berikut:
Lihat /stack/generative_ai_txt2nlu_sagemaker_stack.py
untuk kode lengkapnya.
aplikasi web
Aplikasi web terletak di /web-app
direktori. Ini adalah aplikasi Streamlit yang dikemas sesuai dengan Dockerfile
:
Untuk mempelajari lebih lanjut tentang Streamlit, lihat Merampingkan dokumentasi.
- Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
- PlatoAiStream. Kecerdasan Data Web3. Pengetahuan Diperkuat. Akses Di Sini.
- Mencetak Masa Depan bersama Adryenn Ashley. Akses Di Sini.
- Beli dan Jual Saham di Perusahaan PRE-IPO dengan PREIPOยฎ. Akses Di Sini.
- Sumber: https://aws.amazon.com/blogs/machine-learning/deploy-generative-ai-models-from-amazon-sagemaker-jumpstart-using-the-aws-cdk/
- :memiliki
- :adalah
- $NAIK
- 1
- 10
- 100
- 20
- 20 tahun
- 2020
- 2023
- 7
- 8
- 9
- a
- Tentang Kami
- mengakses
- diakses
- dapat diakses
- demikian
- Akun
- Mencapai
- di seluruh
- menyesuaikan
- menangani
- Mengadopsi
- Adopsi
- kemajuan
- nasihat
- Agen
- AI
- Bertenaga AI
- AI / ML
- algoritma
- Semua
- Membiarkan
- sudah
- juga
- Amazon
- Gerbang API Amazon
- Amazon SageMaker
- Mulai Lompatan Amazon SageMaker
- Amazon Web Services
- an
- menganalisis
- dan
- Apa pun
- api
- aplikasi
- Aplikasi
- aplikasi
- aplikasi
- April
- arsitektur
- ADALAH
- daerah
- sekitar
- AS
- Aktiva
- At
- perhatian
- Agustus
- tersedianya
- tersedia
- menghindari
- AWS
- AWS Cloud9
- Formasi AWS Cloud
- AWS Lambda
- kembali
- ayunan
- berdasarkan
- BAT
- BE
- indah
- Kecantikan
- sebelum
- makhluk
- Percaya
- antara
- Bootstrap
- luas
- Browser
- membangun
- dibangun di
- bisnis
- pengembangan bisnis
- bisnis
- tapi
- by
- panggilan
- CAN
- kemampuan
- Kapasitas
- ditangkap
- yang
- kasus
- kasus
- CD
- Pusat
- perubahan
- karakteristik
- beban
- memeriksa
- Pilih
- klien
- klien
- awan
- Cloud9
- kode
- datang
- Umum
- umum
- lengkap
- kompleks
- menghitung
- komputer
- konfigurasi
- konsul
- membangun
- konsultasi
- dikonsumsi
- berisi
- Wadah
- mengandung
- Konten
- konteks
- menyumbang
- kontrol
- Percakapan
- percakapan
- benar
- Biaya
- membuat
- dibuat
- menciptakan
- penciptaan
- CTO
- terbaru
- adat
- pelanggan
- pengalaman pelanggan
- Layanan Pelanggan
- pelanggan
- menyesuaikan
- canggih
- data
- ilmu data
- hari
- dekade
- Default
- Mendefinisikan
- menunjukkan
- menunjukkan
- Ketergantungan
- tergantung
- menyebarkan
- dikerahkan
- penggelaran
- penyebaran
- menyebarkan
- deskripsi
- menghancurkan
- mengembangkan
- pengembang
- Pengembangan
- berbeda
- Difusi
- Display
- Mengganggu
- Buruh pelabuhan
- dokumen
- dilakukan
- Dont
- turun
- setiap
- mudah
- Mudah
- efektif
- efisien
- aktif
- memungkinkan
- akhir
- Titik akhir
- insinyur
- Enter
- Lingkungan Hidup
- lingkungan
- diperkirakan
- Setiap
- setiap hari
- semua orang
- contoh
- contoh
- menarik
- pengalaman
- memperpanjang
- luas
- Menghadapi
- palsu
- akrab
- keluarga
- Fitur
- beberapa
- bidang
- Fields
- File
- Menemukan
- Pertama
- Fokus
- berikut
- berikut
- Untuk
- kekuatan
- Prinsip Dasar
- pecahan
- Kerangka
- dari
- penuh
- fungsi
- fungsionil
- fungsi
- pintu gerbang
- mengumpulkan
- pertemuan
- tujuan umum
- dihasilkan
- generasi
- generatif
- AI generatif
- mendapatkan
- pergi
- Aksi
- Secara global
- Pertumbuhan
- Memiliki
- memiliki
- he
- membantu
- membantu
- berkualitas tinggi
- -nya
- Beranda
- tuan rumah
- host
- JAM
- Seterpercayaapakah Olymp Trade? Kesimpulan
- How To
- HTML
- http
- HTTPS
- ICT
- ide-ide
- if
- gambar
- gambar
- imajinasi
- melaksanakan
- implementasi
- mengimpor
- in
- Termasuk
- menggabungkan
- industri
- industri
- Tak terbatas
- Titik belok
- informasi
- Infrastruktur
- install
- instalasi
- diinstal
- contoh
- sebagai gantinya
- mengintegrasikan
- integrasi
- interaktif
- Antarmuka
- ke
- mengundang
- isu
- IT
- bergabung
- bersama
- jpg
- json
- Korea
- pendaratan
- bahasa
- Bahasa
- besar
- kemudian
- Terbaru
- jalankan
- diluncurkan
- peluncuran
- memimpin
- pemimpin
- Kepemimpinan
- Memimpin
- BELAJAR
- pengetahuan
- Meninggalkan
- Perpustakaan
- Lisensi
- lisensi
- 'like'
- MEMBATASI
- baris
- Daftar
- Listening
- daftar
- LLM
- memuat
- lokal
- terletak
- mesin
- Mesin belajar
- Mesin
- terbuat
- Utama
- membuat
- MEMBUAT
- mengelola
- pengelolaan
- manajer
- banyak
- besar-besaran
- menu
- mungkin
- bermigrasi
- migrasi
- menit
- MIT
- ML
- model
- model
- memodernisasi
- dimodifikasi
- lebih
- bioskop
- beberapa
- musik
- harus
- nama
- Alam
- Alam
- Navigasi
- Perlu
- kebutuhan
- jaringan
- New
- berikutnya
- simpul
- sekarang
- jumlah
- of
- Penawaran
- on
- ONE
- terus-menerus
- hanya
- open source
- Perangkat Lunak Sumber Terbuka
- membuka
- or
- urutan
- organisasi
- asli
- Lainnya
- kami
- keluaran
- lebih
- ikhtisar
- sendiri
- paket
- halaman
- pane
- pola pikir
- parameter
- parameter
- pasangan
- rekan
- Lewat
- Melakukan
- tahap
- telepon
- gambar
- rencana
- Platform
- plato
- Kecerdasan Data Plato
- Data Plato
- Titik
- kemungkinan
- Pos
- potensi
- didukung
- kuat
- prasyarat
- Mencetak
- Sebelumnya
- swasta
- Masalah
- Produksi
- Pemrograman
- bahasa pemrograman
- proyek
- memprojeksikan
- memberikan
- menyediakan
- publik
- Awan publik
- di depan umum
- Ular sanca
- query
- segera
- jarak
- cepat
- cepat
- siap
- baru-baru ini
- disebut
- mengenai
- wilayah
- terkait
- gudang
- wajib
- Persyaratan
- sumber
- Sumber
- itu
- ulasan
- Merevolusi
- benar
- Peran
- akar
- Run
- berjalan
- pembuat bijak
- penjualan
- sama
- Skala
- sci-fi
- Ilmu
- menggaruk
- SDK
- Kedua
- detik
- Bagian
- keamanan
- melihat
- biji
- DIRI
- senior
- sentimen
- Seoul
- Tanpa Server
- Server
- layanan
- Layanan
- set
- penyiapan
- Share
- bergeser
- harus
- Menunjukkan
- menunjukkan
- ditunjukkan
- Pertunjukkan
- Sederhana
- sejak
- Singapura
- Ukuran
- kecil
- EMS
- So
- Perangkat lunak
- pengembangan perangkat lunak
- larutan
- Solusi
- beberapa
- sumber
- Space
- spesialis
- tertentu
- ditentukan
- stabil
- tumpukan
- Tumpukan
- standar
- mulai
- startup
- Startups
- Langkah
- Tangga
- berhenti
- penyimpanan
- menyimpan
- tersimpan
- toko
- cerita
- Penyelarasan
- struktur
- subnet
- mendukung
- sistem
- Dibutuhkan
- tugas
- tugas
- tim
- Teknis
- teknik
- Teknologi
- Teknologi
- mengatakan
- template
- uji
- tes
- bahwa
- Grafik
- mereka
- Mereka
- kemudian
- Ini
- ini
- Melalui
- waktu
- titan
- untuk
- toolkit
- alat
- tradisi
- tradisional
- Pelatihan VE
- terlatih
- Pelatihan
- Mengubah
- Tren
- benar
- benar-benar
- MENGHIDUPKAN
- tutorial
- dua
- mengetik
- jenis
- khas
- khas
- bawah
- pemahaman
- meluncurkan
- memperbarui
- meningkatkan
- menggunakan
- gunakan case
- bekas
- Pengguna
- User Interface
- menggunakan
- Penggunaan
- berbagai
- Luas
- memeriksa
- versi
- melalui
- Video
- View
- maya
- sebenarnya
- Mengunjungi
- ingin
- adalah
- menonton
- Cara..
- we
- jaringan
- aplikasi web
- layanan web
- BAIK
- yang
- sementara
- lebar
- Rentang luas
- tersebar luas
- Wikipedia
- akan
- Windows
- dengan
- tanpa
- Kerja
- bekerja
- Alur kerja
- workstation
- tahun
- Kamu
- Anda
- zephyrnet.dll
- zona