아마존 오픈서치 서비스 는 어휘 및 의미 검색을 오랫동안 지지해 왔으며, 이는 k-최근접 이웃(k-NN) 플러그인. OpenSearch 서비스를 벡터 데이터베이스로 사용하면 어휘 검색과 벡터 검색의 장점을 완벽하게 결합할 수 있습니다. 소개 신경 검색 OpenSearch Service 2.9의 기능은 인공 지능(AI) 및 기계 학습(ML) 모델과의 통합을 더욱 단순화하여 의미 체계 검색 구현을 촉진합니다.
TF/IDF 또는 BM25를 사용한 어휘 검색은 수십 년 동안 검색 시스템의 주력 제품이었습니다. 이러한 전통적인 어휘 검색 알고리즘은 사용자 쿼리를 문서에 있는 정확한 단어나 구문과 일치시킵니다. 어휘 검색은 정확한 일치에 더 적합하고, 짧은 대기 시간을 제공하며, 결과에 대한 우수한 해석성을 제공하고 도메인 전반에 걸쳐 잘 일반화됩니다. 그러나 이러한 접근 방식은 단어의 문맥이나 의미를 고려하지 않아 관련 없는 결과를 초래할 수 있습니다.
지난 몇 년 동안 벡터 임베딩을 기반으로 한 의미론적 검색 방법이 검색을 향상시키기 위해 점점 더 대중화되었습니다. 의미론적 검색을 사용하면 상황에 맞는 검색이 가능해지며 사용자 쿼리의 자연어 질문을 이해할 수 있습니다. 그러나 벡터 임베딩을 기반으로 하는 의미 검색에는 관련 도메인(예: 의료 또는 소매)에 대한 ML 모델의 미세 조정이 필요하며 기본 어휘 검색에 비해 더 많은 메모리 리소스가 필요합니다.
어휘 검색과 의미 검색은 모두 고유한 장점과 약점을 가지고 있습니다. 어휘 검색과 벡터 검색을 결합하면 하이브리드 모델에서 최고의 기능을 사용하여 검색 결과의 품질이 향상됩니다. OpenSearch Service 2.11은 이제 기본적으로 지원됩니다. 하이브리드 쿼리 어휘 검색과 의미 검색을 결합한 하이브리드 검색 모델을 쉽게 구현할 수 있는 기능입니다.
이 게시물에서는 하이브리드 검색의 내부 구조와 OpenSearch 서비스를 사용하여 하이브리드 검색 솔루션을 구축하는 방법을 설명합니다. 우리는 어휘, 의미 및 하이브리드 검색을 탐색하고 비교하기 위해 샘플 쿼리를 실험합니다. 이 게시물에 사용된 모든 코드는 다음에서 공개적으로 사용 가능합니다. GitHub 저장소.
OpenSearch 서비스를 사용한 하이브리드 검색
일반적으로 어휘 검색과 의미 검색을 결합하는 하이브리드 검색에는 다음 단계가 포함됩니다.
- 복합 검색 쿼리 절을 사용하여 의미 및 어휘 검색을 실행합니다.
- 각 쿼리 유형은 다양한 척도로 점수를 제공합니다. 예를 들어 Lucene 어휘 검색 쿼리는 1에서 무한대 사이의 점수를 반환합니다. 반면, Faiss 엔진을 사용하는 의미론적 쿼리는 0에서 1 사이의 점수를 반환합니다. 따라서 점수를 합치기 전에 각 쿼리 유형에서 나오는 점수를 동일한 척도에 배치하기 위해 정규화해야 합니다. 분산 검색 엔진에서 이러한 정규화는 샤드나 노드 수준이 아닌 글로벌 수준에서 이루어져야 합니다.
- 점수가 모두 동일한 척도에 있게 되면 모든 문서에 대해 점수가 결합됩니다.
- 새로운 통합 점수를 기반으로 문서를 재정렬하고 쿼리에 대한 응답으로 문서를 렌더링합니다.
OpenSearch Service 2.11 이전에 검색 실무자는 다음을 사용해야 합니다. 복합 쿼리 유형 어휘 및 의미 검색 쿼리를 결합합니다. 그러나 이 접근 방식은 2단계에서 언급한 점수의 전역 정규화 문제를 해결하지 못합니다.
OpenSearch 서비스 2.11에는 다음 지원이 추가되었습니다. 하이브리드 쿼리 를 도입하여 점수 정규화 프로세서 검색 파이프라인. 검색 파이프라인은 OpenSearch Service 도메인 외부에서 점수 결과 및 조합의 정규화를 구축하는 번거로움을 덜어줍니다. 검색 파이프라인은 OpenSearch Service 도메인 내에서 실행되며 세 가지 유형의 프로세서를 지원합니다. 검색 요청 프로세서, 검색 응답 프로세서및 검색 단계 결과 프로세서.
하이브리드 검색에서는 검색 단계 결과 프로세서 코디네이터 노드(글로벌) 수준에서 쿼리 단계와 가져오기 단계 사이에서 실행됩니다. 다음 다이어그램은 이 워크플로를 보여줍니다.
OpenSearch Service의 하이브리드 검색 워크플로에는 다음 단계가 포함됩니다.
- 쿼리 단계 – 검색 요청의 첫 번째 단계는 쿼리 단계입니다. 여기서 인덱스의 각 샤드는 검색 쿼리를 로컬로 실행하고 각 문서에 대한 관련성 점수와 검색 요청과 일치하는 문서 ID를 반환합니다.
- 점수 정규화 및 조합 – 검색 단계 결과 프로세서는 쿼리 단계와 가져오기 단계 사이에서 실행됩니다. 그것은 정규화 프로세서 BM25 및 KNN 하위 쿼리의 채점 결과를 정규화합니다. 검색 프로세서는 다음을 지원합니다. 최소 최대 및 L2-유클리드 거리 정규화 방법. 프로세서는 모든 점수를 결합하고 순위가 매겨진 문서 ID의 최종 목록을 컴파일한 후 가져오기 단계로 전달합니다. 프로세서가 지원합니다. 산술_평균, 기하학_평균및 고조파_평균 점수를 합산합니다.
- 가져오기 단계 – 마지막 단계는 가져오기 단계로, 코디네이터 노드가 최종 순위 목록과 일치하는 문서를 검색하고 검색 쿼리 결과를 반환합니다.
솔루션 개요
이 게시물에서는 OpenSearch Service에서 제공하는 하이브리드 검색 시스템을 사용하여 소매 공간의 샘플 이미지 데이터 세트를 검색할 수 있는 웹 애플리케이션을 구축합니다. 웹 애플리케이션이 소매점이고 소비자로서 여성 신발을 검색하기 위해 쿼리를 실행해야 한다고 가정해 보겠습니다.
하이브리드 검색의 경우 데이터 세트에 있는 이미지의 텍스트 캡션에 대해 어휘 및 의미 검색 쿼리를 결합합니다. 다음 그림은 종단 간 검색 애플리케이션의 상위 수준 아키텍처를 보여줍니다.
워크 플로에는 다음 단계가 포함됩니다.
- 당신은 아마존 세이지 메이커 수첩 다음에서 이미지 캡션과 이미지 URL을 색인화합니다. Amazon Berkeley 객체 데이터 세트 에 저장 아마존 단순 스토리지 서비스 (Amazon S3)을 사용하여 OpenSearch 서비스에 OpenSearch 수집 파이프라인. 이 데이터 세트는 다국어 메타데이터와 147,702개의 고유 카탈로그 이미지가 포함된 398,212개의 제품 목록 모음입니다. 항목 이미지와 항목 이름은 미국 영어로만 사용하세요. 데모 목적으로 약 1,600개의 제품을 사용합니다.
- OpenSearch 서비스는 SageMaker에 호스팅된 임베딩 모델을 호출하여 이미지 캡션에 대한 벡터 임베딩을 생성합니다. 당신은 GPT-J-6B 4,096개의 차원 벡터를 생성하는 변형 임베딩 모델.
- 이제 다음에서 호스팅되는 웹 애플리케이션에 검색어를 입력할 수 있습니다. 아마존 엘라스틱 컴퓨트 클라우드 (Amazon EC2) 인스턴스(c5.large). 애플리케이션 클라이언트는 OpenSearch Service에서 하이브리드 쿼리를 트리거합니다.
- OpenSearch 서비스는 SageMaker 임베딩 모델을 호출하여 검색 쿼리에 대한 벡터 임베딩을 생성합니다.
- OpenSearch 서비스는 하이브리드 쿼리를 실행하고 문서에 대한 의미 체계 검색과 어휘 검색 점수를 결합한 다음 검색 결과를 EC2 애플리케이션 클라이언트로 다시 보냅니다.
1, 2, 4, 5단계를 더 자세히 살펴보겠습니다.
1단계: OpenSearch에 데이터 수집
1단계에서는 다음을 사용하여 OpenSearch 서비스에서 수집 파이프라인을 생성합니다. 텍스트 삽입 이미지 캡션에 대한 벡터 임베딩을 생성하는 프로세서입니다.
정의한 후 k-NN 지수 수집 파이프라인을 사용하면 대량 인덱스 작업을 실행하여 데이터를 k-NN 인덱스에 저장합니다. 이 솔루션에서는 캡션 포함에 대한 필드 유형이 다음과 같은 이미지 URL, 텍스트 캡션 및 캡션 포함만 인덱싱합니다. k-NN 벡터.
2단계 및 4단계: OpenSearch 서비스가 SageMaker 임베딩 모델을 호출합니다.
이 단계에서 OpenSearch 서비스는 SageMaker ML 커넥터를 사용하여 이미지 캡션 및 쿼리에 대한 임베딩을 생성합니다. 이전 아키텍처 다이어그램의 파란색 상자는 OpenSearch 서비스와 SageMaker의 통합을 나타냅니다. ML 커넥터 오픈서치의 특징. 이 기능은 OpenSearch Service 버전 2.9부터 제공됩니다. 이를 통해 SageMaker와 같은 다른 ML 서비스와의 통합을 생성할 수 있습니다.
5단계: OpenSearch 서비스가 하이브리드 검색 쿼리를 실행합니다.
OpenSearch 서비스는 검색 단계 결과 프로세서 하이브리드 검색을 수행합니다. 하이브리드 채점의 경우 OpenSearch 서비스는 다음에 설정된 정규화, 조합 및 가중치 구성 설정을 사용합니다. 정규화 프로세서 의 검색 파이프라인.
사전 조건
솔루션을 배포하기 전에 다음 필수 구성 요소가 있는지 확인하세요.
AWS 계정에 하이브리드 검색 애플리케이션 배포
리소스를 배포하려면 제공된 AWS 클라우드 포메이션 주형. 지원되는 AWS 리전은 us-east-1, us-west-2 및 eu-west-1입니다. 스택을 시작하려면 다음 단계를 완료하십시오.
- AWS CloudFormation 콘솔에서 새 스택을 생성합니다.
- 럭셔리 템플릿 소스, 고르다 아마존 S3 URL.
- 럭셔리 아마존 S3 URL, 경로를 입력하세요. 하이브리드 검색 배포용 템플릿.
- 왼쪽 메뉴에서 다음 보기.
- 스택 이름 지정
hybridsearch
. - 나머지 설정을 기본값으로 유지하고 다음을 선택합니다. 문의하기.
- 템플릿 스택을 배포하는 데 15분이 소요됩니다. 완료되면 스택 상태가 다음과 같이 표시됩니다. CREATE_COMPLETE.
- 스택이 완료되면 스택으로 이동합니다. 출력 탭.
- 선택
SagemakerNotebookURL
별도의 탭에서 SageMaker 노트북을 열 수 있는 링크입니다. - SageMaker 노트북에서 다음으로 이동합니다.
AI-search-with-amazon-opensearch-service
/opensearch-hybridsearch
디렉토리 및 열기HybridSearch.ipynb
. - 노트북에 커널을 설정하라는 메시지가 표시되면 다음을 선택합니다.
conda_pytorch_p310
드롭다운 메뉴에서 커널을 선택한 다음 커널 설정. - 노트북은 다음 스크린샷과 같아야 합니다.
이제 노트북을 사용할 준비가 되었으므로 노트북의 단계별 지침을 따르세요. 이러한 단계를 통해 OpenSearch SageMaker ML 커넥터와 k-NN 인덱스를 생성하고, 데이터 세트를 OpenSearch Service 도메인으로 수집하고, Amazon EC2에서 웹 검색 애플리케이션을 호스팅합니다.
웹 애플리케이션을 사용하여 하이브리드 검색 실행
이제 웹 애플리케이션이 귀하의 계정에 배포되었으며 SageMaker 노트북 끝에 생성된 URL을 사용하여 애플리케이션에 액세스할 수 있습니다.
생성된 URL을 복사하고 브라우저에 입력하여 애플리케이션을 실행하세요.
하이브리드 검색을 실행하려면 다음 단계를 완료하세요.
- 검색창을 사용하여 검색어를 입력하세요.
- 드롭다운 메뉴를 사용하여 검색 유형을 선택합니다. 사용 가능한 옵션은 다음과 같습니다. 키워드 검색, 벡터 검색및 하이브리드 검색.
- 왼쪽 메뉴에서 GO 쿼리 결과를 렌더링하거나 새 설정에 따라 결과를 다시 생성합니다.
- 왼쪽 창을 사용하여 하이브리드 검색 구성을 조정합니다.
하이브리드 검색 실험
이 게시물에서는 각 검색 유형의 출력 간의 차이점을 이해하기 위해 4가지 실험을 실행합니다.
이 소매점의 고객으로서 여성 신발을 찾고 있는데 어떤 스타일의 신발을 구매하고 싶은지 아직 모릅니다. 당신은 소매점이 다음 매개변수에 따라 결정하는 데 도움을 줄 수 있을 것으로 기대합니다.
- 귀하가 검색하는 것의 주요 속성에서 벗어나지 마십시오.
- 다양한 옵션과 스타일을 제공하여 선호하는 스타일을 이해하고 하나를 선택하는 데 도움을 줍니다.
첫 번째 단계로 검색어 “여성 신발”을 입력하고 선택하세요. 5 출력할 문서 수입니다.
다음으로, 다음 실험을 실행하고 각 검색 유형에 대한 관찰을 검토합니다.
실험 1: 어휘 검색
어휘 검색의 경우 다음을 선택하십시오. 키워드 검색 검색 유형으로 선택한 다음 GO.
키워드 검색은 어휘 쿼리를 실행하여 쿼리와 이미지 캡션 사이에 동일한 단어를 찾습니다. 처음 4개의 결과에서 2개는 '여성', '신발'과 같은 일반적인 단어로 식별되는 여성용 보트 스타일 신발입니다. 나머지 두 개는 '신발'이라는 공통 용어로 연결된 남성용 신발입니다. 마지막 결과는 '샌들' 스타일이며, '신발'이라는 일반적인 용어를 기준으로 식별됩니다.
이 실험에서 키워드 검색은 5개 중 3개의 관련성 있는 결과를 제공했습니다. 즉, 여성 전용 신발을 구매하려는 사용자의 의도를 완전히 포착하지는 못했습니다.
실험 2: 의미 검색
의미론적 검색의 경우 다음을 선택합니다. 시맨틱 검색 검색 유형으로 선택한 다음 GO.
의미 검색 결과는 모두 "부츠"라는 하나의 특정한 신발 스타일에 속한다는 결과가 나왔습니다. "부츠"라는 용어가 검색 쿼리의 일부가 아니더라도 의미론적 검색에서는 "신발"과 "부츠"라는 용어가 벡터 공간에서 가장 가까운 이웃으로 발견되므로 유사하다는 것을 이해합니다.
이 실험에서는 사용자가 부츠와 같은 특정 신발 스타일을 언급하지 않은 경우 결과는 사용자의 선택을 단일 스타일로 제한했습니다. 이로 인해 사용자가 다양한 스타일을 탐색하고 선호하는 신발 스타일에 대해 더 많은 정보를 바탕으로 구매 결정을 내리는 데 방해가 되었습니다.
이 사용 사례에서 하이브리드 검색이 어떻게 도움이 될 수 있는지 살펴보겠습니다.
실험 3: 하이브리드 검색
왼쪽 메뉴에서 하이브리드 검색 검색 유형으로 선택한 다음 GO.
이 예에서 하이브리드 검색은 어휘 검색 쿼리와 의미 검색 쿼리를 모두 사용합니다. 결과에는 두 개의 "보트 슈즈"와 세 개의 "부츠"가 표시되는데, 이는 어휘 및 의미 검색 결과가 혼합된 결과를 반영합니다.
상위 2개 결과에서는 '보트 슈즈'가 사용자의 검색어와 직접적으로 일치했으며 어휘 검색을 통해 얻은 결과였습니다. 하위 항목에서는 의미 검색을 통해 '부츠'가 식별되었습니다.
이 실험에서 하이브리드 검색은 어휘 검색과 의미 검색에 동일한 가중치를 부여하여 사용자가 찾고 있는 것(신발)을 빠르게 찾는 동시에 고려할 추가 스타일(부츠)을 제시할 수 있었습니다.
실험 4: 하이브리드 검색 구성 세부 조정
본 실험에서는 벡터 하위 쿼리의 가중치를 0.8로 설정했는데, 이는 키워드 검색 쿼리의 가중치가 0.2임을 의미합니다. 정규화 및 점수 조합 설정을 기본값으로 유지합니다. 그런 다음 선택 GO 이전 쿼리에 대한 새 결과를 생성합니다.
의미 검색 하위 질의에 더 많은 가중치를 부여하면 의미 검색 질의 결과에서 더 높은 점수를 얻을 수 있었습니다. 5개의 여성용 부츠 이미지를 대상으로 두 번째 실험의 시맨틱 검색 결과와 유사한 결과를 확인할 수 있습니다.
조합 및 정규화 기술을 조정하여 하이브리드 검색 결과를 더욱 세부적으로 조정할 수 있습니다.
안에 기준 OpenSearch 팀은 다음과 같이 공개적으로 사용 가능한 데이터 세트를 사용하여 수행했습니다. 베이어 및 아마존 ESCI, 그들은 다음과 같이 결론을 내렸다. min_max
정규화 기술과 결합 arithmetic_mean
점수 조합 기법은 하이브리드 검색에서 최상의 결과를 제공합니다.
비즈니스 요구 사항에 가장 적합한 것을 선택하려면 다양한 미세 조정 옵션을 철저히 테스트해야 합니다.
전반적인 관찰
이전의 모든 실험을 통해 세 번째 실험의 하이브리드 검색에는 정확한 일치 항목과 선택할 수 있는 추가 스타일을 제공한다는 측면에서 사용자에게 관련성이 있어 보이는 결과의 조합이 있었다는 결론을 내릴 수 있습니다. 하이브리드 검색은 소매점 고객의 기대와 일치합니다.
정리
지속적인 AWS 사용 요금이 발생하지 않도록 하려면 이 게시물의 일부로 생성한 모든 리소스를 삭제하십시오.
리소스를 정리하려면 CloudFormation 스택을 삭제하기 전에 애플리케이션 내에서 생성한 S3 버킷을 삭제해야 합니다.
OpenSearch 서비스 통합
이 게시물에서는 CloudFormation 템플릿을 배포하여 SageMaker 엔드포인트에서 ML 모델을 호스팅하고 새 OpenSearch 서비스 도메인을 가동한 다음 SageMaker 노트북을 사용하여 SageMaker-ML 커넥터를 생성하고 OpenSearch에서 ML 모델을 배포하는 단계를 실행했습니다. 서비스.
다음에서 미리 만들어진 CloudFormation 템플릿을 사용하여 기존 OpenSearch Service 도메인에 대해 동일한 설정을 달성할 수 있습니다. OpenSearch 서비스 콘솔 통합. 이러한 템플릿은 OpenSearch Service에서 SageMaker 모델 배포 및 SageMaker ML 커넥터 생성 단계를 자동화합니다.
결론
이 게시물에서는 웹 애플리케이션을 사용하여 OpenSearch 서비스로 하이브리드 검색을 실행하는 완벽한 솔루션을 제공했습니다. 게시물의 실험에서는 하이브리드 검색에서 어휘 검색과 의미 검색의 기능을 결합하여 소매 사용 사례에 대해 최종 사용자의 검색 환경을 개선할 수 있는 방법에 대한 예를 제공했습니다.
또한 원격 ML 커넥터, 수집 파이프라인, 검색 파이프라인과 같은 의미 체계 검색 사용 사례를 쉽게 구축할 수 있도록 OpenSearch Service 버전 2.9 및 2.11에서 사용할 수 있는 새로운 기능에 대해서도 설명했습니다. 또한 검색 파이프라인의 새로운 점수 정규화 프로세서를 사용하면 여러 검색 점수를 결합하기 전에 OpenSearch Service 도메인 내에서 점수의 글로벌 정규화를 쉽게 설정할 수 있는 방법을 보여 주었습니다.
전단지에 포함된 링크에 대해 더 알아보기 OpenSearch를 사용한 ML 기반 검색 이 게시물의 지침을 사용하여 자신의 환경에서 하이브리드 검색을 설정하세요. 솔루션 코드는 다음 사이트에서도 확인할 수 있습니다. GitHub 레포.
저자에 관하여
하예르 부아피프 Amazon Web Services의 분석 전문가 솔루션 설계자입니다. 그녀는 Amazon OpenSearch Service에 중점을 두고 고객이 다양한 산업 분야에서 잘 설계된 분석 워크로드를 설계하고 구축하도록 돕습니다. Hajer는 야외에서 시간을 보내고 새로운 문화를 발견하는 것을 즐깁니다.
프라빈 모한 프라사드 Amazon Web Services의 분석 전문가 기술 계정 관리자이며 분석 워크로드에 대한 사전 운영 검토를 통해 고객을 돕습니다. Praveen은 검색 관련성을 높이기 위해 기계 학습을 적용하는 방법을 적극적으로 연구합니다.
- 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. 탄소, 클린테크, 에너지, 환경, 태양광, 폐기물 관리. 여기에서 액세스하십시오.
- PlatoHealth. 생명 공학 및 임상 시험 인텔리전스. 여기에서 액세스하십시오.
- 출처: https://aws.amazon.com/blogs/big-data/hybrid-search-with-amazon-opensearch-service/
- :있다
- :이다
- :아니
- :어디
- $UP
- 1
- 11
- 15%
- 150
- 2%
- 212
- 4
- 5
- 678
- 8
- 9
- a
- 능력
- 할 수 있는
- 소개
- ACCESS
- 에 따르면
- 계정
- 달성
- 가로질러
- 활발히
- 추가
- 또한
- 추가
- 주소
- 맞추다
- 조절하는
- 장점
- 반대
- AI
- 알고리즘
- All
- 수
- 또한
- 아마존
- Amazon EC2
- Amazon Web Services
- an
- 분석
- 및
- 어떤
- 어플리케이션
- 적용
- 접근
- 대략
- 아키텍처
- 있군요
- 인조의
- 인공 지능
- 인공 지능(AI)
- AS
- 관련
- 취하다
- At
- 속성
- 자동화
- 가능
- 피하기
- 인식
- 떨어져
- AWS
- AWS 클라우드 포메이션
- 뒤로
- 바
- 기반으로
- 기본
- BE
- 때문에
- 가
- 된
- 전에
- 버클리
- BEST
- 사이에
- 혼합
- 파란색
- 부츠
- 두
- 보물상자
- 브라우저
- 빌드
- 건물
- 대부분
- 사업
- by
- 통화
- CAN
- 기능
- 자막
- 포착
- 케이스
- 가지 경우
- 목록
- 도전
- 요금
- 검사
- 선택
- 왼쪽 메뉴에서
- 황어 무리
- 클라이언트
- 자세히
- 암호
- 수집
- 결합
- 결합
- 결합 된
- 결합
- 결합
- 오는
- 공통의
- 비교
- 비교
- 완전한
- 완전히
- 완성
- 구성 요소들
- 화합물
- 계산
- 결론
- 결론
- 실시
- 구성
- 커넥터
- 고려
- 콘솔에서
- 소비자
- 이 포함되어 있습니다
- 문맥
- 계속
- 조정자
- 만들
- 만든
- 창조
- 문화
- 고객
- 고객
- 데이터
- 데이터베이스
- 데이터 세트
- 수십 년
- 결정하다
- 결정
- 태만
- 밝히다
- 삭제
- Rescale과 함께 비즈니스를 가속화하는 방법에 대해 알아보세요.
- 배포
- 배포
- 배치
- 전개
- 디자인
- 세부 묘사
- 빗나가게 하다
- 도표
- 차이
- 다른
- 직접
- 예배 규칙서
- 발견
- 분산
- 몇몇의
- 문서
- 서류
- 하지
- 하지 않습니다
- 도메인
- 도메인
- 한
- 말라
- 마다
- 힘들이지 않은
- 임베딩
- 수
- end
- 끝으로 종료
- 종점
- 엔진
- 영어
- 강화
- 엔터 버튼
- 환경
- 같은
- 세우다
- 에테르 (ETH)
- 조차
- 모든
- 정확한
- 예
- 현존하는
- 기대
- 기대
- 경험
- 실험
- 실험
- 설명
- 설명
- 탐험
- 촉진
- 촉진
- 특색
- 특징
- 를
- 들
- 그림
- 최후의
- 마지막 단계
- Find
- 먼저,
- 다섯
- 집중
- 따라
- 수행원
- 럭셔리
- 발견
- 사
- 에
- 추가
- 했다
- 일반
- 생성
- 생성
- 생성
- 지프
- 주어진
- 기부
- 글로벌
- 간다
- 좋은
- 가이드 라인
- 했다
- 손
- 발생
- 있다
- 건강 관리
- 무거운
- 무거운 리프팅
- 도움
- 도움이
- 고수준
- 더 높은
- 주인
- 호스팅
- 방법
- How To
- 그러나
- HTML
- HTTP
- HTTPS
- 잡종
- 하이브리드 모델
- ID
- 확인
- 식별자
- 설명하다
- 영상
- 형상
- 구현
- 이행
- 개선
- 향상
- in
- 더욱 더
- 색인
- 산업
- 무한대
- 정보
- 내부
- 예
- 명령
- 완성
- 통합
- 인텔리전스
- 의지
- 으로
- 소개
- 개요
- 포함
- IT
- 항목
- 그
- JPG
- 유지
- 키워드는
- 알아
- l2
- 언어
- 넓은
- 성
- 숨어 있음
- 시작
- 리드
- 배우기
- 왼쪽 (left)
- 레벨
- 리프팅
- 처럼
- 제한된
- LINK
- 연결
- 명부
- 목록
- 장소 상에서
- 오랫동안 서있는
- 보기
- 같이
- 찾고
- 봐라.
- 낮은
- 기계
- 기계 학습
- 확인
- 제작
- 매니저
- 경기
- 일치하는
- 성냥
- 어울리는
- 의미
- 방법
- 메모리
- 언급
- 말하는
- 메뉴
- 메타 데이터
- 방법
- 분
- ML
- 모델
- 모델
- 배우기
- 가장
- 여러
- 이름
- 자연의
- 자연어
- 이동
- 필요
- 요구
- 이웃
- 신제품
- 새로운 기능
- 노드
- 수첩
- 지금
- 번호
- 사물
- 관찰
- 획득
- of
- 제공
- on
- ONE
- 만
- 열 수
- 조작
- 운영
- 옵션
- or
- 기타
- 아웃
- 결과
- 결과
- 야외에서
- 출력
- 출력
- 외부
- 자신의
- 빵
- 매개 변수
- 부품
- 특별한
- 패스
- 과거
- 통로
- 수행
- 상
- 단계
- 구문
- 관로
- 플라톤
- 플라톤 데이터 인텔리전스
- 플라토데이터
- 인기 문서
- 게시하다
- 힘
- powered
- 선호하는
- 전제 조건
- 제시
- 너무 이른
- 일차
- 프로세서
- 가공업자
- 프로덕트
- 제품
- 프롬프트
- 제공
- 제공
- 공개적으로
- 매수
- 목적
- 놓다
- 품질
- 쿼리
- 질문
- 문의
- 빨리
- 순위
- 차라리
- 준비
- 기성품
- 의미
- 반영
- 지역
- 관련성
- 관련된
- 나머지
- 먼
- 주다
- 의뢰
- 요구조건 니즈
- 필요
- 연구하다
- 제품 자료
- 응답
- 결과
- 결과
- 결과
- 소매
- return
- 반품
- 리뷰
- 리뷰
- 달리기
- 실행
- 현자
- 같은
- 견본
- 규모
- 저울
- 점수
- 점수
- 점수
- 완벽하게
- 검색
- 검색 엔진
- 둘째
- 참조
- 고르다
- 시맨틱
- 전송
- 별도의
- 서비스
- 서비스
- 세트
- 설정
- 설정
- 설치
- 그녀
- 가게
- 영상을
- 표시
- 보여
- 표시
- 비슷한
- 단순, 간단, 편리
- 단순화하다
- 단일
- 슬라이더
- 해결책
- 솔루션
- 스페이스 버튼
- 전문가
- 구체적인
- 지출
- 잡아 늘인
- 스택
- 시작 중
- Status
- 단계
- 단계
- 저장
- 저장
- 저장
- 똑 바른
- 강점
- 스타일
- 스타일
- 이러한
- 적당한
- SUPPORT
- 지원
- 서포터
- 지원
- 확인
- 체계
- 시스템은
- 받아
- 팀
- 테크니컬
- 기술
- 기법
- 이 템플릿
- 템플릿
- 기간
- 조건
- test
- 본문
- 보다
- 그
- XNUMXD덴탈의
- 그들의
- 그들
- 그때
- 따라서
- Bowman의
- 그들
- 제삼
- 이
- 완전히
- 그래도?
- 세
- 을 통하여
- 시간
- 에
- 상단
- 금액
- 전통적인
- 곡조
- 두
- 유형
- 유형
- ui
- 이해
- 이해
- 이해한다
- 유일한
- URL
- us
- 용법
- 사용
- 유스 케이스
- 익숙한
- 사용자
- 사용자
- 사용
- 사용
- 이용
- 변형
- 종류
- 벡터
- 벡터
- 다양한
- 버전
- 였다
- we
- 약점
- 웹
- 웹 응용 프로그램
- 웹 서비스
- 무게를다는
- 무게
- 잘
- 했다
- 뭐
- 언제
- 어느
- 동안
- 위키 백과
- 의지
- 과
- 이내
- 여성 컬렉션
- 말
- 워크플로우
- 겠지
- 얌
- 년
- 아직
- 당신
- 너의
- 제퍼 넷