تصویر توسط ویرایشگر
مدلهای زبان بزرگ (LLM) مانند GPT-3 OpenAI، BERT Google و LLaMA متا با توانایی خود در تولید طیف گستردهای از متن، بخشهای مختلف را متحول میکنند؟—از اسکریپتهای کپی و علم داده بازاریابی تا شعر.
حتی اگر رابط بصری ChatGPT امروزه در دستگاههای اکثر مردم وجود داشته باشد، هنوز هم چشمانداز وسیعی از پتانسیلهای بکر برای استفاده از LLM در یکپارچهسازیهای نرمافزاری متنوع وجود دارد.
مشکل اصلی؟
اکثر برنامهها به ارتباطات سیال و بومی بیشتری با LLM نیاز دارند.
و این دقیقا همان جایی است که LangChain شروع به کار می کند!
اگر به هوش مصنوعی و LLM های مولد علاقه دارید، این آموزش برای شما ساخته شده است.
پس… بیایید شروع کنیم!
فقط در صورتی که در غار زندگی می کنید و اخیراً هیچ خبری دریافت نکرده اید، مدل های زبان بزرگ یا LLM را به طور خلاصه توضیح می دهم.
LLM یک سیستم هوش مصنوعی پیچیده است که برای تقلید از درک و تولید متنی شبیه انسان ساخته شده است. این مدلها با آموزش بر روی مجموعههای داده عظیم، الگوهای پیچیده را تشخیص میدهند، ظرافتهای زبانی را درک میکنند و خروجیهای منسجمی تولید میکنند.
اگر تعجب می کنید که چگونه با این مدل های مجهز به هوش مصنوعی تعامل داشته باشید، دو راه اصلی برای انجام این کار وجود دارد:
- رایج ترین و مستقیم ترین راه، صحبت کردن یا چت کردن با مدل است. این شامل ایجاد یک درخواست، ارسال آن به مدل مبتنی بر هوش مصنوعی و دریافت یک خروجی مبتنی بر متن به عنوان پاسخ است.
- روش دیگر تبدیل متن به آرایه های عددی است. این فرآیند شامل نوشتن یک درخواست برای هوش مصنوعی و دریافت یک آرایه عددی در ازای آن است. چیزی که معمولاً به عنوان "جاسازی" شناخته می شود. اخیراً افزایش یافته در پایگاههای داده برداری و جستجوی معنایی.
و دقیقاً این دو مشکل اصلی است که LangChain سعی دارد به آنها رسیدگی کند. اگر به مشکلات اصلی تعامل با LLM علاقه مند هستید، می توانید این مقاله را بررسی کنید اینجا کلیک نمایید.
LangChain یک چارچوب متن باز است که بر اساس LLM ها ساخته شده است. زرادخانه ای از ابزارها، مؤلفه ها و رابط هایی را به جدول می آورد که معماری برنامه های کاربردی مبتنی بر LLM را ساده می کند.
با LangChain، درگیر شدن با مدلهای زبان، بهم پیوستن مؤلفههای مختلف و ترکیب داراییهایی مانند API و پایگاههای اطلاعاتی به یک نسیم تبدیل میشود. این چارچوب بصری به طور قابل ملاحظه ای سفر توسعه برنامه LLM را ساده می کند.
ایده اصلی Long Chain این است که ما میتوانیم اجزا یا ماژولهای مختلفی را که به نام زنجیرهها نیز شناخته میشوند، برای ایجاد راهحلهای پیچیدهتر مبتنی بر LLM به یکدیگر متصل کنیم.
در اینجا برخی از ویژگی های برجسته LangChain آورده شده است:
- الگوهای درخواستی قابل تنظیم برای استاندارد کردن تعاملات ما.
- اجزای پیوند زنجیره ای که برای موارد استفاده پیچیده طراحی شده اند.
- ادغام یکپارچه با مدلهای زبان پیشرو، از جمله GPTهای OpenAI و مدلهای موجود در HuggingFace Hub.
- اجزای مدولار برای یک رویکرد ترکیب و تطبیق برای ارزیابی هر مشکل یا کار خاص.
تصویر توسط نویسنده
LangChain با تمرکز بر سازگاری و طراحی مدولار متمایز است.
ایده اصلی پشت LangChain این است که توالی پردازش زبان طبیعی را به بخشهای جداگانه تقسیم میکند و به توسعهدهندگان اجازه میدهد تا گردشهای کاری را بر اساس نیازهای خود سفارشی کنند.
چنین تطبیق پذیری LangChain را به عنوان یک انتخاب اصلی برای ساخت راه حل های هوش مصنوعی در موقعیت ها و صنایع مختلف قرار می دهد.
برخی از مهمترین اجزای آن عبارتند از…
تصویر توسط نویسنده
1. LLM
LLM ها اجزای اساسی هستند که از حجم وسیعی از داده های آموزشی برای درک و تولید متنی شبیه انسان استفاده می کنند. آنها در هسته بسیاری از عملیات در LangChain قرار دارند و قابلیت های پردازش زبان لازم را برای تجزیه و تحلیل، تفسیر و پاسخ به ورودی متن ارائه می دهند.
طریقه استفاده: تقویت رباتهای گفتگو، تولید متنی شبیه انسان برای برنامههای مختلف، کمک به بازیابی اطلاعات و انجام پردازشهای زبانی دیگر
2. الگوهای سریع
اعلان ها برای تعامل با LLM اساسی هستند و هنگام کار بر روی وظایف خاص، ساختار آنها مشابه است. الگوهای درخواستی، که دستورهای از پیش تعیین شده قابل استفاده در زنجیرهها هستند، با افزودن مقادیر خاص، اجازه استانداردسازی «اعلانها» را میدهند. این امر سازگاری و سفارشی سازی هر LLM را افزایش می دهد.
طریقه استفاده: استاندارد کردن فرآیند تعامل با LLM.
3. تجزیه کننده های خروجی
تجزیه کننده های خروجی اجزایی هستند که خروجی خام را از یک مرحله قبلی در زنجیره می گیرند و آن را به یک قالب ساختاریافته تبدیل می کنند. سپس این داده های ساختاریافته می توانند به طور موثرتری در مراحل بعدی استفاده شوند یا به عنوان پاسخی به کاربر نهایی تحویل داده شوند.
طریقه استفاده: به عنوان مثال، در یک ربات چت، یک تجزیه کننده خروجی ممکن است پاسخ متن خام را از یک مدل زبان بگیرد، قطعات کلیدی اطلاعات را استخراج کرده و آنها را در یک پاسخ ساختاریافته قالب بندی کند.
4. اجزاء و زنجیر
در LangChain، هر جزء به عنوان یک ماژول مسئول یک وظیفه خاص در توالی پردازش زبان عمل می کند. این اجزا را می توان به شکل متصل کرد زنجیر برای گردش کار سفارشی شده
طریقه استفاده: ایجاد زنجیره های مولد تشخیص و پاسخ در یک چت بات خاص.
5 حافظه
حافظه در LangChain به مؤلفه ای اشاره دارد که مکانیزم ذخیره سازی و بازیابی اطلاعات را در یک گردش کار فراهم می کند. این مؤلفه امکان ذخیره موقت یا دائمی دادههایی را فراهم میکند که میتوانند در طول تعامل با LLM به سایر مؤلفهها دسترسی پیدا کرده و آنها را دستکاری کنند.
طریقه استفاده: این در سناریوهایی مفید است که داده ها باید در مراحل مختلف پردازش نگهداری شوند، به عنوان مثال، ذخیره تاریخچه مکالمه در یک ربات چت برای ارائه پاسخ های آگاه از زمینه.
6 نمایندگان
عامل ها اجزای مستقلی هستند که قادر به انجام اقدامات بر اساس داده هایی هستند که پردازش می کنند. آنها میتوانند با سایر مؤلفهها، سیستمهای خارجی یا کاربران تعامل داشته باشند تا وظایف خاصی را در یک گردش کار LangChain انجام دهند.
طریقه استفاده: به عنوان مثال، یک عامل ممکن است تعاملات کاربر را مدیریت کند، درخواست های دریافتی را پردازش کند و جریان داده ها را از طریق زنجیره برای ایجاد پاسخ های مناسب هماهنگ کند.
7. شاخص ها و رتریورها
ایندکس ها و رتریورها نقش مهمی در مدیریت و دسترسی موثر به داده ها دارند. ایندکس ها ساختارهای داده ای هستند که اطلاعات و ابرداده ها را از داده های آموزشی مدل نگهداری می کنند. از سوی دیگر، retrieverها مکانیسمهایی هستند که با این شاخصها تعامل میکنند تا دادههای مربوطه را بر اساس معیارهای مشخص شده واکشی کنند و به مدل اجازه میدهند تا با ارائه زمینه مربوطه بهتر پاسخ دهد.
طریقه استفاده: آنها در واکشی سریع دادهها یا اسناد مربوطه از یک مجموعه داده بزرگ، که برای کارهایی مانند بازیابی اطلاعات یا پاسخ به سؤال ضروری است، مفید هستند.
8. ترانسفورماتورهای سند
در LangChain، Document Transformers اجزای تخصصی هستند که برای پردازش و تبدیل اسناد به گونه ای طراحی شده اند که آنها را برای تجزیه و تحلیل یا پردازش بیشتر مناسب کند. این تبدیل ها ممکن است شامل کارهایی مانند عادی سازی متن، استخراج ویژگی یا تبدیل متن به فرمت های متفاوت باشد.
طریقه استفاده: آماده سازی داده های متنی برای مراحل پردازش بعدی، مانند تجزیه و تحلیل توسط مدل های یادگیری ماشین یا نمایه سازی برای بازیابی کارآمد.
9. مدل های تعبیه شده
آنها برای تبدیل داده های متنی به بردارهای عددی در فضایی با ابعاد بالا استفاده می شوند. این مدلها روابط معنایی بین کلمات و عبارات را ثبت میکنند و نمایشی قابل خواندن توسط ماشین را ممکن میسازند. آنها پایه و اساس وظایف مختلف پردازش زبان طبیعی (NLP) در اکوسیستم LangChain را تشکیل می دهند.
طریقه استفاده: تسهیل جستجوهای معنایی، مقایسههای شباهت و سایر وظایف یادگیری ماشینی با ارائه نمایش عددی متن.
10. فروشگاه های وکتور
نوع سیستم پایگاه داده ای که برای ذخیره و جستجوی اطلاعات از طریق جاسازی ها تخصص دارد و اساساً نمایش های عددی داده های متن مانند را تجزیه و تحلیل می کند. VectorStore به عنوان یک مرکز ذخیره سازی برای این تعبیه ها عمل می کند.
طریقه استفاده: امکان جستجوی کارآمد بر اساس شباهت معنایی.
نصب آن با استفاده از PIP
اولین کاری که باید انجام دهیم این است که مطمئن شویم LangChain را در محیط خود نصب کرده ایم.
pip install langchain
تنظیم محیط
استفاده از LangChain معمولاً به معنای ادغام با ارائه دهندگان مدل های متنوع، فروشگاه های داده، API ها و سایر مؤلفه ها است. و همانطور که می دانید، مانند هر یکپارچه سازی، تامین کلیدهای API مربوطه و صحیح برای عملکرد LangChain بسیار مهم است.
تصور کنید می خواهیم از OpenAI API خود استفاده کنیم. ما به راحتی می توانیم این کار را از دو طریق انجام دهیم:
- تنظیم کلید به عنوان متغیر محیطی
OPENAI_API_KEY="..."
or
import os
os.environ['OPENAI_API_KEY'] = “...”
اگر انتخاب میکنید که متغیر محیطی ایجاد نکنید، میتوانید کلید را مستقیماً از طریق پارامتر openai_api_key به نام هنگام شروع کلاس OpenAI LLM ارائه دهید:
- کلید را مستقیماً در کلاس مربوطه تنظیم کنید.
from langchain.llms import OpenAI
llm = OpenAI(openai_api_key="...")
جابجایی بین LLM ها ساده می شود
LangChain یک کلاس LLM ارائه می دهد که به ما امکان می دهد با ارائه دهندگان مدل زبان های مختلف مانند OpenAI و Hugging Face تعامل داشته باشیم.
شروع کار با هر LLM بسیار آسان است، زیرا اساسی ترین و ساده ترین عملکرد هر LLM فقط تولید متن است.
با این حال، درخواست یک اعلان از LLM های مختلف به طور همزمان چندان آسان نیست.
این جایی است که LangChain شروع به کار می کند…
با بازگشت به سادهترین عملکرد هر LLM، میتوانیم به راحتی برنامهای با LangChain بسازیم که یک اعلان رشته دریافت میکند و خروجی LLM تعیینشده ما را برمیگرداند.
کد توسط نویسنده
ما به سادگی می توانیم از همان اعلان استفاده کنیم و پاسخ دو مدل مختلف را در چند خط کد دریافت کنیم!
کد توسط نویسنده
تاثیرگذار… درست است؟
ساختار دادن به دستورات ما با الگوهای سریع
یکی از مشکلات رایج مدل های زبانی (LLM) ناتوانی آنها در افزایش برنامه های پیچیده است. LangChain با ارائه راهحلی برای سادهسازی فرآیند ایجاد اعلانها، که اغلب پیچیدهتر از تعریف یک کار است، به این موضوع میپردازد، زیرا به ترسیم شخصیت هوش مصنوعی و اطمینان از صحت واقعی نیاز دارد. بخش قابل توجهی از این شامل متن تکراری دیگ بخار است. LangChain با ارائه الگوهای سریع، که به طور خودکار متن دیگ بخار را در دستورات جدید اضافه می کند، این مشکل را کاهش می دهد، بنابراین ایجاد سریع را ساده می کند و از ثبات در وظایف مختلف اطمینان می دهد.
کد توسط نویسنده
دریافت پاسخ های ساختاریافته با تجزیه کننده های خروجی
در تعاملات مبتنی بر چت، خروجی مدل صرفاً متن است. با این حال، در برنامههای نرمافزاری، داشتن یک خروجی ساختاریافته ترجیح داده میشود، زیرا امکان برنامهنویسی بیشتر را فراهم میکند. به عنوان مثال، هنگام تولید یک مجموعه داده، دریافت پاسخ در قالب خاصی مانند CSV یا JSON مورد نظر است. با فرض اینکه میتوان یک اعلان ایجاد کرد تا یک پاسخ سازگار و قالببندی شده را از هوش مصنوعی دریافت کند، نیاز به ابزارهایی برای مدیریت این خروجی وجود دارد. LangChain با ارائه ابزارهای تجزیه کننده خروجی برای مدیریت و استفاده مؤثر از خروجی ساختاریافته، این نیاز را برآورده می کند.
کد توسط نویسنده
شما می توانید کل کد را در من بررسی کنید GitHub.
چندی پیش، قابلیت های پیشرفته ChatGPT ما را شگفت زده کرد. با این حال، محیط فناوری همیشه در حال تغییر است و اکنون ابزارهایی مانند LangChain در دسترس ما هستند و به ما این امکان را میدهند که نمونههای اولیه برجسته را از رایانههای شخصیمان تنها در چند ساعت بسازیم.
LangChain، یک پلتفرم رایگان در دسترس پایتون، ابزاری را برای کاربران فراهم میکند تا برنامههایی را توسعه دهند که توسط LLM (مدلهای مدل زبان) لنگر انداخته شدهاند. این پلتفرم یک رابط منعطف را به انواع مدلهای پایه ارائه میکند، مدیریت سریع را ساده میکند و به عنوان پیوندی برای عناصری مانند الگوهای سریع، LLMهای بیشتر، اطلاعات خارجی و سایر منابع از طریق عوامل، طبق اسناد فعلی عمل میکند.
رباتهای گفتگو، دستیارهای دیجیتال، ابزارهای ترجمه زبان و ابزارهای تجزیه و تحلیل احساسات را تصور کنید. همه این برنامههای دارای LLM با LangChain زنده میشوند. توسعهدهندگان از این پلتفرم برای ایجاد راهحلهای مدل زبانی سفارشی برای پرداختن به نیازهای متمایز استفاده میکنند.
همانطور که افق پردازش زبان طبیعی گسترش می یابد و پذیرش آن عمیق تر می شود، قلمرو کاربردهای آن بی حد و حصر به نظر می رسد.
جوزپ فرر یک مهندس تجزیه و تحلیل از بارسلونا است. او در رشته مهندسی فیزیک فارغ التحصیل شد و در حال حاضر در زمینه علم داده های کاربردی برای تحرک انسان کار می کند. او یک تولید کننده محتوای پاره وقت است که بر علم و فناوری داده تمرکز دارد. می توانید با او تماس بگیرید لینک, توییتر or متوسط.
- 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/how-to-make-large-language-models-play-nice-with-your-software-using-langchain?utm_source=rss&utm_medium=rss&utm_campaign=how-to-make-large-language-models-play-nice-with-your-software-using-langchain
- : دارد
- :است
- :نه
- :جایی که
- $UP
- 7
- a
- توانایی
- قابل دسترسی است
- دسترسی
- انجام دادن
- دقت
- در میان
- بازیگری
- اقدامات
- اعمال
- اضافه کردن
- نشانی
- آدرس
- خطاب به
- اتخاذ
- پیشرفته
- عامل
- عاملان
- پیش
- AI
- مجهز به هوش مصنوعی
- معرفی
- اجازه دادن
- اجازه دادن
- اجازه می دهد تا
- قبلا
- همچنین
- در میان
- مقدار
- an
- تحلیل
- علم تجزیه و تحلیل
- تحلیل
- تجزیه و تحلیل
- متصل
- و
- هر
- API
- رابط های برنامه کاربردی
- کاربرد
- برنامه توسعه
- برنامه های کاربردی
- اعمال می شود
- روش
- مناسب
- معماری
- هستند
- دور و بر
- صف
- انبار مهمات
- مقاله
- مصنوعی
- هوش مصنوعی
- AS
- خواهان
- ارزیابی کنید
- دارایی
- دستیاران
- At
- خود مختار
- در دسترس
- AWE
- به عقب
- بارسلونا
- مستقر
- اساسی
- BE
- شدن
- شود
- بوده
- پشت سر
- بهتر
- میان
- خارج از حدود
- شکستن
- بطور خلاصه
- به ارمغان می آورد
- ساختن
- بنا
- ساخته
- by
- CAN
- قابلیت های
- توانا
- گرفتن
- مورد
- موارد
- باعث می شود
- غار
- زنجیر
- زنجیر
- chatbot
- chatbots
- GPT چت
- چت
- بررسی
- انتخاب
- را انتخاب کنید
- کلاس
- رمز
- منسجم
- بیا
- مشترک
- عموما
- ارتباط
- مقایسه
- پیچیده
- جزء
- اجزاء
- کامپیوتر
- اتصال
- متصل
- استوار
- تماس
- محتوا
- زمینه
- گفتگو
- تبدیل
- تبدیل
- تبدیل
- مختصات
- هسته
- اصلاح
- سادگی
- طراحی شده
- ایجاد
- ایجاد
- ایجاد
- خالق
- ضوابط
- بسیار سخت
- جاری
- در حال حاضر
- سفارشی سازی
- سفارشی
- سفارشی
- داده ها
- علم اطلاعات
- مجموعه داده ها
- پایگاه داده
- پایگاه های داده
- عمیق می شود
- تعریف کردن
- تحویل داده
- ارائه
- طرح
- تعیین شده
- طراحی
- مطلوب
- کشف
- توسعه
- توسعه دهندگان
- پروژه
- دستگاه ها
- مختلف
- دیجیتال
- مستقیم
- مستقیما
- تشخیص دادن
- متمایز
- برجسته
- مختلف
- do
- سند
- مستندات
- اسناد و مدارک
- پایین
- در طی
- هر
- آسان ترین
- به آسانی
- ساده
- اکوسیستم
- به طور موثر
- موثر
- موثر
- عناصر
- تعبیه کردن
- را قادر می سازد
- پایان
- جذاب
- مهندس
- مهندسی
- افزایش می یابد
- عظیم
- حصول اطمینان از
- محیط
- تشدید
- ضروری است
- اساسا
- ایجاد
- اتر (ETH)
- همیشه در حال تغییر
- مثال
- گسترش می یابد
- با تجربه
- توضیح دهید
- خارجی
- عصاره
- استخراج
- چهره
- امکان
- واقعی
- ویژگی
- امکانات
- کمی از
- رشته
- نوک انگشتان
- نام خانوادگی
- قابل انعطاف
- جریان
- مایع
- تمرکز
- متمرکز شده است
- برای
- فرم
- قالب
- پایه
- بنیادین
- چارچوب
- آزادانه
- از جانب
- قابلیت
- اساسی
- بیشتر
- تولید می کنند
- مولد
- نسل
- مولد
- هوش مصنوعی مولد
- ژنراتور
- دریافت کنید
- گرفتن
- Go
- گوگل
- فهم
- دست
- دسته
- اداره
- آیا
- داشتن
- he
- او را
- تاریخ
- برگزاری
- افق
- ساعت ها
- چگونه
- چگونه
- HTTPS
- قطب
- صورت در آغوش گرفته
- انسان
- من می خواهم
- اندیشه
- if
- واردات
- مهم
- in
- عجز
- شامل
- از جمله
- وارد شونده
- گنجاندن
- فهرستها
- فرد
- لوازم
- اطلاعات
- شروع
- ورودی
- نصب
- نمونه
- ابزاری
- ادغام
- ادغام
- یکپارچگی
- اطلاعات
- تعامل
- تعامل
- اثر متقابل
- فعل و انفعالات
- علاقه مند
- رابط
- رابط
- به هم پیوستن
- به
- پیچیده
- حسی
- شامل
- موضوع
- IT
- ITS
- سفر
- json
- تنها
- kdnuggets
- کلید
- کلید
- ضربات
- دانستن
- شناخته شده
- چشم انداز
- زبان
- بزرگ
- برجسته
- یادگیری
- ترک کرد
- قدرت نفوذ
- زندگی
- پسندیدن
- خطوط
- ارتباط دادن
- لینک
- زندگی
- پشم لاما
- طولانی
- دستگاه
- فراگیری ماشین
- اصلی
- ساخت
- باعث می شود
- مدیریت
- اداره می شود
- مدیریت
- دستکاری شده
- بسیاری
- بازار یابی (Marketing)
- ممکن است..
- به معنی
- مکانیزم
- مکانیسم
- صرفا - فقط
- متاداده
- روش
- قدرت
- تحرک
- مدل
- مدل
- پیمانهای
- واحد
- ماژول ها
- بیش
- اکثر
- my
- تحت عنوان
- بومی
- طبیعی
- زبان طبیعی
- پردازش زبان طبیعی
- لازم
- نیاز
- نیازهای
- جدید
- اخبار
- رابطه
- خوب
- nlp
- اکنون
- of
- ارائه
- غالبا
- on
- یک بار
- منبع باز
- OpenAI
- عمل
- عملیات
- گزینه
- or
- OS
- دیگر
- ما
- طرح کلی
- تولید
- خروجی
- برجسته
- پارامتر
- بخش
- ویژه
- بخش
- الگوهای
- مردم
- انجام دادن
- انجام
- شخصی
- کامپیوترهای شخصی
- عبارات
- فیزیک
- قطعات
- سکو
- افلاطون
- هوش داده افلاطون
- PlatoData
- بازی
- شعر
- موقعیت
- پتانسیل
- دقیقا
- ترجیح دادن
- نخستین
- مشکل
- مشکلات
- روند
- در حال پردازش
- تولید کردن
- برنامه نويسي
- پرسیدن
- نمونه
- ارائه
- ارائه دهندگان
- فراهم می کند
- ارائه
- پــایتــون
- سوال
- به سرعت
- کاملا
- خام
- قلمرو
- دریافت
- اخیر
- اشاره دارد
- روابط
- مربوط
- تکراری
- پاسخ
- نمایندگی
- درخواست
- نیاز
- نیاز
- مورد نیاز
- نیاز
- منابع
- پاسخ
- پاسخ
- پاسخ
- مسئوليت
- حفظ شده است
- برگشت
- بازده
- انقلابی
- راست
- نقش
- s
- همان
- سناریوها
- علم
- علم و تکنولوژی
- اسکریپت
- جستجو
- جستجو
- بخش ها
- به نظر می رسد
- در حال ارسال
- احساس
- دنباله
- خدمت
- تنظیم
- مجموعه
- محیط
- قابل توجه
- مشابه
- ساده می کند
- ساده
- به سادگی
- شرایط
- So
- نرم افزار
- راه حل
- مزایا
- برخی از
- مصنوعی
- فضا
- تخصصی
- تخصص دارد
- خاص
- مشخص شده
- صحنه
- مراحل
- استاندارد سازی
- آغاز شده
- هنوز
- ذخیره سازی
- opbevare
- پرده
- ساده کردن
- ساده
- رشته
- ساختار
- ساخت یافته
- ساختار
- متعاقب
- قابل ملاحظه ای
- چنین
- مناسب
- تهیه
- مطمئن
- افزایش
- سیستم
- سیستم های
- جدول
- طراحی شده
- گرفتن
- مصرف
- سخنگو
- کار
- وظایف
- فنی
- پیشرفته
- قالب
- موقت
- تمایل دارد
- متن
- متن
- نسبت به
- که
- La
- شان
- آنها
- سپس
- آنجا.
- اینها
- آنها
- چیز
- این
- کسانی که
- اگر چه؟
- از طریق
- بدین ترتیب
- به
- امروز
- با هم
- ابزار
- آموزش
- دگرگون کردن
- تحولات
- ترانسفورماتور
- ترجمه
- آموزش
- دو
- به طور معمول
- فهمیدن
- درک
- استفاده نشده
- us
- قابل استفاده
- استفاده کنید
- استفاده
- کاربر
- کاربران
- با استفاده از
- آب و برق
- استفاده کنید
- ارزشها
- متغیر
- تنوع
- مختلف
- وسیع
- تطبیق پذیری
- بسیار
- از طريق
- می خواهم
- مسیر..
- راه
- we
- چی
- چه شده است
- چه زمانی
- که
- تمام
- وسیع
- با
- در داخل
- تعجب
- کلمات
- گردش کار
- گردش کار
- کارگر
- هنوز
- شما
- شما
- زفیرنت