大型语言模型(LLM)拥有广泛的知识,可以在几乎任何主题上生成类似人类的文本。 然而,它们对海量数据集的训练也限制了它们对专门任务的有用性。 如果不继续学习,这些模型仍然不会注意到初始训练后出现的新数据和趋势。 此外,培训新法学硕士的成本对于许多企业环境来说可能令人望而却步。 但是,可以将模型答案与原始专业内容交叉引用,从而避免使用检索增强生成 (RAG) 训练新的 LLM 模型。
RAG 赋予法学硕士检索和整合外部知识的能力。 RAG 允许模型从文档、数据库等中提取数据,而不是仅仅依赖预先训练的知识。 然后,该模型巧妙地将这些外部信息集成到其生成的文本中。 通过获取上下文相关的数据,该模型可以提供根据您的用例量身定制的明智的最新响应。 知识增强还减少了出现幻觉和不准确或无意义文本的可能性。 借助 RAG,基础模型将成为适应性强的专家,并随着您的知识库的增长而不断发展。
今天,我们很高兴推出三个生成式人工智能演示,并获得许可 MIT-0 许可证:
- Amazon Kendra 具有基础法学硕士 – 利用深度搜索功能 亚马逊肯德拉 结合法学硕士的广泛知识。 这种集成通过从各种来源获取数据,为复杂的查询提供精确且上下文感知的答案。
- 具有基础 LLM 的嵌入模型 – 将嵌入的力量(一种捕获单词和短语语义的技术)与法学硕士的庞大知识库相结合。 这种协同作用可以实现更准确的主题建模、内容推荐和语义搜索功能。
- 基础模型制药广告生成器 – 专为制药行业量身定制的专业应用程序。 该工具利用基础模型的生成能力,创建令人信服且合规的药品广告,确保内容符合行业标准和法规。
这些演示可以无缝部署在您的 AWS 账户中,提供有关利用 AWS 服务创建最先进的 LLM 生成式 AI 问答机器人和内容生成的基础见解和指导。
在这篇文章中,我们将探讨 RAG 如何与 Amazon Kendra 或自定义嵌入相结合来克服这些挑战并为自然语言查询提供精确的响应。
解决方案概述
通过采用该解决方案,您可以获得以下好处:
- 改进信息访问 – RAG 允许模型从大量外部来源获取信息,这在预训练模型的知识过时或不完整时特别有用。
- 可扩展性 – RAG 允许模型动态检索相关信息,而不是根据所有可用数据训练模型。 这意味着当新数据可用时,可以将其添加到检索数据库中,而无需重新训练整个模型。
- 内存效率 – LLM 需要大量内存来存储参数。 使用RAG,模型可以更小,因为它不需要记住所有细节; 它可以在需要时检索它们。
- 知识动态更新 – 与具有设定知识端点的传统模型不同,RAG 的外部数据库可以定期更新,从而使模型能够访问最新信息。 检索功能可以针对不同的任务进行微调。 例如,医疗诊断任务可以从医学期刊中获取数据,确保模型获得专家和相关的见解。
- 偏差缓解 – 从精心策划的数据库中提取数据的能力可以通过确保平衡和公正的外部来源来最大限度地减少偏见。
在深入研究 Amazon Kendra 与基础法学硕士的集成之前,为自己配备必要的工具和系统要求至关重要。 正确的设置是无缝部署演示的第一步。
先决条件
您必须具备以下先决条件:
尽管可以从本地计算机设置和部署本教程中详细介绍的基础架构, AWS 云9 提供了一种方便的选择。 AWS Cloud9 预先配备了 AWS CLI、AWS CDK 和 Docker 等工具,可以充当您的部署工作站。 要使用此服务,只需 设置环境 通过 AWS Cloud9 控制台.
满足了先决条件后,让我们通过基础法学硕士深入了解 Amazon Kendra 的特性和功能。
Amazon Kendra 具有基础法学硕士
Amazon Kendra 是一项通过机器学习 (ML) 增强的高级企业搜索服务,提供开箱即用的语义搜索功能。 Amazon Kendra 利用自然语言处理 (NLP) 理解文档内容和用户查询的潜在意图,将其定位为基于 RAG 的解决方案的内容检索工具。 通过使用 Kendra 的高精度搜索内容作为 RAG 负载,您可以获得更好的 LLM 响应。 在此解决方案中使用 Amazon Kendra 还可以根据最终用户内容访问权限过滤响应,从而实现个性化搜索。
下图显示了使用 RAG 方法的生成式 AI 应用程序的架构。
Amazon Kendra 通过以下方式对文档进行处理和索引 亚马逊简单存储服务(Amazon S3) 连接器。 来自 Amazon Kendra 的客户请求和上下文数据将定向到 亚马逊基岩 基础模型。 该演示允许您在 Amazon Bedrock 支持的 Amazon 的 Titan、AI21 的 Jurassic 和 Anthropic 的 Claude 模型之间进行选择。 对话历史记录保存在 Amazon DynamoDB,为法学硕士生成回复提供更多背景。
我们在 GitHub回购。 请参阅自述文件中的部署说明,将其部署到您的 AWS 账户中。
以下步骤概述了用户与生成式 AI 应用程序交互时的过程:
- 用户通过身份验证登录到 Web 应用程序 亚马逊Cognito.
- 用户将一份或多份文档上传到 Amazon S3。
- 用户运行 Amazon Kendra 同步作业以将 S3 文档提取到 Amazon Kendra 索引中。
- 用户的问题通过托管在的安全 WebSocket API 进行路由 Amazon API网关 以a为后盾 AWS Lambda 功能。
- Lambda 函数,由 浪链 框架是一种多功能工具,旨在创建由 AI 语言模型驱动的应用程序,它连接到 Amazon Bedrock 终端节点,根据聊天历史记录重新表述用户的问题。 改写后,问题将使用 Retrieve API 转发到 Amazon Kendra。 作为回应,Amazon Kendra 索引显示搜索结果,并提供源自企业摄取数据的相关文档的摘录。
- 用户的问题以及从索引检索的数据作为 LLM 提示中的上下文发送。 LLM 的响应作为聊天历史记录存储在 DynamoDB 中。
- 最后,LLM 的响应被发送回用户。
文档索引工作流程
以下是处理和索引文档的过程:
- 用户通过用户界面 (UI) 提交文档。
- 使用以下命令将文档传输到 S3 存储桶 AWS放大 API。
- Amazon Kendra 通过 Amazon Kendra S3 连接器为 S3 存储桶中的新文档编制索引。
认证的益处
下面列出了该解决方案的优点:
- 企业级检索 – Amazon Kendra 专为企业搜索而设计,适合拥有大量结构化和非结构化数据的组织。
- 语义理解 – Amazon Kendra 的 ML 功能确保检索基于深入的语义理解,而不仅仅是关键字匹配。
- 可扩展性 – Amazon Kendra 可以处理大规模数据源并提供快速且相关的搜索结果。
- 高度灵活 – 基础模型可以根据广泛的上下文生成答案,确保系统保持多功能性。
- 整合能力 – Amazon Kendra 可以与各种 AWS 服务和数据源集成,使其能够适应不同的组织需求。
具有基础 LLM 的嵌入模型
An 嵌入 是一个数值向量,代表多种数据类型的核心本质,包括文本、图像、音频和文档。 这种表示不仅捕获了数据的内在含义,而且使其适用于广泛的实际应用。 嵌入模型是机器学习的一个分支,它将复杂的数据(例如单词或短语)转换为连续的向量空间。 这些向量本质上掌握了数据之间的语义联系,从而实现更深入、更有洞察力的比较。
RAG 将基础模型(例如 Transformer)的优势与嵌入的精度无缝结合起来,以筛选大量数据库中的相关信息。 收到查询后,系统利用嵌入从大量数据中识别并提取相关部分。 然后,基础模型根据提取的信息制定上下文精确的响应。 数据检索和响应生成之间的这种完美协同作用使系统能够从广泛数据库中存储的大量知识中提供全面的答案。
在架构布局中,根据用户界面的选择,用户会被引导至 Amazon Bedrock 或 亚马逊SageMaker JumpStart 基础模型。 文档经过处理,向量嵌入由嵌入模型生成。 然后使用这些嵌入来索引 FAISS 以实现高效的语义搜索。 对话历史记录保存在 DynamoDB 中,丰富了法学硕士制定回复的背景。
下图说明了解决方案架构和工作流程。
我们在 GitHub回购。 请参阅自述文件中的部署说明,将其部署到您的 AWS 账户中。
嵌入模型
嵌入模型的职责如下:
- 该模型负责将文本(如文档或段落)转换为密集向量表示,通常称为嵌入。
- 这些嵌入捕获文本的语义,允许在不同文本片段之间进行高效且具有语义意义的比较。
- 嵌入模型可以在与基础模型相同的庞大语料库上进行训练,也可以专门针对特定领域。
问答工作流程
以下步骤描述了文档问答的工作流程:
- 用户登录到由 Amazon Cognito 进行身份验证的 Web 应用程序。
- 用户将一份或多份文档上传到 Amazon S3。
- 文档传输后,S3 事件通知会触发 Lambda 函数,该函数然后调用 SageMaker 嵌入模型端点来生成新文档的嵌入。 嵌入模型将问题转换为密集向量表示(嵌入)。 生成的矢量文件安全地存储在 S3 存储桶中。
- FAISS 检索器将此问题嵌入与数据库中所有文档或段落的嵌入进行比较,以找到最相关的段落。
- 这些段落以及用户的问题作为基础模型的上下文提供。 Lambda 函数使用 LangChain 库,并通过上下文填充查询连接到 Amazon Bedrock 或 SageMaker JumpStart 终端节点。
- LLM 的响应与用户的查询、时间戳、唯一标识符以及项目的其他任意标识符(例如问题类别)一起存储在 DynamoDB 中。 将问题和答案存储为离散项目使 Lambda 函数可以根据提出问题的时间轻松重新创建用户的对话历史记录。
- 最后,响应通过 API Gateway WebSocket API 集成响应通过 HTTPs 请求发送回用户。
认证的益处
以下列表描述了该解决方案的优点:
- 语义理解 – 嵌入模型确保检索器根据深入的语义理解来选择段落,而不仅仅是关键字匹配。
- 可扩展性 – 嵌入可以进行有效的相似性比较,从而可以快速搜索庞大的文档数据库。
- 高度灵活 – 基础模型可以根据广泛的上下文生成答案,确保系统保持多功能性。
- 领域适应性 – 嵌入模型可以针对特定领域进行训练或微调,从而使系统能够适应各种应用。
Foundation Models 制药广告生成器
在当今快节奏的制药行业中,高效和本地化的广告比以往任何时候都更加重要。 这就是创新解决方案发挥作用的地方,它利用生成人工智能的力量,从源图像和 PDF 中制作本地化的药品广告。 除了加快广告生成流程之外,这种方法还简化了医疗法律审查 (MLR) 流程。 MLR 是一种严格的审查机制,医疗、法律和监管团队会仔细评估宣传材料,以保证其准确性、科学依据和监管合规性。 传统的内容创建方法可能很麻烦,通常需要手动调整和广泛的审查,以确保符合区域合规性和相关性。 然而,随着生成式人工智能的出现,我们现在可以自动化制作真正与当地受众产生共鸣的广告,同时坚持严格的标准和准则。
下图说明了解决方案体系结构。
在架构布局中,根据用户选择的模型和广告偏好,用户可以无缝引导至 Amazon Bedrock 基础模型。 这种简化的方法可确保根据所需的配置精确生成新广告。 作为流程的一部分,文件由以下人员高效处理: 亚马逊Textract,生成的文本安全地存储在 DynamoDB 中。 一个突出的功能是用于图像和文本生成的模块化设计,使您能够根据需要灵活地独立重新生成任何组件。
我们在 GitHub回购。 请参阅自述文件中的部署说明,将其部署到您的 AWS 账户中。
内容生成工作流程
以下步骤概述了内容生成的过程:
- 用户选择他们的文档、源图像、广告位置、语言和图像样式。
- 通过 Amazon Cognito 身份验证确保对 Web 应用程序的安全访问。
- Web 应用程序的前端通过 Amplify 托管。
- 由 API Gateway 管理的 WebSocket API 可以方便用户请求。 这些请求通过身份验证 AWS身份和访问管理 (我是)。
- 与 Amazon Bedrock 的集成包括以下步骤:
- Lambda 函数利用 LangChain 库通过上下文丰富的查询连接到 Amazon Bedrock 终端节点。
- 文本到文本基础模型根据给定的上下文和设置制作适合上下文的广告。
- 文本到图像基础模型创建定制图像,受源图像、所选样式和位置的影响。
- 用户通过集成的 API Gateway WebSocket API 通过 HTTPS 请求接收响应。
文档和图像处理工作流程
以下是处理文档和图像的流程:
- 用户通过指定的UI上传资产。
- Amplify API 将文档传输到 S3 存储桶。
- 将资产传输到 Amazon S3 后,会发生以下操作之一:
- 如果是文档,则 Lambda 函数使用 Amazon Textract 来处理和提取文本以用于广告生成。
- 如果是图像,Lambda 函数会将其转换为 base64 格式,适合稳定扩散模型从源创建新图像。
- 提取的文本或 Base64 图像字符串安全地保存在 DynamoDB 中。
认证的益处
以下列表描述了该解决方案的优点:
- 效率 – 生成式人工智能的使用显着加快了广告生成过程,无需手动调整。
- 合规性遵守 – 该解决方案确保生成的广告遵守特定的指导和法规,例如 FDA 的营销指南。
- 物超所值 – 通过自动创建定制广告,公司可以显着降低与广告制作和修改相关的成本。
- 简化的 MLR 流程 – 该解决方案简化了 MLR 流程,减少摩擦点并确保审核更加顺利。
- 局部共振 – 生成式人工智能制作的广告能够与当地受众产生共鸣,确保在不同地区的相关性和影响力。
- 标准化 – 该解决方案维护必要的标准和指南,确保所有生成的广告的一致性。
- 可扩展性 – AI驱动的方法可以处理庞大的源图像和PDF数据库,从而使大规模广告生成成为可能。
- 减少人工干预 – 自动化减少了人工干预的需要,最大限度地减少错误并确保一致性。
您可以从本地计算机部署本教程中的基础设施,也可以使用 AWS Cloud9 作为部署工作站。 AWS Cloud9 预加载了 AWS CLI、AWS CDK 和 Docker。 如果您选择 AWS Cloud9, 创造环境 来自 AWS Cloud9 控制台.
清理
为了避免不必要的成本,请清理通过 AWS CloudFormation 控制台或在工作站上运行以下命令创建的所有基础设施:
此外,请记住停止您通过 SageMaker 控制台启动的任何 SageMaker 端点。 请记住,删除 Amazon Kendra 索引不会从存储中删除原始文档。
结论
以法学硕士为代表的生成式人工智能预示着我们获取和生成信息方式的范式转变。 这些模型虽然强大,但通常受到训练数据的限制。 RAG 解决了这一挑战,确保这些模型中的大量知识始终融入相关的最新见解。
我们基于 RAG 的演示对此提供了切实的证明。 他们展示了 Amazon Kendra、矢量嵌入和法学硕士之间的无缝协同作用,创建了一个信息不仅庞大而且准确及时的系统。 当您深入研究这些演示时,您将直接探索将预先训练的知识与 RAG 的动态功能相结合的变革潜力,从而产生既值得信赖又适合企业内容的输出。
尽管法学硕士支持的生成式人工智能开辟了一种获取信息洞察的新方式,但这些洞察必须是值得信赖的,并且仅限于使用 RAG 方法的企业内容。 这些基于 RAG 的演示使您能够获得准确且最新的见解。 这些见解的质量取决于语义相关性,这是通过使用 Amazon Kendra 和矢量嵌入实现的。
如果您准备好进一步探索和利用生成式人工智能的力量,请执行以下步骤:
- 参与我们的演示 – 实践经验是无价的。 探索功能、了解集成并熟悉界面。
- 加深你的知识 – 利用可用资源。 AWS 提供深入的文档、教程和社区支持来帮助您的 AI 之旅。
- 启动试点项目 – 考虑在您的企业中小规模实施生成式人工智能。 这将使您深入了解系统在特定环境下的实用性和适应性。
有关 AWS 上的生成式 AI 应用程序的更多信息,请参阅以下内容:
请记住,人工智能的前景在不断发展。 保持更新,保持好奇心,并随时准备适应和创新。
作者简介
阮金坛 是 AWS Industries 原型设计和客户工程 (PACE) 团队的原型开发人员,专门从事 NLP 和生成式 AI。 Jin 拥有软件开发背景和九项 AWS 认证,拥有丰富的经验,可以帮助 AWS 客户使用 AWS 平台实现他们的 AI/ML 和生成式 AI 愿景。 他拥有锡拉丘兹大学计算机科学和软件工程硕士学位。 工作之余,Jin 喜欢玩电子游戏并沉浸在恐怖电影的惊险世界中。
阿拉维德·柯达达拉迈亚 是 AWS 行业原型设计和客户工程 (PACE) 团队中的高级原型设计全堆栈解决方案构建者。 他专注于帮助 AWS 客户将创新想法转化为解决方案,并带来可衡量的、令人愉快的成果。 他对一系列主题充满热情,包括云安全、DevOps 和 AI/ML,并且经常发现他在摆弄这些技术。
阿尔琼·沙克德尔 是 AWS Industries Prototyping (PACE) 团队的开发人员,热衷于将技术融入生活。 Arjun 拥有普渡大学硕士学位,目前的职责主要是设计和构建跨越一系列领域的尖端原型,目前主要涉及人工智能/机器学习和物联网领域。 当不沉浸在代码和数字景观中时,您会发现 Arjun 沉迷于咖啡世界,探索复杂的钟表机械,或陶醉于汽车的艺术。
- SEO 支持的内容和 PR 分发。 今天得到放大。
- PlatoData.Network 垂直生成人工智能。 赋予自己力量。 访问这里。
- 柏拉图爱流。 Web3 智能。 知识放大。 访问这里。
- 柏拉图ESG。 碳, 清洁科技, 能源, 环境, 太阳能, 废物管理。 访问这里。
- 柏拉图健康。 生物技术和临床试验情报。 访问这里。
- Sumber: https://aws.amazon.com/blogs/machine-learning/harnessing-the-power-of-enterprise-data-with-generative-ai-insights-from-amazon-kendra-langchain-and-large-language-models/
- :是
- :不是
- :在哪里
- $UP
- 100
- 150
- 7
- a
- 对,能力--
- 关于
- 加速
- ACCESS
- 根据
- 账号管理
- 精准的
- 横过
- 行动
- Ad
- 适应
- 适应
- 添加
- 地址
- 坚持
- 调整
- 采用
- 广告
- 高级
- 优点
- 优点
- 来临
- 广告
- 后
- AI
- AI / ML
- 援助
- 对准
- 所有类型
- 让
- 允许
- 允许
- 几乎
- 沿
- 还
- 替代
- 时刻
- Amazon
- 亚马逊Cognito
- 亚马逊肯德拉
- 亚马逊Textract
- 亚马逊网络服务
- 量
- 放大
- an
- 和
- 回答
- 答案
- 任何
- API
- 应用
- 应用领域
- 应用领域
- 的途径
- 适当
- 建筑的
- 架构
- 保健
- 围绕
- 排列
- 艺术性
- AS
- 财富
- 办公室文员:
- 协助
- 相关
- 观众
- 音频
- 认证
- 认证
- 自动化
- 自动化
- 自动化和干细胞工程
- 可使用
- 避免
- 避免
- AWS
- AWS 云9
- AWS CloudFormation
- 背部
- 已备份
- 背景
- 后盾
- 基地
- 基于
- BE
- 因为
- 成为
- 成为
- 好处
- 更好
- 之间
- 超越
- 偏见
- 混纺
- 身体
- 博特
- 都
- 分支机构
- 带来
- 广阔
- 建设者
- 建筑物
- 但是
- by
- 呼叫
- CAN
- 可以得到
- 能力
- 捕获
- 捕获
- 案件
- 产品类别
- 认证
- 挑战
- 挑战
- 选择
- 清洁
- 云端技术
- 云安全
- Cloud9
- 码
- 咖啡
- 结合
- 结合
- 购买的订单均
- 常用
- 社体的一部分
- 公司
- 比较
- 复杂
- 符合
- 兼容
- 元件
- 领会
- 一台
- 计算机科学
- 配置
- 分享链接
- 连接
- 所连接
- 考虑
- 始终如一
- 安慰
- 经常
- 内容
- 内容生成
- 内容创造
- 上下文
- 上下文
- 上下文
- 持续
- 连续
- 便捷
- 常规
- 谈话
- 转换
- 核心
- 价格
- 成本
- 手艺
- 创建信息图
- 创建
- 创建
- 创造
- 创建
- 关键
- 麻烦的
- 好奇
- 电流
- 习俗
- 顾客
- 合作伙伴
- 前沿
- data
- 数据库
- 数据库
- 数据集
- 日期
- 深
- 更深
- 学位
- 愉快
- 演示
- 示 范 曲
- 依赖的
- 部署
- 部署
- 部署
- 部署
- 描述
- 设计
- 设计
- 期望
- 摧毁
- 详细
- 详情
- 开发商
- 研发支持
- 诊断
- 不同
- 扩散
- 数字
- 针对
- 显示器
- 不同
- 潜水
- 不同
- 跳水
- 码头工人
- 文件
- 文件
- 文件
- 不会
- 域名
- 画
- 画
- 驱动
- 动态
- 容易
- 效率
- 高效
- 有效
- 或
- 消除
- 嵌入
- 出现
- 员工
- 自主性的
- 如虎添翼
- enable
- 启用
- 使
- 使
- 结束
- 端点
- 工程师
- 增强
- 充实
- 确保
- 保证
- 确保
- 保证
- 企业
- 整个
- 配备
- 故障
- 特别
- 本质
- 评估
- 活动
- EVER
- 发展
- 演变
- 例子
- 兴奋
- 膨胀
- 体验
- 技术专家
- 专家
- 探索
- 探索
- 广泛
- 外部
- 提取
- 布
- 功能有助于
- 熟悉
- 快节奏
- FB
- 可行
- 专栏
- 特征
- 特色
- 文件
- 过滤
- 找到最适合您的地方
- 姓氏:
- 高度灵活
- 重点
- 以下
- 如下
- 针对
- 格式
- 发现
- 基金会
- 摩擦
- 止
- 前
- 前端
- ,
- 全栈
- 功能
- 功能
- 进一步
- 此外
- Gain增益
- 获得
- Games
- 网关
- 生成
- 产生
- 代
- 生成的
- 生成式人工智能
- 发电机
- 得到
- 特定
- 给予
- 发放
- 把握
- 成长
- 保证
- 指导
- 制导
- 方针
- 处理
- 动手
- 马具
- 治理
- 有
- 有
- he
- 帮助
- 预示
- 相关信息
- 亮点
- 他自己
- 历史
- 历史
- 保持
- 持有
- 恐怖
- 托管
- 创新中心
- 但是
- HTML
- HTTP
- HTTPS
- 人
- 思路
- 识别码
- 身份标识
- 鉴定
- 身分
- if
- 说明
- 图片
- 图片
- 沉浸
- 影响力故事
- 履行
- in
- 深入
- 不准确
- 包括
- 包含
- 合并
- 独立地
- 指数
- 索引
- 指标
- 行业
- 行业中的应用:
- 行业标准
- 影响
- 信息
- 通知
- 基础设施
- 本质
- 初始
- 启动
- 创新
- 创新
- 有见地
- 可行的洞见
- 代替
- 说明
- 集成
- 集成
- 积分
- 集成
- 意图
- 交互
- 接口
- 介入
- 成
- 固有
- 无价
- 物联网
- IT
- 项目
- 它的
- 工作
- 旅程
- JPG
- 只是
- 知识
- 已知
- 景观
- 语言
- 大
- 大规模
- 布局
- 学习
- 法律咨询
- 让
- 自学资料库
- 行货
- 生活
- 喜欢
- 可能性
- 有限
- 范围
- 清单
- LLM
- 本地
- 圖書分館的位置
- 机
- 机器学习
- 维护
- 制作
- 管理
- 手册
- 许多
- 营销
- 大规模
- 硕士
- 火柴
- 物料
- 意
- 有意义的
- 含义
- 手段
- 机械学
- 机制
- 医生
- 内存
- 仅仅
- 合并
- 合并
- 方法
- 精心
- 最小化
- 减轻
- ML
- 模型
- 造型
- 模型
- 模块化
- 更多
- 最先进的
- 电影
- 必须
- 自然
- 自然语言处理
- 必要
- 需求
- 打印车票
- 需要
- 需要
- 全新
- 下页
- 九
- NLP
- 通知
- 现在
- of
- 提供
- 优惠精选
- 经常
- on
- 一
- 仅由
- 打开
- or
- 组织
- 组织
- 原版的
- 其他名称
- 我们的
- 输出
- 结果
- 轮廓
- 输出
- 学校以外
- 超过
- 克服
- 步伐
- 范例
- 参数
- 部分
- 多情
- 权限
- 个性化你的
- 制药
- 制药
- 短语
- 件
- 飞行员
- 试点项目
- 地方
- 放置
- 平台
- 柏拉图
- 柏拉图数据智能
- 柏拉图数据
- 播放
- 播放
- 点
- 定位
- 可能
- 帖子
- 潜力
- 功率
- 供电
- 强大
- 实用
- 精确的
- 恰恰
- 平台精度
- 喜好
- 先决条件
- 现
- 程序
- 过程
- 处理
- 处理
- 生成
- 产生
- 生产
- 项目
- 促销
- 原型
- 原型
- 证明
- 提供
- 提供
- 提供
- 优
- 质量
- 查询
- 题
- 有疑问吗?
- 快速
- 很快
- 范围
- 准备
- 领域
- 接收
- 接收
- 推荐
- 减少
- 减少
- 减少
- 参考
- 精
- 区域性
- 地区
- 定期
- 法规
- 监管
- 法规符合
- 相关性
- 相应
- 依托
- 留
- 遗迹
- 纪念
- 去掉
- 改写
- 表示
- 代表
- 请求
- 要求
- 要求
- 必须
- 岗位要求
- 共鸣
- 资源
- 响应
- 回复
- 责任
- 提供品牌战略规划
- 结果
- 导致
- 成果
- 检讨
- 评论
- 修订
- 旋转
- 右
- 严格
- 角色
- 运行
- 运行
- sagemaker
- 同
- 保存
- 科学
- .
- 无缝的
- 无缝
- 搜索
- 部分
- 安全
- 安全
- 保安
- 选
- 选择
- 前辈
- 发送
- 服务
- 特色服务
- 集
- 设置
- 格局
- 转移
- 展示
- 作品
- 筛
- 显著
- 显著
- 简易
- 只是
- 小
- 平滑
- 软件
- 软件开发
- 软件工程
- 独自
- 方案,
- 解决方案
- 来源
- 采购
- 来源
- 采购
- 剩余名额
- 跨度
- 专门
- 专业
- 具体的
- 指定
- 稳定
- 堆
- 标准
- 开始
- 国家的最先进的
- 留
- 步
- 步骤
- Stop 停止
- 存储
- 商店
- 存储
- 存储
- 精简
- 优势
- 串
- 严格
- 结构化
- 样式
- 提交
- 这样
- 合适的
- SUPPORT
- 支持
- 协同
- 系统
- 量身定制
- 采取
- 需要
- 有形
- 任务
- 任务
- 团队
- 队
- 技术
- 技术
- 专业技术
- 遗嘱
- 文本
- 比
- 这
- 景观
- 世界
- 其
- 他们
- 然后
- 从而
- 博曼
- 他们
- Free Introduction
- 三
- 惊险
- 通过
- 次
- 及时
- 时间戳
- 泰坦
- 至
- 今天的
- 工具
- 工具
- 主题
- Topics
- 向
- 传统
- 培训
- 熟练
- 产品培训
- 转让
- 转移
- 转让
- 改造
- 转型
- 变形金刚
- 趋势
- 真正
- 可靠
- 转
- 教程
- 教程
- 类型
- ui
- 经历
- 相关
- 理解
- 理解
- 独特
- 大学
- 不像
- 不必要
- 揭开
- 跟上时代的
- 更新
- 更新
- 最新动态
- 坚持
- 上
- 使用
- 用例
- 用户
- 用户界面
- 用户
- 使用
- 运用
- 平时
- 利用
- 利用
- 各个
- 广阔
- 多才多艺
- 通过
- 视频
- 视频游戏
- 愿景
- 方法..
- we
- 财富
- 卷筒纸
- Web应用程序
- Web服务
- 网络套接字
- 为
- ,尤其是
- 这
- 而
- WHO
- 宽
- 大范围
- 将
- 中
- 也完全不需要
- 话
- 工作
- 工作流程
- 工作站
- 世界
- 完全
- 您一站式解决方案
- 你自己
- 和风网