Giriş
Günümüzün hızlı dünyasında, müşteri hizmetleri her işletmenin çok önemli bir yönüdür. GPT-4 gibi Büyük Dil Modelleri (LLM'ler) tarafından desteklenen bir Zendesk Cevap Botu, yanıtları otomatikleştirerek müşteri desteğinin verimliliğini ve kalitesini önemli ölçüde artırabilir. Bu blog yazısı, LLM'leri kullanarak kendi Zendesk Otomatik Yanıtlayıcınızı oluşturma ve dağıtma ve süreci kolaylaştırmak için GenAI'da RAG tabanlı iş akışlarını uygulama konusunda size rehberlik edecektir.
GenAI'deki RAG tabanlı iş akışları nelerdir?
GenAI'deki (Generative AI) RAG (Retrieval Augmented Generation) tabanlı iş akışları, özellikle gerçek dünyaya özgü, alana özgü verileri işleme konusunda AI sisteminin yeteneklerini geliştirmek için alma ve oluşturmanın faydalarını birleştirir. Basit bir ifadeyle RAG, daha doğru ve bilinçli yanıtların oluşturulmasını desteklemek için yapay zekanın bir veri tabanından veya diğer kaynaklardan ilgili bilgileri çekmesine olanak tanır. Bu, özellikle doğruluğun ve bağlamın kritik olduğu iş ortamlarında faydalıdır.
RAG tabanlı iş akışındaki bileşenler nelerdir?
- Bilgi tabanı: Bilgi tabanı, sistemin sorguları yanıtlarken başvurduğu merkezi bir bilgi deposudur. SSS'leri, kılavuzları ve diğer ilgili belgeleri içerebilir.
- Tetikleyici/Sorgu: Bu bileşen iş akışını başlatmaktan sorumludur. Yanıt veya eylem gerektiren genellikle müşterinin sorusu veya isteğidir.
- Görev/Eylem: Tetikleyicinin/sorunun analizine dayanarak sistem, bir yanıt oluşturmak veya bir arka uç işlemi gerçekleştirmek gibi belirli bir görevi veya eylemi gerçekleştirir.
RAG tabanlı iş akışlarına birkaç örnek
- Bankacılıkta Müşteri Etkileşimi İş Akışı:
- GenAI ve RAG tarafından desteklenen sohbet robotları, etkileşimleri kişiselleştirerek bankacılık sektöründeki etkileşim oranlarını önemli ölçüde artırabilir.
- RAG aracılığıyla sohbet robotları, müşteri sorularına kişiselleştirilmiş yanıtlar oluşturmak için bir veritabanından ilgili bilgileri alıp kullanabilir.
- Örneğin, bir sohbet oturumu sırasında RAG tabanlı bir GenAI sistemi, daha bilinçli ve kişiselleştirilmiş yanıtlar sağlamak için müşterinin işlem geçmişini veya hesap bilgilerini bir veritabanından alabilir.
- Bu iş akışı yalnızca müşteri memnuniyetini artırmakla kalmaz, aynı zamanda daha kişisel ve bilgilendirici bir etkileşim deneyimi sağlayarak elde tutma oranını da potansiyel olarak artırır.
- E-posta Kampanyaları İş Akışı:
- Pazarlama ve satışta hedefe yönelik kampanyalar oluşturmak çok önemlidir.
- RAG, daha bilgili ve etkili pazarlama/satış materyalleri oluşturmaya yardımcı olmak amacıyla dış kaynaklardan en son ürün bilgilerini, müşteri geri bildirimlerini veya pazar eğilimlerini almak için kullanılabilir.
- Örneğin, bir e-posta kampanyası hazırlarken, RAG tabanlı bir iş akışı, kampanya içeriğine dahil edilecek en son olumlu incelemeleri veya yeni ürün özelliklerini alabilir, böylece etkileşim oranlarını ve satış sonuçlarını potansiyel olarak iyileştirebilir.
- Otomatik Kod Dokümantasyonu ve Değişiklik İş Akışı:
- Başlangıçta bir RAG sistemi mevcut kod belgelerini, kod tabanını ve kodlama standartlarını proje deposundan çekebilir.
- Bir geliştiricinin yeni bir özellik eklemesi gerektiğinde RAG, alınan bilgilere atıfta bulunarak projenin kodlama standartlarına uygun bir kod pasajı oluşturabilir.
- Kodda bir değişiklik yapılması gerekiyorsa RAG sistemi, mevcut kodu ve belgeleri analiz ederek, tutarlılığı ve kodlama standartlarına bağlılığı sağlayarak değişiklikler önerebilir.
- Posta kodu değişikliği veya eklemesi, RAG, değişiklikleri yansıtacak şekilde kod belgelerini otomatik olarak güncelleyebilir, gerekli bilgileri kod tabanından ve mevcut belgelerden alabilir.
Geri almak için tüm Zendesk biletleri nasıl indirilir ve indekslenir?
Şimdi öğreticiye başlayalım. LLM'lerin yardımıyla yanıtı oluşturmak için geçmiş Zendesk bildirimlerinden ve yanıtlardan oluşan özel bir veritabanını kullanırken, gelen Zendesk çağrılarına yanıt verecek bir bot oluşturacağız.
- Zendesk API'sine erişin: Tüm biletlere erişmek ve indirmek için Zendesk API'sini kullanın. Verilere erişmek için gerekli izinlere ve API anahtarlarına sahip olduğunuzdan emin olun.
Öncelikle Zendesk API anahtarımızı oluşturuyoruz. Yönetici kullanıcısı olduğunuzdan emin olun ve API anahtarınızı oluşturmak için aşağıdaki bağlantıyı ziyaret edin – https://YOUR_SUBDOMAIN.zendesk.com/admin/apps-integrations/apis/zendesk-api/settings/tokens
Bir API anahtarı oluşturun ve bunu panonuza kopyalayın.
Şimdi bir python not defterine başlayalım.
Az önce edindiğimiz API anahtarı da dahil olmak üzere Zendesk kimlik bilgilerimizi giriyoruz.
subdomain = YOUR_SUBDOMAIN
username = ZENDESK_USERNAME
password = ZENDESK_API_KEY
username = '{}/token'.format(username)
Artık bilet verilerini alıyoruz. Aşağıdaki kodda, her bir biletten sorguları ve yanıtları aldık ve bir bileti temsil eden her bir seti [sorgu, yanıt dizisi] adlı bir dizide saklıyoruz. bilet verileri.
Sadece son 1000 bileti alıyoruz. Bunu gerektiği gibi değiştirebilirsiniz.
import requests ticketdata = []
url = f"https://{subdomain}.zendesk.com/api/v2/tickets.json" params = {"sort_by": "created_at", "sort_order": "desc"} headers = {"Content-Type": "application/json"} tickettext = "" while len(ticketdata) <= 1000: response = requests.get( url, auth=(username, password), params=params, headers=headers ) tickets = response.json()["tickets"] for ticket in tickets: ticketid = ticket["id"] url = f"https://{subdomain}.zendesk.com/api/v2/tickets/{ticketid}/comments.json" headers = { "Content-Type": "application/json", } response2 = requests.get(url, auth=(username, password), headers=headers) try: comments = response2.json()["comments"] except: comments = ["", ""] ticketelement = [ticketid, comments] ticketdata.append(ticketelement) if response.json()["next_page"]: url = response.json()["next_page"] else: break
Aşağıda görebileceğiniz gibi Zendesk db'den bilet verilerini aldık. İçindeki her bir element bilet verileri içerir –
A. Bilet Kimliği
B. Biletteki tüm yorumlar / yanıtlar.
Daha sonra, sorguları ve alınan tüm biletlerden ilk yanıtları içeren metin tabanlı bir dize oluşturmaya geçiyoruz. bilet verileri dizisi.
for ticket in ticketdata: try: text = ( "nnn" + "Question - " + ticket[1][0]["body"] + "n" + "Answer - " + ticket[1][1]["body"] ) tickettext = tickettext + text except: pass
The bilet metni dize artık tüm bildirimleri ve ilk yanıtları içeriyor; her bildirimin verileri yeni satır karakterleriyle ayrılmış durumda.
İsteğe bağlı : Aşağıdaki kodu çalıştırarak bilgi tabanınızı daha da genişletmek için Zendesk Destek makalelerinizden de veri alabilirsiniz.
import re def remove_tags(text): clean = re.compile("<.*?>") return re.sub(clean, "", text) articletext = ""
try: articledata = [] url = f"https://{subdomain}.zendesk.com/api/v2/help_center/en-us/articles.json" headers = {"Content-Type": "application/json"} while True: response = requests.get(url, auth=(username, password), headers=headers) articles = response.json()["articles"] for article in articles: articledata.append([article["title"], article["html_url"], article["body"]]) if response.json()["next_page"]: url = response.json()["next_page"] else: break for article in articledata: text = ( "nnn" + "Support Page Title - " + article[0] + "n" + "Support Page Link - " + article[1] + "n" + "Support Page Body - " + article[2] ) articletext = articletext + remove_tags(text)
except: pass
Dize makale metni Zendesk destek sayfalarınızın her makale bölümünün başlığını, bağlantısını ve metnini içerir.
İsteğe bağlı : Müşteri veritabanınızı veya ilgili herhangi bir veritabanını bağlayabilir ve ardından dizin deposunu oluştururken kullanabilirsiniz.
Alınan verileri birleştirin.
knowledge = tickettext + "nnn" + articletext
- Dizin Biletleri: İndirildikten sonra, hızlı ve etkili bir şekilde almayı kolaylaştırmak için biletleri uygun bir indeksleme yöntemi kullanarak indeksleyin.
Bunu yapmak için öncelikle vektör deposunu oluşturmak için gereken bağımlılıkları kuruyoruz.
pip install langchain openai pypdf faiss-cpu
Getirilen verileri kullanarak bir dizin deposu oluşturun. Bu, yeni destek taleplerini GPT aracılığıyla yanıtlamaya çalıştığımızda bilgi tabanımız olarak görev yapacak.
os.environ["OPENAI_API_KEY"] = "YOUR_OPENAI_API_KEY" from langchain.document_loaders import PyPDFLoader
from langchain.vectorstores import FAISS
from langchain.chat_models import ChatOpenAI
from langchain.embeddings.openai import OpenAIEmbeddings
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain.chains import RetrievalQA, ConversationalRetrievalChain
from transformers import GPT2TokenizerFast
import os
import pandas as pd
import numpy as np tokenizer = GPT2TokenizerFast.from_pretrained("gpt2") def count_tokens(text: str) -> int: return len(tokenizer.encode(text)) text_splitter = RecursiveCharacterTextSplitter( chunk_size=512, chunk_overlap=24, length_function=count_tokens,
) chunks = text_splitter.create_documents([knowledge]) token_counts = [count_tokens(chunk.page_content) for chunk in chunks]
df = pd.DataFrame({"Token Count": token_counts})
embeddings = OpenAIEmbeddings()
db = FAISS.from_documents(chunks, embeddings)
path = "zendesk-index"
db.save_local(path)
Dizininiz yerel sisteminize kaydedilir.
- Dizini Düzenli Olarak Güncelleyin: Yeni biletleri ve mevcut olanlarda yapılan değişiklikleri içerecek şekilde dizini düzenli olarak güncelleyerek sistemin en güncel verilere erişmesini sağlayın.
Yukarıdaki betiği her hafta çalışacak şekilde planlayabilir ve 'zendesk-index'imizi veya istenen herhangi bir sıklığı güncelleyebiliriz.
Yeni bir bilet geldiğinde geri alma işlemi nasıl yapılır?
- Yeni Biletleri Takip Edin: Yeni biletler için Zendesk'i sürekli izleyecek bir sistem kurun.
Temel bir Flask API oluşturup onu barındıracağız. Başlamak,
- 'Zendesk Cevap Botu' adında yeni bir klasör oluşturun.
- FAISS db klasörünüz 'zendesk-index'i 'Zendesk Answer Bot' klasörüne ekleyin.
- Yeni bir python dosyası zendesk.py oluşturun ve aşağıdaki kodu bu dosyaya kopyalayın.
from flask import Flask, request, jsonify app = Flask(__name__) @app.route('/zendesk', methods=['POST'])
def zendesk(): return 'dummy response' if __name__ == '__main__': app.run(port=3001, debug=True)
- Python kodunu çalıştırın.
- Ngrok'u indirin ve yapılandırın buradaki talimatları kullanarak. Terminalinizde ngrok kimlik doğrulamasını bağlantıda belirtildiği şekilde yapılandırdığınızdan emin olun.
- Yeni bir terminal örneği açın ve aşağıdaki komutu çalıştırın.
ngrok http 3001
- Artık Flask Hizmetimiz, herhangi bir yerden hizmetimize API çağrıları yapabileceğimiz harici bir IP üzerinden kullanıma sunuldu.
- Daha sonra, https://YOUR_SUBDOMAIN.zendesk.com/admin/apps-integrations/webhooks/webhooks bağlantısını ziyaret ederek VEYA aşağıdaki kodu doğrudan orijinal Jupyter not defterimizde çalıştırarak bir Zendesk Webhook kurduk.
NOT: Ngrok'un kullanılması test amacıyla iyi olsa da, Flask API hizmetinin bir sunucu örneğine kaydırılmasının şiddetle tavsiye edildiğini unutmamak önemlidir. Bu durumda, sunucunun statik IP'si Zendesk Webhook uç noktası haline gelir ve Zendesk Webhook'unuzdaki uç noktayı bu adresi işaret edecek şekilde yapılandırmanız gerekir - https://YOUR_SERVER_STATIC_IP:3001/zendesk
zendesk_workflow_endpoint = "HTTPS_NGROK_FORWARDING_ADDRESS" url = "https://" + subdomain + ".zendesk.com/api/v2/webhooks"
payload = { "webhook": { "endpoint": zendesk_workflow_endpoint, "http_method": "POST", "name": "Nanonets Workflows Webhook v1", "status": "active", "request_format": "json", "subscriptions": ["conditional_ticket_events"], }
}
headers = {"Content-Type": "application/json"} auth = (username, password) response = requests.post(url, json=payload, headers=headers, auth=auth)
webhook = response.json() webhookid = webhook["webhook"]["id"]
- Şimdi, yeni bir bilet göründüğünde çalışacak şekilde az önce oluşturduğumuz yukarıdaki web kancasını tetikleyecek bir Zendesk Tetikleyicisi ayarladık. Zendesk tetikleyicisini https://YOUR_SUBDOMAIN.zendesk.com/admin/objects-rules/rules/triggers bağlantısını ziyaret ederek VEYA aşağıdaki kodu doğrudan orijinal Jupyter not defterimizde çalıştırarak ayarlayabiliriz.
url = "https://" + subdomain + ".zendesk.com/api/v2/triggers.json" trigger_payload = { "trigger": { "title": "Nanonets Workflows Trigger v1", "active": True, "conditions": {"all": [{"field": "update_type", "value": "Create"}]}, "actions": [ { "field": "notification_webhook", "value": [ webhookid, json.dumps( { "ticket_id": "{{ticket.id}}", "org_id": "{{ticket.url}}", "subject": "{{ticket.title}}", "body": "{{ticket.description}}", } ), ], } ], }
} response = requests.post(url, auth=(username, password), json=trigger_payload)
trigger = response.json()
- İlgili Bilgileri Alın: Yeni bir bildirim geldiğinde, yanıt oluşturmaya yardımcı olabilecek ilgili bilgileri ve geçmiş bildirimleri almak için indekslenmiş bilgi tabanını kullanın.
Tetikleyici ve web kancası kurulduktan sonra Zendesk, şu anda çalışmakta olan Flask hizmetimizin, yeni bir bilet geldiğinde /zendesk rotasında bilet kimliği, konu ve gövde metniyle birlikte bir API çağrısı almasını sağlayacaktır.
Artık Flask Hizmetimizi yapılandırmamız gerekiyor
A. 'zendesk-index' vektör depomuzu kullanarak bir yanıt oluşturun.
B. bileti oluşturulan yanıtla güncelleyin.
Zendesk.py'deki mevcut flask servis kodumuzu aşağıdaki kodla değiştiriyoruz –
from flask import Flask, request, jsonify
from langchain.document_loaders import PyPDFLoader
from langchain.vectorstores import FAISS
from langchain.chat_models import ChatOpenAI
from langchain.embeddings.openai import OpenAIEmbeddings
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain.chains import RetrievalQA, ConversationalRetrievalChain
from transformers import GPT2TokenizerFast
import os
import pandas as pd
import numpy as np app = Flask(__name__) @app.route('/zendesk', methods=['POST'])
def zendesk(): updatedticketjson = request.get_json() zenembeddings = OpenAIEmbeddings() query = updatedticketjson['body'] zendb = FAISS.load_local('zendesk-index', zenembeddings) docs = zendb.similarity_search(query) if __name__ == '__main__': app.run(port=3001, debug=True)
Gördüğünüz gibi, vektör indeksimizde bir benzerlik araması yaptık ve yanıt oluşturmaya yardımcı olmak için en alakalı destek taleplerini ve makaleleri aldık.
Bir yanıt nasıl oluşturulur ve Zendesk'e nasıl gönderilir?
- Yanıt Oluştur: Alınan bilgilere ve analiz edilen bağlama dayalı olarak tutarlı ve doğru bir yanıt oluşturmak için Yüksek Lisans'ı kullanın.
Şimdi API uç noktamızı kurmaya devam edelim. Alınan ilgili bilgilere dayalı olarak bir yanıt oluşturmak için kodu aşağıda gösterildiği gibi daha da değiştiriyoruz.
@app.route("/zendesk", methods=["POST"])
def zendesk(): updatedticketjson = request.get_json() zenembeddings = OpenAIEmbeddings() query = updatedticketjson["body"] zendb = FAISS.load_local("zendesk-index", zenembeddings) docs = zendb.similarity_search(query) zenchain = load_qa_chain(OpenAI(temperature=0.7), chain_type="stuff") answer = zenchain.run(input_documents=docs, question=query)
The cevap değişken oluşturulan yanıtı içerecektir.
- İnceleme Yanıtı: İsteğe bağlı olarak, yayınlamadan önce bir insan temsilcinin oluşturulan yanıtı doğruluk ve uygunluk açısından incelemesini sağlayın.
Bunu sağlamamızın yolu, GPT tarafından oluşturulan yanıtı doğrudan Zendesk yanıtı olarak YAYINLAMAMAKTIR. Bunun yerine, yeni biletleri GPT tarafından oluşturulan yanıtı içeren dahili bir notla güncellemeye yönelik bir işlev oluşturacağız.
Zendesk.py flask hizmetine aşağıdaki işlevi ekleyin –
def update_ticket_with_internal_note( subdomain, ticket_id, username, password, comment_body
): url = f"https://{subdomain}.zendesk.com/api/v2/tickets/{ticket_id}.json" email = username headers = {"Content-Type": "application/json"} comment_body = "Suggested Response - " + comment_body data = {"ticket": {"comment": {"body": comment_body, "public": False}}} response = requests.put(url, json=data, headers=headers, auth=(email, password))
- Zendesk'e gönder: Oluşturulan yanıtı ilgili destek bildirimine göndermek için Zendesk API'yi kullanın, böylece müşteriyle zamanında iletişim sağlayın.
Şimdi dahili not oluşturma işlevini API uç noktamıza dahil edelim.
@app.route("/zendesk", methods=["POST"])
def zendesk(): updatedticketjson = request.get_json() zenembeddings = OpenAIEmbeddings() query = updatedticketjson["body"] zendb = FAISS.load_local("zendesk-index", zenembeddings) docs = zendb.similarity_search(query) zenchain = load_qa_chain(OpenAI(temperature=0.7), chain_type="stuff") answer = zenchain.run(input_documents=docs, question=query) update_ticket_with_internal_note(subdomain, ticket, username, password, answer) return answer
Bu iş akışımızı tamamlıyor!
Kurduğumuz iş akışını gözden geçirelim –
- Zendesk Tetikleyicimiz, yeni bir Zendesk bileti göründüğünde iş akışını başlatır.
- Tetikleyici, yeni biletin verilerini Web Kancamıza gönderir.
- Webhook'umuz Flask Hizmetimize bir istek gönderir.
- Flask Hizmetimiz, yeni bildirime yanıt vermek üzere ilgili geçmiş bildirimleri ve makaleleri almak için geçmiş Zendesk verilerini kullanarak oluşturulan vektör mağazasını sorgular.
- İlgili geçmiş bildirimler ve makaleler, bir yanıt oluşturmak için yeni bildirimin verileriyle birlikte GPT'ye aktarılır.
- Yeni bildirim, GPT tarafından oluşturulan yanıtı içeren dahili bir notla güncellenir.
Bunu manuel olarak test edebiliriz –
- Akışı test etmek için Zendesk'te manuel olarak bir bilet oluşturuyoruz.
- Botumuz saniyeler içinde bilet sorgusuna alakalı bir yanıt sağlar!
Tüm bu iş akışını Nanonet'lerle nasıl yapabilirim?
Nanonets, RAG tabanlı iş akışlarını sorunsuz bir şekilde uygulamak ve yönetmek için güçlü bir platform sunar. Bu iş akışı için Nanonet'lerden şu şekilde yararlanabilirsiniz:
- Zendesk'le entegrasyon: Biletleri verimli bir şekilde izlemek ve almak için Nanonet'leri Zendesk'e bağlayın.
- Modelleri Oluşturun ve Eğitin: Bilgi tabanına ve analiz edilen bağlama dayalı olarak doğru ve tutarlı yanıtlar oluşturmak amacıyla LLM'ler oluşturmak ve eğitmek için Nanonet'leri kullanın.
- Yanıtları Otomatikleştirin: Oluşturulan yanıtları otomatik olarak Zendesk'e göndermek veya bunları incelenmek üzere insan aracılara iletmek için Nanonets'te otomasyon kuralları ayarlayın.
- İzleme ve Optimize Etme: İş akışının performansını sürekli olarak izleyin ve doğruluğu ve verimliliği artırmak için modelleri ve kuralları optimize edin.
İşletmeler, Yüksek Lisans'ları GenAI'deki RAG tabanlı iş akışlarıyla entegre ederek ve Nanonets'in yeteneklerinden yararlanarak müşteri destek operasyonlarını önemli ölçüde geliştirebilir ve Zendesk'teki müşteri sorularına hızlı ve doğru yanıtlar sağlayabilir.
- 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://nanonets.com/blog/build-your-own-zendesk-answer-bot-with-llms/
- :vardır
- :dır-dir
- :olumsuzluk
- :Neresi
- $UP
- 06
- 08
- 1
- 2000
- 28
- 32
- 40
- 7
- a
- yukarıdaki
- erişim
- Hesap
- doğruluk
- doğru
- Hareket
- Action
- eylemler
- aktif
- eklemek
- ilave
- adres
- bağlılık
- Gizem
- Danışman
- ajanları
- AI
- Türkiye
- boyunca
- Ayrıca
- an
- analiz
- analiz
- analiz
- ve
- cevap
- herhangi
- hiçbir yerde
- api
- API ANAHTARLARI
- uygulamayı yükleyeceğiz
- belirir
- ARE
- Dizi
- Geldiğinde
- göre
- mal
- AS
- boy
- At
- girişim
- augmented
- auth
- Oto
- otomatik olarak
- ayrıca otomasyonun
- Otomasyon
- Backend
- Bankacılık
- bankacılık sektörü
- baz
- merkezli
- temel
- BE
- olur
- olmuştur
- önce
- altında
- faydalı
- faydaları
- Blog
- vücut
- Bot
- mola
- inşa etmek
- bina
- iş
- işletmeler
- fakat
- by
- çağrı
- denilen
- aramalar
- Kampanya
- Kampanyalar
- CAN
- yetenekleri
- dava
- merkezi
- zincirler
- değişiklikler
- karakterler
- chatbot
- chatbots
- kod
- Kod tabanı
- kodlama
- tutarlı
- COM
- birleştirmek
- geliyor
- yorum Yap
- yorumlar
- Yakın İletişim
- Tamamladı
- bileşen
- bileşenler
- koşullar
- Sosyal medya
- içermek
- içeren
- içerik
- bağlam
- devam etmek
- devamlı olarak
- uyan
- olabilir
- yaratmak
- çevrimiçi kurslar düzenliyorlar.
- Oluşturma
- oluşturma
- Tanıtım
- kritik
- çok önemli
- akım
- Şu anda
- görenek
- müşteri
- Müşteri memnuniyeti
- Müşteri Hizmetleri
- Kullanıcı Desteği
- veri
- veritabanı
- bağımlılıklar
- dağıtma
- İstediğiniz
- Geliştirici
- yönlendirilmiş
- direkt olarak
- do
- belgeleme
- evraklar
- indir
- sırasında
- her
- Etkili
- verim
- verimli
- verimli biçimde
- ya
- eleman
- başka
- E-posta
- gömülü
- istihdam
- sağlar
- Son nokta
- nişan
- artırmak
- Geliştirir
- sağlamak
- sağlanması
- Tüm
- Her
- örnek
- örnekler
- Dışında
- mevcut
- Genişletmek
- maruz
- dış
- kolaylaştırmak
- yanlış
- hızlı tempolu
- Özellikler(Hazırlık aşamasında)
- Özellikler
- geribesleme
- Getirildi
- alan
- fileto
- Ad
- akış
- takip etme
- İçin
- ileri
- Sıklık
- itibaren
- işlev
- daha fazla
- oluşturmak
- oluşturulan
- üreten
- nesil
- üretken
- üretken yapay zeka
- almak
- gif
- Tercih Etmenizin
- rehberlik
- kullanma
- Var
- sahip olan
- başlıkları
- yardım et
- tarih
- ev sahibi
- Ne kadar
- http
- HTTPS
- insan
- ID
- if
- uygulamak
- uygulanması
- ithalat
- önemli
- iyileştirmek
- geliştirme
- in
- dahil
- Dahil olmak üzere
- Gelen
- birleştirmek
- Artışlar
- indeks
- endeksli
- sanayi
- bilgi
- aydınlatıcı
- bilgi
- giriş
- Araştırma
- kurmak
- örnek
- yerine
- talimatlar
- Bütünleştirme
- etkileşim
- etkileşimleri
- iç
- içine
- Giriş
- IP
- IT
- json
- sadece
- anahtar
- anahtarlar
- bilgi
- dil
- büyük
- son
- Kaldıraç
- kaldıraç
- sevmek
- LINK
- Yüksek Lisans
- yerel
- yapmak
- yönetmek
- el ile
- pazar
- Pazar eğilimleri
- Pazarlama
- malzeme
- yöntem
- modelleri
- Değişiklikler
- değiştirmek
- izlemek
- Daha
- çoğu
- hareket
- isim
- gerekli
- gerek
- gerekli
- ihtiyaçlar
- yeni
- yeni ürün
- defter
- şimdi
- dizi
- elde
- of
- Teklifler
- on
- bir Zamanlar
- olanlar
- bir tek
- OpenAI
- operasyon
- Operasyon
- optimize
- or
- orijinal
- OS
- Diğer
- bizim
- tekrar
- kendi
- Kanal
- sayfaları
- pandalar
- Bölüm
- özellikle
- geçti
- Şifre
- geçmiş
- yol
- Yapmak
- performans
- icra
- gerçekleştirir
- izinleri
- Kişiselleştirilmiş
- platform
- Platon
- Plato Veri Zekası
- PlatoVeri
- Nokta
- pozitif
- Çivi
- potansiyel
- powered
- güçlü
- süreç
- PLATFORM
- Ürün Bilgisi
- proje
- Projeler
- önermek
- sağlamak
- sağlar
- sağlama
- halka açık
- çeken
- amaçlı
- Python
- kalite
- sorgular
- soru
- Hızlı
- oran
- oranlar
- RE
- Gerçek dünya
- son
- Tavsiye edilen
- referans
- ifade eder
- yansıtmak
- düzenli
- uygun
- değiştirmek
- cevap
- Depo
- temsil
- talep
- isteklerinizi
- gereklidir
- yanıt
- yanıtları
- sorumlu
- tutma
- dönüş
- yorum
- Yorumları
- tashih
- Rota
- kurallar
- koşmak
- koşu
- s
- satış
- memnuniyet
- kaydedilmiş
- program
- senaryo
- sorunsuz
- Ara
- saniye
- görmek
- gönderir
- sunucu
- hizmet
- Oturum
- set
- ayar
- ayarlar
- çalışma
- gösterilen
- önemli ölçüde
- Basit
- pasajı
- kaynaklar
- özel
- standartlar
- başladı
- başlar
- Durum
- mağaza
- depolamak
- kolaylaştırmak
- dizi
- şiddetle
- konu
- abonelikleri
- böyle
- uygun
- destek
- elbette
- SWIFT
- sistem
- Hedeflenen
- Görev
- terminal
- şartlar
- test
- Test yapmak
- metin
- o
- The
- ve bazı Asya
- Onları
- sonra
- Re-Tweet
- İçinden
- Böylece
- bilet
- bilet
- vakitli
- Başlık
- için
- bugünkü
- simge
- karşı
- Tren
- işlem
- transformatörler
- Trendler
- tetikleyebilir
- gerçek
- denemek
- öğretici
- Güncelleme
- güncellenmiş
- URL
- us
- kullanım
- kullanıcı
- kullanma
- genellikle
- kullanmak
- v1
- değer
- üzerinden
- VIMEO
- Türkiye Dental Sosyal Medya Hesaplarından bizi takip edebilirsiniz.
- Yol..
- we
- hafta
- ne zaman
- her ne zaman
- hangi
- süre
- irade
- ile
- iş akışı
- iş akışları
- Dünya
- Sen
- Zendesk
- zefirnet