Üretken yapay zeka, çarpıcı bir büyüme döneminin ortasında. Artan kapasiteye sahip temel modeller, en görünür model sınıflarından biri olan büyük dil modelleri (LLM'ler) ile sürekli olarak piyasaya sürülüyor. LLM'ler, yüz milyarlarca hatta bir trilyon jetona kadar kapsamlı metin korporası üzerinde eğitilmiş milyarlarca parametreden oluşan modellerdir. Bu modellerin, soru yanıtlamadan duygu analizine kadar çok çeşitli metin tabanlı görevler için son derece etkili olduğu kanıtlanmıştır.
LLM'lerin gücü, kapsamlı ve çeşitli eğitim verilerinden öğrenme ve genelleme yapma kapasitelerinden gelir. Bu modellerin ilk eğitimi, denetimli, denetimsiz veya hibrit çeşitli hedeflerle gerçekleştirilir. Metin tamamlama veya atama, denetimsiz en yaygın hedeflerden biridir: bir metin parçası verildiğinde, model bir sonraki adımı doğru bir şekilde tahmin etmeyi öğrenir (örneğin, bir sonraki cümleyi tahmin edin). Modeller, bir dizi görevi gerçekleştirmek için etiketlenmiş veriler kullanılarak denetimli bir şekilde de eğitilebilir (örneğin, bu film incelemesi olumlu mu, olumsuz mu yoksa nötr mü). Model ister metin tamamlama ister başka bir görev için eğitilmiş olsun, çoğu zaman müşterilerin modeli kullanmak istediği görev bu değildir.
Belirli bir görevde önceden eğitilmiş bir LLM'nin performansını artırmak için, model olarak bilinen bir süreçte hedef görevin örneklerini kullanarak ayarlayabiliriz. talimat ince ayar. Yönerge ince ayarı, önceden eğitilmiş modeli istem verilen yanıtı yeterince tahmin etme konusunda daha fazla eğitmek için {istem, yanıt} çiftleri biçiminde bir dizi etiketli örnek kullanır. Bu işlem, modelin ağırlıklarını değiştirir.
Bu gönderi, kullanarak bir LLM'nin, yani FLAN T5 XL'nin talimat ince ayarının nasıl gerçekleştirileceğini açıklar. Amazon SageMaker Hızlı Başlangıç. Hem Jumpstart UI'yi hem de bir not defterini kullanarak bunun nasıl gerçekleştirileceğini gösteriyoruz. Amazon SageMaker Stüdyosu. Bulabilirsin beraberindeki defter içinde amazon-sagemaker-örnekler GitHub deposu.
Çözüme genel bakış
Bu gönderideki hedef görev, komut isteminde bir parça metin verildiğinde, metinle ilgili ancak içerdiği bilgilere göre yanıtlanamayan soruları döndürmektir. Bu, bir açıklamadaki eksik bilgileri belirlemek veya bir sorgunun yanıtlanması için daha fazla bilgiye ihtiyaç duyup duymadığını belirlemek için yararlı bir görevdir.
FLAN T5 modelleri, bu modellerin birçok ortak görevde sıfır atış performansını artırmak için çok çeşitli görevlerde ince ayarlı talimatlardır[1]. Belirli bir müşteri görevi için ek talimat ince ayarı, özellikle hedef görev, görevimizde olduğu gibi daha önce bir FLAN T5 modelini eğitmek için kullanılmadıysa, bu modellerin doğruluğunu daha da artırabilir.
Örnek görevimizde, ilgili ancak yanıtlanmamış sorular oluşturmakla ilgileniyoruz. Bu amaçla, modelde ince ayar yapmak için Stanford Soru Yanıt Veri Kümesinin (SQuAD2)[2.0] sürüm 2'sinin bir alt kümesini kullanıyoruz. Bu veri kümesi, bir dizi Wikipedia makalesinde insan yorumcular tarafından yöneltilen soruları içerir. Yanıtlı sorulara ek olarak SQuAD2.0, yaklaşık 50,000 yanıtlanmamış soru içerir. Bu tür sorular makuldür ancak doğrudan makalelerin içeriğinden yanıtlanamaz. Sadece cevaplanamayan soruları kullanırız. Verilerimiz, her satırın bir bağlam ve bir soru içerdiği bir JSON Lines dosyası olarak yapılandırılmıştır.
Önkoşullar
Başlamak için tek ihtiyacınız olan, Studio'yu kullanabileceğiniz bir AWS hesabıdır. Halihazırda yoksa, Studio için bir kullanıcı profili oluşturmanız gerekecektir.
Jumpstart UI ile FLAN-T5'te ince ayar yapın
Modelde Jumpstart UI ile ince ayar yapmak için aşağıdaki adımları tamamlayın:
- SageMaker konsolunda Studio'yu açın.
- Altında SageMaker Hızlı Başlangıç gezinme bölmesinde öğesini seçin. Modeller, defterler, çözümler.
İnce ayar yapılabilir olarak işaretlenen FLAN T5 XL dahil temel modellerin bir listesini göreceksiniz.
- Klinik Modeli görüntüle.
- Altında Veri kaynağı, egzersiz verilerinize giden yolu sağlayabilirsiniz. Bu gönderide kullanılan verilerin kaynağı varsayılan olarak sağlanır.
- Dağıtım yapılandırması (örnek türü dahil), güvenlik ve hiperparametreler için varsayılan değeri koruyabilirsiniz, ancak iyi sonuçlar almak için dönem sayısını en az üçe çıkarmalısınız.
- Klinik Tren modeli eğitmek için.
Eğitim işinin durumunu kullanıcı arabiriminde takip edebilirsiniz.
- Eğitim tamamlandığında (bizim durumumuzda yaklaşık 53 dakika sonra), Sürüş ince ayarlı modeli dağıtmak için.
Bitiş noktası oluşturulduktan sonra (birkaç dakika), bir not defteri açabilir ve ince ayarlı modelinizi kullanmaya başlayabilirsiniz.
Bir Python dizüstü bilgisayar kullanarak FLAN-T5'te ince ayar yapın
Örnek not defterimiz, bir FLAN T5 XL modelinde programlı olarak ince ayar yapmak ve dağıtmak için Jumpstart ve SageMaker'ın nasıl kullanılacağını gösterir. Studio'da veya yerel olarak çalıştırılabilir.
Bu bölümde, önce bazı genel ayarları gözden geçireceğiz. Ardından, SQuADv2 veri kümelerini kullanarak modelde ince ayar yaparsınız. Ardından, modelin önceden eğitilmiş sürümünü bir SageMaker uç noktasının arkasına yerleştirirsiniz ve aynısını ince ayarlı model için yaparsınız. Son olarak, uç noktaları sorgulayabilir ve önceden eğitilmiş ve ince ayarı yapılmış modelin çıktı kalitesini karşılaştırabilirsiniz. İnce ayarlı modelin çıktısının çok daha yüksek kalitede olduğunu göreceksiniz.
önkoşulları ayarla
Gerekli paketleri kurarak ve yükselterek başlayın. Aşağıdaki kodu çalıştırdıktan sonra çekirdeği yeniden başlatın:
Ardından, geçerli not defteri örneğiyle ilişkili yürütme rolünü edinin:
İnce ayar için mevcut olan model boyutlarını listeleyen uygun bir açılır menü tanımlayabilirsiniz:
Jumpstart, seçtiğiniz model için uygun eğitim ve çıkarım örneği türlerini otomatik olarak alır:
Artık ince ayar yapmaya hazırsınız.
İnce ayarlı veri kümesinde modeli yeniden eğitin
Kurulumunuz tamamlandıktan sonra aşağıdaki adımları tamamlayın:
Gerekli yapılar için URI'yi almak için aşağıdaki kodu kullanın:
Eğitim verileri halka açık bir yerde bulunur. Amazon Basit Depolama Hizmeti (Amazon S3) kovası.
Verilerin konumuna işaret etmek için aşağıdaki kodu kullanın ve hesabınızdaki bir grupta çıktı konumunu ayarlayın:
Orijinal veriler, modelde ince ayar yapmakta olduğunuz göreve karşılık gelen bir biçimde değil, bu nedenle yeniden biçimlendirebilirsiniz:
Artık eğitim için bazı hiperparametreler tanımlayabilirsiniz:
Artık eğitim işini başlatmaya hazırsınız:
İnce ayar verilerinin boyutuna ve seçilen modele bağlı olarak, ince ayar birkaç saat sürebilir.
kullanarak eğitim ve doğrulama kaybı gibi performans ölçümlerini izleyebilirsiniz. Amazon Bulut İzleme eğitim sırasında. Ayrıca, aşağıdaki kodu çalıştırarak metriklerin en son anlık görüntüsünü de alabilirsiniz:
Eğitim tamamlandığında, ince ayarlı bir modeliniz olur. model_uri
. Hadi kullanalım!
İki çıkarım uç noktası oluşturabilirsiniz: biri orijinal önceden eğitilmiş model için ve diğeri ince ayarlı model için. Bu, modelin her iki sürümünün çıktısını karşılaştırmanıza olanak tanır. Bir sonraki adımda, önceden eğitilmiş model için bir çıkarım uç noktası dağıtırsınız. Ardından, ince ayarlı modeliniz için bir uç nokta dağıtırsınız.
Önceden eğitilmiş modeli dağıtın
Önceden eğitilmiş modeli konuşlandırarak Docker görüntü URI çıkarımını alarak başlayalım. Bu, Hugging Face'in temel kapsayıcı görüntüsüdür. Aşağıdaki kodu kullanın:
Artık uç noktayı oluşturabilir ve önceden eğitilmiş modeli dağıtabilirsiniz. SageMaker API aracılığıyla çıkarım yapabilmek için modeli Model sınıfı aracılığıyla dağıtırken Predictor sınıfını geçmeniz gerektiğini unutmayın. Aşağıdaki koda bakın:
Uç nokta oluşturma ve model dağıtımı birkaç dakika sürebilir, ardından uç noktanız çıkarım çağrılarını almaya hazırdır.
İnce ayarlanmış modeli dağıtın
İnce ayarlı modeli kendi uç noktasına dağıtalım. İşlem, önceden eğitilmiş model için daha önce kullandığımızla neredeyse aynıdır. Tek fark, ince ayarlı model adını ve URI'yi kullanmamızdır:
Bu süreç tamamlandığında, hem önceden eğitilmiş hem de ince ayar yapılmış modeller kendi uç noktalarının arkasında konuşlandırılır. Çıktılarını karşılaştıralım.
Çıktı oluşturun ve sonuçları karşılaştırın
Uç noktayı sorgulamak ve yanıtı ayrıştırmak için bazı yardımcı işlevler tanımlayın:
Bir sonraki kod parçacığında istemi ve test verilerini tanımlıyoruz. Sağlanan metinle ilgili ancak buna göre yanıtlanamayan sorular oluşturmak olan hedef görevimizi açıklar.
Test verileri, biri Avustralya'nın Adelaide şehri ile ilgili olmak üzere üç farklı paragraftan oluşur. Wikipedia sayfasının ilk iki paragrafı, ilgili bir Amazon Elastik Blok Mağazası (Amazon EBS) Amazon EBS belgelerive biri Amazon Kavramak itibaren Amazon Comprehend belgeleri. Modelin bu paragraflarla ilgili soruları belirlemesini bekliyoruz, ancak burada sağlanan bilgilerle yanıtlanamayacak sorular.
Artık uç noktaları örnek makaleleri kullanarak test edebilirsiniz.
Test verileri: Adelaide
Aşağıdaki bağlamı kullanıyoruz:
Önceden eğitilmiş model yanıtı aşağıdaki gibidir:
İnce ayarlı model yanıtları aşağıdaki gibidir:
Test verileri: Amazon EBS
Aşağıdaki bağlamı kullanıyoruz:
Önceden eğitilmiş model yanıtları aşağıdaki gibidir:
İnce ayarlı model yanıtları aşağıdaki gibidir:
Test verileri: Amazon Comprehend
Aşağıdaki bağlamı kullanıyoruz:
Önceden eğitilmiş model yanıtları aşağıdaki gibidir:
İnce ayarlı model yanıtları aşağıdaki gibidir:
Önceden eğitilmiş model ile ince ayar yapılmış model arasındaki çıktı kalitesi farkı çok fazladır. İnce ayarlı model tarafından sağlanan sorular daha geniş bir konu yelpazesine değinmektedir. Amazon EBS örneğinde gösterildiği gibi, önceden eğitilmiş model için her zaman geçerli olmayan sistematik olarak anlamlı sorulardır.
Bu resmi ve sistematik bir değerlendirme oluşturmasa da, ince ayar sürecinin modelin bu göreve verdiği yanıtların kalitesini iyileştirdiği açıktır.
Temizlemek
Son olarak, uç noktaları temizlemeyi ve silmeyi unutmayın:
Sonuç
Bu gönderide, Jumpstart kullanıcı arabirimini veya Studio'da çalışan bir Jupyter dizüstü bilgisayarı kullanan FLAN T5 modelleriyle talimat ince ayarının nasıl kullanılacağını gösterdik. Hedef görev için verileri kullanarak modeli nasıl yeniden eğiteceğimizi ve ince ayarlı modeli bir uç noktanın arkasına nasıl konuşlandıracağımızı açıklayan kod sağladık. Bu gönderideki hedef görev, girdide sağlanan bir metin parçasıyla ilgili olan ancak o metinde sağlanan bilgilere dayanarak yanıtlanamayan soruları belirlemekti. Bu özel görev için ince ayarı yapılmış bir modelin, önceden eğitilmiş bir modelden daha iyi sonuçlar verdiğini gösterdik.
Artık Jumpstart ile bir modelde nasıl ince ayar yapacağınızı bildiğinize göre, uygulamanız için özelleştirilmiş güçlü modeller oluşturabilirsiniz. Kullanım durumunuz için bazı veriler toplayın, bunları Amazon S3'e yükleyin ve bir FLAN T5 modelini ayarlamak için Studio kullanıcı arabirimini veya dizüstü bilgisayarı kullanın!
Referanslar
[1] Chung, Hyung Won ve ark. "Ölçekleme talimatı-ince ayarlı dil modelleri." arXiv ön baskısı arXiv:2210.11416 (2022).
[2] Rajpurkar, Pranav, Robin Jia ve Percy Liang. "Neyi Bilmediğinizi Bilin: SQuAD için Cevaplanamaz Sorular." Hesaplamalı Dilbilim Derneği'nin 56. Yıllık Toplantısı Tutanakları (Cilt 2: Kısa Makaleler). 2018.
yazarlar hakkında
Laurent Callot temel modeller ve üretken yapay zekadan tahmin, anormallik algılama, nedensellik ve yapay zeka operasyonlarına kadar çeşitli makine öğrenimi sorunları üzerinde çalışan AWS AI Labs'ta Baş Uygulamalı Bilim İnsanı ve yöneticidir.
Andrey Kan AWS Yapay Zeka Laboratuarlarında Makine Öğreniminin farklı alanlarına ilgi duyan ve deneyim kazanan Kıdemli Uygulamalı Bilim İnsanıdır. Bunlar, temel modeller üzerine araştırmaların yanı sıra grafikler ve zaman serileri için makine öğrenimi uygulamalarını içerir.
Ashish Khetan Amazon SageMaker yerleşik algoritmalarına sahip Kıdemli Uygulamalı Bilim Adamıdır ve makine öğrenimi algoritmalarının geliştirilmesine yardımcı olur. Doktora derecesini University of Illinois Urbana Champaign'den almıştır. Makine öğrenimi ve istatistiksel çıkarım alanlarında aktif bir araştırmacıdır ve NeurIPS, ICML, ICLR, JMLR, ACL ve EMNLP konferanslarında birçok makale yayınlamıştır.
Barış Kurt AWS AI Labs'ta Uygulamalı Bilim Adamı. İlgi alanları, zaman serileri anomali tespiti ve temel modellerdir. Kullanıcı dostu makine öğrenimi sistemleri geliştirmeyi seviyor.
Jonas Kübler AWS AI Labs'ta Uygulamalı Bilim Adamı. Kullanım durumuna özel uygulamaları kolaylaştırmak amacıyla temel modeller üzerinde çalışıyor.
- SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
- PlatoAiStream. Web3 Veri Zekası. Bilgi Genişletildi. Buradan Erişin.
- Adryenn Ashley ile Geleceği Basmak. Buradan Erişin.
- PREIPO® ile PRE-IPO Şirketlerinde Hisse Al ve Sat. Buradan Erişin.
- Kaynak: https://aws.amazon.com/blogs/machine-learning/instruction-fine-tuning-for-flan-t5-xl-with-amazon-sagemaker-jumpstart/
- :vardır
- :dır-dir
- :olumsuzluk
- $UP
- 000
- 1
- 10
- 100
- 11
- 12
- 13
- 17
- 1M
- 20
- 2018
- 2022
- 22
- 40
- 50
- 60
- 7
- 8
- 80
- 9
- a
- Yapabilmek
- Hakkımızda
- Kabul et
- erişim
- ulaşılabilir
- başarmak
- Hesap
- doğruluk
- tam olarak
- aktif
- ilave
- Ek
- yeterli olarak
- Sonra
- AI
- AL
- algoritmalar
- Türkiye
- veriyor
- zaten
- Ayrıca
- her zaman
- Amazon
- Amazon Kavramak
- Amazon Adaçayı Yapıcı
- Amazon SageMaker Hızlı Başlangıç
- Amazon Web Servisleri
- an
- analiz
- çözümlemek
- ve
- yıllık
- anomali tespiti
- cevaplar
- herhangi
- api
- API'ler
- Uygulama
- uygulamaları
- uygulamalı
- uygun
- ARE
- ALAN
- tartışma
- göre
- mal
- AS
- ilişkili
- Dernek
- At
- Avustralya
- Avustralya
- otomatik olarak
- mevcut
- AWS
- baz
- merkezli
- BE
- plaj
- kiriş
- arkasında
- olmak
- altında
- Daha iyi
- arasında
- milyarlarca
- Engellemek
- vücut
- pim
- her ikisi de
- yerleşik
- fakat
- by
- denilen
- aramalar
- CAN
- yapamam
- yetenekleri
- yetenekli
- Kapasite
- Başkent
- dava
- merkez
- değişiklik
- seçim
- Klinik
- seçti
- seçilmiş
- Şehir
- sınıf
- sınıflar
- sınıflandırma
- açık
- müşteri
- Sahil
- kod
- geliyor
- ortak
- karşılaştırmak
- tamamlamak
- tamamlama
- oluşan
- idrak
- konferanslar
- yapılandırma
- konsolos
- oluşturmak
- Konteyner
- içeren
- içerik
- bağlam
- sürekli
- devamlı olarak
- Uygun
- tekabül
- olabilir
- Çift
- yaratmak
- çevrimiçi kurslar düzenliyorlar.
- Oluşturma
- oluşturma
- akım
- görenek
- müşteri
- Müşteriler
- özelleştirilmiş
- veri
- veritabanları
- veri kümeleri
- Varsayılan
- göstermek
- gösterdi
- bağlı
- dağıtmak
- konuşlandırılmış
- dağıtma
- açılma
- tanım
- Bulma
- Belirlemek
- geliştirmek
- gelişen
- geliştirir
- cihaz
- Cihaz
- fark
- farklı
- direkt olarak
- ekran
- çeşitli
- do
- liman işçisi
- belge
- evraklar
- yok
- Değil
- baskın
- Dont
- sürücü
- sırasında
- dinamik
- E&T
- her
- Daha erken
- Doğu
- Etkili
- ya
- elemanları
- başka
- son
- Son nokta
- Tüm
- kişiler
- varlık
- çağ
- devirler
- özellikle
- değerlendirme
- Hatta
- muayene etmek
- örnek
- örnekler
- yürütmek
- infaz
- beklemek
- deneyim
- açıklayan
- maruz
- uzanır
- uzatma
- kapsamlı, geniş
- çıkarmak
- son derece
- Yüz
- kolaylaştırmak
- uzak
- Moda
- Özellikler(Hazırlık aşamasında)
- Özellikler
- az
- Alanlar
- fileto
- dosyalar
- Nihayet
- bulmak
- ince
- Ad
- takip etme
- şu
- İçin
- Airdrop Formu
- resmi
- biçim
- bulundu
- vakıf
- Dördüncü
- iskelet
- sık sık
- arkadaş canlısı
- itibaren
- fonksiyonlar
- daha fazla
- toplamak
- genel
- oluşturmak
- oluşturulan
- üreten
- nesil
- üretken
- üretken yapay zeka
- almak
- GitHub
- verilmiş
- gol
- Tercih Etmenizin
- grafikler
- harika
- büyük
- Büyüme
- Zor
- sabit sürücü
- Var
- he
- yardımcı olur
- daha yüksek
- Hills
- onun
- SAAT
- Ne kadar
- Nasıl Yapılır
- HTML
- http
- HTTPS
- SarılmaYüz
- insan
- Yüzlerce
- melez
- i
- ID
- özdeş
- belirlemek
- kimlikleri
- if
- Illinois
- görüntü
- ithalat
- iyileştirmek
- gelişmiş
- in
- dahil
- Dahil olmak üzere
- Artırmak
- giderek
- bağımsız
- bilgi
- bilgi
- aydınlatıcı
- ilk
- giriş
- girişler
- anlayışlar
- kurmak
- yükleme
- örnek
- ilgili
- ilgi alanları
- Giriş
- IT
- ONUN
- İş
- Mesleki Öğretiler
- jpg
- json
- tutmak
- anahtar
- Bilmek
- bilinen
- Labs
- dil
- Diller
- büyük
- büyük
- başlatmak
- ÖĞRENİN
- öğrenme
- en az
- uzunluk
- seviye
- hayat
- sevmek
- çizgi
- hatları
- Liste
- Yüksek Lisans
- lokal olarak
- bulunan
- yer
- yüce
- Uzun
- uzun süreli
- kayıp
- seviyor
- makine
- makine öğrenme
- müdür
- çok
- işaretlenmiş
- maksimum
- Mayıs..
- anlamlı
- toplantı
- söz
- Menü
- Metrikleri
- dakika
- eksik
- ML
- model
- modelleri
- izlemek
- Daha
- çoğu
- MOUNT
- film
- çok
- şart
- isim
- yani
- Doğal (Madenden)
- Doğal Dil İşleme
- Navigasyon
- gerekli
- gerek
- gerekli
- ihtiyaçlar
- negatif
- ağ
- Nötr
- yeni
- Yeni ürünler
- sonraki
- nlp
- Kuzey
- defter
- şimdi
- numara
- hedefleri
- elde etmek
- of
- on
- ONE
- bir tek
- açık
- or
- orijinal
- Diğer
- bizim
- çıktı
- tekrar
- geçersiz kılma
- kendi
- sahipleri
- paketler
- çiftleri
- bölmesi
- kâğıtlar
- parametreler
- Bölüm
- belirli
- özellikle
- geçmek
- yol
- İnsanlar
- Yapmak
- performans
- dönem
- sebat
- ifadeler
- Platon
- Plato Veri Zekası
- PlatoVeri
- akla yakın
- Nokta
- nüfus
- pozitif
- Çivi
- güç kelimesini seçerim
- güçlü
- tahmin
- tahmin
- Predictor
- Önceden
- birincil
- Anapara
- baskı
- sorunlar
- süreç
- işleme
- Ürünler
- Profil
- Ilerleme
- kanıtlanmış
- sağlamak
- sağlanan
- sağlar
- halka açık
- yayınlanan
- Python
- kalite
- sorgular
- soru
- Sorular
- hızla
- rasgele
- menzil
- Çiğ
- hazır
- gerçek zaman
- teslim almak
- son
- tanıma
- tanımak
- tanıma
- tavsiye etmek
- Tavsiye edilen
- ilişkin
- regex
- bölge
- ilgili
- serbest
- uygun
- güvenmek
- hatırlamak
- Depo
- gerektirir
- gereklidir
- gerektirir
- araştırma
- araştırmacı
- sakinleri
- Kaynaklar
- yanıt
- yanıtları
- kısıtlamak
- Sonuçlar
- dönüş
- İade
- yorum
- narbülbülü
- Rol
- koşmak
- koşu
- s
- sagemaker
- aynı
- taramak
- bilim adamı
- Ara
- İkinci
- Bölüm
- güvenlik
- görmek
- seçim
- kıdemli
- cümle
- duygu
- Dizi
- hizmet
- Hizmetler
- Oturum
- set
- Setleri
- kurulum
- birkaç
- kısa
- meli
- gösterdi
- Gösteriler
- Basit
- beden
- boyutları
- küçük
- Enstantane fotoğraf
- So
- Sosyal Medya
- Sosyal ağ
- biraz
- Kaynak
- güney
- özel
- bölmek
- stanford
- sade
- başlama
- başladı
- Eyalet
- istatistiksel
- Durum
- adım
- Basamaklar
- Yine
- hafızası
- mağaza
- yapı
- yapılandırılmış
- stüdyo
- Çarpıcı
- böyle
- destek
- destekli
- çevreleyen
- sistem
- Sistemler
- Bizi daha iyi tanımak için
- Hedef
- Görev
- görevleri
- şablon
- test
- göre
- o
- The
- Alan
- Başkent
- Bilgi
- Kaynak
- Devlet
- Batı
- Dünya
- ve bazı Asya
- Onları
- sonra
- içinde
- Bunlar
- onlar
- Re-Tweet
- Bu
- üç
- İçinden
- zaman
- Zaman serisi
- için
- Jeton
- üst
- Konular
- dokunma
- iz
- geleneksel
- Tren
- eğitilmiş
- Eğitim
- Trilyon
- gerçek
- iki
- tip
- türleri
- ui
- anlayış
- üniversite
- Güncellemeler
- Yüklenen
- kullanım
- kullanım durumu
- Kullanılmış
- kullanıcı
- kullanma
- yarar
- onaylama
- değer
- Değerler
- çeşitlilik
- versiyon
- Vincent
- gözle görülür
- hacim
- hacimleri
- W
- istemek
- oldu
- Yol..
- we
- ağ
- web hizmetleri
- İYİ
- Batısında
- Ne
- Nedir
- ne zaman
- olup olmadığını
- hangi
- süre
- DSÖ
- geniş
- Geniş ürün yelpazesi
- Daha geniş
- genişlik
- Vikipedi
- irade
- ile
- içinde
- won
- Word
- işlenmiş
- çalışma
- Dünya
- olur
- Sen
- zefirnet