개요
GPT, PaLM 등과 같은 Generative Large Language Models는 많은 양의 데이터에 대해 학습됩니다. 이러한 모델은 컴퓨터가 텍스트를 이해하지 못하고 숫자만 이해하기 때문에 데이터 세트에서 텍스트를 그대로 가져오지 않습니다. 임베딩은 텍스트를 숫자 형식으로 표현한 것입니다. 대규모 언어 모델과 주고받는 모든 정보는 이러한 임베딩을 통해 이루어집니다. 이러한 임베딩에 직접 액세스하는 것은 시간이 많이 걸립니다. 따라서 벡터 데이터베이스라고 하는 것은 벡터 임베딩의 효율적인 저장 및 검색을 위해 특별히 설계된 이러한 임베딩을 저장합니다. 이 가이드에서는 널리 사용되고 오픈 소스인 Chroma DB와 같은 벡터 저장소/데이터베이스 중 하나에 중점을 둘 것입니다.
학습 목표
- ChromaDB로 임베딩 생성 및 임베딩 모델
- Chroma Vector Store 내에서 컬렉션 만들기
- 컬렉션 내 문서, 이미지 및 임베딩 저장
- 데이터 삭제 및 업데이트, 컬렉션 이름 바꾸기와 같은 컬렉션 작업 수행
- 마지막으로 컬렉션을 쿼리하여 관련 정보를 추출합니다.
이 기사는 데이터 과학 블로그.
차례
임베딩에 대한 짧은 소개
임베딩 또는 벡터 임베딩은 데이터(텍스트, 이미지, 오디오, 비디오 등)를 숫자 형식으로 표현하는 방법입니다. 정확히 말하면 데이터를 n차원 공간(숫자 벡터)에 숫자 형식으로 표현하는 방법입니다. 이러한 방식으로 임베딩을 통해 유사한 데이터를 함께 클러스터링할 수 있습니다. 이러한 입력을 받아 벡터로 변환하는 모델이 있습니다. 그러한 예 중 하나는 워드투벡, Google에서 개발한 인기 있는 임베딩 모델로 단어를 벡터(벡터는 n차원을 갖는 점)로 변환합니다. 모든 대규모 언어 모델에는 LLM에 대한 임베딩을 생성하는 각각의 임베딩 모델이 있습니다.
이러한 임베딩은 무엇에 사용됩니까?
단어를 벡터로 변환할 때 좋은 점은 비교할 수 있다는 것입니다. 컴퓨터는 두 단어를 그대로 비교할 수 없지만 숫자 입력, 즉 벡터 임베딩의 형태로 주면 비교할 수 있습니다. 임베딩이 유사한 단어 클러스터를 만들 수 있습니다. King, Queen, Prince, Princess라는 단어는 서로 관련되어 있기 때문에 클러스터에 나타납니다.
이러한 방식으로 임베딩을 통해 주어진 단어와 유사한 단어를 찾을 수 있습니다. 이를 문장으로 통합하여 문장을 입력하고 제공된 데이터에서 관련 문장을 얻을 수 있습니다. 이는 의미 체계 검색, 문장 유사성, 이상 감지, 챗봇 및 더 많은 사용 사례의 기반입니다. 주어진 PDF, Doc에서 질문 답변을 수행하기 위해 구축한 챗봇은 바로 이 임베딩 개념을 활용합니다. 모든 Generative Large Language Models는 이 접근 방식을 사용하여 제공된 쿼리와 유사한 콘텐츠를 가져옵니다.
벡터 저장소와 그 필요성
논의한 바와 같이 임베딩은 일반적으로 n차원 공간의 숫자 형식으로 된 구조화되지 않은 모든 종류의 데이터를 나타냅니다. 이제 어디에 저장합니까? 전통적인 RDMS(관계형 데이터베이스 관리 시스템)는 이러한 벡터 임베딩을 저장하는 데 사용할 수 없습니다. 이것은 Vector Store / Vector Dabases가 작동하는 곳입니다. 벡터 데이터베이스는 효율적인 방식으로 벡터 임베딩을 저장하고 검색하도록 설계되었습니다. 지원하는 임베딩 모델과 유사한 벡터를 얻기 위해 사용하는 검색 알고리즘의 종류에 따라 다른 벡터 저장소가 많이 있습니다.
왜 필요한가요? 필요한 데이터에 빠르게 액세스할 수 있기 때문에 필요합니다. PDF 기반의 챗봇을 생각해 봅시다. 이제 사용자가 쿼리를 입력하면 가장 먼저 PDF에서 해당 쿼리로 관련 콘텐츠를 가져오고 이 정보를 챗봇에 제공합니다. 챗봇이 쿼리와 관련된 이 정보를 가져와 관련 답변을 사용자에게 증명할 수 있도록 합니다. 이제 사용자 쿼리와 관련된 PDF에서 관련 콘텐츠를 어떻게 얻습니까? 답은 단순 유사성 검색
데이터가 벡터 임베딩으로 표현되면 데이터의 다른 부분 간의 유사성을 찾고 특정 임베딩과 유사한 데이터를 추출할 수 있습니다. 쿼리는 먼저 임베딩 모델에 의해 임베딩으로 변환된 다음 벡터 저장소가 이 벡터 임베딩을 가져온 다음 데이터베이스에 저장된 다른 임베딩 간의 유사성 검색(검색 알고리즘을 통해)을 수행하고 모든 관련 데이터를 가져옵니다. 이러한 관련 벡터 임베딩은 이 정보를 사용하여 사용자에게 최종 답변을 생성하는 챗봇인 대규모 언어 모델로 전달됩니다.
크로마DB란?
Chroma는 Chroma 사의 Vector Store/Vector DB입니다. 다른 많은 Vector Store와 마찬가지로 Chroma DB는 벡터 임베딩을 저장하고 검색하기 위한 것입니다. 좋은 점은 Chroma가 무료 오픈 소스 프로젝트라는 것입니다. 이를 통해 전 세계의 다른 숙련된 개발자가 제안을 제공하고 데이터베이스를 크게 개선할 수 있으며 오픈 소스 소프트웨어를 다룰 때 문제에 대한 빠른 응답을 기대할 수 있습니다. 전체 오픈 소스 커뮤니티가 해당 문제를 확인하고 해결하기 위해 존재하기 때문입니다.
현재 Chroma는 호스팅 서비스를 제공하지 않습니다. Chroma 주변에서 애플리케이션을 생성할 때 데이터를 로컬 파일 시스템에 로컬로 저장합니다. Chroma는 가까운 장래에 호스팅 서비스를 구축할 계획입니다. Chroma DB는 벡터 임베딩을 저장하는 다양한 방법을 제공합니다. 메모리에 저장하고 메모리에 저장하고 로드할 수 있으며 Chroma 클라이언트를 실행하여 백엔드 서버와 통신할 수 있습니다. 전반적으로 Chroma DB는 API에 4개의 기능만 있으므로 짧고 간단하며 쉽게 시작할 수 있습니다.
Chroma DB부터 시작하겠습니다
이 섹션에서는 Chroma를 설치하고 Chroma가 제공하는 모든 기능을 살펴보겠습니다. 먼저 pip 명령을 통해 라이브러리를 설치합니다.
$ pip install chromadb
크로마 벡터 스토어 API
이렇게 하면 Python용 Chroma Vector Store API가 다운로드됩니다. 이 패키지를 사용하면 벡터 임베딩 저장, 검색, 주어진 벡터 임베딩에 대한 시맨틱 검색 수행과 같은 모든 작업을 수행할 수 있습니다.
import chromadb
from chromadb.config import Settings client = chromadb.Client(Settings(chroma_db_impl="duckdb+parquet", persist_directory="/content/" ))
메모리 데이터베이스
영구 메모리 내 데이터베이스를 만드는 것부터 시작하겠습니다. 위의 코드는 우리를 위해 하나를 생성합니다. 클라이언트를 생성하기 위해 우리는 고객() Chroma DB의 객체. 이제 메모리 내 데이터베이스를 생성하기 위해 다음 매개변수로 클라이언트를 구성합니다.
- chroma_db_impl = "duckdb+마루"
- 지속_디렉토리 = "/콘텐츠/"
이렇게 하면 쪽모이 세공 파일 형식으로 메모리 내 DuckDB 데이터베이스가 생성됩니다. 그리고 이 데이터가 저장될 디렉토리를 제공합니다. 여기서 우리는 /content/ 폴더에 데이터베이스를 저장하고 있습니다. 따라서 이 구성으로 Chroma DB 클라이언트에 연결할 때마다 Chroma DB는 제공된 디렉터리에서 기존 데이터베이스를 찾아 로드합니다. 존재하지 않으면 생성합니다. 연결을 종료하면 데이터가 이 디렉토리에 저장됩니다.
이제 컬렉션을 만들겠습니다. Vector Store의 Collection은 벡터 임베딩, 문서 및 메타데이터(있는 경우) 세트를 저장하는 곳입니다. 벡터 데이터베이스의 컬렉션은 관계형 데이터베이스의 테이블로 생각할 수 있습니다.
컬렉션 생성 및 문서 추가
이제 컬렉션을 만들고 여기에 문서를 추가합니다.
collection = client.create_collection("my_information") collection.add( documents=["This is a document containing car information", "This is a document containing information about dogs", "This document contains four wheeler catalogue"], metadatas=[{"source": "Car Book"},{"source": "Dog Book"},{'source':'Vechile Info'}], ids=["id1", "id2", "id3"]
)
- 여기서는 먼저 컬렉션을 만드는 것으로 시작합니다. 여기에서 컬렉션의 이름을 "내 정보".
- 이 컬렉션에 문서를 추가할 예정입니다. 여기서 우리는 3개의 문서를 추가하고 있습니다. 우리의 경우에는 XNUMX개의 문서로 XNUMX개의 문장을 추가하고 있습니다. 첫 번째 문서는 자동차에 관한 것이고, 두 번째 문서는 개에 관한 것이고, 마지막 문서는 사륜차에 관한 것입니다.
- 메타데이터도 추가하고 있습니다. 세 문서 모두에 대한 메타데이터가 제공됩니다.
- 모든 문서에는 고유한 ID가 있어야 하므로 id1, id2 및 id3을 부여합니다.
- 이 모든 것은 변수와 같습니다. 더하다() 컬렉션의 기능
- 코드를 실행한 후 이 문서를 컬렉션에 추가합니다.내 정보"
벡터 데이터베이스
벡터 데이터베이스에 저장된 정보는 벡터 임베딩의 형태라는 것을 배웠습니다. 그러나 여기에서는 텍스트/텍스트 파일, 즉 문서를 제공했습니다. 어떻게 저장합니까? 기본적으로 Chroma DB는 모든-MiniLM-L6-v2 우리를 위해 임베딩을 생성하는 벡터 임베딩 모델. 이 모델은 문서를 가져와 벡터 임베딩으로 변환합니다. HuggingFace 또는 OpenAI 임베딩 모델의 다른 문장 변환기 모델과 같은 특정 임베딩 기능으로 작업하려면 다음에서 지정할 수 있습니다. embeddings_function=임베딩_함수_이름 의 변수 이름 create_collection() 방법.
또한 문서를 Vector Store에 전달하는 대신 임베딩을 Vector Store에 직접 제공할 수도 있습니다. 의 문서 매개변수와 마찬가지로 생성 컬렉션, 우리는 임베딩 벡터 데이터베이스에 저장하려는 임베딩을 전달하는 매개변수입니다.
이제 모델은 벡터 저장소에 벡터 포함 형식으로 세 개의 문서를 성공적으로 저장했습니다. 이제 관련 문서를 검색하는 방법을 살펴보겠습니다. 쿼리를 전달하고 관련 문서를 가져옵니다. 이에 해당하는 코드는
results = collection.query( query_texts=["Car"], n_results=2
) print(results)
벡터 저장소 쿼리
- 벡터 저장소를 쿼리하기 위해 우리는 질문() 컬렉션에서 제공하는 기능으로 벡터 데이터베이스에서 관련 문서를 쿼리할 수 있습니다. 이 함수에서는 두 개의 매개변수를 제공합니다.
- 쿼리_텍스트 – 이 매개변수에 관련 문서를 추출해야 하는 쿼리 목록을 제공합니다.
- n_결과 – 이 매개변수는 데이터베이스가 반환해야 하는 상위 결과 수를 지정합니다. 우리의 경우 컬렉션에서 쿼리와 관련된 가장 관련성이 높은 문서 2개를 반환하기를 원합니다.
- 결과를 실행하고 인쇄하면 다음과 같은 결과가 나타납니다.
벡터 저장소가 다음과 관련된 두 개의 문서를 반환하는 것을 볼 수 있습니다. id1 및 id3. 그만큼 id1 자동차에 관한 문서와 id3 는 다시 자동차와 관련된 문서량 사륜차입니다. 그래서 우리가 질문, Chrom DB는 처음에 제공한 임베딩 모델을 사용하여 쿼리를 벡터 임베딩으로 변환합니다. 그런 다음 이 벡터 임베딩은 사용 가능한 모든 문서에 대해 의미론적 검색(유사한 최근접 이웃)을 수행합니다. 여기서 쿼리 "자동차”는 id1 및 id3 문서와 가장 관련이 있으므로 쿼리에 대해 다음 결과를 얻습니다.
이는 여러 문서를 포함하는 채팅 응용 프로그램을 구축하려고 할 때 매우 유용합니다. 벡터 저장소를 통해 시맨틱 검색을 수행하고 이러한 문서만 최종 Generative AI 모델에 공급하여 제공된 쿼리에 관련 문서를 가져올 수 있습니다. 그런 다음 관련 문서를 가져와 제공된 쿼리에 대한 응답을 생성합니다.
데이터 업데이트 및 삭제
항상 Vector Store에 모든 정보를 한 번에 추가하지는 않습니다. 대부분의 경우 처음에는 제한된 데이터/문서만 가지고 있으며 Vector Store에 있는 그대로 추가합니다. 나중에 더 많은 데이터를 얻으면 Vector Store에 있는 기존 데이터/벡터 임베딩을 업데이트해야 합니다. Chroma DB에서 데이터를 업데이트하려면 다음을 수행합니다.
collection.update( ids=["id2"], documents=["This is a document containing information about Cats"], metadatas=[{"source": "Cat Book"}],
)
이전에는 관련 문서의 정보가 id2 개에 관한 것이었다. 이제 Cats로 변경합니다. 이 정보가 Vector Store 내에서 업데이트되기 위해 문서의 ID, 업데이트된 문서 및 문서의 업데이트된 메타데이터를 최신 정보() 컬렉션의 기능. 이제 업데이트됩니다. id2 이전에 개에 관한 것이었던 고양이에게.
데이터베이스의 쿼리
results = collection.query( query_texts=["Felines"], n_results=1
) print(results)
Vector Store에 대한 쿼리로 Felines를 전달합니다. 고양이는 Felines라고 불리는 포유류의 가족에 속합니다. 따라서 컬렉션은 Cat 문서를 관련 문서로 당사에 반환해야 합니다. 출력에서 우리는 정확히 같은 것을 볼 수 있습니다. 벡터 저장소는 쿼리와 문서 내용 간의 의미론적 검색을 수행할 수 있었고 제공된 쿼리에 대해 완벽한 문서를 반환할 수 있었습니다.
화난 기능
업데이트 기능과 유사한 기능이 있습니다. 업서트() 기능. 둘의 유일한 차이점은 최신 정보() 및 업서트() 함수는 문서 ID에 지정된 경우 최신 정보() 기능이 존재하지 않으며, 최신 정보() 함수는 오류를 발생시킵니다. 그러나 의 경우 업서트() 기능, 문서 ID가 컬렉션에 없으면 다음과 유사한 컬렉션에 추가됩니다. 더하다() 기능.
경우에 따라 공간을 줄이거나 불필요하거나 원하지 않는 정보를 제거하기 위해 Vector Store의 컬렉션에서 일부 문서를 삭제해야 할 수 있습니다.
collection.delete(ids = ['id1']) results = collection.query( query_texts=["Car"], n_results=2
) print(results)
삭제 기능
컬렉션에서 항목을 삭제하려면 지우다() 기능. 위에서 우리는 관련된 첫 번째 문서를 삭제하고 있습니다. id1 자동차에 관한 것이었습니다. 이제 확인하기 위해 "자동차”를 쿼리로 입력한 다음 결과를 확인합니다. 문서가 2개뿐임을 알 수 있습니다. id2 및 id3 나타나는 곳에서 id2 자동차와 가장 가까운 XNUMX륜 자동차에 대한 문서입니다. id3 자동차와 가장 가까운 고양이에 대한 문서이지만 우리가 지정한 대로 n_결과 = 2 우리는 id3 또한. 변수를 지정하지 않으면 지우다() 기능을 사용하면 해당 컬렉션에서 모든 항목이 삭제됩니다.
수집 기능
새 컬렉션을 만든 다음 여기에 문서 및 임베딩을 추가하는 방법을 살펴보았습니다. 컬렉션, 즉 Vector Store에 저장된 문서에서 쿼리에 대한 관련 정보를 추출하는 방법도 살펴보았습니다. Chroma DB의 컬렉션 개체는 다른 많은 유용한 기능과도 연결되어 있습니다.
Chroma DB에서 제공하는 다른 기능을 살펴보겠습니다.
new_collections = client.create_collection("new_collection") new_collections.add( documents=["This is Python Documentation", "This is a Javascript Documentation", "This document contains Flast API Cheatsheet"], metadatas=[{"source": "Python For Everyone"}, {"source": "JS Docs"}, {'source':'Everything Flask'}], ids=["id1", "id2", "id3"]
) print(new_collections.count())
print(new_collections.get())
카운트 기능
XNUMXD덴탈의 카운트() 컬렉션의 함수는 컬렉션에 있는 항목 수를 반환합니다. 우리의 경우 컬렉션에 3개의 문서가 저장되어 있으므로 출력은 3이 됩니다. 가져 오기() 함수와 함께 컬렉션에 있는 모든 항목을 반환합니다. 메타 데이터, 식별자및 임베딩 만약에 어떠한. 출력에서 컬렉션에 포함된 모든 항목이 가져 오기() 명령. 이제 컬렉션 이름을 수정하는 방법을 살펴보겠습니다.
collection.modify(name="new_collection_name")
수정 기능
사용 수정하다() 컬렉션 생성 시작 시 제공된 컬렉션의 이름을 변경하는 컬렉션의 기능. 실행 시 콜렉션 이름을 처음에 정의된 이전 이름에서 수정하다() 이름 변수 아래의 함수. 이제 Vector Store에 여러 컬렉션이 있다고 가정합니다. 특정 컬렉션에서 작업하는 방법, 즉 Vector Store에서 특정 컬렉션을 가져오는 방법과 특정 컬렉션을 삭제하는 방법은 무엇입니까? 이것을 보자
my_collection = client.get_collection(name="my_information_2") client.delete_collection(name="my_information_2")
컬렉션 가져오기 기능
XNUMXD덴탈의 get_collection() 함수는 제공된 기존 컬렉션을 가져옵니다. name, 벡터 스토어에서. 제공된 컬렉션이 존재하지 않는 경우 함수는 동일한 항목에 대해 오류를 발생시킵니다. 여기서 get_collection() 을 얻으려고 노력할 것입니다. 내_정보_2 수집하여 변수에 할당 내_컬렉션. 기존 컬렉션을 삭제하려면 삭제_수집() 컬렉션 이름을 매개변수로 사용하는 함수(내 정보 이 경우) 그런 다음 존재하는 경우 삭제합니다.
결론
이 가이드에서는 오픈 소스 벡터 데이터베이스 중 하나인 Chroma를 시작하는 방법을 살펴보았습니다. 우리는 처음에 벡터 임베딩이 무엇인지, Generative AI 모델에 벡터 임베딩이 필요한 이유, Vector Store가 이러한 Generative Large Language Model을 지원하는 방법을 배우는 것으로 시작했습니다. 그런 다음 Chroma에 대해 자세히 알아보고 Chroma에서 컬렉션을 만드는 방법을 살펴보았습니다. 그런 다음 문서와 같은 데이터를 Chroma에 추가하는 방법과 Chroma DB가 문서에서 벡터 임베딩을 생성하는 방법을 살펴보았습니다. 마지막으로 Vector Store에 있는 특정 컬렉션에서 주어진 쿼리와 관련된 관련 정보를 검색하는 방법을 살펴보았습니다.
이 가이드의 주요 내용은 다음과 같습니다.
- 벡터 임베딩은 텍스트, 이미지, 오디오 등과 같은 숫자가 아닌 데이터의 숫자 표현(숫자 벡터)입니다.
- 벡터 저장소는 벡터 임베딩을 컬렉션 형태로 저장하는 데 사용되는 데이터베이스입니다.
- 임베딩 데이터에서 정보를 효율적으로 저장하고 검색합니다.
- Chroma DB는 메모리 내 데이터베이스와 백엔드로 작동할 수 있습니다.
- Chroma DB에는 종료 시 데이터를 저장하고 연결을 시작할 때 데이터를 메모리에 로드하여 데이터를 지속시키는 기능이 있습니다.
- Vector Stores를 사용하면 문서에서 정보를 추출하고 추천을 생성하며 챗봇 애플리케이션을 구축하는 것이 훨씬 더 간단해집니다.
자주 묻는 질문
A. 벡터 데이터베이스는 벡터 임베딩이 저장되는 장소입니다. 이들은 벡터 임베딩의 효율적인 검색을 제공하기 때문에 존재합니다. 시맨틱 검색을 통해 데이터베이스에서 쿼리에 대한 관련 정보를 추출하는 데 사용됩니다.
A. 벡터 임베딩은 일반적으로 숫자 벡터로 n차원 공간의 숫자 형식으로 텍스트/이미지/오디오/비디오를 표현한 것입니다. 이것은 컴퓨터가 텍스트나 이미지 또는 기타 숫자가 아닌 데이터를 기본적으로 이해하지 못하기 때문에 수행됩니다. 따라서 이러한 임베딩을 통해 데이터가 숫자 형식으로 표시되기 때문에 데이터를 잘 이해할 수 있습니다.
A. 임베딩 모델은 텍스트/이미지와 같은 비숫자 데이터를 벡터 임베딩인 숫자 형식으로 변환하는 모델입니다. 기본적으로 Chroma DB는 모든 MiniLM-L6-v2 모델을 사용하여 임베딩을 생성합니다. 이러한 모델 외에도 Google의 Word2Vec, OpenAI Embedding 모델, HuggingFace의 다른 Sentence Transformers 등과 같은 다른 많은 모델이 있습니다.
A. 이러한 Vector Store는 Generative AI 모델과 관련된 거의 모든 분야에서 응용 프로그램을 찾습니다. 문서에서 정보 추출, 주어진 프롬프트에서 이미지 생성, 추천 시스템 구축, 관련 데이터 클러스터링 등.
이 기사에 표시된 미디어는 Analytics Vidhya의 소유가 아니며 작성자의 재량에 따라 사용됩니다.
관련
- SEO 기반 콘텐츠 및 PR 배포. 오늘 증폭하십시오.
- PlatoData.Network 수직 생성 Ai. 자신에게 권한을 부여하십시오. 여기에서 액세스하십시오.
- PlatoAiStream. 웹3 인텔리전스. 지식 증폭. 여기에서 액세스하십시오.
- 플라톤ESG. 자동차 / EV, 탄소, 클린테크, 에너지, 환경, 태양광, 폐기물 관리. 여기에서 액세스하십시오.
- BlockOffsets. 환경 오프셋 소유권 현대화. 여기에서 액세스하십시오.
- 출처: https://www.analyticsvidhya.com/blog/2023/07/guide-to-chroma-db-a-vector-store-for-your-generative-ai-llms/
- :있다
- :이다
- :아니
- :어디
- 11
- 13
- 14
- 9
- a
- 할 수 있는
- 소개
- 위의
- ACCESS
- 액세스
- 더하다
- 추가
- 첨가
- 다시
- AI
- 연산
- 알고리즘
- All
- 수
- 따라
- 또한
- 항상
- 양
- 금액
- an
- 분석
- 분석 Vidhya
- 및
- 이상 감지
- 답변
- 어떤
- 분리
- API를
- 표시
- 어플리케이션
- 어플리케이션
- 접근
- 있군요
- 약
- 기사
- AS
- 질문
- 관련
- At
- 오디오
- 가능
- 백엔드
- 기지
- 기반으로
- BE
- 때문에
- 가
- 된다
- 사이에
- 블로거톤
- 책
- 두
- 빌드
- 건물
- 비자 면제 프로그램에 해당하는 국가의 시민권을 가지고 있지만
- by
- 라는
- CAN
- 자동차
- 자동차
- 케이스
- 가지 경우
- CAT
- 고양이
- 이전 단계로 돌아가기
- 변화
- 채팅 봇
- 잡담
- 검사
- 클라이언트
- 닫기
- 클러스터
- 클러스터링
- 암호
- 수집
- 컬렉션
- 왔다
- 오는
- 커뮤니티
- 회사
- 비교
- 컴퓨터
- 컴퓨터
- 개념
- 구성
- 연결하기
- 연결
- 고려
- 이 포함되어 있습니다
- 함유량
- 내용
- 변하게 하다
- 변환
- 변환
- 동
- 만들
- 생성
- 만들기
- 창조
- 데이터
- 데이터베이스
- 데이터베이스
- 취급
- 태만
- 한정된
- 설계
- Detection System
- 개발
- 개발자
- 다르다
- 차이
- 다른
- 직접
- 신중
- 논의 된
- do
- 문서
- 선적 서류 비치
- 서류
- 하지
- 하지 않습니다
- 개
- 개
- 한
- 다운로드
- e
- 쉽게
- 효율적인
- 임베딩
- 들어갑니다
- 오류
- 등
- 조차
- 사람
- 모두
- 정확하게
- 예
- 있다
- 현존하는
- 존재
- 기대
- 추출물
- 데이터 추출
- 가족
- FAST
- 먹이
- 입양 부모로서의 귀하의 적합성을 결정하기 위해 미국 이민국에
- 파일
- 최후의
- 최종적으로
- Find
- 먼저,
- 첫째로
- 초점
- 수행원
- 럭셔리
- 형태
- 체재
- 사
- 무료
- 에
- 기능
- 기능성
- 기능
- 기능
- 미래
- 했다
- 생성
- 생성
- 생성적인
- 제너레이티브 AI
- 얻을
- 주기
- 주어진
- 제공
- 기부
- 좋은
- 구글
- 안내
- 있다
- 데
- 도움
- 도움이
- 금후
- 여기에서 지금 확인해 보세요.
- 호스팅
- 방법
- How To
- HTTPS
- 포옹 얼굴
- i
- ID
- 식별자
- if
- 형상
- import
- 개량
- in
- 포함
- 포함
- 통합
- 정보
- 정보
- 처음에는
- 시작하다
- 입력
- 입력
- 설치
- 를 받아야 하는 미국 여행자
- 으로
- 개요
- 포함
- 발행물
- IT
- 항목
- 그
- 자바 스크립트
- 다만
- 키
- 종류
- 왕
- 언어
- 넓은
- 후에
- 배운
- 배우기
- 가장 작은
- 수
- 이점
- 도서관
- 처럼
- 제한된
- 명부
- 하중
- 지방의
- 장소 상에서
- 보기
- 보고
- 확인
- 유튜브 영상을 만드는 것은
- 구축
- 태도
- .
- 미디어
- 메모리
- 메타 데이터
- 방법
- 수도
- 모델
- 모델
- 수정
- 배우기
- 가장
- 많은
- 여러
- 절대로 필요한 것
- name
- 가까운
- 필요한
- 필요
- 요구
- 이웃
- 신제품
- 지금
- 번호
- 숫자
- 대상
- 획득
- of
- 오프
- 제공
- 낡은
- on
- 일단
- ONE
- 사람
- 만
- 열 수
- 오픈 소스
- OpenAI
- 행정부
- or
- 기타
- 우리의
- 아웃
- 출력
- 전체
- 소유
- 꾸러미
- 종려 나무
- 매개 변수
- 부품
- 특별한
- 부품
- 패스
- 합격
- 통과
- 완전한
- 수행
- 실행할 수 있는
- 수행하다
- 장소
- 계획
- 플라톤
- 플라톤 데이터 인텔리전스
- 플라토데이터
- 연극
- 포인트 적립
- 전철기
- 인기 문서
- 정확한
- 제시
- 제시
- 이전에
- 왕자
- 인쇄
- 프로젝트
- 증명
- 제공
- 제공
- 제공
- 출판
- Python
- 쿼리
- 문제
- 빠른
- 모집
- 추천
- 추천
- 감소
- 관련
- 관련된
- 제거
- 댓글
- 대표
- 대표되는
- 대표
- 그
- 응답
- 결과
- 결과
- return
- 반품
- 달리기
- 달리는
- 같은
- 찜하기
- 절약
- 과학
- 검색
- 둘째
- 섹션
- 참조
- 본
- 문장
- 서비스
- 서비스
- 세트
- 설정
- 짧은
- 영상을
- 표시
- 비슷한
- 유사성
- 비슷하게
- 단순, 간단, 편리
- 숙련 된
- So
- 소프트웨어
- 일부
- 출처
- 스페이스 버튼
- 구체적인
- 구체적으로
- 지정
- 스타트
- 시작
- 저장
- 저장
- 데이터 저장
- 저장
- 상점
- 성공적으로
- 이러한
- SUPPORT
- 체계
- 시스템은
- 테이블
- 받아
- 테이크 아웃
- 소요
- 이야기
- 작업
- 그
- XNUMXD덴탈의
- 정보
- 세계
- 그들의
- 그들
- 그때
- 그곳에.
- Bowman의
- 그들
- 맡은 일
- 이
- 그래도?
- 생각
- 세
- 을 통하여
- 그러므로
- 시간
- 시간이 많이 걸리는
- 에
- 함께
- 상단
- 전통적인
- 훈련 된
- 변압기
- 거대한
- 시도
- 회전
- 두
- 일반적으로
- 아래에
- 이해
- 유일한
- 불필요한
- 업데이트
- 업데이트
- 업데이트
- ...에
- us
- 사용
- 익숙한
- 사용자
- 사용
- 보통
- 변수
- 대단히
- 동영상
- 필요
- 였다
- 방법..
- 방법
- we
- 웹
- 잘
- 뭐
- 언제
- 때마다
- 어느
- 모든
- why
- 크게
- 의지
- 과
- 이내
- 워드
- 말
- 작업
- 세계
- 당신
- 너의
- 제퍼 넷