Khách hàng của AWS trong lĩnh vực chăm sóc sức khỏe, dịch vụ tài chính, khu vực công và các ngành khác lưu trữ hàng tỷ tài liệu dưới dạng hình ảnh hoặc tệp PDF ở định dạng Dịch vụ lưu trữ đơn giản của Amazon (Amazon S3). Tuy nhiên, họ không thể có được thông tin chi tiết như sử dụng thông tin bị khóa trong tài liệu cho mô hình ngôn ngữ lớn (LLM) hoặc tìm kiếm cho đến khi trích xuất văn bản, biểu mẫu, bảng và dữ liệu có cấu trúc khác. Với tính năng xử lý tài liệu thông minh (IDP) của AWS sử dụng các dịch vụ AI như Văn bản Amazon, bạn có thể tận dụng công nghệ máy học (ML) hàng đầu trong ngành để xử lý dữ liệu từ tệp PDF hoặc hình ảnh tài liệu (TIFF, JPEG, PNG) một cách nhanh chóng và chính xác. Sau khi văn bản được trích xuất từ tài liệu, bạn có thể sử dụng nó để tinh chỉnh mô hình nền tảng, tóm tắt dữ liệu bằng mô hình nền tảng, hoặc gửi nó đến cơ sở dữ liệu.
Trong bài đăng này, chúng tôi tập trung vào việc xử lý một bộ sưu tập tài liệu lớn thành các tệp văn bản thô và lưu trữ chúng trong Amazon S3. Chúng tôi cung cấp cho bạn hai giải pháp khác nhau cho trường hợp sử dụng này. Cái đầu tiên cho phép bạn chạy tập lệnh Python từ bất kỳ máy chủ hoặc phiên bản nào, bao gồm cả sổ ghi chép Jupyter; đây là cách nhanh nhất để bắt đầu. Cách tiếp cận thứ hai là triển khai chìa khóa trao tay các thành phần cơ sở hạ tầng khác nhau bằng cách sử dụng Bộ công cụ phát triển đám mây AWS (AWS CDK) cấu trúc. Cấu trúc AWS CDK cung cấp một khung linh hoạt và linh hoạt để xử lý tài liệu của bạn và xây dựng quy trình IDP từ đầu đến cuối. Thông qua việc sử dụng AWS CDK, bạn có thể mở rộng chức năng của nó để bao gồm biên tập, lưu trữ kết quả đầu ra trong Amazon OpenSearchhoặc thêm tùy chỉnh AWS Lambda hoạt động với logic kinh doanh của riêng bạn.
Cả hai giải pháp này đều cho phép bạn xử lý nhanh chóng hàng triệu trang. Trước khi chạy một trong những giải pháp này trên quy mô lớn, chúng tôi khuyên bạn nên thử nghiệm với một tập hợp con tài liệu để đảm bảo kết quả đáp ứng mong đợi của bạn. Trong các phần sau, trước tiên chúng tôi mô tả giải pháp tập lệnh, sau đó là giải pháp xây dựng AWS CDK.
Giải pháp 1: Sử dụng tập lệnh Python
Giải pháp này xử lý tài liệu cho văn bản thô thông qua Amazon Textract nhanh nhất có thể mà dịch vụ cho phép với kỳ vọng rằng nếu có lỗi trong tập lệnh, quy trình sẽ tiếp tục từ nơi nó dừng lại. Giải pháp sử dụng ba dịch vụ khác nhau: Amazon S3, Máy phát điện Amazonvà Văn bản Amazon.
Sơ đồ sau minh họa chuỗi sự kiện trong tập lệnh. Khi tập lệnh kết thúc, trạng thái hoàn thành cùng với thời gian thực hiện sẽ được trả về bảng điều khiển studio SageMaker.
Chúng tôi đã đóng gói giải pháp này trong một tập lệnh .ipynb và tập lệnh .py. Bạn có thể sử dụng bất kỳ giải pháp có thể triển khai nào theo yêu cầu của mình.
Điều kiện tiên quyết
Để chạy tập lệnh này từ sổ ghi chép Jupyter, Quản lý truy cập và nhận dạng AWS (IAM) được gán cho sổ ghi chép phải có quyền cho phép sổ ghi chép tương tác với DynamoDB, Amazon S3 và Amazon Textract. Hướng dẫn chung là cung cấp các quyền có đặc quyền tối thiểu cho từng dịch vụ này cho AmazonSageMaker-ExecutionRole
vai trò. Để tìm hiểu thêm, hãy tham khảo Bắt đầu với các chính sách do AWS quản lý và hướng tới các quyền có ít đặc quyền nhất.
Ngoài ra, bạn có thể chạy tập lệnh này từ các môi trường khác như môi trường Đám mây điện toán đàn hồi Amazon Phiên bản hoặc vùng chứa (Amazon EC2) mà bạn sẽ quản lý, với điều kiện là Python, Pip3 và AWS SDK cho Python (Boto3) đã được cài đặt. Một lần nữa, các chính sách IAM tương tự cần được áp dụng để cho phép tập lệnh tương tác với các dịch vụ được quản lý khác nhau.
Hương
Để triển khai giải pháp này, trước tiên bạn cần sao chép kho lưu trữ GitHub.
Bạn cần đặt các biến sau trong tập lệnh trước khi có thể chạy nó:
- bảng theo dõi – Đây là tên của bảng DynamoDB sẽ được tạo.
- input_bucket – Đây là vị trí nguồn của bạn trong Amazon S3 chứa các tài liệu mà bạn muốn gửi tới Amazon Textract để phát hiện văn bản. Đối với biến này, hãy cung cấp tên của nhóm, chẳng hạn như
mybucket
. - đầu ra_bucket – Cái này dùng để lưu trữ vị trí nơi bạn muốn Amazon Textract ghi kết quả vào. Đối với biến này, hãy cung cấp tên của nhóm, chẳng hạn như
myoutputbucket
. - _input_prefix (tùy chọn) – Nếu bạn muốn chọn một số tệp nhất định từ trong một thư mục trong nhóm S3 của mình, bạn có thể chỉ định tên thư mục này làm tiền tố đầu vào. Nếu không, hãy để mặc định trống để chọn tất cả.
Kịch bản như sau:
Lược đồ bảng DynamoDB sau đây sẽ được tạo khi chạy tập lệnh:
Khi chạy tập lệnh lần đầu tiên, tập lệnh sẽ kiểm tra xem bảng DynamoDB có tồn tại hay không và sẽ tự động tạo tập lệnh nếu cần. Sau khi tạo bảng, chúng ta cần điền vào bảng đó một danh sách các tham chiếu đối tượng tài liệu từ Amazon S3 mà chúng ta muốn xử lý. Tập lệnh theo thiết kế sẽ liệt kê các đối tượng trong phạm vi được chỉ định input_bucket
và tự động điền tên của chúng vào bảng của chúng tôi khi chạy. Mất khoảng 10 phút để liệt kê hơn 100,000 tài liệu và điền những tên đó vào bảng DynamoDB từ tập lệnh. Nếu có hàng triệu đối tượng trong một nhóm, bạn có thể sử dụng tính năng kiểm kê của Amazon S3 để tạo tệp CSV chứa tên, sau đó điền trước vào bảng DynamoDB từ danh sách này bằng tập lệnh của riêng bạn và không sử dụng hàm có tên fetchAllObjectsInBucketandStoreName
bằng cách bình luận nó ra. Để tìm hiểu thêm, hãy tham khảo Định cấu hình kho lưu trữ Amazon S3.
Như đã đề cập trước đó, có cả phiên bản notebook và phiên bản tập lệnh Python. Sổ ghi chép là cách đơn giản nhất để bắt đầu; chỉ cần chạy từng ô từ đầu đến cuối.
Nếu bạn quyết định chạy tập lệnh Python từ CLI, bạn nên sử dụng bộ ghép kênh đầu cuối như tmux. Điều này nhằm ngăn chặn tập lệnh dừng khi phiên SSH của bạn kết thúc. Ví dụ: tmux new -d ‘python3 textractFeeder.py’
.
Sau đây là điểm vào của tập lệnh; từ đây bạn có thể nhận xét các phương pháp không cần thiết:
Các trường sau được đặt khi tập lệnh điền vào bảng DynamoDB:
- tên của môn học – Tên của tài liệu nằm trong Amazon S3 sẽ được gửi tới Amazon Textract
- xôtên – Thùng nơi lưu trữ đối tượng tài liệu
Hai trường này phải được điền nếu bạn quyết định sử dụng tệp CSV từ báo cáo kho S3 và bỏ qua quá trình điền tự động xảy ra trong tập lệnh.
Bây giờ, bảng đã được tạo và điền các tham chiếu đối tượng tài liệu, tập lệnh đã sẵn sàng để bắt đầu gọi Amazon Textract StartDocumentTextDetection
API. Amazon Textract, tương tự như các dịch vụ được quản lý khác, có giới hạn mặc định trên các API được gọi là giao dịch mỗi giây (TPS). Nếu cần, bạn có thể yêu cầu tăng hạn ngạch từ bảng điều khiển Amazon Textract. Mã được thiết kế để sử dụng đồng thời nhiều luồng khi gọi Amazon Textract nhằm tối đa hóa thông lượng của dịch vụ. Bạn có thể thay đổi điều này trong mã bằng cách sửa đổi threadCountforTextractAPICall
Biến đổi. Theo mặc định, điều này được đặt thành 20 chủ đề. Tập lệnh ban đầu sẽ đọc 200 hàng từ bảng DynamoDB và lưu trữ những hàng này vào danh sách trong bộ nhớ được bao bọc bằng một lớp để đảm bảo an toàn cho luồng. Sau đó, mỗi luồng người gọi sẽ được bắt đầu và chạy trong làn bơi riêng của nó. Về cơ bản, chuỗi trình gọi Amazon Textract sẽ truy xuất một mục từ danh sách trong bộ nhớ có chứa tham chiếu đối tượng của chúng ta. Sau đó nó sẽ gọi không đồng bộ start_document_text_detection
API và chờ xác nhận với ID công việc. Sau đó, ID công việc sẽ được cập nhật trở lại hàng DynamoDB cho đối tượng đó và chuỗi sẽ lặp lại bằng cách truy xuất mục tiếp theo từ danh sách.
Sau đây là mã điều phối chính kịch bản:
Các chuỗi lệnh gọi sẽ tiếp tục lặp lại cho đến khi không còn mục nào trong danh sách, lúc đó các chuỗi sẽ dừng lại. Khi tất cả các luồng hoạt động trong làn bơi của chúng đã dừng lại, 200 hàng tiếp theo từ DynamoDB sẽ được truy xuất và một nhóm 20 luồng mới được bắt đầu, đồng thời toàn bộ quá trình lặp lại cho đến khi mỗi hàng không chứa ID công việc được truy xuất từ DynamoDB và được cập nhật. Nếu tập lệnh gặp sự cố do một số sự cố không mong muốn thì tập lệnh có thể được chạy lại từ orchestrate()
phương pháp. Điều này đảm bảo rằng các luồng sẽ tiếp tục xử lý các hàng chứa ID công việc trống. Lưu ý rằng khi chạy lại orchestrate()
sau khi tập lệnh đã dừng, có khả năng một số tài liệu sẽ được gửi lại tới Amazon Textract. Con số này sẽ bằng hoặc ít hơn số lượng luồng đang chạy tại thời điểm xảy ra sự cố.
Khi không còn hàng nào chứa ID công việc trống trong bảng DynamoDB, tập lệnh sẽ dừng. Tất cả đầu ra JSON từ Amazon Textract cho tất cả các đối tượng sẽ được tìm thấy trong output_bucket
theo mặc định trong textract_output
thư mục. Mỗi thư mục con trong textract_output
sẽ được đặt tên bằng ID công việc tương ứng với ID công việc được lưu trữ trong bảng DynamoDB cho đối tượng đó. Trong thư mục ID công việc, bạn sẽ tìm thấy JSON, được đặt tên theo số bắt đầu từ 1 và có khả năng mở rộng các tệp JSON bổ sung được gắn nhãn 2, 3, v.v. Việc mở rộng các tệp JSON là kết quả của các tài liệu dày đặc hoặc nhiều trang, trong đó lượng nội dung được trích xuất vượt quá kích thước JSON mặc định của Amazon Textract là 1,000 khối. tham khảo Chặn để biết thêm thông tin về các khối. Các tệp JSON này sẽ chứa tất cả siêu dữ liệu Amazon Textract, bao gồm cả văn bản được trích xuất từ bên trong tài liệu.
Bạn có thể tìm thấy phiên bản sổ ghi chép mã Python và tập lệnh cho giải pháp này trong GitHub.
Làm sạch
Khi tập lệnh Python hoàn tất, bạn có thể tiết kiệm chi phí bằng cách tắt hoặc dừng Xưởng sản xuất Amazon SageMaker sổ ghi chép hoặc hộp đựng mà bạn đã tạo ra.
Bây giờ đến giải pháp thứ hai của chúng tôi dành cho tài liệu trên quy mô lớn.
Giải pháp 2: Sử dụng cấu trúc AWS CDK phi máy chủ
Giải pháp này sử dụng Chức năng bước AWS và Lambda có chức năng điều phối quy trình IDP. Chúng tôi sử dụng Cấu trúc IDP AWS CDK, giúp dễ dàng làm việc với Amazon Textract trên quy mô lớn. Ngoài ra, chúng tôi sử dụng một Bản đồ phân bố hàm bước để lặp lại tất cả các tệp trong nhóm S3 và bắt đầu xử lý. Hàm Lambda đầu tiên xác định tài liệu của bạn có bao nhiêu trang. Điều này cho phép quy trình tự động sử dụng API đồng bộ (đối với tài liệu một trang) hoặc không đồng bộ (đối với tài liệu nhiều trang). Khi sử dụng API không đồng bộ, một hàm Lambda bổ sung sẽ được gọi tới tất cả các tệp JSON mà Amazon Textract sẽ tạo cho tất cả các trang của bạn thành một tệp JSON để giúp các ứng dụng tiếp theo của bạn dễ dàng xử lý thông tin.
Giải pháp này cũng chứa hai hàm Lambda bổ sung. Hàm đầu tiên phân tích văn bản từ JSON và lưu nó dưới dạng tệp văn bản trong Amazon S3. Hàm thứ hai phân tích JSON và lưu trữ các số liệu về khối lượng công việc.
Sơ đồ sau đây minh họa quy trình làm việc của Step Functions.
Điều kiện tiên quyết
Cơ sở mã này sử dụng AWS CDK và yêu cầu Docker. Bạn có thể triển khai điều này từ một Đám mây AWS9 phiên bản đã thiết lập AWS CDK và Docker.
Hương
Để thực hiện giải pháp này, trước tiên bạn cần sao chép kho.
Sau khi bạn sao chép kho lưu trữ, hãy cài đặt các phần phụ thuộc:
Sau đó, sử dụng mã sau để triển khai ngăn xếp AWS CDK:
Bạn phải cung cấp cả nhóm nguồn và tiền tố nguồn (vị trí của tệp bạn muốn xử lý) cho giải pháp này.
Khi quá trình triển khai hoàn tất, hãy điều hướng đến bảng điều khiển Step Functions, nơi bạn sẽ thấy máy trạng thái ServerlessIDPArchivePipeline
.
Mở trang chi tiết máy trạng thái và trên Thực thi tab, chọn Bắt đầu thực hiện.
Chọn Bắt đầu thực hiện một lần nữa để chạy máy trạng thái.
Sau khi khởi động máy trạng thái, bạn có thể giám sát quy trình bằng cách xem quá trình chạy bản đồ. Bạn sẽ thấy một Trạng thái xử lý mặt hàng như ảnh chụp màn hình sau. Như bạn có thể thấy, điều này được xây dựng để chạy và theo dõi những gì đã thành công và những gì thất bại. Quá trình này sẽ tiếp tục chạy cho đến khi tất cả tài liệu đã được đọc.
Với giải pháp này, bạn sẽ có thể xử lý hàng triệu tệp trong tài khoản AWS của mình mà không phải lo lắng về cách xác định chính xác tệp nào sẽ gửi tới API nào hoặc tệp bị hỏng làm hỏng quy trình của bạn. Thông qua bảng điều khiển Step Functions, bạn sẽ có thể xem và giám sát các tệp của mình trong thời gian thực.
Làm sạch
Sau khi đường dẫn của bạn chạy xong, để dọn dẹp, bạn có thể quay lại dự án của mình và nhập lệnh sau:
Thao tác này sẽ xóa mọi dịch vụ đã được triển khai cho dự án này.
Kết luận
Trong bài đăng này, chúng tôi đã trình bày một giải pháp giúp chuyển đổi hình ảnh tài liệu và tệp PDF của bạn thành tệp văn bản một cách đơn giản. Đây là điều kiện tiên quyết quan trọng để sử dụng tài liệu của bạn cho AI tổng hợp và tìm kiếm. Để tìm hiểu thêm về cách sử dụng văn bản để đào tạo hoặc tinh chỉnh các mô hình nền tảng của bạn, hãy tham khảo Tinh chỉnh Llama 2 để tạo văn bản trên Amazon SageMaker JumpStart. Để sử dụng với tìm kiếm, hãy tham khảo Triển khai chỉ mục tìm kiếm tài liệu thông minh với Amazon Textract và Amazon OpenSearch. Để tìm hiểu thêm về khả năng xử lý tài liệu nâng cao do dịch vụ AWS AI cung cấp, hãy tham khảo Hướng dẫn xử lý tài liệu thông minh trên AWS.
Về các tác giả
Tim Condello là kiến trúc sư giải pháp chuyên môn về trí tuệ nhân tạo (AI) và máy học (ML) cấp cao tại Amazon Web Services (AWS). Trọng tâm của ông là xử lý ngôn ngữ tự nhiên và thị giác máy tính. Tim thích lấy ý tưởng của khách hàng và biến chúng thành các giải pháp có thể mở rộng.
David Girling là kiến trúc sư giải pháp AI/ML cấp cao với hơn 20 năm kinh nghiệm trong việc thiết kế, lãnh đạo và phát triển hệ thống doanh nghiệp. David là thành viên của nhóm chuyên gia tập trung vào việc giúp khách hàng tìm hiểu, đổi mới và sử dụng các dịch vụ có khả năng cao này cùng với dữ liệu cho các trường hợp sử dụng của họ.
- Phân phối nội dung và PR được hỗ trợ bởi SEO. Được khuếch đại ngay hôm nay.
- PlatoData.Network Vertical Generative Ai. Trao quyền cho chính mình. Truy cập Tại đây.
- PlatoAiStream. Thông minh Web3. Kiến thức khuếch đại. Truy cập Tại đây.
- Trung tâmESG. Than đá, công nghệ sạch, Năng lượng, Môi trường Hệ mặt trời, Quản lý chất thải. Truy cập Tại đây.
- PlatoSức khỏe. Tình báo thử nghiệm lâm sàng và công nghệ sinh học. Truy cập Tại đây.
- nguồn: https://aws.amazon.com/blogs/machine-learning/create-a-document-lake-using-large-scale-text-extraction-from-documents-with-amazon-textract/
- : có
- :là
- :không phải
- :Ở đâu
- $ LÊN
- 000
- 1
- 10
- 100
- 12
- 20
- 200
- 7
- 710
- 8
- a
- Có khả năng
- Giới thiệu
- truy cập
- Tài khoản
- chính xác
- thêm vào
- thêm vào
- Ngoài ra
- tiến
- tiên tiến
- Lợi thế
- Sau
- một lần nữa
- AI
- Dịch vụ AI
- AI / ML
- Tất cả
- cho phép
- cho phép
- dọc theo
- Đã
- Ngoài ra
- đàn bà gan dạ
- Amazon EC2
- Amazon SageMaker
- Văn bản Amazon
- Amazon Web Services
- Amazon Web Services (AWS)
- số lượng
- an
- phân tích
- và
- bất kì
- api
- API
- các ứng dụng
- áp dụng
- phương pháp tiếp cận
- khoảng
- LÀ
- nhân tạo
- trí tuệ nhân tạo
- Trí tuệ nhân tạo (AI)
- AS
- giao
- At
- tự động
- tự động
- AWS
- trở lại
- cơ sở
- Về cơ bản
- BE
- được
- trước
- tỷ
- Khối
- bootstrap
- cả hai
- xây dựng
- xây dựng
- kinh doanh
- by
- cuộc gọi
- gọi là
- Caller
- gọi
- CAN
- khả năng
- có khả năng
- trường hợp
- trường hợp
- pin
- nhất định
- thay đổi
- kiểm tra
- Chọn
- tốt nghiệp lớp XNUMX
- giống cá lăng
- đám mây
- mã
- cơ sở mã
- bộ sưu tập
- bình luận
- Bình luận
- hoàn thành
- hoàn thành
- các thành phần
- Tính
- máy tính
- Tầm nhìn máy tính
- An ủi
- xây dựng
- chứa
- Container
- chứa
- nội dung
- tiếp tục
- chuyển đổi
- tương ứng
- Chi phí
- có thể
- Crash
- tạo
- tạo ra
- khách hàng
- khách hàng
- khách hàng
- dữ liệu
- Cơ sở dữ liệu
- David
- quyết định
- Mặc định
- phụ thuộc
- triển khai
- triển khai
- triển khai
- mô tả
- Thiết kế
- thiết kế
- thiết kế
- chi tiết
- Phát hiện
- Xác định
- xác định
- phát triển
- Phát triển
- khác nhau
- phân phối
- phu bến tàu
- tài liệu
- tài liệu
- Không
- xuống
- hai
- mỗi
- Sớm hơn
- hay
- cho phép
- Cuối cùng đến cuối
- kết thúc
- đăng ký hạng mục thi
- Doanh nghiệp
- nhập
- môi trường
- như nhau
- sự kiện
- Mỗi
- ví dụ
- vượt quá
- thực hiện
- tồn tại
- kỳ vọng
- mong đợi
- kinh nghiệm
- thêm
- trích xuất
- khai thác
- thất bại
- không
- Không
- Đặc tính
- vài
- Lĩnh vực
- Tập tin
- Các tập tin
- tài chính
- dịch vụ tài chính
- Tìm kiếm
- hoàn thành
- Tên
- lần đầu tiên
- linh hoạt
- Tập trung
- tập trung
- sau
- tiếp theo
- sau
- Trong
- các hình thức
- tìm thấy
- Nền tảng
- Khung
- từ
- chức năng
- chức năng
- chức năng
- Thu được
- Tổng Quát
- tạo
- thế hệ
- thế hệ
- Trí tuệ nhân tạo
- được
- Go
- hướng dẫn
- xảy ra
- Có
- chăm sóc sức khỏe
- giúp đỡ
- tại đây
- cao
- của mình
- Độ đáng tin của
- Hướng dẫn
- Tuy nhiên
- HTML
- http
- HTTPS
- i
- ID
- ý tưởng
- Bản sắc
- id
- if
- minh họa
- hình ảnh
- thực hiện
- in
- bao gồm
- Bao gồm
- Tăng lên
- chỉ số
- các ngành công nghiệp
- đầu ngành
- thông tin
- Cơ sở hạ tầng
- ban đầu
- bắt đầu
- đổi mới
- đầu vào
- những hiểu biết
- cài đặt, dựng lên
- cài đặt
- ví dụ
- Sự thông minh
- Thông minh
- Xử lý tài liệu thông minh
- tương tác
- trong
- hàng tồn kho
- IT
- mặt hàng
- ITS
- Việc làm
- jpg
- json
- Key
- hồ
- Đường nhỏ
- Ngôn ngữ
- lớn
- quy mô lớn
- hàng đầu
- LEARN
- học tập
- Rời bỏ
- trái
- ít
- Lượt thích
- Danh sách
- Loài đà mã ở nam mỹ
- nằm
- địa điểm thư viện nào
- khóa
- logic
- còn
- tìm kiếm
- máy
- học máy
- Chủ yếu
- làm cho
- LÀM CHO
- quản lý
- quản lý
- nhiều
- bản đồ
- Tối đa hóa
- Gặp gỡ
- đề cập
- Siêu dữ liệu
- phương pháp
- phương pháp
- Metrics
- hàng triệu
- Phút
- ML
- kiểu mẫu
- mô hình
- Màn Hình
- chi tiết
- hầu hết
- di chuyển
- nhiều
- phải
- tên
- Được đặt theo tên
- tên
- Tự nhiên
- Xử lý ngôn ngữ tự nhiên
- Điều hướng
- Cần
- cần thiết
- Mới
- tiếp theo
- Không
- ghi
- máy tính xách tay
- tại
- con số
- vật
- đối tượng
- of
- off
- cung cấp
- on
- ONE
- hoạt động
- or
- dàn nhạc
- Nền tảng khác
- nếu không thì
- vfoXNUMXfipXNUMXhfpiXNUMXufhpiXNUMXuf
- ra
- đầu ra
- kết thúc
- riêng
- đóng gói
- trang
- trang
- một phần
- mỗi
- quyền
- chọn
- đường ống dẫn
- plato
- Thông tin dữ liệu Plato
- PlatoDữ liệu
- Điểm
- Chính sách
- đông dân cư
- Bài đăng
- tiềm năng
- có khả năng
- trình bày
- ngăn chặn
- Vấn đề
- quá trình
- Quy trình
- xử lý
- sản xuất
- dự án
- đúng
- cho
- cung cấp
- cung cấp
- công khai
- đặt
- Python
- nhanh nhất
- Mau
- Nguyên
- Đọc
- sẵn sàng
- thực
- thời gian thực
- giới thiệu
- đề nghị
- ghi
- hồ sơ
- xem
- tài liệu tham khảo
- tài liệu tham khảo
- lặp lại
- báo cáo
- kho
- yêu cầu
- cần phải
- Yêu cầu
- đòi hỏi
- đàn hồi
- kết quả
- Kết quả
- Vai trò
- HÀNG
- chạy
- chạy
- chạy
- an toàn
- Sự An Toàn
- nhà làm hiền triết
- tương tự
- Lưu
- khả năng mở rộng
- Quy mô
- kịch bản
- sdk
- Tìm kiếm
- Thứ hai
- Phần
- phần
- ngành
- xem
- chọn
- gửi
- cao cấp
- gởi
- Trình tự
- máy chủ
- Không có máy chủ
- dịch vụ
- DỊCH VỤ
- Phiên
- định
- nên
- tắt
- tương tự
- Đơn giản
- đơn giản
- Kích thước máy
- thông minh
- So
- giải pháp
- Giải pháp
- một số
- nguồn
- nhịp cầu
- Vôn
- chuyên gia
- quy định
- quay
- ngăn xếp
- Bắt đầu
- bắt đầu
- Bắt đầu
- Tiểu bang
- Trạng thái
- Bước
- Dừng
- dừng lại
- dừng lại
- là gắn
- hàng
- lưu trữ
- cửa hàng
- lưu trữ
- đơn giản
- Chuỗi
- cấu trúc
- phòng thu
- thành công
- như vậy
- chắc chắn
- hệ thống
- bàn
- Hãy
- Lấy
- mất
- dùng
- nhóm
- Công nghệ
- Thiết bị đầu cuối
- Kiểm tra
- văn bản
- hơn
- việc này
- Sản phẩm
- thông tin
- Nguồn
- Nhà nước
- cung cấp their dịch
- Them
- sau đó
- Đó
- Kia là
- họ
- điều này
- những
- số ba
- Thông qua
- thông lượng
- Tim
- thời gian
- đến
- đối với
- Tps
- theo dõi
- Train
- Giao dịch
- Quay
- chìa khóa trao tay
- hai
- không thể
- Dưới
- Bất ngờ
- cho đến khi
- cập nhật
- sử dụng
- ca sử dụng
- sử dụng
- sử dụng
- sử dụng
- sử dụng
- biến
- khác nhau
- phiên bản
- tầm nhìn
- chờ đợi
- muốn
- là
- Đồng hồ đeo tay
- Đường..
- we
- web
- các dịch vụ web
- là
- Điều gì
- khi nào
- cái nào
- toàn bộ
- sẽ
- với
- ở trong
- không có
- Công việc
- quy trình làm việc
- đáng lo ngại
- sẽ
- Bọc
- viết
- năm
- Bạn
- trên màn hình
- zephyrnet