Сучасні чат-боти можуть служити цифровими агентами, забезпечуючи новий шлях для цілодобового обслуговування клієнтів і підтримки в багатьох галузях. Їхня популярність пояснюється можливістю відповідати на запити клієнтів у режимі реального часу та обробляти декілька запитів одночасно різними мовами. Чат-боти також пропонують цінну інформацію про поведінку клієнтів, керовану даними, і легко масштабуються в міру зростання бази користувачів; тому вони представляють економічно ефективне рішення для залучення клієнтів. Чат-боти використовують розширені можливості природної мови великих мовних моделей (LLM), щоб відповідати на запитання клієнтів. Вони можуть розуміти розмовну мову та реагувати природно. Однак чат-боти, які лише відповідають на основні запитання, мають обмежену корисність. Щоб стати надійними порадниками, чат-боти повинні надавати продумані, індивідуальні відповіді.
Один із способів увімкнути більш контекстуальні розмови — зв’язати чат-бота з внутрішніми базами знань та інформаційними системами. Інтеграція власних корпоративних даних із внутрішніх баз знань дозволяє чат-ботам адаптувати свої відповіді до індивідуальних потреб та інтересів кожного користувача. Наприклад, чат-бот може запропонувати продукти, які відповідають уподобанням покупця та попереднім покупкам, пояснити деталі мовою, адаптованою до рівня знань користувача, або надати підтримку облікового запису, отримавши доступ до конкретних записів клієнта. Здатність інтелектуально включати інформацію, розуміти природну мову та надавати персоналізовані відповіді в розмовному потоці дозволяє чат-ботам створювати реальну цінність для бізнесу в різноманітних випадках використання.
Популярний архітектурний зразок Доповнена генерація пошуку (RAG) часто використовується для розширення контексту запиту користувача та відповідей. RAG поєднує в собі можливості магістерських програм з обґрунтуванням фактів і реальних знань, отриманих завдяки отриманню відповідних текстів і фрагментів із масиву даних. Ці отримані тексти потім використовуються для інформування та обгрунтування результату, зменшуючи галюцинації та покращуючи релевантність.
У цій публікації ми проілюструємо контекстне вдосконалення чат-бота за допомогою Бази знань для Amazon Bedrock, повністю керована безсерверна служба. Бази знань для інтеграції Amazon Bedrock дозволяють нашому чат-боту надавати більш актуальні персоналізовані відповіді, пов’язуючи запити користувачів із пов’язаними інформаційними точками даних. внутрішньо, Amazon Bedrock використовує вбудовування, що зберігаються у векторній базі даних, щоб розширити контекст запиту користувача під час виконання та забезпечити рішення керованої архітектури RAG. Ми використовуємо Листи Amazon до акціонерів набір даних для розробки цього рішення.
Доповнена генерація пошуку
RAG — це підхід до створення природної мови, який включає пошук інформації в процес створення. Архітектура RAG передбачає два ключові робочі процеси: попередню обробку даних шляхом прийому та генерацію тексту за допомогою розширеного контексту.
Робочий процес прийому даних використовує LLM для створення векторів вбудовування, які представляють семантичне значення текстів. Вбудовування створено для документів і запитань користувачів. Вбудовані документи розбиваються на частини та зберігаються як індекси у векторній базі даних. Потім робочий процес генерації тексту бере вектор вбудовування запитання та використовує його для отримання найбільш схожих фрагментів документа на основі векторної схожості. Він доповнює підказки цими відповідними блоками, щоб створити відповідь за допомогою LLM. Для отримання додаткової інформації зверніться до Початок роботи з пошуково-розширеною генерацією, вбудовуваннями та векторними базами даних розділ в Попередній перегляд – підключіть базові моделі до джерел даних вашої компанії за допомогою агентів для Amazon Bedrock.
Наступна діаграма ілюструє архітектуру RAG високого рівня.
Хоча архітектура RAG має багато переваг, вона включає в себе кілька компонентів, включаючи базу даних, механізм пошуку, підказку та генеративну модель. Управління цими взаємозалежними частинами може ускладнити розробку та розгортання системи. Інтеграція пошуку та генерації також вимагає додаткових інженерних зусиль і обчислювальних ресурсів. Деякі бібліотеки з відкритим кодом надають оболонки, щоб зменшити ці накладні витрати; однак зміни в бібліотеках можуть викликати помилки та додати додаткові витрати на керування версіями. Навіть з бібліотеками з відкритим вихідним кодом потрібні значні зусилля для написання коду, визначення оптимального розміру блоку, створення вбудовувань тощо. Сама лише ця робота з налаштування може тривати тижнями залежно від обсягу даних.
Таким чином, кероване рішення, яке обробляє ці недиференційовані завдання, може оптимізувати та прискорити процес впровадження та керування додатками RAG.
Бази знань для Amazon Bedrock
Бази знань для Amazon Bedrock — це безсерверний варіант для створення потужних розмовних систем ШІ за допомогою RAG. Він пропонує повністю керований прийом даних і робочі процеси генерації тексту.
Для прийому даних він автоматично обробляє створення, зберігання, керування та оновлення текстових вставок даних документів у векторній базі даних. Він розбиває документи на керовані частини для ефективного пошуку. Потім фрагменти перетворюються на вбудовування та записуються у векторний індекс, дозволяючи вам бачити вихідні документи під час відповіді на запитання.
Для створення тексту Amazon Bedrock надає RetrieveAndGenerate API для створення вбудованих запитів користувачів і отримання відповідних фрагментів із векторної бази даних для створення точних відповідей. Він також підтримує атрибуцію джерела та короткочасну пам'ять, необхідну для програм RAG.
Це дає змогу зосередитися на основних бізнес-додатках і позбавляє від недиференційованої важкої роботи.
Огляд рішення
Рішення, представлене в цій публікації, використовує чат-бота, створеного за допомогою a Стрітліт і включає наступні служби AWS:
Наведена нижче діаграма є типовим шаблоном архітектури рішення, який можна використовувати для інтеграції будь-якої програми чат-бота до баз знань для Amazon Bedrock.
Ця архітектура включає наступні етапи:
- Користувач взаємодіє з інтерфейсом чат-бота Streamlit і надсилає запит природною мовою
- Це запускає функцію лямбда, яка викликає бази знань
RetrieveAndGenerate
API. Внутрішньо Бази знань використовують an Амазонський титан модель вбудовування та перетворює запит користувача на вектор і знаходить фрагменти, які семантично схожі на запит користувача. Потім підказка користувача доповнюється фрагментами, отриманими з бази знань. Підказка разом із додатковим контекстом потім надсилається до LLM для створення відповіді. У цьому рішенні ми використовуємо Антропний Клод Миттєво як наш LLM для генерування відповідей користувачів із використанням додаткового контексту. Зауважте, що це рішення підтримується в регіонах, де знаходиться Anthropic Claude on Amazon Bedrock доступний. - Контекстно релевантна відповідь надсилається до програми чат-бота та користувача.
Передумови
Користувачі Amazon Bedrock повинні подати запит на доступ до базових моделей, перш ніж вони стануть доступними для використання. Це одноразова дія, яка займає менше хвилини. Для цього рішення вам потрібно буде ввімкнути доступ до моделі Titan Embeddings G1 – Text and Claude Instant – v1.2 в Amazon Bedrock. Для отримання додаткової інформації див Доступ до моделі.
Клонуйте репозиторію GitHub
Рішення, представлене в цій публікації, доступне в наступному GitHub репо. Вам потрібно клонувати репозиторій GitHub на локальну машину. Відкрийте вікно терміналу та виконайте таку команду. Зауважте, що це одна команда git clone.
Завантажте свій набір даних знань на Amazon S3
Ми завантажуємо набір даних для нашої бази знань і завантажуємо його в сегмент S3. Цей набір даних буде живити базу знань. Виконайте наступні дії:
- перейдіть до Річні звіти, довіреності та листи акціонерам сховище даних і завантажте листи акціонерам Amazon за останні кілька років.
- На консолі Amazon S3 виберіть Відра у навігаційній панелі.
- Вибирати Створити відро.
- Назвіть відро
knowledgebase-<your-awsaccount-number>
. - Залиште всі інші параметри відра за замовчуванням і виберіть Створювати.
- перейдіть до
knowledgebase-<your-awsaccount-number>
відро. - Вибирати Створити папку і назвіть його набір даних.
- Залиште всі інші налаштування папки за замовчуванням і виберіть Створювати.
- Поверніться до відра додому та виберіть Створити папку щоб створити нову папку та назвати її
lambdalayer
. - Залиште всі інші параметри за замовчуванням і виберіть Створювати.
- перейдіть до
dataset
папку. - Завантажте файли набору даних річних звітів, довіреностей і листів акціонерів, які ви завантажили раніше, у це відро та виберіть Завантажувати.
- перейдіть до
lambdalayer
папку. - Завантажте
knowledgebase-lambdalayer.zip
файл доступний під/lambda/layer
у сховищі GitHub, яке ви клонували раніше, і виберіть Завантажувати. Пізніше ви використаєте цей код шару Lambda для створення функції Lambda.
Створіть базу знань
На цьому кроці ми створюємо базу знань, використовуючи набір даних про листи акціонерам Amazon, який ми завантажили в наше відро S3 на попередньому кроці.
- На консолі Amazon Bedrock під Оркестрація на панелі навігації виберіть База знань.
- Вибирати Створити базу знань.
- У Деталі бази знань розділі, введіть ім’я та необов’язковий опис.
- У Дозволи IAM розділ, виберіть Створіть і використовуйте нову роль служби і введіть назву для ролі.
- За потреби додайте теги.
- Вибирати МАЙБУТНІ.
- Залишати Назва джерела даних як назву за умовчанням.
- для S3 URIвиберіть Перегляньте S3 вибрати відро S3
knowledgebase-<your-account-number>/dataset/
.Вам потрібно вказати на сегмент і папку з набором даних, які ви створили на попередніх кроках. - У додаткові настройки залиште значення за замовчуванням (якщо хочете, ви можете змінити стандартну стратегію поділу на фрагменти та вказати розмір фрагмента та накладання у відсотках).
- Вибирати МАЙБУТНІ.
- для Модель вбудовуваннявиберіть Titan Embedding G1 – Текст.
- для Векторна база даних, ви можете вибрати Швидке створення нового векторного магазину or Виберіть векторний магазин, який ви створили. Зауважте, що для використання векторного сховища за вашим вибором потрібно попередньо налаштувати векторне сховище. Наразі ми підтримуємо чотири типи векторних механізмів: векторний механізм для Amazon OpenSearch Serverless, Amazon Aurora, Pinecone та Redis Enterprise Cloud. Для цієї публікації ми вибираємо «Швидке створення нового векторного сховища», що за замовчуванням створює нове векторне сховище OpenSearch Serverless у вашому обліковому записі.
- Вибирати МАЙБУТНІ.
- на Перегляньте та створіть сторінку, перегляньте всю інформацію або виберіть МИНУЛІ щоб змінити будь-які параметри.
- Вибирати Створити базу знань.Зверніть увагу, що процес створення бази знань розпочинається, а статус – Виконується. Створення векторного сховища та бази знань займе кілька хвилин. Не відходьте від сторінки, інакше створення не вдасться.
- Коли статус бази знань знаходиться в
Ready
стан, запишіть ідентифікатор бази знань. Ви використовуватимете його в наступних кроках для налаштування функції Lambda. - Тепер, коли база знань готова, нам потрібно синхронізувати з нею дані листів наших акціонерів Amazon. В Джерело даних розділ сторінки деталей бази знань виберіть Синхронізація щоб запустити процес прийому даних із сегмента S3 до бази знань.
Цей процес синхронізації розбиває файли документа на менші частини відповідно до вказаного раніше розміру, генерує векторні вбудовування за допомогою вибраної моделі вбудовування тексту та зберігає їх у векторному сховищі, яким керує база знань для Amazon Bedrock.
Після завершення синхронізації набору даних статус джерела даних зміниться на Ready
стан. Зауважте, що якщо ви додаєте додаткові документи в папку даних S3, вам потрібно повторно синхронізувати базу знань.
Вітаємо, ваша база знань готова.
Зауважте, що ви також можете використовувати бази знань для API служби Amazon Bedrock і Інтерфейс командного рядка AWS (AWS CLI) для програмного створення бази знань. Вам потрібно буде запустити різні розділи блокнота Jupyter, наданого в розділі /notebook
у сховищі GitHub.
Створіть лямбда-функцію
Ця лямбда-функція розгортається за допомогою AWS CloudFormation шаблон доступний у сховищі GitHub у розділі /cfn
папку. Для шаблону потрібні два параметри: ім’я сегмента S3 та ідентифікатор бази знань.
- Виберіть на домашній сторінці служби AWS CloudFormation Створити стек щоб створити новий стек.
- Select Шаблон готовий та цінності Підготувати шаблон.
- Select Завантажте файл шаблону та цінності Джерело шаблону.
- Вибирати Виберіть файл, перейдіть до сховища GitHub, яке ви клонували раніше, і виберіть файл .yaml під
/cfn
папку. - Вибирати МАЙБУТНІ.
- для Назва стека, введіть ім'я.
- У параметри введіть ідентифікатор бази знань і ім’я сегмента S3, які ви записали раніше.
- Вибирати МАЙБУТНІ.
- Залиште всі параметри за замовчуванням як є, виберіть МАЙБУТНІ, і вибрати Надіслати.
- Переконайтеся, що шаблон CloudFormation запущено успішно та немає помилок.
Вітаємо, ви успішно створили функцію Lambda, пов’язані ролі та політики.
Протестуйте програму контекстного чат-бота
Щоб перевірити свою програму чат-бота, виконайте такі дії:
- Відкрийте новий термінал або вікно командного рядка на вашій машині.
- Виконайте таку команду, щоб установити AWS SDK для Python (Boto3). Boto3 дозволяє легко інтегрувати програму, бібліотеку або сценарій Python із службами AWS.
- Виконайте таку команду, щоб установити та налаштувати локальне середовище розробки Python для запуску програми Streamlit:
- перейдіть до
/streamlit
у папці сховища GitHub, яку ви клонували раніше. - Виконайте таку команду, щоб створити екземпляр програми chatbot:
У веб-переглядачі за замовчуванням має відкритися веб-додаток для чату на основі Streamlit.
- Використовуйте цю програму чат-бота Streamlit, щоб публікувати запитання природною мовою, щоб розпочати розмови за допомогою баз знань для Amazon Bedrock.
Коли ви надсилаєте запит, програма Streamlit запускає функцію Lambda, яка викликає бази знань RetrieveAndGenerate
API для пошуку та створення відповідей.
У наведеній нижче таблиці наведено кілька прикладів запитань і відповідних відповідей бази знань. Спробуйте відповісти на деякі з цих запитань, використовуючи підказки.
питань | Відповіді |
Що робить Amazon у сфері генеративного ШІ? | Amazon працює над власними великими мовними моделями (LLM) для генеративного штучного інтелекту та вірить, що це змінить і покращить досвід кожного клієнта. Вони планують і надалі інвестувати значні кошти в ці моделі для всіх споживачів, продавців, брендів і творців. |
Який річний дохід AWS у 2022 році? | У 29 році дохід від AWS зріс на 2022% порівняно з аналогічним періодом минулого року на базі доходу в 62 мільярди доларів. |
Скільки днів Amazon просив співробітників прийти на роботу в офіс? | Починаючи з травня 2022 року, Amazon попросила корпоративних співробітників повертатися на роботу принаймні три дні на тиждень. |
На який відсоток зріс дохід AWS порівняно з минулим роком у 2022 році? | У 29 році дохід AWS зріс на 2022% порівняно з минулим роком. |
У порівнянні з процесорами Graviton2, яке покращення продуктивності забезпечили чіпи Graviton3 відповідно до пасажу? | У 2022 році AWS поставила свої чіпи Graviton3, які забезпечили на 25% кращу продуктивність, ніж процесори Graviton2. |
Яка була перша мікросхема логічного висновку, запущена AWS згідно з уривком? | У 2019 році AWS випустила свої перші чіпи для висновків («Inferentia»), і вони заощадили таким компаніям, як Amazon, понад сто мільйонів доларів капітальних витрат. |
Згідно з контекстом, у якому році річний дохід Amazon збільшився з 245 мільярдів доларів до 434 мільярдів доларів? | Річний дохід Amazon зріс з 245 мільярдів доларів у 2019 році до 434 мільярдів доларів у 2022 році. |
Скажіть ще раз, яка була виручка в 2019 році? | Дохід Amazon у 2019 році склав 245 мільярдів доларів. |
а 2021? | Дохід Amazon у 2021 році склав 469.8 мільярда доларів, що на 22% більше, ніж у 2020 році. |
І нагадайте мені ще раз, коли був запущений перший чіп для висновків? | Першим чіпом Amazon був Inferentia, який був запущений у 2019 році. |
Під час першого виклику функції Lambda, RetrieveAndGenerate
API повертає a sessionId
, який потім передається програмою Streamlit разом із наступним запитом користувача як вхідні дані для API RetrieveAndGenerate для продовження розмови в тому самому сеансі. The RetrieveAndGenerate
API керує короткочасною пам’яттю та використовує історію чату, доки той самий sessionId передається як вхідні дані під час послідовних викликів.
Вітаємо, ви успішно створили та протестували програму чат-бота за допомогою баз знань для Amazon Bedrock.
Прибирати
Неможливість видалити такі ресурси, як сегмент S3, колекція OpenSearch Serverless і база знань, призведе до оплати. Щоб очистити ці ресурси, видаліть стек CloudFormation, видаліть сегмент S3 (включаючи будь-які папки документів і файли, що зберігаються в цьому сегменті), видаліть колекцію OpenSearch Serverless, видаліть базу знань і будь-які ролі, політики та дозволи, які ви створений раніше.
Висновок
У цій публікації ми надали огляд контекстних чат-ботів і пояснили, чому вони важливі. Ми описали складності, пов’язані з прийомом даних і робочими процесами генерації тексту для архітектури RAG. Потім ми представили, як бази знань для Amazon Bedrock створюють повністю керовану безсерверну систему RAG, включаючи векторне сховище. Нарешті, ми надали архітектуру рішення та зразок коду в a GitHub репо для отримання та створення контекстних відповідей для програми чат-бота за допомогою бази знань.
Пояснюючи цінність контекстних чат-ботів, проблеми систем RAG і те, як бази знань для Amazon Bedrock вирішують ці проблеми, ця публікація мала на меті продемонструвати, як Amazon Bedrock дає змогу створювати складні розмовні програми AI з мінімальними зусиллями.
Для отримання додаткової інформації див Посібник розробника Amazon Bedrock та API бази знань.
Про авторів
Маніш Чу є головним архітектором рішень в AWS, розташованому в Сан-Франциско, Каліфорнія. Він спеціалізується на машинному навчанні та генеративному ШІ. Він працює з різними організаціями — від великих підприємств до стартапів на ранніх стадіях — над проблемами, пов’язаними з машинним навчанням. Його роль включає допомогу цим організаціям у розробці масштабованих, безпечних і економічно ефективних робочих навантажень на AWS. Він регулярно виступає на конференціях AWS та інших партнерських заходах. Поза роботою він любить піші прогулянки стежками Іст-Бей, катання на шосейному велосипеді та перегляд (і гру) у крикет.
Мані Хануджа є технічним керівником – Generative AI Specialists, автором книги Applied Machine Learning and High Performance Computing on AWS, а також членом ради директорів фонду «Жінки у сфері виробничої освіти». Вона керує проектами машинного навчання в різних областях, таких як комп’ютерне бачення, обробка природної мови та генеративний штучний інтелект. Вона виступає на внутрішніх і зовнішніх конференціях, таких як AWS re:Invent, Women in Manufacturing West, вебінарах YouTube і GHC 23. У вільний час вона любить довго бігати вздовж пляжу.
Паллаві Наргунд є головним архітектором рішень в AWS. Виконуючи роль постачальника хмарних технологій, вона працює з клієнтами, щоб зрозуміти їхні цілі та проблеми, а також дає чіткі вказівки щодо досягнення їх мети за допомогою пропозицій AWS. Вона захоплюється жінками в технологіях і є одним із основних членів групи Women in AI/ML в Amazon. Вона виступає на внутрішніх і зовнішніх конференціях, таких як AWS re:Invent, AWS Summits і вебінарах. Поза роботою вона захоплюється волонтерством, садівництвом, їздою на велосипеді та пішим туризмом.
- Розповсюдження контенту та PR на основі SEO. Отримайте посилення сьогодні.
- PlatoData.Network Vertical Generative Ai. Додайте собі сили. Доступ тут.
- PlatoAiStream. Web3 Intelligence. Розширення знань. Доступ тут.
- ПлатонЕСГ. вуглець, CleanTech, Енергія, Навколишнє середовище, Сонячна, Поводження з відходами. Доступ тут.
- PlatoHealth. Розвідка про біотехнології та клінічні випробування. Доступ тут.
- джерело: https://aws.amazon.com/blogs/machine-learning/build-a-contextual-chatbot-application-using-knowledge-bases-for-amazon-bedrock/
- : має
- :є
- :де
- $UP
- 100
- 125
- 2019
- 2020
- 2021
- 2022
- 23
- 27
- 500
- 7
- 8
- 9
- a
- здатність
- МЕНЮ
- прискорювати
- доступ
- доступ до
- За
- рахунки
- точний
- Achieve
- через
- дію
- додавати
- Додатковий
- адреси
- просунутий
- Переваги
- радники
- знову
- агенти
- AI
- Системи ШІ
- AI / ML
- спрямований
- ВСІ
- Дозволити
- дозволяє
- тільки
- по
- пліч-о-пліч
- Також
- Amazon
- Amazon Web Services
- an
- та
- щорічний
- РІЧНИЙ ДОХІД
- відповідь
- відповідь
- Антропний
- будь-який
- API
- Інтерфейси
- додаток
- додаток
- застосування
- прикладної
- підхід
- архітектура
- ЕСТЬ
- AS
- At
- збільшення
- збільшено
- збільшує
- Аврора
- автор
- автоматично
- доступний
- Проспект
- геть
- AWS
- AWS CloudFormation
- AWS re:Invent
- назад
- база
- заснований
- основний
- затока
- Пляж
- ставати
- було
- перед тим
- початок
- починається
- поведінка
- вважає,
- Краще
- Мільярд
- рада
- рада директорів
- книга
- марка
- браузер
- будувати
- бізнес
- Бізнес-додатки
- by
- CA
- call
- Виклики
- CAN
- можливості
- капітал
- випадків
- CD
- проблеми
- зміна
- Зміни
- вантажі
- чат
- Chatbot
- chatbots
- Введіть дані:
- чіп
- Чіпси
- вибір
- Вибирати
- очистити
- cli
- хмара
- ХМАРНІ ТЕХНОЛОГІЇ
- код
- збір
- комбінати
- Приходити
- приходить
- загальний
- Компанії
- компанія
- повний
- складності
- Компоненти
- обчислювальна
- комп'ютер
- Комп'ютерне бачення
- обчислення
- конференції
- З'єднуватися
- Консоль
- споживач
- контекст
- контекстуальний
- контекстуалізація
- продовжувати
- Розмова
- діалоговий
- розмовний ШІ
- розмови
- перероблений
- Core
- Корпоративний
- рентабельним
- може
- створювати
- створений
- створює
- створення
- створення
- творець
- крикет
- В даний час
- клієнт
- поведінка клієнтів
- Досвід клієнтів
- Контакти
- Клієнти
- налаштувати
- дані
- точки даних
- керовані даними
- Database
- Днів
- дефолт
- доставляти
- поставляється
- надання
- Залежно
- розгорнути
- розгортання
- описаний
- description
- деталі
- Визначати
- розвивати
- Розробник
- розробка
- схема
- DID
- різний
- цифровий
- Директори
- Різне
- документ
- документація
- справи
- доларів
- домени
- Не знаю
- вниз
- скачати
- кожен
- Раніше
- початкова стадія
- Схід
- Освіта
- ефективний
- зусилля
- легко
- або
- вбудовування
- співробітників
- включіть
- активатор
- дозволяє
- залучення
- двигун
- Машинобудування
- підвищена
- підвищення
- Що натомість? Створіть віртуальну версію себе у
- підприємство
- підприємств
- Навколишнє середовище
- помилки
- Навіть
- Події
- Кожен
- приклад
- досвід
- Досліди
- експертиза
- Пояснювати
- пояснені
- пояснюючи
- зовнішній
- Факти
- FAIL
- кілька
- поле
- філе
- Файли
- в кінці кінців
- знахідки
- Перший
- потік
- Сфокусувати
- після
- для
- фонд
- чотири
- Франциско
- Безкоштовна
- від
- повністю
- функція
- g1
- породжувати
- генерує
- покоління
- генеративний
- Генеративний ШІ
- Git
- GitHub
- Давати
- Go
- Цілі
- виросла
- Земля
- Рости
- Зростає
- керівництво
- було
- обробляти
- Ручки
- Мати
- he
- важкий
- важкий підйом
- допомогу
- її
- Високий
- на вищому рівні
- його
- історія
- Головна
- Як
- Однак
- HTML
- HTTP
- HTTPS
- сто
- ID
- if
- ілюструвати
- ілюструє
- реалізації
- важливо
- удосконалювати
- поліпшення
- поліпшення
- in
- includes
- У тому числі
- включати
- об'єднує
- Augmenter
- збільшений
- індекс
- покажчики
- індивідуальний
- промисловості
- повідомити
- інформація
- Інформаційні системи
- вхід
- Запити
- розуміння
- встановлювати
- мить
- інтегрувати
- Інтеграція
- інтеграція
- взаємодіє
- інтереси
- інтерфейс
- внутрішній
- внутрішньо
- в
- вводити
- введені
- інвестування
- викликає
- залучений
- включає в себе
- IT
- JPG
- ключ
- знання
- мова
- мови
- великий
- Великі підприємства
- останній
- пізніше
- запущений
- шар
- вести
- Веде за собою
- вивчення
- найменш
- Залишати
- менше
- лист
- рівень
- libraries
- бібліотека
- підйомний
- як
- Сподобалося
- обмеженою
- Лінія
- Зв'язуючий
- LLM
- місцевий
- Довго
- машина
- навчання за допомогою машини
- головний
- РОБОТИ
- керований
- вдалося
- управляє
- управління
- виробництво
- багато
- матч
- Може..
- me
- сенс
- механізм
- член
- пам'ять
- просто
- мільйона
- мільйонів доларів
- мінімальний
- хвилин
- хвилин
- модель
- Моделі
- змінювати
- більше
- найбільш
- множинний
- ім'я
- Природний
- Обробка природних мов
- Переміщення
- навігація
- Необхідність
- необхідний
- потреби
- Нові
- наступний
- немає
- ніхто
- увагу
- ноутбук
- зазначив,
- мета
- of
- пропонувати
- Пропозиції
- Пропозиції
- Office
- часто
- on
- ONE
- відкрити
- з відкритим вихідним кодом
- оптимальний
- варіант
- Опції
- or
- організації
- Інше
- інакше
- наші
- з
- вихід
- поза
- над
- накладні витрати
- огляд
- власний
- сторінка
- pane
- параметри
- партнер
- частини
- проходження
- уривки
- Пройшов
- пристрасний
- Минуле
- Викрійки
- відсоток
- продуктивність
- Дозволи
- Персоналізовані
- план
- plato
- Інформація про дані Платона
- PlatoData
- ігри
- точка
- точок
- Політика
- популярний
- популярність
- пошта
- влада
- Харчування
- потужний
- переваги
- представити
- представлений
- подарунки
- попередній
- Головний
- проблеми
- процес
- обробка
- процесори
- Продукти
- прогрес
- проектів
- підказок
- власником
- забезпечувати
- за умови
- забезпечує
- забезпечення
- Купівля
- Python
- запити
- запит
- питання
- питань
- Швидко
- ганчіркою
- ранжування
- RE
- готовий
- реальний
- Реальний світ
- реального часу
- облік
- зменшити
- зниження
- послатися
- райони
- регулярно
- пов'язаний
- актуальність
- доречний
- видаляє
- Звіти
- Сховище
- представляти
- запросити
- вимагається
- Вимагається
- ресурси
- Реагувати
- відповідь
- відповіді
- пошук
- Умови повернення
- revenue
- огляд
- дорога
- Роль
- ролі
- прогін
- пробіжки
- час виконання
- то ж
- зразок
- Сан -
- Сан Франциско
- зберігаються
- масштабовані
- Масштабування
- сценарій
- Sdk
- Пошук
- розділ
- розділам
- безпечний
- побачити
- вибрати
- обраний
- смисловий
- посланий
- служити
- Без сервера
- обслуговування
- Послуги
- Сесія
- комплект
- налаштування
- установка
- акціонера
- Акціонери
- вона
- короткий термін
- Повинен
- демонстрації
- значний
- аналогічний
- одночасно
- один
- Розмір
- менше
- рішення
- Рішення
- деякі
- складний
- Source
- Джерела
- Говорить
- Фахівці
- спеціалізується
- конкретний
- зазначений
- розкол
- Розколи
- стек
- старт
- Стартапи
- стан
- Статус
- стебла
- Крок
- заходи
- зберігати
- зберігати
- магазинів
- зберігання
- просто
- Стратегія
- раціоналізувати
- представляти
- наступні
- по суті
- Успішно
- такі
- пропонувати
- саміти
- підтримка
- Підтриманий
- Опори
- синхронізація.
- система
- Systems
- таблиця
- з урахуванням
- Приймати
- приймає
- завдання
- технології
- Технологія
- шаблон
- термінал
- тест
- перевірений
- текст
- ніж
- Що
- Команда
- інформація
- Джерело
- їх
- Їх
- потім
- Там.
- отже
- Ці
- вони
- це
- ті
- три
- через
- час
- велетень
- до
- Перетворення
- викликати
- Довірений
- намагатися
- два
- Типи
- при
- розуміти
- оновлення
- завантажено
- використання
- використовуваний
- користувач
- користувачі
- використовує
- використання
- утиліта
- v1
- Цінний
- значення
- Цінності
- різний
- бачення
- обсяг
- хотіти
- було
- спостереження
- шлях..
- we
- Web
- веб-браузер
- веб-сервіси
- Web-Based
- Вебінари
- week
- тижня
- West
- Що
- коли
- який
- в той час як
- чому
- волі
- вікно
- з
- жінки
- жінки в технології
- Work
- робочий
- Робочі процеси
- робочий
- працює
- запис
- написати код
- письмовий
- ямл
- рік
- років
- Ти
- вашу
- YouTube
- зефірнет