جیسے جیسے مزید تنظیمیں گہری بصیرت حاصل کرنے کے لیے مشین لرننگ (ML) کی طرف منتقل ہوتی ہیں، ان میں دو اہم رکاوٹیں لیبلنگ اور لائف سائیکل مینجمنٹ ہیں۔ لیبلنگ ڈیٹا کی شناخت اور سیاق و سباق فراہم کرنے کے لیے لیبلز کو شامل کرنا ہے تاکہ ایک ML ماڈل اس سے سیکھ سکے۔ لیبل آڈیو فائل میں کسی فقرے، تصویر میں کار، یا ایم آر آئی میں کسی عضو کی نشاندہی کر سکتے ہیں۔ ایم ایل ماڈلز کو ڈیٹا کے خلاف کام کرنے کے لیے ڈیٹا لیبلنگ ضروری ہے۔ لائف سائیکل مینجمنٹ کا تعلق ML تجربہ ترتیب دینے اور نتائج حاصل کرنے کے لیے استعمال ہونے والے ڈیٹاسیٹ، لائبریری، ورژن اور ماڈل کی دستاویز کرنے کے عمل سے ہے۔ ایک ٹیم ایک نقطہ نظر کو طے کرنے سے پہلے سینکڑوں تجربات کر سکتی ہے۔ واپس جانا اور اس نقطہ نظر کو دوبارہ بنانا اس تجربے کے عناصر کے ریکارڈ کے بغیر مشکل ہوسکتا ہے۔
بہت سی ML مثالیں اور سبق ایک ڈیٹا سیٹ سے شروع ہوتے ہیں جس میں ہدف کی قدر شامل ہوتی ہے۔ تاہم، حقیقی دنیا کے ڈیٹا میں ہمیشہ ایسی ٹارگٹ ویلیو نہیں ہوتی ہے۔ مثال کے طور پر، جذبات کے تجزیے میں، ایک شخص عام طور پر یہ فیصلہ کر سکتا ہے کہ آیا کوئی جائزہ مثبت، منفی، یا ملا جلا ہے۔ لیکن جائزے متن کے ایک مجموعے سے بنتے ہیں جس کے ساتھ کوئی فیصلہ کی قیمت منسلک نہیں ہوتی ہے۔ ایک بنانے کے لیے زیر نگرانی سیکھنے ماڈل اس مسئلے کو حل کرنے کے لیے، ایک اعلیٰ معیار کا لیبل لگا ڈیٹاسیٹ ضروری ہے۔ ایمیزون سیج میکر گراؤنڈ ٹروتھ ایک مکمل طور پر منظم ڈیٹا لیبلنگ سروس ہے جو ایم ایل کے لیے انتہائی درست تربیتی ڈیٹا سیٹس بنانا آسان بناتی ہے۔
ایسی تنظیموں کے لیے جو ڈیٹا برکس کو اپنے ڈیٹا اور تجزیاتی پلیٹ فارم کے طور پر AWS پر ایکسٹریکٹ، ٹرانسفارم، اور لوڈ (ETL) کے کاموں کو انجام دینے کے لیے استعمال کرتی ہیں، حتمی مقصد اکثر ایک زیر نگرانی لرننگ ماڈل کو تربیت دینا ہوتا ہے۔ اس پوسٹ میں، ہم دکھاتے ہیں کہ ڈیٹابرکس کس طرح زمینی سچائی کے ساتھ مربوط ہوتا ہے۔ ایمیزون سیج میکر ڈیٹا لیبلنگ اور ماڈل کی تقسیم کے لیے۔
حل جائزہ
گراؤنڈ ٹروتھ ایک مکمل طور پر منظم ڈیٹا لیبلنگ سروس ہے جو ایم ایل کے لیے انتہائی درست تربیتی ڈیٹا سیٹس بنانا آسان بناتی ہے۔ گراؤنڈ ٹروتھ کنسول کے ذریعے، ہم منٹوں میں حسب ضرورت یا بلٹ ان ڈیٹا لیبلنگ ورک فلو بنا سکتے ہیں۔ یہ ورک فلو مختلف قسم کے استعمال کے معاملات کو سپورٹ کرتے ہیں، بشمول 3D پوائنٹ کلاؤڈز، ویڈیو، امیجز، اور ٹیکسٹ۔ اس کے علاوہ، گراؤنڈ ٹروتھ خودکار ڈیٹا لیبلنگ پیش کرتا ہے، جو ہمارے ڈیٹا کو لیبل کرنے کے لیے ML ماڈل کا استعمال کرتا ہے۔
ہم اپنے ماڈل کو عوامی طور پر دستیاب Amazon Customer Reviews ڈیٹا سیٹ پر تربیت دیتے ہیں۔ اعلی سطح پر، اقدامات مندرجہ ذیل ہیں:
- لیبل لگانے کے لیے ایک خام ڈیٹاسیٹ نکالیں اور اسے منتقل کریں۔ ایمیزون سادہ اسٹوریج سروس (ایمیزون S3)۔
- سیج میکر میں لیبلنگ جاب بنا کر لیبلنگ انجام دیں۔
- نمونے کا استعمال کرتے ہوئے ڈیٹابرکس پلیٹ فارم پر نظرثانی کے متن کے جذبات کی درجہ بندی کرنے کے لیے ایک سادہ Scikit-earn linear Learner ماڈل بنائیں اور تربیت دیں۔ نوٹ بک.
- استعمال ایم ایل فلو ایم ایل او پیز بنانے اور انجام دینے اور ماڈل نمونے کو محفوظ کرنے کے اجزاء۔
- کا استعمال کرتے ہوئے ماڈل کو سیج میکر اینڈ پوائنٹ کے طور پر تعینات کریں۔ ایم ایل فلو سیج میکر لائبریری حقیقی وقت کا اندازہ لگانے کے لیے۔
مندرجہ ذیل خاکہ گراؤنڈ ٹروتھ اور ایم ایل فلو کا استعمال کرتے ہوئے لیبلنگ اور ایم ایل کے سفر کی وضاحت کرتا ہے۔
سیج میکر میں لیبلنگ کی نوکری بنائیں
Amazon Customer Reviews ڈیٹاسیٹ سے، ہم صرف متن کے حصے نکالتے ہیں، کیونکہ ہم جذباتی تجزیہ کا ماڈل بنا رہے ہیں۔ ایک بار نکالنے کے بعد، ہم متن کو S3 بالٹی میں ڈالتے ہیں اور پھر SageMaker کنسول کے ذریعے گراؤنڈ ٹروتھ لیبلنگ کا کام بناتے ہیں۔
پر لیبلنگ کا کام بنائیں صفحہ، تمام مطلوبہ فیلڈز کو پُر کریں۔ اس صفحہ پر قدم کے ایک حصے کے طور پر، گراؤنڈ ٹروتھ آپ کو جاب مینی فیسٹ فائل بنانے کی اجازت دیتا ہے۔ گراؤنڈ ٹروتھ ان پٹ مینی فیسٹ فائل کو لیبلنگ جاب میں فائلوں یا اشیاء کی تعداد کی شناخت کے لیے استعمال کرتا ہے تاکہ کاموں کی صحیح تعداد تخلیق کی جائے اور انسانی (یا مشین) لیبلرز کو بھیجی جائے۔ فائل خود بخود S3 بالٹی میں محفوظ ہو جاتی ہے۔ اگلا مرحلہ کام کے زمرے اور کام کے انتخاب کی وضاحت کرنا ہے۔ اس استعمال کے معاملے میں، ہم منتخب کرتے ہیں متن کام کے زمرے کے طور پر، اور متن کی درجہ بندی کام کے انتخاب کے لیے ایک ہی لیبل کے ساتھ، جس کا مطلب ہے کہ جائزے کے متن میں ایک ہی جذبہ ہوگا: مثبت، منفی، یا غیر جانبدار۔
آخر میں، ہم لیبلرز کے لیے سادہ لیکن جامع ہدایات لکھتے ہیں کہ ٹیکسٹ ڈیٹا کو کیسے لیبل کیا جائے۔ ہدایات لیبلنگ ٹول پر ظاہر ہوتی ہیں اور آپ اس وقت اختیاری طور پر تشریح کرنے والے کے نظارے کا جائزہ لے سکتے ہیں۔ آخر میں، ہم کام جمع کراتے ہیں اور کنسول پر پیشرفت کی نگرانی کرتے ہیں۔
جبکہ لیبلنگ کا کام جاری ہے، ہم پر لیبل لگائے گئے ڈیٹا کو بھی دیکھ سکتے ہیں۔ آؤٹ پٹ ٹیب ہم ہر جائزے کے متن اور لیبل کی نگرانی کر سکتے ہیں، اور اگر یہ کام کسی انسان یا مشین نے کیا ہو۔ ہم انسانوں کے ذریعہ کئے جانے والے لیبلنگ کے 100% کاموں کو منتخب کرسکتے ہیں یا مشین تشریح کا انتخاب کرسکتے ہیں، جو کام کو تیز کرتا ہے اور مزدوری کے اخراجات کو کم کرتا ہے۔
جب کام مکمل ہو جاتا ہے، لیبلنگ جاب سمری میں آؤٹ پٹ مینی فیسٹ اور لیبل والے ڈیٹاسیٹ کے لنک ہوتے ہیں۔ ہم Amazon S3 پر بھی جا سکتے ہیں اور اپنے S3 بالٹی فولڈر سے دونوں کو ڈاؤن لوڈ کر سکتے ہیں۔
اگلے مراحل میں، ہم ڈیٹابرکس نوٹ بک استعمال کرتے ہیں، ایم ایل فلو، اور ڈیٹاسیٹس کو گراؤنڈ ٹروتھ کا لیبل لگا ہوا ہے۔ سکیٹ سیکھنا ماڈل.
Amazon S3 سے لیبل لگا ڈیٹاسیٹ ڈاؤن لوڈ کریں۔
ہم ایمیزون S3 سے لیبل لگا ڈیٹاسیٹ ڈاؤن لوڈ کرکے شروع کرتے ہیں۔ مینی فیسٹ JSON فارمیٹ میں محفوظ ہوتا ہے اور ہم اسے ڈیٹا برکس میں اسپارک ڈیٹا فریم میں لوڈ کرتے ہیں۔ جذباتی تجزیہ کے ماڈل کی تربیت کے لیے، ہمیں صرف نظرثانی کے متن اور جذبات کی ضرورت ہے جو گراؤنڈ ٹروتھ لیبلنگ جاب کے ذریعے تشریح کی گئی تھی۔ ہم ان دو خصوصیات کو نکالنے کے لیے سلیکٹ() کا استعمال کرتے ہیں۔ پھر ہم ڈیٹاسیٹ کو PySpark DataFrame سے Pandas DataFrame میں تبدیل کرتے ہیں، کیونکہ Scikit-learn الگورتھم کو Pandas DataFrame فارمیٹ کی ضرورت ہوتی ہے۔
اگلا، ہم Scikit-learn استعمال کرتے ہیں۔ CountVectorizer
ترتیب دے کر جائزہ کے متن کو بگ گرام ویکٹر میں تبدیل کرنا ngram_range
زیادہ سے زیادہ قدر 2 تک۔ CountVectorizer
متن کو ٹوکن شمار کے میٹرکس میں تبدیل کرتا ہے۔ پھر ہم استعمال کرتے ہیں۔ TfidfTransformer
بگگرام ویکٹر کو ٹرم فریکوئنسی-انورس دستاویز فریکوئنسی (TF-IDF) فارمیٹ میں تبدیل کرنا۔
ہم بگگرام ویکٹر بمقابلہ بگگرام TF-IDF کے ساتھ تربیت کے لیے درستگی کے اسکور کا موازنہ کرتے ہیں۔ TF-IDF ایک شماریاتی پیمانہ ہے جو اس بات کا اندازہ کرتا ہے کہ دستاویزات کے مجموعے میں کوئی لفظ کسی دستاویز سے کتنا متعلقہ ہے۔ چونکہ جائزہ کا متن نسبتاً مختصر ہوتا ہے، اس لیے ہم مشاہدہ کر سکتے ہیں کہ TF-IDF کس طرح پیشین گوئی کرنے والے ماڈل کی کارکردگی کو متاثر کرتا ہے۔
ایک MLflow تجربہ مرتب کریں۔
ایم ایل فلو کو ڈیٹابرکس نے تیار کیا تھا اور اب ایک ہے۔ اوپن سورس پروجیکٹ. MLflow ML لائف سائیکل کا انتظام کرتا ہے، تاکہ آپ آسانی سے تجربات کو ٹریک، دوبارہ تخلیق اور شائع کر سکیں۔
MLflow تجربات ترتیب دینے کے لیے، ہم استعمال کرتے ہیں۔ mlflow.sklearn.autolog()
ہائپرپیرامیٹرس، میٹرکس، اور ماڈل آرٹفیکٹس کی آٹو لاگنگ کو جب بھی فعال کرنا estimator.fit()
, estimator.fit_predict()
, اور estimator.fit_transform()
کہا جاتا ہے. متبادل طور پر، آپ اسے کال کرکے دستی طور پر کرسکتے ہیں۔ mlflow.log_param()
اور mlflow.log_metric()
.
ہم Stochastic Gradient Descent (SGD) لرننگ کے ساتھ تبدیل شدہ ڈیٹاسیٹ کو لکیری درجہ بندی میں فٹ کرتے ہیں۔ SGD کے ساتھ، نقصان کے میلان کا تخمینہ ایک وقت میں ایک نمونے سے لگایا جاتا ہے اور ماڈل کو راستے میں طاقت کے گھٹتے ہوئے شیڈول کے ساتھ اپ ڈیٹ کیا جاتا ہے۔
وہ دو ڈیٹاسیٹ جو ہم نے پہلے تیار کیے تھے کو بھیجے گئے ہیں۔ train_and_show_scores()
تربیت کے لئے فنکشن. تربیت کے بعد، ہمیں ایک ماڈل کو رجسٹر کرنے اور اس کے نمونے کو محفوظ کرنے کی ضرورت ہے۔ ہم استعمال کرتے ہیں mlflow.sklearn.log_model()
ایسا کرنے کے لئے.
تعینات کرنے سے پہلے، ہم تجربے کے نتائج کو دیکھتے ہیں اور موازنہ کرنے کے لیے دو تجربات (ایک biggram کے لیے اور دوسرا bigram کے لیے TF-IDF کے ساتھ) کا انتخاب کرتے ہیں۔ ہمارے استعمال کے معاملے میں، biggram TF-IDF کے ساتھ تربیت یافتہ دوسرے ماڈل نے قدرے بہتر کارکردگی کا مظاہرہ کیا، اس لیے ہم اس ماڈل کو تعینات کرنے کے لیے منتخب کرتے ہیں۔ ماڈل کے رجسٹر ہونے کے بعد، ہم ماڈل کو تعینات کرتے ہیں، ماڈل اسٹیج کو پروڈکشن میں تبدیل کرتے ہیں۔ ہم اسے MLflow UI پر، یا استعمال کرتے ہوئے کوڈ میں پورا کر سکتے ہیں۔ transition_model_version_stage()
.
ماڈل کو سیج میکر اینڈ پوائنٹ کے بطور تعینات اور جانچیں۔
تربیت یافتہ ماڈل کو تعینات کرنے سے پہلے، ہمیں SageMaker میں ماڈل کی میزبانی کے لیے ایک Docker کنٹینر بنانے کی ضرورت ہے۔ ہم یہ ایک سادہ ایم ایل فلو کمانڈ چلا کر کرتے ہیں جو کنٹینر کو بناتا اور آگے بڑھاتا ہے۔ ایمیزون لچکدار کنٹینر رجسٹری (ایمیزون ای سی آر) ہمارے AWS اکاؤنٹ میں۔
اب ہم امیزون ای سی آر کنسول پر تصویر URI تلاش کر سکتے ہیں۔ ہم تصویر URI کو بطور ایک پاس کرتے ہیں۔ image_url
پیرامیٹر، اور استعمال کریں۔ DEPLOYMENT_MODE_CREATE
موڈ پیرامیٹر کے لیے اگر یہ نئی تعیناتی ہے۔ اگر کسی موجودہ اینڈ پوائنٹ کو نئے ورژن کے ساتھ اپ ڈیٹ کر رہے ہیں تو استعمال کریں۔ DEPLOYMENT_MODE_REPLACE
.
SageMaker اینڈ پوائنٹ کو جانچنے کے لیے، ہم ایک فنکشن بناتے ہیں جو اینڈ پوائنٹ کا نام اور ان پٹ ڈیٹا کو اپنے پیرامیٹرز کے طور پر لیتا ہے۔
نتیجہ
اس پوسٹ میں، ہم نے آپ کو دکھایا کہ کس طرح ایک خام ڈیٹا سیٹ کو لیبل کرنے کے لیے گراؤنڈ ٹروتھ کا استعمال کرنا ہے، اور Scikit-learn کا استعمال کرتے ہوئے ایک سادہ لکیری درجہ بندی کو تربیت دینے کے لیے لیبل والے ڈیٹا کا استعمال کرنا ہے۔ اس مثال میں، ہم ہائپر پیرامیٹرس اور میٹرکس کو ٹریک کرنے، پروڈکشن گریڈ ماڈل کو رجسٹر کرنے، اور تربیت یافتہ ماڈل کو SageMaker پر اینڈ پوائنٹ کے طور پر تعینات کرنے کے لیے MLflow کا استعمال کرتے ہیں۔ ڈیٹا پر کارروائی کرنے کے لیے Databricks کے ساتھ ساتھ، آپ استعمال کے اس پورے معاملے کو خودکار کر سکتے ہیں، تاکہ جیسا کہ نیا ڈیٹا متعارف کرایا جائے، اس پر لیبل لگا کر ماڈل میں پروسیس کیا جا سکے۔ ان پائپ لائنز اور ماڈلز کو خودکار بنا کر، ڈیٹا سائنس کی ٹیمیں روزانہ کی بنیاد پر ڈیٹا اپ ڈیٹس کے انتظام میں اپنا وقت صرف کرنے کے بجائے استعمال کے نئے کیسز پر توجہ مرکوز کر سکتی ہیں اور مزید بصیرت سے پردہ اٹھا سکتی ہیں۔
شروع کرنے کے لیے، چیک آؤٹ کریں۔ ڈیٹا کو لیبل کرنے کے لیے Amazon SageMaker Ground Truth کا استعمال کریں۔ اور ایک کے لیے سائن اپ کریں۔ AWS پر Databricks کا 14 دن کا مفت ٹرائل. اس بارے میں مزید جاننے کے لیے کہ ڈیٹابرکس کس طرح SageMaker کے ساتھ ضم ہوتا ہے، نیز دیگر AWS خدمات جیسے AWS گلو اور ایمیزون ریڈ شفٹ، دورہ AWS پر ڈیٹا برکس.
مزید برآں، اس پوسٹ میں استعمال ہونے والے درج ذیل وسائل کو چیک کریں:
مندرجہ ذیل استعمال کریں نوٹ بک شروع کرنے کے لئے.
مصنفین کے بارے میں
رومی اولسن AWS پارٹنر پروگرام میں ایک حل آرکیٹیکٹ ہے۔ وہ اپنے موجودہ کردار میں بغیر سرور اور مشین لرننگ سلوشنز میں مہارت رکھتی ہے، اور قدرتی زبان کی پروسیسنگ ٹیکنالوجیز میں اس کا پس منظر ہے۔ وہ اپنا زیادہ تر فارغ وقت اپنی بیٹی کے ساتھ پیسیفک نارتھ ویسٹ کی فطرت کی کھوج میں گزارتی ہے۔
Igor Alekseev ڈیٹا اور تجزیات میں AWS میں ایک پارٹنر سلوشن آرکیٹیکٹ ہے۔ Igor سٹریٹجک شراکت داروں کے ساتھ مل کر کام کرتا ہے جو کہ پیچیدہ، AWS سے بہتر بنائے گئے فن تعمیرات کی تعمیر میں ان کی مدد کرتا ہے۔ AWS میں شامل ہونے سے پہلے، بطور ڈیٹا/سولیوشن آرکیٹیکٹ، اس نے بگ ڈیٹا میں بہت سے پروجیکٹس کو لاگو کیا، بشمول ہڈوپ ایکو سسٹم میں کئی ڈیٹا لیکس۔ ڈیٹا انجینئر کے طور پر، وہ فراڈ کا پتہ لگانے اور آفس آٹومیشن کے لیے AI/ML کا اطلاق کرنے میں ملوث تھا۔ ایگور کے منصوبے مختلف صنعتوں میں تھے جن میں مواصلات، مالیات، عوامی تحفظ، مینوفیکچرنگ، اور صحت کی دیکھ بھال شامل ہیں۔ اس سے پہلے، Igor مکمل اسٹیک انجینئر/ٹیک لیڈ کے طور پر کام کرتا تھا۔
نصیر احمد ڈیٹابرکس میں ایک سینئر پارٹنر سولیوشن آرکیٹیکٹ ہے جو اس کے AWS کاروبار کی حمایت کرتا ہے۔ نصیر AWS پر ڈیٹا ویئر ہاؤسنگ، بزنس انٹیلی جنس، ایپ ڈویلپمنٹ، کنٹینر، سرور لیس، مشین لرننگ آرکیٹیکچرز میں مہارت رکھتا ہے۔ اسے ڈیٹابرکس میں سال کے 2021 SME کے لیے ووٹ دیا گیا تھا اور وہ کرپٹو کے شوقین ہیں۔
- سکے سمارٹ۔ یورپ کا بہترین بٹ کوائن اور کرپٹو ایکسچینج۔
- پلیٹو بلاک چین۔ Web3 Metaverse انٹیلی جنس۔ علم میں اضافہ۔ مفت رسائی۔
- کرپٹو ہاک۔ Altcoin ریڈار. مفت جانچ.
- ماخذ: https://aws.amazon.com/blogs/machine-learning/build-an-mlops-sentiment-analysis-pipeline-using-amazon-sagemaker-ground-truth-and-databricks-mlflow/
- "
- 100
- 2021
- 3d
- ہمارے بارے میں
- اکاؤنٹ
- درست
- اس کے علاوہ
- یلگورتم
- تمام
- ایمیزون
- تجزیہ
- تجزیاتی
- اپلی کیشن
- ایپ کی ترقی
- درخواست دینا
- نقطہ نظر
- آڈیو
- آٹو
- میشن
- دستیاب
- AWS
- پس منظر
- بنیاد
- بگ ڈیٹا
- تعمیر
- عمارت
- بناتا ہے
- تعمیر میں
- کاروبار
- کاروبار کی ذہانت
- کار کے
- مقدمات
- قسم
- میں سے انتخاب کریں
- درجہ بندی
- کوڈ
- مجموعہ
- کموینیکیشن
- پیچیدہ
- کنسول
- کنٹینر
- پر مشتمل ہے
- اخراجات
- بنائی
- تخلیق
- کرپٹو
- موجودہ
- اپنی مرضی کے
- اعداد و شمار
- ڈیٹا سائنس
- گہرے
- تعیناتی
- تعینات
- تعیناتی
- کھوج
- ترقی یافتہ
- ترقی
- مشکل
- تقسیم
- میں Docker
- دستاویزات
- نہیں کرتا
- ڈرائیو
- آسانی سے
- ماحول
- کو چالو کرنے کے
- اختتام پوائنٹ
- انجینئر
- ضروری
- اندازے کے مطابق
- مثال کے طور پر
- تجربہ
- خصوصیات
- قطعات
- آخر
- کی مالی اعانت
- فٹ
- توجہ مرکوز
- کے بعد
- فارمیٹ
- دھوکہ دہی
- مفت
- مکمل
- تقریب
- پیدا
- مقصد
- جا
- صحت کی دیکھ بھال
- ہائی
- انتہائی
- کس طرح
- کیسے
- HTTPS
- انسانی
- انسان
- سینکڑوں
- شناخت
- شناخت
- تصویر
- عملدرآمد
- سمیت
- صنعتوں
- ان پٹ
- بصیرت
- انٹیلی جنس
- ملوث
- IT
- ایوب
- نوکریاں
- کلیدی
- لیبل
- لیبل
- لیبر
- زبان
- قیادت
- جانیں
- سیکھنے
- سطح
- لائبریری
- لنکس
- لوڈ
- مشین
- مشین لرننگ
- بنا
- بناتا ہے
- میں کامیاب
- انتظام
- مینیجنگ
- دستی طور پر
- مینوفیکچرنگ
- میٹرکس
- پیمائش
- پیمائش کا معیار
- مخلوط
- ML
- ماڈل
- ماڈل
- کی نگرانی
- زیادہ
- سب سے زیادہ
- منتقل
- قدرتی
- فطرت، قدرت
- نوٹ بک
- تعداد
- تجویز
- حکم
- تنظیمیں
- دیگر
- پیسیفک
- پارٹنر
- شراکت داروں کے
- کارکردگی
- انسان
- پلیٹ فارم
- پوائنٹ
- مثبت
- مسئلہ
- عمل
- پیداوار
- پروگرام
- منصوبوں
- فراہم
- عوامی
- شائع
- خام
- اصل وقت
- ریکارڈ
- رجسٹر
- رجسٹرڈ
- متعلقہ
- ضرورت
- وسائل
- نتائج کی نمائش
- کا جائزہ لینے کے
- جائزہ
- رن
- چل رہا ہے
- سیفٹی
- سائنس
- جذبات
- بے سرور
- سروس
- سروسز
- مقرر
- قائم کرنے
- مختصر
- سادہ
- So
- حل
- حل
- حل
- مہارت دیتا ہے
- خرچ کرنا۔
- ڈھیر لگانا
- اسٹیج
- شروع کریں
- شروع
- شماریات
- ذخیرہ
- حکمت عملی
- حمایت
- امدادی
- ہدف
- کاموں
- ٹیم
- ٹیکنالوجی
- ٹیسٹ
- کے ذریعے
- وقت
- ٹوکن
- کے آلے
- ٹریک
- ٹریننگ
- تبدیل
- مقدمے کی سماعت
- سبق
- ui
- حتمی
- بے نقاب
- تازہ ترین معلومات
- استعمال کی شرائط
- عام طور پر
- قیمت
- مختلف اقسام کے
- ویڈیو
- لنک
- چاہے
- بغیر
- کام
- کام کیا
- کام کرتا ہے
- سال