În peisajul actual al interacțiunilor unu-la-unu cu clienții pentru plasarea comenzilor, practica predominantă continuă să se bazeze pe însoțitori umani, chiar și în setari precum cafenelele de tip drive-thru și unitățile de fast-food. Această abordare tradițională ridică mai multe provocări: depinde în mare măsură de procesele manuale, se luptă să se extindă eficient cu cerințele crescânde ale clienților, introduce potențialul de erori umane și funcționează în anumite ore de disponibilitate. În plus, pe piețele competitive, companiile care aderă exclusiv la procesele manuale ar putea considera că este dificil să ofere servicii eficiente și competitive. În ciuda progreselor tehnologice, modelul centrat pe om rămâne profund înrădăcinat în procesarea comenzilor, ceea ce duce la aceste limitări.
Perspectiva utilizării tehnologiei pentru asistență individuală în procesarea comenzilor este disponibilă de ceva timp. Cu toate acestea, soluțiile existente se pot încadra adesea în două categorii: sisteme bazate pe reguli care necesită timp și efort substanțial pentru configurare și întreținere, sau sisteme rigide cărora le lipsește flexibilitatea necesară pentru interacțiunile umane cu clienții. Drept urmare, întreprinderile și organizațiile se confruntă cu provocări în implementarea rapidă și eficientă a unor astfel de soluții. Din fericire, odată cu apariția AI generativă și modele de limbaj mari (LLM), acum este posibil să se creeze sisteme automate care pot gestiona limbajul natural în mod eficient și cu o cronologie accelerată.
Amazon Bedrock este un serviciu complet gestionat care oferă o gamă de modele de fundație (FM) de înaltă performanță de la companii de IA lider, cum ar fi AI21 Labs, Anthropic, Cohere, Meta, Stability AI și Amazon printr-un singur API, împreună cu un set larg de capabilități pe care dvs. trebuie să construiți aplicații AI generative cu securitate, confidențialitate și AI responsabilă. Pe lângă Amazon Bedrock, puteți utiliza și alte servicii AWS, cum ar fi Amazon SageMaker JumpStart și Amazon Lex pentru a crea agenți de procesare a comenzilor AI generative complet automatizați și ușor adaptabili.
În această postare, vă arătăm cum să construiți un agent de procesare a comenzilor capabil de vorbire folosind Amazon Lex, Amazon Bedrock și AWS Lambdas.
Prezentare generală a soluțiilor
Următoarea diagramă ilustrează arhitectura soluției noastre.
Fluxul de lucru constă din următorii pași:
- Un client plasează comanda utilizând Amazon Lex.
- Botul Amazon Lex interpretează intențiile clientului și declanșează a
DialogCodeHook
. - O funcție Lambda extrage șablonul de prompt corespunzător din stratul Lambda și formatează solicitările modelului adăugând intrarea clientului în șablonul de prompt asociat.
-
RequestValidation
prompt verifică comanda cu elementul de meniu și informează clientul prin Amazon Lex dacă există ceva pe care doresc să comande care nu face parte din meniu și va oferi recomandări. Promptul efectuează, de asemenea, o validare preliminară pentru caracterul complet al comenzii. -
ObjectCreator
prompt convertește cererile de limbaj natural într-o structură de date (format JSON). - Funcția Lambda de validare a clienților verifică atributele necesare pentru comandă și confirmă dacă toate informațiile necesare sunt prezente pentru procesarea comenzii.
- O funcție Lambda a clientului ia structura de date ca o intrare pentru procesarea comenzii și transmite totalul comenzii înapoi la funcția Lambda de orchestrare.
- Funcția de orchestrare Lambda apelează punctul final Amazon Bedrock LLM pentru a genera un rezumat final al comenzii, inclusiv totalul comenzii din sistemul de bază de date a clienților (de exemplu, Amazon DynamoDB).
- Rezumatul comenzii este comunicat înapoi clientului prin Amazon Lex. După ce clientul confirmă comanda, comanda va fi procesată.
Cerințe preliminare
Această postare presupune că aveți un cont AWS activ și sunteți familiarizat cu următoarele concepte și servicii:
De asemenea, pentru a accesa Amazon Bedrock din funcțiile Lambda, trebuie să vă asigurați că runtimeul Lambda are următoarele biblioteci:
- boto3>=1.28.57
- awscli>=1.29.57
- botocore>=1.31.57
Acest lucru se poate face cu un Stratul lambda sau prin utilizarea unui AMI specific cu bibliotecile necesare.
În plus, aceste biblioteci sunt necesare atunci când apelați API-ul Amazon Bedrock de la Amazon SageMaker Studio. Acest lucru se poate face rulând o celulă cu următorul cod:
În cele din urmă, creați următoarea politică și ulterior o atașați oricărui rol care accesează Amazon Bedrock:
Creați un tabel DynamoDB
În scenariul nostru specific, am creat un tabel DynamoDB ca sistem de bază de date pentru clienți, dar ați putea folosi și Serviciul de baze de date relaționale Amazon (Amazon RDS). Parcurgeți următorii pași pentru a furniza tabelul DynamoDB (sau personalizați setările după cum este necesar pentru cazul dvs. de utilizare):
- Pe consola DynamoDB, alegeți Mese în panoul de navigare.
- Alege Creați tabel.
- Pentru Numele tabelului, introduceți un nume (de exemplu,
ItemDetails
). - Pentru Cheie partiție, introduceți o cheie (pentru această postare, folosim
Item
). - Pentru Tasta de sortare, introduceți o cheie (pentru această postare, folosim
Size
). - Alege Creați tabel.
Acum puteți încărca datele în tabelul DynamoDB. Pentru această postare, folosim un fișier CSV. Puteți încărca datele în tabelul DynamoDB folosind codul Python într-un blocnotes SageMaker.
Mai întâi, trebuie să setăm un profil numit dev.
- Deschideți un nou terminal în SageMaker Studio și rulați următoarea comandă:
Această comandă vă va solicita să introduceți ID-ul cheii de acces AWS, cheia de acces secretă, Regiunea AWS implicită și formatul de ieșire.
- Reveniți la blocnotesul SageMaker și scrieți un cod Python pentru a configura o conexiune la DynamoDB utilizând biblioteca Boto3 în Python. Acest fragment de cod creează o sesiune folosind un profil AWS specific numit dev și apoi creează un client DynamoDB folosind acea sesiune. Următorul este exemplul de cod pentru a încărca datele:
Alternativ, puteți utiliza NoSQL Workbench sau alte instrumente pentru a încărca rapid datele în tabelul DynamoDB.
Următoarea este o captură de ecran după ce datele eșantionului sunt inserate în tabel.
Creați șabloane într-un caiet SageMaker utilizând API-ul de invocare Amazon Bedrock
Pentru a crea șablonul nostru prompt pentru acest caz de utilizare, folosim Amazon Bedrock. Puteți accesa Amazon Bedrock din Consola de administrare AWS și prin invocări API. În cazul nostru, accesăm Amazon Bedrock prin API din comoditatea unui notebook SageMaker Studio pentru a crea nu numai șablonul nostru prompt, ci și codul nostru complet de invocare API pe care îl putem folosi ulterior în funcția noastră Lambda.
- Pe consola SageMaker, accesați un domeniu SageMaker Studio existent sau creați unul nou pentru a accesa Amazon Bedrock dintr-un blocnotes SageMaker.
- După ce creați domeniul și utilizatorul SageMaker, alegeți utilizatorul și alegeți Lansa și Studio. Aceasta va deschide un mediu JupyterLab.
- Când mediul JupyterLab este gata, deschideți un nou blocnotes și începeți să importați bibliotecile necesare.
Există multe FM-uri disponibile prin Amazon Bedrock Python SDK. În acest caz, folosim Claude V2, un model de bază puternic dezvoltat de Anthropic.
Agentul de procesare a comenzilor are nevoie de câteva șabloane diferite. Acest lucru se poate schimba în funcție de cazul de utilizare, dar am proiectat un flux de lucru general care se poate aplica mai multor setări. Pentru acest caz de utilizare, șablonul Amazon Bedrock LLM va realiza următoarele:
- Validați intenția clientului
- Validați cererea
- Creați structura datelor comenzii
- Transmiteți clientului un rezumat al comenzii
- Pentru a invoca modelul, creați un obiect de execuție de bază din Boto3.
Să începem prin a lucra la șablonul de prompt pentru validarea intenției. Acesta este un proces iterativ, dar datorită ghidului de inginerie prompt al Anthropic, puteți crea rapid un prompt care poate îndeplini sarcina.
- Creați primul șablon de prompt împreună cu o funcție de utilitate care va ajuta la pregătirea corpului pentru invocările API.
Următorul este codul pentru prompt_template_intent_validator.txt:
- Salvați acest șablon într-un fișier pentru a-l încărca pe Amazon S3 și a apela din funcția Lambda atunci când este necesar. Salvați șabloanele ca șiruri serializate JSON într-un fișier text. Captura de ecran anterioară arată un exemplu de cod pentru a realiza și acest lucru.
- Repetați aceiași pași cu celelalte șabloane.
Următoarele sunt câteva capturi de ecran ale celorlalte șabloane și rezultate atunci când apelați Amazon Bedrock cu unele dintre ele.
Următorul este codul pentru prompt_template_request_validator.txt:
Următorul este răspunsul nostru de la Amazon Bedrock folosind acest șablon.
Următorul este codul pentru prompt_template_object_creator.txt
:
Următorul este codul pentru prompt_template_order_summary.txt:
După cum puteți vedea, am folosit șabloanele noastre de prompt pentru a valida elementele de meniu, a identifica informațiile necesare lipsă, a crea o structură de date și a rezuma comanda. Modelele de bază disponibile pe Amazon Bedrock sunt foarte puternice, așa că puteți îndeplini și mai multe sarcini prin intermediul acestor șabloane.
Ați finalizat proiectarea solicitărilor și ați salvat șabloanele în fișiere text. Acum puteți începe să creați robotul Amazon Lex și funcțiile Lambda asociate.
Creați un strat Lambda cu șabloanele de prompt
Parcurgeți următorii pași pentru a vă crea stratul Lambda:
- În SageMaker Studio, creați un folder nou cu un subdosar numit
python
. - Copiați fișierele prompte în
python
dosar.
- Puteți adăuga biblioteca ZIP la instanța de notebook rulând următoarea comandă.
- Acum, rulați următoarea comandă pentru a crea fișierul ZIP pentru încărcare în stratul Lambda.
- După ce creați fișierul ZIP, puteți descărca fișierul. Accesați Lambda, creați un nou strat încărcând fișierul direct sau încărcând mai întâi pe Amazon S3.
- Apoi atașați acest nou strat la funcția Lambda de orchestrare.
Acum fișierele șablon de prompte sunt stocate local în mediul dumneavoastră de rulare Lambda. Acest lucru va accelera procesul în timpul rulării botului dvs.
Creați un strat Lambda cu bibliotecile necesare
Parcurgeți următorii pași pentru a vă crea stratul Lambda cu bibliotecile necesare:
- deschide un AWS Cloud9 mediu instanță, creați un folder cu un subdosar numit
python
. - Deschideți un terminal în interiorul
python
dosar. - Rulați următoarele comenzi din terminal:
- Alerga
cd ..
și poziționați-vă în noul folder unde aveți și fișierulpython
subdosar. - Rulați următoarea comandă:
- După ce creați fișierul ZIP, puteți descărca fișierul. Accesați Lambda, creați un nou strat încărcând fișierul direct sau încărcând mai întâi pe Amazon S3.
- Apoi atașați acest nou strat la funcția Lambda de orchestrare.
Creați botul în Amazon Lex v2
Pentru acest caz de utilizare, construim un bot Amazon Lex care poate oferi o interfață de intrare/ieșire pentru arhitectură pentru a apela Amazon Bedrock folosind voce sau text din orice interfață. Deoarece LLM se va ocupa de conversația acestui agent de procesare a comenzilor, iar Lambda va orchestra fluxul de lucru, puteți crea un bot cu trei intenții și fără sloturi.
- Pe consola Amazon Lex, creați un bot nou cu metoda Creați un bot gol.
Acum puteți adăuga o intenție cu orice enunț inițial adecvat pentru ca utilizatorii finali să înceapă conversația cu botul. Folosim salutări simple și adăugăm un răspuns bot inițial, astfel încât utilizatorii finali să-și poată furniza cererile. Când creați botul, asigurați-vă că utilizați un cârlig de cod Lambda cu intențiile; aceasta va declanșa o funcție Lambda care va orchestra fluxul de lucru între client, Amazon Lex și LLM.
- Adăugați prima dvs. intenție, care declanșează fluxul de lucru și utilizează șablonul de solicitare de validare a intenției pentru a apela Amazon Bedrock și a identifica ceea ce încearcă clientul să realizeze. Adăugați câteva enunțuri simple pentru ca utilizatorii finali să înceapă conversația.
Nu trebuie să utilizați sloturi sau citire inițială în niciuna dintre intențiile botului. De fapt, nu trebuie să adăugați enunțuri la a doua sau a treia intenție. Asta pentru că LLM va ghida Lambda pe tot parcursul procesului.
- Adăugați o solicitare de confirmare. Puteți personaliza acest mesaj în funcția Lambda mai târziu.
- În Cârlige de cod, Selectați Utilizați o funcție Lambda pentru inițializare și validare.
- Creați o a doua intenție fără rostire și fără răspuns inițial. Acesta este
PlaceOrder
intenție.
Când LLM identifică că clientul încearcă să plaseze o comandă, funcția Lambda va declanșa această intenție și va valida solicitarea clientului în meniu și se va asigura că nu lipsesc informațiile necesare. Amintiți-vă că toate acestea se află pe șabloanele de prompt, astfel încât să puteți adapta acest flux de lucru pentru orice caz de utilizare, schimbând șabloanele de prompt.
- Nu adăugați niciun interval, ci adăugați un prompt de confirmare și refuzați răspunsul.
- Selectați Utilizați o funcție Lambda pentru inițializare și validare.
- Creați o a treia intenție numită
ProcessOrder
fără enunțuri eșantion și fără intervale. - Adăugați un răspuns inițial, un prompt de confirmare și un răspuns de refuz.
După ce LLM a validat cererea clientului, funcția Lambda declanșează a treia și ultima intenție de a procesa comanda. Aici, Lambda va folosi șablonul de creație de obiecte pentru a genera structura de date JSON de comandă pentru a interoga tabelul DynamoDB, apoi va folosi șablonul de rezumat al comenzii pentru a rezuma întreaga comandă împreună cu totalul, astfel încât Amazon Lex să o poată transmite clientului.
- Selectați Utilizați o funcție Lambda pentru inițializare și validare. Aceasta poate folosi orice funcție Lambda pentru a procesa comanda după ce clientul a dat confirmarea finală.
- După ce creați toate cele trei intenții, accesați Generatorul vizual pentru
ValidateIntent
, adăugați un pas de intenție de acces și conectați rezultatul confirmării pozitive la acel pas. - După ce adăugați intenția de acces, editați-o și alegeți intenția PlaceOrder ca nume de intenție.
- În mod similar, pentru a merge la constructorul vizual pentru
PlaceOrder
intentia si conectati iesirea confirmarii pozitive laProcessOrder
intenția de a merge la. Nu este necesară nicio editare pentruProcessOrder
intenție. - Acum trebuie să creați funcția Lambda care orchestrează Amazon Lex și apelează tabelul DynamoDB, așa cum este detaliat în secțiunea următoare.
Creați o funcție Lambda pentru a orchestra botul Amazon Lex
Acum puteți crea funcția Lambda care orchestrează botul Amazon Lex și fluxul de lucru. Parcurgeți următorii pași:
- Creați o funcție Lambda cu politica de execuție standard și lăsați-l pe Lambda să vă creeze un rol.
- În fereastra de cod a funcției dvs., adăugați câteva funcții utilitare care vă vor ajuta: formatați solicitările adăugând contextul lex la șablon, apelați API-ul Amazon Bedrock LLM, extrageți textul dorit din răspunsuri și multe altele. Vezi următorul cod:
- Atașați stratul Lambda pe care l-ați creat mai devreme la această funcție.
- În plus, atașați stratul la șabloanele de prompt pe care le-ați creat.
- În rolul de execuție Lambda, atașați politica de accesare a Amazon Bedrock, care a fost creată anterior.
Rolul de execuție Lambda ar trebui să aibă următoarele permisiuni.
Atașați funcția Orchestration Lambda la botul Amazon Lex
- După ce creați funcția din secțiunea anterioară, reveniți la consola Amazon Lex și navigați la botul dvs.
- În Limbă în panoul de navigare, alegeți Engleză.
- Pentru Sursă, alegeți botul dvs. de procesare a comenzii.
- Pentru Versiunea sau aliasul funcției Lambda, alege $ ULTIMUL.
- Alege Economisiți.
Creați funcții de asistență Lambda
Parcurgeți următorii pași pentru a crea funcții Lambda suplimentare:
- Creați o funcție Lambda pentru a interoga tabelul DynamoDB pe care l-ați creat mai devreme:
- Navigați către Configuraţie fila în funcția Lambda și alegeți Permisiuni.
- Atașați o declarație de politică bazată pe resurse care să permită funcției Lambda de procesare a comenzii să invoce această funcție.
- Navigați la rolul de execuție IAM pentru această funcție Lambda și adăugați o politică pentru a accesa tabelul DynamoDB.
- Creați o altă funcție Lambda pentru a valida dacă toate atributele necesare au fost transmise de la client. În exemplul următor, validăm dacă atributul dimensiune este capturat pentru o comandă:
- Navigați către Configuraţie fila în funcția Lambda și alegeți Permisiuni.
- Atașați o declarație de politică bazată pe resurse care să permită funcției Lambda de procesare a comenzii să invoce această funcție.
Testați soluția
Acum putem testa soluția cu exemple de comenzi pe care clienții le plasează prin Amazon Lex.
Pentru primul nostru exemplu, clientul a cerut un frappuccino, care nu este în meniu. Modelul validează cu ajutorul șablonului validator de comenzi și sugerează câteva recomandări pe baza meniului. După ce clientul își confirmă comanda, acesta este notificat cu privire la totalul comenzii și rezumatul comenzii. Comanda va fi procesată pe baza confirmării finale a clientului.
În exemplul nostru următor, clientul comandă un cappuccino mare și apoi modifică dimensiunea de la mare la medie. Modelul surprinde toate modificările necesare și solicită clientului să confirme comanda. Modelul prezintă totalul comenzii și rezumatul comenzii și procesează comanda pe baza confirmării finale a clientului.
Pentru exemplul nostru final, clientul a plasat o comandă pentru mai multe articole și dimensiunea lipsește pentru câteva articole. Modelul și funcția Lambda vor verifica dacă toate atributele necesare sunt prezente pentru a procesa comanda și apoi vor cere clientului să furnizeze informațiile lipsă. După ce clientul furnizează informațiile lipsă (în acest caz, dimensiunea cafelei), i se arată totalul comenzii și rezumatul comenzii. Comanda va fi procesată pe baza confirmării finale a clientului.
Limitări LLM
Rezultatele LLM sunt stocastice prin natura lor, ceea ce înseamnă că rezultatele LLM pot varia în format sau chiar sub formă de conținut neadevărat (halucinații). Prin urmare, dezvoltatorii trebuie să se bazeze pe o logică bună de gestionare a erorilor în întregul cod pentru a gestiona aceste scenarii și pentru a evita o experiență degradată a utilizatorului final.
A curăța
Dacă nu mai aveți nevoie de această soluție, puteți șterge următoarele resurse:
- Funcții Lambda
- Cutia Amazon Lex
- Tabel DynamoDB
- Găleată S3
În plus, închideți instanța SageMaker Studio dacă aplicația nu mai este necesară.
Evaluarea costurilor
Pentru informații privind prețurile pentru principalele servicii utilizate de această soluție, consultați următoarele:
Rețineți că puteți utiliza Claude v2 fără a fi nevoie de aprovizionare, astfel încât costurile totale rămân la minimum. Pentru a reduce și mai mult costurile, puteți configura tabelul DynamoDB cu setarea la cerere.
Concluzie
Această postare a demonstrat cum să construiți un agent de procesare a comenzilor AI activat prin vorbire folosind Amazon Lex, Amazon Bedrock și alte servicii AWS. Am arătat cum o inginerie promptă cu un model AI generativ puternic precum Claude poate permite înțelegerea robustă a limbajului natural și fluxurile de conversație pentru procesarea comenzilor, fără a fi nevoie de date extinse de instruire.
Arhitectura soluției folosește componente fără server precum Lambda, Amazon S3 și DynamoDB pentru a permite o implementare flexibilă și scalabilă. Stocarea șabloanelor de prompt în Amazon S3 vă permite să personalizați soluția pentru diferite cazuri de utilizare.
Următorii pași ar putea include extinderea capabilităților agentului pentru a gestiona o gamă mai largă de solicitări ale clienților și cazuri marginale. Șabloanele de prompt oferă o modalitate de a îmbunătăți în mod iterativ abilitățile agentului. Personalizări suplimentare ar putea implica integrarea datelor comenzii cu sisteme backend precum inventarul, CRM sau POS. În cele din urmă, agentul ar putea fi disponibil în diferite puncte de contact ale clienților, cum ar fi aplicații mobile, drive-thru, chioșcuri și altele, folosind capabilitățile multicanal ale Amazon Lex.
Pentru a afla mai multe, consultați următoarele resurse aferente:
- Implementarea și gestionarea roboților multicanal:
- Inginerie promptă pentru Claude și alte modele:
- Modele arhitecturale fără server pentru asistenți AI scalabili:
Despre Autori
Moumita Dutta este arhitect de soluții partener la Amazon Web Services. În rolul său, ea colaborează îndeaproape cu partenerii pentru a dezvolta active scalabile și reutilizabile care eficientizează implementările cloud și sporesc eficiența operațională. Ea este membră a comunității AI/ML și expertă în IA generativă la AWS. În timpul liber, îi place să facă grădinărit și să meargă cu bicicleta.
Fernando Lammoglia este arhitect de soluții pentru parteneri la Amazon Web Services, lucrând îndeaproape cu partenerii AWS pentru a conduce dezvoltarea și adoptarea de soluții AI de ultimă oră în unitățile de afaceri. Un lider strategic cu expertiză în arhitectura cloud, AI generativă, învățarea automată și analiza datelor. El este specializat în executarea strategiilor de introducere pe piață și în furnizarea de soluții AI de impact aliniate cu obiectivele organizaționale. În timpul liber, îi place să petreacă timpul cu familia și să călătorească în alte țări.
Mitul Patel este arhitect senior de soluții la Amazon Web Services. În rolul său de facilitator al tehnologiei cloud, el lucrează cu clienții pentru a le înțelege obiectivele și provocările și oferă îndrumări prescriptive pentru a-și atinge obiectivul cu ofertele AWS. El este membru al comunității AI/ML și un ambasador generativ AI la AWS. În timpul liber, îi place să facă drumeții și să joace fotbal.
- Distribuție de conținut bazat pe SEO și PR. Amplifică-te astăzi.
- PlatoData.Network Vertical Generative Ai. Împuterniciți-vă. Accesați Aici.
- PlatoAiStream. Web3 Intelligence. Cunoștințe amplificate. Accesați Aici.
- PlatoESG. carbon, CleanTech, Energie, Mediu inconjurator, Solar, Managementul deșeurilor. Accesați Aici.
- PlatoHealth. Biotehnologie și Inteligență pentru studii clinice. Accesați Aici.
- Sursa: https://aws.amazon.com/blogs/machine-learning/transform-one-on-one-customer-interactions-build-speech-capable-order-processing-agents-with-aws-and-generative-ai/
- :are
- :este
- :nu
- :Unde
- $3
- $UP
- 1
- 10
- 100
- 11
- 12
- 13
- 15%
- 173
- 200
- 24
- 250
- 28
- 29
- 31
- 320
- 385
- 40
- 400
- 500
- 7
- 75
- 8
- 9
- 900
- a
- mai sus
- accelerat
- Accept
- acces
- accesarea
- realiza
- Conform
- Cont
- Obține
- peste
- Acțiune
- activ
- adapta
- adăuga
- adăugat
- adăugare
- plus
- Suplimentar
- În plus,
- aderare
- regla
- Adoptare
- progresele
- venire
- După
- din nou
- împotriva
- Agent
- agenţi
- AI
- AI / ML
- aliniat
- TOATE
- permite
- Permiterea
- permite
- de-a lungul
- de asemenea
- mereu
- am
- Amazon
- Amazon Lex
- Amazon RDS
- Amazon Web Services
- Ambasador
- an
- Google Analytics
- și
- O alta
- Antropică
- Orice
- api
- aplicație
- aplicatii
- Aplică
- abordare
- adecvat
- în mod corespunzător
- Apps
- arhitectural
- arhitectură
- SUNT
- AS
- cere
- Bunuri
- Asistență
- Asistent
- asistenți
- asistarea
- asociate
- presupune
- At
- atașa
- însoţitorii
- atribute
- Automata
- disponibilitate
- disponibil
- evita
- AWS
- înapoi
- Backend
- bazat
- BE
- deoarece
- fost
- începe
- între
- corp
- Bot
- atât
- roboţii
- larg
- construi
- constructor
- afaceri
- întreprinderi
- dar
- by
- calcula
- apel
- denumit
- apel
- apeluri
- CAN
- capacități
- capturat
- capturi
- caz
- cazuri
- categorii
- celulă
- provocări
- provocare
- Schimbare
- Modificări
- schimbarea
- caractere
- verifica
- alegere
- Alege
- client
- Închide
- îndeaproape
- Cloud
- TEHNOLOGIA CLOUD
- cod
- Cafea
- colaborează
- colecta
- comunicate
- comunitate
- Companii
- competitiv
- Completă
- Terminat
- completarea
- completare
- componente
- Concepte
- Confirma
- confirmare
- CONFIRMAT
- Conectați
- conexiune
- constă
- Consoleze
- conţinut
- context
- continuă
- comoditate
- Conversație
- converti
- corecta
- Cheltuieli
- ar putea
- țări
- Cuplu
- crea
- a creat
- creează
- Crearea
- creaţie
- creator
- CRM
- Curent
- personalizat
- client
- clienţii care
- personaliza
- ultima generație
- de date
- Analiza datelor
- Structura datelor
- Baza de date
- Refuzați
- profund
- Mod implicit
- defini
- livra
- livrarea
- Cerere
- cererile
- demonstrat
- negat
- În funcție
- depinde de
- implementări
- proiectat
- dorit
- În ciuda
- detaliat
- dev
- dezvolta
- dezvoltat
- Dezvoltatorii
- Dezvoltare
- diagramă
- FĂCUT
- diferit
- direct
- expediere
- do
- face
- domeniu
- don
- făcut
- Dont
- jos
- Descarca
- în timpul
- e
- fiecare
- Mai devreme
- cu ușurință
- Margine
- efect
- eficiență
- eficient
- eficient
- efort
- altfel
- permite
- facilitator
- Punct final
- Inginerie
- spori
- Intrați
- Mediu inconjurator
- eroare
- Erori
- Chiar
- eveniment
- exemplu
- exemple
- Cu excepția
- excepție
- executând
- execuție
- existent
- Părăsirea
- extinderea
- experienţă
- expert
- expertiză
- extensiv
- extrage
- Față
- fapt
- Cădea
- Familiaritate
- familie
- puțini
- Fișier
- Fişiere
- final
- finalizarea
- Găsi
- First
- Flexibilitate
- flexibil
- fluxurilor
- următor
- Pentru
- formă
- format
- din fericire
- găsit
- Fundație
- fundamentale
- Gratuit
- din
- complet
- funcţie
- funcții
- mai mult
- General
- genera
- generativ
- AI generativă
- obține
- Da
- dat
- Go
- Mergi pe piață
- Goluri
- bine
- am
- mare
- mare
- salut
- Salutări
- îndrumare
- ghida
- manipula
- Manipularea
- Avea
- având în
- he
- auzi
- puternic
- ajutor
- ei
- aici
- hi
- performanta inalta
- lui
- Miere
- ORE
- Cum
- Cum Pentru a
- Totuși
- HTML
- http
- HTTPS
- uman
- i
- ID
- identifică
- identifica
- identificarea
- if
- ilustrează
- impactant
- implementarea
- Punere în aplicare a
- import
- importatoare
- îmbunătăţi
- in
- include
- Inclusiv
- Intrare
- crescând
- index
- informații
- înrădăcinat
- inițială
- intrare
- intrări
- în interiorul
- instala
- instanță
- in schimb
- instrucțiuni
- integrarea
- scop
- interacţiuni
- interfaţă
- în
- Prezintă
- inventar
- implica
- IT
- articole
- jpg
- JSON
- doar
- A pastra
- Cheie
- chioșcuri
- Cunoaște
- Labs
- lipsă
- peisaj
- limbă
- mare
- Nume
- în cele din urmă
- mai tarziu
- strat
- lider
- conducere
- AFLAȚI
- învăţare
- limonadă
- lăsa
- Permite
- biblioteci
- Bibliotecă
- ca
- limitări
- Listă
- LLM
- încărca
- la nivel local
- logare
- logică
- mai lung
- Se pare
- iubeste
- maşină
- masina de învățare
- făcut
- Principal
- face
- gestionate
- administrare
- de conducere
- manual
- multe
- marcat
- pieţe
- me
- mijloace
- mediu
- membru
- Meniu
- mesaj
- mesaje
- meta
- metodă
- ar putea
- Lapte
- minim
- ratat
- dispărut
- Mobil
- mobile-aplicații
- model
- Modele
- modificată
- modifica
- moment
- mai mult
- multiplu
- my
- nume
- Numit
- Natural
- Natură
- Navigaţi
- Navigare
- necesar
- Nevoie
- necesar
- nevoilor
- Nou
- următor
- Nu.
- Nici unul
- caiet
- acum
- obiect
- obiectiv
- a avut loc
- of
- ofertele
- promoții
- de multe ori
- Bine
- on
- La cerere
- ONE
- afară
- deschide
- opereaza
- operațional
- Opțiune
- Opţiuni
- or
- orchestrând
- orchestrație
- comandă
- comenzilor
- de organizare
- organizații
- Altele
- al nostru
- producție
- iesiri
- global
- pâine
- parametrii
- parte
- partener
- parteneri
- trece
- Trecut
- trece
- cale
- modele
- plată
- la sută
- efectuează
- poate
- permisiuni
- bucată
- Loc
- Locuri
- plasare
- Plato
- Informații despre date Platon
- PlatoData
- joc
- "vă rog"
- puncte
- Politica
- PoS
- ridică
- poziţie
- pozitiv
- posibil
- Post
- potenţial
- puternic
- practică
- preliminar
- Pregăti
- Se pregătește
- pregătirea
- prezenta
- cadouri
- precedent
- preţ
- de stabilire a prețurilor
- intimitate
- continua
- proces
- Procesat
- procese
- prelucrare
- Profil
- solicitări
- perspectivă
- furniza
- prevăzut
- furnizorul
- furnizează
- dispoziţie
- Trage
- pune
- Piton
- întrebare
- repede
- R
- ridica
- gamă
- Crud
- RE
- Citeste
- Citind
- gata
- recomanda
- Recomandări
- reduce
- trimite
- regiune
- regulat
- legate de
- se bazează
- rămâne
- rămășițe
- minte
- eliminarea
- înlocuire
- solicita
- cereri de
- necesar
- resursă
- Resurse
- Răspunde
- răspuns
- răspunsuri
- responsabil
- rezultat
- REZULTATE
- reveni
- Returnează
- reutilizabile
- rigid
- robust
- Rol
- Traseul
- RÂND
- Alerga
- funcţionare
- ruleaza
- Runtime
- s
- sagemaker
- acelaşi
- probă
- Economisiți
- salvate
- Spune
- scalabil
- Scară
- scenariu
- scenarii
- capturi de ecran
- sdk
- Al doilea
- Secret
- Secțiune
- securitate
- vedea
- selecta
- senior
- serverless
- serviciu
- Servicii
- sesiune
- set
- instalare
- setări
- configurarea
- câteva
- ea
- Coajă
- magazine
- să
- Arăta
- a arătat
- indicat
- Emisiuni
- închide
- Închide
- simplu
- singur
- Mărimea
- aptitudini
- slot
- sloturi
- mic
- fragment
- So
- Fotbal
- Numai
- soluţie
- soluţii
- unele
- Cineva
- ceva
- vorbi
- varful de lance
- special
- specializată
- specific
- viteză
- petrece
- Stabilitate
- standard
- Începe
- Pornire
- Stat
- Declarație
- Pas
- paşi
- stocate
- stocarea
- Strategic
- strategii
- simplifica
- structura
- luptele
- studio
- substanțial
- Reușit
- astfel de
- zahăr
- sugera
- sugerează
- rezuma
- REZUMAT
- Suportat
- sigur
- rapid
- sistem
- sisteme
- tabel
- TAG
- ia
- Sarcină
- sarcini
- gust
- tehnologic
- Tehnologia
- șablon
- şabloane
- Terminal
- test
- a) Sport and Nutrition Awareness Day in Manasia Around XNUMX people from the rural commune Manasia have participated in a sports and healthy nutrition oriented activity in one of the community’s sports ready yards. This activity was meant to gather, mainly, middle-aged people from a Romanian rural community and teach them about the benefits that sports have on both their mental and physical health and on how sporting activities can be used to bring people from a community closer together. Three trainers were made available for this event, so that the participants would get the best possible experience physically and so that they could have the best access possible to correct information and good sports/nutrition practices. b) Sports Awareness Day in Poiana Țapului A group of young participants have taken part in sporting activities meant to teach them about sporting conduct, fairplay, and safe physical activities. The day culminated with a football match.
- mulțumesc
- acea
- informațiile
- lor
- Lor
- apoi
- Acolo.
- prin urmare
- Acestea
- ei
- lucru
- Al treilea
- acest
- trei
- Prin
- de-a lungul
- timp
- cronologie
- la
- astăzi
- azi
- Unelte
- Total
- tradiţional
- Pregătire
- Transforma
- călătorie
- declanşa
- necaz
- încerca
- încercat
- Două
- tip
- înţelege
- înţelegere
- de unităţi
- Se încarcă
- utilizare
- carcasa de utilizare
- utilizat
- Utilizator
- utilizări
- folosind
- utilitate
- Utilizand
- valabil
- VALIDA
- validate
- validare
- validator
- valoare
- Valori
- variabil
- diverse
- varia
- verifica
- versiune
- foarte
- de
- vizual
- Voce
- vrea
- vrea
- a fost
- Cale..
- we
- web
- servicii web
- BINE
- au fost
- Ce
- cand
- care
- în timp ce
- întreg
- mai larg
- voi
- fereastră
- cu
- în
- fără
- flux de lucru
- de lucru
- fabrică
- ar
- scrie
- XML
- da
- Tu
- Ta
- te
- zephyrnet
- Zip