Yapılandırılmış Sorgu Dili (SQL), veritabanlarının ve meta verilerin anlaşılmasını gerektiren karmaşık bir dildir. Bugün, üretken yapay zeka SQL bilgisi olmayan kişileri etkinleştirebilir. Bu üretken yapay zeka görevine, doğal dil işlemeden (NLP) SQL sorguları üreten ve metni anlamsal olarak doğru SQL'e dönüştüren metinden SQL'e adı verilir. Bu yazıdaki çözüm, doğal dili kullanarak verilerinize giden yolu kısaltarak kurumsal analitik operasyonlarını bir sonraki seviyeye taşımayı amaçlıyor.
Büyük dil modellerinin (LLM'ler) ortaya çıkmasıyla birlikte, NLP tabanlı SQL üretimi önemli bir dönüşüm geçirdi. Olağanüstü performans sergileyen LLM'ler artık doğal dil açıklamalarından doğru SQL sorguları oluşturma yeteneğine sahiptir. Ancak zorluklar halen devam etmektedir. Birincisi, insan dili doğası gereği belirsiz ve bağlama bağımlıyken, SQL kesin, matematiksel ve yapılandırılmıştır. Bu boşluk, kullanıcının ihtiyaçlarının oluşturulan SQL'e hatalı şekilde dönüştürülmesine neden olabilir. İkinci olarak, veriler genellikle tek bir hedefte depolanmadığından, her veritabanı için metinden SQL'e özellikler oluşturmanız gerekebilir. Kullanıcılara NLP tabanlı SQL oluşturma olanağı sağlamak için her veritabanı için bu özelliği yeniden oluşturmanız gerekebilir. Üçüncüsü, veri gölleri ve ambarlar gibi merkezi analitik çözümlerinin daha fazla benimsenmesine rağmen, istenen kaynaklara yönelik SQL'i oluşturmak için gereken farklı tablo adları ve diğer meta verilerle birlikte karmaşıklık da artıyor. Bu nedenle kapsamlı ve yüksek kaliteli meta verilerin toplanması da bir zorluk olmaya devam etmektedir. Metinden SQL'e en iyi uygulamalar ve tasarım modelleri hakkında daha fazla bilgi edinmek için bkz. Kurumsal verilerden değer üretme: Text2SQL ve üretken yapay zeka için en iyi uygulamalar.
Çözümümüz, bu zorlukların üstesinden gelmeyi amaçlamaktadır. Amazon Ana Kayası ve AWS Analitik Hizmetleri. Kullanırız Antropik Claude v2.1 LLM'miz olarak Amazon Bedrock'ta. Zorlukların üstesinden gelmek için çözümümüz öncelikle veri kaynaklarının meta verilerini birleştirir. AWS Tutkal Veri Kataloğu oluşturulan SQL sorgusunun doğruluğunu artırmak için. İş akışı ayrıca herhangi bir SQL sorununun aşağıdakiler tarafından tanımlanması durumunda son bir değerlendirme ve düzeltme döngüsü içerir: Amazon Atina, SQL motoru olarak aşağı yönde kullanılır. Athena ayrıca çok sayıda şey kullanmamıza da izin veriyor. desteklenen uç noktalar ve bağlayıcılar geniş bir veri kaynağı kümesini kapsamak için.
Çözümü oluşturma adımlarını inceledikten sonra, değişen SQL karmaşıklık düzeylerine sahip bazı test senaryolarının sonuçlarını sunuyoruz. Son olarak, farklı veri kaynaklarını SQL sorgularınıza dahil etmenin ne kadar kolay olduğunu tartışıyoruz.
Çözüme genel bakış
Mimarimizde üç kritik bileşen bulunmaktadır: Veritabanı meta verilerine sahip Alma Artırılmış Üretim (RAG), çok adımlı bir kendi kendini düzeltme döngüsü ve SQL motorumuz olarak Athena.
İsteğin doğru tablo ve veri kümeleriyle ilişkili olduğundan emin olmak amacıyla AWS Glue meta deposundan tablo açıklamalarını ve şema açıklamalarını (sütunlar) almak için RAG yöntemini kullanırız. Çözümümüzde, gösterim amacıyla AWS Glue Data Catalog ile bir RAG çerçevesi çalıştırmak için ayrı adımlar oluşturduk. Ancak şunları da kullanabilirsiniz: bilgi üsleri RAG çözümlerini hızlı bir şekilde oluşturmak için Amazon Bedrock'ta.
Çok adımlı bileşen, LLM'nin oluşturulan SQL sorgusunu doğruluk açısından düzeltmesine olanak tanır. Burada oluşturulan SQL, sözdizimi hataları için gönderilir. Oluşturulan SQL'de daha doğru ve etkili düzeltmeler için LLM istemimizi zenginleştirmek amacıyla Athena hata mesajlarını kullanıyoruz.
Athena'dan ara sıra gelen hata mesajlarını geri bildirim gibi değerlendirebilirsiniz. Bir hata düzeltme adımının maliyet etkileri, sağlanan değerle karşılaştırıldığında ihmal edilebilir düzeydedir. LLM'lerinize ince ayar yapmak için bu düzeltici adımları denetimli güçlendirilmiş öğrenme örnekleri olarak bile ekleyebilirsiniz. Ancak basitlik açısından yazımızda bu akışa değinmedik.
Doğal olarak üretken yapay zeka çözümleriyle birlikte gelen yanlışlıklar riskinin her zaman mevcut olduğunu unutmayın. Athena hata mesajları bu riski azaltmada son derece etkili olsa bile, bu tür riskleri daha da azaltmak için insan geri bildirimi veya ince ayar için örnek sorgular gibi daha fazla kontrol ve görünüm ekleyebilirsiniz.
Athena yalnızca SQL sorgularını düzeltmemize izin vermekle kalmıyor, aynı zamanda genel sorunu da basitleştiriyor çünkü konuşmacıların birden fazla veri kaynağı olduğu bir merkez görevi görüyor. Erişim yönetimi, SQL sözdizimi ve daha fazlasının tümü Athena aracılığıyla gerçekleştirilir.
Aşağıdaki şemada çözüm mimarisi gösterilmektedir.
Süreç akışı aşağıdaki adımları içerir:
- AWS Tutkal Veri Kataloğu'nu oluşturun AWS Glue tarayıcısını kullanma (veya farklı bir yöntem).
- Kullanma Amazon Bedrock'ta Titan Metin Gömme modelimeta verileri yerleştirmelere dönüştürün ve bir Amazon OpenSearch Sunucusuz vektör mağazasıRAG çerçevemizde bilgi tabanımız olarak hizmet veren.
Bu aşamada sorgunun doğal dilde alınması için süreç hazırdır. 7-9 arasındaki adımlar, varsa bir düzeltme döngüsünü temsil eder.
- Kullanıcı sorgusunu doğal dilde girer. Sohbet kullanıcı arayüzünü sağlamak için herhangi bir web uygulamasını kullanabilirsiniz. Bu nedenle yazımızda kullanıcı arayüzü detaylarına değinmedik.
- Çözüm, aracılığıyla bir RAG çerçevesi uyguluyor benzerlik arama, vektör veritabanındaki meta verilerden ekstra bağlam ekler. Bu tablo doğru tabloyu, veritabanını ve öznitelikleri bulmak için kullanılır.
- Sorgu bağlamla birleştirilir ve şuraya gönderilir: Antropik Claude v2.1 Amazon Bedrock'ta.
- Model, oluşturulan SQL sorgusunu alır ve sözdizimini doğrulamak için Athena'ya bağlanır.
- Athena, sözdiziminin yanlış olduğunu belirten bir hata mesajı verirse model, Athena'nın yanıtındaki hata metnini kullanır.
- Yeni bilgi istemi Athena'nın yanıtını ekler.
- Model düzeltilmiş SQL'i oluşturur ve işleme devam eder. Bu yineleme birden çok kez gerçekleştirilebilir.
- Son olarak Athena kullanarak SQL’i çalıştırıyoruz ve çıktı üretiyoruz. Burada çıktı kullanıcıya sunulur. Mimari sadelik adına bu adımı göstermedik.
Önkoşullar
Bu gönderi için aşağıdaki ön koşulları tamamlamanız gerekir:
- Bir şeye sahip AWS hesabı.
- kurmak the AWS Komut Satırı Arayüzü (AWS CLI'si).
- Ayarla Python için SDK (Boto3).
- AWS Tutkal Veri Kataloğu'nu oluşturun AWS Glue tarayıcısını kullanma (veya farklı bir yöntem).
- Kullanma Amazon Bedrock'ta Titan Metin Gömme modeli, meta verileri yerleştirmelere dönüştürün ve OpenSearch Sunucusuz'da saklayın vektör mağazası.
Çözümü uygula
Aşağıdakileri kullanabilirsiniz Jupyter dizüstü bilgisayarÇözümü oluşturmak için bu bölümde sağlanan tüm kod parçacıklarını içeren. kullanmanızı öneririz Amazon SageMaker Stüdyosu Bu not defterini Python 3 (Veri Bilimi) çekirdeğine sahip bir ml.t3.medium örneğiyle açmak için. Talimatlar için bkz. Makine Öğrenimi Modelini Eğitin. Çözümü ayarlamak için aşağıdaki adımları tamamlayın:
- RAG çerçevesi için OpenSearch Hizmetinde bilgi tabanını oluşturun:
- İstemi oluşturun (
final_question
) kullanıcı girişini doğal dilde birleştirerek (user_query
), vektör deposundaki ilgili meta veriler (vector_search_match
) ve talimatlarımız (details
): - LLM için Amazon Bedrock'u (Claude v2) çağırın ve SQL sorgusunu oluşturmasını isteyin. Aşağıdaki kodda, kendi kendini düzeltme adımını göstermek için birden fazla deneme yapılır:x
- Oluşturulan SQL sorgusunda herhangi bir sorun alınırsa (
{sqlgenerated}
) Athena'nın yanıtından ({syntaxcheckmsg}
), yeni istem (prompt
) yanıta göre oluşturulur ve model yeni SQL'i oluşturmayı tekrar dener: - SQL oluşturulduktan sonra Athena istemcisi çalıştırılıp çıktıyı oluşturmak için çağrılır:
Çözümü test edin
Bu bölümde SQL sorgularının farklı karmaşıklık düzeylerini test etmek için çözümümüzü farklı örnek senaryolarla çalıştırıyoruz.
Metinden SQL'e dönüşümü test etmek için iki tane kullanıyoruz IMDB'den temin edilebilen veri kümeleri. IMDb verilerinin alt kümeleri kişisel ve ticari olmayan kullanım için mevcuttur. Veri kümelerini indirebilir ve saklayabilirsiniz. Amazon Basit Depolama Hizmeti (Amazon S3). AWS Glue'da tablolar oluşturmak için aşağıdaki Spark SQL pasajını kullanabilirsiniz. Bu örnek için şunu kullanıyoruz: title_ratings
ve title
:
Verileri Amazon S3'te ve meta verileri AWS Glue'da depolayın
Bu senaryoda veri kümemiz bir S3 klasöründe depolanır. Athena, Amazon S3'ü sorgulanabilen bir veri kaynağı olarak kullanmanıza olanak tanıyan bir S3 konektörüne sahiptir.
İlk sorgumuz için “Bu işte yeniyim. İmdb şemasındaki tüm tabloları ve sütunları görmeme yardım edebilir misin?”
Oluşturulan sorgu aşağıdadır:
Aşağıdaki ekran görüntüsü ve kod çıktımızı göstermektedir.
İkinci sorgumuz için “Puanlaması 9.5'un üzerinde olan ABD bölgesindeki tüm başlığı ve detayları bana göster” diye soruyoruz.
Oluşturduğumuz sorgumuz aşağıdadır:
Yanıt aşağıdaki gibidir.
Üçüncü sorgumuza “Harika Yanıt! Şimdi bana ABD bölgesinde olmayan ve 7.5'un üzerinde derecelendirmeye sahip tüm orijinal türdeki başlıkları gösterin."
Aşağıdaki sorgu oluşturulur:
Aşağıdaki sonuçları alıyoruz.
Kendi kendini düzelten SQL oluştur
Bu senaryo, sözdizimi sorunları olan bir SQL sorgusunun benzetimini yapar. Burada oluşturulan SQL, Athena'nın yanıtına göre kendi kendine düzeltilecektir. Aşağıdaki yanıtta Athena şunları söyledi: COLUMN_NOT_FOUND
hata ve bundan bahsetti table_description
çözülemez:
Çözümü diğer veri kaynaklarıyla kullanma
Çözümü diğer veri kaynaklarıyla birlikte kullanmak için bu işi Athena sizin yerinize üstlenir. Bunu yapmak için Athena şunları kullanır: veri kaynağı bağlayıcıları ile kullanılabilecek birleşik sorgular. Bağlayıcıyı Athena sorgu motorunun bir uzantısı olarak düşünebilirsiniz. Aşağıdaki gibi veri kaynakları için önceden oluşturulmuş Athena veri kaynağı bağlayıcıları mevcuttur: Amazon CloudWatch Günlükleri, Amazon DinamoDB, Amazon DocumentDB (MongoDB uyumluluğu ile), ve Amazon İlişkisel Veritabanı Hizmeti (Amazon RDS) ve Apache 2.0 lisansı kapsamında MySQL ve PostgreSQL gibi JDBC uyumlu ilişkisel veri kaynakları. Herhangi bir veri kaynağına bağlantı kurduktan sonra çözümü genişletmek için önceki kod tabanını kullanabilirsiniz. Daha fazla bilgi için bkz. Amazon Athena'nın yeni birleştirilmiş sorgusuyla herhangi bir veri kaynağını sorgulayın.
Temizlemek
Kaynakları temizlemek için şu şekilde başlayabilirsiniz: S3 klasörünüzü temizleme Verilerin nerede bulunduğu. Uygulamanız Amazon Bedrock'u çağırmadığı sürece herhangi bir maliyete neden olmaz. Altyapı yönetiminin en iyi uygulamaları adına bu gösterimde oluşturulan kaynakların silinmesini öneririz.
Sonuç
Bu yazıda, Athena'nın etkinleştirdiği çeşitli kaynaklarla karmaşık SQL sorguları oluşturmak için NLP'yi kullanmanıza olanak tanıyan bir çözüm sunduk. Ayrıca, aşağı akış süreçlerinden gelen hata mesajlarına dayalı çok adımlı bir değerlendirme döngüsü aracılığıyla oluşturulan SQL sorgularının doğruluğunu da artırdık. Ayrıca RAG çerçevesi aracılığıyla sorguda sorulan tablo adlarını dikkate almak için AWS Glue Data Catalog'daki meta verileri kullandık. Daha sonra çözümü farklı sorgu karmaşıklık düzeylerine sahip çeşitli gerçekçi senaryolarda test ettik. Son olarak bu çözümü Athena tarafından desteklenen farklı veri kaynaklarına nasıl uygulayacağımızı tartıştık.
Amazon Bedrock bu çözümün merkezinde yer alıyor. Amazon Bedrock birçok üretken yapay zeka uygulaması oluşturmanıza yardımcı olabilir. Amazon Bedrock'u kullanmaya başlamak için aşağıdaki hızlı başlangıç adımını uygulamanızı öneririz. GitHub repo ve üretken yapay zeka uygulamaları oluşturmaya kendinizi alıştırın. Ayrıca deneyebilirsiniz bilgi üsleri Bu tür RAG çözümlerini hızlı bir şekilde oluşturmak için Amazon Bedrock'ta.
Yazarlar Hakkında
Sanjeeb Panda Amazon'da Veri ve ML mühendisidir. Sanjeeb, AI/ML, Veri Bilimi ve Büyük Veri geçmişine sahip olarak, Amazon'da işlerini yöneten küresel 3P satıcıları için karmaşık teknik zorlukları çözen ve stratejik hedeflere ulaşan yenilikçi veri ve makine öğrenimi çözümleri tasarlıyor ve geliştiriyor. Amazon'da Veri ve ML mühendisi olarak yaptığı işin dışında Sanjeeb Panda, tutkulu bir yemek tutkunu ve müzik tutkunu.
Burak Gözlüklü Boston, MA'da bulunan Baş AI/ML Uzman Çözüm Mimarıdır. Stratejik müşterilerin iş hedeflerine ulaşmaları için AWS teknolojilerini ve özellikle Üretken Yapay Zeka çözümlerini benimsemelerine yardımcı oluyor. Burak'ın ODTÜ'den Havacılık ve Uzay Mühendisliği alanında doktorası, Sistem Mühendisliği alanında yüksek lisans derecesi ve MIT Cambridge, MA'dan sistem dinamiği alanında doktora sonrası doktorası bulunmaktadır. Burak halen MIT'de araştırma görevlisi olarak çalışmaktadır. Burak yoga ve meditasyona tutkuyla bağlı.
- SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
- PlatoData.Network Dikey Üretken Yapay Zeka. Kendine güç ver. Buradan Erişin.
- PlatoAiStream. Web3 Zekası. Bilgi Genişletildi. Buradan Erişin.
- PlatoESG. karbon, temiz teknoloji, Enerji, Çevre, Güneş, Atık Yönetimi. Buradan Erişin.
- PlatoSağlık. Biyoteknoloji ve Klinik Araştırmalar Zekası. Buradan Erişin.
- Kaynak: https://aws.amazon.com/blogs/machine-learning/build-a-robust-text-to-sql-solution-generating-complex-queries-self-correcting-and-querying-diverse-data-sources/
- :vardır
- :dır-dir
- :olumsuzluk
- :Neresi
- $UP
- 1
- 10
- 100
- 11
- 12
- 13
- 14
- 16
- 20
- 2024
- 22
- 23
- 29
- 30
- 32
- 39
- 50
- 500
- 521
- 7
- 8
- 9
- a
- Hakkımızda
- yukarıdaki
- erişim
- doğruluk
- doğru
- Başarmak
- eklemek
- Ayrıca
- adres
- Ekler
- benimsemek
- Benimseme
- Uzay
- bağlı şirket
- Sonra
- tekrar
- AI
- AI / ML
- Amaçları
- Hizalar
- Türkiye
- veriyor
- Ayrıca
- alternatif
- her zaman
- am
- Amazon
- Amazon RDS'si
- Amazon Web Servisleri
- an
- analytics
- ve
- cevap
- Antropik
- herhangi
- Apache
- uygulanabilir
- Uygulama
- uygulamaları
- geçerlidir
- Tamam
- mimari
- mimari
- ARE
- AS
- sormak
- At
- atlanta
- girişim
- Denemeler
- öznitelikleri
- augmented
- yetkili
- mevcut
- AWS
- AWS Tutkal
- arka fon
- baz
- merkezli
- BE
- Çünkü
- altında
- İYİ
- en iyi uygulamalar
- Büyük
- büyük Veri
- Engellemek
- boston
- getirmek
- inşa etmek
- bina
- yapılı
- iş
- işletmeler
- fakat
- by
- denilen
- Cambridge
- CAN
- yapamam
- kabiliyet
- yetenekli
- hangi
- dava
- katalog
- Merkez
- merkezi
- meydan okuma
- zorluklar
- sohbet
- kontrol
- denetleme
- çamça
- cli
- müşteri
- kod
- kod tabanı
- Toplama
- Sütun
- Sütunlar
- birleştirme
- geliyor
- gelecek
- karşılaştırıldığında
- karşılaştırarak
- uygunluk
- tamamlamak
- karmaşık
- karmaşıklık
- bileşen
- bileşenler
- kapsamlı
- bağ
- bağlanır
- Düşünmek
- bağlam
- devam ediyor
- kontroller
- Dönüştürme
- dönüştürmek
- doğru
- düzeltilmiş
- Düzeltmeler
- Ücret
- saymak
- kapak
- yaratmak
- çevrimiçi kurslar düzenliyorlar.
- oluşturur
- kritik
- Müşteriler
- veri
- veri bilimi
- veritabanı
- veritabanları
- veri kümeleri
- Tarih
- datetime
- teslim edilen
- tasviridir
- Dizayn
- tasarım desenleri
- İstediğiniz
- Rağmen
- ayrıntılar
- geliştirmek
- diyagram
- DID
- farklı
- tartışmak
- tartışılan
- çeşitli
- do
- docs
- evraklar
- indir
- sırasında
- dinamik
- Etkili
- başka
- çıkma
- etkinleştirmek
- etkin
- Motor
- mühendis
- Mühendislik
- zenginleştirmek
- sağlamak
- Keşfet
- kuruluş
- girer
- hayran
- hata
- Hatalar
- değerlendirme
- Hatta
- Her
- örnek
- örnekler
- olağanüstü
- yürütme
- mevcut
- mevcut
- Açıklamak
- uzatmak
- uzatma
- ekstra
- başarısız
- yanlış
- Özellikler
- geribesleme
- son
- Nihayet
- bulma
- Ad
- akış
- takip et
- takip etme
- şu
- İçin
- iskelet
- itibaren
- daha fazla
- boşluk
- verdi
- oluşturmak
- oluşturulan
- üretir
- üreten
- nesil
- üretken
- üretken yapay zeka
- almak
- gets
- Küresel
- Goller
- var
- Kolları
- Var
- sahip olan
- he
- yardım et
- yardımcı olur
- okuyun
- Yüksek kaliteli
- büyük ölçüde
- onun
- Ne kadar
- Nasıl Yapılır
- Ancak
- HTML
- http
- HTTPS
- merkez
- insan
- i
- tespit
- if
- örneklemek
- göstermektedir
- etkileri
- önemli
- in
- yanlış
- dahil
- içerir
- birleştirmek
- birleştirir
- yanlış
- Artırmak
- artmış
- indeks
- bireysel
- bilgi
- bilgi
- Altyapı
- doğal
- doğal olarak
- ilk
- iç
- yenilikçi
- giriş
- örnek
- talimatlar
- içine
- çağrılan
- çağırır
- konu
- sorunlar
- IT
- tekrarlama
- İş
- kaydol
- jpg
- bilgi
- göller
- dil
- büyük
- büyük
- ÖĞRENİN
- öğrenme
- seviye
- seviyeleri
- Lisans
- sevmek
- LİMİT
- çizgi
- Yüksek Lisans
- bulunan
- Aşk
- makine
- makine öğrenme
- yapmak
- YAPAR
- yönetim
- yönetme
- çok
- matematiksel
- Mayıs..
- me
- meditasyon
- orta
- adı geçen
- söz
- mesaj
- mesajları
- Metadata
- yöntem
- olabilir
- azaltmak
- İLE
- Azaltmak
- ML
- model
- modelleri
- MongoDB
- Daha
- MS
- çoklu
- çokluk
- Music
- mysql
- isim
- isimleri
- Doğal (Madenden)
- Doğal Dil İşleme
- gerek
- ihtiyaçlar
- yeni
- sonraki
- nlp
- Ticari olmayan
- defter
- şimdi
- numara
- hedefleri
- of
- sık sık
- on
- bir tek
- açık
- Operasyon
- or
- sipariş
- orijinal
- Diğer
- bizim
- çıktı
- dışında
- tüm
- geçti
- tutkulu
- yol
- desen
- İnsanlar
- performans
- yapılan
- kişisel
- doktora
- Platon
- Plato Veri Zekası
- PlatoVeri
- Lütfen
- Çivi
- postgreSQL
- uygulamalar
- önceki
- gerek
- önkoşullar
- mevcut
- sundu
- Anapara
- Sorun
- süreç
- Süreçler
- işleme
- istemleri
- sağlamak
- sağlanan
- sağlar
- amaçlı
- Python
- sorgular
- sorgu
- soru
- Hızlı
- hızla
- tırnak işareti
- paçavra
- değerlendirme
- değerlendirme
- Okumak
- hazır
- реалистичный,en
- teslim almak
- Alınan
- tavsiye etmek
- başvurmak
- bölge
- ilgili
- uygun
- kalmak
- kalıntılar
- temsil etmek
- talep
- gereklidir
- Yer Alan Kurallar
- gerektirir
- araştırma
- ikamet
- çözmek
- çözüldü
- Kaynaklar
- saygı
- yanıt
- sonuç
- Sonuçlar
- geri alma
- dönüş
- krallar gibi yaşamaya
- Yükselir
- Risk
- riskler
- gürbüz
- SIRA
- koşmak
- sagemaker
- uğruna
- aynı
- testere
- senaryo
- senaryolar
- Bilim
- arama
- İkinci
- Bölüm
- görmek
- seçmek
- SELF
- Satıcılar
- gönderdi
- Serverless
- vermektedir
- hizmet
- Hizmetler
- set
- meli
- şov
- gösterme
- gösterilen
- yan
- önemli
- Basit
- basitlik
- basitleştirir
- tek
- pasajı
- çözüm
- Çözümler
- ÇÖZMEK
- biraz
- Kaynak
- kaynaklar
- Kıvılcım
- uzman
- özellikle
- Aşama
- başlama
- başladı
- Eyalet
- Açıklama
- Durum
- adım
- Basamaklar
- Yine
- hafızası
- mağaza
- saklı
- basit
- Stratejik
- dizi
- yapılandırılmış
- böyle
- destekli
- elbette
- sözdizimi
- SYS
- sistem
- Sistemler
- tablo
- Bizi daha iyi tanımak için
- Hedef
- Görev
- Teknik
- Teknolojileri
- test
- test edilmiş
- metin
- göre
- o
- The
- Merkez
- ve bazı Asya
- Onları
- sonra
- Orada.
- bu nedenle
- Bunlar
- Üçüncü
- Re-Tweet
- Bu
- üç
- İçinden
- zamanlar
- Başlık
- başlıkları
- için
- bugün
- Dönüşüm
- denemek
- iki
- tip
- türleri
- ui
- altında
- geçirmiş
- anlayış
- olmadıkça
- Güncelleme
- güncellenmiş
- us
- kullanım
- Kullanılmış
- kullanıcı
- kullanıcılar
- kullanım
- kullanma
- DOĞRULA
- değer
- çeşitlilik
- çeşitli
- değişen
- üzerinden
- Gösterim
- Wake
- yürümek
- Yol..
- we
- ağ
- Web uygulaması
- web hizmetleri
- oysa
- hangi
- süre
- kimin
- irade
- ile
- içinde
- olmadan
- İş
- iş akışı
- yazmak
- yazı yazıyor
- X
- Yoga
- Sen
- kendiniz
- zefirnet