Arukas dokumenditöötlus (IDP) on tehnoloogia, mis automatiseerib suure hulga struktureerimata andmete, sealhulgas teksti, piltide ja videote töötlemist. IDP pakub märkimisväärset täiustust võrreldes manuaalsete meetoditega ja optilise märgituvastuse (OCR) süsteemidega, lahendades selliseid probleeme nagu kulud, vead, madal täpsus ja piiratud mastaapsus, mis viib lõpuks organisatsioonide ja sidusrühmade jaoks paremate tulemusteni.
Loomuliku keele töötlemine (NLP) on üks hiljutisi arenguid IDP-s, mis on parandanud täpsust ja kasutajakogemust. Nendest edusammudest hoolimata tuleb siiski ületada väljakutseid. Näiteks ei ole paljud IDP-süsteemid piisavalt kasutajasõbralikud ega intuitiivsed, et kasutajad saaksid neid hõlpsasti kasutusele võtta. Lisaks puudub mitmel olemasoleval lahendusel pideva täiustamise ja uuenduste kaudu võime kohaneda andmeallikate, eeskirjade ja kasutajanõuete muutustega.
IRL-i edendamine dialoogi kaudu hõlmab dialoogivõimaluste lisamist IRL-i süsteemidesse. Võimaldades kasutajatel suhelda IDP-süsteemidega loomulikumal ja intuitiivsemal viisil, mitmevoorulise dialoogi kaudu, kohandades ebatäpset teavet või lisades puuduvat teavet, mida toetab ülesannete automatiseerimine, võivad need süsteemid muutuda tõhusamaks, täpsemaks ja kasutajasõbralikumaks.
Selles postituses uurime uuenduslikku lähenemist IDP-le, mis kasutab dialoogipõhist päringulahendust Amazoni sihtasutuse mudelid ja SageMaker KiirStart.
Lahenduse ülevaade
See uuenduslik lahendus ühendab endas OCR teabe hankimiseks, kohaliku juurutatud suure keele mudeli (LLM) dialoogi ja autonoomse ülesannete täitmiseks, VectorDB alamülesannete manustamiseks ja LangChainil põhineva ülesannete automatiseerimise integreerimiseks väliste andmeallikatega, et muuta viisi, kuidas ettevõtted dokumente töötlevad ja analüüsivad. kontekstides. Generatiivseid tehisintellekti tehnoloogiaid kasutades saavad organisatsioonid sujuvamaks muuta IDP töövoogusid, parandada kasutajakogemust ja tõsta üldist tõhusust.
Järgmises videos tõstetakse töötlemise teel esile dialoogiga juhitud IDP-süsteem artikkel autoriks Föderaalreservi juhatajate nõukogu, arutades Silicon Valley panga kokkuvarisemist 2023. aasta märtsis.
Süsteem on võimeline töötlema pilte, suuri PDF-i ja muus vormingus dokumente ning vastama sisust tulenevatele küsimustele interaktiivse teksti- või häälsisendite kaudu. Kui kasutajal on vaja päringuid teha väljaspool dokumendi konteksti, saab dialoogiga juhitud IDP luua tekstiviibast ülesannete ahela ja seejärel asjakohaste vastuste saamiseks viidata välistele ja ajakohastele andmeallikatele. Lisaks toetab see mitmevoorulisi vestlusi ja võimaldab mitmekeelseid vestlusi, mida kõike juhitakse dialoogi kaudu.
Rakendage oma LLM-i, kasutades Amazoni sihtasutuse mudeleid
Üks lootustandvamaid arenguid generatiivses tehisintellektis on LLM-ide integreerimine dialoogisüsteemidesse, mis avab uusi võimalusi intuitiivsemaks ja sisukamaks suhtluseks. LLM on AI-mudel, mis on loodud inimsarnase teksti mõistmiseks ja genereerimiseks. Need mudelid on treenitud tohututele andmemahtudele ja koosnevad miljarditest parameetritest, võimaldades neil täita erinevaid keelega seotud ülesandeid suure täpsusega. See transformatiivne lähenemine hõlbustab loomulikumat ja produktiivsemat suhtlust, ületades lõhe inimese intuitsiooni ja masinate intelligentsuse vahel. Kohaliku LLM-i juurutamise peamine eelis seisneb selle võimes parandada andmeturvet ilma andmeid väljastpoolt kolmanda osapoole API-dele esitamata. Lisaks saate oma valitud LLM-i täpsustada domeenispetsiifiliste andmetega, mille tulemuseks on täpsem, kontekstiteadlik ja loomulikum keele mõistmise kogemus.
AI2 Labsi Jurassic-21 seeria, mis põhineb juhiste häälestatud 178 miljardi parameetriga Jurassic-1 LLM-il, on Amazoni vundamendi mudelite lahutamatu osa, mis on saadaval Amazonase aluspõhi. Jurassic-2 juhendamine oli spetsiaalselt koolitatud juhtima viipasid, mis on ainult juhised, tuntud kui null-lask, ilma näiteid vajamata või vähehaaval. See meetod pakub kõige intuitiivsemat suhtlust LLM-idega ja see on parim viis oma ülesande jaoks ideaalse väljundi mõistmiseks ilma näidete esitamist nõudmata. Saate eelkoolitatud J2-jumbo-juhise või muid AWS Marketplace'is saadaolevaid Jurassic-2 mudeleid tõhusalt juurutada oma virtuaalsesse privaatpilve (VPC), kasutades selleks Amazon SageMaker. Vaadake järgmist koodi:
import ai21, sagemaker # Define endpoint name
endpoint_name = "sagemaker-soln-j2-jumbo-instruct"
# Define real-time inference instance type. You can also choose g5.48xlarge or p4de.24xlarge instance types
# Please request P instance quota increase via <a href="https://console.aws.amazon.com/servicequotas/home" target="_blank" rel="noopener">Service Quotas console</a> or your account manager
real_time_inference_instance_type = ("ml.p4d.24xlarge") # Create a Sgaemkaer endpoint then deploy a pre-trained J2-jumbo-instruct-v1 model from AWS Market Place.
model_package_arn = "arn:aws:sagemaker:us-east-1:865070037744:model-package/j2-jumbo-instruct-v1-0-20-8b2be365d1883a15b7d78da7217cdeab"
model = ModelPackage(
role=sagemaker.get_execution_role(),
model_package_arn=model_package_arn,
sagemaker_session=sagemaker.Session()
) # Deploy the model
predictor = model.deploy(1, real_time_inference_instance_type,
endpoint_name=endpoint_name,
model_data_download_timeout=3600,
container_startup_health_check_timeout=600,
)
Kui lõpp-punkt on teie enda VPC-s edukalt juurutatud, saate algatada järeldustoimingu, et kontrollida, kas juurutatud LLM toimib ootuspäraselt.
response_jumbo_instruct = ai21.Completion.execute(
sm_endpoint=endpoint_name,
prompt="Explain deep learning algorithms to 8th graders",
numResults=1,
maxTokens=100,
temperature=0.01 #subject to reduce “hallucination” by using common words.
)
Dokumendi töötlemine, manustamine ja indekseerimine
Me süveneme tõhusa ja tulemusliku otsinguindeksi loomise protsessi, mis on aluseks intelligentsetele ja tundlikele dialoogidele, mis juhivad dokumentide töötlemist. Alustuseks teisendame erinevatest vormingutest dokumendid tekstisisuks, kasutades OCR-i ja Amazoni tekst. Seejärel loeme selle sisu läbi ja killustame selle väiksemateks tükkideks, ideaalis umbes lause suuruseks. See üksikasjalik lähenemine võimaldab saada täpsemaid ja asjakohasemaid otsingutulemusi, kuna see võimaldab päringuid paremini sobitada lehe üksikute segmentidega, mitte kogu dokumendiga. Protsessi täiustamiseks kasutame selliseid manuseid nagu lausetransformaatorite raamatukogu Hugging Face'ist, mis genereerib iga lause vektoresitlusi (kodeeringu). Need vektorid on originaalteksti kompaktne ja sisukas esitus, võimaldades tõhusat ja täpset semantilist sobitamist. Lõpuks salvestame need vektorid sarnasuse otsimiseks vektorite andmebaasi. See tehnikate kombinatsioon loob aluse uudsele dokumenditöötlusraamistikule, mis tagab kasutajatele täpsed ja intuitiivsed tulemused. Järgmine diagramm illustreerib seda töövoogu.
OCR on lahenduse ülioluline element, mis võimaldab skannitud dokumentidelt või piltidelt teksti hankida. PDF- või pildifailidest teksti ekstraheerimiseks saame kasutada Amazon Textracti. See hallatav OCR-teenus on võimeline tuvastama ja uurima teksti mitmeleheküljelistes dokumentides, sealhulgas PDF-, JPEG- või TIFF-vormingus dokumentides, nagu arved ja kviitungid. Mitmeleheküljeliste dokumentide töötlemine toimub asünkroonselt, mistõttu on see kasulik ulatuslike mitmeleheküljeliste dokumentide käsitlemisel. Vaadake järgmist koodi:
def pdf_2_text(input_pdf_file, history):
history = history or []
key = 'input-pdf-files/{}'.format(os.path.basename(input_pdf_file.name))
try:
response = s3_client.upload_file(input_pdf_file.name, default_bucket_name, key)
except ClientError as e:
print("Error uploading file to S3:", e)
s3_object = {'Bucket': default_bucket_name, 'Name': key}
response = textract_client.start_document_analysis(
DocumentLocation={'S3Object': s3_object},
FeatureTypes=['TABLES', 'FORMS']
)
job_id = response['JobId']
while True:
response = textract_client.get_document_analysis(JobId=job_id)
status = response['JobStatus']
if status in ['SUCCEEDED', 'FAILED']:
break
time.sleep(5) if status == 'SUCCEEDED':
with open(output_file, 'w') as output_file_io:
for block in response['Blocks']:
if block['BlockType'] in ['LINE', 'WORD']:
output_file_io.write(block['Text'] + 'n')
with open(output_file, "r") as file:
first_512_chars = file.read(512).replace("n", "").replace("r", "").replace("[", "").replace("]", "") + " [...]"
history.append(("Document conversion", first_512_chars))
return history, history
Suurte dokumentidega tegelemisel on ülioluline jaotada need hõlpsamini hallatavateks osadeks, et neid oleks lihtsam töödelda. LangChaini puhul tähendab see iga dokumendi jagamist väiksemateks segmentideks, näiteks 1,000 märki tüki kohta koos 100 märgi kattumisega. Selle sujuvaks saavutamiseks kasutab LangChain spetsiaalselt selleks otstarbeks loodud splittereid:
from langchain.text_splitter import CharacterTextSplitter
from langchain.document_loaders import TextLoader
separator = 'n'
overlap_count = 100. # overlap count between the splits
chunk_size = 1000 # Use a fixed split unit size
loader = TextLoader(output_file)
documents = loader.load()
text_splitter = CharacterTextSplitter(separator=separator, chunk_overlap=overlap_count, chunk_size=chunk_size, length_function=len)
texts = text_splitter.split_documents(documents)
Manustamiseks vajalik kestus võib sõltuvalt dokumendi suurusest kõikuda; näiteks võib selle lõpetamiseks kuluda ligikaudu 10 minutit. Kuigi see ajavahemik ei pruugi ühe dokumendiga tegelemisel olla märkimisväärne, muutuvad tagajärjed sadade gigabaitide indekseerimisel märgatavamaks, mitte ainult sadade megabaitidega. Manustamisprotsessi kiirendamiseks saate rakendada killustamist, mis võimaldab paralleelsust ja suurendab seega tõhusust:
from langchain.document_loaders import ReadTheDocsLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter
from sentence_transformers import SentenceTransformer
import numpy as np
import ray
from embeddings import LocalHuggingFaceEmbeddings # Define number of splits
db_shards = 10 loader = TextLoader(output_file)
text_splitter = RecursiveCharacterTextSplitter(
chunk_size = 1000,
chunk_overlap = 100,
length_function = len,
) @ray.remote()
def process_shard(shard):
embeddings = LocalHuggingFaceEmbeddings('multi-qa-mpnet-base-dot-v1')
result = Chroma.from_documents(shard, embeddings)
return result # Read the doc content and split them into chunks.
chunks = text_splitter.create_documents([doc.page_content for doc in documents], metadatas=[doc.metadata for doc in documents])
# Embed the doc chunks into vectors.
shards = np.array_split(chunks, db_shards)
futures = [process_shard.remote(shards[i]) for i in range(db_shards)]
texts = ray.get(futures)
Nüüd, kui oleme saanud väiksemad segmendid, saame jätkata nende esitamist vektoritena manustamise kaudu. Manustamine, NLP tehnika, genereerib tekstiviipade vektoresitusi. Manustamisklass toimib ühtse liidesena suhtlemiseks erinevate manustamispakkujatega, nt SageMaker, Sidus, Kallistav näguja OpenAI, mis muudab protsessi erinevatel platvormidel sujuvamaks. Need manustused kujutavad endast arvulisi ideesid, mis on muudetud numbrijadadeks, võimaldades arvutitel hõlpsasti mõista nende ideede vahelisi seoseid. Vaadake järgmist koodi:
# Choose a SageMaker deployed local LLM endpoint for embedding
llm_embeddings = SagemakerEndpointEmbeddings(
endpoint_name=<endpoint_name>,
region_name=<region>,
content_handler=content_handler
)
Pärast manuste loomist peame vektorite salvestamiseks kasutama vektormälu. Vektorpoodidele meeldib Chroma on spetsiaalselt loodud indeksite koostamiseks kiirete otsingute jaoks hiljem suuremõõtmelistes ruumides, muutes need meie eesmärkide jaoks ideaalselt sobivaks. Alternatiivina võite kasutada FAISS, avatud lähtekoodiga vektorite rühmitamise lahendus vektorite salvestamiseks. Vaadake järgmist koodi:
from langchain.vectorstores import Chroma
# Store vectors in Chroma vectorDB
docsearch_chroma = Chroma.from_documents(texts, llm_embeddings)
# Alternatively you can choose FAISS vectorstore
from langchain.vectorstores import FAISS
docsearch_faiss = FAISS.from_documents(texts, llm_embeddings)
Vous pouvez aussi kasutamine Amazon Kendra ettevõtte sisu indekseerimiseks ja täpsete vastuste saamiseks. Täielikult hallatava teenusena pakub Amazon Kendra kasutusvalmis semantilise otsingu funktsioone täpsema dokumentide ja lõikude järjestamiseks. Amazon Kendra ülitäpse otsingu abil saate oma kasuliku koormuse kvaliteedi optimeerimiseks hankida kõige asjakohasema sisu ja dokumendid. Selle tulemuseks on traditsiooniliste või märksõnakesksete otsingumeetoditega võrreldes paremad LLM-i vastused. Lisateabe saamiseks vaadake Looge kiiresti ettevõtte andmetele ülitäpsed generatiivsed AI-rakendused, kasutades Amazon Kendrat, LangChaini ja suuri keelemudeleid.
Interaktiivne mitmekeelne häälsisend
Interaktiivse häälsisendi kaasamine dokumendiotsingusse pakub hulgaliselt eeliseid, mis parandavad kasutajakogemust. Võimaldades kasutajatel otsingutermineid verbaalselt sõnastada, muutub dokumendiotsing loomulikumaks ja intuitiivsemaks, muutes kasutajate jaoks vajaliku teabe leidmise lihtsamaks ja kiiremaks. Häälsisend võib suurendada otsingutulemuste täpsust, kuna suuline otsingutermin on õigekirja- või grammatikavigade suhtes vähem vastuvõtlik. Interaktiivne häälsisend muudab dokumendiotsingu kaasavamaks, teenindades laiemat kasutajate ringi, kellel on erinev keel ja kultuuritaust.
. Amazon Transscribe Streaming SDK võimaldab teil teostada heli kõneks tuvastamist, integreerides selle otse Amazon Transcribe'iga, kasutades lihtsalt helibaitide voogu ja lihtsat töötlejat. Alternatiivina saate juurutada sosin-suur modelleerida kohapeal Hugging Face'ist kasutades SageMaker, mis pakub paremat andmeturvet ja paremat jõudlust. Üksikasjad leiate aadressilt märkmiku näidis avaldati GitHubi repos.
# Choose ASR using a locally deployed Whisper-large model from Hugging Face
image = sagemaker.image_uris.retrieve(
framework='pytorch',
region=region,
image_scope='inference',
version='1.12',
instance_type='ml.g4dn.xlarge',
) model_name = f'sagemaker-soln-whisper-model-{int(time.time())}'
whisper_model_sm = sagemaker.model.Model(
model_data=model_uri,
image_uri=image,
role=sagemaker.get_execution_role(),
entry_point="inference.py",
source_dir='src',
name=model_name,
) # Audio transcribe
transcribe = whisper_endpoint.predict(audio.numpy())
Ülaltoodud esitlusvideo näitab, kuidas häälkäsklused koos tekstisisestusega võivad hõlbustada interaktiivse vestluse kaudu dokumentide kokkuvõtte tegemist.
NLP ülesannete juhendamine läbi mitmevooruliste vestluste
Mälu keelemudelites säilitab oleku mõiste kogu kasutaja suhtluse vältel. See hõlmab vestlussõnumite jada töötlemist teadmiste hankimiseks ja teisendamiseks. Mälutüübid on erinevad, kuid igaüks neist saab aru eraldiseisvate funktsioonide ja ahela sees. Mälu võib stringide või loendite kujul tagastada mitu andmepunkti, näiteks hiljutised sõnumid või sõnumite kokkuvõtted. See postitus keskendub kõige lihtsamale mäluvormile, puhvermälule, mis salvestab kõik varasemad teated ning demonstreerib selle kasutamist modulaarsete utiliidifunktsioonide ja kettidega.
LangChain ChatMessageHistory klass on mälumoodulite jaoks ülioluline utiliit, mis pakub mugavaid meetodeid inimeste ja tehisintellekti sõnumite salvestamiseks ja toomiseks, pidades meeles kõiki eelnevaid vestluse suhtlusi. See sobib ideaalselt mälu haldamiseks ketist väliselt. Järgmine kood on näide lihtsa kontseptsiooni rakendamisest ahelas sissejuhatuse kaudu ConversationBufferMemory, ümbris jaoks ChatMessageHistory
. See ümbris eraldab sõnumid muutujaks, võimaldades neid esitada stringina:
from langchain.memory import ConversationBufferMemory
memory = ConversationBufferMemory(return_messages=True)
LangChain teeb koostööd paljude populaarsete LLM-i pakkujatega, nagu AI21 Labs, OpenAI, Cohere, Hugging Face ja palju muud. Selle näite puhul kasutame SageMakeri abil kohapeal juurutatud AI21 Labsi Jurassic-2 LLM-ümbrist. AI21 Studio pakub ka API juurdepääsu Jurassic-2 LLM-idele.
from langchain import PromptTemplate, SagemakerEndpoint
from langchain.llms.sagemaker_endpoint import ContentHandlerBase
from langchain.chains.question_answering import load_qa_chain prompt= PromptTemplate(
template=prompt_template, input_variables=["context", "question"]
) class ContentHandler(ContentHandlerBase):
content_type = "application/json"
accepts = "application/json"
def transform_input(self, prompt: str, model_kwargs: Dict) -- bytes:
input_str = json.dumps({prompt: prompt, **model_kwargs})
return input_str.encode('utf-8') def transform_output(self, output: bytes) -- str:
response_json = json.loads(output.read().decode("utf-8"))
return response_json[0]["generated_text"]
content_handler = ContentHandler()
llm_ai21=SagemakerEndpoint(
endpoint_name=endpoint_name,
credentials_profile_name=f'aws-credentials-profile-name',
region_name="us-east-1",
model_kwargs={"temperature":0},
content_handler=content_handler) qa_chain = VectorDBQA.from_chain_type(
llm=llm_ai21,
chain_type='stuff',
vectorstore=docsearch,
verbose=True,
memory=ConversationBufferMemory(return_messages=True)
) response = qa_chain(
{'query': query_input},
return_only_outputs=True
)
Juhul, kui protsess ei suuda kasutaja päringule vastuseks algdokumentidest sobivat vastust leida, suurendab kolmanda osapoole URL-i või ideaaljuhul ülesandepõhise autonoomse agendi integreerimine väliste andmeallikatega oluliselt süsteemi võimet pääsete juurde suurele hulgale teabele, parandades lõppkokkuvõttes konteksti ning pakkudes täpsemaid ja ajakohasemaid tulemusi.
AI21 eelkonfigureeritud Summarize käitamismeetodiga pääseb päring juurde etteantud URL-ile, koondab selle sisu ja täidab seejärel kokkuvõtliku teabe põhjal küsimuste ja vastuste ülesandeid:
# Call AI21 API to query the context of a specific URL for Q&A
ai21.api_key = "<YOUR_API_KEY>"
url_external_source = "<your_source_url>"
response_url = ai21.Summarize.execute(
source=url_external_source,
sourceType="URL" )
context = "<concate_document_and_response_url>"
question = "<query>"
response = ai21.Answer.execute(
context=context,
question=question,
sm_endpoint=endpoint_name,
maxTokens=100,
)
Täiendavate üksikasjade ja koodinäidete saamiseks vaadake LangChain LLM-i integratsioonidokument samuti ülesandepõhised API dokumendid pakub AI21.
Ülesannete automatiseerimine BabyAGI abil
Ülesande automatiseerimise mehhanism võimaldab süsteemil töödelda keerulisi päringuid ja genereerida asjakohaseid vastuseid, mis parandab oluliselt dokumenditöötluse kehtivust ja autentsust. LangCaini BabyAGI on võimas tehisintellektil põhinev ülesannete haldussüsteem, mis suudab iseseisvalt ülesandeid luua, tähtsuse järjekorda seada ja käivitada. Üks peamisi omadusi on selle võime liidestada väliste teabeallikatega, nagu veeb, andmebaasid ja API-d. Üks võimalus selle funktsiooni kasutamiseks on BabyAGI integreerimine Serpapi, otsingumootori API, mis pakub juurdepääsu otsingumootoritele. See integratsioon võimaldab BabyAGI-l otsida veebist ülesannetega seotud teavet, võimaldades BabyAGI-l lisaks sisenddokumentidele juurde pääseda suurele hulgale teabele.
BabyAGI autonoomset ülesannete täitmise võimet toidavad LLM, vektorotsingu andmebaas, välislinkide API ümbris ja LangChaini raamistik, mis võimaldab tal käivitada laia valikut ülesandeid erinevates domeenides. See võimaldab süsteemil ennetavalt täita ülesandeid, mis põhinevad kasutaja interaktsioonidel, ühtlustades väliseid allikaid hõlmavat dokumenditöötluse torustikku ning luues tõhusama ja sujuvama kasutuskogemuse. Järgmine diagramm illustreerib ülesannete automatiseerimise protsessi.
See protsess sisaldab järgmisi komponente:
- Mälu – Mälu salvestab kogu teabe, mida BabyAGI oma ülesannete täitmiseks vajab. See hõlmab nii ülesannet ennast kui ka kõiki vahetulemusi või andmeid, mille BabyAGI on loonud.
- Täiteagent – Täiteagent vastutab mällu salvestatud ülesannete täitmise eest. See teeb seda, pääsedes juurde mälule, hankides asjakohase teabe ja astudes seejärel ülesande täitmiseks vajalikke samme.
- Ülesande loomise agent – Ülesande loomise agent vastutab BabyAGI jaoks uute ülesannete loomise eest. Ta teeb seda, analüüsides mälu hetkeseisu ja tuvastades lüngad teadmistes või arusaamises. Kui lünk on tuvastatud, genereerib ülesande loomise agent uue ülesande, mis aitab BabyAGI-l seda lünka täita.
- Ülesande järjekord – Ülesannete järjekord on loend kõigist BabyAGI-le määratud ülesannetest. Ülesanded lisatakse järjekorda nende laekumise järjekorras.
- Ülesannete prioriseerimise agent – Ülesande prioritiseerimise agent vastutab BabyAGI ülesannete täitmise järjekorra määramise eest. See teeb seda, analüüsides järjekorras olevaid ülesandeid ja tuvastades need, mis on kõige olulisemad või kiireloomulisemad. Kõige olulisemad ülesanded paigutatakse järjekorra ette ja kõige vähem tähtsad ülesanded järjekorra taha.
Vaadake järgmist koodi:
from babyagi import BabyAGI
from langchain.docstore import InMemoryDocstore
import faiss
# Set temperatur=0 to generate the most frequent words, instead of more “poetically free” behavior.
new_query = """
What happened to the First Republic Bank? Will the FED take the same action as it did on SVB's failure? """
# Enable verbose logging and use a fixed embedding size.
verbose = True
embedding_size = 1536 # Using FAISS vector cluster for vectore store
index = faiss.IndexFlatL2(embedding_size)
vectorstore = FAISS(llm_embeddings.embed_query, index, InMemoryDocstore({}), {}) # Choose 1 iteration for demo and 1>N>10 for real. If None, it will loop indefinitely
max_iterations: Optional[int] = 2 # Call bayagi class for task automation
baby_agi = BabyAGI.from_llm(
llm=llm_embedding, vectorstore=vectorstore, verbose=verbose, max_iterations=max_iterations<br />) response = baby_agi({"objective": new_query})
Uurime kogutud ülesandeid ja nende tulemusi ühest iteratsioonist, mida kasutatakse demonstratsiooni eesmärgil, et saavutada eesmärk vastusena kasutaja päringule. BabyAGI toimib pideva tsükli kaudu, mis koosneb järgmistest etappidest:
- Ülesande loomise agent formuleerib uue ülesande.
- Uus ülesanne lisatakse ülesannete järjekorda.
- Ülesannete prioritiseerimise agent määrab järjestuse, milles ülesandeid tuleks lahendada.
- Käitusagent täidab ülesande.
- Ülesande tulemus salvestatakse mällu.
- Tsükkel kordub.
See iteratiivne protsess võimaldab BabyAGI-l aja jooksul õppida ja areneda. Kuna see täidab edukalt üha rohkem ülesandeid, laienevad BabyAGI teadmised ja arusaam maailmast. Järelikult saab see luua ja tõhusalt käivitada keerukamaid ja täiustatud ülesandeid. Suurendades iteratsioonide arvu, saate tulemust parandada ülesannete loendi ümberkorraldamise kaudu, mis keskendub eesmärgile ja eelmiste ülesannete tulemusele, andes lõpuks asjakohasemad ja täpsemad vastused.
Vaadake järgmist näidisväljundit:
*****TASK LIST*****
1: Make a todo list
*****NEXT TASK*****
1: Make a todo list
> Entering new AgentExecutor chain...
Thought: I need to research the First Republic Bank and the FED's action
Action: Search
Action Input: What happened to the First Republic Bank? Will the FED take the same action as it did on SVB's failure?
Observation: First Republic's failure was due to a run on deposits following the collapse of Silicon Valley Bank and Signature Bank. JPMorgan Chase acquired
First Republic Bank on May 1, 2023. If you had insured or uninsured money in First Republic accounts, your funds are safe and now managed by JPMorgan Chase.
Thought: I need to research the FED's action on SVB's failure
Action: Search
Action Input: What action did the FED take on SVB's failure?
Observation: The Hutchins Center explains how the Federal Reserve has responded to the March 2023 failures of Silicon Valley Bank and Signature Bank.
Thought: I now know the final answer
Final Answer: The FED responded to the March 2023 failures of Silicon Valley Bank and <br />Signature Bank by providing liquidity to the banking system. JPMorgan Chase acquired First Republic Bank on May 1, 2023, and if you had insured or uninsured money in First Republic accounts, your funds are safe and now managed by JPMorgan Chase.
> Finished chain.
*****TASK RESULT*****
The Federal Reserve responded to the March 2023 failures of Silicon Valley Bank and Signature Bank by providing liquidity to the banking system. It is unclear what action the FED will take in response to the failure of First Republic Bank. ***TASK LIST*** 2: Research the timeline of First Republic Bank's failure.
3: Analyze the Federal Reserve's response to the failure of Silicon Valley Bank and Signature Bank.
4: Compare the Federal Reserve's response to the failure of Silicon Valley Bank and Signature Bank to the Federal Reserve's response to the failure of First Republic Bank.
5: Investigate the potential implications of the Federal Reserve's response to the failure of First Republic Bank.
6: Identify any potential risks associated with the Federal Reserve's response to the failure of First Republic Bank.<br />*****NEXT TASK***** 2: Research the timeline of First Republic Bank's failure. > Entering new AgentExecutor chain...
Will the FED take the same action as it did on SVB's failure?
Thought: I should search for information about the timeline of First Republic Bank's failure and the FED's action on SVB's failure.
Action: Search
Action Input: Timeline of First Republic Bank's failure and FED's action on SVB's failure
Observation: March 20: The FDIC decides to break up SVB and hold two separate auctions for its traditional deposits unit and its private bank after failing ...
Thought: I should look for more information about the FED's action on SVB's failure.
Action: Search
Action Input: FED's action on SVB's failure
Observation: The Fed blamed failures on mismanagement and supervisory missteps, compounded by a dose of social media frenzy.
Thought: I now know the final answer.
Final Answer: The FED is likely to take similar action on First Republic Bank's failure as it did on SVB's failure, which was to break up the bank and hold two separate auctions for its traditional deposits unit and its private bank.</p><p>> Finished chain. *****TASK RESULT*****
The FED responded to the March 2023 failures of ilicon Valley Bank and Signature Bank by providing liquidity to the banking system. JPMorgan Chase acquired First Republic Bank on May 1, 2023, and if you had insured or uninsured money in First Republic accounts, your funds are safe and now managed by JPMorgan Chase.*****TASK ENDING*****
Ülesannete automatiseerimiseks mõeldud BabyAGI-ga demonstreeris dialoogiga juhitud IDP-süsteem oma tõhusust, väljudes originaaldokumendi kontekstist, et vastata kasutaja päringule Föderaalreservi võimalike toimingute kohta seoses Esimese Vabariigi Panga rikkega, mis leidis aset 2023. aasta aprilli lõpus, 1 kuu pärast seda. väljaande näidis, võrreldes SVB rikkega. Selle saavutamiseks koostas süsteem ülesannete nimekirja ja täitis ülesanded järjestikku. Ta uuris First Republic Banki maksejõuetuse asjaolusid, tõi välja võimalikud riskid, mis on seotud Föderaalreservi vastusega, ja võrdles seda vastusega SVB ebaõnnestumisele.
Kuigi BabyAGI on endiselt pooleli, on see lubadus muuta masinate interaktsiooni, leidlikku mõtlemist ja probleemide lahendamist. Kuna BabyAGI õppimine ja täiustamine jätkub, on see võimeline andma täpsemaid, läbinägelikumaid ja leidlikumaid vastuseid. Võimaldades masinatel iseseisvalt õppida ja areneda, võib BabyAGI hõlbustada nende abistamist paljude ülesannete täitmisel, alates igapäevastest töödest kuni keerukate probleemide lahendamiseni.
Piirangud ja piirangud
Dialoogipõhiselt juhitud IDP pakub paljutõotavat lähenemisviisi dokumentide analüüsi ja väljavõtete tõhususe ja tulemuslikkuse suurendamiseks. Peame siiski tunnistama selle praeguseid piiranguid ja piiranguid, nagu vajadus andmete eelarvamuste vältimiseks, hallutsinatsioonide leevendamine, keerulise ja mitmetähendusliku keele käsitlemise väljakutse ning raskused konteksti mõistmisel või pikemate vestluste sidususe säilitamisel.
Lisaks on tehisintellekti loodud vastustes oluline arvestada konfabulatsioonide ja hallutsinatsioonidega, mis võivad viia ebatäpse või väljamõeldud teabe loomiseni. Nende väljakutsetega tegelemiseks keskenduvad käimasolevad arendused LLM-ide täiustamisele, millel on paremad loomuliku keele mõistmise võimalused, domeenispetsiifiliste teadmiste kaasamiseks ja tugevamate kontekstiteadlike mudelite väljatöötamisele. LLM-i loomine nullist võib olla kulukas ja aeganõudev; Siiski saate olemasolevate mudelite täiustamiseks kasutada mitmeid strateegiaid.
- Eelkoolitatud LLM-i viimistlemine konkreetsetes valdkondades täpsemate ja asjakohasemate väljundite saamiseks
- Väliste andmeallikate integreerimine, mis on järelduste tegemise ajal ohutud, et täiustada kontekstimõistmist
- Paremate viipade kujundamine mudelist täpsemate vastuste saamiseks
- Ansamblimudelite kasutamine mitme LLM-i väljundite kombineerimiseks, vigade keskmistamiseks ja hallutsinatsioonide tõenäosuse minimeerimiseks
- Ehitage kaitsepiirded, et vältida mudelite ebasoovitavatesse kohtadesse kaldumist, tagades samas, et rakendused reageerivad täpse ja asjakohase teabega
- Kontrollitud peenhäälestuse läbiviimine inimeste tagasisidega, iteratiivselt täiustades mudelit täpsuse suurendamiseks ja hallutsinatsioonide vähendamiseks.
Nende lähenemisviiside kasutuselevõtuga saab tehisintellekti loodud vastuseid muuta usaldusväärsemaks ja väärtuslikumaks.
Ülesandepõhine autonoomne agent pakub märkimisväärset potentsiaali erinevates rakendustes, kuid enne tehnoloogia kasutuselevõttu on oluline kaaluda peamisi riske. Need riskid hõlmavad järgmist:
- Andmete privaatsuse ja turvalisuse rikkumised valitud LLM-i pakkuja ja vektorDB kasutamise tõttu
- Eetilised probleemid, mis tulenevad kallutatud või kahjuliku sisu loomisest
- Sõltuvus mudeli täpsusest, mis võib põhjustada ebatõhusa ülesande täitmise või soovimatuid tulemusi
- Süsteemi ülekoormus ja mastaapsuse probleemid, kui ülesannete genereerimine ületab lõpetamist, mis nõuab õiget ülesannete järjestamist ja paralleelset haldamist
- Ülesande prioriseerimise väär tõlgendus, mis põhineb LLM-i arusaamal ülesande tähtsusest
- Veebist saadud andmete autentsus
Nende riskidega tegelemine on vastutustundliku ja eduka rakenduse jaoks ülioluline, võimaldades meil maksimeerida tehisintellektil põhinevate keelemudelite eeliseid, minimeerides samal ajal võimalikke riske.
Järeldused
IDP dialoogiga juhitud lahendus pakub murrangulist lähenemist dokumentide töötlemisele, integreerides OCR-i, automaatse kõnetuvastuse, LLM-i, ülesannete automatiseerimise ja välised andmeallikad. See terviklik lahendus võimaldab ettevõtetel oma dokumenditöötluse töövooge sujuvamaks muuta, muutes need tõhusamaks ja intuitiivsemaks. Nende tipptehnoloogiate kaasamisega saavad organisatsioonid mitte ainult revolutsiooniliselt muuta oma dokumendihaldusprotsesse, vaid ka tugevdada otsustusvõimet ja tõsta märkimisväärselt üldist tootlikkust. Lahendus pakub ettevõtetele ümberkujundavat ja uuenduslikku vahendit oma dokumentide töövoogude täieliku potentsiaali avamiseks, mis viib majanduskasvu ja edu generatiivse AI ajastul. Viitama SageMaker Kiirstart muude lahenduste jaoks ja Amazonase aluspõhi täiendavate generatiivsete AI mudelite jaoks.
Autorid soovivad siiralt avaldada tänu Ryan Kilpatrickule, Ashish Lalile ja Kristine Pearce'ile nende väärtusliku panuse ja panuse eest sellesse töösse. Samuti tunnustavad nad Clay Elmore'i Githubis pakutava koodinäidise eest.
Autoritest
Alfred Shen on AWSi AI/ML vanemspetsialist. Ta on töötanud Silicon Valleys, olles tehnilistel ja juhtivatel kohtadel erinevates sektorites, sealhulgas tervishoid, rahandus ja kõrgtehnoloogia. Ta on pühendunud rakendusliku AI/ML-uurija, kes keskendub CV-le, NLP-le ja multimodaalsusele. Tema tööd on tutvustatud sellistes väljaannetes nagu EMNLP, ICLR ja Public Health.
Dr Vivek Madan on Amazon SageMaker JumpStart meeskonna rakendusteadlane. Ta sai doktorikraadi Illinoisi ülikoolist Urbana-Champaignis ja oli Georgia Techi järeldoktor. Ta on aktiivne masinõppe ja algoritmide kujundamise uurija ning avaldanud ettekandeid EMNLP, ICLR, COLT, FOCS ja SODA konverentsidel.
Dr Li Zhang on peamine tootejuht-tehnik Amazon SageMaker JumpStart ja Amazon SageMakeri sisseehitatud algoritmidteenus, mis aitab andmeteadlastel ja masinõppe praktikutel alustada oma mudelite koolitamist ja juurutamist ning tugevdamise õppimine Amazon SageMakeriga. Tema varasem töö IBM Researchi peamise teadlase ja kaptenleiutajana on võitnud ajaproovi paberi auhind IEEE INFOCOM-is.
Dr Changsha Ma on AWS-i AI/ML-spetsialist. Ta on tehnoloog, kellel on doktorikraad arvutiteaduses, magistrikraad hariduspsühholoogias ning aastatepikkune kogemus andmeteaduse ja sõltumatu nõustamise alal AI/ML alal. Ta on kirglik masinate ja inimeste intelligentsuse metodoloogiliste lähenemisviiside uurimise vastu. Väljaspool tööd armastab ta matkata, süüa teha, toitu jahtida, kolledži üliõpilasi ettevõtluses juhendada ning sõprade ja peredega aega veeta.
- SEO-põhise sisu ja PR-levi. Võimenduge juba täna.
- PlatoAiStream. Web3 andmete luure. Täiustatud teadmised. Juurdepääs siia.
- Tuleviku rahapaja Adryenn Ashley. Juurdepääs siia.
- Ostke ja müüge IPO-eelsete ettevõtete aktsiaid koos PREIPO®-ga. Juurdepääs siia.
- Allikas: https://aws.amazon.com/blogs/machine-learning/dialogue-guided-intelligent-document-processing-with-foundation-models-on-amazon-sagemaker-jumpstart/
- :on
- :on
- :mitte
- ][lk
- $ UP
- 000
- 1
- 10
- 100
- 12
- 20
- 2023
- 8.
- a
- võime
- MEIST
- üle
- Nõustub
- juurdepääs
- Ligipääs
- täitma
- konto
- Kontod
- täpsus
- täpne
- Saavutada
- kinnitada
- omandatud
- üle
- tegevus
- meetmete
- aktiivne
- kohandama
- lisatud
- lisades
- Täiendavad lisad
- Lisaks
- aadress
- adresseerimine
- Vastuvõtmine
- Vastuvõtmine
- edasijõudnud
- ettemaksed
- ADEelis
- kasulik
- eelised
- pärast
- vastu
- Agent
- AI
- Tehisintellekti toega
- AI / ML
- algoritm
- algoritme
- Materjal: BPA ja flataatide vaba plastik
- Lubades
- võimaldab
- Ka
- alternatiiv
- Kuigi
- Amazon
- Amazon Kendra
- Amazon SageMaker
- Amazon SageMaker JumpStart
- Amazoni tekst
- Amazoni transkribeerimine
- Amazon Web Services
- summad
- an
- analüüs
- analüüsima
- analüüsides
- ja
- vastus
- vastuseid
- Oodatud
- mistahes
- API
- API juurdepääs
- API-liidesed
- taotlus
- rakendused
- rakendatud
- Rakendades
- kallinemine
- lähenemine
- lähenemisviisid
- asjakohane
- apps
- Aprill
- OLEME
- valdkondades
- ümber
- Array
- AS
- määratud
- Abi
- seotud
- At
- Oksjonid
- heli-
- autentsus
- autorid
- automatiseerib
- Automaatne
- Automaatika
- autonoomne
- autonoomselt
- saadaval
- keskmiselt
- AWS
- AWS Marketplace
- tagasi
- tagapõhi
- Pank
- Pangandus
- pangandussüsteem
- põhineb
- põhiline
- BE
- sest
- muutuma
- muutub
- olnud
- enne
- alustama
- Kasu
- BEST
- Parem
- vahel
- Peale
- erapoolikus
- erapooletu
- miljardeid
- Blokeerima
- Plokid
- juhatus
- toetama
- suurendada
- rikkumisi
- Murdma
- ühendamine
- lai
- laiem
- puhver
- ehitama
- Ehitus
- sisseehitatud
- ettevõtted
- kuid
- by
- helistama
- CAN
- võimeid
- võimeline
- Võimsus
- viima
- kes
- juhul
- keskus
- kett
- ketid
- väljakutse
- väljakutseid
- Vaidluste lahendamine
- iseloom
- tegelase äratundmine
- tagaajamine
- Vali
- valitud
- asjaolusid
- klass
- Cloud
- Cluster
- Klastrite loomine
- kood
- Kokkuvarisemine
- kolledž
- kombinatsioon
- ühendama
- ühendab
- ühine
- võrdlema
- võrreldes
- võrdlus
- täitma
- Lõpetatud
- Lõpetab
- lõpetamist
- keeruline
- komponendid
- mõista
- terviklik
- arvuti
- Arvutiteadus
- arvutid
- mõiste
- Murettekitav
- konverentsid
- Side
- Järelikult
- Arvestama
- märkimisväärselt
- piiranguid
- ehitama
- nõustamine
- sisu
- kontekst
- kontekstid
- kontekstuaalne
- jätkama
- pidev
- sissemaksed
- Mugav
- Vestlus
- vestlused
- Konverteerimine
- muutma
- cooking
- Maksma
- kulukas
- võiks
- looma
- loomine
- loomine
- otsustav
- kultuur
- Praegune
- Praegune olek
- viimase peal
- Tipptasemel tehnoloogiad
- tsükkel
- andmed
- andmete eelarvamused
- andmepunktid
- andmeteadus
- andmekaitse
- andmebaas
- andmebaasid
- tegelema
- Otsuse tegemine
- pühendunud
- sügav
- sügav õpe
- Kraad
- annab
- Demo
- näitab
- juurutada
- lähetatud
- juurutamine
- kasutuselevõtu
- hoiused
- Tuletatud
- Disain
- kavandatud
- Vaatamata
- detailid
- määrates kindlaks
- arendama
- arenev
- arenguid
- Dialoog
- DIKT
- DID
- erinev
- raskusi
- otse
- arutame
- mitu
- dokument
- dokumendihaldus
- dokumendid
- ei
- Domeenid
- alla
- sõidu
- kaks
- kestus
- ajal
- e
- iga
- lihtsam
- lihtne
- Käsitöö
- Tõhus
- tõhusus
- efektiivsus
- tõhus
- tõhusalt
- element
- Embed
- kinnistamine
- volitamine
- võimaldama
- võimaldab
- võimaldades
- Lõpp-punkt
- Mootor
- Mootorid
- suurendama
- tõhustatud
- Parandab
- suurendamine
- piisavalt
- tagades
- Sisse
- ettevõte
- Kogu
- ettevõtlus
- Ajastu
- viga
- vead
- kehtestab
- Eeter (ETH)
- sündmus
- arenema
- uurima
- Uurimine
- näide
- näited
- Välja arvatud
- Vahetused
- täitmine
- olemasolevate
- Laiendama
- kogemus
- Selgitama
- Selgitab
- uurima
- ekspress
- ulatuslik
- väline
- väliselt
- väljavõte
- kaevandamine
- Väljavõtted
- nägu
- hõlbustada
- hõlbustab
- Ebaõnnestunud
- vastasel
- ebaedu
- peredele
- fdic
- tunnusjoon
- FUNKTSIOONID
- Toidetud
- Föderaal-
- Föderaalreserv
- Föderaalreservi oma
- tagasiside
- fail
- Faile
- täitma
- lõplik
- Lõpuks
- rahastama
- leidma
- lõpetama
- esimene
- fikseeritud
- kõikuma
- keskendub
- keskendumine
- Järel
- toit
- eest
- vorm
- formaat
- vormid
- Sihtasutus
- FRAME
- Raamistik
- hullus
- sage
- sõbrad
- Alates
- esi-
- Küttega
- täis
- täielikult
- funktsionaalsus
- toimimine
- funktsioonid
- raha
- edasi
- Futuurid
- lõhe
- lünki
- kogutud
- tekitama
- loodud
- genereerib
- teeniva
- põlvkond
- generatiivne
- Generatiivne AI
- Georgia
- saama
- GitHub
- eesmärk
- läheb
- suuresti
- murranguline
- alused
- Kasv
- suunata
- olnud
- Käsitsemine
- juhtus
- kahjulik
- Kasutamine
- Olema
- he
- Tervis
- tervishoid
- aitama
- aitab
- Suur
- rõhutab
- matkamine
- tema
- ajalugu
- hoidma
- omamine
- Kuidas
- aga
- HTML
- HTTPS
- inim-
- inimeste intelligentsust
- sajad
- Jaht
- i
- IBM
- ICLR
- ideaalne
- ideid
- tuvastatud
- identifitseerima
- identifitseerimiseks
- IEEE
- if
- Illinois
- illustreerib
- pilt
- pildid
- rakendada
- mõjud
- import
- oluline
- parandama
- paranenud
- paranemine
- parandab
- Paranemist
- in
- Teistes
- ebatäpne
- sisaldama
- hõlmab
- Kaasa arvatud
- Kaasa arvatud
- Inkorporeeritud
- sisaldab
- kaasates
- Suurendama
- kasvanud
- kasvav
- sõltumatud
- indeks
- indeksid
- eraldi
- info
- teabe väljavõtmine
- algatama
- uuenduslik
- sisend
- sisendite
- küsima
- küsitlus
- Näiteks
- selle asemel
- juhised
- lahutamatu
- integreerima
- Integreerimine
- integratsioon
- Intelligentsus
- Intelligentne
- Arukas dokumenditöötlus
- suhelda
- suhtlevad
- suhtlemist
- interaktsioonid
- interaktiivne
- Interface
- Kesktaseme
- sisse
- sisse
- intuitsioon
- intuitiivne
- uurima
- hõlmab
- küsimustes
- IT
- iteratsioon
- ITS
- ise
- jpg
- JPMorgan
- jpmorgan tagaajamine
- Json
- lihtsalt
- Võti
- Teadma
- teadmised
- teatud
- Labs
- puudus
- keel
- suur
- Hilja
- pärast
- Keeled
- viima
- juhtivate
- Õppida
- õppimine
- kõige vähem
- Pärand
- vähem
- li
- Raamatukogu
- peitub
- nagu
- Tõenäoliselt
- piirangud
- piiratud
- joon
- lingid
- Likviidsus
- nimekiri
- Nimekirjad
- laadur
- kohalik
- kohapeal
- metsaraie
- enam
- Vaata
- armastab
- Madal
- masin
- masinõpe
- masinad
- tehtud
- jääb
- tegema
- Tegemine
- juhtima
- juhitud
- juhtimine
- juhtimissüsteem
- juht
- juhtimisega
- juhtiv
- käsiraamat
- palju
- Märts
- Turg
- turul
- suur
- meister
- meistrid
- sobitamine
- Maksimeerima
- mai..
- tähendusrikas
- vahendid
- mehhanism
- Meedia
- liige
- Mälu
- mentorlus
- sõnum
- kirjad
- Metaandmed
- meetod
- meetodid
- minimeerimine
- protokoll
- halb juhtimine
- puuduvad
- leevendamine
- ML
- mudel
- mudelid
- modulaarne
- Moodulid
- raha
- kuu
- rohkem
- tõhusam
- Pealegi
- kõige
- mitmekordne
- peab
- nimi
- Natural
- Loomulik keel
- Loomuliku keele mõistmine
- vajalik
- Vajadus
- vaja
- vajadustele
- Uus
- nlp
- märkimisväärne
- romaan
- nüüd
- number
- tuim
- eesmärk
- eesmärgid
- saama
- saadud
- toimunud
- OCR
- of
- maha
- Pakkumised
- on
- ONE
- ones
- jätkuv
- ainult
- avatud lähtekoodiga
- OpenAI
- avamine
- tegutseb
- vastupidine
- optiline
- optiline märkide tuvastamine
- optimeerima
- or
- et
- organisatsioonid
- originaal
- OS
- Muu
- meie
- välja
- Tulemus
- tulemusi
- väljund
- väljaspool
- üle
- üldine
- Ületada
- enda
- lehekülg
- Paber
- dokumendid
- Parallel
- parameetrid
- osad
- kirglik
- minevik
- tee
- täitma
- jõudlus
- Pildid
- tükki
- torujuhe
- Koht
- Platvormid
- Platon
- Platoni andmete intelligentsus
- PlatoData
- palun
- võrra
- populaarne
- positsioone
- post
- potentsiaal
- võimas
- vajadus
- Täpsus
- Predictor
- kingitusi
- vältida
- eelmine
- Peamine
- Eelnev
- prioriteetide
- Prioriteet
- privaatsus
- Privaatsus ja turvalisus
- era-
- Probleem
- probleemi lahendamine
- protsess
- Protsessid
- töötlemine
- tootma
- Toode
- produktiivne
- tootlikkus
- Edu
- lubadus
- paljutõotav
- korralik
- tingimusel
- tarnija
- pakkujad
- annab
- pakkudes
- Psühholoogia
- avalik
- rahvatervise
- väljaanded
- avaldatud
- eesmärk
- eesmärkidel
- pütorch
- Küsimused ja vastused
- kvaliteet
- päringud
- küsimus
- Küsimused
- Kiire
- kiiremini
- alates
- Edetabel
- pigem
- RAY
- Lugenud
- reaalne
- reaalajas
- laekumised
- saadud
- hiljuti
- tunnustamine
- vähendama
- Lühendatud
- rafineerimine
- määrused
- seotud
- asjakohane
- usaldusväärne
- sõltuvus
- jäänused
- meeles
- muudab
- ümberkorraldamine
- esindama
- esindamine
- esindatud
- Vabariik
- taotleda
- Nõuded
- teadustöö
- uurija
- Reserv
- reservid
- resolutsioon
- Reageerida
- vastus
- vastuste
- vastutav
- tundlik
- kaasa
- tulemuseks
- Tulemused
- tagasipöördumine
- murranguliseks muuta
- Revolutsiooniline
- riskide
- jõuline
- ligikaudu
- jooks
- Ryan
- s
- ohutu
- salveitegija
- sama
- Säästa
- Skaalautuvus
- teadus
- teadlane
- teadlased
- kriimustada
- Otsing
- otsingumootor
- Otsingumootorid
- Sektorid
- turvalisus
- turvarikkumised
- vaata
- segmendid
- väljavalitud
- SELF
- vanem
- Lause
- eri
- Jada
- järjestamine
- Seeria
- teenima
- teenib
- teenus
- Teenused
- komplekt
- mitu
- varitsus
- ta
- peaks
- tutvustatud
- Näitused
- allkiri
- märkimisväärne
- märgatavalt
- Räni
- Silicon Valley
- räni oru pank
- sarnane
- lihtne
- lihtsalt
- ühekordne
- SUURUS
- väiksem
- sujuvalt
- sotsiaalmeedia
- Sotsiaalse meedia
- lahendus
- Lahendused
- Allikad
- tühikud
- kõlarid
- spetsialist
- spetsialiseeritud
- spetsiaalselt
- konkreetse
- eriti
- spekter
- kõne
- Kõnetuvastus
- Kulutused
- jagada
- Poolitab
- Personal
- huvirühmad
- standalone
- alustatud
- riik
- olek
- Sammud
- Veel
- salvestada
- ladustatud
- kauplustes
- strateegiad
- oja
- streaming
- kiirendama
- Sujuvamaks muutmine
- nöör
- Õpilased
- stuudio
- mahukas
- edu
- edukas
- Edukalt
- selline
- Kokku võtta
- parem
- Toetab
- ümbritsev
- vastuvõtlik
- palun
- süsteem
- süsteemid
- Võtma
- võtmine
- Ülesanne
- ülesanded
- meeskond
- tech
- Tehniline
- tehnikat
- Tehnoloogiad
- tehnoloog
- Tehnoloogia
- tingimused
- kui
- et
- .
- Fed
- teave
- maailm
- oma
- Neile
- SIIS
- Seal.
- Need
- nad
- Mõtlemine
- kolmanda osapoole
- see
- need
- arvasin
- Läbi
- läbi kogu
- seotud
- aeg
- aega võttev
- ajakava
- et
- märgid
- traditsiooniline
- koolitatud
- koolitus
- Muutma
- muundav
- ümber
- trafod
- tõsi
- püüdma
- kaks
- tüüp
- liigid
- lõpuks
- ei suuda
- mõistma
- mõistmine
- arusaadav
- ühtne
- üksus
- Ülikool
- avamine
- ajakohane
- Uudised
- Üleslaadimine
- kiireloomuline
- URL
- us
- Kasutus
- kasutama
- Kasutatud
- Kasutaja
- User Experience
- kasutajasõbralik
- Kasutajad
- kasutamine
- kasulikkus
- ära kasutama
- kasutab ära
- kehtivus
- org
- väärtuslik
- eri
- suur
- kontrollima
- kaudu
- Video
- Videod
- virtuaalne
- tähtis
- Hääl
- häälkäsklused
- mahud
- W
- oli
- Tee..
- we
- Jõukus
- web
- veebiteenused
- Hästi
- olid
- M
- millal
- mis
- kuigi
- will
- koos
- jooksul
- ilma
- Võitis
- sõna
- sõnad
- Töö
- töövoog
- Töövoogud
- töö
- töötab
- maailm
- oleks
- aastat
- saagikus
- sa
- Sinu
- sephyrnet