V tej objavi razpravljamo o rešitvi strojnega učenja (ML) za kompleksna iskanja slik z uporabo Amazonska Kendra in Amazonsko ponovno vžiganje. Natančneje, uporabljamo primer arhitekturnih diagramov za kompleksne slike zaradi vključevanja številnih različnih vizualnih ikon in besedila.
Z internetom iskanje in pridobivanje slike še nikoli ni bilo lažje. Večino časa lahko natančno poiščete svoje želene slike, kot je iskanje naslednje destinacije za počitnice. Preprosta iskanja so pogosto uspešna, ker niso povezana z veliko značilnostmi. Poleg želenih značilnosti slike merila iskanja običajno ne zahtevajo pomembnih podrobnosti za iskanje želenega rezultata. Na primer, če je uporabnik poskušal iskati določeno vrsto modre steklenice, bodo prikazani rezultati za veliko različnih vrst modrih steklenic. Vendar želene modre steklenice morda ne boste zlahka našli zaradi splošnih iskalnih izrazov.
K poenostavitvi rezultatov prispeva tudi interpretacija konteksta iskanja. Ko imajo uporabniki v mislih želeno sliko, jo poskušajo oblikovati v besedilno iskalno poizvedbo. Razumevanje nians med iskalnimi poizvedbami za podobne teme je pomembno za zagotavljanje ustreznih rezultatov in zmanjšanje napora, ki ga mora uporabnik porabiti za ročno razvrščanje rezultatov. Na primer, iskalna poizvedba »Lastnik psa igra prinašanje« želi vrniti slikovne rezultate, ki prikazujejo lastnika psa, ki igra igro prinašanja s psom. Vendar se lahko dejanski ustvarjeni rezultati namesto tega osredotočajo na psa, ki prinaša predmet, ne da bi prikazali vpletenost lastnika. Pri zapletenih iskanjih bodo uporabniki morda morali ročno filtrirati neprimerne slikovne rezultate.
Za reševanje težav, povezanih z zapletenimi iskanji, ta objava podrobno opisuje, kako lahko ustvarite iskalnik, ki je sposoben iskati zapletene slike, z integracijo Amazon Kendra in Amazon Rekognition. Amazon Kendra je inteligentna iskalna storitev, ki jo poganja ML, Amazon Rekognition pa je storitev ML, ki lahko prepozna predmete, ljudi, besedilo, prizore in dejavnosti iz slik ali videoposnetkov.
Katere slike so lahko preveč zapletene, da bi jih bilo mogoče iskati? En primer so arhitekturni diagrami, ki jih je mogoče povezati s številnimi iskalnimi kriteriji, odvisno od kompleksnosti primera uporabe in števila potrebnih tehničnih storitev, kar ima za posledico velik napor pri ročnem iskanju za uporabnika. Na primer, če želijo uporabniki najti arhitekturno rešitev za primer uporabe preverjanja strank, bodo običajno uporabili iskalno poizvedbo, podobno »Arhitekturni diagrami za preverjanje strank«. Vendar bi splošne iskalne poizvedbe zajemale širok nabor storitev in različne datume ustvarjanja vsebine. Uporabniki bi morali ročno izbrati ustrezne arhitekturne kandidate na podlagi določenih storitev in upoštevati ustreznost izbir arhitekturnega oblikovanja glede na datum ustvarjanja vsebine in datum poizvedbe.
Naslednja slika prikazuje primer diagrama, ki ponazarja arhitekturno rešitev orkestriranega ekstrahiranja, preoblikovanja in nalaganja (ETL).
Za uporabnike, ki niso seznanjeni s ponudbo storitev, ki so na voljo na platformi v oblaku, lahko pri iskanju takšnega diagrama zagotovijo različne splošne načine in opise. Sledi nekaj primerov, kako se lahko išče:
- »Orkestracija poteka dela ETL«
- "Kako avtomatizirati množično obdelavo podatkov"
- "Metode za ustvarjanje cevovoda za pretvorbo podatkov"
Pregled rešitev
Vodimo vas skozi naslednje korake za implementacijo rešitve:
- Vlak an Oznake po meri za ponovno odstranjevanje Amazon model za prepoznavanje simbolov v arhitekturnih diagramih.
- Vključite zaznavanje besedila Amazon Rekognition za preverjanje simbolov arhitekturnega diagrama.
- Uporabite Amazon Rekognition znotraj spletnega pajka, da zgradite repozitorij za iskanje
- Za iskanje po skladišču uporabite Amazon Kendra.
Za enostavno zagotavljanje uporabnikom velikega skladišča ustreznih rezultatov bi morala rešitev zagotavljati avtomatiziran način iskanja po zaupanja vrednih virih. Z uporabo arhitekturnih diagramov kot primera mora rešitev iskati arhitekturne diagrame po referenčnih povezavah in tehničnih dokumentih ter identificirati prisotne storitve. Prepoznavanje ključnih besed, kot so primeri uporabe in panožne panoge v teh virih, prav tako omogoča zajemanje informacij in prikaz ustreznejših rezultatov iskanja uporabniku.
Glede na cilj iskanja ustreznih diagramov mora rešitev za iskanje slik izpolnjevati tri kriterije:
- Omogoči preprosto iskanje po ključnih besedah
- Interpretirajte iskalne poizvedbe na podlagi primerov uporabe, ki jih navedejo uporabniki
- Razvrsti in uredi rezultate iskanja
Iskanje po ključnih besedah je preprosto iskanje »Amazon Rekognition« in prikaz arhitekturnih diagramov o tem, kako se storitev uporablja v različnih primerih uporabe. Druga možnost je, da se iskalni izrazi posredno povežejo z diagramom prek primerov uporabe in industrijskih vertikal, ki so lahko povezane z arhitekturo. Na primer, iskanje izrazov »Kako orkestrirati cevovod ETL« vrne rezultate arhitekturnih diagramov, zgrajenih z AWS lepilo in Korak funkcije AWS. Razvrščanje in razvrščanje rezultatov iskanja na podlagi atributov, kot je datum ustvarjanja, bi zagotovilo, da so arhitekturni diagrami še vedno ustrezni kljub posodobitvam in izdajam storitev. Naslednja slika prikazuje arhitekturni diagram rešitve za iskanje slik.
Kot je prikazano v prejšnjem diagramu in v pregledu rešitve, obstajata dva glavna vidika rešitve. Prvi vidik izvaja Amazon Rekognition, ki lahko prepozna predmete, ljudi, besedilo, prizore in dejavnosti iz slik ali videoposnetkov. Sestavljen je iz vnaprej pripravljenih modelov, ki jih je mogoče uporabiti za analizo slik in videoposnetkov v velikem obsegu. S funkcijo oznak po meri vam Amazon Rekognition omogoča, da storitev ML prilagodite vašim specifičnim poslovnim potrebam z označevanjem slik, zbranih iz virov prek diagramov arhitekture v zaupanja vrednih referenčnih povezavah in tehničnih dokumentih. Z nalaganjem majhnega nabora slik za usposabljanje Amazon Rekognition samodejno naloži in pregleda podatke o usposabljanju, izbere prave algoritme ML, usposobi model in zagotovi meritve učinkovitosti modela. Zato lahko uporabniki brez strokovnega znanja o ML uživajo v prednostih modela oznak po meri prek klica API-ja, ker se znatno zmanjšajo režijski stroški. Rešitev uporablja oznake po meri Amazon Rekognition za zaznavanje logotipov storitev AWS na arhitekturnih diagramih, da omogoči iskanje po arhitekturnih diagramih z imeni storitev. Po modeliranju se zaznane storitve vsake slike arhitekturnega diagrama in njenih metapodatkov, kot sta izvor URL-ja in naslov slike, indeksirajo za prihodnje namene iskanja in shranijo v Amazon DynamoDB, popolnoma upravljana baza podatkov NoSQL brez strežnika s ključno vrednostjo, zasnovana za izvajanje visoko zmogljivih aplikacij.
Drugi vidik podpira Amazon Kendra, inteligentna storitev iskanja v podjetjih, ki jo poganja ML, ki vam omogoča iskanje po različnih repozitorijih vsebine. Z Amazon Kendra lahko iščete rezultate, kot so slike ali dokumenti, ki so bili indeksirani. Te rezultate je mogoče shraniti tudi v različnih repozitorijih, ker iskalna storitev uporablja vgrajene povezovalnike. Za iskanje lahko uporabite ključne besede, fraze in opise, kar vam omogoča natančno iskanje diagramov, ki so povezani z določenim primerom uporabe. Zato lahko preprosto zgradite inteligentno iskalno storitev z minimalnimi stroški razvoja.
Z razumevanjem problema in rešitve se naslednji razdelki potopijo v to, kako avtomatizirati pridobivanje podatkov s pajkanjem arhitekturnih diagramov iz verodostojnih virov. Po tem se sprehodimo skozi postopek generiranja modela ML oznake po meri s popolnoma upravljano storitvijo. Nazadnje pokrivamo vnos podatkov s storitvijo inteligentnega iskanja, ki jo poganja ML.
Ustvarite model Amazon Rekognition z oznakami po meri
Preden pridobimo kakršne koli arhitekturne diagrame, potrebujemo orodje za oceno, ali je sliko mogoče identificirati kot arhitekturni diagram. Amazon Rekognition Custom Labels zagotavlja poenostavljen postopek za ustvarjanje modela za prepoznavanje slik, ki identificira predmete in prizore na slikah, ki so specifični za poslovne potrebe. V tem primeru uporabljamo oznake po meri Amazon Rekognition za prepoznavanje ikon storitev AWS, nato pa se slike indeksirajo s storitvami za ustreznejše iskanje z uporabo Amazon Kendra. Ta model ne razlikuje, ali je slika arhitekturni diagram ali ne; preprosto identificira ikone storitev, če obstajajo. Zato lahko pride do primerov, ko se med rezultati iskanja znajdejo slike, ki niso arhitekturni diagrami. Vendar so takšni rezultati minimalni.
Naslednja slika prikazuje korake, ki jih ta rešitev izvede za ustvarjanje modela Amazon Rekognition Custom Labels.
Ta postopek vključuje nalaganje naborov podatkov, generiranje datoteke manifesta, ki se sklicuje na naložene nabore podatkov, čemur sledi nalaganje te datoteke manifesta v Amazon Rekognition. Skript Python se uporablja za pomoč pri procesu nalaganja naborov podatkov in generiranja datoteke manifesta. Po uspešnem ustvarjanju datoteke manifesta se ta nato naloži v Amazon Rekognition, da se začne postopek usposabljanja modela. Za podrobnosti o skriptu Python in o tem, kako ga zagnati, glejte GitHub repo.
Za usposabljanje modela v projektu Amazon Rekognition izberite Model vlaka, izberite projekt, ki ga želite usposobiti, nato dodajte ustrezne oznake in izberite Model vlaka. Za navodila o začetku projekta Amazon Rekognition Custom Labels glejte razpoložljive video Vadnice. Učenje modela s tem naborom podatkov lahko traja do 8 ur.
Ko je usposabljanje končano, lahko izberete usposobljeni model za ogled rezultatov ocenjevanja. Za več podrobnosti o različnih metrikah, kot so natančnost, priklic in F1, glejte Meritve za vrednotenje vašega modela. Če želite uporabiti model, pojdite na Uporabite model zavihek, pustite število enot sklepanja na 1 in zaženite model. Potem lahko uporabimo an AWS Lambda funkcijo za pošiljanje slik modelu v base64, model pa vrne seznam oznak in rezultatov zaupanja.
Po uspešnem usposabljanju modela Amazon Rekognition z oznakami po meri Amazon Rekognition ga lahko uporabimo za identifikacijo ikon storitev v arhitekturnih diagramih, ki so bili preiskani. Za povečanje natančnosti prepoznavanja storitev v diagramu arhitekture uporabljamo še eno funkcijo Amazon Rekognition, imenovano zaznavanje besedila. Za uporabo te funkcije posredujemo isto sliko v base64 in Amazon Rekognition vrne seznam besedila, identificiranega na sliki. Na naslednjih slikah primerjamo izvirno sliko in to, kako je videti, ko so storitve na sliki identificirane. Prva slika prikazuje originalno sliko.
Naslednja slika prikazuje izvirno sliko z zaznanimi storitvami.
Da bi zagotovili razširljivost, uporabljamo funkcijo Lambda, ki bo izpostavljena prek končne točke API-ja, ustvarjene z uporabo Amazon API Gateway. Lambda je brezstrežniška računalniška storitev, ki temelji na dogodkih in vam omogoča zagon kode za skoraj vse vrste aplikacij ali zalednih storitev brez zagotavljanja ali upravljanja strežnikov. Uporaba funkcije Lambda odpravlja pogoste pomisleke glede povečevanja, ko se na končno točko API pošljejo velike količine zahtev. Lambda samodejno zažene funkcijo za določen klic API-ja, ki se ustavi, ko je priklic končan, s čimer zmanjša stroške, ki jih ima uporabnik. Ker bi bila zahteva usmerjena na končno točko Amazon Rekognition, ni dovolj, da bi bila razširljiva samo funkcija Lambda. Da bo končna točka Amazon Rekognition razširljiva, lahko povečate enoto sklepanja končne točke. Za več podrobnosti o konfiguraciji enote za sklepanje glejte Enote sklepanja.
Sledi delček kode funkcije Lambda za postopek prepoznavanja slike:
Ko ustvarimo funkcijo Lambda, jo lahko izpostavimo kot API z uporabo API Gateway. Za navodila o ustvarjanju API-ja z integracijo proxyja Lambda glejte Vadnica: zgradite Hello World REST API z integracijo proxyja Lambda.
Preglejte arhitekturne diagrame
Da bi funkcija iskanja izvedljivo delovala, potrebujemo repozitorij arhitekturnih diagramov. Vendar morajo ti diagrami izvirati iz verodostojnih virov, kot je npr Spletni dnevnik AWS in Predpisane smernice AWS. Vzpostavitev verodostojnosti podatkovnih virov zagotavlja, da sta osnovna izvedba in namen primerov uporabe točna in dobro preverjena. Naslednji korak je nastavitev pajka, ki lahko pomaga zbrati številne arhitekturne diagrame za vnos v naš repozitorij. Ustvarili smo spletnega pajka za pridobivanje diagramov arhitekture in informacij, kot je opis izvedbe iz ustreznih virov. Obstaja več načinov, kako lahko dosežete izgradnjo takega mehanizma; za ta primer uporabljamo program, ki deluje na Amazonski elastični računalniški oblak (Amazon EC2). Program najprej pridobi povezave do objav v spletnem dnevniku iz API-ja spletnega dnevnika AWS. Odgovor, ki ga vrne API, vsebuje informacije o objavi, kot so naslov, URL, datum in povezave do slik, najdenih v objavi.
Sledi delček kode funkcije JavaScript za proces spletnega pajkanja:
S tem mehanizmom lahko enostavno preiščemo stotine in tisoče slik iz različnih blogov. Vendar pa potrebujemo filter, ki sprejme samo slike, ki vsebujejo vsebino arhitekturnega diagrama, ki so v našem primeru ikone storitev AWS, za filtriranje slik, ki niso arhitekturni diagrami.
To je namen našega modela Amazon Rekognition. Diagrami gredo skozi postopek prepoznavanja slike, ki identificira storitvene ikone in ugotovi, ali se lahko šteje za veljaven arhitekturni diagram.
Sledi delček kode funkcije, ki pošilja slike v model Amazon Rekognition:
Po opravljenem preverjanju prepoznavanja slik so rezultati, vrnjeni iz modela Amazon Rekognition, in informacije, ki so pomembne zanj, združeni v lastne metapodatke. Metapodatki se nato shranijo v tabelo DynamoDB, kjer bi se zapis uporabil za vnos v Amazon Kendra.
Sledi delček kode funkcije, ki shranjuje metapodatke diagrama v DynamoDB:
Vnesite metapodatke v Amazon Kendra
Ko gredo arhitekturni diagrami skozi postopek prepoznavanja slike in so metapodatki shranjeni v DynamoDB, potrebujemo način, da bo po diagramih mogoče iskati med sklicevanjem na vsebino v metapodatkih. Pristop k temu je imeti iskalnik, ki ga je mogoče integrirati z aplikacijo in lahko obravnava veliko število iskalnih poizvedb. Zato uporabljamo Amazon Kendra, inteligentno storitev iskanja podjetij.
Amazon Kendra uporabljamo kot interaktivno komponento rešitve zaradi njegovih močnih zmožnosti iskanja, zlasti z uporabo naravnega jezika. To doda dodatno plast preprostosti, ko uporabniki iščejo diagrame, ki so najbližje temu, kar iščejo. Amazon Kendra ponuja številne priključke virov podatkov za vnos in povezovanje vsebine. Ta rešitev uporablja priključek po meri za zajemanje informacij o arhitekturnih diagramih iz DynamoDB. Če želite konfigurirati vir podatkov za indeks Amazon Kendra, lahko uporabite obstoječi indeks ali ustvarite nov indeks.
Pregledane diagrame je treba nato vnesti v indeks Amazon Kendra, ki je bil ustvarjen. Naslednja slika prikazuje potek indeksiranja diagramov.
Najprej diagrami, vstavljeni v DynamoDB, ustvarijo dogodek Put prek Amazon DynamoDB Streams. Dogodek sproži funkcijo Lambda, ki deluje kot vir podatkov po meri za Amazon Kendra in naloži diagrame v indeks. Za navodila o ustvarjanju sprožilca DynamoDB Streams za funkcijo Lambda glejte Vadnica: Uporaba AWS Lambda s tokovi Amazon DynamoDB
Ko integriramo funkcijo Lambda z DynamoDB, moramo vnesti zapise diagramov, poslanih funkciji, v indeks Amazon Kendra. Indeks sprejema podatke iz različnih vrst virov in vnos elementov v indeks iz funkcije Lambda pomeni, da mora uporabiti konfiguracijo vira podatkov po meri. Za navodila o ustvarjanju vira podatkov po meri za vaš indeks glejte Povezovalnik vira podatkov po meri.
Sledi odrezek kode funkcije Lambda za indeksiranje diagrama na način po meri:
Pomemben dejavnik, ki omogoča iskanje po diagramih, je ključ Blob v dokumentu. To je tisto, kar Amazon Kendra preuči, ko uporabniki vnesejo svoje iskalne vnose. V tem primeru kode vsebuje ključ Blob povzeto različico primera uporabe diagrama, povezanega z informacijami, odkritimi v procesu prepoznavanja slike. To uporabnikom omogoča iskanje arhitekturnih diagramov na podlagi primerov uporabe, kot je »Fraud Detection« ali po imenih storitev, kot je »Amazon Kendra«.
Za ponazoritev primera, kako izgleda ključ Blob, se naslednji delček sklicuje na začetni diagram ETL, ki smo ga predstavili prej v tej objavi. Vsebuje opis diagrama, ki je bil pridobljen med indeksiranjem, kot tudi storitve, ki jih je prepoznal model Amazon Rekognition.
Išči z Amazon Kendra
Ko sestavimo vse komponente, so rezultati vzorčnega iskanja »analize v realnem času« videti kot naslednji posnetek zaslona.
Z iskanjem tega primera uporabe izdela različne arhitekturne diagrame. Uporabnikom so na voljo te različne metode specifične delovne obremenitve, ki jo poskušajo implementirati.
Čiščenje
Dokončajte korake v tem razdelku, da počistite vire, ki ste jih ustvarili v okviru te objave:
- Izbriši API:
- Na konzoli API Gateway izberite API, ki ga želite izbrisati.
- o Proces izberite meni Brisanje.
- Izberite Brisanje potrditi.
- Izbrišite tabelo DynamoDB:
- Na konzoli DynamoDB izberite Mize v podoknu za krmarjenje.
- Izberite tabelo, ki ste jo ustvarili, in izberite Brisanje.
- Vnesite delete, ko boste pozvani k potrditvi.
- Izberite Izbriši tabelo potrditi.
- Izbrišite indeks Amazon Kendra:
- Na konzoli Amazon Kendra izberite Kazala v podoknu za krmarjenje.
- Izberite kazalo, ki ste ga ustvarili, in izberite Brisanje
- Vnesite razlog, ko boste pozvani k potrditvi.
- Izberite Brisanje potrditi.
- Izbrišite projekt Amazon Rekognition:
- Na konzoli Amazon Rekogservation izberite Uporabite oznake po meri v podoknu za krmarjenje in nato izberite projekti.
- Izberite projekt, ki ste ga ustvarili, in izberite Brisanje.
- Vnesite Delete, ko boste pozvani k potrditvi.
- Izberite Izbrišite povezane nabore podatkov in modele potrditi.
- Izbrišite funkcijo Lambda:
- Na konzoli Lambda izberite funkcijo, ki jo želite izbrisati.
- o Proces izberite meni Brisanje.
- Vnesite Delete, ko boste pozvani k potrditvi.
- Izberite Brisanje potrditi.
Povzetek
V tej objavi smo pokazali primer, kako lahko inteligentno iščete informacije iz slik. To vključuje proces usposabljanja modela Amazon Rekognition ML, ki deluje kot filter za slike, avtomatizacijo pajkanja slik, ki zagotavlja verodostojnost in učinkovitost, ter poizvedovanje za diagrame s priložitvijo vira podatkov po meri, ki omogoča bolj prilagodljiv način indeksiranja elementov . Če se želite poglobiti v izvajanje kod, glejte GitHub repo.
Zdaj, ko razumete, kako zagotoviti hrbtenico centraliziranega iskalnega repozitorija za kompleksna iskanja, poskusite ustvariti lasten iskalnik slik. Za več informacij o osnovnih funkcijah glejte Kako začeti uporabljati oznake po meri Amazon Rekognition, Moderiranje vsebineIn Vodnik za razvijalce Amazon Kendra. Če ste novi v storitvi Amazon Rekognition Custom Labels, jo preizkusite z našo brezplačno stopnjo, ki traja 3 mesece in vključuje 10 brezplačnih ur usposabljanja na mesec in 4 brezplačne ure sklepanja na mesec.
O avtorjih
Ryan Glej je arhitekt rešitev pri AWS. S sedežem v Singapurju sodeluje s strankami pri gradnji rešitev za reševanje njihovih poslovnih težav ter prikroji tehnično vizijo za pomoč pri izvajanju bolj razširljivih in učinkovitih delovnih obremenitev v oblaku.
James Ong Jia Xiang je vodja rešitev za stranke pri AWS. Specializiran je za program pospeševanja migracije (MAP), kjer strankam in partnerjem pomaga pri uspešni implementaciji obsežnih migracijskih programov na AWS. S sedežem v Singapurju se osredotoča tudi na spodbujanje pobud za posodobitev in preoblikovanje podjetij v APJ s pomočjo razširljivih mehanizmov. Za prosti čas uživa v dejavnostih v naravi, kot sta treking in deskanje.
Hang Duong je arhitekt rešitev pri AWS. S sedežem v Hanoju v Vietnamu se osredotoča na spodbujanje sprejemanja oblaka po vsej državi z zagotavljanjem visoko razpoložljivih, varnih in razširljivih rešitev v oblaku za svoje stranke. Poleg tega uživa v gradnji in sodeluje pri različnih projektih izdelave prototipov. Navdušena je tudi nad področjem strojnega učenja.
Trinh Vo je arhitekt rešitev pri AWS s sedežem v mestu Ho Ši Minh v Vietnamu. Osredotoča se na delo s strankami v različnih panogah in partnerji v Vietnamu za izdelavo arhitektur in predstavitev platforme AWS, ki delujejo nazaj od strankinih poslovnih potreb in pospešujejo sprejemanje ustrezne tehnologije AWS. Za prosti čas uživa v jamarstvu in pohodništvu.
Wai Kin Tham je Cloud Architect pri AWS. Njegovo dnevno delo s sedežem v Singapurju vključuje pomoč strankam pri selitvi v oblak in posodobitvi njihovega tehnološkega sklada v oblaku. V prostem času obiskuje tečaje muay thai in brazilskega jiu jitsa.
- Distribucija vsebine in PR s pomočjo SEO. Okrepite se še danes.
- PlatoAiStream. Podatkovna inteligenca Web3. Razširjeno znanje. Dostopite tukaj.
- Kovanje prihodnosti z Adryenn Ashley. Dostopite tukaj.
- Kupujte in prodajajte delnice podjetij pred IPO s PREIPO®. Dostopite tukaj.
- vir: https://aws.amazon.com/blogs/machine-learning/build-an-image-search-engine-with-amazon-kendra-and-amazon-rekognition/
- :ima
- : je
- :ne
- :kje
- $GOR
- 1
- 10
- 100
- 12
- 200
- 40
- 7
- 8
- a
- O meni
- pospeši
- Sprejema
- Po
- natančnost
- natančna
- natančno
- Doseči
- čez
- dejavnosti
- aktov
- dodajte
- Dodatne
- Poleg tega
- Naslov
- Dodaja
- Sprejetje
- po
- Pomoč
- algoritmi
- vsi
- omogočajo
- omogoča
- Prav tako
- Amazon
- Amazonska Atena
- Amazon EC2
- Amazonska Kendra
- Amazonsko ponovno vžiganje
- znesek
- an
- analizirati
- in
- Še ena
- kaj
- API
- uporaba
- aplikacije
- uporabna
- pristop
- primerno
- architectural
- Arhitektura
- SE
- Array
- AS
- vidik
- vidiki
- povezan
- At
- lastnosti
- avtomatizirati
- Avtomatizirano
- samodejno
- Avtomatizacija
- Na voljo
- čakati
- AWS
- AWS lepilo
- AWS Lambda
- Korak funkcije AWS
- Axios
- Hrbtenica
- Backend
- temeljijo
- BE
- ker
- bilo
- začetek
- počutje
- Prednosti
- med
- Poleg
- Blog
- Blog Prispevkov
- blogi
- Modra
- telo
- Brazilska
- Break
- brskalnik
- varovalni
- izgradnjo
- Building
- zgrajena
- vgrajeno
- v paketu
- poslovni
- by
- klic
- se imenuje
- poziva
- CAN
- kandidati
- Zmogljivosti
- lahko
- primeru
- primeri
- Katalog
- centralizirano
- lastnosti
- preveriti
- Pregledi
- možnosti
- Izberite
- mesto
- razredi
- Cloud
- sprejem v oblak
- Platforma v oblaku
- Koda
- Skupno
- primerjate
- dokončanje
- Končana
- kompleksna
- kompleksnost
- komponenta
- deli
- Izračunajte
- Skrb
- zaupanje
- Prepričani
- konfiguracija
- Potrdi
- Potrditev
- Povezovanje
- Razmislite
- šteje
- Konzole
- vsebujejo
- Vsebuje
- vsebina
- ustvarjanje vsebine
- Vsebina
- ozadje
- Core
- strošek
- stroški
- bi
- država
- pokrov
- obrti
- gosenicah
- ustvarjajo
- ustvaril
- Ustvarjanje
- Oblikovanje
- verodostojnost
- verodostojno
- Merila
- po meri
- stranka
- Rešitve za stranke
- Stranke, ki so
- datum
- Baze podatkov
- nabor podatkov
- Datum
- Termini
- dan
- deliti
- globlje
- poda
- Odvisno
- opis
- Oblikovanje
- zasnovan
- želeno
- destinacija
- Podatki
- Podrobnosti
- Zaznali
- Odkrivanje
- določa
- Razvojni
- Razvoj
- diagrami
- drugačen
- razlikovati
- razpravlja
- prikazovanje
- dokument
- Dokumentacija
- Dokumenti
- Ne
- Pes
- vožnjo
- 2
- e
- vsak
- prej
- lažje
- enostavno
- učinkovitosti
- učinkovite
- prizadevanje
- element
- odpravlja
- zaposluje
- omogoča
- konec
- Končna točka
- Motor
- uživajte
- zagotovitev
- zagotavlja
- Podjetje
- Napaka
- vzpostavitev
- oceniti
- Ocena
- Event
- Primer
- Primeri
- obstoječih
- strokovno znanje
- Izvoz
- izpostavljena
- ekstrakt
- f1
- Faktor
- seznanjeni
- Feature
- Lastnosti
- Polje
- Slika
- Številke
- file
- filter
- Najdi
- prva
- prilagodljiv
- Pretok
- Osredotočite
- Osredotoča
- sledili
- po
- za
- je pokazala,
- FRAME
- brezplačno
- iz
- v celoti
- funkcija
- funkcije
- Prihodnost
- igra
- Prehod
- zbiranje
- ustvarila
- ustvarjajo
- dobili
- Globalno
- Go
- ročaj
- Imajo
- ob
- he
- Glave
- pomoč
- pomoč
- Pomaga
- jo
- visokozmogljivo
- najvišja
- zelo
- njegov
- počitnice
- URE
- Kako
- Kako
- Vendar
- HTML
- http
- HTTPS
- Stotine
- i
- ID
- identificirati
- identificira
- identificirati
- identifikacijo
- if
- ponazarja
- slika
- Prepoznavanje slike
- Iskanje slik
- slike
- izvajati
- Izvajanje
- uvoz
- Pomembno
- in
- vključuje
- Povečajte
- Indeks
- posredno
- individualna
- industrij
- Industrija
- Podatki
- začetna
- pobud
- vhod
- Namesto
- Navodila
- integrirati
- integrirana
- Povezovanje
- integracija
- Inteligentna
- interaktivno
- Internet
- v
- Uvedeno
- vključeni
- sodelovanje
- IT
- Izdelkov
- ITS
- JavaScript
- Job
- jpg
- json
- Ključne
- Kin
- label
- označevanje
- Oznake
- jezik
- velika
- obsežne
- plast
- učenje
- vsaj
- pustite
- dolžina
- Naj
- Lets
- kot
- LINK
- povezane
- Povezave
- Seznam
- obremenitev
- obremenitve
- Poglej
- izgleda kot
- si
- POGLEDI
- stroj
- strojno učenje
- je
- Glavne
- upravlja
- upravitelj
- upravljanje
- Način
- Navodilo
- ročno
- več
- map
- Maj ..
- pomeni
- Mehanizem
- Mehanizmi
- metapodatki
- Metode
- Meritve
- selitev
- migracije
- moti
- minimalna
- ML
- Model
- modeli
- posodobiti
- mesec
- mesecev
- več
- Najbolj
- več
- morajo
- Ime
- Imena
- naravna
- Narava
- Krmarjenje
- ostalo
- Nimate
- potrebe
- nikoli
- Novo
- Naslednja
- Številka
- številne
- predmet
- Cilj
- predmeti
- pridobljeni
- pridobitev
- pridobi
- of
- Ponudbe
- Ponudbe
- pogosto
- on
- ONE
- samo
- or
- orkestrirana
- Da
- izvirno
- OS
- naši
- ven
- pregled
- lastne
- Lastnik
- Stran
- podokno
- del
- zlasti
- zlasti
- partnerji
- mimo
- Podaje
- strastno
- Vzorec
- ljudje
- performance
- stavki
- slika
- plinovod
- platforma
- platon
- Platonova podatkovna inteligenca
- PlatoData
- igranje
- igra
- Prispevek
- Prispevkov
- poganja
- močan
- Precision
- predstaviti
- problem
- Težave
- Postopek
- Program
- programi
- Projekt
- projekti
- Obljuba
- prototipov
- zagotavljajo
- če
- zagotavlja
- zagotavljanje
- proxy
- javnega
- Namen
- namene
- dal
- Postavlja
- Python
- poizvedbe
- območje
- Razlog
- Priznanje
- priznajo
- zapis
- evidence
- Zmanjšana
- zmanjšanje
- reference
- okolica
- povezane
- Izpusti
- ustreznost
- pomembno
- odstrani
- Odstranjeno
- Skladišče
- zahteva
- zahteva
- zahteva
- obvezna
- viri
- Odgovor
- REST
- povzroči
- Rezultati
- ohranijo
- vrnitev
- vrne
- ROW
- Run
- s
- Enako
- Prilagodljivost
- razširljive
- Lestvica
- skaliranje
- prizori
- Iskalnik
- iskalnik
- iskanje
- drugi
- Oddelek
- oddelki
- zavarovanje
- Išče
- izbran
- pošljite
- pošlje
- Brez strežnika
- Strežniki
- Storitev
- Storitve
- nastavite
- je
- shouldnt
- pokazale
- Razstave
- pomemben
- Podoben
- Enostavno
- preprostost
- preprosto
- Singapur
- Velikosti
- majhna
- Rešitev
- rešitve
- SOLVE
- nekaj
- vir
- Viri
- Sourcing
- span
- specializirano
- specifična
- posebej
- Zloben
- sveženj
- Začetek
- začel
- Začetek
- Korak
- Koraki
- Še vedno
- Postanki
- shranjeni
- trgovine
- racionaliziran
- tokovi
- kasneje
- uspešno
- Uspešno
- taka
- dovolj
- primerna
- Podprti
- miza
- Bodite
- meni
- tehnični
- Tehnologija
- Pogoji
- tajska
- da
- O
- informacije
- njihove
- POTEM
- Tukaj.
- s tem
- zato
- te
- jih
- ta
- tisti,
- tisoče
- 3
- skozi
- živali
- čas
- Naslov
- do
- skupaj
- tudi
- orodje
- Teme
- Vlak
- usposobljeni
- usposabljanje
- vlaki
- Transform
- Preoblikovanje
- preoblikovanje
- Poskušal
- sprožijo
- Res
- zaupa
- dva
- tip
- Vrste
- tipično
- ne morem
- osnovni
- razumeli
- razumevanje
- Enota
- enote
- posodobitve
- naložili
- Prenos
- naprej
- URL
- uporaba
- primeru uporabe
- Rabljeni
- uporabnik
- Uporabniki
- uporabo
- POTRDI
- vrednost
- različnih
- Preverjanje
- različica
- vertikale
- preverjeno
- preko
- Video posnetki
- Vietnam
- Poglej
- praktično
- Vizija
- prostornine
- želeli
- je
- način..
- načini
- we
- web
- Dobro
- so bili
- Kaj
- kdaj
- ali
- ki
- medtem
- WHO
- široka
- Širok spekter
- bo
- z
- brez
- delo
- deluje
- deluje
- svet
- bi
- pisati
- Vi
- Vaša rutina za
- zefirnet