Современные чат-боты могут выступать в качестве цифровых агентов, предоставляя новые возможности для круглосуточного обслуживания и поддержки клиентов во многих отраслях. Их популярность связана с возможностью отвечать на запросы клиентов в режиме реального времени и обрабатывать несколько запросов одновременно на разных языках. Чат-боты также предлагают ценную информацию о поведении клиентов на основе данных, при этом легко масштабируясь по мере роста пользовательской базы; поэтому они представляют собой экономически эффективное решение для привлечения клиентов. Чат-боты используют расширенные возможности естественного языка больших языковых моделей (LLM) для ответа на вопросы клиентов. Они могут понимать разговорный язык и реагировать естественно. Однако чат-боты, которые просто отвечают на базовые вопросы, имеют ограниченную полезность. Чтобы стать доверенными консультантами, чат-боты должны предоставлять продуманные и индивидуальные ответы.
Один из способов обеспечить более контекстное общение — связать чат-бота с внутренними базами знаний и информационными системами. Интеграция собственных корпоративных данных из внутренних баз знаний позволяет чат-ботам контекстуализировать свои ответы с учетом индивидуальных потребностей и интересов каждого пользователя. Например, чат-бот может предлагать продукты, соответствующие предпочтениям покупателя и прошлым покупкам, объяснять детали на языке, адаптированном к уровню знаний пользователя, или обеспечивать поддержку учетной записи, получая доступ к конкретным записям клиента. Способность разумно объединять информацию, понимать естественный язык и предоставлять индивидуальные ответы в ходе разговора позволяет чат-ботам приносить реальную бизнес-ценность в различных сценариях использования.
Популярный архитектурный образец Извлечение дополненной генерации (RAG) часто используется для расширения контекста пользовательских запросов и ответов. RAG сочетает в себе возможности LLM с фактами и реальными знаниями, полученными в результате извлечения соответствующих текстов и отрывков из массива данных. Эти извлеченные тексты затем используются для информирования и обоснования вывода, уменьшая галлюцинации и повышая релевантность.
В этом посте мы проиллюстрируем контекстуальное улучшение чат-бота с помощью Базы знаний для Amazon Bedrock, полностью управляемый бессерверный сервис. Интеграция баз знаний для Amazon Bedrock позволяет нашему чат-боту предоставлять более релевантные персонализированные ответы, связывая запросы пользователей с соответствующими информационными точками данных. Внутренне, Коренная порода Амазонки использует внедренные элементы, хранящиеся в векторной базе данных, для расширения контекста пользовательских запросов во время выполнения и обеспечения управляемой архитектуры RAG. Мы используем Письма Amazon акционерам набор данных для разработки этого решения.
Извлечение дополненной генерации
RAG — это подход к генерации естественного языка, который включает поиск информации в процесс генерации. Архитектура RAG включает в себя два ключевых рабочих процесса: предварительную обработку данных посредством приема и генерацию текста с использованием расширенного контекста.
Рабочий процесс приема данных использует LLM для создания векторов внедрения, которые представляют семантическое значение текстов. Вложения создаются для документов и вопросов пользователей. Внедрения документов разбиваются на фрагменты и сохраняются в виде индексов в векторной базе данных. Затем рабочий процесс генерации текста берет вектор внедрения вопроса и использует его для извлечения наиболее похожих фрагментов документа на основе сходства векторов. Он дополняет подсказки этими соответствующими частями для генерации ответа с помощью LLM. Для получения более подробной информации см. Учебник по поисковой расширенной генерации, встраиванию и векторным базам данных в разделе Предварительная версия: подключение базовых моделей к источникам данных вашей компании с помощью агентов для Amazon Bedrock.
На следующей диаграмме показана высокоуровневая архитектура RAG.
Хотя архитектура RAG имеет множество преимуществ, она включает в себя несколько компонентов, включая базу данных, механизм поиска, подсказку и генеративную модель. Управление этими взаимозависимыми частями может усложнить разработку и развертывание системы. Интеграция поиска и генерации также требует дополнительных инженерных усилий и вычислительных ресурсов. Некоторые библиотеки с открытым исходным кодом предоставляют оболочки для уменьшения этих накладных расходов; однако изменения в библиотеках могут привести к ошибкам и дополнительным затратам на управление версиями. Даже при использовании библиотек с открытым исходным кодом требуются значительные усилия для написания кода, определения оптимального размера фрагмента, создания вложений и многого другого. Сама по себе эта настройка может занять недели, в зависимости от объема данных.
Таким образом, управляемое решение, которое справляется с этими недифференцированными задачами, может упростить и ускорить процесс внедрения приложений RAG и управления ими.
Базы знаний для Amazon Bedrock
Базы знаний для Amazon Bedrock — это бессерверный вариант создания мощных диалоговых систем искусственного интеллекта с использованием RAG. Он предлагает полностью управляемые рабочие процессы приема данных и генерации текста.
При приеме данных он автоматически обрабатывает создание, хранение, управление и обновление текстовых вложений данных документа в векторную базу данных. Он разбивает документы на управляемые фрагменты для эффективного поиска. Затем фрагменты преобразуются во вложения и записываются в векторный индекс, что позволяет вам видеть исходные документы при ответе на вопрос.
Для генерации текста Amazon Bedrock предоставляет ПолучитьИСгенерировать API для внедрения пользовательских запросов и извлечения соответствующих фрагментов из базы данных векторов для генерации точных ответов. Он также поддерживает атрибуцию источника и кратковременную память, необходимую для приложений RAG.
Это позволяет вам сосредоточиться на своих основных бизнес-приложениях и устраняет недифференцированную тяжелую работу.
Обзор решения
Решение, представленное в этом посте, использует чат-бот, созданный с помощью стримлит приложение и включает в себя следующие сервисы AWS:
На следующей схеме показан общий шаблон архитектуры решения, который можно использовать для интеграции любого приложения чат-бота с базами знаний для Amazon Bedrock.
Эта архитектура включает в себя следующие шаги:
- Пользователь взаимодействует с интерфейсом чат-бота Streamlit и отправляет запрос на естественном языке.
- Это запускает функцию Lambda, которая вызывает базы знаний.
RetrieveAndGenerate
API. Внутри базы знаний используется Амазонка Титан модель внедрения, преобразует пользовательский запрос в вектор и находит фрагменты, семантически похожие на пользовательский запрос. Затем приглашение пользователя дополняется частями, полученными из базы знаний. Затем приглашение вместе с дополнительным контекстом отправляется в LLM для генерации ответа. В этом решении мы используем Антропный Клод Мгновенный в качестве нашего LLM для генерации ответов пользователей с использованием дополнительного контекста. Обратите внимание, что это решение поддерживается в регионах, где распространен Anthropic Claude на коренных породах Амазонки. доступен. - Контекстуально соответствующий ответ отправляется обратно приложению чат-бота и пользователю.
Предпосылки
Пользователям Amazon Bedrock необходимо запросить доступ к моделям фундамента, прежде чем они станут доступны для использования. Это единоразовое действие и занимает не более минуты. Для этого решения вам необходимо включить доступ к модели Titan Embeddings G1 — Text and Claude Instant — v1.2 в Amazon Bedrock. Для получения дополнительной информации см. Доступ к модели.
Клонировать репозиторий GitHub
Решение, представленное в этом посте, доступно по следующему адресу. Репо GitHub. Вам необходимо клонировать репозиторий GitHub на свой локальный компьютер. Откройте окно терминала и выполните следующую команду. Обратите внимание, что это одна команда git clone.
Загрузите свой набор данных знаний в Amazon S3.
Мы скачиваем набор данных для нашей базы знаний и загружаем его в корзину S3. Этот набор данных послужит основой для базы знаний. Выполните следующие шаги:
- Перейдите в Годовые отчеты, доверенности и письма акционерам хранилище данных и загрузите письма акционеров Amazon за последние несколько лет.
- На консоли Amazon S3 выберите Ведра в навигационной панели.
- Выберите Создать ведро.
- Назовите ведро
knowledgebase-<your-awsaccount-number>
. - Оставьте все остальные настройки сегмента по умолчанию и выберите Создавай.
- Перейдите в
knowledgebase-<your-awsaccount-number>
ведро. - Выберите Создать папку и назовите его набор данных.
- Оставьте все остальные настройки папки по умолчанию и выберите Создавай.
- Вернитесь в корзину и выберите Создать папку чтобы создать новую папку и назвать ее
lambdalayer
. - Оставьте все остальные настройки по умолчанию и выберите Создавай.
- Перейдите в
dataset
папку. - Загрузите в эту корзину годовые отчеты, прокси и файлы наборов данных писем акционерам, которые вы скачали ранее, и выберите Загрузите.
- Перейдите в
lambdalayer
папку. - Загрузить
knowledgebase-lambdalayer.zip
файл доступен под/lambda/layer
папку в репозитории GitHub, который вы клонировали ранее, и выберите Загрузите. Этот код слоя Lambda вы будете использовать позже для создания функции Lambda.
Создать базу знаний
На этом этапе мы создаем базу знаний, используя набор данных писем акционеров Amazon, который мы загрузили в нашу корзину S3 на предыдущем шаге.
- На консоли Amazon Bedrock в разделе оркестровка на панели навигации выберите База знаний.
- Выберите Создать базу знаний.
- В Подробности базы знаний раздел введите имя и необязательное описание.
- В IAM-разрешения раздел, выберите Создайте и используйте новую роль службы и введите имя для роли.
- Добавляйте теги по мере необходимости.
- Выберите Следующая.
- Оставлять Имя источника данных как имя по умолчанию.
- Что касается URI S3, выберите Обзор S3 выбрать ведро S3
knowledgebase-<your-account-number>/dataset/
.Вам нужно указать папку и папку набора данных, которые вы создали на предыдущих шагах. - В Дополнительные параметры оставьте значения по умолчанию (при желании вы можете изменить стратегию фрагментирования по умолчанию и указать размер фрагмента и наложение в процентах).
- Выберите Следующая.
- Что касается Модель вложений, наведите на Titan Embedding G1 – Текст.
- Что касается База данных векторов, вы можете выбрать Быстрое создание нового векторного хранилища or Выберите созданный вами векторный магазин. Обратите внимание: чтобы использовать выбранное вами векторное хранилище, вам необходимо иметь предварительно настроенное векторное хранилище. В настоящее время мы поддерживаем четыре типа векторных движков: векторный движок для Amazon OpenSearch Serverless, Amazon Aurora, Pinecone и Redis Enterprise Cloud. В этом посте мы выбираем «Быстрое создание нового векторного хранилища», которое по умолчанию создает новое бессерверное векторное хранилище OpenSearch в вашей учетной записи.
- Выберите Следующая.
- На Просмотрите и создайте страницу, просмотрите всю информацию или выберите Предыдущая изменить любые параметры.
- Выберите Создать базу знаний.Обратите внимание, что начинается процесс создания базы знаний, и его статус — «Выполняется». Создание векторного хранилища и базы знаний займет несколько минут. Не уходите со страницы, иначе создание не удастся.
- Когда статус базы знаний находится в
Ready
состояние, запишите идентификатор базы знаний. Вы будете использовать его на следующих шагах для настройки функции Lambda. - Теперь, когда база знаний готова, нам нужно синхронизировать с ней данные писем акционеров Amazon. в Источник данных разделе страницы сведений о базе знаний выберите Синхронизация чтобы запустить процесс приема данных из корзины S3 в базу знаний.
Этот процесс синхронизации разбивает файлы документов на более мелкие фрагменты указанного ранее размера, генерирует векторные внедрения с использованием выбранной модели внедрения текста и сохраняет их в векторном хранилище, управляемом базами знаний для Amazon Bedrock.
Когда синхронизация набора данных завершится, статус источника данных изменится на Ready
состояние. Обратите внимание: если вы добавите какие-либо дополнительные документы в папку данных S3, вам потребуется повторно синхронизировать базу знаний.
Поздравляем, ваша база знаний готова.
Обратите внимание, что вы также можете использовать базы знаний для API-интерфейсов сервисов Amazon Bedrock и Интерфейс командной строки AWS (AWS CLI) для программного создания базы знаний. Вам нужно будет запустить различные разделы блокнота Jupyter, представленные в разделе /notebook
папка в репозитории GitHub.
Создать лямбда-функцию
Эта функция Lambda развертывается с помощью AWS CloudFormation шаблон доступен в репозитории GitHub под /cfn
папка. Для шаблона требуются два параметра: имя корзины S3 и идентификатор базы знаний.
- На домашней странице сервиса AWS CloudFormation выберите Создать стек чтобы создать новый стек.
- Выберите Шаблон готов для Подготовить шаблон.
- Выберите Загрузите файл шаблона для Источник шаблона.
- Выберите Выберите файл, перейдите к репозиторию GitHub, который вы клонировали ранее, и выберите файл .yaml под
/cfn
папку. - Выберите Следующая.
- Что касается Название стекавведите имя.
- В параметры введите идентификатор базы знаний и имя корзины S3, которое вы записали ранее.
- Выберите Следующая.
- Оставьте все параметры по умолчанию как есть, выберите Следующая, и выберите Отправить.
- Убедитесь, что шаблон CloudFormation выполнен успешно и нет ошибок.
Поздравляем, вы успешно создали функцию Lambda, связанные роли и политики.
Протестируйте приложение контекстного чат-бота
Чтобы протестировать приложение чат-бота, выполните следующие шаги:
- Откройте новый терминал или окно командной строки на своем компьютере.
- Запустите следующую команду, чтобы установить AWS SDK для Python (Boto3). Boto3 упрощает интеграцию приложения, библиотеки или скрипта Python с сервисами AWS.
- Выполните следующую команду, чтобы установить и настроить локальную среду разработки Python для запуска приложения Streamlit:
- Перейдите в
/streamlit
в папке репозитория GitHub, которую вы клонировали ранее. - Запустите следующую команду, чтобы создать экземпляр приложения чат-бота:
В веб-браузере по умолчанию должно открыться веб-приложение чата на базе Streamlit.
- Используйте это приложение чат-бота Streamlit, чтобы задавать вопросы на естественном языке и начинать общение на основе баз знаний для Amazon Bedrock.
Когда вы отправляете запрос, приложение Streamlit запускает функцию Lambda, которая вызывает базы знаний. RetrieveAndGenerate
API для поиска и генерации ответов.
В следующей таблице приведены некоторые примеры вопросов и соответствующие ответы из базы знаний. Попробуйте ответить на некоторые из этих вопросов, используя подсказки.
Вопросы | ответы |
Что делает Amazon в области генеративного искусственного интеллекта? | Amazon работает над собственными большими языковыми моделями (LLM) для генеративного искусственного интеллекта и считает, что они изменят и улучшат качество обслуживания каждого клиента. Они планируют продолжать существенно инвестировать в эти модели для всех своих потребителей, продавцов, брендов и авторов. |
Какова годовая выручка AWS в 2022 году? | В 29 году выручка AWS выросла на 2022% по сравнению с аналогичным периодом прошлого года при базовой выручке в 62 миллиарда долларов. |
Сколько дней Amazon просил сотрудников приходить на работу в офис? | Amazon попросил корпоративных сотрудников приходить в офис как минимум три дня в неделю, начиная с мая 2022 года. |
На какой процент вырос доход AWS по сравнению с аналогичным периодом прошлого года в 2022 году? | В 29 году выручка AWS в годовом исчислении составила 2022%. |
По сравнению с процессорами Graviton2, какое улучшение производительности обеспечили чипы Graviton3 согласно отрывку? | В 2022 году AWS представила свои чипы Graviton3, обеспечивающие производительность на 25 % выше, чем процессоры Graviton2. |
Какой чип вывода был выпущен AWS первым, согласно этому отрывку? | AWS выпустила свои первые чипы вывода («Inferentia») в 2019 году, и они сэкономили таким компаниям, как Amazon, более ста миллионов долларов на капитальных затратах. |
Согласно контексту, в каком году годовой доход Amazon увеличился с $245 млрд до $434 млрд? | Годовой доход Amazon увеличился с $245 млрд в 2019 году до $434 млрд в 2022 году. |
Скажите еще раз, какая была выручка в 2019 году? | Выручка Amazon в 2019 году составила $245 млрд. |
а 2021 год? | Выручка Amazon в 2021 году составила $469.8 млрд, что на 22% больше, чем в 2020 году. |
И еще раз напомните мне, когда был выпущен первый чип вывода? | Первым чипом вывода Amazon был Inferentia, выпущенный в 2019 году. |
При первом вызове функции Lambda RetrieveAndGenerate
API возвращает sessionId
, который затем передается приложением Streamlit вместе с последующим приглашением пользователя в качестве входных данных для API RetievAndGenerate для продолжения диалога в том же сеансе. RetrieveAndGenerate
API управляет кратковременной памятью и использует историю чата, пока один и тот же идентификатор сеанса передается в качестве входных данных в последовательных вызовах.
Поздравляем, вы успешно создали и протестировали приложение чат-бота, используя базы знаний для Amazon Bedrock.
Убирать
Если не удалить такие ресурсы, как корзина S3, бессерверную коллекцию OpenSearch и базу знаний, взимается плата. Чтобы очистить эти ресурсы, удалите стек CloudFormation, удалите корзину S3 (включая все папки документов и файлы, хранящиеся в этой корзине), удалите коллекцию OpenSearch Serverless, удалите базу знаний и удалите все роли, политики и разрешения, которые вы созданный ранее.
Заключение
В этом посте мы представили обзор контекстных чат-ботов и объяснили, почему они важны. Мы описали сложности, связанные с рабочими процессами приема данных и генерации текста для архитектуры RAG. Затем мы рассказали, как базы знаний для Amazon Bedrock создают полностью управляемую бессерверную систему RAG, включая векторное хранилище. Наконец, мы предоставили архитектуру решения и пример кода в Репо GitHub для получения и генерации контекстных ответов для приложения чат-бота с использованием базы знаний.
Объясняя ценность контекстных чат-ботов, проблемы систем RAG и то, как базы знаний для Amazon Bedrock решают эти проблемы, этот пост был призван продемонстрировать, как Amazon Bedrock позволяет создавать сложные диалоговые приложения искусственного интеллекта с минимальными усилиями.
Для получения дополнительной информации см. Руководство разработчика Amazon Bedrock и API базы знаний.
Об авторах
Маниш Чу — главный архитектор решений в AWS в Сан-Франциско, Калифорния. Он специализируется на машинном обучении и генеративном искусственном интеллекте. Он работает с организациями, от крупных предприятий до стартапов на ранней стадии, над проблемами, связанными с машинным обучением. Его роль заключается в том, чтобы помогать этим организациям разрабатывать масштабируемые, безопасные и экономичные рабочие нагрузки на AWS. Он регулярно выступает на конференциях AWS и других партнерских мероприятиях. Вне работы он любит ходить в походы по тропам Ист-Бэй, кататься на велосипеде и смотреть крикет (и играть в него).
Мани Хануджа — технический руководитель, специалисты по генеративному искусственному интеллекту, автор книги «Прикладное машинное обучение и высокопроизводительные вычисления на AWS», а также член совета директоров Фонда образования женщин в производстве. Она возглавляет проекты машинного обучения в различных областях, таких как компьютерное зрение, обработка естественного языка и генеративный искусственный интеллект. Она выступает на внутренних и внешних конференциях, таких как AWS re:Invent, Women in Manufacturing West, вебинарах YouTube и GHC 23. В свободное время она любит совершать длительные пробежки по пляжу.
Паллави Наргунд — главный архитектор решений в AWS. В своей роли специалиста по облачным технологиям она работает с клиентами, чтобы понять их цели и проблемы, а также дает рекомендации по достижению их целей с помощью предложений AWS. Она увлечена женщинами в сфере технологий и является одним из основных членов организации «Женщины в искусственном интеллекте и машинном обучении» в Amazon. Она выступает на внутренних и внешних конференциях, таких как AWS re:Invent, AWS Summits и вебинарах. Вне работы она увлекается волонтерством, садоводством, ездой на велосипеде и пешим туризмом.
- SEO-контент и PR-распределение. Получите усиление сегодня.
- PlatoData.Network Вертикальный генеративный ИИ. Расширьте возможности себя. Доступ здесь.
- ПлатонАйСтрим. Интеллект Web3. Расширение знаний. Доступ здесь.
- ПлатонЭСГ. Углерод, чистые технологии, Энергия, Окружающая среда, Солнечная, Управление отходами. Доступ здесь.
- ПлатонЗдоровье. Биотехнологии и клинические исследования. Доступ здесь.
- Источник: https://aws.amazon.com/blogs/machine-learning/build-a-contextual-chatbot-application-using-knowledge-bases-for-amazon-bedrock/
- :имеет
- :является
- :куда
- $UP
- 100
- 125
- 2019
- 2020
- 2021
- 2022
- 23
- 27
- 500
- 7
- 8
- 9
- a
- способность
- О нас
- ускорять
- доступ
- доступа
- По
- Учетная запись
- точный
- Достигать
- через
- Действие
- Добавить
- дополнительный
- адреса
- продвинутый
- Преимущества
- Консультанты
- снова
- агенты
- AI
- Системы искусственного интеллекта
- AI / ML
- Нацеленный
- Все
- Позволяющий
- позволяет
- в одиночестве
- вдоль
- рядом
- причислены
- Amazon
- Amazon Web Services
- an
- и
- годовой
- ГОДОВОЙ ДОХОД
- ответ
- ответ
- Антропный
- любой
- API
- API
- приложение
- Применение
- Приложения
- прикладной
- подхода
- архитектура
- МЫ
- AS
- At
- увеличивать
- дополненная
- увеличивает
- Aurora
- автор
- автоматически
- доступен
- Проспект
- прочь
- AWS
- AWS CloudFormation
- AWS Re: Invent
- назад
- Использование темпера с изогнутым основанием
- основанный
- основной
- залив
- Beach
- становиться
- было
- до
- начало
- начинается
- поведение
- считает,
- Лучшая
- миллиард
- доска
- совет директоров
- книга
- марка
- браузер
- строить
- бизнес
- Бизнес-приложения
- by
- CA
- призывают
- Объявления
- CAN
- возможности
- столица
- случаев
- CD
- проблемы
- изменение
- изменения
- расходы
- чат
- Chatbot
- chatbots
- Оформить заказ
- чип
- чипсы
- выбор
- Выберите
- чистым
- кли
- облако
- ОБЛАЧНЫЕ ТЕХНОЛОГИИ
- код
- лыжных шлемов
- комбинаты
- как
- выходит
- Общий
- Компании
- Компания
- полный
- сложности
- компоненты
- вычислительный
- компьютер
- Компьютерное зрение
- вычисление
- конференции
- Свяжитесь
- Консоли
- потребитель
- контекст
- контекстной
- их контекст
- продолжать
- Разговор
- диалоговый
- разговорный ИИ
- Беседы
- переделанный
- Основные
- Корпоративное
- рентабельным
- может
- Создайте
- создали
- создает
- Создающий
- создание
- создатель
- крикет
- В настоящее время
- клиент
- поведение клиентов
- опыт работы с клиентами
- Служба поддержки игроков
- Клиенты
- подгонянный
- данным
- точки данных
- управляемых данными
- База данных
- Дней
- По умолчанию
- доставить
- поставляется
- доставки
- в зависимости
- развернуть
- развертывание
- описано
- описание
- подробнее
- Определять
- развивать
- Застройщик
- Развитие
- диаграмма
- DID
- различный
- Интернет
- Директора
- Разное
- документ
- Документация
- дело
- долларов
- доменов
- Dont
- вниз
- скачать
- каждый
- Ранее
- ранняя стадия
- восток
- Обучение
- эффективный
- усилие
- легко
- или
- вложения
- сотрудников
- включить
- Enabler
- позволяет
- привлечение
- Двигатель
- Проект и
- расширение
- повышение
- Enter
- Предприятие
- предприятий
- Окружающая среда
- ошибки
- Даже
- События
- Каждая
- пример
- опыт
- Впечатления
- опыта
- Объяснять
- объяснены
- объясняя
- и, что лучший способ
- Факты
- FAIL
- несколько
- поле
- Файл
- Файлы
- в заключение
- находит
- Во-первых,
- поток
- Фокус
- после
- Что касается
- Год основания
- 4
- Франциско
- Бесплатно
- от
- полностью
- функция
- g1
- порождать
- генерирует
- поколение
- генеративный
- Генеративный ИИ
- идти
- GitHub
- Дайте
- Go
- Цели
- выросли
- земля
- Расти
- Растет
- руководство
- было
- обрабатывать
- Ручки
- Есть
- he
- тяжелый
- тяжелая атлетика
- помощь
- ее
- High
- на высшем уровне
- его
- история
- Главная
- Как
- Однако
- HTML
- HTTP
- HTTPS
- сто
- ID
- if
- иллюстрировать
- иллюстрирует
- Осуществляющий
- важную
- улучшать
- улучшение
- улучшение
- in
- включает в себя
- В том числе
- включать
- включает в себя
- Увеличение
- расширились
- индекс
- Индексы
- individual
- промышленности
- наделяют информацией
- информация
- Информационные системы
- вход
- Запросы
- размышления
- устанавливать
- мгновение
- интегрировать
- Интегрируя
- интеграции.
- взаимодействует
- интересы
- Интерфейс
- в нашей внутренней среде,
- внутренне
- в
- вводить
- выпустили
- инвестирование
- Запускает
- вовлеченный
- включает в себя
- IT
- JPG
- Основные
- знания
- язык
- Языки
- большой
- Крупные предприятия
- Фамилия
- новее
- запустили
- слой
- вести
- Лиды
- изучение
- наименее
- Оставлять
- Меньше
- письмо
- уровень
- библиотеки
- Библиотека
- Подтяжка лица
- такое как
- нравится
- Ограниченный
- линия
- связывающий
- LLM
- локальным
- Длинное
- машина
- обучение с помощью машины
- Главная
- ДЕЛАЕТ
- управляемый
- управляемого
- управляет
- управления
- производство
- многих
- Совпадение
- Май..
- me
- смысл
- механизм
- член
- Память
- просто
- миллиона
- миллион долларов
- минимальный
- минут
- Минут
- модель
- Модели
- изменять
- БОЛЕЕ
- самых
- с разными
- имя
- натуральный
- Обработка естественного языка
- Откройте
- Навигация
- Необходимость
- необходимый
- потребности
- Новые
- следующий
- нет
- Ничто
- в своих размышлениях
- ноутбук
- отметил,
- цель
- of
- предлагают
- Предложения
- Предложения
- Офис
- .
- on
- ONE
- открытый
- с открытым исходным кодом
- оптимальный
- Опция
- Опции
- or
- организации
- Другое
- в противном случае
- наши
- внешний
- выходной
- внешнюю
- за
- накладные расходы
- обзор
- собственный
- страница
- хлеб
- параметры
- партнер
- части
- прохождение
- отрывки
- Прошло
- страстный
- мимо
- шаблон
- процент
- производительность
- Разрешения
- Персонализированные
- план
- Платон
- Платон Интеллектуальные данные
- ПлатонДанные
- игры
- Точка
- пунктов
- сборах
- Популярное
- популярность
- После
- мощностью
- Питание
- мощный
- предпочтения
- представить
- представлены
- разрабатывает
- предыдущий
- Основной
- проблемам
- процесс
- обработка
- процессоры
- Продукция
- Прогресс
- проектов
- наводящие
- ( изучите наши патенты),
- обеспечивать
- при условии
- приводит
- обеспечение
- Покупка
- Питон
- Запросы
- запрос
- вопрос
- Вопросы
- САЙТ
- тряпка
- ранжирование
- RE
- готовый
- реальные
- реальный мир
- реального времени
- учет
- уменьшить
- снижение
- относиться
- районы
- регулярно
- Связанный
- актуальность
- соответствующие
- удаляет
- Отчеты
- хранилище
- представлять
- запросить
- обязательный
- требуется
- Полезные ресурсы
- Реагируйте
- ответ
- ответы
- поиск
- Возвращает
- доходы
- обзоре
- Дорога
- Роли
- роли
- Run
- работает
- время выполнения
- то же
- образец
- Сан -
- Сан-Франциско
- сохраняются
- масштабируемые
- масштабирование
- скрипт
- SDK
- Поиск
- Раздел
- разделах
- безопасный
- посмотреть
- выберите
- выбранный
- семантический
- послать
- служить
- Serverless
- обслуживание
- Услуги
- Сессия
- набор
- настройки
- установка
- акционер
- Акционеры
- она
- краткосрочный
- должен
- демонстрации
- значительный
- аналогичный
- одновременно
- одинарной
- Размер
- меньше
- Решение
- Решения
- некоторые
- сложный
- Источник
- Источники
- Говорит
- специалисты
- специализируется
- конкретный
- указанный
- раскол
- расколы
- стек
- Начало
- Стартапы
- Область
- Статус:
- стебли
- Шаг
- Шаги
- магазин
- хранить
- магазины
- хранение
- простой
- Стратегия
- упорядочить
- отправить
- последующее
- по существу
- Успешно
- такие
- предлагать
- Вершины
- поддержка
- Поддержанный
- Поддержка
- синхронизации.
- система
- системы
- ТАБЛИЦЫ
- с учетом
- взять
- принимает
- задачи
- технологии
- Технологии
- шаблон
- Терминал
- тестXNUMX
- проверенный
- текст
- чем
- который
- Ассоциация
- информация
- Источник
- их
- Их
- тогда
- Там.
- следовательно
- Эти
- они
- этой
- те
- три
- Через
- время
- исполин
- в
- Transform
- вызвать
- надежных
- стараться
- два
- Типы
- под
- понимать
- обновление
- загружено
- использование
- используемый
- Информация о пользователе
- пользователей
- использования
- через
- утилита
- v1
- ценный
- ценностное
- Наши ценности
- различный
- видение
- объем
- хотеть
- законопроект
- наблюдение
- Путь..
- we
- Web
- веб-браузер
- веб-сервисы
- Web-Based
- Вебинары
- неделя
- Недели
- запад
- Что
- когда
- который
- в то время как
- зачем
- будете
- окно
- Женщина
- женщины в технологии
- Работа
- рабочий
- Рабочие процессы
- работает
- работает
- записывать
- написать код
- письменный
- YAML
- год
- лет
- Ты
- ВАШЕ
- YouTube
- зефирнет