Bu blog yazısı, deepset'ten Tuana Çelik ile birlikte yazılmıştır.
Kurumsal arama, belge dijitalleştirme ve bilgi yönetimi yoluyla kurumsal verimliliğin kritik bir bileşenidir. Kurumsal arama, dijital dosyalar gibi belgeleri depolamayı, belgeleri arama için dizine eklemeyi ve kullanıcı sorgularına dayalı olarak ilgili sonuçları sağlamayı kapsar. Büyük dil modellerinin (LLM'ler) ortaya çıkmasıyla, sonuçları kullanıcılara sağlamada konuşma deneyimlerini uygulayabiliriz. Bununla birlikte, LLM'lerin şirket verilerine verilen yanıtları sınırlayarak model halüsinasyonlarını azaltmasını sağlamamız gerekiyor.
Bu gönderide, Haystack işlem hatlarını ve Falcon-40b-instruct modelini kullanarak Retrieval Augmented Generation (RAG) ile kurumsal arama için uçtan uca üretken bir yapay zeka uygulamasının nasıl oluşturulacağını gösteriyoruz. Amazon SageMaker Hızlı Başlangıç ve Amazon Açık Arama Hizmeti. Bu gönderide gösterilen örneğin kaynak kodu şu adreste mevcuttur: GitHub deposu
Çözüme genel bakış
Üretken AI uygulama yanıtlarını yalnızca şirket verileriyle sınırlamak için Retrieval Augmented Generation (RAG) adlı bir teknik kullanmamız gerekiyor. RAG yaklaşımını kullanan bir uygulama, kurumsal bilgi tabanından veya içeriğinden kullanıcının talebiyle en alakalı bilgileri alır, bunu kullanıcının talebiyle birlikte bir bilgi istemi olarak bağlam olarak paketler ve ardından bir yanıt alması için LLM'ye gönderir. LLM'lerin giriş istemleri için maksimum kelime sayısıyla ilgili sınırlamaları vardır, bu nedenle kuruluştaki binlerce veya milyonlarca belge arasından doğru pasajları seçmek LLM'nin doğruluğu üzerinde doğrudan bir etkiye sahiptir.
RAG tekniği, kurumsal aramada giderek daha önemli hale geldi. Bu gönderide, bir Falcon-40b-talimat modeli dağıtmak için SageMaker JumpStart'tan yararlanan ve bir alma artırılmış soru yanıtlama ardışık düzeni tasarlamak ve çalıştırmak için Haystack'i kullanan bir iş akışını gösteriyoruz. Son alma büyütme iş akışı, aşağıdaki üst düzey adımları kapsar:
- Kullanıcı sorgusu, veri tabanımızdan en alakalı bağlamı almak için vektör araması yapan bir alıcı bileşeni için kullanılır.
- Bu bağlam, bir LLM'ye yalnızca sağlanan bağlamdan bir yanıt üretmesi talimatını vermek için tasarlanmış bir bilgi istemine yerleştirilmiştir.
- LLM, orijinal sorguya yalnızca aldığı bilgi istemine gömülü bağlamı dikkate alarak bir yanıt üretir.
Adaçayı Yapıcı Hızlı Başlangıç
SageMaker JumpStart, metin, görüntü, ses ve gömme kullanım senaryoları için çok çeşitli derin öğrenme modellerini kapsayan bir model merkezi görevi görür. 500'den fazla modeliyle model merkezi, AWS'nin AI21, Stability AI, Cohere ve LightOn gibi iş ortaklarının hem genel hem de tescilli modellerini içerir. Ayrıca AlexaTM gibi yalnızca Amazon tarafından geliştirilen temel modellere de ev sahipliği yapar. Bazı modeller, kendi verilerinizle ince ayar yapmanız için yetenekler sunar. SageMaker JumpStart ayrıca yaygın kullanım durumları için altyapıyı kuran çözüm şablonları ve SageMaker ile makine öğrenimi (ML) için yürütülebilir örnek not defterleri sağlar.
kuru ot yığını
kuru ot yığını geliştiricilerin modeller, vektör veritabanları, dosya dönüştürücüler ve sayısız diğer modüller gibi farklı bileşenlerden oluşan LLM uygulamalarını düzenlemesine olanak tanıyan, deepset tarafından geliştirilen açık kaynaklı bir çerçevedir. Saman yığını sağlar boru hatları ve Danışmanlar, arama, soru yanıtlama ve konuşma yapay zekası dahil olmak üzere çeşitli kullanım durumları için LLM uygulamaları tasarlamaya yönelik iki güçlü yapı. Son teknoloji alma yöntemlerine ve sağlam değerlendirme ölçütlerine büyük bir odaklanma ile güvenilir, güvenilir bir uygulama göndermek için ihtiyacınız olan her şeyi size sağlar. İşlem hatlarını şu şekilde seri hale getirebilirsiniz: YAML dosyaları, onları bir aracılığıyla ifşa edin REST APIve uygulamanızı prototip aşamasından üretime taşımayı kolaylaştırarak bunları iş yüklerinizle esnek bir şekilde ölçeklendirin.
Amazon Açık Arama
OpenSearch Hizmeti, OpenSearch'ü AWS Cloud'da dağıtmayı, ölçeklendirmeyi ve çalıştırmayı kolaylaştıran, tam olarak yönetilen bir hizmettir. OpenSearch, Apache 2.0 lisansı altında lisanslanan arama, analitik, güvenlik izleme ve gözlemlenebilirlik uygulamaları için ölçeklenebilir, esnek ve genişletilebilir bir açık kaynaklı yazılım paketidir.
Son yıllarda, ML teknikleri, aramayı geliştirmek için giderek daha popüler hale geldi. Bunların arasında kullanımı gömme modeller, büyük bir veri gövdesini her varlığın bir n-boyutlu alana kodlandığı bir model türü vektör, o boşlukta bir veri noktası ve benzer varlıkların birbirine daha yakın olacağı şekilde düzenlenmiş. Bir vektör veri tabanı, k-NN indeksleri gibi özel indeksler sağlayarak verimli vektör benzerliği araması sağlar.
OpenSearch Service'in vektör veritabanı yetenekleriyle semantik arama, LLM'lerle RAG, öneri motorları uygulayabilir ve zengin medya arayabilirsiniz. Bu gönderide, üretici LLM'leri, vektör kodlu bilgi makaleleriyle hidratlanmış bir vektör veritabanı kullanılarak oluşturulan harici bir bilgi tabanıyla tamamlamamızı sağlamak için RAG kullanıyoruz.
Uygulamaya genel bakış
Aşağıdaki diyagram, nihai uygulamanın yapısını göstermektedir.
Bu uygulamada, yüklenen belgeleri ve dizin belgelerini yönetmek için Haystack Indexing Pipeline'ı ve dizine eklenmiş belgelerden bilgi alımını gerçekleştirmek için Haystack Query Pipeline'ı kullanıyoruz.
Haystack Indexing Pipeline aşağıdaki üst düzey adımları içerir:
- Bir belge yükleyin.
- başlat
DocumentStore
ve dizin belgeleri.
OpenSearch'ü bizim için kullanıyoruz Belge Deposu ve bir saman yığını dizin oluşturma boru hattı dosyalarımızı OpenSearch'e önceden işlemek ve dizine eklemek için. saman yığını Dosya Dönüştürücüler ve önişlemci ham dosyalarınızı, doğal dil işleme (NLP) işlem hattınızın ve tercih ettiğiniz dil modelinin başa çıkabileceği bir şekil ve biçimde olacak şekilde temizlemenize ve hazırlamanıza olanak tanır. Burada kullandığımız indeksleme ardışık düzeni ayrıca sentence-transformers/all-MiniLM-L12-v2
verimli erişim için kullandığımız her belge için gömme oluşturmak için.
Haystack Sorgu Ardışık Düzeni, aşağıdaki üst düzey adımları içerir:
- RAG boru hattına bir sorgu gönderiyoruz.
- An Gömülü Alıcı bileşen, en alakalı olanı alan bir filtre görevi görür.
top_k
OpenSearch'te dizinlenmiş belgelerimizden belgeler. Bunu başarmak için hem sorguyu hem de belgeleri (dizin oluşturma sırasında) gömmek için gömme modeli tercihimizi kullanırız. - Alınan belgeler, Falcon-40b-talimat modeline yönelik istemimize gömülür.
- LLM, alınan belgelere dayalı bir yanıtla geri döner.
Model dağıtımı için, basit bir düğmeye basarak modellerin dağıtımını basitleştiren SageMaker JumpStart'ı kullanıyoruz. Bu örnek için Falcon-40b talimatını kullanıp test etmemize rağmen, SageMaker'da bulunan herhangi bir Hugging Face modelini kullanabilirsiniz.
Nihai çözüm adresinde mevcuttur. samanlık-bilge deposudur ve OpenSearch web sitesini ve belgelerini (OpenSearch 2.7 için) üzerinde artırılmış soru yanıtını almak için örnek verilerimiz olarak kullanır.
Önkoşullar
Herhangi bir AWS hizmetini kullanmadan önce yapmamız gereken ilk şey, kaydolduğumuzdan ve bir AWS hesabı oluşturduğumuzdan emin olmaktır. O zaman bir yönetici kullanıcı ve grup oluşturmalısınız. Her iki adımla ilgili talimatlar için, bkz. Amazon SageMaker Ön Koşullarını Kurun.
Haystack'i kullanabilmek için, farm-haystack
gerekli bağımlılıkları içeren paket. Bunu gerçekleştirmek için, requirements.txt
içindeki dosyayı GitHub deposu koşarak pip install requirements.txt
.
Belgeleri OpenSearch'e dizin
Haystack, veritabanları için bir dizi bağlayıcı sunar. DocumentStores
. Bu RAG iş akışı için, OpenSearchDocumentStore
. Örnek Depo bir indeksleme ardışık düzeni içerir ve AWS CloudFormation şablon kurmak için OpenSearchDocumentStore
OpenSearch web sitesinden ve belge sayfalarından taranan belgelerle.
Çoğu zaman, üretim kullanım durumlarında çalışan bir NLP uygulaması elde etmek için, sonunda veri hazırlama ve temizlemeyi düşünmek zorunda kalırız. Bu ile kaplı Haystack indeksleme ardışık düzenleri, sonunda belgelerinizi seçtiğiniz veritabanına yazan kendi veri hazırlama adımlarınızı tasarlamanıza olanak tanır.
Dizin oluşturma ardışık düzeni, belgeleriniz için katıştırmalar oluşturmaya yönelik bir adım da içerebilir. Bu, geri alma adımı için oldukça önemlidir. Örneğimizde, kullandığımız cümle dönüştürücüler/hepsi-MiniLM-L12-v2 gömme modelimiz olarak. Bu model, dizine eklenmiş tüm belgelerimizin yanı sıra kullanıcının sorgu zamanındaki sorgusu için katıştırmalar oluşturmak için kullanılır.
Belgeleri dizine eklemek için OpenSearchDocumentStore
bölümünde ayrıntılı talimatlar içeren iki seçenek sunuyoruz. README örnek depo. Burada, AWS'de dağıtılan bir OpenSearch hizmetine endeksleme adımlarını inceliyoruz.
Bir OpenSearch hizmeti başlatın
Sağlananları kullanın CloudFormation şablonu AWS'de bir OpenSearch hizmeti kurmak için. Aşağıdaki komutu çalıştırarak boş bir OpenSearch hizmetine sahip olacaksınız. Ardından, sağladığımız örnek verileri dizine eklemeyi veya kullanarak temizleyip ön işleme tabi tutabileceğiniz kendi verilerinizi kullanmayı seçebilirsiniz. Haystack İndeksleme Ardışık Düzeni. Bunun, üretim kullanımı için önerilmeyen internete açık bir örnek oluşturduğunu unutmayın.
Yığın başlatma işleminin tamamlanması için yaklaşık 30 dakika bekleyin. İlerlemesini AWS CloudFormation konsolunda şuraya giderek kontrol edebilirsiniz: Yığınları sayfa ve adlı yığını arıyorum HaystackOpensearch
.
Belgeleri OpenSearch'te indeksleyin
Artık çalışan bir OpenSearch hizmetimiz olduğuna göre, ona bağlanmak ve belgelerimizi ona yazmak için OpenSearchDocumentStore sınıfını kullanabiliriz.
OpenSearch için ana bilgisayar adını almak için aşağıdaki komutu çalıştırın:
İlk olarak, aşağıdakileri dışa aktarın:
Daha sonra, opensearch_indexing_pipeline.py
sağlanan demo verilerini önceden işlemek ve dizine eklemek için komut dosyası.
Kendi verilerinizi kullanmak istiyorsanız, dizin oluşturma boru hattını şurada değiştirin: opensearch_indexing_pipeline.py
dahil etmek Dosya Dönüştürücü ve önişlemci ihtiyacınız olan kurulum adımlarını
Alma artırılmış soru yanıtlama ardışık düzenini uygulama
Artık OpenSearch'te verileri indekslediğimize göre, bu dokümanlar üzerinde soru cevaplama işlemini gerçekleştirebiliriz. Bu RAG ardışık düzeni için, SageMaker JumpStart'ta konuşlandırdığımız Falcon-40b-talimat modelini kullanıyoruz.
Ayrıca, modeli bir Jupyter not defterinden programlı olarak dağıtma seçeneğiniz de vardır. Talimatlar için bkz. GitHub repo.
- SageMaker JumpStart'ta Falcon-40b talimat modelini arayın.
- Modelinizi SageMaker JumpStart'ta konuşlandırın ve bitiş noktası adını not edin.
- Aşağıdaki değerleri dışa aktarın:
- koşmak
python rag_pipeline.py
.
Bu, kullanıcının sorusunu bekleyen bir komut satırı yardımcı programını başlatacaktır. Örneğin “OpenSearch cli'sini nasıl kurabilirim?” diye soralım.
Bu sonuç elde edildi, çünkü istemimizi şu şekilde tanımladık: Samanlık İstemi Şablonu aşağıdaki olmak:
Daha fazla özelleştirme
Çözümdeki farklı öğelerde aşağıdakiler gibi ek özelleştirmeler yapabilirsiniz:
- Veri – OpenSearch'ü sağladık belgeleme ve Web sitesi veriler örnek veri olarak değiştirmeyi unutmayın
opensearch_indexing_pipeline.py
kendi verilerinizi kullanmayı seçerseniz, ihtiyaçlarınıza uygun komut dosyası. - model – Bu örnekte, Falcon-40b talimat modelini kullandık. SageMaker'da başka herhangi bir Hugging Face modelini kurmakta ve kullanmakta özgürsünüz. Bir modeli değiştirmenin muhtemelen isteminizi işlemek üzere tasarlanmış bir şeye uyarlamanız gerektiği anlamına geleceğini unutmayın.
- çabuk – Bu gönderi için kendimizinkini oluşturduk.
PromptTemplate
modele verilen bağlama dayalı olarak soruları yanıtlaması ve bağlam ilgili bilgileri içermiyorsa "Bilmiyorum" yanıtını vermesi talimatını verir. Falcon-40b-instruct ile farklı istemleri denemek için bu istemi değiştirebilirsiniz. Ayrıca istemlerimizden bazılarını PromptHub. - gömme modeli – Alma adımı için hafif bir gömme modeli kullanıyoruz: cümle dönüştürücüler/hepsi-MiniLM-L12-v2. Ancak bunu ihtiyaçlarınıza göre de değiştirebilirsiniz. Beklenen gömme boyutlarını değiştirmeyi unutmayın.
DocumentStore
buna göre. - Alınan belge sayısı – Ayrıca, istediğiniz belge sayısıyla oynamayı da seçebilirsiniz.
EmbeddingRetriever
her sorgu için almak için. Kurulumumuzda bu, top_k=5. Daha fazla bağlam sağlamanın sonuçlarınızın doğruluğunu artırıp artırmadığını görmek için bu rakamı değiştirmeyi deneyebilirsiniz.
Üretim hazırlığı
Bu gönderide önerilen çözüm, proje geliştirme sürecinin değer elde etme süresini hızlandırabilir. AWS Cloud'daki güvenlik ve gizlilik ortamıyla kolayca ölçeklendirilebilen bir proje oluşturabilirsiniz.
Güvenlik ve gizlilik için, OpenSearch Hizmeti aşağıdakilerle veri koruması sağlar: kimlik ve erişim yönetimi ve hizmetler arası karışık proxy önleme. Kullanıcının yalnızca erişmeye yetkili olduğu verilere erişebilmesi için ayrıntılı kullanıcı erişim denetimi kullanabilirsiniz. Ek olarak, SageMaker aşağıdakiler için yapılandırılabilir güvenlik ayarları sağlar: erişim kontrolü, veri koruma, ve günlük kaydı ve izleme. Bekleyen ve aktarılan verilerinizi şu şekilde koruyabilirsiniz: AWS Anahtar Yönetim Hizmeti (AWS KMS) tuşları. Ayrıca kullanarak SageMaker model dağıtımının veya uç nokta erişiminin günlüğünü de izleyebilirsiniz. Amazon Bulut İzleme. Daha fazla bilgi için bkz. Amazon CloudWatch ile Amazon SageMaker'ı izleyin.
OpenSearch Hizmetindeki yüksek ölçeklenebilirlik için, şu şekilde ayarlayabilirsiniz: OpenSearch Hizmeti etki alanlarınızı boyutlandırma ve istihdam operasyonel en iyi uygulamalar. Ayrıca SageMaker uç noktanızı otomatik ölçeklendirmenin avantajlarından da yararlanabilirsiniz; SageMaker modellerini otomatik olarak ölçeklendirin hem trafik arttığında hem de kaynaklar kullanılmadığında uç noktayı ayarlamak için.
Temizlemek
Maliyetlerden tasarruf etmek için bu gönderinin bir parçası olarak dağıttığınız tüm kaynakları silin. CloudFormation yığınını başlattıysanız AWS CloudFormation konsolu aracılığıyla silebilirsiniz. Benzer şekilde, SageMaker konsolu aracılığıyla oluşturmuş olabileceğiniz tüm SageMaker uç noktalarını silebilirsiniz.
Sonuç
Bu gönderide, Haystack işlem hatlarını ve SageMaker JumpStart ve OpenSearch Service'ten Falcon-40b talimat modelini kullanarak RAG ile kurumsal arama için uçtan uca üretken bir yapay zeka uygulamasının nasıl oluşturulacağını gösterdik. RAG yaklaşımı kurumsal aramada kritiktir, çünkü üretilen yanıtların alan içinde olmasını sağlar ve bu nedenle halüsinasyonları azaltır. Haystack boru hatlarını kullanarak modeller ve vektör veritabanları gibi farklı bileşenlerden oluşan LLM uygulamalarını yönetebiliyoruz. SageMaker JumpStart bize LLM'leri dağıtmak için tek tıklamalı bir çözüm sağlıyor ve dizinlenmiş verilerimiz için vektör veritabanı olarak OpenSearch Hizmetini kullandık. Bu gönderide belirtilen adımları ve şu adreste bulunan kaynak kodunu kullanarak kurumsal üretken yapay zeka uygulamalarınız için RAG kavram kanıtlarını denemeye ve oluşturmaya başlayabilirsiniz. GitHub deposu.
Yazarlar Hakkında
Tuana Çelik Haystack için açık kaynak topluluğuna odaklandığı deepset'te Baş Geliştirici Avukatıdır. Geliştirici ilişkileri işlevini yönetir ve etkinliklerde düzenli olarak NLP hakkında konuşur ve topluluk için öğrenme materyalleri oluşturur.
Roy Allela Münih, Almanya merkezli AWS'de Kıdemli Yapay Zeka/ML Uzmanı Çözüm Mimarıdır. Roy, küçük startup'lardan büyük işletmelere kadar AWS müşterilerinin büyük dil modellerini AWS üzerinde verimli bir şekilde eğitmesine ve devreye almasına yardımcı olur. Roy, hesaplamalı optimizasyon sorunları ve yapay zeka iş yüklerinin performansını iyileştirme konusunda tutkulu.
Mia Chang Amazon Web Services için Makine Öğrenimi Uzmanı Çözüm Mimarıdır. EMEA'daki müşterilerle çalışıyor ve uygulamalı matematik, bilgisayar bilimi ve AI/ML alanındaki geçmişiyle bulutta AI/ML iş yüklerini çalıştırmak için en iyi uygulamaları paylaşıyor. NLP'ye özgü iş yüklerine odaklanıyor ve konferans konuşmacısı ve kitap yazarı olarak deneyimlerini paylaşıyor. Boş zamanlarında yürüyüş yapmaktan, masa oyunlarından ve kahve yapmaktan hoşlanıyor.
Inaam Syed AWS'de B2B ve SaaS girişimlerine ölçeklendirme ve büyüme sağlama konusunda yardımcı olmaya odaklanan bir Başlangıç Çözümleri Mimarıdır. Sunucusuz mimariler ve AI/ML konusunda derin bir tutkuya sahiptir. Inaam boş zamanlarında ailesiyle kaliteli anlar yaşıyor ve bisiklete binme ve badminton sevgisiyle kendini şımartıyor.
David Tippett AWS'de açık kaynak OpenSearch üzerinde çalışan Kıdemli Geliştirici Danışmanıdır. Çalışmaları, arama ve alaka düzeyinden gözlemlenebilirlik ve güvenlik analitiğine kadar OpenSearch'ün tüm alanlarını içerir.
- 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. Otomotiv / EV'ler, karbon, temiz teknoloji, Enerji, Çevre, Güneş, Atık Yönetimi. Buradan Erişin.
- PlatoSağlık. Biyoteknoloji ve Klinik Araştırmalar Zekası. Buradan Erişin.
- ChartPrime. Ticaret Oyununuzu ChartPrime ile yükseltin. Buradan Erişin.
- Blok Ofsetleri. Çevre Dengeleme Sahipliğini Modernleştirme. Buradan Erişin.
- Kaynak: https://aws.amazon.com/blogs/machine-learning/build-production-ready-generative-ai-applications-for-enterprise-search-using-haystack-pipelines-and-amazon-sagemaker-jumpstart-with-llms/
- :vardır
- :dır-dir
- :olumsuzluk
- :Neresi
- $UP
- 100
- 12
- 13
- 30
- 500
- 7
- 8
- a
- Yapabilmek
- Hakkımızda
- hızlandırmak
- erişim
- başarmak
- göre
- Hesap
- doğruluk
- Başarmak
- elde
- elde
- eylemler
- uyarlamak
- Ek
- Ayrıca
- idari
- avantaj
- Advent
- savunucu
- AI
- AI / ML
- Türkiye
- izin vermek
- veriyor
- boyunca
- Ayrıca
- Rağmen
- Amazon
- Amazon Adaçayı Yapıcı
- Amazon SageMaker Hızlı Başlangıç
- Amazon Web Servisleri
- arasında
- an
- analytics
- ve
- cevap
- herhangi
- Apache
- Uygulama
- uygulamaları
- uygulamalı
- yaklaşım
- yaklaşık olarak
- ARE
- alanlar
- etrafında
- Dizi
- Sanat
- mal
- AS
- yardım
- At
- ses
- augmented
- yazar
- yetkili
- Oto
- mevcut
- AWS
- AWS CloudFormation
- B2B
- arka fon
- baz
- merkezli
- BE
- Çünkü
- müşterimiz
- önce
- olmak
- altında
- İYİ
- en iyi uygulamalar
- Büyük
- Blog
- yazı tahtası
- Masa Oyunları
- vücut
- kitap
- her ikisi de
- geniş
- inşa etmek
- bina
- yapılı
- Paketler
- fakat
- düğmesine tıklayın
- by
- denilen
- CAN
- yetenekleri
- durumlarda
- değişiklik
- değiştirme
- Kontrol
- seçim
- Klinik
- seçme
- seçti
- sınıf
- Temizlik
- yakın
- bulut
- kod
- Kahve
- ortak
- topluluk
- şirket
- Tamamlayıcı
- tamamlamak
- bileşen
- bileşenler
- aşağıdakileri içerir:
- bilgisayar
- Bilgisayar Bilimleri
- kavram
- Konferans
- karışık
- Sosyal medya
- düşünen
- konsolos
- içerdiği
- içerik
- bağlam
- kontrol
- konuşkan
- konuşma yapay zekası
- maliyetler
- kaplı
- kapaklar
- yaratmak
- çevrimiçi kurslar düzenliyorlar.
- oluşturur
- kritik
- Müşteriler
- veri
- Veri Hazırlama
- veri koruma
- veritabanı
- veritabanları
- DBS
- anlaşma
- derin
- derin öğrenme
- tanımlı
- gösteri
- bağımlılıklar
- dağıtmak
- konuşlandırılmış
- dağıtma
- açılma
- Dizayn
- tasarlanmış
- tasarım
- detaylı
- gelişmiş
- Geliştirici
- geliştiriciler
- gelişme
- farklı
- dijital
- dijitalleşme
- boyutlar
- direkt
- do
- belge
- belgeleme
- evraklar
- yok
- Değil
- don
- Dont
- her
- kolay
- verim
- verimli
- verimli biçimde
- ya
- elemanları
- gömmek
- gömülü
- katıştırma
- EMEA
- etkinleştirmek
- son
- son uca
- Son nokta
- Motorlar
- artırmak
- sağlamak
- olmasını sağlar
- kuruluş
- kişiler
- varlık
- çevre
- değerlendirme
- olaylar
- her şey
- örnek
- beklenen
- deneyim
- Deneyimler
- deneme
- ihracat
- dış
- Yüz
- aile
- şekil
- fileto
- dosyalar
- filtre
- son
- Ad
- uygun
- esnek
- esnek bir şekilde
- odak
- odaklanır
- takip etme
- İçin
- biçim
- vakıf
- iskelet
- Ücretsiz
- itibaren
- tamamen
- işlev
- Games
- oluşturmak
- oluşturulan
- üretir
- nesil
- üretken
- üretken yapay zeka
- Almanya
- almak
- verilmiş
- grup
- Büyüme
- sap
- Var
- sahip olan
- he
- yardımcı olur
- onu
- okuyun
- Yüksek
- üst düzey
- büyük ölçüde
- onun
- ana
- Ne kadar
- Nasıl Yapılır
- Ancak
- HTML
- http
- HTTPS
- merkez
- i
- Kimlik
- if
- darbe
- uygulamak
- önemli
- geliştirme
- in
- dahil
- içerir
- Dahil olmak üzere
- artmış
- giderek
- indeks
- endeksli
- indeksler
- bilgi
- Altyapı
- giriş
- kurmak
- örnek
- talimatlar
- Internet
- içine
- IT
- ONUN
- jpg
- anahtar
- anahtarlar
- Bilmek
- bilgi
- Bilgi Yönetimi
- dil
- büyük
- başlatmak
- başlattı
- öncülük etmek
- İlanlar
- öğrenme
- Lisans
- ruhsatlı
- hafif
- sevmek
- Muhtemelen
- LİMİT
- sınırlamaları
- çizgi
- Yüksek Lisans
- log
- günlüğü
- bakıyor
- Aşk
- makine
- makine öğrenme
- yapılmış
- yapmak
- YAPAR
- Yapımı
- yönetmek
- yönetilen
- yönetim
- malzemeler
- matematik
- maksimum
- Mayıs..
- ortalama
- medya
- yöntemleri
- Metrikleri
- milyonlarca
- dakika
- hafifletici
- ML
- model
- modelleri
- değiştirmek
- Modüller
- Anlar
- izleme
- Daha
- çoğu
- hareket
- isim
- adlı
- Doğal (Madenden)
- Doğal Dil İşleme
- gezinme
- gerek
- ihtiyaçlar
- nlp
- defter
- numara
- of
- teklif
- Teklifler
- on
- bir tek
- açık
- açık kaynak
- Açık kaynaklı yazılım
- işletmek
- optimizasyon
- seçenek
- Opsiyonlar
- or
- örgütsel
- Düzenlenmiş
- orijinal
- Diğer
- bizim
- özetlenen
- tekrar
- kendi
- paket
- Kanal
- sayfaları
- Bölüm
- ortaklar
- tutku
- tutkulu
- Yapmak
- performans
- boru hattı
- Platon
- Plato Veri Zekası
- PlatoVeri
- OYNA
- Lütfen
- Nokta
- Popüler
- Çivi
- güçlü
- uygulamalar
- hazırlık
- Hazırlamak
- gizlilik
- sorunlar
- süreç
- işleme
- üretim
- Ilerleme
- proje
- ispatları
- önerilen
- özel
- korumak
- koruma
- prototip
- sağlamak
- sağlanan
- sağlar
- sağlama
- vekil
- halka açık
- Itmek
- kalite
- sorgular
- soru
- Sorular
- Çiğ
- Alınan
- son
- Tavsiye
- Tavsiye edilen
- düzenli
- ilişkiler
- ilgisi
- uygun
- güvenilir
- hatırlamak
- Depo
- talep
- gerektirir
- gereklidir
- Yer Alan Kurallar
- Kaynaklar
- yanıt
- yanıtları
- DİNLENME
- kısıtlamak
- sonuç
- Sonuçlar
- İade
- Zengin
- krallar gibi yaşamaya
- roy
- koşmak
- koşu
- SaaS
- sagemaker
- İndirim
- söylemek
- ölçeklenebilirlik
- ölçeklenebilir
- ölçek
- ölçekleme
- Bilim
- Ara
- güvenlik
- görmek
- göndermek
- gönderir
- kıdemli
- Serverless
- vermektedir
- hizmet
- Hizmetler
- set
- ayarlar
- kurulum
- Shape
- Paylar
- o
- GEMİ
- meli
- şov
- vitrin
- görücüye
- imzalı
- benzer
- benzer şekilde
- Basit
- sadece
- küçük
- So
- Yazılım
- yalnızca
- katı
- çözüm
- Çözümler
- biraz
- bir şey
- Kaynak
- kaynak kodu
- uzay
- konuşmacı
- Konuştu
- uzman
- özel
- istikrar
- yığın
- Aşama
- başlama
- başlangıç
- Startups
- adım
- Basamaklar
- depolamak
- güçlü
- yapı
- böyle
- süit
- elbette
- Bizi daha iyi tanımak için
- alır
- teknikleri
- şablonları
- test edilmiş
- o
- The
- Kaynak
- Onları
- sonra
- böylece
- bu nedenle
- Bunlar
- onlar
- şey
- düşünmek
- Re-Tweet
- Binlerce
- İçinden
- zaman
- için
- birlikte
- iz
- trafik
- transit
- güvenilir
- iki
- tip
- tipik
- eninde sonunda
- altında
- Yüklenen
- us
- kullanım
- Kullanılmış
- kullanıcı
- kullanıcılar
- kullanım
- kullanma
- yarar
- değer
- Değerler
- çeşitli
- üzerinden
- vizyonumuz
- bekler
- we
- ağ
- web hizmetleri
- Web sitesi
- ne zaman
- hangi
- irade
- ile
- içinde
- Word
- İş
- iş akışı
- çalışma
- çalışır
- olur
- yazmak
- tatlım
- yıl
- Sen
- zefirnet