تصویر توسط ویرایشگر
من از اواخر سال گذشته در تقاطع نرم افزار منبع باز و یادگیری ماشینی می خواندم، می نوشتم و صحبت می کردم و سعی می کردم بفهمم آینده چه چیزی ممکن است به همراه داشته باشد.
وقتی شروع کردم، انتظار داشتم که بیشتر در مورد نحوه استفاده از نرم افزار منبع باز توسط جامعه یادگیری ماشین صحبت کنم. اما هر چه بیشتر کاوش کردم، بیشتر متوجه شدم که شباهت های زیادی بین این دو حوزه تمرین وجود دارد. در این مقاله من برخی از این موارد مشابه را مورد بحث قرار میدهم – و اینکه یادگیری ماشینی میتواند و نمیتواند از نرمافزار منبع باز بیاموزد.
موازی آسان و واضح این است که هم یادگیری ماشین مدرن و هم نرم افزار مدرن تقریباً به طور کامل با نرم افزار منبع باز ساخته می شوند. برای نرم افزار، که کامپایلر و ویرایشگر کد است. برای یادگیری ماشین، چارچوبهای آموزش و استنتاج مانند PyTorch و TensorFlow است. این فضاها تحت تسلط نرم افزار منبع باز هستند و به نظر می رسد هیچ چیز آماده تغییر آن نیست.
یک استثنای آشکار و قابل توجه برای این وجود دارد: همه این فریم ورک ها به پشته سخت افزاری و نرم افزاری بسیار اختصاصی انویدیا بستگی دارند. این در واقع موازی تر از آن چیزی است که در ابتدا به نظر می رسد. برای مدت طولانی، نرمافزار متنباز عمدتاً بر روی سیستمعاملهای اختصاصی یونیکس اجرا میشد که توسط فروشندگان سختافزار اختصاصی فروخته میشد. تنها پس از آمدن لینوکس بود که ما شروع کردیم به این امر بدیهی که «پایین» باز از پشته حتی امکان پذیر است، و این روزها توسعه باز زیادی در MacOS و Windows انجام می شود. مشخص نیست که چگونه این امر در یادگیری ماشین انجام می شود. آمازون (برای AWS)، گوگل (هم برای ابر و هم برای اندروید)، و اپل همگی روی چیپها و استکهای رقیب سرمایهگذاری میکنند و این امکان وجود دارد که یک یا چند مورد از آنها بتوانند مسیر تعیین شده توسط لینوس (و اینتل) از آزاد کردن تمام پشته.
موازی مهمتر بین نحوه ساخت نرمافزار منبع باز و نحوه ساخت یادگیری ماشینی، پیچیدگی و در دسترس بودن عمومی دادههایی است که هر کدام بر اساس آن ساخته شدهاند.
همانطور که در این توضیح داده شده است پیش چاپ مقاله "پروژه منشأ داده"، که من همکاری کردم، یادگیری ماشین مدرن به معنای واقعی کلمه بر روی هزاران منبع داده ساخته شده است، درست همانطور که نرم افزار متن باز مدرن بر روی صدها هزار کتابخانه ساخته شده است. و درست همانطور که هر کتابخانه باز چالش های قانونی، امنیتی و نگهداری را به همراه دارد، هر مجموعه داده عمومی نیز دقیقاً مجموعه ای از مشکلات را به همراه دارد.
در سازمان من، ما در مورد نسخه نرم افزار منبع باز این چالش به عنوان یک " صحبت کرده ایم.زنجیره تامین تصادفی" صنعت نرم افزار شروع به ساختن چیزهایی کرد زیرا بلوک های سازنده باورنکردنی کتابخانه های منبع باز به این معنی بود که ما می توانستیم. این بدان معنی بود که صنعت شروع به برخورد با نرم افزار منبع باز به عنوان یک زنجیره تامین کرد - که برای بسیاری از این "تامین کنندگان" تعجب آور بود.
برای کاهش این چالشها، نرمافزار منبع باز بسیاری از تکنیکهای پیچیده (هر چند ناقص) مانند اسکنرها برای شناسایی موارد استفاده شده و ابردادهها برای ردیابی چیزها پس از استقرار توسعه داده است. ما همچنین شروع به سرمایهگذاری روی انسانها کردهایم تا سعی کنیم ناهماهنگی بین نیازهای صنعتی و انگیزههای داوطلبانه را برطرف کنیم.
متأسفانه، به نظر میرسد که جامعه یادگیری ماشینی آماده است تا دقیقاً در همان اشتباه زنجیره تأمین «تصادفی» غوطهور شود – انجام کارهای زیادی زیرا میتواند بدون توقف در مورد پیامدهای بلندمدت فکر کند، زمانی که کل اقتصاد بر اساس این مجموعه دادهها باشد. .
آخرین موازی مهم این است که من شدیداً گمان می کنم که یادگیری ماشینی گسترش خواهد یافت و بسیاری از جایگاه ها را پر می کند، درست مانند نرم افزار منبع باز. در حال حاضر، تبلیغات (لایق) در مورد مدلهای بزرگ و مولد است، اما مدلهای کوچک زیادی نیز وجود دارد، و همچنین تغییراتی در مدلهای بزرگتر انجام شده است. در واقع، سایت میزبانی HuggingFace، پلتفرم میزبانی اصلی یادگیری ماشین، گزارش می دهد که تعداد مدل ها در سایت آنها به طور تصاعدی در حال افزایش است.
این مدلها احتمالاً بسیار زیاد و برای بهبود در دسترس خواهند بود، مانند قطعات کوچک نرمافزار منبع باز. این باعث می شود که آنها فوق العاده انعطاف پذیر و قدرتمند شوند. من از یک ابزار کوچک مبتنی بر یادگیری ماشینی برای انجام اندازهگیری ترافیک ارزان و حساس به حریم خصوصی در خیابان خود استفاده میکنم، به عنوان مثال، موردی که چند سال پیش جز در دستگاههای گران قیمت امکانپذیر نبود.
اما این گسترش به این معنی است که آنها باید ردیابی شوند—مدلها ممکن است کمتر شبیه به مینفریمها و بیشتر شبیه نرمافزارهای منبع باز یا SaaS شوند که به دلیل هزینه کم و سهولت در استقرار در همه جا ظاهر میشوند.
بنابراین، اگر این شباهتهای مهم وجود داشته باشد (مخصوصاً زنجیرههای تامین پیچیده و توزیع در حال گسترش) یادگیری ماشینی چه چیزی میتواند از نرمافزار منبع باز بیاموزد؟
اولین درس موازی که می توانیم بگیریم این است که برای درک چالش های متعدد آن، یادگیری ماشینی به ابرداده و ابزار نیاز دارد. نرمافزار متنباز از طریق رعایت حق نسخهبرداری و مجوزها وارد کار فراداده شد، اما از آنجایی که زنجیره تأمین تصادفی نرمافزار به بلوغ رسیده است، ابرداده در جنبههای مختلف بسیار مفید است.
در یادگیری ماشینی، ردیابی ابرداده در حال انجام است. چند مثال:
- A کاغذ کلید 2019، که به طور گسترده در صنعت ذکر شده است، از توسعه دهندگان مدل ها خواست تا کار خود را با "کارت های مدل" مستند کنند. متأسفانه، تحقیقات اخیر آنها را نشان می دهد اجرای در طبیعت هنوز ضعیف است.
- هر دو مشخصات صورتحسابهای مواد نرمافزاری SPDX و CycloneDX (SBOM) روی صورتحسابهای مواد هوش مصنوعی (AI BOMs) کار میکنند تا به ردیابی دادهها و مدلهای یادگیری ماشین کمک کنند، به شیوهای ساختاریافتهتر از کارتهای مدل (مناسب با پیچیدگیهایی که در صورت این کار انتظار میرود. واقعا نرم افزار متن باز موازی انجام می دهد).
- HuggingFace ایجاد کرده است انواع مشخصات و ابزار به نویسندگان مدل و مجموعه داده اجازه می دهد تا منابع خود را مستند کنند.
- مقاله MIT Data Provenance ذکر شده در بالا تلاش می کند تا "حقیقت پایه" مجوز داده را درک کند تا به تکمیل مشخصات با داده های دنیای واقعی کمک کند.
- به طور حکایتی، بسیاری از شرکتهایی که کار آموزش یادگیری ماشینی را انجام میدهند، به نظر میرسد که تا حدودی روابط معمولی با ردیابی دادهها دارند، و از «بیشتر بهتر است» به عنوان بهانهای برای بیل کردن دادهها در قیف استفاده میکنند بدون اینکه لزوماً آنها را به خوبی ردیابی کنند.
اگر چیزی از open آموخته باشیم، این است که درست کردن ابرداده (اول، مشخصات، سپس دادههای واقعی) یک پروژه چند ساله خواهد بود و ممکن است نیاز داشته باشد. دخالت دولت. یادگیری ماشینی باید زودتر از اینها این ابرداده را کاهش دهد.
امنیت یکی دیگر از محرکهای اصلی تقاضای ابرداده نرمافزار منبع باز بوده است – اگر ندانید چه چیزی را اجرا میکنید، نمیتوانید متوجه شوید که آیا مستعد جریان به ظاهر بیپایان حملات هستید یا خیر.
یادگیری ماشینی در معرض بیشتر انواع حملات نرم افزاری سنتی قرار نمی گیرد، اما این بدان معنا نیست که آنها آسیب ناپذیر هستند. (مثال مورد علاقه من این است که ممکن بود مجموعه های آموزشی تصویر سم زیرا آنها اغلب از دامنههای مرده استخراج میشوند.) تحقیقات در این زمینه به اندازهای داغ است که ما قبلاً «اثبات مفهوم» را پشت سر گذاشتهایم و به «حملات کافی برای وجود دارد» فهرست و طبقه بندی کردن"
متأسفانه، نرمافزار متنباز نمیتواند هیچ گلوله جادویی را برای امنیت در یادگیری ماشین ارائه دهد—اگر آنها را داشتیم، از آنها استفاده میکردیم. اما تاریخچه نحوه گسترش نرمافزار متنباز به بسیاری از جایگاهها نشان میدهد که یادگیری ماشینی باید این چالش را جدی بگیرد، با ردیابی استفاده و استقرار فرادادهها شروع شود، دقیقاً به این دلیل که احتمالاً به روشهای بسیار فراتر از مواردی که در حال حاضر در آن وجود دارد، استفاده میشود. مستقر شده است.
انگیزههایی که ابردادههای منبع باز (مجوز، سپس امنیت) را هدایت میکنند به موازی مهم بعدی اشاره میکنند: با افزایش اهمیت یک بخش، دامنه چیزهایی که باید اندازهگیری و ردیابی شوند گسترش مییابد، زیرا مقررات و مسئولیتها گسترش خواهند یافت.
در نرمافزار متنباز، «مقررات» اولیه دولت برای سالها قانون کپیرایت بود و بنابراین ابردادهها برای پشتیبانی از آن توسعه یافتند. اما نرمافزار منبع باز اکنون با انواع قوانین امنیتی و مسئولیت محصول مواجه است - و ما باید زنجیرههای تامین خود را برای برآورده کردن این الزامات جدید بالغ کنیم.
هوش مصنوعی به طور مشابه به روشهای متعددی تنظیم میشود که اهمیت آن بیشتر میشود. منابع مقررات بسیار متنوع خواهد بود، از جمله در محتوا (اعم از ورودی و خروجی)، تبعیض، و مسئولیت محصول. این به چیزی نیاز دارد که گاهی اوقات "قابلیت ردیابی– درک اینکه مدلها چگونه ساخته میشوند و این انتخابها (از جمله منابع داده) چگونه بر نتایج مدلها تأثیر میگذارند.
این نیاز اصلی - ما چه داریم؟ چگونه به اینجا رسید؟ - اکنون برای توسعه دهندگان نرم افزار منبع باز سازمانی کاملاً آشنا است. با این حال، ممکن است یک تغییر اساسی برای توسعه دهندگان یادگیری ماشین باشد و باید مورد استقبال قرار گیرد.
درس موازی دیگری که یادگیری ماشینی میتواند از نرمافزار متنباز (و در واقع از امواج بسیاری از نرمافزارهای قبل از آن که حداقل به مینفریم برمیگردد) بگیرد، این است که عمر مفید آن بسیار بسیار طولانی خواهد بود. هنگامی که یک فناوری "به اندازه کافی خوب" باشد، به کار گرفته می شود و بنابراین باید برای مدت بسیار بسیار طولانی حفظ شود. این بدان معناست که ما باید هر چه زودتر به نگهداری این نرم افزار فکر کنیم و به این فکر کنیم که این نرم افزار ممکن است برای چندین دهه زنده بماند. "دهه ها" اغراق آمیز نیست. بسیاری از مشتریانی که من با آنها روبرو می شوم از نرم افزاری استفاده می کنند که برای رای دادن کافی است. بسیاری از شرکتهای نرمافزار متنباز، و برخی پروژهها، اکنون نسخههایی به اصطلاح «پشتیبانی طولانیمدت» دارند که برای این نوع موارد در نظر گرفته شدهاند.
در مقابل، OpenAI ابزار Codex خود را برای کمتر از دو سال در دسترس نگه داشت.منجر به خشم فراوان به خصوص در جامعه دانشگاهی می شود. با توجه به سرعت سریع تغییر در یادگیری ماشینی، و اینکه اکثر پذیرندگان احتمالاً علاقه مند به استفاده از لبه های پیشرفته هستند، این احتمالاً غیرمنطقی نبود - اما روزی فرا خواهد رسید، زودتر از آنچه صنعت فکر می کند، که باید برای این کار برنامه ریزی کند. نوعی "دراز مدت" - از جمله نحوه تعامل آن با مسئولیت و امنیت.
در نهایت، واضح است که - مانند نرم افزار منبع باز - پول زیادی برای یادگیری ماشین جریان خواهد داشت، اما بیشتر آن پول حول چیزی جمع می شود که یک نویسنده آن را نامیده است. شرکت های "غنی از پردازنده". اگر شباهتها به نرمافزار منبع باز انجام شود، آن شرکتها نگرانیها و اولویتهای هزینهای بسیار متفاوتی نسبت به سازنده (یا کاربر) متوسط مدلها خواهند داشت.
شرکت ما، Tidelift، مدتی است که در مورد این مشکل از مشوقها در نرمافزار متنباز فکر میکند و نهادهایی مانند بزرگترین خریدار نرمافزار در جهان - دولت ایالات متحده - هستند. همچنین به دنبال مشکل است.
شرکتهای یادگیری ماشین، بهویژه آنهایی که به دنبال ایجاد جوامعی از سازندگان هستند، باید در مورد این چالش فکر کنند. اگر آنها به هزاران مجموعه داده وابسته هستند، چگونه تضمین میکنند که برای چندین دهه برای نگهداری، انطباق قانونی و امنیت بودجه تامین میشود؟ اگر شرکتهای بزرگ در نهایت دهها یا صدها مدل را در اطراف شرکت مستقر کنند، چگونه میتوانند اطمینان حاصل کنند که آنهایی که بهترین دانش تخصصی را دارند - کسانی که مدلها را ایجاد کردهاند - همچنان در اطراف هستند تا روی مشکلات جدیدی که کشف میشوند کار کنند؟
مانند امنیت، هیچ پاسخ آسانی برای این چالش وجود ندارد. اما هر چه یادگیری ماشین زودتر مشکل را جدی بگیرد – نه به عنوان یک عمل خیریه، بلکه به عنوان یک جزء کلیدی رشد بلندمدت – وضعیت کل صنعت و کل جهان بهتر خواهد بود.
ریشه های عمیق یادگیری ماشینی در فرهنگ تجربی گرایی دانشگاهی و فرهنگ تکرار سریع سیلیکون ولی به خوبی به آن کمک کرده است و به انفجار شگفت انگیزی از نوآوری منجر شده است. کمتر از یک دهه پیش جادویی به نظر می رسید. دوره نرم افزار منبع باز در دهه گذشته شاید کمتر پر زرق و برق بوده است، اما در این مدت به زیربنای همه نرم افزارهای سازمانی تبدیل شده است - و درس های زیادی در این راه آموخته است. امیدواریم که یادگیری ماشینی این چرخ ها را دوباره اختراع نکند.
لوئیس ویلا یکی از بنیانگذاران و مشاور عمومی در Tidelift است. قبلاً او یک وکیل منبع باز برتر بود که به مشتریان، از شرکت های Fortune 50 گرفته تا استارت آپ های پیشرو، در زمینه توسعه محصول و صدور مجوز منبع باز مشاوره می داد.
- محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
- PlatoData.Network Vertical Generative Ai. به خودت قدرت بده دسترسی به اینجا.
- PlatoAiStream. هوش وب 3 دانش تقویت شده دسترسی به اینجا.
- PlatoESG. کربن ، CleanTech، انرژی، محیط، خورشیدی، مدیریت پسماند دسترسی به اینجا.
- PlatoHealth. هوش بیوتکنولوژی و آزمایشات بالینی. دسترسی به اینجا.
- منبع: https://www.kdnuggets.com/ai-and-open-source-software-separated-at-birth?utm_source=rss&utm_medium=rss&utm_campaign=ai-and-open-source-software-separated-at-birth
- : دارد
- :است
- :نه
- :جایی که
- $UP
- 2019
- 50
- a
- درباره ما
- بالاتر
- دانشگاهی
- تصادفی
- عمل
- واقعی
- واقعا
- نشانی
- پذیرندگان
- مشاوره
- پس از
- پیش
- AI
- معرفی
- اجازه دادن
- تقریبا
- در امتداد
- قبلا
- همچنین
- شگفت انگیز
- آمازون
- an
- و
- اندروید
- خشم
- دیگر
- پاسخ
- هر
- هر چیزی
- ظاهر
- ظاهر شدن
- ظاهر می شود
- اپل
- اعمال می شود
- هستند
- محدوده
- مناطق
- دور و بر
- مقاله
- AS
- At
- حمله
- نویسنده
- نویسندگان
- دسترس پذیری
- در دسترس
- AWS
- به عقب
- مستقر
- BE
- زیرا
- شدن
- شود
- بوده
- قبل از
- آغاز شد
- بودن
- بهترین
- بهتر
- میان
- خارج از
- اسکناس
- تولد
- بلاک ها
- هر دو
- به ارمغان بیاورد
- به ارمغان می آورد
- بنا
- ساخته
- اما
- by
- نام
- آمد
- CAN
- کارت ها
- مورد
- موارد
- اتفاقی
- زنجیر
- زنجیر
- به چالش
- چالش ها
- تغییر دادن
- صدقه
- ارزان
- چیپس
- انتخاب
- اشاره
- واضح
- مشتریان
- ابر
- بنیانگذاران
- رمز
- بیا
- جوامع
- انجمن
- شرکت
- شرکت
- رقابت
- پیچیده
- پیچیدگی
- انطباق
- جزء
- نگرانی ها
- محتوا
- کنتراست
- حق چاپ
- هسته
- هزینه
- میتوانست
- مشورت
- دوره
- ایجاد
- ایجاد شده
- خالق
- سازندگان
- بحرانی
- فرهنگ
- در حال حاضر
- مشتریان
- برش
- داده ها
- مجموعه داده ها
- مجموعه داده ها
- دوستیابی
- روز
- روز
- مرده
- دهه
- دهه
- عمیق
- وابسته
- مستقر
- گسترش
- دقیق
- توسعه
- توسعه دهندگان
- پروژه
- دستگاه ها
- DID
- مختلف
- مشکلات
- کشف
- تبعیض
- بحث و تبادل نظر
- توزیع
- مختلف
- do
- سند
- میکند
- نمی کند
- عمل
- حوزه
- انجام شده
- آیا
- ده ها
- قرعه کشی
- راننده
- در طی
- هر
- در اوایل
- سهولت
- ساده
- اقتصاد
- لبه
- سردبیران
- در آغوش
- رویارویی
- پایان
- بی پایان
- کافی
- اطمینان حاصل شود
- سرمایه گذاری
- تمام
- به طور کامل
- اشخاص
- به خصوص
- اتر (ETH)
- حتی
- همیشه در حال رشد است
- کاملا
- مثال
- مثال ها
- جز
- استثنا
- گسترش
- انتظار
- انتظار می رود
- گران
- کشف
- انفجار
- نمایی
- خیلی
- چهره ها
- آشنا
- FAST
- محبوب
- کمی از
- پر کردن
- نام خانوادگی
- قابل انعطاف
- در حال جریان
- به دنبال
- برای
- ثروت
- چارچوب
- از جانب
- بودجه
- آینده
- سوالات عمومی
- مولد
- دریافت کنید
- گرفتن
- GitHub
- داده
- رفتن
- رفته
- گوگل
- دولت
- اعطا شده
- در حال رشد
- رشد می کند
- بود
- سخت
- سخت افزار
- آیا
- he
- کمک
- اینجا کلیک نمایید
- تاریخ
- خوشبختانه
- میزبانی وب
- HOT
- چگونه
- اما
- HTTPS
- صورت در آغوش گرفته
- انسان
- صدها نفر
- هیپ
- i
- من می خواهم
- شناسایی
- IEEE
- if
- تصویر
- بی اندازه
- تأثیر
- پیامدهای
- اهمیت
- مهم
- بهبود
- in
- انگیزه
- از جمله
- باور نکردنی
- بطور باور نکردنی
- صنعتی
- صنعت
- ابداع
- ورودی
- اینتل
- مورد نظر
- در ارتباط بودن
- علاقه مند
- تقاطع
- به
- سرمایه گذاری
- سرمایه گذاری
- IT
- تکرار
- ITS
- تنها
- kdnuggets
- نگه داشته شد
- کلید
- دانستن
- بزرگ
- بزرگتر
- بزرگترین
- نام
- پارسال
- دیر
- بعد
- قانون
- وکیل
- برجسته
- یاد گرفتن
- آموخته
- یادگیری
- کمترین
- قانونی
- کمتر
- درس
- درس
- بدهی
- کتابخانه ها
- کتابخانه
- صدور مجوز
- زندگی
- پسندیدن
- احتمالا
- لینک
- لینوکس
- طولانی
- مدت زمان طولانی
- دراز مدت
- نگاه کنيد
- خیلی
- مقدار زیادی
- کم
- دستگاه
- فراگیری ماشین
- MacOS در
- شعبده بازي
- نگهداری
- عمده
- ساخت
- روش
- بسیاری
- مصالح
- بالغ
- ممکن است..
- متوسط
- به معنی
- به معنای
- اندازه گیری
- اندازه گیری
- دیدار
- متاداده
- قدرت
- MIT
- کاهش
- مدل
- مدل
- مدرن
- لحظه
- پول
- بیش
- اکثر
- اغلب
- انگیزه
- بسیار
- بسیاری
- باید
- my
- لزوما
- نیاز
- نیازهای
- جدید
- بعد
- نه
- قابل توجه
- هیچ چی
- اکنون
- عدد
- کارت گرافیک Nvidia
- واضح
- of
- خاموش
- ارائه
- غالبا
- قدیمی
- on
- یک بار
- ONE
- فقط
- باز کن
- منبع باز
- OpenAI
- عملیاتی
- سیستم های عامل
- or
- کدام سازمان ها
- ما
- خارج
- نتایج
- خروجی
- روی
- سرعت
- مقاله
- موازی
- نحوهی
- ویژه
- گذشته
- مسیر
- شاید
- قطعات
- محل
- برنامه
- سکو
- افلاطون
- هوش داده افلاطون
- PlatoData
- بازی
- غوطه
- نقطه
- استخر
- پاپ
- ممکن
- قوی
- تمرین
- قبلا
- اصلی
- شاید
- مشکل
- مشکلات
- محصول
- توسعه محصول
- پیشرفت
- پروژه
- پروژه ها
- اختصاصی
- اثبات شده
- منشاء
- عمومی
- خریدار
- مارماهی
- رادیکال
- سریع
- نسبتا
- مطالعه
- اماده
- دنیای واقعی
- متوجه
- اخیر
- تنظیم
- تنظیم
- دوباره اختراع
- روابط
- گزارش ها
- نیاز
- مورد نیاز
- تحقیق
- تحقیقات نشان می دهد
- راست
- ریشه
- در حال اجرا
- s
- SAAS
- همان
- SBOM
- حوزه
- بخش
- تیم امنیت لاتاری
- به دنبال
- به نظر می رسد
- به طور جدی
- تنظیم
- مجموعه
- باید
- سیلیکون
- شباهت ها
- به طور مشابه
- به سادگی
- پس از
- سایت
- کوچک
- So
- نرم افزار
- توسعه دهندگان نرم افزار
- فروخته شده
- برخی از
- گاهی
- تاحدی
- مصنوعی
- منبع
- منابع
- فضاها
- صحبت کردن
- متخصص
- مشخصات
- مشخصات
- هزینه
- گسترش
- پشته
- پشته
- آغاز شده
- راه افتادن
- نوپا
- هنوز
- متوقف کردن
- جریان
- خیابان
- به شدت
- ساخت یافته
- موضوع
- حاکی از
- عرضه
- زنجیره تامین
- زنجیره تامین
- پشتیبانی
- تعجب
- زنده ماندن
- مناسب
- سیستم های
- گرفتن
- طول می کشد
- سخنگو
- تکنیک
- پیشرفته
- جریان تنسور
- مدت
- نسبت به
- که
- La
- آینده
- شان
- آنها
- سپس
- آنجا.
- از این رو
- اینها
- آنها
- اشیاء
- فکر می کنم
- تفکر
- فکر می کند
- این
- کسانی که
- اگر چه؟
- هزاران نفر
- از طریق
- زمان
- به
- ابزار
- بالا
- مسیر
- پیگردی
- سنتی
- ترافیک
- آموزش
- درمان
- صادقانه
- امتحان
- تلاش
- ترفند ها
- دو
- انواع
- غیر واضح
- زیرین
- فهمیدن
- متاسفانه
- یونیکس
- us
- استفاده
- استفاده کنید
- مورد استفاده
- استفاده
- کاربر
- با استفاده از
- تنوع
- فروشندگان
- نسخه
- بسیار
- داوطلب
- رای
- بود
- امواج
- مسیر..
- راه
- we
- خوب
- چی
- چه شده است
- که
- WHO
- به طور گسترده ای
- وحشی
- اراده
- پنجره
- با
- بدون
- مهاجرت کاری
- کارگر
- جهان
- جهان
- خواهد بود
- نوشته
- سال
- سال
- شما
- زفیرنت