В этом посте мы обсуждаем решение машинного обучения (ML) для сложного поиска изображений с использованием Амазон Кендра и Апостол. В частности, мы используем пример архитектурных диаграмм для сложных изображений из-за того, что они включают множество различных визуальных значков и текста.
Благодаря Интернету поиск и получение изображения никогда не были проще. В большинстве случаев вы можете точно найти нужные изображения, например, при поиске места вашего следующего отпуска. Простые поиски часто бывают успешными, потому что они не связаны со многими характеристиками. Помимо желаемых характеристик изображения, критерии поиска обычно не требуют существенных подробностей для нахождения требуемого результата. Например, если пользователь попытался выполнить поиск синей бутылки определенного типа, будут отображены результаты многих различных типов синих бутылок. Однако найти нужную синюю бутылку может быть нелегко из-за общих условий поиска.
Интерпретация контекста поиска также способствует упрощению результатов. Когда пользователи думают о желаемом изображении, они пытаются обрамить его в текстовый поисковый запрос. Понимание нюансов между поисковыми запросами по схожим темам важно для предоставления релевантных результатов и минимизации усилий, требуемых от пользователя для ручной сортировки результатов. Например, поисковый запрос «Владелец собаки играет в апорт» пытается вернуть результаты в виде изображения, на котором владелец собаки играет в апорт с собакой. Однако фактически полученные результаты могут вместо этого быть сосредоточены на том, как собака достает объект без демонстрации участия владельца. Пользователям, возможно, придется вручную отфильтровывать неподходящие результаты поиска изображений при работе со сложным поиском.
Чтобы решить проблемы, связанные со сложным поиском, в этом посте подробно описывается, как создать поисковую систему, способную выполнять поиск сложных изображений, путем интеграции Amazon Kendra и Amazon Rekognition. Amazon Kendra — это интеллектуальный поисковый сервис на основе машинного обучения, а Amazon Rekognition — это сервис машинного обучения, который может идентифицировать объекты, людей, текст, сцены и действия по изображениям или видео.
Какие изображения могут быть слишком сложными для поиска? Одним из примеров являются диаграммы архитектуры, которые могут быть связаны со многими критериями поиска в зависимости от сложности варианта использования и количества необходимых технических услуг, что приводит к значительным усилиям пользователя по поиску вручную. Например, если пользователи хотят найти архитектурное решение для случая проверки клиентов, они обычно используют поисковый запрос, аналогичный «Схемы архитектуры для проверки клиентов». Однако общие поисковые запросы будут охватывать широкий спектр услуг и разные даты создания контента. Пользователям придется вручную выбирать подходящие архитектурные кандидаты на основе конкретных услуг и учитывать релевантность выбора архитектуры в соответствии с датой создания контента и датой запроса.
На следующем рисунке показан пример схемы, иллюстрирующей архитектурное решение организованного извлечения, преобразования и загрузки (ETL).
Для пользователей, которые не знакомы с предложениями услуг, предоставляемыми на облачной платформе, они могут предоставить различные общие способы и описания при поиске такой схемы. Ниже приведены некоторые примеры того, как его можно искать:
- «Организация рабочего процесса ETL»
- «Как автоматизировать массовую обработку данных»
- «Методы создания конвейера для преобразования данных»
Обзор решения
Мы проведем вас через следующие шаги для реализации решения:
- Обучить Пользовательские ярлыки Amazon Rekognition модель для распознавания символов на архитектурных схемах.
- Включите обнаружение текста Amazon Rekognition для проверки символов архитектурной схемы.
- Используйте Amazon Rekognition внутри поискового робота, чтобы создать репозиторий для поиска.
- Используйте Amazon Kendra для поиска в репозитории.
Чтобы легко предоставлять пользователям большой репозиторий релевантных результатов, решение должно обеспечивать автоматизированный способ поиска в надежных источниках. Используя в качестве примера диаграммы архитектуры, решение должно искать по справочным ссылкам и техническим документам диаграммы архитектуры и идентифицировать присутствующие службы. Определение ключевых слов, таких как варианты использования и отраслевые вертикали, в этих источниках также позволяет собирать информацию и отображать пользователю более релевантные результаты поиска.
Учитывая цель поиска релевантных диаграмм, решение для поиска изображений должно соответствовать трем критериям:
- Включить простой поиск по ключевым словам
- Интерпретировать поисковые запросы на основе вариантов использования, которые предоставляют пользователи
- Сортировать и упорядочивать результаты поиска
Поиск по ключевому слову — это просто поиск «Amazon Rekognition» и отображение архитектурных диаграмм того, как сервис используется в различных случаях использования. В качестве альтернативы условия поиска могут быть косвенно связаны с диаграммой через варианты использования и отраслевые вертикали, которые могут быть связаны с архитектурой. Например, поиск по запросу «Как организовать конвейер ETL» возвращает результаты архитектурных диаграмм, построенных с помощью Клей AWS и Шаговые функции AWS. Сортировка и упорядочивание результатов поиска на основе таких атрибутов, как дата создания, обеспечит актуальность архитектурных диаграмм, несмотря на обновления и выпуски служб. На следующем рисунке показана схема архитектуры решения для поиска изображений.
Как показано на предыдущей диаграмме и в обзоре решения, существует два основных аспекта решения. Первый аспект выполняет Amazon Rekognition, который может идентифицировать объекты, людей, текст, сцены и действия на изображениях или видео. Он состоит из предварительно обученных моделей, которые можно применять для анализа изображений и видео в любом масштабе. Благодаря функции настраиваемых меток Amazon Rekognition позволяет адаптировать службу машинного обучения к конкретным бизнес-потребностям, маркируя изображения, сопоставленные из источников с помощью архитектурных диаграмм в надежных справочных ссылках и технических документах. Загружая небольшой набор обучающих изображений, Amazon Rekognition автоматически загружает и проверяет обучающие данные, выбирает правильные алгоритмы машинного обучения, обучает модель и предоставляет показатели производительности модели. Таким образом, пользователи, не имеющие опыта работы с машинным обучением, могут пользоваться преимуществами модели пользовательских меток через вызов API, поскольку значительно сокращаются накладные расходы. Решение применяет пользовательские метки Amazon Rekognition для обнаружения логотипов сервисов AWS на архитектурных схемах, чтобы обеспечить возможность поиска архитектурных диаграмм по именам сервисов. После моделирования обнаруженные службы каждого изображения диаграммы архитектуры и его метаданные, такие как источник URL и заголовок изображения, индексируются для будущих целей поиска и сохраняются в Amazon DynamoDB, полностью управляемая бессерверная база данных NoSQL с ключом и значением, предназначенная для запуска высокопроизводительных приложений.
Второй аспект поддерживается Amazon Kendra, интеллектуальной корпоративной поисковой службой на основе машинного обучения, которая позволяет выполнять поиск в различных репозиториях контента. С помощью Amazon Kendra вы можете искать результаты, такие как изображения или документы, которые были проиндексированы. Эти результаты также могут храниться в разных репозиториях, поскольку служба поиска использует встроенные соединители. Для поиска можно использовать ключевые слова, фразы и описания, что позволяет точно искать диаграммы, относящиеся к конкретному варианту использования. Таким образом, вы можете легко создать интеллектуальную службу поиска с минимальными затратами на разработку.
После понимания проблемы и решения последующие разделы углубляются в то, как автоматизировать поиск данных путем обхода архитектурных диаграмм из надежных источников. После этого мы рассмотрим процесс создания пользовательской модели ML с полностью управляемой службой. Наконец, мы рассматриваем прием данных интеллектуальной поисковой службой, работающей на основе машинного обучения.
Создайте модель Amazon Rekognition с настраиваемыми метками
Перед получением каких-либо архитектурных диаграмм нам нужен инструмент для оценки того, может ли изображение быть идентифицировано как архитектурная диаграмма. Amazon Rekognition Custom Labels обеспечивает упрощенный процесс создания модели распознавания изображений, которая идентифицирует объекты и сцены на изображениях, соответствующие бизнес-потребностям. В этом случае мы используем пользовательские метки Amazon Rekognition для идентификации значков сервисов AWS, затем изображения индексируются сервисами для более релевантного поиска с помощью Amazon Kendra. Эта модель не различает, является ли изображение архитектурной диаграммой или нет; он просто идентифицирует служебные значки, если таковые имеются. Таким образом, могут быть случаи, когда изображения, не являющиеся архитектурными диаграммами, попадают в результаты поиска. Однако такие результаты минимальны.
На следующем рисунке показаны шаги, выполняемые этим решением для создания модели пользовательских меток Amazon Rekognition.
Этот процесс включает загрузку наборов данных, создание файла манифеста, который ссылается на загруженные наборы данных, с последующей загрузкой этого файла манифеста в Amazon Rekognition. Сценарий Python используется для облегчения процесса загрузки наборов данных и создания файла манифеста. После успешного создания файла манифеста он загружается в Amazon Rekognition, чтобы начать процесс обучения модели. Для получения подробной информации о скрипте Python и о том, как его запустить, обратитесь к Репо GitHub.
Чтобы обучить модель, в проекте Amazon Rekognition выберите Модель поезда, выберите проект, который вы хотите обучить, затем добавьте любые соответствующие теги и выберите Модель поезда. Инструкции по запуску проекта Amazon Rekognition Custom Labels см. в доступном видео-уроки. Обучение модели с этим набором данных может занять до 8 часов.
Когда обучение завершено, вы можете выбрать обученную модель для просмотра результатов оценки. Дополнительные сведения о различных показателях, таких как точность, полнота и F1, см. Метрики для оценки вашей модели. Чтобы использовать модель, перейдите в Использовать модель , оставьте количество единиц логического вывода равным 1 и запустите модель. Тогда мы можем использовать AWS Lambda для отправки изображений в модель в формате base64, и модель возвращает список меток и оценок достоверности.
После успешного обучения модели Amazon Rekognition с помощью пользовательских меток Amazon Rekognition мы можем использовать ее для определения значков сервисов на просканированных архитектурных диаграммах. Чтобы повысить точность идентификации сервисов на архитектурной диаграмме, мы используем еще одну функцию Amazon Rekognition, которая называется обнаружение текста. Чтобы использовать эту функцию, мы передаем то же изображение в base64, и Amazon Rekognition возвращает список текста, идентифицированного на изображении. На следующих рисунках мы сравниваем исходное изображение и то, как оно выглядит после идентификации сервисов в образе. На первом рисунке показано исходное изображение.
На следующем рисунке показано исходное изображение с обнаруженными службами.
Чтобы обеспечить масштабируемость, мы используем функцию Lambda, которая будет доступна через конечную точку API, созданную с помощью Шлюз API Amazon. Lambda — это бессерверная служба вычислений, управляемая событиями, которая позволяет запускать код практически для любого типа приложений или серверных служб без выделения серверов или управления ими. Использование функции Lambda устраняет распространенную проблему масштабирования, когда к конечной точке API направляются большие объемы запросов. Lambda автоматически запускает функцию для конкретного вызова API, которая останавливается после завершения вызова, тем самым снижая затраты пользователя. Поскольку запрос будет направлен на конечную точку Amazon Rekognition, масштабируемости только функции Lambda недостаточно. Чтобы конечная точка Amazon Rekognition была масштабируемой, можно увеличить единицу логического вывода конечной точки. Дополнительные сведения о настройке блока логического вывода см. Единицы вывода.
Ниже приведен фрагмент кода функции Lambda для процесса распознавания изображений:
После создания функции Lambda мы можем приступить к ее представлению как API с помощью API Gateway. Инструкции по созданию API с интеграцией прокси-сервера Lambda см. Учебное пособие. Создание REST API Hello World с интеграцией прокси-сервера Lambda.
Сканирование архитектурных схем
Чтобы функция поиска работала реально, нам нужен репозиторий архитектурных диаграмм. Однако эти диаграммы должны быть получены из надежных источников, таких как Блог AWS и Предписывающее руководство AWS. Установление достоверности источников данных гарантирует, что основная реализация и цель вариантов использования являются точными и хорошо проверенными. Следующим шагом является настройка сканера, который поможет собрать множество архитектурных диаграмм для добавления в наш репозиторий. Мы создали веб-сканер для извлечения архитектурных схем и информации, такой как описание реализации, из соответствующих источников. Есть несколько способов построить такой механизм; для этого примера мы используем программу, которая работает на Эластичное вычислительное облако Amazon (Амазон ЕС2). Сначала программа получает ссылки на записи в блогах из API блогов AWS. Ответ, возвращаемый API, содержит информацию о сообщении, такую как заголовок, URL-адрес, дату и ссылки на изображения, найденные в сообщении.
Ниже приведен фрагмент кода функции JavaScript для процесса веб-сканирования:
С помощью этого механизма мы можем легко сканировать сотни и тысячи изображений из разных блогов. Однако нам нужен фильтр, который принимает только изображения, содержащие содержимое архитектурной схемы, которые в нашем случае являются значками сервисов AWS, чтобы отфильтровать изображения, которые не являются архитектурными диаграммами.
Это цель нашей модели Amazon Rekognition. Схемы проходят через процесс распознавания изображений, который идентифицирует значки служб и определяет, можно ли считать их допустимой архитектурной схемой.
Ниже приведен фрагмент кода функции, которая отправляет изображения в модель Amazon Rekognition:
После прохождения проверки распознавания изображений результаты, возвращенные из модели Amazon Rekognition, и соответствующая им информация объединяются в собственные метаданные. Затем метаданные сохраняются в таблице DynamoDB, где запись будет использоваться для загрузки в Amazon Kendra.
Ниже приведен фрагмент кода функции, сохраняющей метаданные диаграммы в DynamoDB:
Загрузка метаданных в Amazon Kendra
После того, как диаграммы архитектуры пройдут процесс распознавания изображений, а метаданные будут сохранены в DynamoDB, нам нужен способ сделать диаграммы доступными для поиска при ссылке на содержимое в метаданных. Подход к этому заключается в том, чтобы иметь поисковую систему, которая может быть интегрирована с приложением и может обрабатывать большое количество поисковых запросов. Поэтому мы используем Amazon Kendra, интеллектуальную службу корпоративного поиска.
Мы используем Amazon Kendra в качестве интерактивного компонента решения из-за его мощных возможностей поиска, особенно с использованием естественного языка. Это добавляет дополнительный уровень простоты, когда пользователи ищут схемы, наиболее близкие к тому, что они ищут. Amazon Kendra предлагает ряд соединителей источников данных для приема и подключения содержимого. В этом решении используется настраиваемый коннектор для получения информации об архитектурных схемах из DynamoDB. Чтобы настроить источник данных для индекса Amazon Kendra, вы можете использовать существующий индекс или создать новый индекс.
Затем просканированные диаграммы должны быть загружены в созданный индекс Amazon Kendra. На следующем рисунке показан процесс индексации диаграмм.
Во-первых, диаграммы, вставленные в DynamoDB, создают событие Put через Потоки Amazon DynamoDB. Событие запускает функцию Lambda, которая выступает в качестве пользовательского источника данных для Amazon Kendra и загружает диаграммы в индекс. Инструкции по созданию триггера DynamoDB Streams для функции Lambda см. Учебное пособие. Использование AWS Lambda с Amazon DynamoDB Streams
После интеграции функции Lambda с DynamoDB нам необходимо добавить записи диаграмм, отправленных в функцию, в индекс Amazon Kendra. Индекс принимает данные из различных типов источников, а добавление элементов в индекс из функции Lambda означает, что он должен использовать пользовательскую конфигурацию источника данных. Инструкции по созданию пользовательского источника данных для вашего индекса см. Коннектор настраиваемого источника данных.
Ниже приведен фрагмент кода лямбда-функции, показывающий, как диаграмма может быть проиндексирована нестандартным образом:
Важным фактором, обеспечивающим возможность поиска по диаграммам, является ключ Blob в документе. Это то, на что Amazon Kendra обращает внимание, когда пользователи вводят свой поисковый запрос. В этом примере кода ключ Blob содержит сводную версию варианта использования диаграммы, связанную с информацией, полученной в процессе распознавания изображений. Это позволяет пользователям искать диаграммы архитектуры на основе вариантов использования, таких как «Обнаружение мошенничества», или по именам служб, таким как «Amazon Kendra».
Чтобы проиллюстрировать пример того, как выглядит ключ Blob, следующий фрагмент ссылается на начальную диаграмму ETL, которую мы представили ранее в этом посте. Он содержит описание схемы, полученной при ее сканировании, а также сервисы, которые были идентифицированы моделью Amazon Rekognition.
Поиск с помощью Amazon Kendra
После того, как мы собрали все компоненты вместе, результаты примерного поиска «аналитики в реальном времени» выглядят так, как показано на следующем снимке экрана.
При поиске этого варианта использования он создает различные диаграммы архитектуры. Пользователям предоставляются эти различные методы конкретной рабочей нагрузки, которую они пытаются реализовать.
Убирать
Выполните действия, описанные в этом разделе, чтобы очистить ресурсы, созданные вами в рамках этой публикации:
- Удалить API:
- В консоли шлюза API выберите API для удаления.
- На Действия Меню, выберите Удалить.
- Выберите Удалить , чтобы подтвердить действие.
- Удалите таблицу DynamoDB:
- На консоли DynamoDB выберите таблицы в навигационной панели.
- Выберите созданную вами таблицу и выберите Удалить.
- Введите «Удалить», когда появится запрос на подтверждение.
- Выберите Удалить таблицу , чтобы подтвердить действие.
- Удалите индекс Amazon Kendra:
- На консоли Amazon Kendra выберите Индексы в навигационной панели.
- Выберите созданный вами индекс и выберите Удалить
- Введите причину при запросе подтверждения.
- Выберите Удалить , чтобы подтвердить действие.
- Удалите проект Amazon Rekognition:
- На консоли Amazon Rekognition выберите Использовать специальные ярлыки в области навигации, затем выберите Проекты.
- Выберите созданный вами проект и выберите Удалить.
- Введите Удалить при запросе подтверждения.
- Выберите Удалить связанные наборы данных и модели , чтобы подтвердить действие.
- Удалите лямбда-функцию:
- В консоли Lambda выберите функцию, которую нужно удалить.
- На Действия Меню, выберите Удалить.
- Введите Удалить при запросе подтверждения.
- Выберите Удалить , чтобы подтвердить действие.
Обзор
В этом посте мы показали пример того, как можно интеллектуально искать информацию по изображениям. Это включает в себя процесс обучения модели машинного обучения Amazon Rekognition, которая действует как фильтр для изображений, автоматизацию сканирования изображений, которая обеспечивает достоверность и эффективность, а также запрос диаграмм путем присоединения пользовательского источника данных, который обеспечивает более гибкий способ индексирования элементов. . Чтобы глубже погрузиться в реализацию кодов, см. Репо GitHub.
Теперь, когда вы понимаете, как создать основу централизованного репозитория поиска для сложного поиска, попробуйте создать собственную систему поиска изображений. Для получения дополнительной информации об основных функциях см. Начало работы с пользовательскими метками Amazon Rekognition, Модерация контента, и Руководство разработчика по Amazon Kendra. Если вы новичок в использовании пользовательских меток Amazon Rekognition, попробуйте его на нашем уровне бесплатного пользования, который длится 3 месяца и включает 10 бесплатных часов обучения в месяц и 4 бесплатных часа получения логических выводов в месяц.
Об авторах
Райан Си является архитектором решений в AWS. Находясь в Сингапуре, он работает с клиентами над созданием решений для решения их бизнес-задач, а также адаптирует техническое видение, чтобы помочь выполнять более масштабируемые и эффективные рабочие нагрузки в облаке.
Джеймс Онг Цзя Сян является менеджером по работе с клиентами в AWS. Он специализируется на программе ускорения миграции (MAP), помогая клиентам и партнерам успешно внедрять крупномасштабные программы миграции на AWS. Находясь в Сингапуре, он также занимается продвижением инициатив по модернизации и трансформации предприятий в APJ с помощью масштабируемых механизмов. В свободное время он любит активный отдых на природе, например, походы и серфинг.
Ханг Дуонг является архитектором решений в AWS. Она живет в Ханое, Вьетнам, и занимается внедрением облачных технологий в своей стране, предоставляя высокодоступные, безопасные и масштабируемые облачные решения для своих клиентов. Кроме того, она любит строить и участвует в различных проектах по прототипированию. Она также увлечена областью машинного обучения.
Трин Во работает архитектором решений в компании AWS, расположенной в Хошимине, Вьетнам. Она фокусируется на работе с клиентами из разных отраслей и партнерами во Вьетнаме для создания архитектур и демонстраций платформы AWS, которые работают в обратном направлении от бизнес-потребностей клиентов и ускоряют внедрение соответствующей технологии AWS. Ей нравится спелеология и походы в свободное время.
Вай Кин Там является облачным архитектором в AWS. Его основная работа в Сингапуре заключается в том, чтобы помочь клиентам перейти в облако и модернизировать их технологический стек в облаке. В свободное время посещает занятия тайским боксом и бразильским джиу-джитсу.
- SEO-контент и PR-распределение. Получите усиление сегодня.
- ПлатонАйСтрим. Анализ данных Web3. Расширение знаний. Доступ здесь.
- Чеканка будущего с Эдриенн Эшли. Доступ здесь.
- Покупайте и продавайте акции компаний PREIPO® с помощью PREIPO®. Доступ здесь.
- Источник: https://aws.amazon.com/blogs/machine-learning/build-an-image-search-engine-with-amazon-kendra-and-amazon-rekognition/
- :имеет
- :является
- :нет
- :куда
- $UP
- 1
- 10
- 100
- 12
- 200
- 40
- 7
- 8
- a
- О нас
- ускорять
- Принимает
- По
- точность
- точный
- точно
- Достигать
- через
- активно
- акты
- Добавить
- дополнительный
- Дополнительно
- адрес
- Добавляет
- Принятие
- После
- помощь
- алгоритмы
- Все
- позволять
- позволяет
- причислены
- Amazon
- Амазонка Афина
- Amazon EC2
- Амазон Кендра
- Апостол
- количество
- an
- анализировать
- и
- Другой
- любой
- API
- Применение
- Приложения
- прикладной
- подхода
- соответствующий
- архитектурный
- архитектура
- МЫ
- массив
- AS
- внешний вид
- аспекты
- связанный
- At
- Атрибуты
- автоматизировать
- Автоматизированный
- автоматически
- автоматизация
- доступен
- Ждите
- AWS
- Клей AWS
- AWS Lambda
- Шаговые функции AWS
- Вардар
- Позвоночник
- Backend
- основанный
- BE
- , так как:
- было
- начинать
- не являетесь
- Преимущества
- между
- Beyond
- Блог
- Сообщения в блоге
- блоги
- Синии
- тело
- бразильский
- Ломать
- браузер
- буфер
- строить
- Строительство
- построенный
- встроенный
- в комплекте
- бизнес
- by
- призывают
- под названием
- Объявления
- CAN
- кандидатов
- возможности
- способный
- случаев
- случаев
- каталог
- централизованная
- характеристика
- проверка
- Проверки
- выбор
- Выберите
- Город
- классов
- облако
- принятие облака
- Облачная платформа
- код
- Общий
- сравнить
- полный
- Заполненная
- комплекс
- сложность
- компонент
- компоненты
- Вычисление
- Беспокойство
- доверие
- уверенный
- Конфигурация
- подтвердить
- подтверждение
- Соединительный
- Рассматривать
- считается
- Консоли
- содержать
- содержит
- содержание
- контентного создание
- содержание
- контекст
- Основные
- Цена
- Расходы
- может
- страна
- чехол для варгана
- выработать
- гусеничный
- Создайте
- создали
- Создающий
- создание
- Доверие
- заслуживающий доверия
- Критерии
- изготовленный на заказ
- клиент
- Решения для клиентов
- Клиенты
- данным
- База данных
- Наборы данных
- Время
- Финики
- день
- занимавшийся
- более глубокий
- доставить
- в зависимости
- описание
- Проект
- предназначенный
- желанный
- назначение
- подробность
- подробнее
- обнаруженный
- обнаружение
- определяет
- Застройщик
- Развитие
- диаграммы
- различный
- дифференцировать
- обсуждать
- отображать
- документ
- документации
- Документация
- не
- Собака
- вождение
- два
- e
- каждый
- Ранее
- легче
- легко
- затрат
- эффективный
- усилие
- элемент
- ликвидирует
- работает
- позволяет
- конец
- Конечная точка
- Двигатель
- пользоваться
- обеспечивать
- обеспечивает
- Предприятие
- ошибка
- налаживание
- оценивать
- оценка
- События
- пример
- Примеры
- существующий
- опыта
- Izvoz,en
- подвергаться
- извлечение
- f1
- фактор
- знакомый
- Особенность
- Особенности
- поле
- фигура
- цифры
- Файл
- фильтр
- Найдите
- Во-первых,
- гибкого
- поток
- Фокус
- фокусируется
- следует
- после
- Что касается
- найденный
- КАДР
- Бесплатно
- от
- полностью
- функция
- Функции
- будущее
- игра
- шлюз
- собирать
- генерируется
- порождающий
- получить
- Глобальный
- Go
- обрабатывать
- Есть
- имеющий
- he
- Заголовки
- помощь
- помощь
- помогает
- ее
- высокая производительность
- наивысший
- очень
- его
- Выходные
- ЧАСЫ
- Как
- How To
- Однако
- HTML
- HTTP
- HTTPS
- Сотни
- i
- ID
- идентифицированный
- идентифицирует
- определения
- идентифицирующий
- if
- иллюстрирует
- изображение
- Распознавание изображений
- Поиск картинок
- изображений
- осуществлять
- реализация
- Импортировать
- важную
- in
- включает в себя
- Увеличение
- индекс
- косвенно
- individual
- промышленности
- промышленность
- информация
- начальный
- инициативы
- вход
- вместо
- инструкции
- интегрировать
- интегрированный
- Интегрируя
- интеграции.
- Умный
- интерактивный
- Интернет
- в
- выпустили
- вовлеченный
- участие
- IT
- пункты
- ЕГО
- JavaScript
- работа
- JPG
- JSON
- Основные
- Родственники
- этикетка
- маркировка
- Этикетки
- язык
- большой
- крупномасштабный
- слой
- изучение
- наименее
- Оставлять
- Длина
- позволять
- Lets
- такое как
- LINK
- связанный
- связи
- Список
- загрузка
- грузы
- посмотреть
- выглядит как
- искать
- ВЗГЛЯДЫ
- машина
- обучение с помощью машины
- сделанный
- Главная
- управляемого
- менеджер
- управления
- способ
- руководство
- вручную
- многих
- карта
- Май..
- означает
- механизм
- механизмы
- Метаданные
- методы
- Метрика
- мигрировать
- миграция
- против
- минимальный
- ML
- модель
- Модели
- модернизировать
- Месяц
- месяцев
- БОЛЕЕ
- самых
- с разными
- должен
- имя
- имена
- натуральный
- природа
- Откройте
- Навигация
- Необходимость
- потребности
- никогда
- Новые
- следующий
- номер
- многочисленный
- объект
- цель
- объекты
- полученный
- получение
- Получает
- of
- Предложения
- Предложения
- .
- on
- ONE
- только
- or
- организовал
- заказ
- оригинал
- OS
- наши
- внешний
- обзор
- собственный
- владелец
- страница
- хлеб
- часть
- особый
- особенно
- партнеры
- pass
- Прохождение
- страстный
- шаблон
- Люди
- производительность
- фразы
- картина
- трубопровод
- Платформа
- Платон
- Платон Интеллектуальные данные
- ПлатонДанные
- игры
- играет
- После
- Блог
- Питание
- мощный
- Точность
- представить
- Проблема
- проблемам
- процесс
- FitPartner™
- Программы
- Проект
- проектов
- обещание
- макетирования
- обеспечивать
- при условии
- приводит
- обеспечение
- полномочие
- что такое варган?
- цель
- целей
- положил
- Оферты
- Питон
- Запросы
- ассортимент
- причина
- признание
- признавать
- запись
- учет
- Цена снижена
- снижение
- Рекомендации
- область
- Связанный
- публикации
- актуальность
- соответствующие
- удаление
- удален
- хранилище
- запросить
- Запросы
- требовать
- обязательный
- Полезные ресурсы
- ответ
- ОТДЫХ
- результат
- Итоги
- сохранять
- возвращают
- Возвращает
- РЯД
- Run
- s
- то же
- Масштабируемость
- масштабируемые
- Шкала
- масштабирование
- Сцены
- Поиск
- Поисковая система
- поиск
- Во-вторых
- Раздел
- разделах
- безопасный
- стремится
- выбранный
- Отправить
- посылает
- Serverless
- Серверы
- обслуживание
- Услуги
- набор
- она
- должен
- показанный
- Шоу
- значительный
- аналогичный
- просто
- простота
- просто
- Сингапур
- Размер
- небольшой
- Решение
- Решения
- РЕШАТЬ
- некоторые
- Источник
- Источники
- Об
- пролет
- специализируется
- конкретный
- конкретно
- озлобленность
- стек
- Начало
- и политические лидеры
- Начало
- Шаг
- Шаги
- По-прежнему
- Останавливает
- хранить
- магазины
- обтекаемый
- потоки
- последующее
- успешный
- Успешно
- такие
- достаточный
- подходящее
- Поддержанный
- ТАБЛИЦЫ
- взять
- принимает
- Технический
- Технологии
- terms
- тайский
- который
- Ассоциация
- информация
- их
- тогда
- Там.
- тем самым
- следовательно
- Эти
- они
- этой
- те
- тысячи
- три
- Через
- ярус
- время
- Название
- в
- вместе
- слишком
- инструментом
- Темы
- Train
- специалистов
- Обучение
- поезда
- Transform
- трансформация
- превращение
- пыталась
- вызвать
- правда
- надежных
- два
- напишите
- Типы
- типично
- не в состоянии
- лежащий в основе
- понимать
- понимание
- Ед. изм
- единиц
- Updates
- загружено
- Загрузка
- на
- URL
- использование
- прецедент
- используемый
- Информация о пользователе
- пользователей
- через
- VALIDATE
- ценностное
- различный
- проверка
- версия
- вертикалей
- прошедшая проверка
- с помощью
- Видео
- Вьетнам
- Вид
- фактически
- видение
- тома
- хотеть
- законопроект
- Путь..
- способы
- we
- Web
- ЧТО Ж
- были
- Что
- когда
- будь то
- который
- в то время как
- КТО
- широкий
- Широкий диапазон
- будете
- без
- Работа
- работает
- работает
- Мир
- бы
- записывать
- Ты
- ВАШЕ
- зефирнет