Bu üç bölümlük dizi, grafik sinir ağlarının (GNN'ler) nasıl kullanılacağını gösterir ve Amazon Neptün kullanarak film önerileri oluşturmak için IMDb ve Gişe Mojo Filmleri/TV/OTT 1 milyardan fazla kullanıcı derecelendirmesi dahil olmak üzere çok çeşitli eğlence meta verileri sağlayan lisanslanabilir veri paketi; 11 milyondan fazla oyuncu ve ekip üyesi için kredi; 9 milyon film, TV ve eğlence başlığı; ve 60'tan fazla ülkeden küresel gişe raporlama verileri. Birçok AWS medya ve eğlence müşterisi, IMDb verilerini şu yollarla lisanslar: AWS Veri Değişimi içerik keşfini iyileştirmek ve müşteri katılımını ve elde tutmayı artırmak.
Aşağıdaki diyagram, bu serinin bir parçası olarak uygulanan tüm mimariyi göstermektedir.
In Bölüm 1, GNN'lerin uygulamalarını ve IMDb verilerimizi nasıl bir bilgi grafiğine (KG) dönüştürüp hazırlayacağımızı tartıştık. Verileri AWS Data Exchange'den indirdik ve AWS Tutkal KG dosyaları oluşturmak için. KG dosyaları şu adreste saklandı: Amazon Basit Depolama Hizmeti (Amazon S3) ve ardından Amazon Neptün.
In Bölüm 2, nasıl kullanılacağını gösterdik Amazon Neptün ML (bölgesindeki Amazon Adaçayı Yapıcı) KG'yi eğitmek ve KG yerleştirmeleri oluşturmak için.
Bu gönderide, Amazon S3'teki eğitimli KG yerleştirmelerimizi kullanarak katalog dışı arama kullanım durumlarına nasıl uygulayacağınızı gösteriyoruz. Amazon Açık Arama Hizmeti ve AWS Lambda. Etkileşimli bir arama deneyimi için yerel bir web uygulaması da dağıtırsınız. Bu gönderide kullanılan tüm kaynaklar tek bir AWS Bulut Geliştirme Kiti (AWS CDK) komutu, gönderide daha sonra açıklandığı gibi.
Olayın Arka Planı
Hiç yanlışlıkla bir video akış platformunda bulunmayan bir içerik başlığı aradınız mı? Cevabınız evet ise, boş bir arama sonucu sayfasıyla karşılaşmak yerine, oyuncular veya ekip üyeleriyle aynı türdeki filmlerin bir listesini bulacaksınız. Bu katalog dışı bir arama deneyimi!
Katalog dışı arama (OOC), bir katalogda doğrudan eşleşmesi olmayan bir arama sorgusu girdiğiniz zamandır. Bu olay, sınırlı bir süre için birden fazla satıcıdan ve prodüksiyon şirketinden sürekli olarak çeşitli içerikler satın alan video akış platformlarında sık sık meydana gelir. Bir akış şirketinin kataloğundan filmlerin ve şovların geniş bilgi tabanlarıyla alaka düzeyi veya eşlemenin olmaması, OOC içeriğini sorgulayan müşteriler için ortalamanın altında bir arama deneyimine neden olarak platformla etkileşim süresini azaltabilir. Bu eşleme, sık yapılan OOC sorgularını katalog içeriğine manuel olarak eşleyerek yapılabilir veya makine öğrenimi (ML) kullanılarak otomatikleştirilebilir.
Bu gönderide, IMDb veri kümesinin (küresel eğlence meta verilerinin önde gelen kaynağı) gücünden ve bilgi grafiklerinden yararlanarak OOC'nin nasıl ele alınacağını gösteriyoruz.
Açık Arama Hizmeti etkileşimli günlük analitiği, gerçek zamanlı uygulama izleme, web sitesi araması ve daha fazlasını gerçekleştirmenizi kolaylaştıran, tam olarak yönetilen bir hizmettir. OpenSearch, Elasticsearch'ten türetilen açık kaynaklı, dağıtılmış bir arama ve analiz paketidir. OpenSearch Hizmeti, OpenSearch'ün en son sürümlerini, Elasticsearch'ün 19 sürümü için desteği (1.5 ila 7.10 sürümleri) ve ayrıca OpenSearch Dashboards ve Kibana (1.5 ila 7.10 sürümleri) tarafından desteklenen görselleştirme yeteneklerini sunar. OpenSearch Service'in şu anda yönetim altında ayda trilyonlarca isteği işleyen yüzbinlerce kümeyle birlikte onbinlerce aktif müşterisi var. OpenSearch Hizmeti, ürün önerileri, dolandırıcılık tespiti ve resim, video gibi kullanım durumlarında ve belge ve sorgu benzerliği gibi bazı belirli semantik senaryolarda aramayı geliştirebilen kNN araması sunar. OpenSearch Service'in doğal dil anlama destekli arama işlevleri hakkında daha fazla bilgi için bkz. Amazon SageMaker ve Amazon OpenSearch Service KNN özelliği ile NLU destekli bir arama uygulaması oluşturma.
Çözüme genel bakış
Bu yazıda, OpenSearch Service'in k-en yakın komşu (kNN) arama yeteneklerini kullanarak bilgi grafiği tabanlı gömme arama yoluyla OOC durumlarını ele almak için bir çözüm sunuyoruz. Bu çözümü uygulamak için kullanılan temel AWS hizmetleri OpenSearch Service, SageMaker, Lambda ve Amazon S3'tür.
Çıkış yapmak Bölüm 1 ve Bölüm 2 Amazon Neptune ML kullanarak bilgi grafikleri oluşturma ve GNN yerleştirme hakkında daha fazla bilgi edinmek için bu serinin.
OOC çözümümüz, bir akış şirketi KG ile IMDb KG'yi birleştirerek elde edilen birleşik bir KG'ye sahip olduğunuzu varsayar. Bu, başlıkların yanı sıra başlık türü (film, dizi, belgesel), oyuncular ve ekiple eşleşen basit metin işleme teknikleriyle yapılabilir. Ek olarak, bu ortak bilgi grafiğinin, aşağıda belirtilen boru hatları aracılığıyla bilgi grafiği yerleştirmeleri oluşturmak için eğitilmesi gerekir. Bölüm 1 ve Bölüm 2. Aşağıdaki diyagram, birleştirilmiş KG'nin basitleştirilmiş bir görünümünü göstermektedir.
OOC arama işlevini basit bir örnekle göstermek için, IMDb bilgi grafiğini müşteri kataloğuna ve müşteri dışı kataloğuna ayırdık. “Oyuncak Hikayesi” içeren başlıkları müşteri dışı katalog kaynağı, IMDb bilgi grafiğinin geri kalanını müşteri kataloğu olarak işaretliyoruz. Müşteri kataloğunun harici veritabanlarıyla geliştirilmediği veya birleştirilmediği bir senaryoda, "oyuncak hikayesi" araması, OpenSearch metin araması ile meta verilerinde "oyuncak" veya "hikaye" sözcüklerini içeren herhangi bir başlığı döndürür. Müşteri kataloğu IMDb'ye eşlenmiş olsaydı, katalogda "oyuncak hikayesi" sorgusunun bulunmadığını ve IMDb'deki en iyi eşleşmelerin "Oyuncak Hikayesi", "Oyuncak Hikayesi 2", "Oyuncak Hikayesi" olduğunu anlamak daha kolay olurdu. Hikaye 3,” “Oyuncak Hikayesi 4” ve “Charlie: Oyuncak Hikayesi”, metin eşleşmesiyle alaka düzeyine göre azalan sırada. Bu eşleşmelerin her biri için katalog içi sonuçlar elde etmek için, OpenSearch Hizmeti aracılığıyla müşteri kataloğuna dayalı (ortak KG'nin) kNN yerleştirme benzerliğine en yakın beş filmi oluşturabiliriz.
Tipik bir OOC deneyimi, aşağıdaki şekilde gösterilen akışı izler.
Aşağıdaki video, "oyuncak hikayesi" sorgusu için ilk beş (isabet sayısı) OOC sonucunu ve müşteri kataloğundaki ilgili eşleşmeleri (öneri sayısı) gösterir.
Burada sorgu, OpenSearch Hizmetinde metin araması kullanılarak bilgi grafiğiyle eşleştirilir. Daha sonra OpenSearch Service kNN indeksini kullanarak metin eşleşmesinin yerleşimlerini müşteri kataloğu başlıklarına eşliyoruz. Kullanıcı sorgusu doğrudan bilgi grafiği varlıklarına eşlenemediğinden, önce başlığa dayalı sorgu benzerliklerini ve ardından bilgi grafiği yerleştirmelerini kullanarak başlığa benzer öğeleri bulmak için iki adımlı bir yaklaşım kullanırız. Aşağıdaki bölümlerde, bir OpenSearch Service kümesi kurma, bilgi grafiği dizinleri oluşturma ve yükleme ve çözümü bir web uygulaması olarak devreye alma sürecini adım adım anlatacağız.
Önkoşullar
Bu çözümü uygulamak için bir AWS hesabı, OpenSearch Service, SageMaker, Lambda ve AWS CloudFormation, ve içindeki adımları tamamladınız Bölüm 1 ve Bölüm 2 bu serinin.
Çözüm kaynaklarını başlat
Aşağıdaki mimari diyagram, katalog dışı iş akışını göstermektedir.
OOC arama uygulamaları için gereken kaynakları sağlamak üzere AWS Cloud Development Kit'i (CDK) kullanacaksınız. Bu kaynakları başlatan kod aşağıdaki işlemleri gerçekleştirir:
- Kaynaklar için bir VPC oluşturur.
- Arama uygulaması için bir OpenSearch Service etki alanı oluşturur.
- Film meta verilerini ve yerleştirmeleri OpenSearch Service dizinlerine işlemek ve yüklemek için bir Lambda işlevi oluşturur (
**-ReadFromOpenSearchLambda-**
). - Bir web uygulamasından kullanıcı sorgusunu girdi olarak alan ve OpenSearch'ten ilgili başlıkları döndüren bir Lambda işlevi oluşturur (
**-LoadDataIntoOpenSearchLambda-**
). - Web uygulaması kullanıcı arabirimi ile Lambda arasına ek bir güvenlik katmanı ekleyen bir API Ağ Geçidi oluşturur.
Başlamak için aşağıdaki adımları uygulayın:
- Kodu ve not defterlerini şuradan çalıştırın: Bölüm 1 ve Bölüm 2.
- gidin
part3-out-of-catalog
kod deposundaki klasör.
- Komutla terminalden AWS CDK'yi başlatın
bash launch_stack.sh
. - Bölüm 3'de oluşturulan iki S2 dosya yolunu girdi olarak sağlayın:
- Filmin S3 yolu, CSV dosyasını yerleştirir.
- Film düğümü dosyasına giden S3 yolu.
- Komut dosyası gerekli tüm kaynakları sağlayana ve çalışmayı bitirene kadar bekleyin.
- AWS CDK betiğinin yazdırdığı API Ağ Geçidi URL'sini kopyalayın ve kaydedin. (Bunu daha sonra Streamlit uygulaması için kullanırız).
Bir OpenSearch Hizmet Etki Alanı Oluşturun
Açıklama amacıyla, güvenli bir VPC ve alt ağ içindeki bir r6g.large.search eşgörünümündeki bir Erişilebilirlik Alanında bir arama etki alanı oluşturursunuz. En iyi uygulamanın, bir birincil ve iki kopya bulut sunucusuyla üç Erişilebilirlik Alanı kurmak olduğunu unutmayın.
Bir OpenSearch Hizmeti dizini oluşturun ve verileri yükleyin
OpenSearch Hizmeti dizinlerini oluşturmak için Lambda işlevlerini (AWS CDK başlatma yığını komutu kullanılarak oluşturulur) kullanırsınız. Dizin oluşturmaya başlamak için aşağıdaki adımları tamamlayın:
- Lambda konsolunda,
LoadDataIntoOpenSearchLambda
Lambda işlevi. - Üzerinde test sekmesini seçin test OpenSearch Service dizinine veri oluşturmak ve almak için.
Bu Lambda işlevine ilişkin aşağıdaki kod şurada bulunabilir: part3-out-of-catalog/cdk/ooc/lambdas/LoadDataIntoOpenSearchLambda/lambda_handler.py
:
İşlev aşağıdaki görevleri gerçekleştirir:
- Yığın oluşturma dosyasına iletilen S3 dosya yollarından film meta verilerini ve ilişkili katıştırmalarını içeren IMDB KG film düğümü dosyasını yükler
launch_stack.sh
. - Dizin oluşturma için tek bir veri çerçevesi oluşturmak üzere iki girdi dosyasını birleştirir.
- Boto3 Python kitaplığını kullanarak OpenSearch Service istemcisini başlatır.
- Metin için iki dizin oluşturur (
ooc_text
) ve kNN gömme araması (ooc_knn
) ve birleştirilmiş veri çerçevesinden verileri toplu olarak yükler.ingest_data_into_ops
fonksiyonu.
Bu veri alma işlemi 5-10 dakika sürer ve Amazon Bulut İzleme üzerinde günlükler İzleme Lambda işlevinin sekmesi.
Metin tabanlı aramayı ve kNN katıştırma tabanlı aramayı etkinleştirmek için iki dizin oluşturursunuz. Metin arama, kullanıcının girdiği serbest biçimli sorguyu filmin başlıklarına eşler. kNN gömme araması, çıktı olarak geri dönmek için KG gizli alanından en iyi metin eşleşmesine en yakın k filmi bulur.
Çözümü yerel bir web uygulaması olarak devreye alın
OpenSearch Hizmetinde çalışan bir metin arama ve kNN dizinine sahip olduğunuza göre, makine öğrenimi destekli bir web uygulaması oluşturmaya hazırsınız.
Biz kullanın streamlit
Bu uygulama için bir ön uç çizimi oluşturmak için Python paketi. bu IMDb-Knowledge-Graph-Blog/part3-out-of-catalog/run_imdb_demo.py
Python dosyamız GitHub repo bu yeteneği keşfetmek için yerel bir web uygulamasını başlatmak için gerekli koda sahiptir.
Kodu çalıştırmak için aşağıdaki adımları tamamlayın:
- kurmak
streamlit
veaws_requests_auth
Terminalinizde aşağıdaki komutlar aracılığıyla yerel sanal Python ortamınızda Python paketi:
- Koddaki API Ağ Geçidi URL'si için yer tutucuyu AWS CDK tarafından oluşturulanla aşağıdaki gibi değiştirin:
api = '<ENTER URL OF THE API GATEWAY HERE>/opensearch-lambda?q={query_text}&numMovies={num_movies}&numRecs={num_recs}'
- Web uygulamasını komutla başlatın
streamlit run run_imdb_demo.py
terminalinizden.
Bu komut dosyası, web tarayıcınızdan erişilebilen bir Streamlit web uygulamasını başlatır. Web uygulamasının URL'si, aşağıdaki ekran görüntüsünde gösterildiği gibi komut dosyası çıktısından alınabilir.
Uygulama, yeni arama dizelerini, isabet sayısını ve öneri sayısını kabul eder. İsabet sayısı, harici (IMDb) katalogdan kaç tane eşleşen OOC başlığı almamız gerektiğine karşılık gelir. Önerilerin sayısı, kNN gömme aramasına dayalı olarak müşteri kataloğundan kaç tane en yakın komşuyu almamız gerektiğine karşılık gelir. Aşağıdaki koda bakın:
Bu girdi (sorgu, isabet sayısı ve tavsiyeler) **-ReadFromOpenSearchLambda-**
API Ağ Geçidi isteği aracılığıyla AWS CDK tarafından oluşturulan Lambda işlevi. Bu, aşağıdaki işlevde yapılır:
OpenSearch Service'ten Lambda işlevinin çıktı sonuçları API Gateway'e iletilir ve Streamlit uygulamasında görüntülenir.
Temizlemek
AWS CDK tarafından oluşturulan tüm kaynakları komut aracılığıyla silebilirsiniz. npx cdk destroy –app “python3 appy.py” --all
aynı durumda (içinde cdk
yığını başlatmak için kullanılan klasör) (aşağıdaki ekran görüntüsüne bakın).
Sonuç
Bu gönderide, SageMaker ve OpenSearch Service kullanarak metin ve kNN tabanlı aramayı kullanarak OOC araması için nasıl çözüm oluşturacağınızı gösterdik. Kataloğunuzdaki IMDb başlıklarına en yakın komşuları bulmak için özel bilgi grafik modeli yerleştirmeleri kullandınız. Artık, örneğin, Amazon Prime Video tarafından geliştirilen bir fantezi dizisi olan "The Rings of Power"ı diğer akış platformlarında arayabilir ve arama sonucunu nasıl optimize etmiş olabileceklerini düşünebilirsiniz.
Bu gönderideki kod örneği hakkında daha fazla bilgi için bkz. GitHub repo. Benzer son teknoloji ML uygulamaları oluşturmak için Amazon ML Solutions Lab ile işbirliği yapma hakkında daha fazla bilgi edinmek için bkz. Amazon Makine Öğrenimi Çözümleri Laboratuvarı. IMDb veri kümelerini lisanslama hakkında daha fazla bilgi için şu adresi ziyaret edin: geliştirici.imdb.com.
Yazarlar Hakkında
Divya Bhargavi Amazon ML Solutions Lab'de Veri Bilimcisi ve Medya ve Eğlence Sektörü Lideridir ve burada AWS müşterileri için yüksek değerli iş sorunlarını Makine Öğrenimi kullanarak çözmektedir. Görüntü/video anlayışı, bilgi grafiği öneri sistemleri, tahmine dayalı reklam kullanım senaryoları üzerinde çalışıyor.
Gaurav Rele Amazon ML Çözüm Laboratuvarı'nda Veri Bilimcisi olarak görev yapıyor ve iş zorluklarını çözmek için makine öğrenimi ve AWS Bulut hizmetlerini kullanmalarını hızlandırmak için farklı dikeylerdeki AWS müşterileriyle birlikte çalışıyor.
Matthew Rodos Amazon ML Solutions Lab'de çalışan bir Veri Bilimcisi. Doğal Dil İşleme ve Bilgisayarla Görü gibi kavramları içeren Makine Öğrenimi ardışık düzenleri oluşturma konusunda uzmanlaşmıştır.
Karan Sindwani derin öğrenme modelleri oluşturduğu ve dağıttığı Amazon ML Solutions Lab'de bir Veri Bilimcisidir. Bilgisayarla görme alanında uzmandır. Boş zamanlarında yürüyüş yapmaktan hoşlanır.
Soji Adeşina dolandırıcılık ve kötüye kullanım, bilgi grafikleri, öneri sistemleri ve yaşam bilimleri uygulamaları ile grafik görevlerinde makine öğrenimi için grafik sinir ağı tabanlı modeller geliştirdiği AWS'de bir Uygulamalı Bilim İnsanıdır. Boş zamanlarında kitap okumaktan ve yemek yapmaktan hoşlanır.
Vidya Sagar Ravipati Amazon ML Solutions Lab'de Yöneticidir ve burada farklı sektör dikeylerindeki AWS müşterilerinin yapay zeka ve bulutu benimsemelerini hızlandırmalarına yardımcı olmak için büyük ölçekli dağıtık sistemlerdeki engin deneyiminden ve makine öğrenimine olan tutkusundan yararlanır.
- SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
- Plato blok zinciri. Web3 Metaverse Zekası. Bilgi Güçlendirildi. Buradan Erişin.
- Kaynak: https://aws.amazon.com/blogs/machine-learning/power-recommendations-and-search-using-an-imdb-knowledge-graph-part-3/
- 1
- 10
- 100
- 11
- 116
- 7
- 9
- a
- Hakkımızda
- taciz
- hızlandırmak
- Kabul eder
- erişilen
- karşısında
- aktif
- Ek
- Ayrıca
- Ekler
- Benimseme
- reklâm
- AI
- Türkiye
- Amazon
- Amazon ML Çözümleri Laboratuvarı
- Amazon Neptün
- Amazon Neptün ML
- Amazon Açık Arama Hizmeti
- Amazon Adaçayı Yapıcı
- analytics
- ve
- api
- uygulamayı yükleyeceğiz
- Uygulama
- uygulamaları
- uygulamalı
- Tamam
- yaklaşım
- mimari
- ALAN
- ilişkili
- Otomatik
- kullanılabilirliği
- mevcut
- AWS
- AWS Veri Değişimi
- merkezli
- Çünkü
- İYİ
- arasında
- Milyar
- kutu
- gişe
- tarayıcı
- inşa etmek
- bina
- inşa
- iş
- yetenekleri
- durumlarda
- katalog
- zorluklar
- Klinik
- müşteri
- bulut
- bulut benimseme
- bulut hizmetleri
- Küme
- kod
- işbirliği
- kombine
- Şirketler
- şirket
- Şirketin
- tamamlamak
- Tamamlandı
- bilgisayar
- Bilgisayar görüşü
- kavramlar
- konsolos
- sürekli
- içeren
- içerik
- tekabül
- olabilir
- ülkeler
- yaratmak
- çevrimiçi kurslar düzenliyorlar.
- Oluşturma
- oluşturma
- Künye
- akım
- Şu anda
- görenek
- müşteri
- Müşteri katılımı
- Müşteriler
- veri
- Veri değişimi
- veri bilimcisi
- veritabanları
- veri kümeleri
- derin
- derin öğrenme
- göstermek
- gösterdi
- dağıtmak
- dağıtma
- dağıtır
- Türetilmiş
- tarif edilen
- yıkmak
- Bulma
- gelişmiş
- gelişme
- geliştirir
- farklı
- direkt
- direkt olarak
- keşif
- tartışılan
- dağıtıldı
- dağıtılmış sistemler
- belge
- belgesel
- Değil
- domain
- her
- kolay
- etkinleştirmek
- nişan
- gelişmiş
- Keşfet
- girer
- Entertainment
- kişiler
- çevre
- Etkinlikler
- hİÇ
- örnek
- takas
- deneyim
- keşfetmek
- dış
- ekstra
- karşı
- Aşinalık
- fANTEZİ
- şekil
- fileto
- dosyalar
- bulmak
- bulur
- Ad
- akış
- takip etme
- şu
- bulundu
- dolandırıcılık
- sahtekarlık tespiti
- sık
- sık sık
- itibaren
- tamamen
- işlev
- işlevsellikleri
- işlevsellik
- fonksiyonlar
- geçit
- oluşturmak
- almak
- Küresel
- grafik
- grafikler
- sap
- başlıkları
- yardım et
- vurmak
- Hits
- Ne kadar
- Nasıl Yapılır
- HTML
- HTTPS
- Yüzlerce
- görüntü
- uygulamak
- uygulanan
- iyileştirmek
- in
- Dahil olmak üzere
- Artırmak
- indeks
- indeksler
- Endeksler
- sanayi
- bilgi
- giriş
- kurmak
- örnek
- yerine
- etkileşim
- interaktif
- arayüzey
- dahil
- IT
- ürün
- anahtar
- bilgi
- Bilgi Grafik
- laboratuvar
- dil
- büyük
- büyük ölçekli
- son
- başlatmak
- başlattı
- tabaka
- öncülük etmek
- ÖĞRENİN
- öğrenme
- leverages
- Kütüphane
- Lisans
- ruhsat verme
- hayat
- Yaşam Bilimleri
- Sınırlı
- Liste
- yük
- yerel
- makine
- makine öğrenme
- YAPAR
- yönetilen
- yönetim
- müdür
- el ile
- çok
- harita
- haritalama
- Haritalar
- işaret
- Maç
- uygun
- medya
- Üyeler
- adı geçen
- birleştirme
- Metadata
- milyon
- dakika
- ML
- model
- modelleri
- izlenen
- izleme
- Ay
- Daha
- film
- filmler
- çoklu
- Doğal (Madenden)
- Doğal Dil İşleme
- komşular
- Neptün
- ağ tabanlı
- ağlar
- nöral ağlar
- yeni
- düğüm
- numara
- elde
- Teklifler
- Office
- ONE
- açık
- açık kaynak
- Operasyon
- optimize
- sipariş
- OS
- Diğer
- paket
- Bölüm
- geçti
- tutku
- yol
- Yapmak
- gerçekleştirir
- tutucu
- platform
- Platformlar
- Platon
- Plato Veri Zekası
- PlatoVeri
- Lütfen
- Çivi
- güç kelimesini seçerim
- powered
- uygulama
- başbakan
- Hazırlamak
- mevcut
- birincil
- asal
- baskılar
- sorunlar
- süreç
- İşlenmiş
- işleme
- PLATFORM
- üretim
- sağlar
- hüküm
- satın alma
- amaçlı
- Python
- menzil
- değerlendirme
- Okuma
- hazır
- gerçek zaman
- neden
- Tavsiye
- tavsiyeler
- ilgisi
- uygun
- cevap
- Raporlama
- Depo
- talep
- isteklerinizi
- gereklidir
- kaynak
- Kaynaklar
- yanıt
- DİNLENME
- sonuç
- Sonuçlar
- tutma
- dönüş
- İade
- koşmak
- koşu
- sagemaker
- aynı
- İndirim
- senaryolar
- BİLİMLERİ
- bilim adamı
- Ara
- bölümler
- güvenli
- güvenlik
- Dizi
- hizmet
- Hizmetler
- set
- ayar
- ayarlar
- meli
- gösterilen
- Gösteriler
- benzer
- benzerlikler
- Basit
- basitleştirilmiş
- tek
- durumlar
- çözüm
- Çözümler
- ÇÖZMEK
- çözer
- biraz
- Kaynak
- uzay
- uzmanlaşmış
- özel
- bölmek
- yığın
- başlama
- başladı
- state-of-the-art
- Basamaklar
- hafızası
- saklı
- Öykü
- akış
- alt
- böyle
- süit
- destek
- Sistemler
- Bizi daha iyi tanımak için
- alır
- görevleri
- teknikleri
- terminal
- The
- Alan
- eklem
- ve bazı Asya
- böylece
- Binlerce
- üç
- İçinden
- zaman
- Başlık
- başlıkları
- için
- üst
- Tren
- eğitilmiş
- Dönüştürmek
- trilyonlar
- tv
- tipik
- altında
- anlayış
- Yükleme
- URL
- kullanım
- kullanıcı
- Kullanıcı Arayüzü
- Kullanılması
- çeşitlilik
- Geniş
- satıcıları
- sektörler
- Video
- Görüntüle
- Sanal
- vizyonumuz
- görüntüleme
- ağ
- Web uygulaması
- web tarayıcı
- Web sitesi
- hangi
- geniş
- Geniş ürün yelpazesi
- irade
- içinde
- Word
- sözler
- çalışma
- çalışır
- olur
- Sen
- zefirnet
- bölgeleri