دستاویز پروسیسنگ کیا ہے؟
دستاویز پروسیسنگ دستاویزات سے ساختی ڈیٹا کو خودکار بنانے کا عمل ہے۔ یہ کسی بھی دستاویز کے لیے ہو سکتا ہے، جیسے کہ انوائس، ریزیومے، شناختی کارڈز وغیرہ۔ یہاں چیلنج کرنے والا حصہ صرف OCR نہیں ہے۔ کم قیمتوں پر بہت سارے اختیارات دستیاب ہیں جو متن کو نکال سکتے ہیں اور آپ کو مقام فراہم کرسکتے ہیں۔ اصل چیلنج متن کے ان ٹکڑوں کو درست اور خود بخود لیبل لگانا ہے۔
دستاویز پروسیسنگ کے کاروباری اثرات
کئی صنعتیں اپنے روزمرہ کے کاموں کے لیے دستاویزات کی پروسیسنگ پر بہت زیادہ انحصار کرتی ہیں۔ مالیاتی تنظیموں کو SEC فائلنگ، انشورنس فائلنگ تک رسائی کی ضرورت ہوتی ہے، کسی ای کامرس یا سپلائی چین کمپنی کو استعمال کی جا رہی رسیدوں تک رسائی کی ضرورت ہو سکتی ہے، فہرست جاری ہے۔ اس معلومات کی درستگی اتنی ہی اہم ہے جتنا کہ وقت بچایا جا رہا ہے، یہی وجہ ہے کہ ہم ہمیشہ گہرے سیکھنے کے جدید طریقے استعمال کرنے کی تجویز کرتے ہیں جو زیادہ عام اور زیادہ درست ہوں۔
PwC کی اس رپورٹ کے مطابق،لنکیہاں تک کہ سٹرکچرڈ ڈیٹا نکالنے کی سب سے ابتدائی رقم بھی پی ڈی ایف سے ڈیٹا کو دستی طور پر کاپی کرنے اور ایکسل اسپریڈ شیٹس کے لیے پیسٹ کرنے پر خرچ کیے گئے ملازمین کے 30-50% وقت کو بچانے میں مدد کر سکتی ہے۔ لے آؤٹ ایل ایم جیسے ماڈل یقینی طور پر ابتدائی نہیں ہیں، انہیں انتہائی ذہین ایجنٹوں کے طور پر بنایا گیا ہے جو مختلف استعمال کے معاملات میں پیمانے پر درست ڈیٹا نکالنے کی صلاحیت رکھتے ہیں۔ یہاں تک کہ ہمارے اپنے بہت سے صارفین کے ساتھ، ہم نے ڈیٹا کو دستی طور پر نکالنے کے لیے درکار وقت کو فی دستاویز 20 منٹ سے کم کر کے 10 سیکنڈ سے کم کر دیا ہے۔ یہ ایک بہت بڑی تبدیلی ہے، جس سے کارکنوں کو زیادہ پیداواری، اور مجموعی طور پر زیادہ تھرو پٹ کے لیے قابل بناتا ہے۔
تو لے آؤٹ ایل ایم سے ملتا جلتا AI کہاں لاگو کیا جا سکتا ہے؟ Nanonets میں، ہم نے اس طرح کی ٹیکنالوجی کا استعمال کیا ہے
اور بہت سے دوسرے استعمال کے معاملات۔
لے آؤٹ ایل ایم کیوں؟
ڈیپ لرننگ ماڈل یہ کیسے سمجھتا ہے کہ آیا متن کا دیا ہوا ٹکڑا انوائس میں آئٹم کی تفصیل ہے، یا انوائس نمبر؟ سیدھے الفاظ میں، ایک ماڈل کیسے سیکھتا ہے کہ لیبلز کو صحیح طریقے سے تفویض کرنا ہے؟
ایک طریقہ یہ ہے کہ BERT یا GPT-3 جیسے بڑے لینگویج ماڈل سے ٹیکسٹ ایمبیڈنگز کا استعمال کریں اور اسے کلاسیفائر کے ذریعے چلائیں - حالانکہ یہ زیادہ موثر نہیں ہے۔ ایسی بہت سی معلومات ہیں جن کا اندازہ صرف متن کے ذریعے نہیں لگایا جا سکتا۔ یا، کوئی تصویر پر مبنی معلومات کا استعمال کر سکتا ہے۔ یہ R-CNN اور تیز تر R-CNN ماڈلز کا استعمال کرکے حاصل کیا گیا۔ تاہم، یہ اب بھی دستاویزات میں دستیاب معلومات کو مکمل طور پر استعمال نہیں کرتا ہے۔ ایک اور نقطہ نظر استعمال کیا گیا گراف کنوولوشنل نیورل نیٹ ورکس کے ساتھ، جس میں مقامی اور متنی معلومات دونوں کو ملایا گیا، لیکن تصویری معلومات کو مدنظر نہیں رکھا گیا۔
تو ہم معلومات کے تینوں جہتوں کو کیسے استعمال کرتے ہیں، یعنی متن، تصویر اور دیے گئے متن کا مقام بھی؟ یہ وہ جگہ ہے جہاں لے آؤٹ ایل ایم جیسے ماڈل آتے ہیں۔ کئی سال پہلے تک تحقیق کا ایک فعال علاقہ ہونے کے باوجود، لے آؤٹ ایل ایم ان اولین ماڈلز میں سے ایک تھا جس نے ٹکڑوں کو یکجا کرکے ایک واحد ماڈل بنانے میں کامیابی حاصل کی جو مقام کی معلومات، متن پر مبنی معلومات، کا استعمال کرتے ہوئے لیبلنگ انجام دیتا ہے۔ اور تصویر کی معلومات بھی۔
لے آؤٹ ایل ایم ٹیوٹوریل
یہ مضمون فرض کرتا ہے کہ آپ سمجھتے ہیں کہ زبان کا ماڈل کیا ہے۔ اگر نہیں تو پریشان نہ ہوں، ہم نے اس پر بھی ایک مضمون لکھا! اگر آپ اس بارے میں مزید جاننا چاہتے ہیں کہ ٹرانسفارمر ماڈل کیا ہیں، اور کیا توجہ ہے، یہاں جے الامر کا ایک حیرت انگیز مضمون ہے۔.
یہ فرض کرتے ہوئے کہ ہم نے ان چیزوں کو راستے سے ہٹا دیا ہے، آئیے ٹیوٹوریل کے ساتھ شروع کرتے ہیں۔ ہم اصل لے آؤٹ ایل ایم کاغذ کو مرکزی حوالہ کے طور پر استعمال کریں گے۔
OCR ٹیکسٹ نکالنا
دستاویز کے ساتھ ہم سب سے پہلا کام دستاویز سے متن پر مبنی معلومات کو نکالنا اور ان کے متعلقہ مقامات کو تلاش کرنا ہے۔ مقام کے لحاظ سے، ہم کسی چیز کا حوالہ دیتے ہیں جسے 'باؤنڈنگ باکس' کہا جاتا ہے۔ باؤنڈنگ باکس ایک مستطیل ہے جو صفحہ پر متن کے ٹکڑے کو سمیٹتا ہے۔
زیادہ تر معاملات میں، یہ فرض کیا جاتا ہے کہ باؤنڈنگ باکس کی ابتداء اوپری بائیں کونے سے ہوتی ہے، اور یہ کہ مثبت x-axis اصل سے صفحہ کے دائیں طرف جاتا ہے، اور مثبت y-axis اصل سے صفحہ کے نیچے، ایک پکسل کے ساتھ پیمائش کی اکائی سمجھا جاتا ہے۔
زبان اور مقام ایمبیڈنگز
اگلا، ہم پانچ مختلف ایمبیڈنگ پرتوں کا استعمال کرتے ہیں۔ ایک، زبان سے متعلق معلومات کو انکوڈ کرنا ہے - یعنی ٹیکسٹ ایمبیڈنگز۔
دیگر چار مقام سرایت کے لیے مخصوص ہیں۔ یہ فرض کرتے ہوئے کہ ہم xmin، ymin، xmax اور ymax کی قدروں کو جانتے ہیں، ہم پورے باؤنڈنگ باکس کا تعین کر سکتے ہیں (اگر آپ اسے تصور نہیں کر سکتے ہیں، یہاں آپ کے لئے ایک لنک ہے). مقام کے لیے معلومات کو انکوڈ کرنے کے لیے یہ نقاط ان کی متعلقہ سرایت کرنے والی پرتوں سے گزرے ہیں۔
پانچ ایمبیڈنگز – ایک ٹیکسٹ کے لیے اور چار کوآرڈینیٹس کے لیے – اس کے بعد ایمبیڈنگ کی حتمی ویلیو بنانے کے لیے جوڑے جاتے ہیں جو لے آؤٹ ایل ایم سے گزری جاتی ہے۔ آؤٹ پٹ کو لے آؤٹ ایل ایم ایمبیڈنگ کہا جاتا ہے۔
امیج ایمبیڈنگز
ٹھیک ہے، اس لیے ہم نے متن اور مقام سے متعلق معلومات کو ان کے ایمبیڈنگز کو یکجا کرکے اور اسے زبان کے ماڈل سے گزار کر تلاش کرنے کا انتظام کیا ہے۔ اب ہم اس میں تصویر سے متعلق معلومات کو یکجا کرنے کے عمل کو کیسے دیکھتے ہیں؟
جبکہ متن اور ترتیب کی معلومات کو انکوڈ کیا جا رہا ہے، متوازی طور پر، ہم دستاویز سے متعلق متن کے علاقوں کو نکالنے کے لیے تیز R-CNN کا استعمال کرتے ہیں۔ تیز R-CNN ایک تصویری ماڈل ہے جو آبجیکٹ کا پتہ لگانے کے لیے استعمال ہوتا ہے۔ ہمارے معاملے میں، ہم اسے متن کے مختلف ٹکڑوں کا پتہ لگانے کے لیے استعمال کرتے ہیں (فرض کریں کہ ہر ایک جملہ ایک شے ہے) اور پھر تصویروں کے لیے سرایت پیدا کرنے میں مدد کے لیے مکمل طور پر منسلک پرت کے ذریعے منقسم تصاویر کو منتقل کرتے ہیں۔
لے آؤٹ ایل ایم ایمبیڈنگز کے ساتھ ساتھ امیج ایمبیڈنگز کو ایک حتمی ایمبیڈنگ بنانے کے لیے جوڑ دیا جاتا ہے، جسے پھر نیچے کی طرف پروسیسنگ کرنے کے لیے استعمال کیا جا سکتا ہے۔
پری ٹریننگ لے آؤٹ ایل ایم
مندرجہ بالا سب کچھ تب ہی معنی رکھتا ہے جب ہم اس طریقہ کو سمجھیں جس میں LayoutLM کو تربیت دی گئی تھی۔ بہر حال، اس بات سے کوئی فرق نہیں پڑتا ہے کہ ہم کسی عصبی نیٹ ورک میں کس قسم کے کنکشن قائم کرتے ہیں، جب تک کہ اسے صحیح سیکھنے کے مقصد کے ساتھ تربیت نہ دی جائے، یہ زیادہ ہوشیار نہیں ہے۔ LayoutLM کے مصنفین ایک ایسا طریقہ اختیار کرنا چاہتے تھے جو BERT سے پہلے کی تربیت کے لیے استعمال کیا جاتا تھا۔
نقاب پوش بصری زبان کا ماڈل (MVLM)
ماڈل کو یہ جاننے میں مدد کرنے کے لیے کہ کسی مخصوص جگہ پر کون سا متن ہو سکتا ہے، مصنفین نے مقام سے متعلق معلومات اور سرایت کو برقرار رکھتے ہوئے متن کے چند ٹوکنز کو تصادفی طور پر نقاب پوش کر دیا۔ اس نے LayoutLM کو سادہ ماسکڈ لینگویج ماڈلنگ سے آگے بڑھنے کے قابل بنایا، اور متن کی سرایت کو مقام سے متعلق طریقوں کے ساتھ منسلک کرنے میں بھی مدد کی۔
ملٹی لیبل دستاویز کی درجہ بندی (MDC)
دستاویز میں موجود تمام معلومات کو زمروں میں درجہ بندی کرنے کے لیے استعمال کرنے سے ماڈل کو یہ سمجھنے میں مدد ملتی ہے کہ دستاویزات کے مخصوص طبقے سے کون سی معلومات متعلقہ ہے۔ تاہم، مصنفین نوٹ کرتے ہیں کہ بڑے ڈیٹاسیٹس کے لیے، دستاویز کی کلاسوں کا ڈیٹا آسانی سے دستیاب نہیں ہوسکتا ہے۔ لہٰذا، انہوں نے صرف MVLM ٹریننگ، اور MVLM + MDC ٹریننگ دونوں کی بنیاد پر نتائج فراہم کیے ہیں۔
ڈاؤن اسٹریم ٹاسکس کے لیے فائن ٹیوننگ لے آؤٹ ایل ایم
بہت سے نیچے کی دھارے والے کام ہیں جنہیں لے آؤٹ ایل ایم کے ساتھ انجام دیا جا سکتا ہے۔ ہم ان پر تبادلہ خیال کریں گے جو مصنفین نے انجام دیئے ہیں۔
فارم کی تفہیم
اس کام میں لیبل کی قسم کو متن کے دیئے گئے ٹکڑے سے جوڑنا شامل ہے۔ اس کا استعمال کرتے ہوئے، ہم کسی بھی قسم کی دستاویز سے سٹرکچرڈ ڈیٹا نکال سکتے ہیں۔ حتمی آؤٹ پٹ کو دیکھتے ہوئے، یعنی LayouLM ایمبیڈنگز + امیج ایمبیڈنگز، وہ مکمل طور پر منسلک پرت سے گزرے ہیں اور پھر ایک سافٹ میکس سے گزرے ہیں تاکہ متن کے دیئے گئے ٹکڑے کے لیبل کے لیے کلاس کے امکانات کا اندازہ لگایا جا سکے۔
رسید سمجھنا
اس کام میں، معلومات کے کئی سلاٹس کو رسیدوں پر خالی چھوڑ دیا گیا تھا، اور ماڈل کو متن کے ٹکڑوں کو ان کے متعلقہ سلاٹس پر درست طریقے سے رکھنا تھا۔
دستاویز کی تصویر کی درجہ بندی
دستاویز کے متن اور تصویر سے حاصل کردہ معلومات کو صرف ایک سافٹ میکس پرت سے گزر کر دستاویز کی کلاس کو سمجھنے میں مدد کے لیے ملایا جاتا ہے۔
Huggingface لے آؤٹLM
لے آؤٹ ایل ایم پر بہت زیادہ بحث ہونے کی ایک اہم وجہ یہ ہے کہ ماڈل کچھ عرصہ پہلے اوپن سورس کیا گیا تھا۔ یہ ہے گلے لگانے والے چہرے پر دستیاب ہے۔، لہذا لے آؤٹ ایل ایم کا استعمال اب نمایاں طور پر آسان ہے۔
اس سے پہلے کہ ہم اس بات کی تفصیلات میں غوطہ لگائیں کہ آپ کس طرح اپنی ضروریات کے لیے LayoutLM کو ٹھیک کر سکتے ہیں، غور کرنے کے لیے چند چیزیں ہیں۔
لائبریریوں کی تنصیب
LayoutLM کو چلانے کے لیے، آپ کو Hugging Face سے ٹرانسفارمرز لائبریری کی ضرورت ہوگی، جو بدلے میں PyTorch لائبریری پر منحصر ہے۔ ان کو انسٹال کرنے کے لیے (اگر پہلے سے انسٹال نہیں ہے)، درج ذیل کمانڈز چلائیں۔
باؤنڈنگ بکس پر
تصویر کے سائز سے قطع نظر یونیفارم ایمبیڈنگ اسکیم بنانے کے لیے، باؤنڈنگ باکس کوآرڈینیٹس 1000 کے پیمانے پر نارمل کیے جاتے ہیں۔
ترتیب
transformers.LayoutLMConfig کلاس کا استعمال کرتے ہوئے، آپ اپنی ضروریات کے مطابق ماڈل کا سائز سیٹ کر سکتے ہیں، کیونکہ یہ ماڈل عام طور پر بھاری ہوتے ہیں اور ان کو کمپیوٹ پاور کی ضرورت ہوتی ہے۔ اسے چھوٹے ماڈل پر سیٹ کرنے سے آپ کو اسے مقامی طور پر چلانے میں مدد مل سکتی ہے۔ آپ کر سکتے ہیں۔ یہاں کلاس کے بارے میں مزید جانیں۔.
دستاویز کی درجہ بندی کے لیے لے آؤٹ ایل ایم (لنک)
اگر آپ دستاویز کی درجہ بندی کرنا چاہتے ہیں، تو آپ کو کلاس ٹرانسفارمرز کی ضرورت ہوگی۔LayoutLMForSequenceClassification۔ یہاں ترتیب اس دستاویز سے متن کی ترتیب ہے جسے آپ نے نکالا ہے۔ یہاں Hugging Face.co کا ایک چھوٹا سا کوڈ نمونہ ہے جو اسے استعمال کرنے کا طریقہ بتائے گا۔
ٹیکسٹ لیبلنگ کے لیے لے آؤٹ ایل ایم (لنک)
سیمنٹک لیبلنگ کو انجام دینے کے لیے، یعنی دستاویز میں متن کے مختلف حصوں پر لیبل تفویض کرنے کے لیے، آپ کو کلاس ٹرانسفارمرز کی ضرورت ہوگی۔LayoutLMForTokenclassification۔ آپ کو پر مزید تفصیلات مل سکتی ہیں۔ یہاں بھی.یہ آپ کے لیے کوڈ کا ایک چھوٹا نمونہ ہے کہ یہ آپ کے لیے کیسے کام کر سکتا ہے۔
گلے لگانے والے چہرے کے لے آؤٹ ایل ایم کے بارے میں نوٹ کرنے کے لئے کچھ نکات
- فی الحال، Hugging Face LayoutLM ماڈل ٹیکسٹ نکالنے کے لیے Tesseract اوپن سورس لائبریری کا استعمال کرتا ہے، جو زیادہ درست نہیں ہے۔ آپ شاید AWS Textract یا Google Cloud Vision جیسے مختلف، بامعاوضہ OCR ٹول کو استعمال کرنے پر غور کرنا چاہیں۔
- موجودہ ماڈل صرف لینگویج ماڈل فراہم کرتا ہے، یعنی لے آؤٹ ایل ایم ایمبیڈنگز، نہ کہ حتمی پرتیں جو بصری خصوصیات کو یکجا کرتی ہیں۔ لے آؤٹLMv2 (اگلے حصے میں بحث کی جائے گی۔) بصری فیچر ایمبیڈنگز کو بھی فعال کرنے کے لیے ڈیٹیکٹران لائبریری کا استعمال کرتا ہے۔
- لیبلز کی درجہ بندی لفظ کی سطح پر ہوتی ہے، اس لیے یہ واقعی OCR ٹیکسٹ ایکسٹرکشن انجن پر منحصر ہے کہ وہ یقینی بنائے کہ کسی فیلڈ کے تمام الفاظ مسلسل ترتیب میں ہیں، یا ایک فیلڈ کی دو کے طور پر پیشین گوئی کی جا سکتی ہے۔
لے آؤٹLMv2
دستاویزات سے ڈیٹا کیسے نکالا جاتا ہے اس میں لے آؤٹ ایل ایم ایک انقلاب کے طور پر آیا۔ تاہم، جہاں تک گہری سیکھنے کی تحقیق جاتی ہے، ماڈلز وقت کے ساتھ ساتھ زیادہ سے زیادہ بہتر ہوتے ہیں۔ LayoutLM کو اسی طرح LayoutLMv2 نے کامیابی حاصل کی، جہاں مصنفین نے ماڈل کی تربیت کے طریقے میں چند اہم تبدیلیاں کیں۔
بشمول 1-D مقامی ایمبیڈنگز اور بصری ٹوکن ایمبیڈنگز
لے آؤٹ ایل ایم وی 2 میں 1-ڈی رشتہ دار مقام کے ساتھ ساتھ تصویر سے متعلق مجموعی معلومات شامل ہیں۔ اس کے اہم ہونے کی وجہ تربیت کے نئے مقاصد ہیں، جن پر ہم اب بات کریں گے۔
تربیت کے نئے مقاصد
لے آؤٹ ایل ایم وی 2 میں کچھ ترمیم شدہ تربیتی مقاصد شامل تھے۔ یہ درج ذیل ہیں۔
- ماسکڈ بصری زبان کی ماڈلنگ: یہ ویسا ہی ہے جیسا کہ لے آؤٹ ایل ایم میں ہے۔
- متن کی تصویر کی سیدھ: متن کو تصویر سے تصادفی طور پر کور کیا گیا تھا، جبکہ ٹیکسٹ ٹوکن ماڈل کو فراہم کیے گئے تھے۔ ہر ٹوکن کے لیے، ماڈل کو یہ سیکھنا پڑتا تھا کہ آیا دیا گیا متن کا احاطہ کیا گیا تھا یا نہیں۔ اس کے ذریعے، ماڈل بصری اور متنی دونوں طریقوں سے معلومات کو یکجا کرنے کے قابل تھا۔
- ٹیکسٹ امیج میچنگ: ماڈل سے یہ چیک کرنے کو کہا جاتا ہے کہ آیا دی گئی تصویر دیئے گئے ٹیکسٹ سے مطابقت رکھتی ہے۔ منفی نمونے یا تو غلط امیجز کے طور پر کھلائے جاتے ہیں، یا کوئی تصویری سرایت بالکل بھی فراہم نہیں کی جاتی ہے۔ یہ اس بات کو یقینی بنانے کے لیے کیا جاتا ہے کہ ماڈل اس بارے میں مزید جان سکے کہ متن اور تصاویر کا تعلق کیسے ہے۔
ان نئے طریقوں اور ایمبیڈنگز کا استعمال کرتے ہوئے، ماڈل تقریباً تمام ٹیسٹ ڈیٹا سیٹس پر لے آؤٹ ایل ایم کے طور پر اعلیٰ F1 سکور حاصل کرنے میں کامیاب رہا۔
- ہمارے بارے میں
- تک رسائی حاصل
- اکاؤنٹ
- درست
- حاصل کیا
- کے پار
- فعال
- اعلی درجے کی
- ایجنٹ
- AI
- تمام
- پہلے ہی
- اگرچہ
- رقم
- ایک اور
- نقطہ نظر
- رقبہ
- ارد گرد
- مضمون
- مصنفین
- دستیاب
- AWS
- بنیاد
- کیا جا رہا ہے
- BEST
- بٹ
- باکس
- کارڈ
- مقدمات
- چیلنج
- درجہ بندی
- بادل
- کوڈ
- مل کر
- کمپنی کے
- کمپیوٹنگ
- ترتیب
- کنکشن
- غور
- اخراجات
- سکتا ہے
- گاہکوں
- اعداد و شمار
- دن
- کے باوجود
- کھوج
- DID
- مختلف
- دستاویزات
- نیچے
- ای کامرس
- موثر
- کو فعال کرنا
- قائم کرو
- ایکسل
- چہرہ
- تیز تر
- نمایاں کریں
- خصوصیات
- فیڈ
- مالی
- پہلا
- کے بعد
- پیدا
- GitHub کے
- گوگل
- مدد
- مدد کرتا ہے
- یہاں
- کس طرح
- کیسے
- HTTPS
- تصویر
- اثر
- اہم
- کو بہتر بنانے کے
- شامل
- صنعتوں
- معلومات
- انشورنس
- انٹیلجنٹ
- IT
- لیبل
- لیبل
- زبان
- بڑے
- جانیں
- سیکھنے
- سطح
- لائبریری
- LINK
- لسٹ
- مقامی طور پر
- محل وقوع
- مقامات
- دستی طور پر
- بڑے پیمانے پر
- کے ملاپ
- معاملہ
- ماڈل
- ماڈل
- سب سے زیادہ
- نیٹ ورک
- نیٹ ورک
- کھول
- اوپن سورس
- آپریشنز
- آپشنز کے بھی
- حکم
- تنظیمیں
- دیگر
- ادا
- کاغذ.
- ٹکڑا
- طاقت
- عمل
- فراہم کرتا ہے
- PWC
- وجوہات
- سفارش
- رپورٹ
- ضرورت
- ضروریات
- تحقیق
- نتائج کی نمائش
- تجربے کی فہرست
- رن
- پیمانے
- سکیم
- SEC
- احساس
- مقرر
- قائم کرنے
- منتقل
- اہم
- اسی طرح
- سادہ
- سائز
- چھوٹے
- ہوشیار
- So
- کچھ
- شروع
- کامیابی
- فراہمی
- فراہمی کا سلسلہ
- کاموں
- ٹیکنالوجی
- ٹیسٹ
- کے ذریعے
- وقت
- ٹوکن
- ٹوکن
- سب سے اوپر
- ٹریننگ
- سمجھ
- استعمال کی شرائط
- استعمال
- قیمت
- کیا
- چاہے
- الفاظ
- کام
- کارکنوں
- سال