این پست با همکاری Girish Kumar Chidananda از redBus نوشته شده است.
redBus یکی از اولین پذیرندگان AWS در هند است و بیشتر خدمات و برنامه های آن در AWS Cloud میزبانی می شود. AWS انعطافپذیری را برای redBus فراهم کرد تا زیرساختهای خود را به سرعت مقیاسبندی کند و در عین حال هزینهها را بسیار پایین نگه دارد. AWS مجموعه ای جامع از خدمات برای پاسخگویی به اکثر نیازهای آنها دارد، از جمله ارائه پشتیبانی مشتری که redBus می تواند آن را تضمین کند.
در این پست، معماری پلتفرم داده redBus و نحوه اتصال اجزای مختلف برای تشکیل بزرگراه داده را به اشتراک می گذاریم. همچنین در مورد چالشهایی که redBus در ساخت داشبورد برای موارد استفاده بیدرنگ هوش تجاری (BI) با آنها مواجه است و نحوه استفاده آنها بحث میکنیم. آمازون QuickSight، یک سرویس تجزیه و تحلیل کسب و کار سریع، با کاربری آسان و مبتنی بر ابر که ساخت تصویرسازی و انجام تجزیه و تحلیل موقت را برای همه کارمندان در redBus آسان می کند تا در هر زمان و در هر دستگاهی از داده های خود اطلاعات کسب و کار به دست آورند.
درباره redBus
redBus بزرگترین پلت فرم آنلاین بلیط اتوبوس جهان است که در هند ساخته شده است و به بیش از 36 میلیون مشتری خوشحال در سراسر جهان خدمات ارائه می دهد. RedBus همراه با فروش بلیط اتوبوس به صورت عمودی، یک سرویس بلیط ریلی به نام را نیز اجرا می کند ریل های قرمز و یک سرویس کرایه اتوبوس و ماشین به نام rYde. این بخشی از گروه GO-MMT است، که پیشروترین شرکت مسافرتی آنلاین هند است، با سبد تجاری گسترده ای که شامل سایر مارک های مسافرتی آنلاین برجسته مانند MakeMyTrip و Goibibo می شود.
بزرگراه داده redBus 1.0
redBus به شدت به تصمیمگیریهای مبتنی بر داده در هر سطح متکی است، از ردیابی سفر مسافر، پیشبینی تقاضا در هنگام ترافیک بالا، شناسایی و رفع تنگناها در فرآیند ثبت نام اپراتور اتوبوس و موارد دیگر. با شروع رشد کسب و کار redBus از نظر تعداد شهرها و کشورهایی که در آنها فعالیت می کردند و تعداد اپراتورهای اتوبوس و مسافرانی که از این سرویس در هر شهر استفاده می کردند، میزان داده های دریافتی نیز افزایش یافت. نیاز به دسترسی و تجزیه و تحلیل داده ها در یک مکان، آنها را ملزم می کرد تا پلت فرم داده خود را بسازند، همانطور که در نمودار زیر نشان داده شده است.
در بخشهای بعدی، هر یک از اجزاء را با جزئیات بیشتری بررسی میکنیم.
منابع دریافت داده ها
با پلت فرم داده 1.0، داده ها از منابع مختلف جذب می شوند:
- به موقع – جریان داده های بلادرنگ از برنامه های موبایل redBus، میکروسرویس های پشتیبان، و زمانی که مسافر، اپراتور اتوبوس، یا برنامه عملیاتی مانند رزرو بلیط اتوبوس، جستجوی موجودی اتوبوس، آپلود یک سند KYC و موارد دیگر را انجام می دهد، جریان می یابد.
- حالت دسته ای - کارهای برنامه ریزی شده داده ها را از چندین فروشگاه داده دائمی مانند سرویس پایگاه داده رابطه آمازون (Amazon RDS)، جایی که دادههای OLTP از همه برنامههای آن ذخیره میشود، خوشههای Apache Cassandra، جایی که موجودی اتوبوس از اپراتورهای مختلف ذخیره میشود، Arango DB، جایی که نمودارهای هویت کاربر ذخیره میشوند، و موارد دیگر.
فهرست نویسی داده ها
دادههای بلادرنگ در خوشههای خود مدیریت Apache Nifi، یک پلتفرم داده منبع باز که برای پاکسازی، تجزیه و تحلیل و فهرستنویسی دادهها با قابلیتهای مسیریابی خود قبل از ارسال دادهها به مقصد استفاده میشود، وارد میشود.
ذخیره سازی و تجزیه و تحلیل
redBus از خدمات زیر برای ذخیره سازی و نیازهای تحلیلی خود استفاده می کند:
- سرویس ذخیره سازی ساده آمازون (Amazon S3)، یک سرویس ذخیره سازی اشیاء است که به دلیل مقیاس پذیری نامحدود و دوام بالاتر، پایه و اساس دریاچه داده آنها را فراهم می کند. دادههای بلادرنگ از Apache Druid و دادههای ذخیرهسازی دادهها در فواصل زمانی منظم بر اساس زمانبندیها جریان مییابند.
- Apache Druid، یک فروشگاه داده به سبک OLAP (دادهها از طریق بارگذار داده Kafka Druid جریان مییابند)، که حقایق و معیارها را بر اساس ابعاد مختلف در طول فرآیند بارگذاری داده محاسبه میکند.
- آمازون Redshift، یک سرویس انبار داده ابری است که به شما کمک می کند تا اگزابایت داده را تجزیه و تحلیل کنید و پرس و جوهای تحلیلی پیچیده را اجرا کنید. redBus از Amazon Redshift برای ذخیره داده های پردازش شده از Amazon S3 و داده های جمع آوری شده از Apache Druid استفاده می کند.
پرس و جو و تجسم
برای اینکه redBus تا حد امکان مبتنی بر داده باشد، آنها اطمینان حاصل کردند که داده ها برای مهندسان SRE، مهندسان داده و تحلیلگران تجاری از طریق یک لایه تجسم قابل دسترسی است. این لایه دارای داشبوردهایی است که با استفاده از Apache SuperSet، یک برنامه تجسم داده منبع باز، و آمازون آتنا، یک سرویس پرس و جو تعاملی برای تجزیه و تحلیل داده ها در آمازون S3 با استفاده از SQL استاندارد برای الزامات پرس و جو موقت.
چالش ها
در ابتدا، redBus دادههایی را مدیریت میکرد که با نرخ 10 میلیون رویداد در روز دریافت میشدند. با گذشت زمان، همانطور که تجارت آن شروع به رشد کرد، حجم داده (از گیگابایت تا ترابایت تا پتابایت)، مصرف داده در روز (از 10 میلیون به 320 میلیون رویداد) و نیازهای داشبورد هوش تجاری آن افزایش یافت. به زودی پس از آن، آنها شروع به مواجهه با چالش هایی با قابلیت های خود مدیریت سوپرست BI خود و افزایش پیچیدگی های عملیاتی کردند.
قابلیت های محدود BI
redBus با محدودیتهای BI زیر مواجه شد:
- ناتوانی در ایجاد تجسم از چندین منبع داده - Superset اجازه ایجاد تصویرسازی از چندین جداول در لایه کاوش داده خود را نمی دهد. مهندسان داده redBus باید جداول را از قبل در سطح خود منبع داده به هم بپیوندند. به منظور ایجاد یک نمای 360 درجه برای ذینفعان تجاری redBus، برای مهندسان داده ناخوشایند شد که چندین جداول را که لایه تجسم را پشتیبانی می کنند، حفظ کنند.
- فیلتر جهانی برای تصاویر در داشبورد وجود ندارد - فیلتر جهانی یا اصلی در بین تصاویر موجود در داشبورد در Superset پشتیبانی نمیشود. به عنوان مثال، در نظر بگیرید که تصاویری مانند برندههای فروش بر اساس منطقه، درآمد YTD تحققیافته بر اساس منطقه، خط لوله فروش بر اساس منطقه و موارد دیگر در داشبورد وجود دارد، و منطقه فیلتر با مقادیری مانند EMEA، APAC و US به داشبورد اضافه میشود. منطقه فیلتر فقط برای یکی از تصاویر اعمال می شود، نه کل داشبورد. با این حال، کاربران داشبورد انتظار داشتند که در سراسر داشبورد فیلتر شود.
- ابزاری برای کاربر پسند نیست – وقتی صحبت از سفارشیسازی به میان میآید، Superset بسیار توسعهدهنده است. برای مثال، اگر یک تحلیلگر تجاری redBus مجبور باشد یک بهروزرسانی زمانبندی شده را سفارشی کند که به طور خودکار هر برش روی داشبورد را مطابق با یک مقدار از پیش تعیینشده دوباره استعلام کند، آنگاه تحلیلگر باید قسمت فراداده JSON داشبورد را بهروزرسانی کند. بنابراین داشتن دانش JSON و نحو آن برای انجام هرگونه سفارشی سازی در تصاویر یا داشبورد الزامی است.
افزایش هزینه عملیاتی
اگرچه Superset منبع باز است، به این معنی که هیچ هزینه ای برای صدور مجوز وجود ندارد، اما به این معنی است که تلاش بیشتری برای حفظ تمام اجزای مورد نیاز برای عملکرد آن به عنوان یک ابزار BI درجه سازمانی وجود دارد. redBus یک وب سرور (Nginx) را مستقر کرده و از آن نگهداری می کند Application Load Balancer برای انجام تعادل بار؛ سرور پایگاه داده ابرداده (MySQL) که در آن Superset اطلاعات داخلی خود را مانند کاربران، برش ها و تعاریف داشبورد ذخیره می کند. یک صف کار ناهمزمان (Celery) برای پشتیبانی از پرس و جوهای طولانی. یک کارگزار پیام (RabbitMQ)؛ و یک سرور ذخیره سازی توزیع شده (Redis) برای ذخیره نتایج، نمودار داده ها و موارد دیگر ابر محاسبه الاستیک آمازون نمونه های (Amazon EC2). نمودار زیر این معماری را نشان می دهد.
تیم DevOps redBus باید کارهای سنگینی را در زمینه تهیه زیرساخت، تهیه نسخه پشتیبان، مقیاسبندی اجزاء به صورت دستی در صورت نیاز، ارتقاء اجزاء به صورت جداگانه و موارد دیگر انجام دهد. همچنین نیاز به یک توسعهدهنده وب پایتون برای ایجاد تغییرات پیکربندی دارد تا همه اجزا به طور یکپارچه با هم کار کنند. تمام این عملیات دستی کل هزینه مالکیت redBus را افزایش داد.
سفر به سمت QuickSight
redBus شروع به کاوش راهحلهای BI کرد که عمدتاً پیرامون چند مورد از نیازهای داشبورد خود بود:
- داشبوردهای BI برای سهامداران و تحلیلگران کسب و کار، جایی که داده ها از طریق Amazon S3 و Amazon Redshift منبع می شوند.
- یک داشبورد نظارت بر عملکرد برنامه کاربردی (APM) در زمان واقعی برای کمک به مهندسان و توسعه دهندگان SRE خود در شناسایی علت اصلی یک مشکل در استقرار میکروسرویسهای خود تا بتوانند مشکلات را قبل از تأثیرگذاری بر تجربه مشتری خود برطرف کنند. در این مورد، داده ها از طریق Druid منبع می شوند.
QuickSight با اکثر نیازهای داشبورد BI redBus مطابقت داشت و تیم پلتفرم داده آنها در مدت کوتاهی با یک اثبات مفهومی (POC) برای چند داشبورد پیچیده خود شروع کردند. در پایان POC که یک ماه طول کشید، تیم یافتههای خود را به اشتراک گذاشت.
اول، QuickSight از قابلیتهای BI غنی است، از جمله موارد زیر:
- این یک راه حل BI سلف سرویس با ویژگی های کشیدن و رها کردن است که می تواند به تحلیلگران redBus کمک کند تا به راحتی از آن بدون هیچ تلاشی برای کدگذاری استفاده کنند.
- تجسم از چندین منبع داده در یک داشبورد میتواند به ذینفعان کسبوکار redBus کمک کند تا دیدی 360 درجه از فروش، پیشبینی و بینش را در یک صفحه شیشهای داشته باشند.
- فیلترهای آبشاری در بین تصاویر و برگههای داشبورد، ویژگیهای بسیار مورد نیاز برای الزامات BI RedBus هستند.
- QuickSight تصاویری شبیه اکسل را ارائه می دهد - جداول با محاسبات، جداول محوری با گروه بندی سلولی، و استایل برای بینندگان جذاب هستند.
- موتور محاسبات درون حافظه فوق سریع، موازی (SPICE) در QuickSight میتواند به مقیاس redBus به صدها هزار کاربر کمک کند، که همگی میتوانند به طور همزمان تجزیه و تحلیل تعاملی سریع را در طیف گستردهای از منابع داده AWS انجام دهند.
- بینش و پیشبینی غیرفعال ML بدون هزینه اضافی به تیم علم داده redBus اجازه میدهد تا علاوه بر پیشبینی فروش و مدلهای مشابه، روی مدلهای ML تمرکز کنند.
- امنیت داخلی در سطح ردیف (RLS) می تواند به redBus اجازه دهد تا دسترسی فیلتر شده را برای بینندگان خود فراهم کند. به عنوان مثال، redBus دارای بسیاری از تحلیلگران تجاری است که کشورهای مختلف را مدیریت می کنند. با RLS، هر تحلیلگر تجاری تنها داده های مربوط به کشور اختصاص داده شده خود را در یک داشبورد مشاهده می کند.
- redBus از OneLogin به عنوان ارائهدهنده هویت خود استفاده میکند که از Security Assertion Markup Language 2.0 (SAML 2.0) پشتیبانی میکند. با کمک فدراسیون هویت و پشتیبانی از یک ورود به سیستم از QuickSight، redBus می تواند یک جریان ورود ساده برای کاربران QuickSight خود فراهم کند.
- QuickSight هشدارهای داخلی و قابلیت های اعلان ایمیل را ارائه می دهد.
ثانیاً، QuickSight یک سرویس BI کاملاً مدیریت شده، بومی ابری و بدون سرور است که از AWS ارائه میشود، با ویژگیهای زیر:
- مهندسان redBus نیازی به تمرکز بر روی کارهای سنگین تهیه، مقیاسبندی و حفظ راهحل BI خود در نمونههای EC2 ندارند.
- QuickSight یکپارچهسازی بومی با سرویسهای AWS مانند Amazon Redshift، Amazon S3 و Athena و سایر فریم ورکهای محبوب مانند Presto، Snowflake، Teradata و غیره را ارائه میدهد. QuickSight به بسیاری از منابع دادهای که redBus قبلاً دارد به جز Apache Druid متصل میشود، زیرا ادغام بومی با Druid از دسامبر 2022 در دسترس نبود. برای فهرست کامل منابع دادههای پشتیبانی شده، رجوع کنید به منابع داده پشتیبانی شده.
نتیجه
با توجه به تمام ویژگیهای غنی و هزینه کل مالکیت کمتر، redBus QuickSight را برای نیازهای داشبورد BI خود انتخاب کرد. با QuickSight، مهندسان داده redBus تعدادی داشبورد را در کوتاه ترین زمان ساخته اند تا بینش هایی را از پتابایت داده به سهامداران و تحلیلگران کسب و کار ارائه دهند. بزرگراه داده redBus تکامل یافته است تا هوش تجاری را به مخاطبان بسیار گستردهتری در سازمان خود برساند، با عملکرد بهتر و زمان به ارزش سریعتر. از نوامبر 2022، QuickSight را برای کاربران تجاری و Superset را برای داشبوردهای APM بیدرنگ ترکیب میکند (در زمان نگارش، QuickSight یک رابط بومی برای Druid ارائه نمیکند)، همانطور که در نمودار زیر نشان داده شده است.
داشبورد تشخیص ناهنجاری فروش
اگرچه داشبوردهای زیادی وجود دارد که redBus برای تولید استفاده کرده است، تشخیص ناهنجاری فروش یکی از داشبوردهای جالبی است که redBus ساخته است. این مدل از مدل پیشبینی فروش اختصاصی redBus استفاده میکند، که به نوبه خود از دادههای فروش تاریخی جداول Redshift Amazon و دادههای فروش بلادرنگ از جداول Druid، همانطور که در شکل زیر نشان داده شده است، منشأ میگیرد.
در فواصل زمانی منظم، کارهای زمانبندیشده مدل پیشبینی redBus را با دادههای فروش لحظهای و تاریخی تغذیه میکنند و سپس دادههای پیشبینیشده در جدول Redshift آمازون قرار میگیرند. داشبورد تشخیص ناهنجاری فروش در QuickSight توسط جدول نتیجه آمازون Redshift ارائه می شود.
در زیر یکی از تصاویری از داشبورد تشخیص ناهنجاری فروش است. این با استفاده از نمودار خطی که فروش واقعی ساعتی، فروش پیشبینیشده، و آستانه هشدار را برای یک سری زمانی برای یک گروه تجاری خاص در redBus نشان میدهد، ساخته شده است.
در این تصویر، هر نوار نشاندهنده تعداد ناهنجاریهای فروش است که در یک نقطه خاص از سری زمانی ایجاد شدهاند.
همانطور که در نمودار زیر نشان داده شده است، تحلیلگران redBus می توانند جزئیات و ناهنجاری های فروش را در سطح دقیقه بیشتر بررسی کنند. این ویژگی تمرینی با QuickSight از جعبه خارج می شود.
برای جزئیات بیشتر در مورد افزودن دریل به تصاویر داشبورد QuickSight، نگاه کنید افزودن دریلدان به دادههای بصری در Amazon QuickSight.
جدا از جلوه های بصری، به دلیل ویژگی های قابل توجه زیر به یکی از داشبوردهای مورد علاقه بینندگان در redBus تبدیل شده است:
- از آنجایی که فیلتر کردن بین تصاویر یک ویژگی خارج از جعبه در QuickSight است، یک فیلتر مبتنی بر برچسب زمانی به داشبورد اضافه میشود. این به فیلتر کردن چندین تصویر در داشبورد با یک کلیک کمک می کند.
- اقدامات URL پیکربندی شده روی تصاویر به بینندگان کمک می کند تا به برنامه های داخلی حساس به زمینه حرکت کنند.
- هشدارهای ایمیل پیکربندی شده روی KPI ها و تصاویر گیج به بینندگان کمک می کند تا اعلان ها را به موقع دریافت کنند.
مراحل بعدی
جدا از ساخت داشبوردهای جدید برای نیازهای داشبورد BI خود، redBus مراحل بعدی زیر را انجام می دهد:
- بررسی QuickSight Embedded Analytics برای چند مورد از نیازهای برنامه آنها برای تسریع زمان برای بینش برای کاربران با تصاویر بصری داده های درون متنی، داشبوردهای تعاملی، و بیشتر به طور مستقیم در برنامه ها
- بررسی QuickSight Q، که می تواند سهامداران کسب و کار خود را قادر می سازد تا به زبان طبیعی سؤال بپرسند و پاسخ های دقیق را با تجسم های مرتبط دریافت کنند که می تواند به آنها کمک کند تا از داده ها بینش پیدا کنند.
- ایجاد یک راه حل داشبورد یکپارچه با استفاده از QuickSight که تمام منابع داده آنها را با در دسترس قرار گرفتن یکپارچه سازی پوشش می دهد.
نتیجه
در این پست، ما به شما نشان دادیم که redBus چگونه پلتفرم داده خود را با استفاده از سرویسهای مختلف AWS و فریمورکهای Apache ساخته است، چالشهایی که پلتفرم با آن مواجه شده است (به ویژه در مورد نیازها و چالشهای داشبورد BI خود در حین مقیاسبندی)، و نحوه استفاده از QuickSight و کاهش هزینه کل. از مالکیت
برای دانستن بیشتر در مورد مهندسی در redBus، آنها را بررسی کنید پست های وبلاگ متوسط. برای کسب اطلاعات بیشتر در مورد آنچه در QuickSight اتفاق میافتد یا اگر سؤالی دارید، با آن تماس بگیرید انجمن QuickSight، که بسیار فعال است و منابع متعددی را ارائه می دهد.
درباره نویسنده
گیریش کومار چیداناندا به عنوان یک مدیر ارشد مهندسی – مهندسی داده در redBus کار می کند، جایی که او در 5 سال گذشته در حال ساخت برنامه ها و اجزای مختلف مهندسی داده برای redBus بوده است. او قبل از شروع سفر خود در صنعت IT، به عنوان مهندس مکانیک و سیستم های کنترل در سازمان های مختلف کار می کرد و دارای مدرک کارشناسی ارشد در رشته مهندسی برق سیالات از دانشگاه باث است.
کایالویزی کنداسامی برای حمایت از نوآوری آنها با شرکت های بومی دیجیتال کار می کند. او بهعنوان معمار ارشد راهحلها (APAC) در خدمات وب آمازون، از تجربیات خود برای کمک به مردم برای زنده کردن ایدههای خود استفاده میکند و عمدتاً بر روی معماریهای میکروسرویس و راهحلهای بومی ابری با استفاده از خدمات AWS تمرکز میکند. در خارج از محل کار، او بازی شطرنج را دوست دارد و یک شطرنج باز رتبه بندی شده توسط فیده است. او همچنین به دخترانش هنر بازی شطرنج را آموزش می دهد و آنها را برای مسابقات مختلف شطرنج آماده می کند.
- محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
- پلاتوبلاک چین. Web3 Metaverse Intelligence. دانش تقویت شده دسترسی به اینجا.
- منبع: https://aws.amazon.com/blogs/big-data/a-dive-into-redbuss-data-platform-and-how-they-used-amazon-quicksight-to-accelerate-business-insights/
- 10 میلیون دلار
- 1
- 10
- 100
- 2022
- 360 درجه
- a
- درباره ما
- شتاب دادن
- دسترسی
- در دسترس
- مطابق
- دقیق
- در میان
- اقدامات
- فعال
- Ad
- اضافه
- اضافی
- خطاب به
- پذیرندگان
- اثر
- پس از
- در برابر
- هوشیار
- معرفی
- قبلا
- آمازون
- آمازون EC2
- آمازون QuickSight
- آمازون RDS
- آمازون خدمات وب
- مقدار
- تحلیل
- روانکاو
- تحلیلگران
- تحلیلی
- علم تجزیه و تحلیل
- تحلیل
- و
- تشخیص ناهنجاری
- پاسخ
- APAC
- آپاچی
- کاربرد
- برنامه های کاربردی
- درخواست
- برنامه های
- معماری
- دور و بر
- هنر
- اختصاص داده
- جالب
- حضار
- نویسنده
- بطور خودکار
- در دسترس
- AWS
- بخش مدیریت
- پشتیبان گیری
- بار
- مستقر
- زیرا
- شدن
- قبل از
- بودن
- بهتر
- بلاگ
- جعبه
- نام تجاری
- مارک های
- به ارمغان بیاورد
- دلال
- ساختن
- بنا
- ساخته
- ساخته شده در
- اتوبوس
- کسب و کار
- هوش تجاری
- نام
- قابلیت های
- ماشین
- مورد
- موارد
- کاتالوگ
- علت
- چالش ها
- تبادل
- چارت سازمانی
- نمودار
- بررسی
- شطرنج
- را انتخاب
- شهرستانها
- شهر:
- ابر
- برنامه نویسی
- کوهورت
- ترکیب
- شرکت
- شرکت
- کامل
- پیچیده
- پیچیدگی ها
- جزء
- اجزاء
- جامع
- محاسبه
- مفهوم
- متصل
- متصل
- در نظر بگیرید
- کنترل
- هزینه
- هزینه
- میتوانست
- کشور
- کشور
- زن و شوهر
- پوشش
- ایجاد
- ایجاد
- مشتری
- پشتیبانی مشتریان
- مشتریان
- سفارشی سازی
- سفارشی
- داشبورد
- داده ها
- دریاچه دریاچه
- بستر داده
- علم اطلاعات
- تجسم داده ها
- انبار داده
- داده محور
- پایگاه داده
- روز
- دسامبر
- تصمیم گیری
- درجه
- تقاضا
- مستقر
- گسترش
- مقصد
- جزئیات
- جزئیات
- کشف
- توسعه دهنده
- توسعه دهندگان
- دستگاه
- DevOps
- DID
- مختلف
- ابعاد
- مستقیما
- بحث و تبادل نظر
- توزیع شده
- سند
- نمی کند
- عمل
- آیا
- پایین
- دروید
- دوام
- در طی
- هر
- آسان برای استفاده
- تلاش
- تلاش
- پست الکترونیک
- جاسازی شده
- EMEA
- کارکنان
- قادر ساختن
- موتور
- مهندس
- مهندسی
- مورد تأیید
- درجه سازمانی
- تمام
- به خصوص
- اتر (ETH)
- حوادث
- تکامل
- مثال
- جز
- انتظار می رود
- تجربه
- اکتشاف
- بررسی
- وسیع
- خیلی
- در مواجهه
- نما
- FAST
- سریعتر
- محبوب
- ویژگی
- امکانات
- فدراسیون
- رشته
- شکل
- فیلتر
- فیلتر
- فیلترها برای تصفیه آب
- مناسب
- رفع
- انعطاف پذیری
- جریان
- جریانها
- تمرکز
- تمرکز
- پیروی
- فرم
- پایه
- چارچوب
- دوستانه
- از جانب
- جبهه دار
- کاملا
- تابع
- بیشتر
- افزایش
- دریافت کنید
- دادن
- شیشه
- جهانی
- اعطا کردن
- نمودار ها
- گروه
- در حال رشد
- خوشحال
- داشتن
- به شدت
- کمک
- کمک می کند
- زیاد
- بالاتر
- خیلی
- بزرگراه
- تاریخی
- دارای
- میزبانی
- چگونه
- اما
- HTML
- HTTPS
- صدها نفر
- ایده ها
- شناسایی
- شناسایی
- هویت
- in
- شامل
- از جمله
- وارد شونده
- افزایش
- هندوستان
- به طور جداگانه
- صنعت
- اطلاعات
- شالوده
- ابداع
- بینش
- ادغام
- یکپارچگی
- اطلاعات
- تعاملی
- جالب
- داخلی
- فهرست
- موضوع
- مسائل
- IT
- صنعت فناوری اطلاعات
- خود
- شغل ها
- پیوست
- سفر
- json
- کافکا
- نگهداری
- دانستن
- دانش
- KYC
- دریاچه
- زبان
- بزرگترین
- نام
- لایه
- برجسته
- یاد گرفتن
- سطح
- صدور مجوز
- زندگی
- بلند کردن اجسام
- محدودیت
- لاین
- فهرست
- بار
- بارکننده
- بارگیری
- نگاه کنيد
- کم
- حفظ
- ساخت
- باعث می شود
- ساخت
- مدیریت
- اداره می شود
- مدیر
- اجباری
- کتابچه راهنمای
- دستی
- بسیاری
- به معنی
- مکانیکی
- پیام
- متاداده
- متریک
- خدمات میکرو
- میلیون
- دقیقه
- ML
- موبایل
- تلفن همراه برنامه های
- مدل
- مدل
- نظارت بر
- بیش
- اکثر
- MS
- چندگانه
- خروجی
- بومی
- طبیعی
- زبان طبیعی
- هدایت
- نیاز
- ضروری
- نیازهای
- جدید
- بعد
- NGINX
- قابل توجه
- اخطار
- اطلاعیه ها
- نوامبر
- عدد
- هدف
- ذخیره سازی شی
- ارائه
- ارائه
- پیشنهادات
- شبانه روزی
- ONE
- آنلاین
- باز کن
- منبع باز
- عمل
- عمل
- قابل استفاده
- عملیات
- اپراتور
- اپراتور
- سفارش
- کدام سازمان ها
- سازمان های
- دیگر
- خارج از
- خود
- مالکیت
- قطعه
- موازی
- بخش
- ویژه
- مردم
- انجام دادن
- کارایی
- خط لوله
- محور
- محل
- سکو
- افلاطون
- هوش داده افلاطون
- PlatoData
- بازیکن
- بازی
- پوک
- نقطه
- محبوب
- مقام
- ممکن
- پست
- قدرت
- پیش بینی
- آماده می کند
- در درجه اول
- اصلی
- قبلا
- روند
- تولید
- برجسته
- اثبات
- اثبات مفهوم
- اختصاصی
- ارائه
- ارائه
- ارائه دهنده
- فراهم می کند
- ارائه
- تحت فشار قرار دادند
- پــایتــون
- سوالات
- ریل
- سریعا
- نرخ
- رسیدن به
- زمان واقعی
- داده های زمان واقعی
- متوجه
- گرفتن
- منطقه
- منظم
- مربوط
- مربوط
- نمایندگی
- نشان دهنده
- ضروری
- مورد نیاز
- منابع
- نتایج
- درامد
- غنی
- ریشه
- دویدن
- حراجی
- مقیاس پذیری
- مقیاس
- مقیاس گذاری
- برنامه ریزی
- کارهای برنامه ریزی شده
- علم
- یکپارچه
- جستجو
- بخش
- تیم امنیت لاتاری
- می بیند
- سلف سرویس
- در حال ارسال
- ارشد
- سلسله
- بدون سرور
- سرویس
- خدمات
- خدمت
- چند
- اشتراک گذاری
- به اشتراک گذاشته شده
- نشان داده شده
- مشابه
- ساده
- به طور همزمان
- تنها
- تکه
- So
- راه حل
- مزایا
- بزودی
- منبع
- منابع
- ادویه
- SQL
- سهامداران
- استاندارد
- آغاز شده
- راه افتادن
- مراحل
- ذخیره سازی
- opbevare
- ذخیره شده
- پرده
- دنباله
- پشتیبانی
- پشتیبانی
- حمایت از
- پشتیبانی از
- نحو
- سیستم های
- جدول
- مصرف
- کار
- تیم
- قوانین و مقررات
- La
- جهان
- شان
- از این رو
- هزاران نفر
- آستانه
- از طریق
- فروش بلیط
- بلیط
- زمان
- سری زمانی
- به پایان رسید
- به
- با هم
- ابزار
- جمع
- مسابقات
- طرف
- پیگردی
- ترافیک
- سفر
- مسافر
- مسافران
- باعث شد
- دور زدن
- یکپارچه
- دانشگاه
- نا محدود
- بروزرسانی
- آپلود
- us
- استفاده کنید
- کاربر
- کاربران
- ارزش
- ارزشها
- تنوع
- مختلف
- از طريق
- چشم انداز
- بینندگان
- عملا
- تجسم
- حجم
- انبار کالا
- وب
- وب سرور
- خدمات وب
- چی
- چه شده است
- که
- در حین
- WHO
- وسیع
- گسترده تر
- اراده
- برنده
- در داخل
- بدون
- مهاجرت کاری
- همکاری
- مشغول به کار
- با این نسخهها کار
- جهان
- جهان
- خواهد بود
- نوشته
- سال
- زفیرنت