Trí tuệ nhân tạo sáng tạo (trí tuệ nhân tạo) đã chứng tỏ khả năng ấn tượng trong việc tạo ra văn bản, hình ảnh và nội dung khác chất lượng cao. Tuy nhiên, những mô hình này yêu cầu một lượng lớn dữ liệu đào tạo có cấu trúc và rõ ràng để phát huy hết tiềm năng của chúng. Hầu hết dữ liệu trong thế giới thực tồn tại ở các định dạng phi cấu trúc như PDF, đòi hỏi phải xử lý trước khi có thể sử dụng một cách hiệu quả.
Theo IDC, dữ liệu phi cấu trúc chiếm trên 80% tổng số dữ liệu kinh doanh hiện nay. Điều này bao gồm các định dạng như email, PDF, tài liệu được quét, hình ảnh, âm thanh, video, v.v. Mặc dù dữ liệu này chứa đựng những hiểu biết sâu sắc có giá trị nhưng bản chất phi cấu trúc của nó khiến các thuật toán AI khó diễn giải và học hỏi từ nó. Theo một Khảo sát năm 2019 bởi Deloitte, chỉ có 18% doanh nghiệp cho biết có thể tận dụng được dữ liệu phi cấu trúc.
Khi việc áp dụng AI tiếp tục tăng tốc, việc phát triển các cơ chế hiệu quả để tiếp thu và học hỏi từ dữ liệu phi cấu trúc càng trở nên quan trọng hơn trong tương lai. Điều này có thể liên quan đến các công cụ tiền xử lý tốt hơn, kỹ thuật học bán giám sát và những tiến bộ trong xử lý ngôn ngữ tự nhiên. Các công ty sử dụng dữ liệu phi cấu trúc của mình một cách hiệu quả nhất sẽ đạt được lợi thế cạnh tranh đáng kể từ AI. Dữ liệu sạch rất quan trọng để mô hình hoạt động tốt. Các văn bản được trích xuất vẫn có một lượng lớn văn bản vô nghĩa và văn bản soạn sẵn (ví dụ: đọc HTML). Dữ liệu được lấy từ internet thường chứa rất nhiều bản sao. Dữ liệu từ phương tiện truyền thông xã hội, bài đánh giá hoặc bất kỳ nội dung nào do người dùng tạo cũng có thể chứa nội dung độc hại và sai lệch và bạn có thể cần lọc chúng ra bằng một số bước xử lý trước. Cũng có thể có nhiều nội dung chất lượng thấp hoặc văn bản do bot tạo ra, có thể được lọc ra bằng siêu dữ liệu đi kèm (ví dụ: lọc ra các phản hồi dịch vụ khách hàng nhận được xếp hạng thấp của khách hàng).
Việc chuẩn bị dữ liệu rất quan trọng ở nhiều giai đoạn trong Thế hệ tăng cường truy xuất (GIẺ) mô hình. Các tài liệu nguồn kiến thức cần được xử lý trước, chẳng hạn như làm sạch văn bản và tạo các phần nhúng ngữ nghĩa để có thể lập chỉ mục và truy xuất chúng một cách hiệu quả. Truy vấn ngôn ngữ tự nhiên của người dùng cũng yêu cầu tiền xử lý, do đó nó có thể được mã hóa thành một vectơ và so sánh với các phần nhúng tài liệu. Sau khi truy xuất các ngữ cảnh có liên quan, chúng có thể cần xử lý trước bổ sung, chẳng hạn như cắt ngắn, trước khi được nối với truy vấn của người dùng để tạo lời nhắc cuối cùng cho mô hình nền tảng. Canvas SageMaker của Amazon hiện hỗ trợ khả năng chuẩn bị dữ liệu toàn diện được cung cấp bởi Trình sắp xếp dữ liệu Amazon SageMaker. Với sự tích hợp này, SageMaker Canvas cung cấp cho khách hàng không gian làm việc không cần mã từ đầu đến cuối để chuẩn bị dữ liệu, xây dựng và sử dụng các mô hình ML cũng như nền tảng nhằm tăng tốc thời gian từ dữ liệu đến hiểu biết sâu sắc về doanh nghiệp. Giờ đây, bạn có thể dễ dàng khám phá và tổng hợp dữ liệu từ hơn 50 nguồn dữ liệu, đồng thời khám phá và chuẩn bị dữ liệu bằng cách sử dụng hơn 300 phân tích và chuyển đổi tích hợp trong giao diện trực quan của SageMaker Canvas.
Tổng quan về giải pháp
Trong bài đăng này, chúng tôi làm việc với tập dữ liệu tài liệu PDF—nền tảng Amazon hướng dẫn người dùng. Hơn nữa, chúng tôi trình bày cách xử lý trước tập dữ liệu cho RAG. Cụ thể, chúng tôi làm sạch dữ liệu và tạo các tạo phẩm RAG để trả lời các câu hỏi về nội dung của tập dữ liệu. Hãy xem xét vấn đề về máy học (ML) sau đây: người dùng hỏi một câu hỏi về mô hình ngôn ngữ lớn (LLM): “Làm cách nào để lọc và tìm kiếm các mô hình trong Amazon Bedrock?”. LLM chưa xem tài liệu trong giai đoạn đào tạo hoặc tinh chỉnh nên không thể trả lời câu hỏi và rất có thể sẽ bị ảo giác. Mục tiêu của chúng tôi với bài đăng này là tìm một đoạn văn bản có liên quan từ PDF (tức là RAG) và đính kèm nó vào lời nhắc, do đó cho phép LLM trả lời các câu hỏi cụ thể cho tài liệu này.
Dưới đây, chúng tôi trình bày cách bạn có thể thực hiện tất cả các bước tiền xử lý chính này từ Canvas SageMaker của Amazon (cung cấp bởi Trình sắp xếp dữ liệu Amazon SageMaker):
- Trích xuất văn bản từ tài liệu PDF (được cung cấp bởi Textract)
- Xóa thông tin nhạy cảm (được cung cấp bởi Comprehend)
- Cắt văn bản thành từng mảnh.
- Tạo phần nhúng cho từng phần (được cung cấp bởi Bedrock).
- Tải nội dung nhúng lên cơ sở dữ liệu vectơ (được hỗ trợ bởi OpenSearch)
Điều kiện tiên quyết
Đối với hướng dẫn này, bạn nên có những điều sau:
Chú thích: Tạo miền Dịch vụ OpenSearch theo hướng dẫn tại đây. Để đơn giản, hãy chọn tùy chọn có tên người dùng và mật khẩu chính để kiểm soát truy cập chi tiết hơn. Sau khi miền được tạo, hãy tạo chỉ mục vectơ với các ánh xạ sau và kích thước vectơ 1536 căn chỉnh với các phần nhúng của Amazon Titan:
Hương
Xây dựng luồng dữ liệu
Trong phần này, chúng tôi đề cập đến cách chúng tôi có thể xây dựng luồng dữ liệu để trích xuất văn bản và siêu dữ liệu từ tệp PDF, làm sạch và xử lý dữ liệu, tạo phần nhúng bằng Amazon Bedrock và lập chỉ mục dữ liệu trong Amazon OpenSearch.
Khởi chạy SageMaker Canvas
Để khởi chạy SageMaker Canvas, hãy hoàn thành các bước sau:
- Trên Amazon Bảng điều khiển SageMaker, chọn Tên miền trong khung điều hướng.
- Chọn tên miền của bạn.
- Trên menu khởi chạy, chọn Canvas.
Tạo luồng dữ liệu
Hoàn thành các bước sau để tạo luồng dữ liệu trong SageMaker Canvas:
- Trên trang chủ SageMaker Canvas, chọn Trình sắp xếp dữ liệu.
- Chọn Tạo ở bên phải trang, sau đó đặt tên luồng dữ liệu và chọn Tạo.
- Điều này sẽ hạ cánh trên một trang luồng dữ liệu.
- Chọn Nhập dữ liệu, chọn dữ liệu dạng bảng.
Bây giờ hãy nhập dữ liệu từ nhóm Amazon S3:
- Chọn Nhập dữ liệu và chọn Bảng từ danh sách thả xuống.
- Nguồn dữ liệu và chọn Amazon S3 từ danh sách thả xuống.
- Điều hướng đến tệp siêu dữ liệu có vị trí tệp PDF và chọn tệp.
- Bây giờ, tệp siêu dữ liệu đã được tải vào luồng dữ liệu chuẩn bị dữ liệu và chúng ta có thể tiến hành thêm các bước tiếp theo để chuyển đổi dữ liệu và lập chỉ mục thành Amazon Tìm kiếm mở. Trong trường hợp này, tệp có siêu dữ liệu sau, cùng với vị trí của từng tệp trong thư mục Amazon S3.
Để thêm một biến đổi mới, hãy hoàn thành các bước sau:
- Chọn dấu cộng và chọn Thêm chuyển đổi.
- Chọn Thêm bước Và chọn Biến đổi tùy chỉnh.
- Bạn có thể tạo một biến đổi tùy chỉnh bằng cách sử dụng Pandas, PySpark, các hàm do người dùng xác định Python và SQL PySpark. Chọn Trăn (PySpark) cho trường hợp sử dụng này.
- Nhập tên cho bước này. Từ các đoạn mã ví dụ, hãy duyệt và chọn trích xuất văn bản từ pdf. Thực hiện những thay đổi cần thiết đối với đoạn mã và chọn Thêm.
- Hãy thêm một bước để loại bỏ dữ liệu Thông tin nhận dạng cá nhân (PII) khỏi dữ liệu được trích xuất bằng cách tận dụng Amazon hiểu. Chọn Thêm bước Và chọn Biến đổi tùy chỉnh. Và chọn Python (PySpark).
Từ các đoạn mã ví dụ, hãy duyệt và chọn mặt nạ PII. Thực hiện những thay đổi cần thiết đối với đoạn mã và chọn Thêm.
- Bước tiếp theo là chia nhỏ nội dung văn bản. Chọn Thêm bước Và chọn Biến đổi tùy chỉnh. Và chọn Python (PySpark).
Từ các đoạn mã ví dụ, hãy duyệt và chọn Đoạn văn bản. Thực hiện những thay đổi cần thiết đối với đoạn mã và chọn Thêm.
- Hãy chuyển đổi nội dung văn bản sang dạng nhúng vector bằng cách sử dụng nền tảng Amazon Mô hình nhúng Titan. Chọn Thêm bước Và chọn Biến đổi tùy chỉnh. Và chọn Python (PySpark).
Từ các đoạn mã ví dụ, hãy duyệt và chọn Tạo văn bản nhúng với Bedrock. Thực hiện những thay đổi cần thiết đối với đoạn mã và chọn Thêm.
- Bây giờ chúng tôi có sẵn các phần nhúng vector cho nội dung tệp PDF. Hãy tiếp tục và lập chỉ mục dữ liệu vào Amazon OpenSearch. Chọn Thêm bước Và chọn Biến đổi tùy chỉnh. Và chọn Python (PySpark). Bạn có thể viết lại đoạn mã sau để sử dụng cơ sở dữ liệu vectơ ưa thích của mình. Để đơn giản, chúng tôi đang sử dụng tên người dùng và mật khẩu chính để truy cập API OpenSearch, đối với khối lượng công việc sản xuất, hãy chọn tùy chọn theo chính sách tổ chức của bạn.
Cuối cùng, luồng dữ liệu được tạo sẽ như sau:
Với luồng dữ liệu này, dữ liệu từ tệp PDF đã được đọc và lập chỉ mục bằng tính năng nhúng vectơ trong Amazon OpenSearch. Bây giờ là lúc chúng ta tạo một tệp có các truy vấn để truy vấn dữ liệu được lập chỉ mục và lưu nó vào vị trí Amazon S3. Chúng tôi sẽ trỏ luồng dữ liệu tìm kiếm của mình tới tệp và xuất tệp có kết quả tương ứng trong một tệp mới ở vị trí Amazon S3.
Đang chuẩn bị lời nhắc
Sau khi tạo cơ sở kiến thức từ tệp PDF của mình, chúng ta có thể kiểm tra nó bằng cách tìm kiếm cơ sở kiến thức cho một số truy vấn mẫu. Chúng tôi sẽ xử lý từng truy vấn như sau:
- Tạo nội dung nhúng cho truy vấn (được cung cấp bởi Amazon Bedrock)
- Cơ sở dữ liệu vectơ truy vấn cho bối cảnh lân cận gần nhất (được cung cấp bởi Amazon OpenSearch)
- Kết hợp truy vấn và ngữ cảnh vào lời nhắc.
- Truy vấn LLM bằng lời nhắc (được cung cấp bởi Amazon Bedrock)
- Trên trang chủ SageMaker Canvas, chọn Chuẩn bị dữ liệu.
- Chọn Tạo ở bên phải trang, sau đó đặt tên luồng dữ liệu và chọn Tạo.
Bây giờ, hãy tải câu hỏi của người dùng rồi tạo lời nhắc bằng cách kết hợp câu hỏi và các tài liệu tương tự. Lời nhắc này được cung cấp cho LLM để tạo câu trả lời cho câu hỏi của người dùng.
- Hãy tải tệp csv có câu hỏi của người dùng. Chọn dữ liệu nhập khẩu và chọn Bảng từ danh sách thả xuống.
- Nguồn dữ liệu, và chọn Amazon S3 từ danh sách thả xuống. Ngoài ra, bạn có thể chọn tải lên tệp có truy vấn của người dùng.
- Hãy thêm một phép chuyển đổi tùy chỉnh để chuyển đổi dữ liệu thành các phần nhúng vectơ, sau đó tìm kiếm các phần nhúng có liên quan từ Amazon OpenSearch, trước khi gửi lời nhắc tới Amazon Bedrock cùng với truy vấn và ngữ cảnh từ cơ sở kiến thức. Để tạo nội dung nhúng cho truy vấn, bạn có thể sử dụng đoạn mã ví dụ tương tự Tạo văn bản nhúng với Bedrock được đề cập ở Bước # 7 ở trên.
Hãy gọi API Amazon OpenSearch để tìm kiếm các tài liệu liên quan cho các vectơ nhúng được tạo. Thêm một biến đổi tùy chỉnh bằng Python (PySpark).
Hãy thêm một biến đổi tùy chỉnh để gọi API Amazon Bedrock để phản hồi truy vấn, chuyển tài liệu từ cơ sở kiến thức Amazon OpenSearch. Từ các đoạn mã ví dụ, hãy duyệt và chọn Truy vấn Bedrock với ngữ cảnh. Thực hiện những thay đổi cần thiết đối với đoạn mã và chọn Thêm.
Tóm lại, luồng dữ liệu trả lời câu hỏi dựa trên RAG như sau:
Những người thực hành ML dành nhiều thời gian để tạo mã kỹ thuật tính năng, áp dụng mã đó vào tập dữ liệu ban đầu của họ, đào tạo mô hình trên tập dữ liệu được thiết kế và đánh giá độ chính xác của mô hình. Do tính chất thử nghiệm của công việc này, ngay cả dự án nhỏ nhất cũng dẫn đến nhiều lần lặp lại. Mã kỹ thuật tính năng giống nhau thường được chạy đi chạy lại, gây lãng phí thời gian và tài nguyên tính toán khi lặp lại các hoạt động giống nhau. Trong các tổ chức lớn, điều này có thể gây ra tình trạng giảm năng suất thậm chí còn lớn hơn vì các nhóm khác nhau thường thực hiện các công việc giống hệt nhau hoặc thậm chí viết mã kỹ thuật tính năng trùng lặp vì họ không có kiến thức về công việc trước đó. Để tránh việc xử lý lại các tính năng, chúng tôi sẽ xuất luồng dữ liệu của mình sang Amazon Đường dẫn SageMaker. Hãy chọn nút + ở bên phải truy vấn. Chọn luồng dữ liệu xuất và chọn Chạy quy trình SageMaker (thông qua sổ ghi chép Jupyter).
Dọn dẹp
Để tránh bị tính phí trong tương lai, hãy xóa hoặc tắt các tài nguyên bạn đã tạo khi theo dõi bài đăng này. tham khảo Đăng xuất khỏi Amazon SageMaker Canvas để biết thêm chi tiết.
Kết luận
Trong bài đăng này, chúng tôi đã giới thiệu cho bạn các khả năng toàn diện của Amazon SageMaker Canvas bằng cách đảm nhận vai trò của một chuyên gia dữ liệu đang chuẩn bị dữ liệu cho LLM. Việc chuẩn bị dữ liệu tương tác cho phép nhanh chóng làm sạch, chuyển đổi và phân tích dữ liệu để thiết kế các tính năng thông tin. Bằng cách loại bỏ sự phức tạp trong mã hóa, SageMaker Canvas cho phép lặp lại nhanh chóng để tạo ra tập dữ liệu đào tạo chất lượng cao. Quy trình làm việc được tăng tốc này trực tiếp dẫn đến việc xây dựng, đào tạo và triển khai mô hình máy học hiệu quả để tác động đến doanh nghiệp. Với việc chuẩn bị dữ liệu toàn diện và trải nghiệm thống nhất từ dữ liệu đến thông tin chi tiết, SageMaker Canvas hỗ trợ người dùng cải thiện kết quả ML của họ.
Chúng tôi khuyến khích bạn tìm hiểu thêm bằng cách khám phá Trình sắp xếp dữ liệu Amazon SageMaker, Canvas SageMaker của Amazon, người khổng lồ Amazon mô hình, nền tảng Amazonvà Amazon Dịch vụ tìm kiếm mở để xây dựng giải pháp bằng cách triển khai mẫu được cung cấp trong bài đăng này và tập dữ liệu có liên quan đến doanh nghiệp của bạn. Nếu bạn có thắc mắc hoặc gợi ý, xin vui lòng để lại nhận xét.
Về các tác giả
Ajjay Govindaram là Kiến trúc sư giải pháp cấp cao tại AWS. Anh ấy làm việc với các khách hàng chiến lược đang sử dụng AI/ML để giải quyết các vấn đề kinh doanh phức tạp. Kinh nghiệm của anh ấy là cung cấp định hướng kỹ thuật cũng như hỗ trợ thiết kế cho các triển khai ứng dụng AI/ML quy mô nhỏ đến quy mô lớn. Kiến thức của anh bao gồm từ kiến trúc ứng dụng đến dữ liệu lớn, phân tích và máy học. Anh ấy thích nghe nhạc khi nghỉ ngơi, trải nghiệm ngoài trời và dành thời gian cho những người thân yêu của mình.
Nikita Ivkin là Nhà khoa học ứng dụng cấp cao tại Amazon SageMaker Data Wrangler, quan tâm đến các thuật toán làm sạch dữ liệu và máy học.
- 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/simplify-data-prep-for-gen-ai-with-amazon-sagemaker-data-wrangler/
- : có
- :là
- :không phải
- 100
- 14
- 20
- 25
- 28
- 50
- 7
- 8
- 804
- a
- Có khả năng
- Giới thiệu
- ở trên
- đẩy nhanh tiến độ
- tăng tốc
- truy cập
- Theo
- Trợ Lý Giám Đốc
- chính xác
- thêm vào
- thêm vào
- Nhận con nuôi
- tiến bộ
- Lợi thế
- lợi thế
- Sau
- một lần nữa
- tổng hợp
- trước
- AI
- AI / ML
- thuật toán
- Căn chỉnh
- Tất cả
- cho phép
- Ngoài ra
- đàn bà gan dạ
- Amazon SageMaker
- Trình sắp xếp dữ liệu Amazon SageMaker
- Amazon Web Services
- số lượng
- an
- phân tích
- phân tích
- phân tích
- và
- trả lời
- bất kì
- api
- Các Ứng Dụng
- áp dụng
- Nộp đơn
- kiến trúc
- LÀ
- nhân tạo
- trí tuệ nhân tạo
- AS
- Hỗ trợ
- At
- đính kèm
- âm thanh
- tăng cường
- có sẵn
- tránh
- AWS
- cơ sở
- dựa
- BE
- bởi vì
- trở thành
- được
- trước
- được
- Hơn
- có thành kiến
- lớn
- Dữ Liệu Lớn.
- xây dựng
- Xây dựng
- được xây dựng trong
- kinh doanh
- các doanh nghiệp
- nút
- by
- cuộc gọi
- CAN
- vải
- khả năng
- trường hợp
- Nguyên nhân
- Những thay đổi
- tải
- Chọn
- giống cá lăng
- Làm sạch
- mã
- Lập trình
- kết hợp
- bình luận
- Các công ty
- so
- cạnh tranh
- hoàn thành
- phức tạp
- phức tạp
- hiểu
- toàn diện
- Tính
- Hãy xem xét
- An ủi
- chứa
- chứa
- nội dung
- nội dung
- bối cảnh
- bối cảnh
- liên tiếp
- điều khiển
- chuyển đổi
- Tương ứng
- có thể
- che
- tạo
- tạo ra
- quan trọng
- khách hàng
- khách hàng
- Dịch Vụ CSKH
- khách hàng
- dữ liệu
- Chuẩn bị dữ liệu
- Cơ sở dữ liệu
- bộ dữ liệu
- deloitte
- chứng minh
- triển khai
- triển khai
- Thiết kế
- chi tiết
- phát triển
- khác nhau
- khó khăn
- kích thước
- hướng
- trực tiếp
- khám phá
- do
- tài liệu
- tài liệu hướng dẫn
- tài liệu
- miền
- lĩnh vực
- xuống
- suốt trong
- e
- mỗi
- dễ dàng
- hiệu quả
- hiệu quả
- hiệu quả
- nhúng
- trao quyền
- kích hoạt
- cho phép
- khuyến khích
- Cuối cùng đến cuối
- ky sư
- thiết kế
- Kỹ Sư
- đánh giá
- Ngay cả
- ví dụ
- tồn tại
- kinh nghiệm
- trải qua
- thử nghiệm
- khám phá
- Khám phá
- xuất khẩu
- trích xuất
- Đặc tính
- Tính năng
- vài
- Lĩnh vực
- Tập tin
- lọc
- cuối cùng
- Tìm kiếm
- dòng chảy
- sau
- tiếp theo
- sau
- Trong
- Forbes
- Nền tảng
- Foundations
- Miễn phí
- từ
- Full
- chức năng
- xa hơn
- tương lai
- Thu được
- tạo ra
- tạo ra
- tạo ra
- thế hệ
- thế hệ
- Trí tuệ nhân tạo
- được
- Cho
- được
- Toàn cầu
- Go
- mục tiêu
- tốt
- lớn hơn
- Có
- he
- tiêu đề
- chất lượng cao
- của mình
- giữ
- Trang Chủ
- Độ đáng tin của
- Hướng dẫn
- Tuy nhiên
- HTML
- HTTPS
- i
- giống hệt nhau
- if
- hình ảnh
- Va chạm
- thực hiện
- nhập khẩu
- quan trọng
- ấn tượng
- nâng cao
- in
- bao gồm
- chỉ số
- lập chỉ mục
- thông tin
- thông tin
- ban đầu
- những hiểu biết
- hướng dẫn
- hội nhập
- Sự thông minh
- tương tác
- lợi ích
- Giao thức
- Internet
- trong
- liên quan
- IT
- sự lặp lại
- sự lặp lại
- ITS
- việc làm
- jpg
- json
- kiến thức
- Quốc gia
- Ngôn ngữ
- lớn
- quy mô lớn
- phóng
- Dẫn
- LEARN
- học tập
- Rời bỏ
- Led
- tận dụng
- nằm
- Lượt thích
- Danh sách
- Listening
- LLM
- tải
- địa điểm thư viện nào
- . Các địa điểm
- sự mất
- Rất nhiều
- yêu
- Thấp
- máy
- học máy
- Chủ yếu
- làm cho
- LÀM CHO
- mặt nạ
- lớn
- chủ
- Có thể..
- cơ chế
- Phương tiện truyền thông
- Menu
- Siêu dữ liệu
- Siêu dữ liệu
- ML
- kiểu mẫu
- mô hình
- khiêm tốn
- chi tiết
- hầu hết
- nhiều
- Âm nhạc
- tên
- Tự nhiên
- Xử lý ngôn ngữ tự nhiên
- Thiên nhiên
- THÔNG TIN
- cần thiết
- Cần
- Mới
- tiếp theo
- Không
- máy tính xách tay
- tại
- of
- thường
- on
- hàng loạt
- những
- có thể
- Hoạt động
- Tùy chọn
- or
- cơ quan
- tổ chức
- Nền tảng khác
- vfoXNUMXfipXNUMXhfpiXNUMXufhpiXNUMXuf
- ra
- kết quả
- ngoài trời
- đầu ra
- kết thúc
- trang
- gấu trúc
- cửa sổ
- Đi qua
- Mật khẩu
- hiệu suất
- riêng
- chọn
- mảnh
- miếng
- đường ống dẫn
- plato
- Thông tin dữ liệu Plato
- PlatoDữ liệu
- xin vui lòng
- thêm
- Điểm
- Chính sách
- Bài đăng
- tiềm năng
- -
- ưa thích
- chuẩn bị
- Chuẩn bị
- chuẩn bị
- Trước khi
- có lẽ
- Vấn đề
- vấn đề
- tiến hành
- quá trình
- xử lý
- Sản lượng
- năng suất
- chuyên nghiệp
- dự án
- tài sản
- cung cấp
- cung cấp
- cung cấp
- Python
- truy vấn
- câu hỏi
- Câu hỏi
- Mau
- các dãy
- nhanh
- xếp hạng
- đạt
- Đọc
- thế giới thực
- nhận
- xem
- liên quan
- có liên quan
- loại bỏ
- Báo cáo
- yêu cầu
- yêu cầu
- đòi hỏi
- Thông tin
- phản ứng
- phản ứng
- nghỉ ngơi
- Kết quả
- trở lại
- Đánh giá
- ngay
- Vai trò
- chạy
- nhà làm hiền triết
- tương tự
- Lưu
- Nhà khoa học
- Tìm kiếm
- tìm kiếm
- Phần
- đã xem
- chọn
- gửi
- cao cấp
- nhạy cảm
- dịch vụ
- DỊCH VỤ
- thiết lập
- nên
- hiển thị
- cho thấy
- đóng cửa
- Đóng cửa
- bên
- đăng ký
- có ý nghĩa
- tương tự
- đơn giản
- đơn giản hóa
- Kích thước máy
- đoạn
- So
- Mạng xã hội
- truyền thông xã hội
- giải pháp
- Giải pháp
- động SOLVE
- một số
- nguồn
- nguồn
- riêng
- đặc biệt
- tiêu
- Chi
- Traineeship
- giai đoạn
- Bước
- Các bước
- Vẫn còn
- Chiến lược
- cấu trúc
- TÓM TẮT
- Hỗ trợ
- Khảo sát
- Hãy
- đội
- Kỹ thuật
- kỹ thuật
- thử nghiệm
- văn bản
- việc này
- Sản phẩm
- Tương lai
- cung cấp their dịch
- Them
- sau đó
- Đó
- Kia là
- họ
- điều này
- Như vậy
- thời gian
- titan
- đến
- bây giờ
- công cụ
- Hội thảo
- Chuyển đổi
- Chuyển đổi
- biến đổi
- biến đổi
- đúng
- sự cắt bớt
- kiểu
- loại
- thống nhât
- us
- sử dụng
- đã sử dụng
- người sử dang
- Người sử dụng
- sử dụng
- Quý báu
- thông qua
- Video
- trực quan
- hương
- we
- web
- các dịch vụ web
- TỐT
- cái nào
- trong khi
- CHÚNG TÔI LÀ
- sẽ
- với
- Công việc
- quy trình làm việc
- công trinh
- sẽ
- viết
- Bạn
- trên màn hình
- zephyrnet