Las semillas de un cambio de paradigma de aprendizaje automático (ML) han existido durante décadas, pero con la disponibilidad inmediata de una capacidad informática virtualmente infinita, una proliferación masiva de datos y el rápido avance de las tecnologías ML, los clientes de todas las industrias están adoptando y utilizando ML rápidamente. tecnologías para transformar sus negocios.
Recientemente, las aplicaciones generativas de IA han captado la atención y la imaginación de todos. Realmente nos encontramos en un emocionante punto de inflexión en la adopción generalizada de ML, y creemos que todas las experiencias y aplicaciones de los clientes se reinventarán con IA generativa.
La IA generativa es un tipo de IA que puede crear nuevos contenidos e ideas, incluidas conversaciones, historias, imágenes, videos y música. Como toda IA, la IA generativa está impulsada por modelos ML: modelos muy grandes que se entrenan previamente en vastos corpus de datos y comúnmente se conocen como modelos básicos (FM).
El tamaño y la naturaleza de propósito general de los FM los hacen diferentes de los modelos de ML tradicionales, que normalmente realizan tareas específicas, como analizar texto en busca de sentimientos, clasificar imágenes y pronosticar tendencias.
Con los modelos ML tradicionales, para lograr cada tarea específica, debe recopilar datos etiquetados, entrenar un modelo e implementar ese modelo. Con los modelos básicos, en lugar de recopilar datos etiquetados para cada modelo y entrenar varios modelos, puede usar el mismo FM preentrenado para adaptar varias tareas. También puede personalizar los FM para realizar funciones específicas de dominio que se diferencian de sus negocios, utilizando solo una pequeña fracción de los datos y la computación necesarios para entrenar un modelo desde cero.
La IA generativa tiene el potencial de alterar muchas industrias al revolucionar la forma en que se crea y consume el contenido. La producción de contenido original, la generación de código, la mejora del servicio al cliente y el resumen de documentos son casos de uso típicos de la IA generativa.
JumpStart de Amazon SageMaker proporciona modelos de código abierto previamente entrenados para una amplia gama de tipos de problemas para ayudarlo a comenzar con ML. Puede entrenar y ajustar estos modelos de forma incremental antes de la implementación. JumpStart también proporciona plantillas de solución que configuran la infraestructura para casos de uso comunes y cuadernos de ejemplo ejecutables para ML con Amazon SageMaker.
Con más de 600 modelos preentrenados disponibles y creciendo cada día, JumpStart permite a los desarrolladores incorporar rápida y fácilmente técnicas de aprendizaje automático de vanguardia en sus flujos de trabajo de producción. Puede acceder a los modelos previamente entrenados, las plantillas de solución y los ejemplos a través de la página de destino de JumpStart en Estudio Amazon SageMaker. También puede acceder a los modelos de JumpStart mediante el SDK de Python de SageMaker. Para obtener información sobre cómo usar los modelos JumpStart mediante programación, consulte Use los algoritmos JumpStart de SageMaker con modelos previamente entrenados.
En abril de 2023, AWS dio a conocer lecho rocoso del amazonas, que proporciona una manera de crear aplicaciones impulsadas por inteligencia artificial generativa a través de modelos pre-entrenados de nuevas empresas que incluyen Laboratorios AI21, Antrópicoy Estabilidad IA. Amazon Bedrock también ofrece acceso a los modelos básicos de Titan, una familia de modelos capacitados internamente por AWS. Con la experiencia sin servidor de Amazon Bedrock, puede encontrar fácilmente el modelo adecuado para sus necesidades, comenzar rápidamente, personalizar FM de forma privada con sus propios datos e integrarlos e implementarlos fácilmente en sus aplicaciones utilizando las herramientas y capacidades de AWS que ya conoce. con (incluidas las integraciones con funciones de SageMaker ML como Experimentos de Amazon SageMaker para probar diferentes modelos y Canalizaciones de Amazon SageMaker para administrar sus FM a escala) sin tener que administrar ninguna infraestructura.
En esta publicación, mostramos cómo implementar modelos de IA generativos de imágenes y texto de JumpStart usando el Kit de desarrollo en la nube de AWS (CDK de AWS). AWS CDK es un marco de desarrollo de software de código abierto para definir los recursos de su aplicación en la nube utilizando lenguajes de programación familiares como Python.
Utilizamos el modelo Stable Diffusion para la generación de imágenes y el modelo FLAN-T5-XL para comprensión del lenguaje natural (NLU) y generación de texto a partir de Abrazando la cara en Jump Start.
Resumen de la solución
La aplicación web está construida sobre iluminado, una biblioteca Python de código abierto que facilita la creación y el uso compartido de hermosas aplicaciones web personalizadas para ML y ciencia de datos. Alojamos la aplicación web usando Servicio de contenedor elástico de Amazon (Amazon ECS) con AWS Fargate y se accede a través de un balanceador de carga de aplicaciones. Fargate es una tecnología que puede usar con Amazon ECS para ejecutar contenedores sin tener que administrar servidores, clústeres o máquinas virtuales. Los puntos finales del modelo de IA generativa se lanzan desde imágenes JumpStart en Registro de contenedores elásticos de Amazon (Amazon ECR). Los datos del modelo se almacenan en Servicio de almacenamiento simple de Amazon (Amazon S3) en la cuenta de JumpStart. La aplicación web interactúa con los modelos a través de Puerta de enlace API de Amazon y AWS Lambda funciones como se muestra en el siguiente diagrama.
API Gateway proporciona a la aplicación web y a otros clientes una interfaz RESTful estándar, al mismo tiempo que protege las funciones de Lambda que interactúan con el modelo. Esto simplifica el código de la aplicación cliente que consume los modelos. Los puntos finales de API Gateway son de acceso público en este ejemplo, lo que permite la posibilidad de ampliar esta arquitectura para implementar diferentes Controles de acceso a la API e integrar con otras aplicaciones.
En esta publicación, lo guiamos a través de los siguientes pasos:
- Instale la Interfaz de línea de comandos de AWS (AWS CLI) y AWSCDK v2 en su máquina local
- Clone y configure la aplicación AWS CDK.
- Implemente la aplicación AWS CDK.
- Utilice el modelo de IA de generación de imágenes.
- Utilice el modelo de IA de generación de texto.
- Ver los recursos desplegados en el Consola de administración de AWS.
Proporcionamos una descripción general del código en este proyecto en el apéndice al final de esta publicación.
Requisitos previos
Debes tener los siguientes requisitos previos:
Puede implementar la infraestructura en este tutorial desde su computadora local o puede usar Nube de AWS9 como su estación de trabajo de implementación. AWS Cloud9 viene precargado con AWS CLI, AWS CDK y Docker. Si opta por AWS Cloud9, crear el medio ambiente del desplegable Consola de AWS.
El costo estimado para completar esta publicación es de $ 50, suponiendo que deje los recursos funcionando durante 8 horas. Asegúrese de eliminar los recursos que cree en esta publicación para evitar cargos continuos.
Instale AWS CLI y AWS CDK en su máquina local
Si aún no tiene la CLI de AWS en su máquina local, consulte Instalación o actualización de la última versión de la AWS CLI y Configuración de la AWS CLI.
Instale AWS CDK Toolkit globalmente con el siguiente comando del administrador de paquetes de nodos:
Ejecute el siguiente comando para verificar la instalación correcta e imprima el número de versión del CDK de AWS:
Asegúrese de tener Docker instalado en su máquina local. Ejecute el siguiente comando para verificar la versión:
Clonar y configurar la aplicación AWS CDK
En su máquina local, clone la aplicación AWS CDK con el siguiente comando:
Navegue a la carpeta del proyecto:
Antes de implementar la aplicación, revisemos la estructura del directorio:
El stack
La carpeta contiene el código para cada pila en la aplicación AWS CDK. El code
carpeta contiene el código para las funciones de Lambda. El repositorio también contiene la aplicación web ubicada en la carpeta web-app
.
El cdk.json
El archivo le dice al AWS CDK Toolkit cómo ejecutar su aplicación.
Esta aplicación fue probada en el us-east-1
Región, pero debería funcionar en cualquier Región que tenga los servicios requeridos y el tipo de instancia de inferencia ml.g4dn.4xlarge
especificado en app.py
.
Configurar un entorno virtual
Este proyecto está configurado como un proyecto estándar de Python. Cree un entorno virtual de Python usando el siguiente código:
Utilice el siguiente comando para activar el entorno virtual:
Si está en una plataforma Windows, active el entorno virtual de la siguiente manera:
Después de activar el entorno virtual, actualice pip a la última versión:
Instala las dependencias requeridas:
Antes de implementar cualquier aplicación de AWS CDK, debe iniciar un espacio en su cuenta y la región en la que está implementando. Para arrancar en su región predeterminada, emita el siguiente comando:
Si desea realizar la implementación en una cuenta y una región específicas, emita el siguiente comando:
Para obtener más información acerca de esta configuración, visite Introducción a AWS CDK.
Estructura de la pila de aplicaciones de AWS CDK
La aplicación AWS CDK contiene varias pilas, como se muestra en el siguiente diagrama.
Puede enumerar las pilas en su aplicación AWS CDK con el siguiente comando:
Los siguientes son otros comandos útiles de AWS CDK:
- cdk ls – Enumera todas las pilas en la aplicación
- sintetizador cdk – Emite el sintetizado Formación en la nube de AWS plantilla
- despliegue de cdk – Implementa esta pila en su cuenta y región de AWS predeterminadas
- diferencia cdk – Compara la pila implementada con el estado actual
- cdk documentos – Abre la documentación del CDK de AWS
La siguiente sección le muestra cómo implementar la aplicación AWS CDK.
Implemente la aplicación AWS CDK
La aplicación AWS CDK se implementará en la región predeterminada según la configuración de su estación de trabajo. Si desea forzar la implementación en una región específica, configure su AWS_DEFAULT_REGION
variable de entorno en consecuencia.
En este punto, puede implementar la aplicación AWS CDK. Primero, inicia la pila de red de VPC:
Si se le solicita, ingrese y
para continuar con el despliegue. Debería ver una lista de los recursos de AWS que se están aprovisionando en la pila. Este paso tarda alrededor de 3 minutos en completarse.
Luego inicia la pila de aplicaciones web:
Después de analizar la pila, AWS CDK mostrará la lista de recursos en la pila. Introduzca y para continuar con la implementación. Este paso toma alrededor de 5 minutos.
Anote el WebApplicationServiceURL
de la salida para usar más tarde. También puede recuperarlo en la consola de AWS CloudFormation, bajo el GenerativeAiDemoWebStack
apilar salidas.
Ahora, inicie la pila de punto final del modelo de IA de generación de imágenes:
Este paso toma alrededor de 8 minutos. El punto final del modelo de generación de imágenes está implementado, ahora podemos usarlo.
Utilice el modelo de IA de generación de imágenes
El primer ejemplo demuestra cómo utilizar Stable Diffusion, una poderosa técnica de modelado generativo que permite la creación de imágenes de alta calidad a partir de indicaciones de texto.
- Acceda a la aplicación web mediante el
WebApplicationServiceURL
de la salida deGenerativeAiDemoWebStack
en su navegador. - En el panel de navegación, elija Generación de imágenes.
- El Nombre del punto final de SageMaker y URL de GW de la API los campos se completarán previamente, pero puede cambiar la indicación de la descripción de la imagen si lo desea.
- Elige Generar imagen.
- La aplicación realizará una llamada al extremo de SageMaker. Tarda unos segundos. Se mostrará una imagen con las características de la descripción de su imagen.
Utilice el modelo de IA de generación de texto
El segundo ejemplo se centra en el uso del modelo FLAN-T5-XL, que es un modelo básico o de lenguaje amplio (LLM), para lograr el aprendizaje en contexto para la generación de texto y, al mismo tiempo, abordar una amplia gama de comprensión del lenguaje natural (NLU) y lenguaje natural. tareas de generación de lenguaje (NLG).
Algunos entornos pueden limitar la cantidad de puntos finales que puede lanzar a la vez. Si este es el caso, puede iniciar un punto final de SageMaker a la vez. Para detener un punto de enlace de SageMaker en la aplicación de AWS CDK, debe destruir la pila de puntos de enlace implementada y antes de iniciar la otra pila de puntos de enlace. Para rechazar el punto final del modelo de IA de generación de imágenes, emita el siguiente comando:
A continuación, inicie la pila de puntos finales del modelo de IA de generación de texto:
Introduzca y en las indicaciones.
Después de lanzar la pila de punto final del modelo de generación de texto, complete los siguientes pasos:
- Vuelve a la aplicación web y elige Generación de texto en el panel de navegación.
- El Contexto de entrada El campo se completa previamente con una conversación entre un cliente y un agente sobre un problema con el teléfono del cliente, pero puede ingresar su propio contexto si lo desea.
- Debajo del contexto, encontrará algunas consultas rellenadas previamente en el menú desplegable. Elija una consulta y elija Generar respuesta.
- También puede introducir su propia consulta en el Consulta de entrada campo y luego elija Generar respuesta.
Ver los recursos desplegados en la consola
En la consola de AWS CloudFormation, elija Stacks en el panel de navegación para ver las pilas implementadas.
En la consola de Amazon ECS, puede ver los clústeres en la Clusters .
En la consola de AWS Lambda, puede ver las funciones en el Clave .
En la consola de API Gateway, puede ver los puntos finales de API Gateway en la API .
En la consola de SageMaker, puede ver los extremos del modelo implementado en la Endpoints .
Cuando se lanzan las pilas, se generan algunos parámetros. Estos se almacenan en el Almacén de parámetros de AWS Systems Manager. Para verlos, seleccione Tienda de parámetros en el panel de navegación de la Gerente de sistemas de AWS consola.
Limpiar
Para evitar costos innecesarios, limpie toda la infraestructura creada con el siguiente comando en su estación de trabajo:
Participar y
en el aviso. Este paso toma alrededor de 10 minutos. Compruebe si todos los recursos se eliminan en la consola. Elimine también los depósitos de activos S3 creados por AWS CDK en la consola de Amazon S3, así como los repositorios de activos en Amazon ECR.
Conclusión
Como se demuestra en esta publicación, puede usar AWS CDK para implementar modelos generativos de IA en JumpStart. Mostramos un ejemplo de generación de imágenes y un ejemplo de generación de texto utilizando una interfaz de usuario con tecnología de Streamlit, Lambda y API Gateway.
Ahora puede crear sus proyectos de IA generativos utilizando modelos de IA previamente entrenados en JumpStart. También puede ampliar este proyecto para ajustar los modelos básicos para su caso de uso y controlar el acceso a los puntos finales de API Gateway.
Te invitamos a probar la solución y contribuir al proyecto en GitHub. ¡Comparte tus pensamientos sobre este tutorial en los comentarios!
Resumen de licencia
Este código de muestra está disponible bajo una licencia MIT modificada. Ver el LICENCIA archivo para más información. Asimismo, revisar las respectivas licencias para la difusión estable y flan-t5-xl modelos en Hugging Face.
Sobre los autores
Hantzley Tauckoor es un líder de arquitectura de soluciones de socios de APJ con sede en Singapur. Tiene 20 años de experiencia en la industria de las TIC que abarca múltiples áreas funcionales, incluida la arquitectura de soluciones, el desarrollo comercial, la estrategia de ventas, la consultoría y el liderazgo. Dirige un equipo de arquitectos de soluciones sénior que permite a los socios desarrollar soluciones conjuntas, crear capacidades técnicas y guiarlos a través de la fase de implementación a medida que los clientes migran y modernizan sus aplicaciones a AWS.
Kwonyul Choi es CTO en BABITALK, una startup coreana de plataforma de cuidado de la belleza, con sede en Seúl. Antes de este cargo, Kownyul trabajó como ingeniero de desarrollo de software en AWS con un enfoque en AWS CDK y Amazon SageMaker.
Arunprasath Shankar es un arquitecto sénior de soluciones de inteligencia artificial/aprendizaje automático en AWS, que ayuda a los clientes globales a escalar sus soluciones de inteligencia artificial de manera eficaz y eficiente en la nube. En su tiempo libre, Arun disfruta viendo películas de ciencia ficción y escuchando música clásica.
Satish Upreti es PSA líder en migración y seguridad de la PYME en la organización asociada en APJ. Satish tiene 20 años de experiencia en tecnologías de nube pública y nube privada local. Desde que se unió a AWS en agosto de 2020 como especialista en migración, brinda amplio asesoramiento técnico y soporte a los socios de AWS para planificar e implementar migraciones complejas.
Apéndice: tutorial de código
En esta sección, proporcionamos una descripción general del código en este proyecto.
Aplicación CDK de AWS
La aplicación principal de AWS CDK se encuentra en el app.py
archivo en el directorio raíz. El proyecto consta de varias pilas, por lo que tenemos que importar las pilas:
Definimos nuestros modelos generativos de IA y obtenemos los URI relacionados de SageMaker:
La función get_sagemaker_uris recupera toda la información del modelo de JumpStart. Ver script/sagemaker_uri.py
.
Luego, instanciamos las pilas:
La primera pila que se lanza es la pila de VPC, GenerativeAiVpcNetworkStack. La pila de aplicaciones web, GenerativeAiDemoWebStack, depende de la pila de VPC. La dependencia se realiza mediante el paso de parámetros vpc=network_stack.vpc.
See app.py
para el código completo.
Pila de red de VPC
En la pila GenerativeAiVpcNetworkStack, creamos una VPC con una subred pública y una subred privada que abarca dos zonas de disponibilidad:
See /stack/generative_ai_vpc_network_stack.py
para el código completo.
Pila de aplicaciones web de demostración
En la pila GenerativeAiDemoWebStack, lanzamos funciones de Lambda y los puntos finales de API Gateway respectivos a través de los cuales la aplicación web interactúa con los puntos finales del modelo SageMaker. Consulte el siguiente fragmento de código:
La aplicación web está en contenedores y alojada en Amazon ECS con Fargate. Consulte el siguiente fragmento de código:
See /stack/generative_ai_demo_web_stack.py
para el código completo.
Pila de punto final de modelo de SageMaker de generación de imágenes
La pila GenerativeAiTxt2imgSagemakerStack crea el punto final del modelo de generación de imágenes desde JumpStart y almacena el nombre del punto final en el Almacén de parámetros de Systems Manager. Este parámetro será utilizado por la aplicación web. Ver el siguiente código:
See /stack/generative_ai_txt2img_sagemaker_stack.py
para el código completo.
NLU y generación de texto SageMaker model endpoint stack
La pila GenerativeAiTxt2nluSagemakerStack crea la NLU y el punto final del modelo de generación de texto desde JumpStart y almacena el nombre del punto final en Systems Manager Parameter Store. Este parámetro también será utilizado por la aplicación web. Ver el siguiente código:
See /stack/generative_ai_txt2nlu_sagemaker_stack.py
para el código completo.
Aplicación web
La aplicación web se encuentra en la /web-app
directorio. Es una aplicación Streamlit que está en contenedores según el Dockerfile
:
Para obtener más información sobre Streamlit, consulte Documentación Streamlit.
- Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
- PlatoAiStream. Inteligencia de datos Web3. Conocimiento amplificado. Accede Aquí.
- Acuñando el futuro con Adryenn Ashley. Accede Aquí.
- Compra y Vende Acciones en Empresas PRE-IPO con PREIPO®. Accede Aquí.
- Fuente: https://aws.amazon.com/blogs/machine-learning/deploy-generative-ai-models-from-amazon-sagemaker-jumpstart-using-the-aws-cdk/
- :posee
- :es
- $ UP
- 1
- 10
- 100
- 20
- 20 años
- 2020
- 2023
- 7
- 8
- 9
- a
- Nuestra Empresa
- de la máquina
- visitada
- accesible
- en consecuencia
- Mi Cuenta
- Lograr
- a través de
- adaptar
- direccionamiento
- Adopción
- Adopción
- avance
- consejos
- Agente
- AI
- Alimentado por IA
- AI / ML
- algoritmos
- Todos
- Permitir
- ya haya utilizado
- también
- Amazon
- Puerta de enlace API de Amazon
- Amazon SageMaker
- JumpStart de Amazon SageMaker
- Amazon Web Services
- an
- el análisis de
- y
- cualquier
- abejas
- applicación
- Aplicación
- aplicaciones
- aplicaciones
- Abril
- arquitectura
- somos
- áreas
- en torno a
- AS
- Activos
- At
- AGOSTO
- disponibilidad
- Hoy Disponibles
- evitar
- AWS
- Nube de AWS9
- Formación en la nube de AWS
- AWS Lambda
- Atrás
- equilibrador
- basado
- BAT
- BE
- hermosos
- Beauty
- antes
- "Ser"
- CREEMOS
- entre
- Bootstrap
- general
- cada navegador
- build
- construido
- desarrollo de negocios
- negocios
- pero
- by
- llamar al
- PUEDEN
- capacidades
- Capacidad
- capturado
- servicios sociales
- case
- cases
- CD
- Centros
- el cambio
- características
- cargos
- comprobar
- Elige
- cliente
- clientes
- Soluciones
- Cloud9
- código
- proviene
- Algunos
- comúnmente
- completar
- integraciones
- Calcular
- computadora
- Configuración
- Consola
- construir
- consultoría
- consumido
- contenida
- Envase
- contiene
- contenido
- contexto
- contribuir
- control
- Conversación
- conversaciones
- correcta
- Cost
- Para crear
- creado
- crea
- creación
- CTO
- Current
- personalizado
- cliente
- experiencia del cliente
- Servicio al Cliente
- Clientes
- personalizan
- innovador
- datos
- Ciencia de los datos
- día
- décadas
- Predeterminado
- Define
- demostrado
- demuestra
- Dependencia
- dependiente
- desplegar
- desplegado
- Desplegando
- despliegue
- despliega
- descripción
- destruir
- desarrollar
- desarrolladores
- Desarrollo
- una experiencia diferente
- Difusión
- Pantalla
- Interrumpir
- Docker
- documento
- hecho
- No
- DE INSCRIPCIÓN
- cada una
- pasan fácilmente
- de forma sencilla
- de manera eficaz
- eficiente.
- habilitar
- permite
- final
- Punto final
- ingeniero
- Participar
- Entorno
- ambientes
- estimado
- Éter (ETH)
- Cada
- diario
- todo el mundo está
- ejemplo
- ejemplos
- emocionante
- existía
- experience
- ampliar
- en los detalles
- Cara
- false
- familiar
- familia
- Caracteristicas
- pocos
- campo
- Terrenos
- Archive
- Encuentre
- Nombre
- Focus
- siguiendo
- siguiente
- FORCE
- Fundación
- fracción
- Marco conceptual
- en
- ser completados
- función
- funcional
- funciones
- puerta
- reunir
- reunión
- propósito general
- generado
- generación de AHSS
- generativo
- IA generativa
- obtener
- Git
- Buscar
- En todo el mundo
- Creciendo
- Tienen
- es
- he
- ayuda
- ayudando
- alta calidad
- su
- Inicio
- fortaleza
- organizado
- HORAS
- Cómo
- Como Hacer
- HTML
- http
- HTTPS
- TIC
- ideas
- if
- imagen
- generación de imágenes
- imágenes
- imaginación
- implementar
- implementación
- importar
- in
- Incluye
- incorporar
- industrias
- energético
- Punto de inflexión
- información
- EN LA MINA
- instalar
- instalación
- instalado
- ejemplo
- integrar
- integraciones
- interactúa
- Interfaz
- dentro
- invitar
- IT
- unión
- articulación
- jpg
- json
- Coreano
- aterrizaje
- la landing page
- idioma
- Idiomas
- large
- luego
- más reciente
- lanzamiento
- lanzado
- lanzamiento
- Lead
- líder
- Liderazgo
- Prospectos
- APRENDE:
- aprendizaje
- Abandonar
- Biblioteca
- Licencia
- licencias
- como
- LIMITE LAS
- línea
- Lista
- Escucha Activa
- Listas
- carga
- local
- situados
- máquina
- máquina de aprendizaje
- Máquinas
- hecho
- Inicio
- para lograr
- HACE
- gestionan
- Management
- gerente
- muchos
- masivo
- Menú
- podría
- migrado
- migración
- minutos
- MIT
- ML
- Técnicas de AA
- modelo
- modelado
- modelos
- modernizar
- modificado
- más,
- Películas
- múltiples
- Música
- debe
- nombre
- Natural
- Lenguaje natural
- Generación de lenguaje natural
- Comprensión del lenguaje natural
- Naturaleza
- Navegación
- ¿ Necesita ayuda
- del sistema,
- Nuevo
- Next
- NLG
- No
- nodo
- ordenadores portátiles
- ahora
- número
- of
- Ofertas
- on
- ONE
- en marcha
- , solamente
- de código abierto
- Software de código abierto
- abre
- or
- solicite
- organización
- reconocida por
- Otro
- nuestros
- salida
- Más de
- visión de conjunto
- EL DESARROLLADOR
- paquete
- página
- cristal
- paradigma
- parámetro
- parámetros
- Socio
- socios
- Pasando (Paso)
- realizar
- fase
- teléfono
- imagen
- plan
- plataforma
- Platón
- Inteligencia de datos de Platón
- PlatónDatos
- punto
- posibilidad
- Publicación
- posible
- alimentado
- poderoso
- requisitos previos
- Imprimir
- Anterior
- privada
- Problema
- Producción
- Programación
- lenguajes de programación
- proyecto
- proyecta
- proporcionar
- proporciona un
- público
- nube pública
- en público
- Python
- consultas
- con rapidez
- distancia
- rápido
- rápidamente
- ready
- recientemente
- referido
- con respecto a
- región
- relacionado
- repositorio
- Requisitos
- Requisitos
- Recurso
- Recursos
- aquellos
- una estrategia SEO para aparecer en las búsquedas de Google.
- Revolucionando
- Derecho
- Función
- raíz
- Ejecutar
- correr
- sabio
- ventas
- mismo
- Escala
- de ciencia ficción
- Ciencia:
- rayar
- Sdk
- Segundo
- segundos
- Sección
- EN LINEA
- ver
- semillas
- AUTO
- mayor
- sentimiento
- Seúl
- Sin servidor
- Servidores
- de coches
- Servicios
- set
- Configure
- Compartir
- Turno
- tienes
- Mostrar
- mostró
- mostrado
- Shows
- sencillos
- desde
- Singapur
- Tamaño
- chica
- PYMI
- So
- Software
- Desarrollo de software ad-hoc
- a medida
- Soluciones
- algo
- Fuente
- Espacio
- especialista
- soluciones y
- especificado
- estable
- montón
- Stacks
- estándar
- fundó
- inicio
- Startups
- paso
- pasos
- Detener
- STORAGE
- tienda
- almacenados
- tiendas
- Historias
- Estrategia
- estructura
- subred
- SOPORTE
- seguro
- Todas las funciones a su disposición
- toma
- Tarea
- tareas
- equipo
- Técnico
- técnicas
- Tecnologías
- Tecnología
- decirles
- plantillas
- test
- pruebas
- generación de texto
- esa
- El
- su
- Les
- luego
- Estas
- así
- A través de esta formación, el personal docente y administrativo de escuelas y universidades estará preparado para manejar los recursos disponibles que derivan de la diversidad cultural de sus estudiantes. Además, un mejor y mayor entendimiento sobre estas diferencias y similitudes culturales permitirá alcanzar los objetivos de inclusión previstos.
- equipo
- titán
- a
- caja de herramientas
- tradicional
- tradicional
- Entrenar
- entrenado
- Formación
- Transformar
- Tendencias
- verdadero
- verdaderamente
- GIRO
- tutoriales
- dos
- tipo
- tipos
- principiante
- típicamente
- bajo
- comprensión
- dio a conocer
- actualización
- actualizar
- utilizan el
- caso de uso
- usado
- Usuario
- Interfaz de usuario
- usando
- utilizar
- diversos
- Vasto
- verificar
- versión
- vía
- Videos
- Ver
- Virtual
- virtualmente
- Visite
- quieres
- fue
- ver
- Camino..
- we
- web
- Aplicación web
- servicios web
- WELL
- que
- mientras
- amplio
- Amplia gama
- extendido
- Wikipedia
- seguirá
- ventanas
- sin
- Actividades:
- trabajado
- flujos de trabajo
- puesto de trabajo
- años
- Usted
- tú
- zephyrnet
- zonas