راه حل های مولد هوش مصنوعی این پتانسیل را دارند که با افزایش بهره وری و بهبود تجربیات مشتری، کسب و کارها را متحول کنند و استفاده از مدل های زبان بزرگ (LLM) با این راه حل ها به طور فزاینده ای محبوب شده است. ایجاد اثبات مفهوم نسبتاً ساده است زیرا پیشرفته است مدل های پایه از طریق یک تماس ساده API از ارائه دهندگان تخصصی در دسترس هستند. بنابراین، سازمانها در اندازههای مختلف و در صنایع مختلف شروع به تجسم مجدد محصولات و فرآیندهای خود با استفاده از هوش مصنوعی مولد کردهاند.
علیرغم انبوه دانش عمومی، LLMهای پیشرفته فقط به اطلاعاتی که در مورد آنها آموزش دیده اند دسترسی دارند. این می تواند منجر به عدم دقت واقعی (توهم) شود، زمانی که از LLM خواسته می شود متنی را بر اساس اطلاعاتی که در طول آموزش ندیده است تولید کند. بنابراین، بسیار مهم است که شکاف بین دانش عمومی LLM و دادههای اختصاصی خود را پر کنید تا به مدل کمک کنید تا ضمن کاهش خطر توهم، پاسخهای دقیقتر و متنیتری تولید کند. روش سنتی تنظیم دقیق، اگرچه موثر است، اما می تواند محاسباتی فشرده، گران قیمت و نیازمند تخصص فنی باشد. گزینه دیگری که باید در نظر گرفته شود نامیده می شود بازیابی نسل افزوده (RAG)، که اطلاعات اضافی را از یک منبع دانش خارجی در اختیار LLM ها قرار می دهد که می تواند به راحتی به روز شود.
علاوه بر این، شرکتها باید هنگام مدیریت دادههای اختصاصی و حساس، مانند دادههای شخصی یا مالکیت معنوی، از امنیت دادهها اطمینان حاصل کنند. این امر به ویژه برای سازمانهایی که در صنایع تحت نظارت شدید، مانند خدمات مالی و مراقبتهای بهداشتی و علوم زیستی فعالیت میکنند، مهم است. بنابراین، درک و کنترل جریان داده های خود از طریق برنامه کاربردی هوش مصنوعی مهم است: مدل در کجا قرار دارد؟ داده ها کجا پردازش می شوند؟ چه کسی به داده ها دسترسی دارد؟ آیا از دادهها برای آموزش مدلها استفاده میشود و در نهایت خطر نشت دادههای حساس به LLMهای عمومی را به همراه خواهد داشت؟
این پست به این موضوع میپردازد که چگونه شرکتها میتوانند برنامههای هوش مصنوعی مولد دقیق، شفاف و ایمن بسازند و در عین حال کنترل کاملی بر دادههای اختصاصی داشته باشند. راه حل پیشنهادی یک خط لوله RAG با استفاده از پشته فناوری بومی هوش مصنوعی است که اجزای آن از ابتدا با هوش مصنوعی در هسته خود طراحی شده اند، به جای اینکه قابلیت های هوش مصنوعی اضافه شود. ما نشان می دهیم که چگونه با استفاده از یک برنامه RAG سرتاسر بسازیم مدل های زبان Cohere از طریق بستر آمازون و یک ایجاد پایگاه داده برداری در AWS Marketplace. کد منبع همراه در دسترس است مخزن مربوط به GitHub میزبانی شده توسط Weaviate. اگرچه AWS مسئولیتی در قبال نگهداری یا بهروزرسانی کد در مخزن شریک نخواهد داشت، اما ما مشتریان را تشویق میکنیم که مستقیماً با Weaviate در ارتباط با هر بهروزرسانی دلخواه ارتباط برقرار کنند.
بررسی اجمالی راه حل
نمودار معماری سطح بالا زیر خط لوله RAG پیشنهادی را با پشته فناوری بومی هوش مصنوعی برای ساخت راهحلهای هوش مصنوعی مولد دقیق، شفاف و ایمن نشان میدهد.
به عنوان یک مرحله آماده سازی برای گردش کار RAG، یک پایگاه داده برداری، که به عنوان منبع دانش خارجی عمل می کند، با زمینه اضافی از داده های اختصاصی جذب می شود. گردش کار واقعی RAG از چهار مرحله نشان داده شده در نمودار پیروی می کند:
- کاربر درخواست خود را وارد می کند.
- پرس و جو کاربر برای بازیابی زمینه اضافی مرتبط از پایگاه داده برداری استفاده می شود. این کار با ایجاد جاسازی های برداری از پرس و جو کاربر با یک مدل جاسازی برای انجام جستجوی برداری برای بازیابی مرتبط ترین زمینه از پایگاه داده انجام می شود.
- زمینه بازیابی شده و پرس و جو کاربر برای تقویت یک الگوی سریع استفاده می شود. اعلان تقویتشده بازیابی به LLM کمک میکند تا تکمیل مرتبطتر و دقیقتری ایجاد کند و توهمات را به حداقل برساند.
- کاربر بر اساس درخواست خود پاسخ دقیق تری دریافت می کند.
پشته فناوری بومی هوش مصنوعی که در نمودار معماری نشان داده شده است دارای دو جزء کلیدی است: مدل های زبان Cohere و پایگاه داده برداری Weaviate.
مدل های زبان Cohere در Amazon Bedrock
La پلتفرم Cohere مدلهای زبانی با عملکرد پیشرفته را از طریق یک تماس ساده API برای شرکتها و توسعهدهندگان به ارمغان میآورد. دو نوع کلیدی از قابلیتهای پردازش زبان وجود دارد که پلتفرم Cohere ارائه میکند - مولد و جاسازی - و هر کدام توسط مدل متفاوتی ارائه میشوند:
- تولید متن با فرمان – توسعهدهندگان میتوانند به نقاط پایانی دسترسی داشته باشند که قابلیتهای هوش مصنوعی را تولید میکنند و برنامههایی مانند مکالمه، پاسخگویی به سؤال، کپینویسی، خلاصهسازی، استخراج اطلاعات و موارد دیگر را فعال میکنند.
- نمایش متن با قراردادن – توسعهدهندگان میتوانند به نقاط پایانی دسترسی پیدا کنند که معنای معنایی متن را دریافت میکنند، برنامههایی مانند موتورهای جستجوی برداری، طبقهبندی و خوشهبندی متن و غیره را فعال میکنند. Cohere Embed به دو شکل ارائه می شود، یک مدل زبان انگلیسی و یک مدل چند زبانه، که هر دو هستند اکنون در Amazon Bedrock موجود است.
پلتفرم Cohere به شرکتها این امکان را میدهد تا از طریق استقرار Amazon Bedrock راهحلهای هوش مصنوعی تولیدی خود را به صورت خصوصی و ایمن سفارشی کنند. Amazon Bedrock یک سرویس ابری کاملاً مدیریت شده است که تیم های توسعه را قادر می سازد تا برنامه های کاربردی هوش مصنوعی مولد را به سرعت بسازند و مقیاس بندی کنند. در حالی که به حفظ امنیت و خصوصی بودن داده ها و برنامه های شما کمک می کند. داده های شما برای بهبود خدمات استفاده نمی شود، هرگز با ارائه دهندگان مدل شخص ثالث به اشتراک گذاشته نمی شود و در منطقه جایی که تماس API پردازش می شود. داده ها همیشه در حال انتقال و در حالت استراحت رمزگذاری می شوند و شما می توانید داده ها را با استفاده از کلیدهای خود رمزگذاری کنید. Amazon Bedrock از الزامات امنیتی، از جمله واجد شرایط بودن قانون قابل حمل و پاسخگویی بیمه سلامت ایالات متحده (HIPAA) و انطباق با مقررات حفاظت از داده های عمومی (GDPR) پشتیبانی می کند. علاوه بر این، میتوانید با استفاده از ابزارهای AWS که قبلاً با آنها آشنا هستید، برنامههای هوش مصنوعی مولد خود را بهطور ایمن ادغام کرده و بهآسانی به کار ببرید.
ایجاد پایگاه داده برداری در AWS Marketplace
سنگین کردن است بومی هوش مصنوعی پایگاه داده برداری این امر باعث میشود تیمهای توسعه بتوانند برنامههای هوش مصنوعی ایمن و شفاف ایجاد کنند. Weaviate برای ذخیره و جستجوی داده های برداری و اشیاء منبع استفاده می شود، که با حذف نیاز به میزبانی و ادغام پایگاه های داده جداگانه، توسعه را ساده می کند. Weaviate عملکرد جستجوی معنایی ثانویه را ارائه میکند و میتواند برای مدیریت میلیاردها بردار و میلیونها مستأجر مقیاس شود. با یک معماری منحصر به فرد توسعه پذیر، Weaviate به صورت بومی با مدل های پایه Cohere مستقر در Amazon Bedrock ادغام می شود تا بردارسازی راحت داده ها را تسهیل کند و از قابلیت های تولیدی آن از داخل پایگاه داده استفاده کند.
پایگاه داده برداری مبتنی بر هوش مصنوعی Weaviate به مشتریان این امکان را می دهد که آن را به عنوان راه حلی (BYOC) یا به عنوان یک سرویس مدیریت شده به کار گیرند. این ویترین از خوشه Kubernetes را در AWS Marketplace ایجاد کنید، بخشی از پیشنهاد BYOC Weaviate است که امکان استقرار مقیاس پذیر مبتنی بر کانتینر را در داخل مستاجر AWS و VPC شما تنها با چند کلیک با استفاده از یک AWS CloudFormation قالب. این رویکرد تضمین میکند که پایگاه داده برداری شما در منطقه خاص شما نزدیک به مدلهای پایه و دادههای اختصاصی برای به حداقل رساندن تأخیر، پشتیبانی از موقعیت دادهها و محافظت از دادههای حساس در حالی که نیازمندیهای قانونی بالقوه، مانند GDPR است، مستقر شده است.
از نمای کلی مورد استفاده کنید
در بخشهای بعدی، نحوه ساخت راهحل RAG با استفاده از پشته فناوری بومی هوش مصنوعی با Cohere، AWS و Weaviate را نشان میدهیم، همانطور که در نمای کلی راهحل نشان داده شده است.
مثال مورد استفاده، تبلیغات هدفمندی را برای لیست اقامت تعطیلات بر اساس مخاطب هدف ایجاد می کند. هدف این است که از جستجوی کاربر برای مخاطبان هدف (به عنوان مثال، "خانواده با کودکان کوچک") برای بازیابی مرتبط ترین لیست اقامت تعطیلات (به عنوان مثال، فهرستی با زمین های بازی در نزدیکی) و سپس ایجاد یک تبلیغ برای فهرست بازیابی شده متناسب با مخاطبان هدف.
مجموعه داده از در دسترس است داخل Airbnb و دارای مجوز تحت یک مجوز بین المللی Creative Commons Attribution 4.0. می توانید کد همراه را در قسمت پیدا کنید مخزن GitHub.
پیش نیازها
برای دنبال کردن و استفاده از هر گونه خدمات AWS در آموزش زیر، مطمئن شوید که یک سرویس دارید حساب AWS.
اجزای پشته فناوری بومی هوش مصنوعی را فعال کنید
ابتدا باید اجزای مربوطه را که در نمای کلی راه حل مورد بحث قرار گرفته اند را در حساب AWS خود فعال کنید. مراحل زیر را کامل کنید:
- در سمت چپ کنسول بستر آمازون، انتخاب کنید دسترسی مدل در صفحه ناوبری
- را انتخاب کنید دسترسی مدل را مدیریت کنید در سمت راست بالا.
- مدل های پایه مورد نظر خود را انتخاب کنید و درخواست دسترسی کنید.
بعد، یک خوشه Weaviate راه اندازی می کنید.
- مشترک شدن در خوشه Kubernetes را در AWS Marketplace ایجاد کنید.
- نرم افزار را با استفاده از a راه اندازی کنید الگوی CloudFormation با توجه به منطقه دسترسی ترجیحی شما.
الگوی CloudFormation از قبل با مقادیر پیش فرض پر شده است.
- برای نام پشته، یک نام پشته وارد کنید.
- برای نوع احراز هویت، توصیه می شود با تنظیم، احراز هویت را فعال کنید
helmauthenticationtype
بهapikey
و تعریف الف helmauthenticationapikey. - برای helmauthenticationapikey، کلید Weaviate API خود را وارد کنید.
- برای helmchartversion، شماره نسخه خود را وارد کنید. باید حداقل v.16.8.0 باشد. رجوع به GitHub repo برای آخرین نسخه
- برای ماژول های helmenabledمطمئن شوید
tex2vec-aws
وgenerative-aws
در لیست ماژول های فعال در Weaviate وجود دارند.
تکمیل این قالب حدود 30 دقیقه طول می کشد.
به Weaviate متصل شوید
برای اتصال به Weaviate مراحل زیر را انجام دهید:
- در کنسول آمازون SageMaker، هدایت به نمونه های نوت بوک در صفحه پیمایش از طریق دفتر یادداشت > نمونه های نوت بوک در سمت چپ
- یک نمونه نوت بوک جدید ایجاد کنید.
- بسته مشتری Weaviate را با وابستگی های مورد نیاز نصب کنید:
- با کد زیر به نمونه Weaviate خود متصل شوید:
- ایجاد URL – از طریق URL متعادل کننده بار به Weaviate دسترسی پیدا کنید. در ابر محاسبه الاستیک آمازون کنسول (Amazon EC2) را انتخاب کنید متعادل کننده بار در صفحه ناوبری و متعادل کننده بار را پیدا کنید. به دنبال ستون نام DNS بگردید و اضافه کنید
http://
جلوی آن - کلید API را ببندید – این کلیدی است که قبلاً در قالب CloudFormation تنظیم کردید (
helmauthenticationapikey
). - کلید دسترسی AWS و کلید دسترسی مخفی - می توانید کلید دسترسی و کلید دسترسی مخفی را برای کاربر خود در قسمت بازیابی کنید هویت AWS و مدیریت دسترسی کنسول (IAM).
ماژول Amazon Bedrock را برای فعال کردن مدلهای Cohere پیکربندی کنید
بعد، شما یک مجموعه داده را تعریف می کنید (class
) به نام Listings
برای ذخیره اشیاء داده لیست ها، که مشابه ایجاد جدول در یک پایگاه داده رابطه ای است. در این مرحله، ماژولهای مربوطه را پیکربندی میکنید تا استفاده از مدلهای زبان Cohere میزبانی شده در Amazon Bedrock را بهطور بومی از داخل پایگاه داده برداری Weaviate فعال کنید. وکتورساز ("text2vec-aws
") و ماژول مولد ("generative-aws
”) در تعریف جمع آوری داده ها مشخص شده اند. هر دوی این ماژول ها سه پارامتر دارند:
- "سرویس" - استفاده کنید "
bedrock
” برای Amazon Bedrock (به طور متناوب، از ” استفاده کنیدsagemaker
" برای Amazon SageMaker JumpStart) - "منطقه" – منطقه ای را که مدل شما در آن مستقر شده است وارد کنید
- "مدل" - نام مدل فونداسیون را وارد کنید
کد زیر را ببینید:
داده ها را در پایگاه داده برداری Weaviate وارد کنید
در این مرحله، ساختار مجموعه داده ها را با پیکربندی ویژگی های آن تعریف می کنید. به غیر از نام و نوع داده ویژگی، میتوانید پیکربندی کنید که آیا فقط شی داده ذخیره میشود یا همراه با جاسازیهای برداری آن ذخیره میشود. در این مثال، host_name
و property_type
بردار نیستند:
کد زیر را برای ایجاد مجموعه در نمونه Weaviate خود اجرا کنید:
اکنون می توانید اشیا را به Weaviate اضافه کنید. برای حداکثر بهره وری از فرآیند واردات دسته ای استفاده می کنید. کد زیر را برای وارد کردن داده ها اجرا کنید. در طول واردات، Weaviate از بردارساز تعریف شده برای ایجاد یک جاسازی برداری برای هر شی استفاده می کند. کد زیر اشیاء را بارگیری می کند، یک فرآیند دسته ای را مقداردهی اولیه می کند و اشیا را یکی یکی به مجموعه هدف اضافه می کند:
بازیابی نسل افزوده
شما می توانید با اجرای یک عبارت جستجوی تولیدی در نمونه Weaviate خود، یک خط لوله RAG بسازید. برای این کار، ابتدا یک الگوی prompt به شکل یک رشته f تعریف می کنید که می تواند در پرس و جو کاربر ({target_audience}
) به طور مستقیم و زمینه اضافی ({{host_name}}
, {{property_type}}
, {{description}}
و {{neighborhood_overview}}
) از پایگاه داده برداری در زمان اجرا:
در مرحله بعد، یک عبارت جستجوی تولیدی را اجرا می کنید. این مدل مولد تعریف شده را با درخواستی که از پرس و جوی کاربر و همچنین داده های بازیابی شده تشکیل شده است، تحریک می کند. پرس و جو زیر یک شی فهرست را بازیابی می کند (.with_limit(1)
) از Listings
مجموعه ای که بیشتر شبیه به پرس و جو کاربر است (.with_near_text({"concepts": target_audience})
). سپس درخواست کاربر (target_audience
) و ویژگی های فهرست های بازیابی شده (["description", "neighborhood", "host_name", "property_type"]
) به الگوی سریع وارد می شوند. کد زیر را ببینید:
در مثال زیر می بینید که کد قبلی برای target_audience = “Family with small children”
فهرستی را از میزبان Marre بازیابی می کند. الگوی سریع با جزئیات لیست Marre و مخاطبان هدف افزوده می شود:
بر اساس اعلان تقویت شده بازیابی، مدل فرمان Cohere تبلیغات هدفمند زیر را تولید می کند:
سفارشی سازی های جایگزین
شما می توانید سفارشی سازی های جایگزینی را برای اجزای مختلف در راه حل پیشنهادی انجام دهید، مانند موارد زیر:
- مدل های زبان Cohere نیز از طریق در دسترس هستند Amazon SageMaker JumpStart، که دسترسی به مدل های فونداسیون پیشرفته را فراهم می کند و توسعه دهندگان را قادر می سازد LLM ها را در آمازون SageMaker، یک سرویس کاملاً مدیریت شده که مجموعه وسیعی از ابزارها را گرد هم می آورد تا یادگیری ماشینی با کارایی بالا و کم هزینه را برای هر موردی فعال کند. Weaviate با SageMaker نیز ادغام شده است.
- افزودنی قدرتمند به این راه حل است نقطه پایانی Cohere Rerank، از طریق SageMaker JumpStart در دسترس است. رتبه بندی مجدد می تواند ارتباط نتایج جستجو از جستجوی لغوی یا معنایی را بهبود بخشد. رتبهبندی مجدد با محاسبه امتیازهای مربوط به معنایی برای اسنادی که توسط یک سیستم جستجو بازیابی میشوند و رتبهبندی اسناد بر اساس این امتیازات کار میکند. افزودن رتبه مجدد به یک برنامه تنها به یک خط تغییر کد نیاز دارد.
- برای برآوردن نیازهای مختلف استقرار محیطهای تولید مختلف، Weaviate میتواند به روشهای مختلف دیگری مستقر شود. به عنوان مثال، به صورت دانلود مستقیم از سایت موجود است وب سایت بافت، که اجرا می شود سرویس الاستیک کوبرنتز آمازون (Amazon EKS) یا به صورت محلی از طریق کارگر بارانداز or کوبرنیتس. همچنین به صورت یک خدمات مدیریت شده که می تواند به طور ایمن در یک VPC یا به عنوان یک سرویس ابری عمومی میزبانی شده روی AWS با یک آزمایش رایگان 14 روزه اجرا شود.
- می توانید راه حل خود را با استفاده از VPC ارائه دهید ابر خصوصی مجازی آمازون (Amazon VPC)، که سازمان ها را قادر می سازد تا خدمات AWS را در یک شبکه مجازی ایزوله منطقی، شبیه به یک شبکه سنتی، اما با مزایای زیرساخت مقیاس پذیر AWS، راه اندازی کنند. بسته به سطح طبقه بندی شده حساسیت داده ها، سازمان ها همچنین می توانند دسترسی به اینترنت را در این VPC ها غیرفعال کنند.
پاک کردن
برای جلوگیری از هزینه های غیرمنتظره، تمام منابعی را که به عنوان بخشی از این پست استفاده کرده اید حذف کنید. اگر پشته CloudFormation را راه اندازی کرده اید، می توانید آن را از طریق کنسول AWS CloudFormation حذف کنید. توجه داشته باشید که ممکن است برخی منابع AWS مانند فروشگاه بلوک الاستیک آمازون (Amazon EBS) مجلدات و سرویس مدیریت کلید AWS کلیدهای (AWS KMS) که ممکن است هنگام حذف پشته CloudFormation به طور خودکار حذف نشوند.
نتیجه
در این پست بحث شد که چگونه شرکتها میتوانند برنامههای کاربردی هوش مصنوعی مولد دقیق، شفاف و ایمن بسازند و در عین حال کنترل کاملی بر دادههای خود داشته باشند. راه حل پیشنهادی یک خط لوله RAG با استفاده از پشته فن آوری بومی هوش مصنوعی به عنوان ترکیبی از مدل های پایه Cohere در Amazon Bedrock و پایگاه داده برداری Weaviate در AWS Marketplace است. رویکرد RAG شرکت ها را قادر می سازد تا شکاف بین دانش عمومی LLM و داده های اختصاصی را پر کنند و در عین حال توهمات را به حداقل برسانند. پشته فناوری بومی هوش مصنوعی توسعه سریع و عملکرد مقیاس پذیر را امکان پذیر می کند.
میتوانید با استفاده از مراحل ذکر شده در این پست، آزمایشهای اثبات مفهوم RAG را برای برنامههای کاربردی هوش مصنوعی مولد آماده سازمانی خود آغاز کنید. کد منبع همراه در دسترس است مخزن مربوط به GitHub. ممنون که خواندید. در قسمت نظرات نظرات یا بازخورد خود را ارائه دهید.
درباره نویسندگان
جیمز یی یک معمار ارشد راه حل های شریک هوش مصنوعی در تیم فناوری همکاران COE Tech در خدمات وب آمازون است. او مشتاق کار با مشتریان و شرکای سازمانی برای طراحی، استقرار و مقیاسبندی برنامههای AI/ML برای کسب ارزش تجاری است. در خارج از محل کار، او از بازی فوتبال، مسافرت و گذراندن وقت با خانواده لذت می برد.
لئونی مونیگاتی یک مدافع توسعه دهنده در Weaviate است. منطقه تمرکز او AI/ML است و به توسعه دهندگان کمک می کند تا در مورد هوش مصنوعی مولد بیاموزند. در خارج از محل کار، او همچنین آموخته های خود را در علم داده و ML در وبلاگ خود و در Kaggle به اشتراک می گذارد.
میور عامر یک مدافع توسعه دهنده در Cohere، ارائه دهنده فناوری پیشرفته پردازش زبان طبیعی (NLP) است. او به توسعه دهندگان کمک می کند تا برنامه های کاربردی پیشرفته را با مدل های زبان بزرگ (LLM) Cohere’s بسازند.
دوری از مائو یک معمار ارشد راه حل های شریک هوش مصنوعی / ML در تیم فناوری های نوظهور در خدمات وب آمازون است. او مشتاق کار با مشتریان و شرکای سازمانی برای طراحی، استقرار و مقیاسبندی برنامههای AI/ML برای استخراج ارزشهای تجاری آنها است. او خارج از محل کار از ماهیگیری، مسافرت و بازی پینگ پنگ لذت می برد.
- 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://aws.amazon.com/blogs/machine-learning/build-enterprise-ready-generative-ai-solutions-with-cohere-foundation-models-in-amazon-bedrock-and-weaviate-vector-database-on-aws-marketplace/
- : دارد
- :است
- :نه
- :جایی که
- $UP
- 1
- 10
- 100
- 11
- 12
- 13
- 16
- 17
- 19
- 23
- 30
- 32
- 33
- 7
- 8
- 9
- a
- درباره ما
- دسترسی
- مدیریت دسترسی
- مطابق
- حساب
- مسئوليت
- دقیق
- در میان
- عمل
- واقعی
- اضافه کردن
- اضافه
- اضافه کردن
- اضافه
- اضافی
- اطلاعات اضافی
- علاوه بر این
- خطاب به
- می افزاید:
- بزرگسالان
- تبلیغات
- مدافع
- AI
- AI / ML
- Airbnb
- معرفی
- اجازه می دهد تا
- در امتداد
- قبلا
- همچنین
- جایگزین
- هر چند
- همیشه
- آمازون
- آمازون EC2
- آمازون SageMaker
- آمازون خدمات وب
- آمستردام
- an
- و
- دیگر
- پاسخ دادن
- هر
- API
- کاربرد
- برنامه های کاربردی
- روش
- معماری
- هستند
- محدوده
- مناطق
- AS
- کنار
- At
- جاذبه
- حضار
- تقویت کردن
- افزوده شده
- تصدیق
- بطور خودکار
- دسترس پذیری
- در دسترس
- دور
- AWS
- AWS CloudFormation
- مدیریت هویت و دسترسی AWS (IAM)
- بازار AWS
- متعادل کننده
- بار
- مستقر
- BE
- زیرا
- شدن
- شروع شد
- مزایای
- بهترین
- میان
- میلیاردها
- مسدود کردن
- بلاگ
- تقویت
- هر دو
- بریج
- به ارمغان می آورد
- پهن
- ساختن
- بنا
- کسب و کار
- کسب و کار
- اما
- by
- کافه ها
- صدا
- نام
- CAN
- قابلیت های
- گرفتن
- مورد
- تهیه کنید
- مرکزی
- مرکز
- تغییر دادن
- بار
- فرزندان
- انتخاب
- را انتخاب کنید
- شهر:
- کلاس
- طبقه بندی
- طبقه بندی
- مشتری
- نزدیک
- ابر
- خوشه
- خوشه بندی
- رمز
- مجموعه
- ستون
- ترکیب
- بیا
- می آید
- نظرات
- مردم عادی
- کامل
- اتمام
- انطباق
- اجزاء
- شامل
- محاسبه
- محاسبه
- مفهوم
- مفاهیم
- پیکربندی
- اتصال
- در نظر بگیرید
- کنسول
- زمینه
- متنی
- کنترل
- مناسب
- به راحتی
- محاورهای
- copywriting است
- هسته
- ایجاد
- ایجاد
- بسیار سخت
- مشتری
- مشتریان
- سفارشی
- لبه برش
- داده ها
- حفاظت از داده ها
- علم اطلاعات
- امنیت داده ها
- پایگاه داده
- پایگاه های داده
- به طور پیش فرض
- تعريف كردن
- مشخص
- تعریف کردن
- تعریف
- ارائه
- نشان دادن
- وابستگی
- بستگی دارد
- گسترش
- مستقر
- گسترش
- استخراج
- شرح
- طرح
- طراحی
- مطلوب
- جزئیات
- توسعه دهنده
- توسعه دهندگان
- پروژه
- تیم های توسعه
- مختلف
- ناهار خوری
- مستقیم
- مستقیما
- بحث کردیم
- دی ان اس
- اسناد و مدارک
- انجام شده
- دانلود
- در طی
- هر
- پیش از آن
- به آسانی
- ebs
- موثر
- بهره وری
- مرتفع
- شایستگی
- از بین بردن
- جاسازی کردن
- تعبیه کردن
- سنگ سنباده
- فن آوری های نوظهور
- توانمندسازی
- قادر ساختن
- فعال
- را قادر می سازد
- را قادر می سازد
- تشویق
- رمزگذاری
- پشت سر هم
- نقاط پایان
- موتورهای حرفه ای
- انگلیسی
- اطمینان حاصل شود
- تضمین می کند
- وارد
- سرمایه گذاری
- مشتریان سازمانی
- شرکت
- وارد می شود
- تمام
- محیط
- اتر (ETH)
- در نهایت
- مثال
- گران
- تجربه
- تجارب
- تخصص
- خارجی
- استخراج
- تسهیل کردن
- واقعی
- آشنا
- خانواده
- FAST
- امکانات
- ویژگی های
- تغذیه
- باز خورد
- احساس
- کمی از
- پرونده
- مالی
- خدمات مالی
- پیدا کردن
- نام خانوادگی
- صید ماهی
- انعطاف پذیری
- طبقه
- جریان
- تمرکز
- به دنبال
- پیروی
- به دنبال آن است
- برای
- فرم
- اشکال
- پایه
- چهار
- رایگان
- امتحان رایگان
- از جانب
- جلو
- کامل
- کاملا
- بیشتر
- شکاف
- GDPR
- سوالات عمومی
- داده های عمومی
- مقررات حفاظت از اطلاعات عمومی
- تولید می کنند
- تولید می کند
- مولد
- نسل
- مولد
- هوش مصنوعی مولد
- مدل مولد
- GitHub
- می دهد
- هدف
- زمین
- گروه
- نیم
- دسته
- اداره
- آیا
- داشتن
- he
- عنوان
- سلامتی
- بیمه خدمات درمانی
- بهداشت و درمان
- قلب
- به شدت
- کمک
- کمک
- کمک می کند
- او
- در سطح بالا
- عملکرد بالا
- خود را
- صفحه اصلی
- میزبان
- میزبانی
- چگونه
- چگونه
- HTTP
- HTTPS
- IAM
- هویت
- هویت و مدیریت دسترسی
- مدیریت هویت و دسترسی (IAM)
- if
- نشان می دهد
- اجرای
- واردات
- مهم
- بهبود
- ارتقاء
- بهبود
- in
- از جمله
- به طور فزاینده
- لوازم
- اطلاعات
- استخراج اطلاعات
- شالوده
- داخل
- نصب
- نمونه
- بیمه
- ادغام
- یکپارچه
- ادغام
- فکری
- مالکیت معنوی
- بین المللی
- اینترنت
- دسترسی به اینترنت
- به
- جدا شده
- IT
- ITS
- JPG
- تنها
- نگاه داشتن
- نگهداری
- کلید
- کلید
- بچه ها
- دانش
- کوبرنیتس
- زبان
- بزرگ
- تاخیر
- آخرین
- راه اندازی
- راه اندازی
- رهبری
- منجر می شود
- نشت
- یاد گرفتن
- یادگیری
- کمترین
- ترک کرد
- سطح
- مجاز
- زندگی
- علوم زندگی
- لاین
- فهرست
- فهرست
- لیست
- زندگی
- بار
- بارهای
- محلی
- به صورت محلی
- واقع شده
- محل
- نگاه کنيد
- به دنبال
- کم هزینه
- دستگاه
- فراگیری ماشین
- نگهداری
- ساخت
- باعث می شود
- مدیریت
- اداره می شود
- مدیریت
- بازار
- استاد
- بیشترین
- ممکن است..
- معنی
- به معنی
- خاطرات
- روش
- میلیون ها نفر
- به حداقل رساندن
- به حداقل رساندن
- دقیقه
- ML
- مدل
- مدل
- واحد
- ماژول ها
- بیش
- اکثر
- باید
- نام
- بومی
- طبیعی
- زبان طبیعی
- پردازش زبان طبیعی
- هدایت
- جهت یابی
- نیاز
- شبکه
- هرگز
- جدید
- nlp
- نه
- توجه داشته باشید
- دفتر یادداشت
- اکنون
- عدد
- هدف
- اشیاء
- of
- ارائه
- ارائه
- on
- ONE
- فقط
- عملیاتی
- گزینه
- or
- سازمان های
- دیگر
- ما
- مشخص شده
- خارج از
- روی
- مروری
- خود
- بسته
- پرداخت
- پانداها
- قطعه
- پارامترهای
- پارکینگ
- بخش
- ویژه
- شریک
- شرکای
- احساساتی
- کامل
- انجام دادن
- کارایی
- شخصی
- اطلاعات شخصی
- قطعه
- خط لوله
- محل
- سکو
- افلاطون
- هوش داده افلاطون
- PlatoData
- بازی
- محبوب
- قابل حمل بودن
- پست
- پتانسیل
- قدرت
- قوی
- ماقبل
- مرجح
- تهیه
- در حال حاضر
- جلوگیری از
- خصوصی
- روند
- پردازش
- فرآیندهای
- در حال پردازش
- تولید
- بهره وری
- محصولات
- پرسیدن
- اثبات
- املاک
- ویژگی
- پیشنهاد شده
- اختصاصی
- محافظت از
- حفاظت
- ارائه
- ارائه دهنده
- ارائه دهندگان
- فراهم می کند
- عمومی
- ابر عمومی
- سوال
- به سرعت
- پارچه
- رتبه بندی
- نسبتا
- RE
- خواندن
- مطالعه
- دریافت
- توصیه می شود
- کاهش
- مراجعه
- با توجه
- منطقه
- تنظیم
- صنایع تنظیم شده
- تنظیم
- تنظیم کننده
- نسبتا
- ربط
- مربوط
- بقایای
- مخزن
- درخواست
- ضروری
- مورد نیاز
- نیاز
- شبیه
- منابع
- پاسخ
- پاسخ
- مسئوليت
- REST
- رستوران ها
- نتیجه
- نتایج
- راست
- خطر
- خطرناک است
- اتاق
- ROW
- دویدن
- اجرا می شود
- s
- حکیم ساز
- مقیاس پذیر
- مقیاس
- علم
- علوم
- نمرات
- جستجو
- موتورهای جستجو
- راز
- بخش
- بخش
- امن
- ایمن
- تیم امنیت لاتاری
- دیدن
- معنایی
- ارشد
- حساس
- حساسیت
- جداگانه
- خدمت
- خدمت کرده است
- خدمت
- سرویس
- خدمات
- تنظیم
- محیط
- به اشتراک گذاشته شده
- سهام
- او
- کوتاه
- نمایشگاه
- مشابه
- ساده
- ساده می کند
- تنها
- اندازه
- کوچک
- فوتبال
- نرم افزار
- راه حل
- مزایا
- برخی از
- منبع
- کد منبع
- فضا
- تخصصی
- خاص
- مشخص شده
- هزینه
- پشته
- شروع
- وضعیت هنر
- ماندن
- گام
- مراحل
- هنوز
- opbevare
- ذخیره شده
- ساده
- ساختار
- چنین
- مناسب
- پشتیبانی
- پشتیبانی از
- مطمئن
- سیستم
- جدول
- طراحی شده
- گرفتن
- طول می کشد
- هدف
- هدف قرار
- تیم
- تیم ها
- فن آوری
- فنی
- فن آوری
- پیشرفته
- قالب
- مستاجر
- متن
- طبقه بندی متن
- نسبت به
- تشکر
- که
- La
- اطلاعات
- شان
- سپس
- آنجا.
- از این رو
- اینها
- آنها
- شخص ثالث
- این
- سه
- از طریق
- زمان
- به
- با هم
- ابزار
- بالا
- سنتی
- قطار
- آموزش دیده
- آموزش
- دگرگون کردن
- عبور
- شفاف
- سفر
- محاکمه
- آموزش
- دو
- نوع
- انواع
- ما
- زیر
- فهمیدن
- غیر منتظره
- فراموش نشدنی
- منحصر به فرد
- به روز شده
- به روز رسانی
- به روز رسانی
- از پله ها
- URL
- استفاده
- استفاده کنید
- مورد استفاده
- استفاده
- کاربر
- استفاده
- با استفاده از
- مرخصی
- ارزش
- ارزشها
- مختلف
- Ve
- نسخه
- از طريق
- مجازی
- جلد
- راه رفتن
- مسیر..
- راه
- we
- ثروت
- وب
- خدمات وب
- خوش آمد
- خوب
- بود
- چه زمانی
- که
- در حین
- WHO
- که
- اراده
- با
- در داخل
- مهاجرت کاری
- گردش کار
- کارگر
- با این نسخهها کار
- نوشتن
- شما
- شما
- زفیرنت