I det här inlägget diskuterar vi en maskininlärningslösning (ML) för komplexa bildsökningar med hjälp av Amazon Kendra och Amazon-erkännande. Specifikt använder vi exemplet med arkitekturdiagram för komplexa bilder på grund av att de innehåller många olika visuella ikoner och text.
Med internet har det aldrig varit lättare att söka och få en bild. För det mesta kan du hitta dina önskade bilder exakt, till exempel att söka efter din nästa semesterdestination. Enkla sökningar är ofta framgångsrika, eftersom de inte är förknippade med många egenskaper. Utöver de önskade bildegenskaperna kräver sökkriterierna vanligtvis inte betydande detaljer för att hitta det önskade resultatet. Om en användare till exempel försökte söka efter en specifik typ av blå flaska, kommer resultat av många olika typer av blå flaskor att visas. Den önskade blå flaskan kanske inte är lätt att hitta på grund av generiska söktermer.
Att tolka söksammanhang bidrar också till att förenkla resultaten. När användare har en önskad bild i åtanke försöker de rama in denna i en textbaserad sökfråga. Att förstå nyanserna mellan sökfrågor för liknande ämnen är viktigt för att ge relevanta resultat och minimera den ansträngning som krävs av användaren för att manuellt sortera igenom resultaten. Till exempel, sökfrågan "Hundägare spelar apport" försöker returnera bildresultat som visar en hundägare som spelar en omgång apport med en hund. Men de faktiska resultaten som genereras kan istället fokusera på en hund som hämtar ett föremål utan att visa en ägares inblandning. Användare kan behöva manuellt filtrera bort olämpliga bildresultat när de hanterar komplexa sökningar.
För att ta itu med problemen i samband med komplexa sökningar, beskriver detta inlägg i detalj hur du kan uppnå en sökmotor som kan söka efter komplexa bilder genom att integrera Amazon Kendra och Amazon Rekognition. Amazon Kendra är en intelligent söktjänst som drivs av ML, och Amazon Rekognition är en ML-tjänst som kan identifiera objekt, personer, text, scener och aktiviteter från bilder eller videor.
Vilka bilder kan vara för komplexa för att vara sökbara? Ett exempel är arkitekturdiagram, som kan förknippas med många sökkriterier beroende på användningsfallets komplexitet och antalet tekniska tjänster som krävs, vilket resulterar i betydande manuell sökinsats för användaren. Till exempel, om användare vill hitta en arkitekturlösning för användningsfallet med kundverifiering, kommer de vanligtvis att använda en sökfråga som liknar "Arkitekturdiagram för kundverifiering." Generiska sökfrågor skulle dock sträcka sig över ett brett utbud av tjänster och över olika datum för att skapa innehåll. Användare skulle behöva manuellt välja lämpliga arkitekturkandidater baserat på specifika tjänster och överväga relevansen av arkitekturdesignvalen enligt datum för innehållsskapande och frågedatum.
Följande figur visar ett exempeldiagram som illustrerar en orkestrerad extrahera-, transform- och belastningsarkitekturlösning (ETL).
För användare som inte är bekanta med tjänsteutbudet som tillhandahålls på molnplattformen, kan de tillhandahålla olika generiska sätt och beskrivningar när de söker efter ett sådant diagram. Följande är några exempel på hur det kan sökas:
- "Orkestrera ETL-arbetsflöde"
- "Hur man automatiserar bulkdatabehandling"
- "Metoder för att skapa en pipeline för att transformera data"
Lösningsöversikt
Vi leder dig genom följande steg för att implementera lösningen:
- Träna en Amazon Rekognition anpassade etiketter modell för att känna igen symboler i arkitekturdiagram.
- Inkludera Amazon Rekognition textdetektering för att validera arkitekturdiagramsymboler.
- Använd Amazon Rekognition i en sökrobot för att bygga ett arkiv för sökning
- Använd Amazon Kendra för att söka i förvaret.
För att enkelt förse användare med ett stort arkiv med relevanta resultat bör lösningen tillhandahålla ett automatiserat sätt att söka genom pålitliga källor. Med hjälp av arkitekturdiagram som exempel måste lösningen söka igenom referenslänkar och tekniska dokument för arkitekturdiagram och identifiera vilka tjänster som finns. Genom att identifiera nyckelord som användningsfall och branschvertikaler i dessa källor kan också informationen fångas och mer relevanta sökresultat visas för användaren.
Med tanke på syftet med hur relevanta diagram ska sökas, måste bildsökningslösningen uppfylla tre kriterier:
- Aktivera enkel nyckelordssökning
- Tolka sökfrågor baserat på användningsfall som användarna tillhandahåller
- Sortera och ordna sökresultat
Nyckelordssökning är helt enkelt att söka efter "Amazon Rekognition" och att visas arkitekturdiagram över hur tjänsten används i olika användningsfall. Alternativt kan söktermerna kopplas indirekt till diagrammet genom användningsfall och branschvertikaler som kan associeras med arkitekturen. Om du till exempel söker efter termerna "Hur man orkestrerar ETL-pipeline" returneras resultat av arkitekturdiagram byggda med AWS-lim och AWS stegfunktioner. Sortering och ordning av sökresultat baserat på attribut som skapandedatum skulle säkerställa att arkitekturdiagrammen fortfarande är relevanta trots tjänstuppdateringar och releaser. Följande figur visar arkitekturdiagrammet för bildsökningslösningen.
Som illustreras i föregående diagram och i lösningsöversikten finns det två huvudaspekter av lösningen. Den första aspekten utförs av Amazon Rekognition, som kan identifiera objekt, personer, text, scener och aktiviteter från bilder eller videor. Den består av förtränade modeller som kan användas för att analysera bilder och videor i stor skala. Med sin funktion för anpassade etiketter låter Amazon Rekognition dig skräddarsy ML-tjänsten efter dina specifika affärsbehov genom att märka bilder som samlats från inköp via arkitekturdiagram i pålitliga referenslänkar och tekniska dokument. Genom att ladda upp en liten uppsättning träningsbilder, laddar och inspekterar Amazon Rekognition automatiskt träningsdata, väljer rätt ML-algoritmer, tränar en modell och tillhandahåller modellprestandamått. Därför kan användare utan ML-expertis dra nytta av fördelarna med en anpassad etikettmodell genom ett API-anrop, eftersom en betydande mängd omkostnader minskar. Lösningen tillämpar Amazon Rekognition Custom Labels för att upptäcka AWS-tjänstlogotyper på arkitekturdiagram för att tillåta arkitekturdiagrammen att vara sökbara med tjänstnamn. Efter modellering indexeras detekterade tjänster för varje arkitekturdiagrambild och dess metadata, som URL-ursprung och bildtitel, för framtida sökändamål och lagras i Amazon DynamoDB, en helt hanterad, serverlös, nyckelvärde NoSQL-databas designad för att köra högpresterande applikationer.
Den andra aspekten stöds av Amazon Kendra, en intelligent företagssöktjänst som drivs av ML som låter dig söka i olika innehållsförråd. Med Amazon Kendra kan du söka efter resultat, som bilder eller dokument, som har indexerats. Dessa resultat kan också lagras i olika arkiv eftersom söktjänsten använder inbyggda kopplingar. Nyckelord, fraser och beskrivningar kan användas för sökning, vilket gör att du kan söka exakt efter diagram som är relaterade till ett visst användningsfall. Därför kan du enkelt bygga en intelligent söktjänst med minimala utvecklingskostnader.
Med en förståelse för problemet och lösningen dyker de efterföljande avsnitten in i hur man automatiserar datakällan genom att genomsöka arkitekturdiagram från trovärdiga källor. Efter detta går vi igenom processen att skapa en anpassad ML-modell med en helt hanterad tjänst. Slutligen täcker vi dataintag av en intelligent söktjänst, driven av ML.
Skapa en Amazon Rekognition-modell med anpassade etiketter
Innan vi skaffar några arkitekturdiagram behöver vi ett verktyg för att utvärdera om en bild kan identifieras som ett arkitekturdiagram. Amazon Rekognition Custom Labels tillhandahåller en strömlinjeformad process för att skapa en bildigenkänningsmodell som identifierar objekt och scener i bilder som är specifika för ett affärsbehov. I det här fallet använder vi Amazon Rekognition Custom Labels för att identifiera AWS-tjänstikoner, sedan indexeras bilderna med tjänsterna för en mer relevant sökning med Amazon Kendra. Denna modell skiljer inte på om en bild är ett arkitekturdiagram eller inte; den identifierar helt enkelt serviceikoner, om några. Som sådan kan det finnas tillfällen där bilder som inte är arkitekturdiagram hamnar i sökresultaten. Sådana resultat är dock minimala.
Följande figur visar stegen som den här lösningen tar för att skapa en Amazon Rekognition Custom Labels-modell.
Denna process involverar uppladdning av datamängder, generering av en manifestfil som refererar till uppladdade datauppsättningar, följt av uppladdning av denna manifestfil till Amazon Rekognition. Ett Python-skript används för att hjälpa till i processen att ladda upp datamängder och generera manifestfilen. När manifestfilen har genererats framgångsrikt laddas den upp till Amazon Rekognition för att påbörja modellutbildningsprocessen. För detaljer om Python-skriptet och hur man kör det, se GitHub repo.
För att träna modellen, i Amazon Rekognition-projektet, välj Tågmodell, välj det projekt du vill träna, lägg sedan till eventuella relevanta taggar och välj Tågmodell. För instruktioner om hur du startar ett Amazon Rekognition Custom Labels-projekt, se den tillgängliga video tutorials. Modellen kan ta upp till 8 timmar att träna med denna datauppsättning.
När utbildningen är klar kan du välja den utbildade modellen för att se utvärderingsresultaten. För mer information om de olika mätvärdena som precision, återkallelse och F1, se Mätvärden för att utvärdera din modell. För att använda modellen, navigera till Använd modell fliken, lämna antalet slutledningsenheter på 1 och starta modellen. Då kan vi använda en AWS Lambda funktion för att skicka bilder till modellen i base64, och modellen returnerar en lista med etiketter och konfidenspoäng.
Efter att framgångsrikt tränat en Amazon Rekognition-modell med Amazon Rekognition Custom Labels kan vi använda den för att identifiera tjänsteikoner i arkitekturdiagrammen som har genomsökts. För att öka noggrannheten för att identifiera tjänster i arkitekturdiagrammet använder vi en annan Amazon Rekognition-funktion som kallas textavkänning. För att använda den här funktionen skickar vi in samma bild i base64, och Amazon Rekognition returnerar listan med text som identifieras i bilden. I följande figurer jämför vi originalbilden och hur den ser ut efter att tjänsterna på bilden identifierats. Den första bilden visar originalbilden.
Följande bild visar originalbilden med upptäckta tjänster.
För att säkerställa skalbarhet använder vi en Lambda-funktion, som kommer att exponeras genom en API-slutpunkt skapad med hjälp av Amazon API Gateway. Lambda är en serverlös, händelsedriven beräkningstjänst som låter dig köra kod för praktiskt taget alla typer av applikationer eller backend-tjänster utan att tillhandahålla eller hantera servrar. Att använda en Lambda-funktion eliminerar en vanlig oro för uppskalning när stora volymer av förfrågningar görs till API-slutpunkten. Lambda kör automatiskt funktionen för det specifika API-anropet, som stoppar när anropet är klart, vilket minskar kostnaden för användaren. Eftersom begäran skulle riktas till Amazon Rekognition-slutpunkten räcker det inte att bara Lambda-funktionen är skalbar. För att Amazon Rekognition-slutpunkten ska vara skalbar kan du öka slutpunktens slutpunktsenhet. För mer information om konfigurering av slutledningsenheten, se Inferensenheter.
Följande är ett kodavsnitt av Lambda-funktionen för bildigenkänningsprocessen:
Efter att ha skapat Lambda-funktionen kan vi fortsätta att exponera den som ett API med API Gateway. För instruktioner om hur du skapar ett API med Lambda proxy-integration, se Handledning: Bygg ett Hello World REST API med Lambda-proxyintegration.
Genomsök arkitekturdiagrammen
För att sökfunktionen ska fungera genomförbart behöver vi ett arkiv med arkitekturdiagram. Dessa diagram måste dock härröra från trovärdiga källor som t.ex AWS blogg och AWS föreskrivande vägledning. Att etablera trovärdighet för datakällor säkerställer att den underliggande implementeringen och syftet med användningsfallen är korrekta och väl granskade. Nästa steg är att ställa in en sökrobot som kan hjälpa till att samla in många arkitekturdiagram för att matas in i vårt arkiv. Vi skapade en webcrawler för att extrahera arkitekturdiagram och information såsom en beskrivning av implementeringen från relevanta källor. Det finns flera sätt att bygga en sådan mekanism på; för det här exemplet använder vi ett program som körs på Amazon Elastic Compute Cloud (Amazon EC2). Programmet hämtar först länkar till blogginlägg från ett AWS Blog API. Svaret som returneras från API:t innehåller information om inlägget som titel, URL, datum och länkarna till bilder som finns i inlägget.
Följande är ett kodavsnitt av JavaScript-funktionen för webbgenomsökningsprocessen:
Med denna mekanism kan vi enkelt genomsöka hundratals och tusentals bilder från olika bloggar. Vi behöver dock ett filter som bara accepterar bilder som innehåller innehåll i ett arkitekturdiagram, som i vårt fall är ikoner för AWS-tjänster, för att filtrera bort bilder som inte är arkitekturdiagram.
Detta är syftet med vår Amazon Rekognition-modell. Diagrammen går igenom bildigenkänningsprocessen, som identifierar tjänsteikoner och avgör om det kan betraktas som ett giltigt arkitekturdiagram.
Följande är ett kodavsnitt av funktionen som skickar bilder till Amazon Rekognition-modellen:
Efter att ha klarat kontrollen av bildigenkänning samlas resultaten som returneras från Amazon Rekognition-modellen och den information som är relevant för den i deras egna metadata. Metadata lagras sedan i en DynamoDB-tabell där posten skulle användas för att mata in i Amazon Kendra.
Följande är ett kodavsnitt av funktionen som lagrar metadata för diagrammet i DynamoDB:
Mata in metadata i Amazon Kendra
Efter att arkitekturdiagrammen gått igenom bildigenkänningsprocessen och metadata lagras i DynamoDB, behöver vi ett sätt för diagrammen att vara sökbara samtidigt som de refererar till innehållet i metadata. Tillvägagångssättet för detta är att ha en sökmotor som kan integreras med applikationen och kan hantera en stor mängd sökfrågor. Därför använder vi Amazon Kendra, en intelligent företagssöktjänst.
Vi använder Amazon Kendra som den interaktiva komponenten i lösningen är på grund av dess kraftfulla sökfunktioner, särskilt med användning av naturligt språk. Detta lägger till ett extra lager av enkelhet när användare söker efter diagram som ligger närmast det de letar efter. Amazon Kendra erbjuder ett antal anslutningar för datakällor för att inta och ansluta innehåll. Den här lösningen använder en anpassad anslutning för att mata in information om arkitekturdiagram från DynamoDB. För att konfigurera en datakälla till ett Amazon Kendra-index kan du använda ett befintligt index eller skapa ett nytt index.
Diagrammen som genomsöks måste sedan matas in i Amazon Kendra-indexet som har skapats. Följande figur visar flödet av hur diagrammen indexeras.
Först skapar diagrammen som infogas i DynamoDB en Put-händelse via Amazon DynamoDB-strömmar. Händelsen utlöser Lambda-funktionen som fungerar som en anpassad datakälla för Amazon Kendra och laddar diagrammen i indexet. För instruktioner om hur du skapar en DynamoDB Streams-utlösare för en Lambda-funktion, se Handledning: Använda AWS Lambda med Amazon DynamoDB-strömmar
Efter att vi integrerat Lambda-funktionen med DynamoDB måste vi mata in posterna för diagrammen som skickas till funktionen i Amazon Kendra-index. Indexet accepterar data från olika typer av källor, och att mata in objekt i indexet från Lambda-funktionen innebär att det måste använda den anpassade datakällans konfiguration. För instruktioner om hur du skapar en anpassad datakälla för ditt index, se Anpassad datakällans anslutning.
Följande är ett kodavsnitt av Lambda-funktionen för hur ett diagram kan indexeras på ett anpassat sätt:
Den viktiga faktorn som gör att diagram är sökbara är Blob-nyckeln i ett dokument. Detta är vad Amazon Kendra tittar på när användare ger sin sökinput. I denna exempelkod innehåller Blob-nyckeln en sammanfattad version av diagrammets användningsfall sammanlänkade med informationen som upptäckts från bildigenkänningsprocessen. Detta tillåter användare att söka efter arkitekturdiagram baserat på användningsfall som "Fraud Detection" eller efter tjänstnamn som "Amazon Kendra."
För att illustrera ett exempel på hur Blob-nyckeln ser ut, refererar följande utdrag till det initiala ETL-diagrammet som vi introducerade tidigare i det här inlägget. Den innehåller en beskrivning av diagrammet som erhölls när det genomsöktes, samt de tjänster som identifierades av Amazon Rekognition-modellen.
Sök med Amazon Kendra
Efter att vi satt ihop alla komponenter ser resultaten av en exempelsökning av "realtidsanalys" ut som följande skärmdump.
Genom att söka efter detta användningsfall producerar det olika arkitekturdiagram. Användare förses med dessa olika metoder för den specifika arbetsbelastning som de försöker implementera.
Städa upp
Slutför stegen i det här avsnittet för att rensa upp resurserna du skapade som en del av det här inlägget:
- Ta bort API:et:
- På API Gateway-konsolen väljer du det API som ska raderas.
- På Handlingar meny, välj Radera.
- Välja Radera att bekräfta.
- Ta bort DynamoDB-tabellen:
- Välj på DynamoDB-konsolen Bord i navigeringsfönstret.
- Välj tabellen du skapade och välj Radera.
- Ange radera när du uppmanas att bekräfta.
- Välja Ta bort tabell att bekräfta.
- Ta bort Amazon Kendra-index:
- Välj på Amazon Kendra-konsolen Index i navigeringsfönstret.
- Välj indexet du skapade och välj Radera
- Ange en orsak när du uppmanas att bekräfta.
- Välja Radera att bekräfta.
- Ta bort Amazon Rekognition-projektet:
- Välj på Amazon Rekognition-konsolen Använd anpassade etiketter i navigeringsfönstret och välj sedan Projekt.
- Välj det projekt du skapade och välj Radera.
- Ange Ta bort när du uppmanas att bekräfta.
- Välja Ta bort associerade datamängder och modeller att bekräfta.
- Ta bort lambdafunktionen:
- På lambdakonsolen väljer du den funktion som ska raderas.
- På Handlingar meny, välj Radera.
- Ange Ta bort när du uppmanas att bekräfta.
- Välja Radera att bekräfta.
Sammanfattning
I det här inlägget visade vi ett exempel på hur du intelligent kan söka information från bilder. Detta inkluderar processen att träna en Amazon Rekognition ML-modell som fungerar som ett filter för bilder, automatisering av bildgenomsökning, vilket säkerställer trovärdighet och effektivitet, och sökning efter diagram genom att bifoga en anpassad datakälla som möjliggör ett mer flexibelt sätt att indexera objekt . För att dyka djupare in i implementeringen av koderna, se GitHub repo.
Nu när du förstår hur du tillhandahåller ryggraden i ett centraliserat sökarkiv för komplexa sökningar, prova att skapa din egen bildsökmotor. För mer information om kärnfunktionerna, se Komma igång med Amazon Rekognition Custom Labels, Moderera innehåll, Och den Amazon Kendra utvecklarguide. Om du är ny på Amazon Rekognition Custom Labels, prova det med vår gratisnivå, som varar i 3 månader och inkluderar 10 gratis träningstimmar per månad och 4 gratis slutledningstimmar per månad.
Om författarna
Ryan Se är lösningsarkitekt på AWS. Baserad i Singapore arbetar han med kunder för att bygga lösningar för att lösa deras affärsproblem samt skräddarsy en teknisk vision för att hjälpa till att driva mer skalbara och effektiva arbetsbelastningar i molnet.
James Ong Jia Xiang är Customer Solutions Manager på AWS. Han är specialiserad på Migration Acceleration Program (MAP) där han hjälper kunder och partners att framgångsrikt implementera storskaliga migreringsprogram till AWS. Baserad i Singapore fokuserar han också på att driva moderniserings- och företagsomvandlingsinitiativ över APJ genom skalbara mekanismer. På fritiden tycker han om naturaktiviteter som vandring och surfing.
Häng Duong är lösningsarkitekt på AWS. Baserad i Hanoi, Vietnam, fokuserar hon på att driva molnintroduktion i hela sitt land genom att tillhandahålla högt tillgängliga, säkra och skalbara molnlösningar för sina kunder. Dessutom tycker hon om att bygga och är involverad i olika prototypprojekt. Hon brinner också för området maskininlärning.
Trinh Vo är en lösningsarkitekt på AWS, baserad i Ho Chi Minh City, Vietnam. Hon fokuserar på att arbeta med kunder över olika branscher och partners i Vietnam för att skapa arkitekturer och demonstrationer av AWS-plattformen som arbetar bakåt från kundens affärsbehov och påskyndar införandet av lämplig AWS-teknik. Hon tycker om grottvandring och vandring på fritiden.
Wai Kin Tham är molnarkitekt på AWS. Baserad i Singapore innebär hans dagliga jobb att hjälpa kunder att migrera till molnet och modernisera sin teknikstack i molnet. På fritiden går han kurser i Muay Thai och Brazilian Jiu Jitsu.
- SEO-drivet innehåll och PR-distribution. Bli förstärkt idag.
- PlatoAiStream. Web3 Data Intelligence. Kunskap förstärkt. Tillgång här.
- Minting the Future med Adryenn Ashley. Tillgång här.
- Köp och sälj aktier i PRE-IPO-företag med PREIPO®. Tillgång här.
- Källa: https://aws.amazon.com/blogs/machine-learning/build-an-image-search-engine-with-amazon-kendra-and-amazon-rekognition/
- : har
- :är
- :inte
- :var
- $UPP
- 1
- 10
- 100
- 12
- 200
- 40
- 7
- 8
- a
- Om oss
- accelerera
- accepterar
- Enligt
- noggrannhet
- exakt
- exakt
- Uppnå
- tvärs
- aktiviteter
- handlingar
- lägga till
- Annat
- Dessutom
- adress
- Lägger
- Antagande
- Efter
- Stöd
- algoritmer
- Alla
- tillåter
- tillåter
- också
- amason
- Amazonas Athena
- Amazon EC2
- Amazon Kendra
- Amazon-erkännande
- mängd
- an
- analysera
- och
- Annan
- vilken som helst
- api
- Ansökan
- tillämpningar
- tillämpas
- tillvägagångssätt
- lämpligt
- arkitektoniska
- arkitektur
- ÄR
- array
- AS
- aspekt
- aspekter
- associerad
- At
- attribut
- automatisera
- Automatiserad
- automatiskt
- Automation
- tillgänglig
- vänta
- AWS
- AWS-lim
- AWS Lambda
- AWS stegfunktioner
- Axios
- Backbone
- backend
- baserat
- BE
- därför att
- varit
- börja
- Där vi får lov att vara utan att konstant prestera,
- Fördelarna
- mellan
- Bortom
- Blogg
- Blogginlägg
- bloggar
- Blå
- kropp
- Brazilian
- Ha sönder
- webbläsare
- buffert
- SLUTRESULTAT
- Byggnad
- byggt
- inbyggd
- bundled
- företag
- by
- Ring
- kallas
- Samtal
- KAN
- kandidater
- kapacitet
- kapabel
- Vid
- fall
- katalog
- centraliserad
- egenskaper
- ta
- Kontroller
- val
- Välja
- Stad
- klasser
- cloud
- moln adoption
- Molnplattform
- koda
- Gemensam
- jämföra
- fullborda
- Avslutade
- komplex
- Komplexiteten
- komponent
- komponenter
- Compute
- Oro
- förtroende
- säker
- konfiguration
- Bekräfta
- bekräftelse
- Anslutning
- Tänk
- anses
- Konsol
- innehålla
- innehåller
- innehåll
- innehållsskapande
- innehåll
- sammanhang
- Kärna
- Pris
- Kostar
- kunde
- land
- täcka
- farkoster
- sökrobot
- skapa
- skapas
- Skapa
- skapande
- Trovärdighet
- trovärdig
- kriterier
- beställnings
- kund
- Kundlösningar
- Kunder
- datum
- Databas
- datauppsättningar
- Datum
- Datum
- dag
- som handlar om
- djupare
- leverera
- beroende
- beskrivning
- Designa
- utformade
- önskas
- destination
- detalj
- detaljer
- detekterad
- Detektering
- bestämd
- Utvecklare
- Utveckling
- diagrammen
- olika
- skilja
- diskutera
- visning
- dokumentera
- dokumentation
- dokument
- inte
- Dog
- drivande
- grund
- e
- varje
- Tidigare
- lättare
- lätt
- effektivitet
- effektiv
- ansträngning
- elementet
- eliminerar
- sysselsätter
- möjliggör
- änden
- Slutpunkt
- Motor
- njuta
- säkerställa
- säkerställer
- Företag
- fel
- upprättandet
- utvärdera
- utvärdering
- händelse
- exempel
- exempel
- befintliga
- expertis
- export
- utsatta
- extrahera
- f1
- faktor
- bekant
- Leverans
- Funktioner
- fält
- Figur
- siffror
- Fil
- filtrera
- hitta
- Förnamn
- flexibel
- flöda
- Fokus
- fokuserar
- följt
- efter
- För
- hittade
- RAM
- Fri
- från
- fullständigt
- fungera
- funktioner
- framtida
- lek
- nätbryggan
- samla
- genereras
- generera
- skaffa sig
- Välgörenhet
- Go
- hantera
- Har
- har
- he
- headers
- hjälpa
- hjälpa
- hjälper
- här
- högpresterande
- högsta
- höggradigt
- hans
- Semester
- ÖPPETTIDER
- Hur ser din drömresa ut
- How To
- Men
- html
- http
- HTTPS
- Hundratals
- i
- ID
- identifierade
- identifierar
- identifiera
- identifiera
- if
- illustrerar
- bild
- Bildigenkänning
- Sök
- bilder
- genomföra
- genomförande
- importera
- med Esport
- in
- innefattar
- Öka
- index
- indirekt
- individuellt
- industrier
- industrin
- informationen
- inledande
- initiativ
- ingång
- istället
- instruktioner
- integrera
- integrerade
- Integrera
- integrering
- Intelligent
- interaktiva
- Internet
- in
- introducerade
- involverade
- inblandning
- IT
- artikel
- DESS
- JavaScript
- Jobb
- jpg
- json
- Nyckel
- Kin
- etikett
- märkning
- Etiketter
- språk
- Large
- storskalig
- lager
- inlärning
- t minst
- Lämna
- Längd
- Låt
- Lets
- tycka om
- LINK
- kopplade
- länkar
- Lista
- läsa in
- laster
- se
- ser ut som
- du letar
- UTSEENDE
- Maskinen
- maskininlärning
- gjord
- Huvudsida
- förvaltade
- chef
- hantera
- sätt
- manuell
- manuellt
- många
- karta
- Maj..
- betyder
- mekanism
- mekanismer
- metadata
- metoder
- Metrics
- migrera
- migration
- emot
- minimum
- ML
- modell
- modeller
- modernisera
- Månad
- månader
- mer
- mest
- multipel
- måste
- namn
- namn
- Natural
- Natur
- Navigera
- Navigering
- Behöver
- behov
- aldrig
- Nya
- Nästa
- antal
- talrik
- objektet
- mål
- objekt
- erhållna
- erhållande
- erhåller
- of
- offer~~POS=TRUNC
- Erbjudanden
- Ofta
- on
- ONE
- endast
- or
- iscensatt
- beställa
- ursprungliga
- OS
- vår
- ut
- Översikt
- egen
- ägaren
- sida
- panelen
- del
- särskilt
- särskilt
- partner
- passera
- Förbi
- brinner
- Mönster
- Personer
- prestanda
- fraser
- Bild
- rörledning
- plattform
- plato
- Platon Data Intelligence
- PlatonData
- i
- spelar
- Inlägg
- inlägg
- drivs
- den mäktigaste
- Precision
- presentera
- Problem
- problem
- process
- Program
- Program
- projektet
- projekt
- löfte
- prototyping
- ge
- förutsatt
- ger
- tillhandahålla
- ombud
- allmän
- Syftet
- syfte
- sätta
- Puts
- Python
- sökfrågor
- område
- Anledningen
- erkännande
- känner igen
- post
- register
- Minskad
- reducerande
- referenser
- region
- relaterad
- meddelanden
- relevans
- relevanta
- ta bort
- avlägsnas
- Repository
- begära
- förfrågningar
- kräver
- Obligatorisk
- Resurser
- respons
- REST
- resultera
- Resultat
- behålla
- avkastning
- återgår
- RAD
- Körning
- s
- Samma
- skalbarhet
- skalbar
- Skala
- skalning
- scener
- Sök
- sökmotor
- söka
- Andra
- §
- sektioner
- säkra
- Söker
- vald
- sända
- sänder
- Server
- Servrar
- service
- Tjänster
- in
- hon
- skall
- visas
- Visar
- signifikant
- liknande
- Enkelt
- enkelhet
- helt enkelt
- Singapore
- Storlek
- Small
- lösning
- Lösningar
- LÖSA
- några
- Källa
- Källor
- Sourcing
- span
- specialiserat
- specifik
- specifikt
- trots
- stapel
- starta
- igång
- Starta
- Steg
- Steg
- Fortfarande
- Stoppar
- lagras
- lagrar
- strömlinjeformad
- strömmar
- senare
- framgångsrik
- Framgångsrikt
- sådana
- tillräcklig
- lämplig
- Som stöds
- bord
- Ta
- tar
- Teknisk
- Teknologi
- villkor
- thai
- den där
- Smakämnen
- den information
- deras
- sedan
- Där.
- vari
- därför
- Dessa
- de
- detta
- de
- tusentals
- tre
- Genom
- djur
- tid
- Titel
- till
- tillsammans
- alltför
- verktyg
- ämnen
- Tåg
- tränad
- Utbildning
- tåg
- Förvandla
- Transformation
- omvandla
- försökte
- utlösa
- sann
- betrodd
- två
- Typ
- typer
- typiskt
- oförmögen
- underliggande
- förstå
- förståelse
- enhet
- enheter
- Uppdateringar
- uppladdad
- uppladdning
- på
- URL
- användning
- användningsfall
- Begagnade
- Användare
- användare
- med hjälp av
- BEKRÄFTA
- värde
- olika
- Verifiering
- version
- vertikaler
- kontrollerad
- via
- Video
- Vietnam
- utsikt
- praktiskt taget
- syn
- volymer
- vill
- var
- Sätt..
- sätt
- we
- webb
- VÄL
- były
- Vad
- när
- om
- som
- medan
- VEM
- bred
- Brett utbud
- kommer
- med
- utan
- Arbete
- arbetssätt
- fungerar
- världen
- skulle
- skriva
- Om er
- Din
- zephyrnet