În această postare, discutăm despre o soluție de învățare automată (ML) pentru căutări complexe de imagini folosind Amazon Kendra și Amazon Rekognition. Mai exact, folosim exemplul diagramelor de arhitectură pentru imagini complexe datorită încorporării lor a numeroase pictograme vizuale și text diferite.
Cu internetul, căutarea și obținerea unei imagini nu a fost niciodată mai ușoară. De cele mai multe ori, puteți localiza cu precizie imaginile dorite, cum ar fi căutarea următoarei destinații de vacanță. Căutările simple au adesea succes, deoarece nu sunt asociate cu multe caracteristici. Dincolo de caracteristicile dorite ale imaginii, criteriile de căutare de obicei nu necesită detalii semnificative pentru a localiza rezultatul dorit. De exemplu, dacă un utilizator a încercat să caute un anumit tip de sticle albastră, vor fi afișate rezultatele multor tipuri diferite de sticle albastre. Cu toate acestea, sticla albastră dorită s-ar putea să nu fie ușor de găsit din cauza termenilor de căutare generici.
Interpretarea contextului de căutare contribuie, de asemenea, la simplificarea rezultatelor. Când utilizatorii au în minte o imagine dorită, ei încearcă să o încadreze într-o interogare de căutare bazată pe text. Înțelegerea nuanțelor dintre interogările de căutare pentru subiecte similare este importantă pentru a oferi rezultate relevante și pentru a minimiza efortul necesar utilizatorului pentru sortarea manuală a rezultatelor. De exemplu, interogarea de căutare „Stăpânul câinelui joacă preluare” încearcă să returneze rezultate de imagine care arată un proprietar de câine care joacă un joc de preluare cu un câine. Cu toate acestea, rezultatele reale generate se pot concentra în schimb asupra unui câine care preia un obiect fără a afișa implicarea unui proprietar. Este posibil ca utilizatorii să fie nevoiți să filtreze manual rezultatele imaginilor necorespunzătoare atunci când au de-a face cu căutări complexe.
Pentru a aborda problemele asociate căutărilor complexe, această postare descrie în detaliu cum puteți realiza un motor de căutare capabil să caute imagini complexe prin integrarea Amazon Kendra și Amazon Rekognition. Amazon Kendra este un serviciu de căutare inteligentă bazat pe ML, iar Amazon Rekognition este un serviciu ML care poate identifica obiecte, oameni, text, scene și activități din imagini sau videoclipuri.
Ce imagini pot fi prea complexe pentru a putea fi căutate? Un exemplu sunt diagramele de arhitectură, care pot fi asociate cu multe criterii de căutare în funcție de complexitatea cazului de utilizare și de numărul de servicii tehnice necesare, ceea ce are ca rezultat un efort semnificativ de căutare manuală pentru utilizator. De exemplu, dacă utilizatorii doresc să găsească o soluție de arhitectură pentru cazul de utilizare al verificării clienților, de obicei vor folosi o interogare de căutare similară cu „Diagrame de arhitectură pentru verificarea clienților”. Cu toate acestea, interogările de căutare generice ar acoperi o gamă largă de servicii și la diferite date de creare a conținutului. Utilizatorii ar trebui să selecteze manual candidații arhitecturali adecvați pe baza unor servicii specifice și să ia în considerare relevanța alegerilor de proiectare a arhitecturii în funcție de data creării conținutului și data interogării.
Următoarea figură prezintă un exemplu de diagramă care ilustrează o soluție de arhitectură de extragere, transformare și încărcare (ETL) orchestrată.
Pentru utilizatorii care nu sunt familiarizați cu ofertele de servicii oferite pe platforma cloud, aceștia pot oferi diferite moduri și descrieri generice atunci când caută o astfel de diagramă. Următoarele sunt câteva exemple despre cum ar putea fi căutat:
- „Orchestrați fluxul de lucru ETL”
- „Cum să automatizezi procesarea datelor în vrac”
- „Metode pentru a crea o conductă pentru transformarea datelor”
Prezentare generală a soluțiilor
Vă ghidăm prin următorii pași pentru a implementa soluția:
- Antrenează un Etichete personalizate Amazon Rekognition model pentru a recunoaște simboluri în diagramele de arhitectură.
- Încorporați detectarea textului Amazon Rekognition pentru a valida simbolurile diagramei arhitecturii.
- Utilizați Amazon Rekognition într-un crawler web pentru a crea un depozit pentru căutare
- Utilizați Amazon Kendra pentru a căuta în depozit.
Pentru a oferi utilizatorilor cu ușurință un depozit mare de rezultate relevante, soluția ar trebui să ofere o modalitate automată de căutare prin surse de încredere. Folosind diagrame de arhitectură ca exemplu, soluția trebuie să caute prin link-uri de referință și documente tehnice diagrame de arhitectură și să identifice serviciile prezente. Identificarea cuvintelor cheie, cum ar fi cazurile de utilizare și verticalele din industrie în aceste surse, permite, de asemenea, capturarea informațiilor și afișarea rezultatelor de căutare mai relevante pentru utilizator.
Având în vedere obiectivul modului în care diagramele relevante trebuie căutate, soluția de căutare a imaginilor trebuie să îndeplinească trei criterii:
- Activați căutarea simplă prin cuvinte cheie
- Interpretați interogările de căutare pe baza cazurilor de utilizare oferite de utilizatori
- Sortați și ordonați rezultatele căutării
Căutarea prin cuvinte cheie este pur și simplu căutarea „Amazon Rekognition” și sunt afișate diagrame de arhitectură despre modul în care serviciul este utilizat în diferite cazuri de utilizare. Alternativ, termenii de căutare pot fi legați indirect de diagramă prin cazuri de utilizare și verticale din industrie care pot fi asociate cu arhitectura. De exemplu, căutarea termenilor „Cum să orchestrați conducta ETL” returnează rezultate ale diagramelor de arhitectură construite cu AWS Adeziv și Funcții pas AWS. Sortarea și ordonarea rezultatelor căutării pe baza atributelor, cum ar fi data creării, ar asigura că diagramele de arhitectură sunt încă relevante, în ciuda actualizărilor și lansărilor de servicii. Următoarea figură prezintă diagrama arhitecturii pentru soluția de căutare de imagini.
După cum este ilustrat în diagrama precedentă și în prezentarea generală a soluției, există două aspecte principale ale soluției. Primul aspect este realizat de Amazon Rekognition, care poate identifica obiecte, oameni, text, scene și activități din imagini sau videoclipuri. Este format din modele pre-antrenate care pot fi aplicate pentru a analiza imagini și videoclipuri la scară. Cu funcția sa de etichete personalizate, Amazon Rekognition vă permite să adaptați serviciul ML la nevoile dvs. specifice de afaceri prin etichetarea imaginilor adunate din surse prin diagrame de arhitectură în link-uri de referință de încredere și documente tehnice. Prin încărcarea unui set mic de imagini de antrenament, Amazon Rekognition încarcă și inspectează automat datele de antrenament, selectează algoritmii ML potriviți, antrenează un model și furnizează valori de performanță a modelului. Prin urmare, utilizatorii fără expertiză ML se pot bucura de beneficiile unui model de etichete personalizate printr-un apel API, deoarece o cantitate semnificativă de cheltuieli generale este redusă. Soluția aplică etichete personalizate Amazon Rekognition pentru a detecta siglele serviciului AWS pe diagramele de arhitectură pentru a permite că diagramele de arhitectură pot fi căutate cu nume de servicii. După modelare, serviciile detectate ale fiecărei imagini diagramă de arhitectură și metadatele acesteia, cum ar fi originea URL și titlul imaginii, sunt indexate în scopuri de căutare viitoare și stocate în Amazon DynamoDB, o bază de date NoSQL complet gestionată, fără server, cu cheie-valoare, concepută pentru a rula aplicații de înaltă performanță.
Cel de-al doilea aspect este susținut de Amazon Kendra, un serviciu inteligent de căutare pentru întreprinderi, alimentat de ML, care vă permite să căutați în diferite depozite de conținut. Cu Amazon Kendra, puteți căuta rezultate, cum ar fi imagini sau documente, care au fost indexate. Aceste rezultate pot fi stocate și în diferite depozite, deoarece serviciul de căutare folosește conectori încorporați. Cuvintele cheie, frazele și descrierile pot fi folosite pentru căutare, ceea ce vă permite să căutați cu precizie diagrame care au legătură cu un anumit caz de utilizare. Prin urmare, puteți construi cu ușurință un serviciu de căutare inteligent cu costuri minime de dezvoltare.
Cu o înțelegere a problemei și a soluției, secțiunile ulterioare analizează modul de automatizare a aprovizionării datelor prin accesarea cu crawlere a diagramelor de arhitectură din surse credibile. După aceasta, parcurgem procesul de generare a unui model ML cu etichete personalizate cu un serviciu complet gestionat. În cele din urmă, acoperim ingerarea de date printr-un serviciu de căutare inteligent, alimentat de ML.
Creați un model Amazon Rekognition cu etichete personalizate
Înainte de a obține orice diagramă de arhitectură, avem nevoie de un instrument pentru a evalua dacă o imagine poate fi identificată ca diagramă de arhitectură. Amazon Rekognition Custom Labels oferă un proces simplificat pentru a crea un model de recunoaștere a imaginilor care identifică obiectele și scenele din imagini care sunt specifice unei nevoi de afaceri. În acest caz, folosim etichete personalizate Amazon Rekognition pentru a identifica pictogramele serviciului AWS, apoi imaginile sunt indexate cu serviciile pentru o căutare mai relevantă folosind Amazon Kendra. Acest model nu diferențiază dacă o imagine este o diagramă de arhitectură sau nu; pur și simplu identifică pictogramele de serviciu, dacă există. Ca atare, pot exista cazuri în care imaginile care nu sunt diagrame de arhitectură ajung în rezultatele căutării. Cu toate acestea, astfel de rezultate sunt minime.
Următoarea figură arată pașii pe care îi face această soluție pentru a crea un model Amazon Rekognition Custom Labels.
Acest proces implică încărcarea setului de date, generarea unui fișier manifest care face referire la seturile de date încărcate, urmat de încărcarea acestui fișier manifest în Amazon Rekognition. Un script Python este utilizat pentru a ajuta în procesul de încărcare a setului de date și de generare a fișierului manifest. După generarea cu succes a fișierului manifest, acesta este apoi încărcat în Amazon Rekognition pentru a începe procesul de instruire a modelului. Pentru detalii despre scriptul Python și despre cum să-l rulați, consultați GitHub repo.
Pentru a antrena modelul, în proiectul Amazon Rekognition, alegeți Model de tren, selectați proiectul pe care doriți să-l antrenați, apoi adăugați orice etichete relevante și alegeți Model de tren. Pentru instrucțiuni despre începerea unui proiect Amazon Rekognition Custom Labels, consultați cele disponibile tutoriale video. Antrenamentul cu acest set de date poate dura până la 8 ore.
Când instruirea este finalizată, puteți alege modelul instruit pentru a vizualiza rezultatele evaluării. Pentru mai multe detalii despre diferitele valori, cum ar fi precizia, rechemarea și F1, consultați Metrici pentru evaluarea modelului dvs. Pentru a utiliza modelul, navigați la Utilizați modelul fila, lăsați numărul de unități de inferență la 1 și porniți modelul. Apoi putem folosi un AWS Lambdas pentru a trimite imagini modelului din base64, iar modelul returnează o listă de etichete și scoruri de încredere.
După antrenarea cu succes a unui model Amazon Rekognition cu etichete personalizate Amazon Rekognition, îl putem folosi pentru a identifica pictogramele de serviciu din diagramele de arhitectură care au fost accesate cu crawlere. Pentru a crește acuratețea identificării serviciilor în diagrama arhitecturii, folosim o altă caracteristică Amazon Rekognition numită detectarea textului. Pentru a folosi această caracteristică, trecem în aceeași imagine în base64, iar Amazon Rekognition returnează lista de text identificată în imagine. În figurile următoare, comparăm imaginea originală și cum arată după ce serviciile din imagine sunt identificate. Prima figură arată imaginea originală.
Următoarea figură arată imaginea originală cu serviciile detectate.
Pentru a asigura scalabilitatea, folosim o funcție Lambda, care va fi expusă printr-un punct final API creat folosind Gateway API Amazon. Lambda este un serviciu de calcul fără server, bazat pe evenimente, care vă permite să rulați cod pentru aproape orice tip de aplicație sau serviciu backend fără a furniza sau gestiona servere. Utilizarea unei funcții Lambda elimină o preocupare comună cu privire la extinderea atunci când se fac volume mari de solicitări către punctul final API. Lambda rulează automat funcția pentru apelul API specific, care se oprește când invocarea este completă, reducând astfel costurile suportate pentru utilizator. Deoarece cererea ar fi direcționată către punctul final Amazon Rekognition, ca doar funcția Lambda să fie scalabilă nu este suficient. Pentru ca punctul final Amazon Rekognition să fie scalabil, puteți crește unitatea de inferență a punctului final. Pentru mai multe detalii despre configurarea unității de inferență, consultați Unități de inferență.
Următorul este un fragment de cod al funcției Lambda pentru procesul de recunoaștere a imaginii:
După crearea funcției Lambda, putem continua să o expunem ca API folosind API Gateway. Pentru instrucțiuni despre crearea unui API cu integrare proxy Lambda, consultați Tutorial: Creați un API REST Hello World cu integrarea proxy Lambda.
Urmăriți diagramele de arhitectură
Pentru ca funcția de căutare să funcționeze fezabil, avem nevoie de un depozit de diagrame de arhitectură. Cu toate acestea, aceste diagrame trebuie să provină din surse credibile, cum ar fi Blogul AWS și Ghid prescriptiv AWS. Stabilirea credibilității surselor de date asigură că implementarea și scopul de bază al cazurilor de utilizare sunt exacte și bine verificate. Următorul pas este să configurați un crawler care poate ajuta la colectarea multor diagrame de arhitectură pentru a fi alimentate în depozitul nostru. Am creat un crawler web pentru a extrage diagrame de arhitectură și informații, cum ar fi o descriere a implementării din sursele relevante. Există mai multe moduri prin care puteți realiza construirea unui astfel de mecanism; pentru acest exemplu, folosim un program care rulează Cloud Elastic de calcul Amazon (Amazon EC2). Programul obține mai întâi link-uri către postări de blog dintr-un API AWS Blog. Răspunsul returnat de la API conține informații despre postare, cum ar fi titlul, adresa URL, data și linkurile către imaginile găsite în postare.
Următorul este un fragment de cod al funcției JavaScript pentru procesul de accesare cu crawlere web:
Cu acest mecanism, putem accesa cu ușurință sute și mii de imagini de pe bloguri diferite. Cu toate acestea, avem nevoie de un filtru care acceptă doar imagini care conțin conținutul unei diagrame de arhitectură, care în cazul nostru sunt pictograme ale serviciilor AWS, pentru a filtra imaginile care nu sunt diagrame de arhitectură.
Acesta este scopul modelului nostru Amazon Rekognition. Diagramele trec prin procesul de recunoaștere a imaginii, care identifică pictogramele de serviciu și determină dacă ar putea fi considerată o diagramă de arhitectură validă.
Următorul este un fragment de cod al funcției care trimite imagini către modelul Amazon Rekognition:
După trecerea verificării recunoașterii imaginii, rezultatele returnate de la modelul Amazon Rekognition și informațiile relevante pentru acesta sunt grupate în propriile metadate. Metadatele sunt apoi stocate într-un tabel DynamoDB unde înregistrarea ar fi utilizată pentru a fi ingerată în Amazon Kendra.
Următorul este un fragment de cod al funcției care stochează metadatele diagramei în DynamoDB:
Ingerați metadate în Amazon Kendra
După ce diagramele de arhitectură trec prin procesul de recunoaștere a imaginii și metadatele sunt stocate în DynamoDB, avem nevoie de o modalitate ca diagramele să poată fi căutate în timp ce facem referire la conținutul din metadate. Abordarea în acest sens este de a avea un motor de căutare care poate fi integrat cu aplicația și poate gestiona o cantitate mare de interogări de căutare. Prin urmare, folosim Amazon Kendra, un serviciu inteligent de căutare pentru întreprinderi.
Folosim Amazon Kendra ca componentă interactivă a soluției datorită capacităților sale puternice de căutare, în special prin utilizarea limbajului natural. Acest lucru adaugă un strat suplimentar de simplitate atunci când utilizatorii caută diagrame care sunt cel mai apropiate de ceea ce caută. Amazon Kendra oferă o serie de conectori de surse de date pentru ingerarea și conectarea conținutului. Această soluție folosește un conector personalizat pentru a ingera informațiile diagramelor de arhitectură din DynamoDB. Pentru a configura o sursă de date la un index Amazon Kendra, puteți utiliza un index existent sau creați un nou index.
Diagramele accesate cu crawlere trebuie apoi ingerate în indexul Amazon Kendra care a fost creat. Următoarea figură arată fluxul modului în care sunt indexate diagramele.
În primul rând, diagramele introduse în DynamoDB creează un eveniment Put prin Fluxuri Amazon DynamoDB. Evenimentul declanșează funcția Lambda care acționează ca o sursă de date personalizată pentru Amazon Kendra și încarcă diagramele în index. Pentru instrucțiuni despre crearea unui declanșator DynamoDB Streams pentru o funcție Lambda, consultați Tutorial: Utilizarea AWS Lambda cu Amazon DynamoDB Streams
După ce integrăm funcția Lambda cu DynamoDB, trebuie să ingerăm înregistrările diagramelor trimise funcției în indexul Amazon Kendra. Indexul acceptă date din diferite tipuri de surse, iar ingerarea elementelor în index din funcția Lambda înseamnă că trebuie să utilizeze configurația personalizată a sursei de date. Pentru instrucțiuni despre crearea unei surse de date personalizate pentru indexul dvs., consultați Conector personalizat sursă de date.
Următorul este un fragment de cod al funcției Lambda pentru modul în care o diagramă poate fi indexată într-o manieră personalizată:
Factorul important care permite căutării diagramelor este cheia Blob dintr-un document. Acesta este ceea ce Amazon Kendra analizează atunci când utilizatorii își oferă informațiile de căutare. În acest exemplu de cod, cheia Blob conține o versiune rezumată a cazului de utilizare a diagramei concatenată cu informațiile detectate din procesul de recunoaștere a imaginii. Acest lucru permite utilizatorilor să caute diagrame de arhitectură pe baza cazurilor de utilizare, cum ar fi „Detectarea fraudei” sau după nume de servicii precum „Amazon Kendra”.
Pentru a ilustra un exemplu despre cum arată cheia Blob, următorul fragment face referire la diagrama ETL inițială pe care am introdus-o mai devreme în această postare. Conține o descriere a diagramei care a fost obținută atunci când a fost accesată cu crawlere, precum și serviciile care au fost identificate de modelul Amazon Rekognition.
Căutați cu Amazon Kendra
După ce am pus toate componentele împreună, rezultatele unui exemplu de căutare de „analitică în timp real” arată ca următoarea captură de ecran.
Căutând acest caz de utilizare, acesta produce diagrame de arhitectură diferite. Utilizatorilor li se oferă aceste metode diferite ale sarcinii de lucru specifice pe care încearcă să o implementeze.
A curăța
Parcurgeți pașii din această secțiune pentru a curăța resursele pe care le-ați creat ca parte a acestei postări:
- Ștergeți API-ul:
- Pe consola API Gateway, selectați API-ul de șters.
- Pe Acţiuni meniu, alegeți Șterge.
- Alege Șterge a confirma.
- Ștergeți tabelul DynamoDB:
- Pe consola DynamoDB, alegeți Mese în panoul de navigare.
- Selectați tabelul pe care l-ați creat și alegeți Șterge.
- Introduceți ștergere când vi se solicită confirmarea.
- Alege Șterge tabelul a confirma.
- Ștergeți indexul Amazon Kendra:
- Pe consola Amazon Kendra, alegeți Indexuri în panoul de navigare.
- Selectați indexul pe care l-ați creat și alegeți Șterge
- Introduceți un motiv când vi se solicită confirmarea.
- Alege Șterge a confirma.
- Ștergeți proiectul Amazon Rekognition:
- Pe consola Amazon Rekognition, alegeți Utilizați etichete personalizate în panoul de navigare, apoi alegeți Proiecte.
- Selectați proiectul pe care l-ați creat și alegeți Șterge.
- Introduceți Ștergere când vi se solicită confirmarea.
- Alege Ștergeți seturile de date și modelele asociate a confirma.
- Ștergeți funcția Lambda:
- Pe consola Lambda, selectați funcția de șters.
- Pe Acţiuni meniu, alegeți Șterge.
- Introduceți Ștergere când vi se solicită confirmarea.
- Alege Șterge a confirma.
Rezumat
În această postare, am arătat un exemplu despre cum puteți căuta inteligent informații din imagini. Aceasta include procesul de instruire a unui model Amazon Rekognition ML care acționează ca un filtru pentru imagini, automatizarea accesării cu crawlere a imaginilor, care asigură credibilitatea și eficiența, precum și interogarea diagramelor prin atașarea unei surse de date personalizate care permite o modalitate mai flexibilă de indexare a elementelor. . Pentru a explora mai profund implementarea codurilor, consultați GitHub repo.
Acum că înțelegeți cum să furnizați coloana vertebrală a unui depozit de căutare centralizat pentru căutări complexe, încercați să vă creați propriul motor de căutare de imagini. Pentru mai multe informații despre caracteristicile de bază, consultați Noțiuni introductive despre etichetele personalizate Amazon Rekognition, Moderarea conținutului, Şi Ghidul dezvoltatorului Amazon Kendra. Dacă sunteți nou în Amazon Rekognition Custom Labels, încercați-l folosind nivelul nostru gratuit, care durează 3 luni și include 10 ore de instruire gratuite pe lună și 4 ore de inferență gratuite pe lună.
Despre Autori
Ryan vezi este arhitect de soluții la AWS. Cu sediul în Singapore, el lucrează cu clienții pentru a construi soluții pentru a le rezolva problemele de afaceri, precum și pentru a personaliza o viziune tehnică pentru a ajuta la rularea sarcinilor de lucru mai scalabile și mai eficiente în cloud.
James Ong Jia Xiang este manager de soluții pentru clienți la AWS. El este specializat în programul de accelerare a migrației (MAP), unde ajută clienții și partenerii să implementeze cu succes programe de migrare la scară largă către AWS. Cu sediul în Singapore, el se concentrează, de asemenea, pe promovarea inițiativelor de modernizare și transformare a întreprinderii în APJ prin mecanisme scalabile. Pentru petrecere a timpului liber, el se bucură de activități în natură, cum ar fi trekking și surfing.
Hang Duong este arhitect de soluții la AWS. Cu sediul în Hanoi, Vietnam, ea se concentrează pe promovarea adoptării cloud-ului în țara ei, oferind clienților săi soluții cloud foarte disponibile, sigure și scalabile. În plus, îi place să construiască și este implicată în diverse proiecte de prototipare. De asemenea, este pasionată de domeniul învățării automate.
Trinh Vo este arhitect de soluții la AWS, cu sediul în Ho Chi Minh City, Vietnam. Ea se concentrează pe lucrul cu clienții din diferite industrii și parteneri din Vietnam pentru a crea arhitecturi și demonstrații ale platformei AWS care funcționează invers față de nevoile de afaceri ale clientului și accelerează adoptarea tehnologiei AWS adecvate. Îi place speologia și drumețiile pentru petrecere a timpului liber.
Wai Kin Tham este arhitect cloud la AWS. Cu sediul în Singapore, munca lui de zi cu zi implică să-i ajute pe clienți să migreze în cloud și să își modernizeze tehnologia în cloud. În timpul liber, urmează cursuri de Muay Thai și Brazilian Jiu Jitsu.
- Distribuție de conținut bazat pe SEO și PR. Amplifică-te astăzi.
- PlatoAiStream. Web3 Data Intelligence. Cunoștințe amplificate. Accesați Aici.
- Mintând viitorul cu Adryenn Ashley. Accesați Aici.
- Cumpărați și vindeți acțiuni în companii PRE-IPO cu PREIPO®. Accesați Aici.
- Sursa: https://aws.amazon.com/blogs/machine-learning/build-an-image-search-engine-with-amazon-kendra-and-amazon-rekognition/
- :are
- :este
- :nu
- :Unde
- $UP
- 1
- 10
- 100
- 12
- 200
- 40
- 7
- 8
- a
- Despre Noi
- accelera
- acceptă
- Conform
- precizie
- precis
- precis
- Obține
- peste
- activităţi de
- Acte
- adăuga
- Suplimentar
- În plus,
- adresa
- Adaugă
- Adoptare
- După
- Ajutorul
- algoritmi
- TOATE
- permite
- permite
- de asemenea
- Amazon
- Amazon Atena
- Amazon EC2
- Amazon Kendra
- Amazon Rekognition
- sumă
- an
- analiza
- și
- O alta
- Orice
- api
- aplicație
- aplicatii
- aplicat
- abordare
- adecvat
- arhitectural
- arhitectură
- SUNT
- Mulțime
- AS
- aspect
- aspecte
- asociate
- At
- atribute
- automatizarea
- Automata
- în mod automat
- Automatizare
- disponibil
- astept
- AWS
- AWS Adeziv
- AWS Lambdas
- Funcții pas AWS
- Axios
- Șira spinării
- Backend
- bazat
- BE
- deoarece
- fost
- începe
- fiind
- Beneficiile
- între
- Dincolo de
- Blog
- Blog
- bloguri
- Albastru
- corp
- Brazilian
- Pauză
- browser-ul
- tampon
- construi
- Clădire
- construit
- construit-in
- pachet
- afaceri
- by
- apel
- denumit
- apeluri
- CAN
- candidaţilor
- capacități
- capabil
- caz
- cazuri
- catalog
- centralizat
- Caracteristici
- verifica
- Verificări
- alegeri
- Alege
- Oraș
- clase
- Cloud
- adoptarea norului
- Platforma Cloud
- cod
- Comun
- comparaţie
- Completă
- Terminat
- complex
- complexitate
- component
- componente
- Calcula
- Îngrijorare
- încredere
- încrezător
- Configuraţie
- Confirma
- confirmare
- Conectarea
- Lua în considerare
- luate în considerare
- Consoleze
- conţine
- conține
- conţinut
- crearea de continut
- conținut
- context
- Nucleu
- A costat
- Cheltuieli
- ar putea
- ţară
- acoperi
- ambarcaţiunilor
- tractor pe şenile
- crea
- a creat
- Crearea
- creaţie
- Credibilitate
- credibil
- Criteriile de
- personalizat
- client
- Soluții pentru clienți
- clienţii care
- de date
- Baza de date
- seturi de date
- Data
- Date
- zi
- abuzive
- Mai adânc
- livra
- În funcție
- descriere
- Amenajări
- proiectat
- dorit
- destinație
- detaliu
- detalii
- detectat
- Detectare
- determină
- Dezvoltator
- Dezvoltare
- diagrame
- diferit
- distinge
- discuta
- afișarea
- document
- documentaţie
- documente
- Nu
- Câine
- conducere
- două
- e
- fiecare
- Mai devreme
- mai ușor
- cu ușurință
- eficiență
- eficient
- efort
- element
- elimină
- angajează
- permite
- capăt
- Punct final
- Motor
- se bucura
- asigura
- asigură
- Afacere
- eroare
- stabilirea
- evalua
- evaluare
- eveniment
- exemplu
- exemple
- existent
- expertiză
- exporturile
- expus
- extrage
- f1
- factor
- familiar
- Caracteristică
- DESCRIERE
- camp
- Figura
- cifre
- Fișier
- filtru
- Găsi
- First
- flexibil
- debit
- Concentra
- se concentrează
- a urmat
- următor
- Pentru
- găsit
- FRAME
- Gratuit
- din
- complet
- funcţie
- funcții
- viitor
- joc
- poartă
- aduna
- generată
- generator
- obține
- Caritate
- Go
- manipula
- Avea
- având în
- he
- anteturile
- ajutor
- ajutor
- ajută
- ei
- performanta ridicata
- cea mai mare
- extrem de
- lui
- Vacanță
- ORE
- Cum
- Cum Pentru a
- Totuși
- HTML
- http
- HTTPS
- sute
- i
- ID
- identificat
- identifică
- identifica
- identificarea
- if
- ilustrează
- imagine
- Recunoașterea imaginii
- Căutare de imagini
- imagini
- punerea în aplicare a
- implementarea
- import
- important
- in
- include
- Crește
- index
- indirect
- individ
- industrii
- industrie
- informații
- inițială
- inițiative
- intrare
- in schimb
- instrucțiuni
- integra
- integrate
- integrarea
- integrare
- Inteligent
- interactiv
- Internet
- în
- introdus
- implicat
- implicare
- IT
- articole
- ESTE
- JavaScript
- Loc de munca
- jpg
- JSON
- Cheie
- Rude
- Etichetă
- etichetarea
- etichete
- limbă
- mare
- pe scară largă
- strat
- învăţare
- cel mai puțin
- Părăsi
- Lungime
- lăsa
- Permite
- ca
- LINK
- legate de
- Link-uri
- Listă
- încărca
- loturile
- Uite
- arată ca
- cautati
- Se pare
- maşină
- masina de învățare
- făcut
- Principal
- gestionate
- manager
- de conducere
- manieră
- manual
- manual
- multe
- Hartă
- Mai..
- mijloace
- mecanism
- mecanisme
- Metadata
- Metode
- Metrici
- migra
- migrațiune
- minte
- minim
- ML
- model
- Modele
- moderniza
- Lună
- luni
- mai mult
- cele mai multe
- multiplu
- trebuie sa
- nume
- nume
- Natural
- Natură
- Navigaţi
- Navigare
- Nevoie
- nevoilor
- nu
- Nou
- următor
- număr
- numeroși
- obiect
- obiectiv
- obiecte
- obținut
- obținerea
- obține
- of
- ofertele
- promoții
- de multe ori
- on
- ONE
- afară
- or
- orchestrat
- comandă
- original
- OS
- al nostru
- afară
- Prezentare generală
- propriu
- proprietar
- pagină
- pâine
- parte
- special
- în special
- parteneri
- trece
- Care trece
- pasionat
- Model
- oameni
- performanță
- Expresii
- imagine
- conducte
- platformă
- Plato
- Informații despre date Platon
- PlatoData
- joc
- joacă
- Post
- postări
- alimentat
- puternic
- Precizie
- prezenta
- Problemă
- probleme
- proces
- Program
- Programe
- proiect
- Proiecte
- promisiune
- prototipuri
- furniza
- prevăzut
- furnizează
- furnizarea
- împuternicit
- public
- scop
- scopuri
- pune
- puts
- Piton
- interogări
- gamă
- motiv
- recunoaştere
- recunoaște
- record
- înregistrări
- Redus
- reducerea
- referințe
- regiune
- legate de
- Lansări
- relevanţa
- scoate
- îndepărtat
- depozit
- solicita
- cereri de
- necesita
- necesar
- Resurse
- răspuns
- REST
- rezultat
- REZULTATE
- reține
- reveni
- Returnează
- RÂND
- Alerga
- s
- acelaşi
- scalabilitate
- scalabil
- Scară
- scalare
- scene
- Caută
- motor de cautare
- căutare
- Al doilea
- Secțiune
- secțiuni
- sigur
- urmăreşte
- selectate
- trimite
- trimite
- serverless
- Servere
- serviciu
- Servicii
- set
- ea
- să
- indicat
- Emisiuni
- semnificativ
- asemănător
- simplu
- simplitate
- pur şi simplu
- Singapore
- Mărimea
- mic
- soluţie
- soluţii
- REZOLVAREA
- unele
- Sursă
- Surse
- Sourcing
- deschidere
- specializată
- specific
- specific
- ciudă
- stivui
- Începe
- început
- Pornire
- Pas
- paşi
- Încă
- opriri
- stocate
- magazine
- raționalizate
- fluxuri
- ulterior
- de succes
- Reușit
- astfel de
- suficient
- potrivit
- Suportat
- tabel
- Lua
- ia
- Tehnic
- Tehnologia
- termeni
- tailandez
- acea
- informațiile
- lor
- apoi
- Acolo.
- astfel
- prin urmare
- Acestea
- ei
- acest
- aceste
- mii
- trei
- Prin
- Nivelul
- timp
- Titlu
- la
- împreună
- de asemenea
- instrument
- subiecte
- Tren
- dresat
- Pregătire
- trenuri
- Transforma
- Transformare
- transformare
- încercat
- declanşa
- adevărat
- de încredere
- Două
- tip
- Tipuri
- tipic
- incapabil
- care stau la baza
- înţelege
- înţelegere
- unitate
- de unităţi
- actualizări
- încărcat
- Se încarcă
- pe
- URL-ul
- utilizare
- carcasa de utilizare
- utilizat
- Utilizator
- utilizatorii
- folosind
- VALIDA
- valoare
- diverse
- Verificare
- versiune
- verticalele
- verificat
- de
- Video
- Vietnam
- Vizualizare
- practic
- viziune
- volume
- vrea
- a fost
- Cale..
- modalități de
- we
- web
- BINE
- au fost
- Ce
- cand
- dacă
- care
- în timp ce
- OMS
- larg
- Gamă largă
- voi
- cu
- fără
- Apartamente
- de lucru
- fabrică
- lume
- ar
- scrie
- Tu
- Ta
- zephyrnet