کے مطابق گارٹنر، ہائپر آٹومیشن 2022 میں نمبر ایک رجحان ہے اور مستقبل میں آگے بڑھتا رہے گا۔ ہائپر آٹومیشن میں رکاوٹوں میں سے ایک ان علاقوں میں ہے جہاں ہم اب بھی انسانی شمولیت کو کم کرنے کے لیے جدوجہد کر رہے ہیں۔ کمپیوٹر ویژن میں گہری سیکھنے میں زبردست پیشرفت کے باوجود ذہین نظاموں کو انسانی بصری شناخت کی صلاحیتوں سے مماثل مشکل وقت درپیش ہے۔ اس کی بنیادی وجہ تشریح شدہ ڈیٹا کی کمی ہے (یا جب ڈیٹا کم ہوتا ہے) اور کوالٹی کنٹرول جیسے شعبوں میں، جہاں تربیت یافتہ انسانی آنکھیں اب بھی حاوی ہیں۔ ایک اور وجہ پروڈکٹ سپلائی چین کے تمام شعبوں میں انسانی رسائی کی فزیبلٹی ہے، جیسے پروڈکشن لائن پر کوالٹی کنٹرول کا معائنہ۔ بصری معائنہ بڑے پیمانے پر پیداواری سہولت میں مختلف آلات کی اندرونی اور بیرونی تشخیص کے لیے استعمال کیا جاتا ہے، جیسے کہ اسٹوریج ٹینک، پریشر ویسل، پائپنگ، وینڈنگ مشینیں، اور دیگر سامان، جو بہت سی صنعتوں تک پھیلتا ہے، جیسے الیکٹرانکس، میڈیکل، سی پی جی، اور خام مال اور بہت کچھ۔
خودکار بصری معائنہ کے لیے مصنوعی ذہانت (AI) کا استعمال یا AI کے ساتھ انسانی بصری معائنہ کے عمل کو بڑھانے سے ذیل میں بیان کردہ چیلنجوں سے نمٹنے میں مدد مل سکتی ہے۔
انسانی بصری معائنہ کے چیلنجز
انسانی زیرقیادت بصری معائنہ میں درج ذیل اعلیٰ سطحی مسائل ہیں:
- پیمانے - زیادہ تر مصنوعات متعدد مراحل سے گزرتی ہیں، اسمبلی سے سپلائی چین سے لے کر کوالٹی کنٹرول تک، آخری صارف کو دستیاب ہونے سے پہلے۔ خلا اور وقت کے مختلف مقامات پر مینوفیکچرنگ کے عمل یا اسمبلی کے دوران نقائص پیدا ہو سکتے ہیں۔ لہذا، ذاتی طور پر انسانی بصری معائنہ کا استعمال کرنا ہمیشہ ممکن یا سستا نہیں ہوتا ہے۔ پیمانہ کرنے کی اس نااہلی کے نتیجے میں آفات ہوسکتی ہیں۔ بی پی ڈیپ واٹر ہورائزن میں تیل کا اخراج اور چیلنجر خلائی شٹل دھماکہ، جس کا مجموعی منفی اثر (انسانوں اور فطرت پر) مالیاتی لاگت کو کافی فاصلے سے بڑھاتا ہے۔
- انسانی بصری غلطی - ایسے علاقوں میں جہاں انسانی قیادت میں بصری معائنہ آسانی سے کیا جا سکتا ہے، انسانی غلطی ایک بڑا عنصر ہے جسے اکثر نظر انداز کر دیا جاتا ہے۔ مندرجہ ذیل کے مطابق رپورٹ، زیادہ تر معائنہ کے کام پیچیدہ ہوتے ہیں اور عام طور پر 20-30% کی غلطی کی شرح ظاہر کرتے ہیں، جو براہ راست لاگت اور ناپسندیدہ نتائج کا ترجمہ کرتے ہیں۔
- عملہ اور متفرق اخراجات - اگرچہ کوالٹی کنٹرول کی مجموعی لاگت صنعت اور مقام کے لحاظ سے بہت مختلف ہو سکتی ہے، بعض کے مطابق اندازوں کے مطابق، ایک تربیت یافتہ کوالٹی انسپکٹر کی تنخواہ سالانہ $26,000–60,000 (USD) کے درمیان ہوتی ہے۔ اس کے علاوہ دیگر متفرق اخراجات بھی ہیں جن کا حساب ہمیشہ نہیں رکھا جا سکتا۔
SageMaker JumpStart مختلف کے ساتھ شروع کرنے کے لیے ایک بہترین جگہ ہے۔ ایمیزون سیج میکر کیوریٹڈ ون-کلک سلوشنز، مثال کے نوٹ بکس، اور پہلے سے تربیت یافتہ کمپیوٹر ویژن، نیچرل لینگویج پروسیسنگ اور ٹیبلر ڈیٹا ماڈلز کے ذریعے خصوصیات اور صلاحیتیں جنہیں صارف منتخب کر سکتے ہیں، فائن ٹیون (اگر ضرورت ہو) اور AWS SageMaker انفراسٹرکچر کا استعمال کرتے ہوئے تعینات کر سکتے ہیں۔
اس پوسٹ میں، ہم عوامی طور پر دستیاب ڈیٹاسیٹ اور SageMaker JumpStart کا استعمال کرتے ہوئے، ڈیٹا کے ادخال سے لے کر ماڈل انفرنسنگ تک، خودکار خرابی کا پتہ لگانے کے حل کو تیزی سے تعینات کرنے کے طریقہ پر چلتے ہیں۔
حل جائزہ
یہ حل سیج میکر کا استعمال کرتے ہوئے سطحی نقائص کا خود بخود پتہ لگانے کے لیے جدید ترین گہری سیکھنے کا طریقہ استعمال کرتا ہے۔ خرابی کا پتہ لگانے کا نیٹ ورک یا ڈی ڈی این ماڈل میں اضافہ تیز تر R-CNN اور سٹیل کی سطح کی تصویر میں ممکنہ نقائص کی نشاندہی کرتا ہے۔ دی NEU سطح کی خرابی کا ڈیٹا بیس، ایک متوازن ڈیٹاسیٹ ہے جس میں گرم رولڈ اسٹیل کی پٹی کے چھ قسم کے عام سطحی نقائص ہوتے ہیں: رولڈ ان اسکیل (RS)، پیچ (Pa)، کریزنگ (Cr)، پٹی ہوئی سطح (PS)، شمولیت (ان)، اور خروںچ (Sc) ڈیٹا بیس میں 1,800 گرے اسکیل امیجز شامل ہیں: 300 نمونے ہر قسم کی خرابی۔
مواد
جمپ سٹارٹ حل میں درج ذیل نمونے شامل ہیں، جو آپ کے لیے سے دستیاب ہیں۔ JupyterLab فائل براؤزر:
- کلاؤڈ فارمیشن/ - AWS کلاؤڈ فارمیشن سیج میکر کے متعلقہ وسائل بنانے اور اجازتوں کو لاگو کرنے کے لیے کنفیگریشن فائلز۔ تخلیق کردہ وسائل کو حذف کرنے کے لیے کلین اپ اسکرپٹس بھی شامل ہیں۔
- src / - مندرجہ ذیل پر مشتمل ہے:
- تیار_ڈیٹا/ - NEU ڈیٹاسیٹس کے لیے ڈیٹا کی تیاری۔
- sagemaker_defect_detection/ - اہم پیکیج جس میں درج ذیل ہیں:
- ڈیٹاسیٹ - NEU ڈیٹاسیٹ ہینڈلنگ پر مشتمل ہے۔
- ماڈل - خودکار نقص معائنہ (ADI) سسٹم پر مشتمل ہے جسے ڈیفیکٹ ڈیٹیکشن نیٹ ورک کہتے ہیں۔ درج ذیل دیکھیں کاغذ تفصیلات کے لئے.
- utils - تصور اور COCO کی تشخیص کے لیے مختلف یوٹیلیٹیز۔
- classifier.py - درجہ بندی کے کام کے لیے۔
- detector.py - پتہ لگانے کے کام کے لیے۔
- transforms.py - تربیت میں استعمال ہونے والی تصویری تبدیلیوں پر مشتمل ہے۔
- نوٹ بک/ - انفرادی نوٹ بک، اس پوسٹ میں بعد میں مزید تفصیل سے زیر بحث آئے گی۔
- اسکرپٹس / - تربیت اور تعمیر کے لیے مختلف اسکرپٹ۔
ڈیفالٹ ڈیٹاسیٹ
یہ حل NEU-CLS ڈیٹاسیٹ پر درجہ بندی کرنے والے اور NEU-DET ڈیٹاسیٹ پر ایک ڈیٹیکٹر کو تربیت دیتا ہے۔ اس ڈیٹاسیٹ میں کل 1800 تصاویر اور 4189 باؤنڈنگ بکس ہیں۔ ہمارے ڈیٹاسیٹ میں نقائص کی قسم درج ذیل ہیں:
- کریزنگ (کلاس:
Cr
لیبل: 0) - شمولیت (کلاس:
In
لیبل: 1) - پٹی والی سطح (کلاس:
PS
لیبل: 2) - پیچ (کلاس: پا، لیبل: 3)
- رولڈ ان اسکیل (کلاس:
RS
لیبل: 4) - خروںچ (کلاس:
Sc
لیبل: 5)
مندرجہ ذیل چھ کلاسوں کی نمونہ تصاویر ہیں۔
درج ذیل تصاویر نمونے کا پتہ لگانے کے نتائج ہیں۔ بائیں سے دائیں، ہمارے پاس اصل تصویر، زمینی سچائی کا پتہ لگانے، اور SageMaker DDN ماڈل آؤٹ پٹ ہے۔
آرکیٹیکچر
جمپ سٹارٹ حل پہلے سے پیک کے ساتھ آتا ہے۔ ایمیزون سیج میکر اسٹوڈیو وہ نوٹ بک جو مطلوبہ ڈیٹا سیٹس کو ڈاؤن لوڈ کرتی ہیں اور ماڈل/s کو تربیت دینے اور ریئل ٹائم SageMaker اینڈ پوائنٹ کا استعمال کرتے ہوئے تعیناتی کے لیے کوڈ اور مددگار افعال پر مشتمل ہوتی ہیں۔
تمام نوٹ بک عوام سے ڈیٹاسیٹ ڈاؤن لوڈ کرتی ہیں۔ ایمیزون سادہ اسٹوریج سروس (ایمیزون S3) تصاویر کو دیکھنے کے لیے بالٹی اور امپورٹ مددگار افعال۔ نوٹ بکس صارف کو حل کو اپنی مرضی کے مطابق کرنے کی اجازت دیتی ہیں، جیسے کہ ماڈل ٹریننگ یا پرفارم کرنے کے لیے ہائپر پیرامیٹر منتقلی سیکھنے اگر آپ اپنے عیب کا پتہ لگانے کے استعمال کے کیس کے لیے حل استعمال کرنے کا انتخاب کرتے ہیں۔
حل میں درج ذیل چار اسٹوڈیو نوٹ بک شامل ہیں:
- 0_demo.ipynb - NEU-DET ڈیٹاسیٹ پر پہلے سے تربیت یافتہ DDN ماڈل سے ایک ماڈل آبجیکٹ بناتا ہے اور اسے ریئل ٹائم SageMaker اینڈ پوائنٹ کے پیچھے تعینات کرتا ہے۔ پھر ہم نقائص کے ساتھ کچھ تصویری نمونے تلاش کرنے اور نتائج کو دیکھنے کے لیے بھیجتے ہیں۔
- 1_retrain_from_checkpoint.ipynb - ہمارے پہلے سے تربیت یافتہ ڈٹیکٹر کو کچھ اور دوروں کے لیے دوبارہ تربیت دیتا ہے اور نتائج کا موازنہ کرتا ہے۔ آپ اپنا ڈیٹا سیٹ بھی لا سکتے ہیں۔ تاہم، ہم نوٹ بک میں وہی ڈیٹا سیٹ استعمال کرتے ہیں۔ پہلے سے تربیت یافتہ ماڈل کو ٹھیک ٹیون کرکے ٹرانسفر لرننگ کو انجام دینے کا ایک قدم بھی شامل ہے۔ ایک خاص کام پر گہری سیکھنے کے ماڈل کو ٹھیک کرنے میں دوسرے ڈیٹاسیٹ پر ماڈل کی کارکردگی کو بڑھانے کے لیے کسی خاص ڈیٹاسیٹ سے سیکھے گئے وزن کا استعمال شامل ہے۔ آپ ابتدائی تربیت میں استعمال ہونے والے ایک ہی ڈیٹاسیٹ پر فائن ٹیوننگ بھی کر سکتے ہیں لیکن شاید مختلف ہائپر پیرامیٹر کے ساتھ۔
- 2_detector_from_scratch.ipynb - ہمارے ڈیٹیکٹر کو شروع سے تربیت دیتا ہے کہ آیا کسی تصویر میں نقائص موجود ہیں یا نہیں۔
- 3_classification_from_scratch.ipynb - تصویر میں خرابی کی قسم کی درجہ بندی کرنے کے لیے ہمارے درجہ بندی کو شروع سے تربیت دیتا ہے۔
ہر نوٹ بک میں بوائلر پلیٹ کوڈ ہوتا ہے جو سیج میکر کو تعینات کرتا ہے۔ ریئل ٹائم اینڈ پوائنٹ ماڈل کا اندازہ لگانے کے لیے۔ آپ JupyterLab فائل براؤزر پر جا کر اور JumpStart Solution ڈائرکٹری میں "notebooks" فولڈر پر جا کر یا JumpStart سلوشن پر "اوپن نوٹ بک" پر کلک کر کے نوٹ بک کی فہرست دیکھ سکتے ہیں، خاص طور پر "پروڈکٹ ڈیفیکٹ ڈیٹیکشن" کے حل کا صفحہ (نیچے ملاحظہ کریں۔ )۔
شرائط
اس پوسٹ میں بیان کردہ حل کا حصہ ہے۔ ایمیزون سیج میکر جمپ اسٹارٹ. اس SageMaker JumpStart 1P سلوشن کو چلانے اور اپنے AWS اکاؤنٹ میں انفراسٹرکچر کی تعیناتی کے لیے، آپ کو ایک فعال Amazon SageMaker سٹوڈیو مثال بنانے کی ضرورت ہے (Onboard to Amazon SageMaker ڈومین دیکھیں)۔
جمپ اسٹارٹ خصوصیات SageMaker نوٹ بک مثالوں میں دستیاب نہیں ہیں، اور آپ ان تک رسائی حاصل نہیں کر سکتے AWS کمانڈ لائن انٹرفیس (AWS CLI)۔
حل تعینات کریں۔
ہم اس حل پر اعلیٰ سطحی اقدامات کے لیے واک تھرو ویڈیوز فراہم کرتے ہیں۔ شروع کرنے کے لیے، سیج میکر جمپ اسٹارٹ لانچ کریں اور منتخب کریں۔ مصنوعات کی خرابی کا پتہ لگانا پر حل حل ٹیب.
فراہم کردہ SageMaker نوٹ بک ان پٹ ڈیٹا کو ڈاؤن لوڈ کرتی ہیں اور بعد کے مراحل کو شروع کرتی ہیں۔ ان پٹ ڈیٹا S3 بالٹی میں واقع ہے۔
ہم درجہ بندی کرنے والے اور پتہ لگانے والے ماڈلز کو تربیت دیتے ہیں اور SageMaker میں نتائج کا جائزہ لیتے ہیں۔ اگر آپ چاہیں تو، آپ تربیت یافتہ ماڈلز کو تعینات کر سکتے ہیں اور SageMaker اینڈ پوائنٹس بنا سکتے ہیں۔
پچھلے مرحلے سے تخلیق کردہ سیج میکر اینڈ پوائنٹ ایک ہے۔ HTTPS اینڈ پوائنٹ اور پیشین گوئیاں کرنے کی صلاحیت رکھتا ہے۔
آپ ماڈل ٹریننگ اور تعیناتی کے ذریعے نگرانی کر سکتے ہیں۔ ایمیزون کلاؤڈ واچ.
صاف کرو
جب آپ اس حل کو ختم کر لیں، تو یقینی بنائیں کہ آپ تمام ناپسندیدہ AWS وسائل کو حذف کر دیتے ہیں۔ آپ AWS CloudFormation کا استعمال کرکے تمام معیاری وسائل کو خود بخود حذف کر سکتے ہیں جو حل اور نوٹ بک کے ذریعے بنائے گئے تھے۔ AWS CloudFormation کنسول پر، پیرنٹ اسٹیک کو حذف کریں۔ پیرنٹ اسٹیک کو حذف کرنے سے اندر کے اسٹیک خود بخود حذف ہو جاتے ہیں۔
آپ کو کسی بھی اضافی وسائل کو دستی طور پر حذف کرنے کی ضرورت ہے جو آپ نے اس نوٹ بک میں بنائے ہوں، جیسے کہ حل کی ڈیفالٹ بالٹی کے علاوہ اضافی S3 بالٹیاں یا اضافی SageMaker اینڈ پوائنٹس (اپنی مرضی کے مطابق نام کا استعمال کرتے ہوئے)۔
نتیجہ
اس پوسٹ میں، ہم نے SageMaker JumpStart کا استعمال کرتے ہوئے ایک حل متعارف کرایا ہے تاکہ مختلف صنعتوں میں بصری معائنہ کی موجودہ حالت، کوالٹی کنٹرول، اور خرابی کی نشاندہی کے مسائل کو حل کیا جا سکے۔ ہم نے پہلے سے تربیت یافتہ کا استعمال کرتے ہوئے بنایا ہوا آٹومیٹڈ ڈیفیکٹ انسپکشن سسٹم نامی ایک نیا طریقہ تجویز کیا۔ ڈی ڈی این ماڈل سٹیل کی سطحوں پر خرابی کا پتہ لگانے کے لئے. جب آپ نے جمپ اسٹارٹ حل شروع کیا اور عوامی NEU ڈیٹا سیٹس کو ڈاؤن لوڈ کیا، تو آپ نے پہلے سے تربیت یافتہ ماڈل کو SageMaker کے ریئل ٹائم اینڈ پوائنٹ کے پیچھے تعینات کیا اور CloudWatch کا استعمال کرتے ہوئے اینڈ پوائنٹ میٹرکس کا تجزیہ کیا۔ ہم نے جمپ سٹارٹ حل کی دیگر خصوصیات پر بھی تبادلہ خیال کیا، جیسے کہ آپ کا اپنا تربیتی ڈیٹا کیسے لانا ہے، ٹرانسفر لرننگ کو انجام دینا، اور ڈیٹیکٹر اور کلاسیفائر کو دوبارہ تربیت دینا۔
یہ آزمائیں۔ جمپ اسٹارٹ حل سیج میکر اسٹوڈیو پر، یا تو موجودہ ماڈل کو نئے ڈیٹاسیٹ پر عیب کا پتہ لگانے کے لیے دوبارہ تربیت دینا یا سیج میکر جمپ اسٹارٹ کی لائبریری سے انتخاب کرنا۔ کمپیوٹر وژن ماڈلز, این ایل پی ماڈلز or ٹیبلر ماڈل اور انہیں اپنے مخصوص استعمال کے کیس کے لیے تعینات کریں۔
مصنفین کے بارے میں
ویدانت جین ایک Sr. AI/ML سپیشلسٹ سلوشنز آرکیٹیکٹ ہے، جو AWS میں مشین لرننگ ایکو سسٹم سے قدر حاصل کرنے میں صارفین کی مدد کرتا ہے۔ AWS میں شامل ہونے سے پہلے، ویدانت نے مختلف کمپنیوں جیسے ڈیٹابرکس، ہارٹن ورکس (اب کلاؤڈرا) اور جے پی مورگن چیس میں ایم ایل/ڈیٹا سائنس اسپیشلٹی کے عہدوں پر فائز ہیں۔ اپنے کام کے علاوہ، ویدانت موسیقی بنانے، بامقصد زندگی گزارنے کے لیے سائنس کا استعمال کرنے اور دنیا بھر کے لذیذ سبزی خور پکوان دریافت کرنے کا شوقین ہے۔
تاؤ سن AWS میں ایک اپلائیڈ سائنٹسٹ ہے۔ انہوں نے پی ایچ ڈی کی ڈگری حاصل کی۔ یونیورسٹی آف میساچوسٹس، ایمہرسٹ سے کمپیوٹر سائنس میں۔ اس کی تحقیقی دلچسپی گہری کمک سیکھنے اور امکانی ماڈلنگ میں ہے۔ اس نے AWS DeepRacer، AWS DeepComposer میں تعاون کیا۔ وہ اپنے فارغ وقت میں بال روم ڈانس اور پڑھنا پسند کرتا ہے۔
- "
- &
- 000
- 100
- 2022
- 28
- a
- صلاحیتوں
- ہمارے بارے میں
- تک رسائی حاصل
- کے مطابق
- اکاؤنٹ
- فعال
- اس کے علاوہ
- پتہ
- ترقی
- AI
- تمام
- اگرچہ
- ہمیشہ
- ایمیزون
- ایک اور
- اطلاقی
- کا اطلاق کریں
- نقطہ نظر
- ارد گرد
- مصنوعی
- مصنوعی ذہانت
- مصنوعی انٹیلی جنس (AI)
- اسمبلی
- تشخیص
- آٹومیٹڈ
- خود کار طریقے سے
- میشن
- دستیاب
- AWS
- راہ میں حائل رکاوٹیں
- اس سے پہلے
- پیچھے
- کیا جا رہا ہے
- نیچے
- کے درمیان
- لانے
- براؤزر
- عمارت
- صلاحیتوں
- صلاحیت رکھتا
- کیس
- چین
- چیلنجوں
- پیچھا
- میں سے انتخاب کریں
- طبقے
- کلاس
- درجہ بندی
- کوڈ
- کمپنیاں
- پیچیدہ
- کمپیوٹر
- کمپیوٹر سائنس
- ترتیب
- کنسول
- صارفین
- پر مشتمل ہے
- جاری
- حصہ ڈالا
- کنٹرول
- کنٹرول
- سرمایہ کاری مؤثر
- اخراجات
- تخلیق
- بنائی
- پیدا
- cured
- موجودہ
- موجودہ حالت
- اپنی مرضی کے
- گاہکوں
- اپنی مرضی کے مطابق
- اعداد و شمار
- ڈیٹا بیس
- گہری
- منحصر ہے
- تعیناتی
- تعینات
- تعیناتی
- تعینات کرتا ہے
- کے باوجود
- تفصیل
- تفصیلات
- کھوج
- مختلف
- براہ راست
- آفات
- فاصلے
- ڈومین
- ڈاؤن لوڈ، اتارنا
- کے دوران
- ہر ایک
- ماحول
- الیکٹرونکس
- اختتام پوائنٹ
- کا سامان
- اندازہ
- تشخیص
- مثال کے طور پر
- نمائش
- موجودہ
- توسیع
- سہولت
- خصوصیات
- کے بعد
- مندرجہ ذیل ہے
- سے
- افعال
- مستقبل
- جا
- گرے
- عظیم
- بہت
- ہینڈلنگ
- مدد
- مدد
- افق
- کس طرح
- کیسے
- تاہم
- HTTPS
- انسانی
- انسان
- شناخت
- تصویر
- تصاویر
- اثر
- شامل
- شامل ہیں
- شمولیت
- انفرادی
- صنعتوں
- صنعت
- انفراسٹرکچر
- ان پٹ
- مثال کے طور پر
- انٹیلی جنس
- انٹیلجنٹ
- مفادات
- مسائل
- IT
- شمولیت
- جی پی مورگن
- جے پی مورگن چیز
- لیبل
- زبان
- شروع
- شروع
- قیادت
- سیکھا ہے
- سیکھنے
- لائبریری
- لائن
- لسٹ
- محل وقوع
- مشین
- مشین لرننگ
- مشینیں
- بنا
- اہم
- بنا
- بنانا
- دستی طور پر
- مینوفیکچرنگ
- میسا چوسٹس
- کے ملاپ
- مواد
- بامعنی
- طبی
- پیمائش کا معیار
- ماڈل
- ماڈل
- مالیاتی
- کی نگرانی
- زیادہ
- مورگن
- سب سے زیادہ
- ایک سے زیادہ
- موسیقی
- ناسا
- قدرتی
- فطرت، قدرت
- تشریف لے جارہا ہے
- منفی
- نیٹ ورک
- نوٹ بک
- تعداد
- حاصل کی
- تیل
- اصل
- دیگر
- مجموعی طور پر
- خود
- پیکج
- حصہ
- خاص طور پر
- جذباتی
- پیچ
- کارکردگی
- کارکردگی کا مظاہرہ
- شاید
- پوائنٹس
- ممکن
- پیشن گوئی
- دباؤ
- پچھلا
- عمل
- پروسیسنگ
- مصنوعات
- پیداوار
- حاصل
- فراہم
- فراہم
- عوامی
- معیار
- جلدی سے
- قیمتیں
- خام
- پڑھنا
- اصل وقت
- کو کم
- متعلقہ
- ضرورت
- تحقیق
- وسائل
- نتائج کی نمائش
- رن
- تنخواہ
- اسی
- SC
- پیمانے
- سائنس
- سائنسدان
- سادہ
- چھ
- حل
- حل
- کچھ
- خلا
- ماہر
- خاص
- مخصوص
- خاص طور پر
- ڈھیر لگانا
- مراحل
- معیار
- شروع کریں
- شروع
- حالت
- ریاستی آرٹ
- ابھی تک
- ذخیرہ
- سٹوڈیو
- فراہمی
- فراہمی کا سلسلہ
- سطح
- کے نظام
- سسٹمز
- کاموں
- ۔
- دنیا
- لہذا
- کے ذریعے
- وقت
- ٹریننگ
- ٹرینوں
- منتقل
- تبدیلی
- عام طور پر
- یونیورسٹی
- امریکی ڈالر
- استعمال کی شرائط
- صارفین
- افادیت
- قیمت
- مختلف
- ویڈیوز
- لنک
- نقطہ نظر
- تصور
- وکیپیڈیا
- کام
- دنیا
- سال
- اور