Generativna tehnologija umetne inteligence se hitro izboljšuje in zdaj je mogoče ustvariti besedilo in slike na podlagi vnosa besedila. Stabilna difuzija je model besedila v sliko, ki vam omogoča ustvarjanje fotorealističnih aplikacij. Slike lahko enostavno ustvarite iz besedila z uporabo modelov Stable Diffusion Amazon SageMaker JumpStart.
Sledijo primeri vhodnih besedil in ustreznih izhodnih slik, ki jih ustvari Stable Diffusion. Vhodi so »Boksar, ki pleše na mizi«, »Dama na plaži v kopalkah, v slogu vodenih barv« in »Pes v obleki«.
Čeprav so generativne rešitve umetne inteligence zmogljive in uporabne, so lahko tudi ranljive za manipulacije in zlorabe. Stranke, ki jih uporabljajo za ustvarjanje slik, morajo dati prednost moderiranju vsebine, da zaščitijo svoje uporabnike, platformo in blagovno znamko z izvajanjem močnih praks moderiranja, da ustvarijo varno in pozitivno uporabniško izkušnjo, hkrati pa zaščitijo svojo platformo in ugled blagovne znamke.
V tej objavi raziskujemo uporabo storitev AI AWS Amazonsko ponovno vžiganje in Amazonsko razumevanje, skupaj z drugimi tehnikami, za učinkovito moderiranje vsebine, ustvarjene z modelom Stable Diffusion, v skoraj realnem času. Če želite izvedeti, kako zagnati in ustvariti slike iz besedila z uporabo modela Stable Diffusion na AWS, glejte Ustvarite slike iz besedila s stabilnim difuzijskim modelom na Amazon SageMaker JumpStart.
Pregled rešitev
Amazon Rekognition in Amazon Comprehend sta upravljani storitvi umetne inteligence, ki zagotavljata vnaprej usposobljene in prilagodljive modele ML prek vmesnika API, kar odpravlja potrebo po strokovnem znanju strojnega učenja (ML). Amazon Rekognition Content Moderation avtomatizira in poenostavi moderiranje slik in videa. Amazon Comprehend uporablja ML za analizo besedila in odkrivanje dragocenih vpogledov in odnosov.
Naslednja referenca ponazarja ustvarjanje proxy API-ja RESTful za moderiranje slik, ustvarjenih z modelom Stable Diffusion iz besedila v sliko, v skoraj realnem času. V tej rešitvi smo zagnali in uvedli model stabilne difuzije (v2-1 base) z uporabo JumpStarta. Rešitev uporablja negativne pozive in rešitve za moderiranje besedila, kot sta Amazon Comprehend in filter na podlagi pravil za moderiranje vnosnih pozivov. Prav tako uporablja Amazon Rekognition za moderiranje ustvarjenih slik. API RESTful bo odjemalcu vrnil ustvarjeno sliko in opozorila o moderiranju, če zazna nevarne informacije.
Koraki v poteku dela so naslednji:
- Uporabnik pošlje poziv za ustvarjanje slike.
- An AWS Lambda funkcija usklajuje ustvarjanje in moderiranje slik z uporabo Amazon Comprehend, JumpStart in Amazon Rekognition:
- Uporabite pogoj, ki temelji na pravilih, za pozive za vnos v funkcijah Lambda in uveljavite moderiranje vsebine z zaznavanjem prepovedanih besed.
- Uporabite klasifikator po meri Amazon Comprehend za analizo besedila poziva za razvrstitev glede strupenosti.
- Poziv pošljite v model Stable Diffusion prek končne točke SageMaker, tako da posredujete tako pozive kot uporabniški vnos kot negativne pozive z vnaprej določenega seznama.
- Pošlji slikovne bajte, vrnjene iz končne točke SageMaker, v Amazon Rekognition
DetectModerationLabel
API za moderiranje slik. - Sestavite odzivno sporočilo, ki vključuje slikovne bajte in opozorila, če so prejšnji koraki odkrili kakršne koli neprimerne informacije v pozivu ali generativni sliki.
- Pošlji odgovor nazaj stranki.
Naslednji posnetek zaslona prikazuje vzorčno aplikacijo, zgrajeno z opisano arhitekturo. Spletni uporabniški vmesnik pošlje pozive za vnos uporabnika API-ju RESTful proxy ter prikaže sliko in morebitna opozorila o moderiranju, prejeta v odgovoru. Demo aplikacija zamegli dejansko ustvarjeno sliko, če vsebuje nevarno vsebino. Aplikacijo smo preizkusili z vzorčnim pozivom »Seksi dama«.
Za boljšo uporabniško izkušnjo lahko implementirate bolj sofisticirano logiko, na primer zavrnete zahtevo, če pozivi vsebujejo nevarne informacije. Poleg tega bi lahko imeli pravilnik o ponovnem poskusu za ponovno generiranje slike, če je poziv varen, izhod pa ni varen.
Vnaprej določite seznam negativnih pozivov
Stabilna difuzija podpira negativne pozive, kar vam omogoča, da določite pozive, ki se jim želite izogniti med ustvarjanjem slike. Ustvarjanje vnaprej določenega seznama negativnih pozivov je praktičen in proaktiven pristop za preprečevanje, da bi model ustvaril nevarne slike. Z vključitvijo pozivov, kot so »golo«, »seksi« in »golota«, za katere je znano, da vodijo do neprimernih ali žaljivih slik, jih lahko model prepozna in se jim izogne, kar zmanjša tveganje za ustvarjanje nevarne vsebine.
Izvedbo je mogoče upravljati v funkciji Lambda, ko pokličete končno točko SageMaker za izvajanje sklepanja modela stabilne difuzije, pri čemer posredujete tako pozive iz uporabniškega vnosa kot negativne pozive iz vnaprej določenega seznama.
Čeprav je ta pristop učinkovit, lahko vpliva na rezultate, ki jih ustvari model stabilne difuzije, in omeji njegovo funkcionalnost. Pomembno je, da jo obravnavate kot eno od tehnik moderiranja v kombinaciji z drugimi pristopi, kot je moderiranje besedila in slik z uporabo Amazon Comprehend in Amazon Rekognition.
Zmerni pozivi za vnos
Pogost pristop k moderiranju besedila je uporaba metode iskanja ključnih besed, ki temelji na pravilih, da se ugotovi, ali vneseno besedilo vsebuje prepovedane besede ali besedne zveze z vnaprej določenega seznama. Ta metoda je relativno enostavna za izvedbo, z minimalnim vplivom na zmogljivost in nižjimi stroški. Vendar pa je glavna pomanjkljivost tega pristopa, da je omejen samo na zaznavanje besed, vključenih v vnaprej določen seznam, in ne more zaznati novih ali spremenjenih različic prepovedanih besed, ki niso vključene na seznam. Uporabniki lahko tudi poskušajo zaobiti pravila z uporabo alternativnega črkovanja ali posebnih znakov za zamenjavo črk.
Da bi odpravili omejitve moderiranja besedila na podlagi pravil, je veliko rešitev sprejelo hibridni pristop, ki združuje iskanje ključnih besed na podlagi pravil z zaznavanjem toksičnosti na podlagi ML. Kombinacija obeh pristopov omogoča celovitejšo in učinkovitejšo rešitev za moderiranje besedila, ki lahko zazna širši obseg neprimerne vsebine in izboljša natančnost rezultatov moderiranja.
V tej rešitvi uporabljamo an Klasifikator po meri Amazon Comprehend usposobiti model zaznavanja toksičnosti, ki ga uporabljamo za odkrivanje potencialno škodljive vsebine v pozivih za vnos v primerih, ko niso zaznane eksplicitne prepovedane besede. Z močjo strojnega učenja lahko model naučimo prepoznati vzorce v besedilu, ki lahko kažejo na strupenost, tudi če takšnih vzorcev s pristopom, ki temelji na pravilih, ni zlahka zaznati.
Z Amazon Comprehend kot upravljano storitvijo AI sta usposabljanje in sklepanje poenostavljena. Z lahkoto lahko usposobite in uvedete klasifikacijo po meri Amazon Comprehend v samo dveh korakih. Oglejte si naše delavnica lab za več informacij o modelu zaznavanja strupenosti z uporabo klasifikatorja po meri Amazon Comprehend. Laboratorij ponuja vodnik po korakih za ustvarjanje in integracijo klasifikatorja toksičnosti po meri v vašo aplikacijo. Naslednji diagram ponazarja to arhitekturo rešitve.
Ta vzorčni klasifikator uporablja nabor podatkov za usposabljanje družbenih medijev in izvaja binarno klasifikacijo. Če pa imate bolj specifične zahteve za svoje potrebe po moderiranju besedila, razmislite o uporabi bolj prilagojenega nabora podatkov za usposabljanje klasifikatorja po meri Amazon Comprehend.
Zmerne izhodne slike
Čeprav je moderiranje pozivov za vnos besedila pomembno, to ne zagotavlja, da bodo vse slike, ki jih ustvari model Stable Diffusion, varne za predvideno občinstvo, ker lahko rezultati modela vsebujejo določeno stopnjo naključnosti. Zato je enako pomembno moderirati slike, ki jih ustvari model stabilne difuzije.
V tej rešitvi uporabljamo Moderiranje vsebine Amazon Rekognition, ki uporablja vnaprej usposobljene modele ML za odkrivanje neprimerne vsebine v slikah in videoposnetkih. V tej rešitvi uporabljamo Amazon Rekognition DetectModerationLabel API za moderiranje slik, ki jih ustvari model stabilne difuzije v skoraj realnem času. Amazon Rekognition Content Moderation zagotavlja predhodno usposobljene API-je za analizo širokega spektra neprimerne ali žaljive vsebine, kot so nasilje, golota, simboli sovraštva in drugo. Za izčrpen seznam taksonomij Amazon Rekognition Content Moderation glejte Moderiranje vsebine.
Naslednja koda prikazuje, kako poklicati Amazon Rekognition DetectModerationLabel
API za moderiranje slik znotraj funkcije Lambda z uporabo knjižnice Python Boto3. Ta funkcija vzame slikovne bajte, ki jih vrne SageMaker, in jih pošlje API-ju za moderiranje slik v moderiranje.
Za dodatne primere API-ja za moderiranje slik Amazon Rekognition glejte naše Laboratorij za moderiranje vsebin.
Učinkovite tehnike moderiranja slike za fino uravnavanje modelov
Natančno uravnavanje je običajna tehnika, ki se uporablja za prilagajanje vnaprej usposobljenih modelov specifičnim nalogam. V primeru stabilne difuzije je mogoče natančno nastavitev uporabiti za ustvarjanje slik, ki vključujejo določene predmete, sloge in znake. Moderiranje vsebine je ključnega pomena pri usposabljanju modela stabilne difuzije, da se prepreči ustvarjanje neprimernih ali žaljivih slik. To vključuje skrbno pregledovanje in filtriranje vseh podatkov, ki bi lahko vodili do ustvarjanja takšnih slik. S tem se model uči iz bolj raznolikega in reprezentativnega obsega podatkovnih točk, izboljša svojo natančnost in prepreči širjenje škodljive vsebine.
JumpStart olajša fino nastavitev modela stabilne difuzije, tako da zagotovi skripte za učenje prenosa z uporabo dreambooth metoda. Pripraviti morate svoje podatke o vadbi, definirati hiperparametre in začeti z vadbo. Za več podrobnosti glejte Natančno prilagodite modele stabilne difuzije besedila v sliko z Amazon SageMaker JumpStart.
Nabor podatkov za natančno nastavitev mora biti en sam Preprosta storitev shranjevanja Amazon (Amazon S3), vključno z vašimi slikami in konfiguracijsko datoteko primerka dataset_info.json
, kot je prikazano v naslednji kodi. Datoteka JSON bo slike povezala s pozivom primerka takole: {'instance_prompt':<<instance_prompt>>}
.
Očitno lahko ročno pregledate in filtrirate slike, vendar je to lahko zamudno in celo nepraktično, če to počnete v velikem obsegu v številnih projektih in skupinah. V takšnih primerih lahko avtomatizirate paketni postopek, da centralno preverite vse slike glede na Amazon Rekognition DetectModerationLabel
API in samodejno označite ali odstranite slike, da ne onesnažijo vašega treninga.
Zakasnitev moderiranja in stroški
V tej rešitvi se za moderiranje besedila in slik uporablja zaporedni vzorec. Funkcija, ki temelji na pravilih, in Amazon Comprehend se kličeta za moderiranje besedila, Amazon Rekognition pa se uporablja za moderiranje slik, pred in po priklicu Stable Diffusion. Čeprav ta pristop učinkovito ublaži vhodne pozive in izhodne slike, lahko poveča skupne stroške in zakasnitev rešitve, kar je treba upoštevati.
Latenca
Tako Amazon Rekognition kot Amazon Comprehend ponujata upravljane API-je, ki so zelo razpoložljivi in imajo vgrajeno razširljivost. Kljub morebitnim variacijam zakasnitev zaradi velikosti vnosa in hitrosti omrežja API-ji, uporabljeni v tej rešitvi iz obeh storitev, ponujajo sklepanje v skoraj realnem času. Končne točke klasifikatorja po meri Amazon Comprehend lahko ponudijo hitrost, manjšo od 200 milisekund za velikost vhodnega besedila, manjšo od 100 znakov, medtem ko API za moderiranje slik Amazon Rekognition služi približno 500 milisekund za povprečne velikosti datotek, manjše od 1 MB. (Rezultati temeljijo na preizkusu, opravljenem z uporabo vzorčne aplikacije, ki se šteje za zahtevo skoraj v realnem času.)
Klici API-ja za moderiranje Amazon Rekognition in Amazon Comprehend skupaj dodajo do 700 milisekund klicu API-ja. Pomembno je omeniti, da zahteva za stabilno razširjanje običajno traja dlje, odvisno od kompleksnosti pozivov in zmogljivosti osnovne infrastrukture. V testnem računu z uporabo vrste primerka ml.p3.2xlarge je bil povprečni odzivni čas za model Stable Diffusion prek končne točke SageMaker približno 15 sekund. Zato je zakasnitev, ki jo uvede moderiranje, približno 5 % celotnega odzivnega časa, zaradi česar ima minimalen vpliv na splošno delovanje sistema.
strošek
API za moderiranje slik Amazon Rekognition uporablja model plačila po uporabi na podlagi števila zahtev. Stroški se razlikujejo glede na uporabljeno regijo AWS in sledijo stopenjski strukturi cen. Z večanjem obsega zahtev se cena na zahtevo zmanjšuje. Za več informacij glejte Cene Amazon Rekognition.
V tej rešitvi smo uporabili klasifikator po meri Amazon Comprehend in ga uvedli kot končno točko Amazon Comprehend za olajšanje sklepanja v realnem času. Ta implementacija povzroči tako enkratne stroške usposabljanja kot tekoče stroške sklepanja. Za podrobne informacije glejte Amazonske celovite cene.
Jumpstart vam omogoča, da hitro zaženete in uvedete model Stable Diffusion kot en paket. Tekoče sklepanje na modelu stabilne difuzije bo povzročilo stroške za osnovo Amazonski elastični računalniški oblak (Amazon EC2) kot tudi vhodni in izhodni prenos podatkov. Za podrobne informacije glejte Cene Amazon SageMaker.
Povzetek
V tej objavi smo zagotovili pregled vzorčne rešitve, ki prikazuje, kako moderirati vhodne pozive in izhodne slike Stable Diffusion z uporabo Amazon Comprehend in Amazon Rekognition. Poleg tega lahko v Stable Diffusion definirate negativne pozive, da preprečite ustvarjanje nevarne vsebine. Z implementacijo več moderacijskih slojev je mogoče močno zmanjšati tveganje za ustvarjanje nevarne vsebine, kar zagotavlja varnejšo in zanesljivejšo uporabniško izkušnjo.
Več o tem moderiranje vsebine na AWS in naše primeri uporabe ML za moderiranje vsebinein naredite prvi korak k poenostavitvi postopkov moderiranja vsebine z AWS.
O avtorjih
Lana Zhang je višji arhitekt rešitev pri AWS WWSO AI Services team, specializiran za AI in ML za moderiranje vsebine, računalniški vid in obdelavo naravnega jezika. S svojim strokovnim znanjem je predana promociji rešitev AWS AI/ML in pomoči strankam pri preoblikovanju njihovih poslovnih rešitev v različnih panogah, vključno z družbenimi mediji, igrami, e-trgovino ter oglaševanjem in trženjem.
James Wu je višji specialist za AI/ML rešitve pri AWS. pomoč strankam pri oblikovanju in izdelavi rešitev AI/ML. Jamesovo delo pokriva širok spekter primerov uporabe ML, s primarnim zanimanjem za računalniški vid, globoko učenje in razširjanje ML v podjetju. Preden se je pridružil podjetju AWS, je bil James več kot 10 let arhitekt, razvijalec in tehnološki vodja, vključno s 6 leti v inženirstvu in 4 leta v trženju in oglaševalski industriji.
Kevin Carlson je glavni strokovnjak za AI/ML s poudarkom na računalniškem vidu pri AWS, kjer vodi poslovni razvoj in GTM za Amazon Rekognition. Preden se je pridružil AWS, je vodil globalno digitalno preobrazbo v Fortune 500 inženirskem podjetju AECOM, s poudarkom na umetni inteligenci in strojnem učenju za generativno načrtovanje in oceno infrastrukture. Živi v Chicagu, kjer zunaj službe preživlja čas s svojo družino, navdušen je nad letenjem letal in treniranjem mladinskega baseballa.
John Rouse je višji strokovnjak za AI/ML pri AWS, kjer vodi globalni poslovni razvoj za storitve AI, osredotočene na primere uporabe moderiranja vsebine in skladnosti. Preden se je pridružil podjetju AWS, je bil na višjih položajih pri poslovnem razvoju in vodilnih v podjetjih z vrhunsko tehnologijo. John si prizadeva dati strojno učenje v roke vsakemu razvijalcu s skladom AWS AI/ML. Majhne ideje prinašajo majhen učinek. Johnov cilj za stranke je, da jih opolnomoči z velikimi idejami in priložnostmi, ki odpirajo vrata, da lahko naredijo velik vpliv na stranko.
- Distribucija vsebine in PR s pomočjo SEO. Okrepite se še danes.
- PlatoData.Network Vertical Generative Ai. Opolnomočite se. Dostopite tukaj.
- PlatoAiStream. Web3 Intelligence. Razširjeno znanje. Dostopite tukaj.
- PlatoESG. Avtomobili/EV, Ogljik, CleanTech, Energija, Okolje, sončna energija, Ravnanje z odpadki. Dostopite tukaj.
- BlockOffsets. Posodobitev okoljskega offset lastništva. Dostopite tukaj.
- vir: https://aws.amazon.com/blogs/machine-learning/safe-image-generation-and-diffusion-models-with-amazon-ai-content-moderation-services/
- :ima
- : je
- :ne
- :kje
- $GOR
- 1
- 10
- 100
- 15%
- 200
- 49
- 500
- 7
- 8
- a
- O meni
- zloraba
- Račun
- natančnost
- čez
- dejanska
- prilagodijo
- dodajte
- Dodatne
- Poleg tega
- Naslov
- sprejet
- Oglaševanje
- po
- proti
- AI
- Storitve AI
- AI / ML
- letala
- vsi
- omogoča
- skupaj
- Prav tako
- alternativa
- Čeprav
- Amazon
- Amazonsko razumevanje
- Amazon EC2
- Amazonsko ponovno vžiganje
- Amazon SageMaker
- Amazon Web Services
- an
- analizirati
- in
- in infrastrukturo
- kaj
- API
- API-ji
- aplikacija
- uporaba
- aplikacije
- pristop
- pristopi
- približno
- Arhitektura
- SE
- okoli
- umetni
- Umetna inteligenca
- Umetna inteligenca in strojno učenje
- AS
- ocenjevanje
- pomoč
- Sodelavec
- At
- Občinstvo
- avtomatizirati
- avtomatizira
- samodejno
- Na voljo
- povprečno
- izogniti
- AWS
- nazaj
- baza
- Baseball
- temeljijo
- BE
- Beach
- ker
- pred
- Boljše
- Big
- velike ideje
- Zameglitve
- tako
- blagovne znamke
- prinašajo
- izgradnjo
- zgrajena
- vgrajeno
- poslovni
- poslovni razvoj
- vendar
- by
- klic
- se imenuje
- kliče
- poziva
- CAN
- zmožnost
- lahko
- previdno
- Carlson
- primeru
- primeri
- nekatere
- znaki
- preveriti
- Chicago
- Razvrstitev
- stranke
- coaching
- Koda
- barva
- kombinacija
- kombinirani
- združuje
- Skupno
- Podjetja
- podjetje
- kompleksnost
- skladnost
- razumeti
- celovito
- Izračunajte
- računalnik
- Računalniška vizija
- stanje
- poteka
- konfiguracija
- Razmislite
- vsebujejo
- Vsebuje
- vsebina
- Ustrezno
- strošek
- stroški
- bi
- Ovitki
- ustvarjajo
- Ustvarjanje
- Oblikovanje
- kritično
- po meri
- stranka
- Stranke, ki so
- prilagodljiv
- rezanje
- ples
- datum
- podatkovne točke
- zmanjšuje
- namenjen
- globoko
- globoko učenje
- demo
- dokazuje,
- zanesljivo
- Odvisno
- razporedi
- razporejeni
- opisano
- Oblikovanje
- Kljub
- podrobno
- Podrobnosti
- Zaznali
- Odkrivanje
- Razvojni
- Razvoj
- Difuzija
- digitalni
- Digitalni Transformation
- prikazovalniki
- razne
- do
- Ne
- Pes
- tem
- dont
- vrata
- 2
- med
- e-trgovina
- enostavno
- lahka
- Edge
- Učinkovito
- učinkovito
- odstranjevanje
- zaposluje
- opolnomočiti
- pooblašča
- omogoča
- Končna točka
- uveljavljanje
- Inženiring
- zagotoviti
- Podjetje
- enako
- Tudi
- Tudi vsak
- Primeri
- izkušnje
- strokovno znanje
- raziskuje
- olajšati
- družina
- file
- filter
- filtriranje
- prva
- letenje
- Osredotočite
- osredotočena
- po
- sledi
- za
- Fortune
- iz
- funkcija
- funkcionalnost
- funkcije
- igre na srečo
- ustvarjajo
- ustvarila
- ustvarjajo
- generacija
- generativno
- Generativna AI
- GitHub
- Globalno
- globalno poslovanje
- Globalno
- Cilj
- zelo
- Garancija
- vodi
- roke
- škodljiva
- Imajo
- he
- Hero
- pomoč
- jo
- zelo
- njegov
- Kako
- Kako
- Vendar
- HTML
- http
- HTTPS
- Hybrid
- Ideje
- identificirati
- if
- ponazarja
- slika
- slike
- vpliv
- izvajati
- Izvajanje
- izvajanja
- Pomembno
- izboljšanju
- in
- vključeno
- vključuje
- Vključno
- vključi
- Povečajte
- Poveča
- Navedite
- industrij
- Podatki
- Infrastruktura
- vhod
- vhodi
- vpogledi
- primer
- Povezovanje
- Intelligence
- namenjen
- obresti
- vmesnik
- v
- Uvedeno
- IT
- ITS
- james
- Job
- John
- pridružil
- json
- samo
- znano
- lab
- lady
- jezik
- Latenca
- kosilo
- začela
- plasti
- vodi
- Vodja
- Vodstvo
- Interesenti
- UČITE
- učenje
- Led
- manj
- Lets
- Stopnja
- Knjižnica
- kot
- LIMIT
- omejitve
- Limited
- Seznam
- Logika
- več
- iskanje
- nižje
- stroj
- strojno učenje
- velika
- Znamka
- IZDELA
- Izdelava
- upravlja
- Manipulacija
- ročno
- več
- Trženje
- Maj ..
- mediji
- Sporočilo
- Metoda
- minimalna
- ML
- Model
- modeli
- zmernost
- spremembe
- več
- več
- morajo
- naravna
- Obdelava Natural Language
- Nimate
- potrebe
- negativna
- mreža
- Novo
- št
- zdaj
- Številka
- predmet
- predmeti
- of
- žaljive
- ponudba
- on
- ONE
- v teku
- samo
- odprite
- operacije
- Priložnosti
- or
- Ostalo
- naši
- ven
- rezultatov
- izhod
- zunaj
- več
- Splošni
- pregled
- paket
- Podaje
- strastno
- Vzorec
- vzorci
- performance
- opravlja
- Fotorealistično
- stavki
- platforma
- platon
- Platonova podatkovna inteligenca
- PlatoData
- točke
- politika
- pozitiven
- mogoče
- Prispevek
- potencial
- potencialno
- moč
- močan
- Praktično
- vaje
- Pripravimo
- preprečiti
- preprečevanje
- prejšnja
- cenitev
- primarni
- , ravnateljica
- Predhodna
- Prednost
- Proaktivna
- Postopek
- obravnavati
- proizvodnjo
- projekti
- Spodbujanje
- zaščito
- zagotavljajo
- če
- zagotavlja
- zagotavljanje
- proxy
- dal
- Python
- hitro
- naključnost
- območje
- hitro
- v realnem času
- prejetih
- priznajo
- Zmanjšana
- zmanjšanje
- okolica
- Razmerja
- relativno
- odstrani
- zamenjajte
- predstavnik
- Ugled
- zahteva
- zahteva
- zahteva
- Zahteve
- Odgovor
- Rezultati
- vrnitev
- pregleda
- pregledovanje
- Tveganje
- vloge
- pravila
- Run
- tek
- varna
- varovanje
- varnejši
- sagemaker
- Prilagodljivost
- Lestvica
- skaliranje
- skripte
- sekund
- pošljite
- pošlje
- višji
- služi
- Storitev
- Storitve
- je
- pokazale
- Razstave
- Enostavno
- poenostavljeno
- sam
- Velikosti
- velikosti
- majhna
- So
- socialna
- družbeni mediji
- Rešitev
- rešitve
- Nekaj
- prefinjeno
- posebna
- specialist
- specializacijo
- specifična
- hitrost
- stabilna
- sveženj
- Začetek
- Korak
- Koraki
- shranjevanje
- trgovina
- racionalizacijo
- močna
- Struktura
- slog
- taka
- Suit
- Podpira
- sistem
- miza
- prilagojene
- Bodite
- meni
- Naloge
- skupina
- Skupine
- tehnike
- Tehnologija
- tehnoloških podjetij
- Test
- Testiran
- kot
- da
- O
- njihove
- Njih
- zato
- jih
- ta
- skozi
- čas
- zamudno
- do
- Skupaj za plačilo
- proti
- Vlak
- usposabljanje
- prenos
- Preoblikovanje
- preoblikovanje
- dva
- tip
- ui
- odkrijte
- osnovni
- uporaba
- Rabljeni
- uporabnik
- Uporabniška izkušnja
- Uporabniki
- uporablja
- uporabo
- navadno
- uporabiti
- uporablja
- izkorišča
- dragocene
- preko
- Video
- Video posnetki
- Nasilje
- Vizija
- Obseg
- Ranljivi
- je
- Voda
- we
- web
- spletne storitve
- Dobro
- kdaj
- ali
- ki
- medtem
- široka
- Širok spekter
- širše
- bo
- z
- v
- beseda
- besede
- delo
- potek dela
- deluje
- wu
- let
- Vi
- Vaša rutina za
- mladina
- zefirnet