آج کے تیزی سے ترقی پذیر صحت کی دیکھ بھال کے منظر نامے میں، ڈاکٹروں کو مختلف ذرائع سے طبی ڈیٹا کی ایک بڑی مقدار کا سامنا کرنا پڑتا ہے، جیسے کہ دیکھ بھال کرنے والے نوٹ، الیکٹرانک ہیلتھ ریکارڈز، اور امیجنگ رپورٹس۔ معلومات کا یہ خزانہ، جبکہ مریضوں کی دیکھ بھال کے لیے ضروری ہے، طبی پیشہ ور افراد کے لیے اس کا تجزیہ کرنے اور تجزیہ کرنے کے لیے بہت زیادہ اور وقت طلب بھی ہو سکتا ہے۔ بہتر طریقے سے مریض کی دیکھ بھال اور فیصلہ سازی کے لیے اس ڈیٹا سے بصیرت کا خلاصہ اور نکالنا بہت ضروری ہے۔ خلاصہ شدہ مریض کی معلومات متعدد بہاو کے عمل کے لیے کارآمد ہو سکتی ہے جیسے ڈیٹا جمع کرنا، مریضوں کو مؤثر طریقے سے کوڈنگ کرنا، یا جائزے کے لیے اسی طرح کی تشخیص والے مریضوں کو گروپ کرنا۔
مصنوعی ذہانت (AI) اور مشین لرننگ (ML) ماڈلز نے ان چیلنجوں سے نمٹنے میں زبردست وعدہ دکھایا ہے۔ ماڈلز کو متن کے اعداد و شمار کی بڑی مقدار کا تجزیہ اور تشریح کرنے کی تربیت دی جا سکتی ہے، مؤثر طریقے سے معلومات کو مختصر خلاصوں میں کم کرنا۔ خلاصہ کے عمل کو خودکار بنا کر، ڈاکٹر جلد ہی متعلقہ معلومات تک رسائی حاصل کر سکتے ہیں، جس سے وہ مریض کی دیکھ بھال پر توجہ مرکوز کر سکتے ہیں اور مزید باخبر فیصلے کر سکتے ہیں۔ درج ذیل دیکھیں کیس اسٹڈی حقیقی دنیا کے استعمال کے معاملے کے بارے میں مزید جاننے کے لیے۔
ایمیزون سیج میکر, ایک مکمل طور پر منظم ML سروس، مختلف AI/ML پر مبنی خلاصہ ماڈلز اور نقطہ نظر کی میزبانی اور نفاذ کے لیے ایک مثالی پلیٹ فارم مہیا کرتی ہے۔ اس پوسٹ میں، ہم SageMaker پر خلاصہ کی تکنیک کو لاگو کرنے کے لیے مختلف اختیارات تلاش کرتے ہیں، بشمول ایمیزون سیج میکر جمپ اسٹارٹ فاؤنڈیشن ماڈلز، ہیگنگ فیس سے پہلے سے تربیت یافتہ ماڈلز کو ٹھیک کرنا، اور حسب ضرورت سمریائزیشن ماڈل بنانا۔ ہم ہر ایک نقطہ نظر کے فوائد اور نقصانات پر بھی تبادلہ خیال کرتے ہیں، صحت کی دیکھ بھال کے پیشہ ور افراد کو پیچیدہ طبی ڈیٹا کے جامع اور درست خلاصے بنانے کے لیے موزوں ترین حل کا انتخاب کرنے کے قابل بناتے ہیں۔
شروع کرنے سے پہلے جاننا ضروری ہے دو اہم شرائط: پہلے سے تربیت یافتہ اور ٹھیک ٹیوننگ. پہلے سے تربیت یافتہ یا فاؤنڈیشن ماڈل وہ ہوتا ہے جسے عام طور پر عام زبان کے علم کے لیے ڈیٹا کے ایک بڑے کارپس پر بنایا اور تربیت دی جاتی ہے۔ فائن ٹیوننگ وہ عمل ہے جس کے ذریعے پہلے سے تربیت یافتہ ماڈل کو ایک اور ڈومین مخصوص ڈیٹا سیٹ دیا جاتا ہے تاکہ کسی مخصوص کام پر اس کی کارکردگی کو بہتر بنایا جا سکے۔ صحت کی دیکھ بھال کی ترتیب میں، اس کا مطلب یہ ہوگا کہ ماڈل کو کچھ اعداد و شمار بشمول فقرے اور اصطلاحات جو خاص طور پر مریض کی دیکھ بھال سے متعلق ہوں۔
SageMaker پر حسب ضرورت خلاصہ ماڈلز بنائیں
اگرچہ سب سے زیادہ کوشش کرنے والا نقطہ نظر، کچھ تنظیمیں شروع سے SageMaker پر حسب ضرورت خلاصہ ماڈل بنانے کو ترجیح دے سکتی ہیں۔ اس نقطہ نظر کے لیے AI/ML ماڈلز کے بارے میں مزید گہرائی سے معلومات کی ضرورت ہوتی ہے اور اس میں شروع سے ایک ماڈل فن تعمیر یا موجودہ ماڈلز کو مخصوص ضروریات کے مطابق ڈھالنا شامل ہو سکتا ہے۔ حسب ضرورت ماڈلز کی تعمیر خلاصہ کے عمل پر زیادہ لچک اور کنٹرول پیش کر سکتی ہے، لیکن اس کے لیے پہلے سے تربیت یافتہ ماڈلز سے شروع ہونے والے طریقوں کے مقابلے میں زیادہ وقت اور وسائل کی ضرورت ہوتی ہے۔ آگے بڑھنے سے پہلے اس اختیار کے فوائد اور خامیوں کو احتیاط سے جانچنا ضروری ہے، کیونکہ یہ استعمال کے تمام معاملات کے لیے موزوں نہیں ہو سکتا۔
سیج میکر جمپ اسٹارٹ فاؤنڈیشن ماڈل
SageMaker پر خلاصہ کو لاگو کرنے کے لیے ایک بہترین آپشن جمپ اسٹارٹ فاؤنڈیشن ماڈلز کا استعمال کرنا ہے۔ یہ ماڈلز، جنہیں معروف AI تحقیقی اداروں نے تیار کیا ہے، پہلے سے تربیت یافتہ زبان کے ماڈلز کی ایک رینج پیش کرتے ہیں جو متن کے خلاصے سمیت مختلف کاموں کے لیے موزوں ہیں۔ SageMaker JumpStart دو قسم کے فاؤنڈیشن ماڈل فراہم کرتا ہے: ملکیتی ماڈل اور اوپن سورس ماڈل۔ SageMaker JumpStart HIPAA کی اہلیت بھی فراہم کرتا ہے، جو اسے صحت کی دیکھ بھال کے کام کے بوجھ کے لیے مفید بناتا ہے۔ تعمیل کو یقینی بنانا بالآخر گاہک پر منحصر ہے، لہذا مناسب اقدامات کرنا یقینی بنائیں۔ دیکھیں ایمیزون ویب سروسز پر HIPAA سیکیورٹی اور تعمیل کے لیے آرکیٹیکٹنگ مزید تفصیلات کے لئے.
ملکیتی فاؤنڈیشن ماڈل
ملکیتی ماڈلز، جیسے کہ AI21 کے جراسک ماڈل اور Cohere سے Cohere Generate ماڈل، SageMaker JumpStart کے ذریعے دریافت کیے جا سکتے ہیں۔ AWS مینجمنٹ کنسول اور فی الحال پیش نظارہ کے تحت ہیں۔ خلاصہ کے لیے ملکیتی ماڈلز کا استعمال اس وقت مثالی ہے جب آپ کو حسب ضرورت ڈیٹا پر اپنے ماڈل کو ٹھیک کرنے کی ضرورت نہ ہو۔ یہ استعمال میں آسان، آؤٹ آف دی باکس حل پیش کرتا ہے جو کم سے کم ترتیب کے ساتھ آپ کے خلاصے کی ضروریات کو پورا کر سکتا ہے۔ ان پہلے سے تربیت یافتہ ماڈلز کی صلاحیتوں کو استعمال کر کے، آپ وقت اور وسائل کی بچت کر سکتے ہیں جو بصورت دیگر کسٹم ماڈل کو تربیت دینے اور ٹھیک کرنے پر خرچ کیے جائیں گے۔ مزید برآں، ملکیتی ماڈلز عام طور پر صارف دوست APIs اور SDKs کے ساتھ آتے ہیں، جو آپ کے موجودہ سسٹمز اور ایپلیکیشنز کے ساتھ انضمام کے عمل کو ہموار کرتے ہیں۔ اگر آپ کی خلاصہ کی ضروریات کو پہلے سے تربیت یافتہ ملکیتی ماڈلز کے ذریعے مخصوص تخصیص یا ٹھیک ٹیوننگ کی ضرورت کے بغیر پورا کیا جا سکتا ہے، تو وہ آپ کے متن کے خلاصے کے کاموں کے لیے ایک آسان، سرمایہ کاری مؤثر، اور موثر حل پیش کرتے ہیں۔ چونکہ ان ماڈلز کو صحت کی دیکھ بھال کے استعمال کے معاملات کے لیے خاص طور پر تربیت نہیں دی جاتی ہے، لہٰذا طبی زبان کے معیار کی ضمانت بغیر ٹھیک ٹیوننگ کے نہیں دی جا سکتی۔
Jurassic-2 Grande Instruct AI21 Labs کا ایک بڑا لینگوئج ماڈل (LLM) ہے، جو قدرتی زبان کی ہدایات کے لیے موزوں ہے اور مختلف زبان کے کاموں پر لاگو ہوتا ہے۔ یہ استعمال میں آسان API اور Python SDK پیش کرتا ہے، معیار اور سستی میں توازن رکھتا ہے۔ مقبول استعمال میں مارکیٹنگ کاپی تیار کرنا، چیٹ بوٹس کو طاقت دینا، اور متن کا خلاصہ شامل ہے۔
SageMaker کنسول پر، SageMaker JumpStart پر جائیں، AI21 Jurassic-2 Grande Instruct ماڈل تلاش کریں، اور منتخب کریں۔ ماڈل آزمائیں۔.
اگر آپ ماڈل کو SageMaker اینڈ پوائنٹ پر تعینات کرنا چاہتے ہیں جس کا آپ انتظام کرتے ہیں، تو آپ اس نمونے میں درج مراحل پر عمل کر سکتے ہیں۔ نوٹ بک، جو آپ کو دکھاتا ہے کہ سیج میکر کا استعمال کرتے ہوئے جراسک 2 لارج کو کیسے تعینات کیا جائے۔
اوپن سورس فاؤنڈیشن ماڈل
اوپن سورس ماڈلز میں FLAN T5، بلوم، اور GPT-2 ماڈل شامل ہیں جنہیں SageMaker JumpStart کے ذریعے دریافت کیا جا سکتا ہے۔ ایمیزون سیج میکر اسٹوڈیو UI، SageMaker کنسول پر SageMaker JumpStart، اور SageMaker JumpStart APIs۔ ان ماڈلز کو ٹھیک بنایا جا سکتا ہے اور آپ کے AWS اکاؤنٹ کے تحت اینڈ پوائنٹس پر تعینات کیا جا سکتا ہے، جس سے آپ کو ماڈل کے وزن اور اسکرپٹ کوڈز کی مکمل ملکیت مل جاتی ہے۔
Flan-T5 XL ایک طاقتور اور ورسٹائل ماڈل ہے جسے زبانی کاموں کی ایک وسیع رینج کے لیے ڈیزائن کیا گیا ہے۔ اپنے ڈومین کے مخصوص ڈیٹا کے ساتھ ماڈل کو ٹھیک بنا کر، آپ اس کی کارکردگی کو اپنے مخصوص استعمال کے معاملے کے لیے بہتر بنا سکتے ہیں، جیسے کہ متن کا خلاصہ یا کوئی اور NLP کام۔ SageMaker Studio UI کا استعمال کرتے ہوئے Flan-T5 XL کو ٹھیک کرنے کے طریقے کے بارے میں تفصیلات کے لیے، ملاحظہ کریں ایمیزون سیج میکر جمپ سٹارٹ کے ساتھ FLAN T5 XL کے لیے بہترین ٹیوننگ کی ہدایات.
سیج میکر پر گلے لگانے والے چہرے کے ساتھ پہلے سے تربیت یافتہ ماڈلز کو ٹھیک کرنا
سیج میکر پر خلاصہ کو لاگو کرنے کے لئے سب سے زیادہ مقبول اختیارات میں سے ایک ہیگنگ فیس کا استعمال کرتے ہوئے پہلے سے تربیت یافتہ ماڈلز کو ٹھیک کرنا ہے۔ ٹرانسفارمرز کتب خانہ. Hugging Face پہلے سے تربیت یافتہ ٹرانسفارمر ماڈلز کی ایک وسیع رینج فراہم کرتا ہے جو خاص طور پر مختلف قدرتی لینگویج پروسیسنگ (NLP) کاموں کے لیے ڈیزائن کیے گئے ہیں، بشمول متن کا خلاصہ۔ Hugging Face Transformers لائبریری کے ساتھ، آپ SageMaker کا استعمال کرتے ہوئے اپنے ڈومین کے مخصوص ڈیٹا پر ان پہلے سے تربیت یافتہ ماڈلز کو آسانی سے ٹھیک کر سکتے ہیں۔ اس نقطہ نظر کے کئی فوائد ہیں، جیسے کہ تیز تر تربیت کا وقت، مخصوص ڈومینز پر بہتر کارکردگی، اور بلٹ ان SageMaker ٹولز اور خدمات کا استعمال کرتے ہوئے آسان ماڈل پیکیجنگ اور تعیناتی۔ اگر آپ SageMaker JumpStart میں کوئی مناسب ماڈل تلاش کرنے سے قاصر ہیں، تو آپ Hugging Face کی طرف سے پیش کردہ کسی بھی ماڈل کا انتخاب کر سکتے ہیں اور SageMaker کا استعمال کرتے ہوئے اسے ٹھیک کر سکتے ہیں۔
ایم ایل کی صلاحیتوں کے بارے میں جاننے کے لیے کسی ماڈل کے ساتھ کام کرنا شروع کرنے کے لیے، آپ کو صرف سیج میکر اسٹوڈیو کو کھولنے کی ضرورت ہے، ایک پہلے سے تربیت یافتہ ماڈل تلاش کریں جسے آپ اس میں استعمال کرنا چاہتے ہیں۔ گلے لگانا چہرہ ماڈل ہب، اور SageMaker کو اپنے تعیناتی کے طریقہ کے طور پر منتخب کریں۔ گلے لگانا چہرہ آپ کو اپنی نوٹ بک میں کاپی کرنے، پیسٹ کرنے اور چلانے کا کوڈ دے گا۔ یہ اتنا ہی آسان ہے جتنا کہ! ایم ایل انجینئرنگ کے تجربے کی ضرورت نہیں ہے۔
Hugging Face Transformers لائبریری معماروں کو پہلے سے تربیت یافتہ ماڈلز پر کام کرنے اور فائن ٹیوننگ جیسے جدید کام کرنے کے قابل بناتی ہے، جسے ہم مندرجہ ذیل حصوں میں تلاش کرتے ہیں۔
وسائل کی فراہمی
اس سے پہلے کہ ہم شروع کر سکیں، ہمیں ایک نوٹ بک فراہم کرنے کی ضرورت ہے۔ ہدایات کے لیے، مرحلہ 1 اور 2 in دیکھیں مقامی طور پر مشین لرننگ ماڈل بنائیں اور تربیت دیں۔. اس مثال کے لیے، ہم نے درج ذیل اسکرین شاٹ میں دکھائی گئی ترتیبات کا استعمال کیا۔
ہمیں بھی ایک بنانے کی ضرورت ہے۔ ایمیزون سادہ اسٹوریج سروس (ایمیزون S3) تربیتی ڈیٹا اور تربیتی نمونے کو ذخیرہ کرنے کے لیے بالٹی۔ ہدایات کے لیے، رجوع کریں۔ ایک بالٹی بنانا.
ڈیٹاسیٹ تیار کریں۔
اپنے ماڈل کو بہتر ڈومین کا علم حاصل کرنے کے لیے، ہمیں کام کے لیے موزوں ڈیٹا حاصل کرنے کی ضرورت ہے۔ انٹرپرائز کے استعمال کے کیس کے لیے تربیت دیتے وقت، آپ کو ڈیٹا انجینئرنگ کے متعدد کاموں سے گزرنا ہو گا تاکہ آپ کا ڈیٹا تربیت کے لیے تیار ہو سکے۔ وہ کام اس پوسٹ کے دائرہ کار سے باہر ہیں۔ اس مثال کے لیے، ہم نے نرسنگ نوٹ کی تقلید کے لیے کچھ مصنوعی ڈیٹا تیار کیا ہے اور اسے Amazon S3 میں محفوظ کیا ہے۔ اپنے ڈیٹا کو Amazon S3 میں محفوظ کرنا ہمیں اس قابل بناتا ہے۔ HIPAA کی تعمیل کے لیے ہمارے کام کے بوجھ کو معمار بنائیں. ہم ان نوٹوں کو حاصل کرنے اور ان کو اس مثال پر لوڈ کرنے سے شروع کرتے ہیں جہاں ہماری نوٹ بک چل رہی ہے:
نوٹس ایک کالم پر مشتمل ہوتے ہیں جس میں مکمل اندراج، نوٹ، اور ایک کالم ہوتا ہے جس میں ایک مختصر ورژن ہوتا ہے جس کی مثال یہ ہوتی ہے کہ ہمارا مطلوبہ آؤٹ پٹ کیا ہونا چاہیے، خلاصہ۔ اس ڈیٹاسیٹ کو استعمال کرنے کا مقصد ہمارے ماڈل کی حیاتیاتی اور طبی ذخیرہ الفاظ کو بہتر بنانا ہے تاکہ یہ صحت کی دیکھ بھال کے سیاق و سباق میں خلاصہ کرنے کے لیے زیادہ موزوں ہو، جسے کہا جاتا ہے۔ ڈومین فائن ٹیوننگ، اور ہمارے ماڈل کو دکھائیں کہ اس کے خلاصہ شدہ آؤٹ پٹ کو کس طرح تشکیل دیا جائے۔ خلاصہ کے کچھ معاملات میں، ہم کسی مضمون سے ایک خلاصہ یا جائزہ کا ایک سطری خلاصہ بنانا چاہتے ہیں، لیکن اس صورت میں، ہم اپنے ماڈل کو علامات اور کیے گئے اقدامات کا ایک مختصر ورژن نکالنے کی کوشش کر رہے ہیں۔ اب تک ایک مریض کے لیے۔
ماڈل لوڈ کریں۔
جس ماڈل کو ہم اپنی بنیاد کے طور پر استعمال کرتے ہیں وہ گوگل کے پیگاسس کا ایک ورژن ہے، جسے Hugging Face Hub میں دستیاب کیا گیا ہے، جسے کہا جاتا ہے۔ pegasus-xsum. یہ خلاصہ کے لیے پہلے سے ہی تربیت یافتہ ہے، اس لیے ہمارا فائن ٹیوننگ عمل اس کے ڈومین کے علم کو بڑھانے پر توجہ دے سکتا ہے۔ ہمارا ماڈل جس کام کو چلاتا ہے اس میں ترمیم کرنا ایک مختلف قسم کی فائن ٹیوننگ ہے جس کا اس پوسٹ میں احاطہ نہیں کیا گیا ہے۔ ٹرانسفارمر لائبریری ہمیں اپنے سے ماڈل کی تعریف لوڈ کرنے کے لیے ایک کلاس فراہم کرتی ہے۔ model_checkpoint: google/pegasus-xsum
. یہ ماڈل کو حب سے لوڈ کر دے گا اور اسے ہماری نوٹ بک میں فوری کر دے گا تاکہ ہم اسے بعد میں استعمال کر سکیں۔ کیونکہ pegasus-xsum
ایک ترتیب سے ترتیب والا ماڈل ہے، ہم Seq2Seq کی قسم استعمال کرنا چاہتے ہیں آٹو ماڈل کلاس:
اب جب کہ ہمارے پاس اپنا ماڈل ہے، اب وقت آگیا ہے کہ ہم اپنی توجہ دوسرے اجزاء کی طرف مبذول کریں جو ہمیں اپنے ٹریننگ لوپ کو چلانے کے قابل بنائیں گے۔
ٹوکنائزر بنائیں
ان اجزاء میں سے پہلا ٹوکنائزر ہے۔ ٹوکن بنانا وہ عمل ہے جس کے ذریعے ان پٹ ڈیٹا کے الفاظ عددی نمائندگی میں تبدیل ہو جاتے ہیں جنہیں ہمارا ماڈل سمجھ سکتا ہے۔ ایک بار پھر، ٹرانسفارمر لائبریری ہمیں اسی چوکی سے ٹوکنائزر کی تعریف لوڈ کرنے کے لیے ایک کلاس فراہم کرتی ہے جسے ہم ماڈل کو انسٹینٹیٹ کرنے کے لیے استعمال کرتے تھے:
اس ٹوکنائزر آبجیکٹ کے ساتھ، ہم ایک پری پروسیسنگ فنکشن بنا سکتے ہیں اور اسے اپنے ڈیٹاسیٹ پر نقشہ بنا سکتے ہیں تاکہ ہمیں ماڈل میں فیڈ کیے جانے کے لیے تیار ٹوکن دے سکیں۔ آخر میں، ہم ٹوکنائزڈ آؤٹ پٹ کو فارمیٹ کرتے ہیں اور اپنے اصل متن والے کالموں کو ہٹا دیتے ہیں، کیونکہ ماڈل ان کی تشریح نہیں کر سکے گا۔ اب ہمارے پاس ایک ٹوکنائزڈ ان پٹ باقی ہے جو ماڈل میں کھلانے کے لیے تیار ہے۔ درج ذیل کوڈ دیکھیں:
ہمارے ڈیٹا کو ٹوکنائز کرنے اور ہمارے ماڈل کے فوری ہونے کے ساتھ، ہم ٹریننگ لوپ چلانے کے لیے تقریباً تیار ہیں۔ اگلے اجزاء جو ہم بنانا چاہتے ہیں وہ ہیں ڈیٹا کولیٹر اور آپٹیمائزر۔ ڈیٹا کولیٹر ٹرانسفارمرز لائبریری کے ذریعے Hugging Face کے ذریعے فراہم کردہ ایک اور کلاس ہے، جسے ہم تربیت کے لیے اپنے ٹوکنائزڈ ڈیٹا کے بیچز بنانے کے لیے استعمال کرتے ہیں۔ ہم اپنے پاس پہلے سے موجود ٹوکنائزر اور ماڈل آبجیکٹ کا استعمال کرتے ہوئے آسانی سے اس کی تعمیر کر سکتے ہیں صرف اسی کلاس کی قسم کو تلاش کر کے جو ہم پہلے اپنے ماڈل (Seq2Seq) کے لیے کولیٹر کلاس کے لیے استعمال کر چکے ہیں۔ اصلاح کار کا کام تربیت کی حالت کو برقرار رکھنا اور ہمارے تربیتی نقصان کی بنیاد پر پیرامیٹرز کو اپ ڈیٹ کرنا ہے جب ہم لوپ کے ذریعے کام کرتے ہیں۔ ایک اصلاح کار بنانے کے لیے، ہم درآمد کر سکتے ہیں۔ بہترین ٹارچ ماڈیول سے پیکیج، جہاں متعدد اصلاحی الگورتھم دستیاب ہیں۔ کچھ عام جن کا آپ نے پہلے سامنا کیا ہو گا وہ ہیں Stochastic Gradient Descent اور آدم، جس کا مؤخر الذکر ہماری مثال میں لاگو ہوتا ہے۔ ایڈم کا کنسٹرکٹر دی گئی ٹریننگ چلانے کے لیے ماڈل پیرامیٹرز اور پیرامیٹرائزڈ لرننگ ریٹ لیتا ہے۔ درج ذیل کوڈ دیکھیں:
تربیت شروع کرنے سے پہلے آخری مراحل ہیں ایکسلریٹر اور لرننگ ریٹ شیڈیولر بنانا۔ ایکسلریٹر ایک مختلف لائبریری سے آتا ہے (ہم بنیادی طور پر ٹرانسفارمرز استعمال کرتے رہے ہیں) جسے Hugging Face نے تیار کیا ہے، جسے Accelerate کا مناسب طور پر نام دیا گیا ہے، اور تربیت کے دوران آلات کو منظم کرنے کے لیے درکار منطق کو ختم کر دے گا (مثال کے طور پر متعدد GPUs کا استعمال کرتے ہوئے)۔ حتمی جز کے لیے، ہم اپنے سیکھنے کی شرح کے شیڈولر کو لاگو کرنے کے لیے ہمیشہ کارآمد ٹرانسفارمرز لائبریری کا جائزہ لیتے ہیں۔ شیڈیولر کی قسم، ہمارے لوپ میں تربیتی مراحل کی کل تعداد، اور پہلے بنائے گئے آپٹیمائزر کی وضاحت کرکے، get_scheduler
فنکشن ایک ایسی چیز کو واپس کرتا ہے جو ہمیں تربیتی عمل کے دوران اپنی ابتدائی سیکھنے کی شرح کو ایڈجسٹ کرنے کے قابل بناتا ہے:
اب ہم تربیت کے لیے مکمل طور پر تیار ہیں! آئیے ایک تربیتی کام مرتب کرتے ہیں، شروع کرتے ہیں training_args ٹرانسفارمرز لائبریری کا استعمال کرتے ہوئے اور پیرامیٹر کی اقدار کا انتخاب کرنا۔ ہم اپنے دوسرے تیار کردہ اجزاء اور ڈیٹاسیٹ کے ساتھ براہ راست ان کو منتقل کر سکتے ہیں۔ ٹرینر اور تربیت شروع کریں، جیسا کہ درج ذیل کوڈ میں دکھایا گیا ہے۔ آپ کے ڈیٹاسیٹ کے سائز اور منتخب کردہ پیرامیٹرز پر منحصر ہے، اس میں کافی وقت لگ سکتا ہے۔
اندازہ لگانے کے لیے ماڈل کو پیک کریں۔
ٹریننگ چلانے کے بعد، ماڈل آبجیکٹ تخمینہ کے لیے استعمال کرنے کے لیے تیار ہے۔ ایک بہترین عمل کے طور پر، آئیے اپنے کام کو مستقبل کے استعمال کے لیے محفوظ کریں۔ ہمیں اپنے ماڈل نمونے بنانے، انہیں ایک ساتھ زپ کرنے، اور اسٹوریج کے لیے اپنے ٹربال کو Amazon S3 پر اپ لوڈ کرنے کی ضرورت ہے۔ اپنے ماڈل کو زپ کرنے کے لیے تیار کرنے کے لیے، ہمیں اب فائن ٹیون شدہ ماڈل کو کھولنا ہوگا، پھر ماڈل بائنری اور متعلقہ کنفگ فائلوں کو محفوظ کرنا ہوگا۔ ہمیں اپنے ٹوکنائزر کو بھی اسی ڈائرکٹری میں محفوظ کرنے کی ضرورت ہے جس میں ہم نے اپنے ماڈل کے نمونے محفوظ کیے تھے تاکہ یہ دستیاب ہو جب ہم اندازہ کے لیے ماڈل کا استعمال کریں۔ ہماری model_dir
فولڈر کو اب درج ذیل کوڈ کی طرح کچھ نظر آنا چاہئے:
بس ہماری ڈائرکٹری کو زپ کرنے کے لیے ٹار کمانڈ چلانا اور tar.gz فائل کو Amazon S3 پر اپ لوڈ کرنا باقی ہے:
ہمارا نیا ٹھیک ٹیون ماڈل اب تیار ہے اور اندازہ لگانے کے لیے استعمال کے لیے دستیاب ہے۔
اندازہ لگانا
اس ماڈل کے نمونے کو استنباط کے لیے استعمال کرنے کے لیے، ایک نئی فائل کھولیں اور درج ذیل کوڈ کو استعمال کریں۔ model_data
ایمیزون S3 میں آپ کے نمونے کے محفوظ مقام کو فٹ کرنے کے لیے پیرامیٹر۔ دی HuggingFaceModel
کنسٹرکٹر ہمارے ماڈل کو چیک پوائنٹ سے دوبارہ بنائے گا جس میں ہم نے محفوظ کیا تھا۔ model.tar.gz
، جسے ہم پھر deploy طریقہ کا استعمال کرتے ہوئے اندازہ لگانے کے لیے تعینات کر سکتے ہیں۔ اختتامی نقطہ کی تعیناتی میں چند منٹ لگیں گے۔
اختتامی نقطہ کے تعینات ہونے کے بعد، ہم اسے جانچنے کے لیے جو پیشین گوئی ہم نے بنایا ہے اسے استعمال کر سکتے ہیں۔ پاس کریں۔ predict
ڈیٹا پے لوڈ کا طریقہ بنائیں اور سیل کو چلائیں، اور آپ کو اپنے عمدہ ماڈل سے جواب ملے گا:
ایک ماڈل کو ٹھیک کرنے کا فائدہ دیکھنے کے لیے، آئیے ایک فوری ٹیسٹ کرتے ہیں۔ درج ذیل جدول میں ایک پرامپٹ اور اس پرامپٹ کو ماڈل کو فائن ٹیوننگ سے پہلے اور بعد میں منتقل کرنے کے نتائج شامل ہیں۔
فوری طور پر | کوئی فائن ٹیوننگ کے ساتھ جواب | فائن ٹیوننگ کے ساتھ جواب دیں۔ |
ان علامات کا خلاصہ کریں جن کا مریض کو سامنا ہے۔ مریض ایک 45 سالہ مرد ہے جس کے سینے میں درد کی شکایت بائیں بازو تک پھیلتی ہے۔ درد اس وقت اچانک شروع ہوتا ہے جب وہ صحن کا کام کر رہا تھا، اس کا تعلق سانس کی ہلکی تکلیف اور ڈائیفورسس سے ہے۔ آمد پر مریض کے دل کی دھڑکن 120، سانس کی شرح 24، بلڈ پریشر 170/95 تھا۔ ایمرجنسی ڈیپارٹمنٹ پہنچنے پر 12 لیڈ الیکٹرو کارڈیوگرام کیے گئے اور سینے کے درد سے نجات کے بغیر تین ذیلی لسانی نائٹروگلسرین دی گئیں۔ الیکٹروکارڈیوگرام پچھلے لیڈز میں ایس ٹی کی بلندی کو ظاہر کرتا ہے جو شدید پچھلے مایوکارڈیل انفکشن کو ظاہر کرتا ہے۔ ہم نے کارڈیک کیتھیٹرائزیشن لیب سے رابطہ کیا ہے اور کارڈیالوجسٹ کے ذریعے کارڈیک کیتھیٹرائزیشن کی تیاری کر رہے ہیں۔ | ہم ایکیوٹ مایوکارڈیل انفکشن کا کیس پیش کرتے ہیں۔ | سینے میں درد، پچھلے MI، PCI. |
جیسا کہ آپ دیکھ سکتے ہیں، ہمارا عمدہ ماڈل صحت کی اصطلاحات کو مختلف طریقے سے استعمال کرتا ہے، اور ہم اپنے مقاصد کے مطابق ہونے کے لیے ردعمل کی ساخت کو تبدیل کرنے میں کامیاب رہے ہیں۔ نوٹ کریں کہ نتائج آپ کے ڈیٹاسیٹ اور تربیت کے دوران کیے گئے ڈیزائن کے انتخاب پر منحصر ہیں۔ ماڈل کا آپ کا ورژن بہت مختلف نتائج پیش کر سکتا ہے۔
صاف کرو
جب آپ اپنی SageMaker نوٹ بک کے ساتھ کام ختم کر لیں تو طویل عرصے سے چلنے والے وسائل کے اخراجات سے بچنے کے لیے اسے بند کرنا یقینی بنائیں۔ نوٹ کریں کہ مثال کو بند کرنے سے آپ مثال کی عارضی میموری میں ذخیرہ کردہ تمام ڈیٹا کو کھو دیں گے، لہذا آپ کو صاف کرنے سے پہلے اپنے تمام کام کو مستقل اسٹوریج میں محفوظ کرنا چاہیے۔ آپ کو بھی جانا پڑے گا۔ اختتامی نکات سیج میکر کنسول پر صفحہ پر جائیں اور کسی بھی اختتامی نقطے کو حذف کر دیں جو اندازہ لگانے کے لیے لگائے گئے ہیں۔ تمام نمونے ہٹانے کے لیے، آپ کو اپنی بالٹی پر اپ لوڈ کی گئی فائلوں کو حذف کرنے کے لیے Amazon S3 کنسول پر بھی جانا ہوگا۔
نتیجہ
اس پوسٹ میں، ہم نے SageMaker پر متن کے خلاصے کی تکنیکوں کو لاگو کرنے کے لیے مختلف آپشنز کی تلاش کی تاکہ صحت کی دیکھ بھال کرنے والے پیشہ ور افراد کو کلینکل ڈیٹا کی وسیع مقدار سے بصیرت کو مؤثر طریقے سے پروسیس کرنے اور نکالنے میں مدد ملے۔ ہم نے سیج میکر جمپ سٹارٹ فاؤنڈیشن ماڈلز، ہیگنگ فیس سے پہلے سے تربیت یافتہ ماڈلز کو ٹھیک کرنے، اور حسب ضرورت سمریائزیشن ماڈلز بنانے پر تبادلہ خیال کیا۔ ہر نقطہ نظر کے اپنے فوائد اور خرابیاں ہیں، مختلف ضروریات اور تقاضوں کو پورا کرنا۔
SageMaker پر حسب ضرورت سمریائزیشن ماڈلز بنانا بہت زیادہ لچک اور کنٹرول کی اجازت دیتا ہے لیکن پہلے سے تربیت یافتہ ماڈلز کے استعمال سے زیادہ وقت اور وسائل کی ضرورت ہوتی ہے۔ سیج میکر جمپ سٹارٹ فاؤنڈیشن ماڈل ان تنظیموں کے لیے استعمال میں آسان اور کم لاگت کا حل فراہم کرتے ہیں جن کے لیے مخصوص تخصیص یا فائن ٹیوننگ کی ضرورت نہیں ہوتی، نیز آسان فائن ٹیوننگ کے لیے کچھ اختیارات۔ Hugging Face سے پہلے سے تربیت یافتہ ماڈلز تیز تر تربیت کے اوقات، بہتر ڈومین مخصوص کارکردگی، اور ماڈلز کے وسیع کیٹلاگ میں SageMaker ٹولز اور خدمات کے ساتھ ہموار انضمام پیش کرتے ہیں، لیکن اس پر عمل درآمد کی کچھ کوششوں کی ضرورت ہوتی ہے۔ اس پوسٹ کو لکھنے کے وقت، ایمیزون نے ایک اور آپشن کا اعلان کیا ہے، ایمیزون بیڈرک، جو ایک اور بھی زیادہ منظم ماحول میں خلاصہ کی صلاحیتیں پیش کرے گا۔
ہر نقطہ نظر کے فائدے اور نقصانات کو سمجھ کر، صحت کی دیکھ بھال کے پیشہ ور افراد اور تنظیمیں پیچیدہ طبی ڈیٹا کے جامع اور درست خلاصے پیدا کرنے کے لیے موزوں ترین حل پر باخبر فیصلے کر سکتی ہیں۔ بالآخر، SageMaker پر AI/ML پر مبنی خلاصہ ماڈلز کا استعمال طبی پیشہ ور افراد کو متعلقہ معلومات تک فوری رسائی اور معیاری دیکھ بھال فراہم کرنے پر توجہ مرکوز کرنے کے قابل بنا کر مریضوں کی دیکھ بھال اور فیصلہ سازی کو نمایاں طور پر بڑھا سکتا ہے۔
وسائل
اس پوسٹ میں زیر بحث مکمل اسکرپٹ اور کچھ نمونے کے اعداد و شمار کے لیے، ملاحظہ کریں۔ GitHub repo. AWS پر ML ورک لوڈز چلانے کے طریقے کے بارے میں مزید معلومات کے لیے، درج ذیل وسائل دیکھیں:
مصنفین کے بارے میں
کوڈی کولنز ایمیزون ویب سروسز میں نیویارک میں مقیم سولیوشن آرکیٹیکٹ ہے۔ وہ ISV صارفین کے ساتھ مل کر کلاؤڈ میں صنعت کے معروف حل تیار کرنے کے لیے کام کرتا ہے۔ اس نے مختلف صنعتوں کے لیے پیچیدہ پروجیکٹس کو کامیابی کے ساتھ پیش کیا ہے، کارکردگی اور اسکیل ایبلٹی کو بہتر بنایا ہے۔ اپنے فارغ وقت میں، وہ جیو جِتسو کو پڑھنے، سفر کرنے اور تربیت سے لطف اندوز ہوتا ہے۔
امیر حکیم پنسلوانیا میں رہنے والا AWS سلوشنز آرکیٹیکٹ ہے۔ اس کی پیشہ ورانہ توجہ میں پورے شمال مشرق میں آزاد سافٹ ویئر فروشوں کے ساتھ تعاون کرنا، AWS کلاؤڈ پر توسیع پذیر، جدید ترین پلیٹ فارمز کی ڈیزائننگ اور تعمیر میں رہنمائی کرنا شامل ہے۔
- SEO سے چلنے والا مواد اور PR کی تقسیم۔ آج ہی بڑھا دیں۔
- پلیٹو ڈیٹا ڈاٹ نیٹ ورک ورٹیکل جنریٹو اے آئی۔ اپنے آپ کو بااختیار بنائیں۔ یہاں تک رسائی حاصل کریں۔
- پلیٹوآئ اسٹریم۔ ویب 3 انٹیلی جنس۔ علم میں اضافہ۔ یہاں تک رسائی حاصل کریں۔
- پلیٹو ای ایس جی۔ آٹوموٹو / ای وی، کاربن، کلین ٹیک، توانائی ، ماحولیات، شمسی، ویسٹ مینجمنٹ یہاں تک رسائی حاصل کریں۔
- بلاک آفسیٹس۔ ماحولیاتی آفسیٹ ملکیت کو جدید بنانا۔ یہاں تک رسائی حاصل کریں۔
- ماخذ: https://aws.amazon.com/blogs/machine-learning/exploring-summarization-options-for-healthcare-with-amazon-sagemaker/
- : ہے
- : ہے
- : نہیں
- :کہاں
- $UP
- 1
- 10
- 100
- 12
- 14
- 15٪
- 24
- 33
- 7
- 8
- 9
- a
- قابلیت
- ہمارے بارے میں
- خلاصہ
- رفتار کو تیز تر
- مسرع
- تک رسائی حاصل
- اکاؤنٹ
- درست
- کے پار
- اعمال
- آدم
- خطاب کرتے ہوئے
- انتظامیہ
- اعلی درجے کی
- فوائد
- کے بعد
- پھر
- مجموعی
- AI
- عی تحقیق
- AI / ML
- یلگوردمز
- تمام
- اجازت دے رہا ہے
- کی اجازت دیتا ہے
- ساتھ
- پہلے ہی
- بھی
- ایمیزون
- ایمیزون سیج میکر
- ایمیزون ویب سروسز
- رقم
- مقدار
- an
- تجزیے
- اور
- کا اعلان کیا ہے
- ایک اور
- کوئی بھی
- اے پی آئی
- APIs
- قابل اطلاق
- ایپلی کیشنز
- اطلاقی
- نقطہ نظر
- نقطہ نظر
- مناسب
- فن تعمیر
- کیا
- بازو
- آمد
- مضمون
- AS
- منسلک
- At
- توجہ
- خودکار
- دستیاب
- سے اجتناب
- دور
- AWS
- توازن
- کی بنیاد پر
- BE
- کیونکہ
- رہا
- اس سے پہلے
- شروع کریں
- فائدہ
- فوائد
- BEST
- بہتر
- بن
- خون
- بلڈ پریشر
- بلوم
- باکس
- سانس
- وسیع
- تعمیر
- بلڈرز
- عمارت
- تعمیر
- تعمیر میں
- لیکن
- by
- فون
- کہا جاتا ہے
- کر سکتے ہیں
- صلاحیتوں
- پرواہ
- احتیاط سے
- کیس
- مقدمات
- کیٹلوگ
- کیونکہ
- چیلنجوں
- تبدیل
- چیٹ بٹس
- انتخاب
- میں سے انتخاب کریں
- منتخب کریں
- منتخب کیا
- طبقے
- کلینکل
- بادل
- کوڈ
- کوڈ
- کوڈنگ
- تعاون
- کالم
- کالم
- کس طرح
- آتا ہے
- کامن
- مقابلے میں
- شکایات
- پیچیدہ
- تعمیل
- جزو
- اجزاء
- پر مشتمل
- جامع
- ترتیب
- خامیاں
- کنسول
- تعمیر
- سیاق و سباق
- کنٹرول
- آسان
- اسی کے مطابق
- سرمایہ کاری مؤثر
- اخراجات
- سکتا ہے
- احاطہ کرتا ہے
- تخلیق
- بنائی
- تخلیق
- اہم
- اس وقت
- اپنی مرضی کے
- گاہک
- گاہکوں
- اصلاح
- اعداد و شمار
- ڈیٹاسیٹس
- فیصلہ کرنا
- فیصلے
- تعریف
- ڈیلیور
- مظاہرین
- شعبہ
- انحصار
- منحصر ہے
- تعیناتی
- تعینات
- تعینات
- تعیناتی
- ڈیزائن
- ڈیزائن
- ڈیزائننگ
- مطلوبہ
- تفصیلات
- ترقی یافتہ
- کے الات
- مختلف
- براہ راست
- دریافت
- بات چیت
- بات چیت
- متنوع
- do
- ڈاکٹروں
- کر
- ڈومین
- ڈومینز
- کیا
- نہیں
- نیچے
- خرابیاں
- کے دوران
- ہر ایک
- آسان
- آسانی سے
- آسان
- استعمال میں آسان
- مؤثر طریقے
- کارکردگی
- ہنر
- مؤثر طریقے سے
- کوشش
- الیکٹرانک
- الیکٹرانک صحت کے ریکارڈ
- اہلیت
- ایمرجنسی
- کو چالو کرنے کے
- کے قابل بناتا ہے
- کو فعال کرنا
- اختتام پوائنٹ
- انجنیئرنگ
- بڑھانے کے
- کو یقینی بنانے کے
- انٹرپرائز
- اندراج
- ماحولیات
- عہد
- ضروری
- بھی
- تیار ہوتا ہے
- مثال کے طور پر
- موجودہ
- تجربہ
- تجربہ کرنا
- تلاش
- وضاحت کی
- ایکسپلور
- توسیع
- نکالنے
- چہرہ
- سامنا
- دور
- تیز تر
- فیڈ
- چند
- فائل
- فائلوں
- فائنل
- آخر
- مل
- تلاش
- پہلا
- فٹ
- لچک
- توجہ مرکوز
- پر عمل کریں
- کے بعد
- کے لئے
- فارمیٹ
- فاؤنڈیشن
- سے
- مکمل
- مکمل طور پر
- تقریب
- مزید برآں
- مستقبل
- حاصل کرنا
- جنرل
- پیدا
- پیدا
- پیدا کرنے والے
- حاصل
- حاصل کرنے
- دے دو
- دی
- دے
- Go
- گوگل
- GPUs
- عظیم
- زیادہ سے زیادہ
- بات کی ضمانت
- ہے
- he
- صحت
- صحت کی دیکھ بھال
- ہارٹ
- مدد
- ان
- ہوسٹنگ
- کس طرح
- کیسے
- HTML
- HTTP
- HTTPS
- حب
- گلے لگانے والا چہرہ
- مثالی
- if
- امیجنگ
- پر عملدرآمد
- نفاذ
- پر عمل درآمد
- درآمد
- اہم
- کو بہتر بنانے کے
- in
- میں گہرائی
- شامل
- شامل ہیں
- سمیت
- آزاد
- صنعتوں
- صنعت
- معلومات
- مطلع
- ابتدائی
- ان پٹ
- آدانوں
- بصیرت
- مثال کے طور پر
- ہدایات
- انضمام
- انٹیلی جنس
- میں
- شامل
- IT
- میں
- ایوب
- JSON
- صرف
- جان
- علم
- لیب
- لیبز
- زمین کی تزئین کی
- زبان
- بڑے
- آخری
- بعد
- قیادت
- معروف
- لیڈز
- جانیں
- سیکھنے
- چھوڑ دیا
- لائبریری
- کی طرح
- ایل ایل ایم
- لوڈ
- لوڈ کر رہا ہے
- محل وقوع
- منطق
- دیکھو
- کھو
- بند
- مشین
- مشین لرننگ
- بنا
- برقرار رکھنے کے
- بنا
- بنانا
- انتظام
- میں کامیاب
- انتظام
- نقشہ
- مارکیٹنگ
- مئی..
- مطلب
- طبی
- سے ملو
- یاد داشت
- کے ساتھ
- طریقہ
- شاید
- کم سے کم
- منٹ
- ML
- ماڈل
- ماڈل
- ماڈیول
- زیادہ
- سب سے زیادہ
- سب سے زیادہ مقبول
- ایک سے زیادہ
- نامزد
- قدرتی
- قدرتی زبان عملیات
- تشریف لے جائیں
- ضرورت ہے
- ضروریات
- نئی
- NY
- نیا
- اگلے
- ویزا
- نہیں
- نوٹ بک
- نوٹس
- اب
- تعداد
- اعتراض
- اشیاء
- of
- پیش کرتے ہیں
- کی پیشکش کی
- تجویز
- پرانا
- on
- ایک
- والوں
- آغاز
- پر
- کھول
- اوپن سورس
- کام
- اصلاح کے
- کی اصلاح کریں
- اصلاح
- اصلاح
- اختیار
- آپشنز کے بھی
- or
- حکم
- تنظیمیں
- اصل
- دیگر
- دوسری صورت میں
- ہمارے
- باہر
- پیداوار
- باہر
- پر
- خود
- ملکیت
- پیکج
- پیکیجنگ
- صفحہ
- درد
- پیرامیٹر
- پیرامیٹرز
- خاص طور پر
- منظور
- پاسنگ
- مریض
- مریضوں
- Pegasus کے
- پنسلوانیا
- کارکردگی
- متعلق
- جملے
- پلیٹ فارم
- پلیٹ فارم
- پلاٹا
- افلاطون ڈیٹا انٹیلی جنس
- پلیٹو ڈیٹا
- پوائنٹ
- مقبول
- پوسٹ
- طاقتور
- طاقتور
- پریکٹس
- پیش گو
- کو ترجیح دیتے ہیں
- تیار
- تیار
- حال (-)
- دباؤ
- پیش نظارہ
- پہلے
- بنیادی طور پر
- عمل
- عمل
- پروسیسنگ
- تیار
- پیشہ ورانہ
- پیشہ ور ماہرین
- منصوبوں
- وعدہ
- ملکیت
- پیشہ
- فراہم
- فراہم
- فراہم کرتا ہے
- فراہم کرنے
- پراجیکٹ
- مقصد
- مقاصد
- ڈال
- ازگر
- معیار
- فوری
- جلدی سے
- رینج
- میں تیزی سے
- شرح
- پڑھنا
- تیار
- حقیقی دنیا
- ریکارڈ
- متعلقہ
- ریلیف
- ہٹا
- رپورٹیں
- کی ضرورت
- ضرورت
- ضروریات
- کی ضرورت ہے
- تحقیق
- وسائل
- جواب
- نتائج کی نمائش
- واپسی
- کا جائزہ لینے کے
- کردار
- رن
- چل رہا ہے
- چلتا ہے
- sagemaker
- اسی
- محفوظ کریں
- اسکیل ایبلٹی
- توسیع پذیر
- گنجائش
- فیرنا
- sdk
- sdks
- ہموار
- سیکشنز
- سیکورٹی
- دیکھنا
- علیحدہ
- سروس
- سروسز
- مقرر
- قائم کرنے
- ترتیبات
- کئی
- قصر
- ہونا چاہئے
- دکھائیں
- دکھایا گیا
- شوز
- کواڑ بند کرنے
- سیفٹ
- اہم
- نمایاں طور پر
- اسی طرح
- سادہ
- آسان
- سائز
- So
- اب تک
- سافٹ ویئر کی
- حل
- حل
- کچھ
- کچھ
- ذرائع
- مخصوص
- خاص طور پر
- خرچ
- شروع کریں
- شروع
- حالت
- ریاستی آرٹ
- مراحل
- ذخیرہ
- ذخیرہ
- ذخیرہ
- ذخیرہ کرنے
- منظم
- ساخت
- سٹوڈیو
- sublingual
- کامیابی کے ساتھ
- اس طرح
- اچانک
- سوٹ
- موزوں
- خلاصہ
- اس بات کا یقین
- علامات
- خلاصہ
- مصنوعی
- مصنوعی ڈیٹا
- سسٹمز
- ٹیبل
- لے لو
- لیا
- لیتا ہے
- ٹاسک
- کاموں
- تکنیک
- اصطلاحات۔
- شرائط
- ٹیسٹ
- سے
- کہ
- ۔
- مرکز
- ان
- تو
- یہ
- وہ
- اس
- ان
- تین
- کے ذریعے
- بھر میں
- وقت
- وقت لگتا
- اوقات
- کرنے کے لئے
- آج کا
- مل کر
- ٹوکن
- ٹوکن
- اوزار
- مشعل
- کل
- ٹرین
- تربیت یافتہ
- ٹریننگ
- تبدیل
- ٹرانسفارمر
- ٹرانسفارمرز
- سفر
- دو
- قسم
- اقسام
- عام طور پر
- ui
- آخر میں
- قابل نہیں
- کے تحت
- سمجھ
- افہام و تفہیم
- اپ ڈیٹ کریں
- اپ لوڈ کردہ
- us
- استعمال کی شرائط
- استعمال کیس
- استعمال کیا جاتا ہے
- صارف دوست
- استعمال
- کا استعمال کرتے ہوئے
- استعمال کرنا۔
- توثیق
- اقدار
- مختلف
- وسیع
- دکانداروں
- ورسٹائل
- ورژن
- بہت
- جلد
- چاہتے ہیں
- تھا
- we
- ویلتھ
- ویب
- ویب خدمات
- وزن
- اچھا ہے
- کیا
- جب
- جس
- جبکہ
- وسیع
- وسیع رینج
- گے
- ساتھ
- بغیر
- الفاظ
- کام
- کام کر
- کام کرتا ہے
- گا
- تحریری طور پر
- سال
- یارک
- تم
- اور
- زیفیرنیٹ
- زپ