يمكن لنماذج اللغات الكبيرة (LLMs) بمعرفتها الواسعة إنشاء نص شبيه بالنص البشري في أي موضوع تقريبًا. ومع ذلك، فإن تدريبهم على مجموعات البيانات الضخمة يحد أيضًا من فائدتهم في المهام المتخصصة. وبدون التعلم المستمر، تظل هذه النماذج غافلة عن البيانات والاتجاهات الجديدة التي تظهر بعد تدريبها الأولي. علاوة على ذلك، فإن تكلفة تدريب حاملي شهادة الماجستير في القانون الجدد يمكن أن تكون باهظة بالنسبة للعديد من إعدادات المؤسسات. ومع ذلك، من الممكن إحالة إجابة نموذجية إلى المحتوى المتخصص الأصلي، وبالتالي تجنب الحاجة إلى تدريب نموذج LLM جديد، باستخدام تقنية الاسترجاع المعزز (RAG).
تعمل RAG على تمكين LLMs من خلال منحهم القدرة على استرداد المعرفة الخارجية ودمجها. بدلاً من الاعتماد فقط على معرفتهم المدربة مسبقًا، تسمح RAG للنماذج بسحب البيانات من المستندات وقواعد البيانات والمزيد. يقوم النموذج بعد ذلك بدمج هذه المعلومات الخارجية بمهارة في النص الذي تم إنشاؤه. من خلال الحصول على البيانات ذات الصلة بالسياق، يمكن للنموذج تقديم استجابات مستنيرة وحديثة مصممة خصيصًا لحالة الاستخدام الخاصة بك. كما أن زيادة المعرفة تقلل من احتمالية الهلوسة والنصوص غير الدقيقة أو التي لا معنى لها. مع RAG، تصبح النماذج الأساسية خبراء قابلين للتكيف ويتطورون مع نمو قاعدة معارفك.
اليوم، نحن متحمسون للكشف عن ثلاثة عروض تجريبية للذكاء الاصطناعي، مرخصة بموجب رخصة ميت-0:
- أمازون كندرا مع LLM التأسيسية - يستخدم قدرات البحث العميق ل أمازون كندرا جنبا إلى جنب مع المعرفة الواسعة للماجستير في القانون. يوفر هذا التكامل إجابات دقيقة ومدركة للسياق للاستعلامات المعقدة من خلال الاستفادة من مجموعة متنوعة من المصادر.
- نموذج التضمين مع LLM التأسيسي - يدمج قوة التضمين - وهي تقنية لالتقاط المعاني الدلالية للكلمات والعبارات - مع القاعدة المعرفية الواسعة لماجستير القانون. يتيح هذا التآزر وضع نماذج أكثر دقة للموضوع، وتوصية المحتوى، وإمكانات البحث الدلالي.
- مؤسسة نماذج فارما مولد الإعلانات – تطبيق متخصص مصمم لصناعة الأدوية. من خلال تسخير القدرات الإنتاجية للنماذج الأساسية، تقوم هذه الأداة بإنشاء إعلانات صيدلانية مقنعة ومتوافقة، مما يضمن التزام المحتوى بمعايير ولوائح الصناعة.
يمكن نشر هذه العروض التوضيحية بسلاسة في حساب AWS الخاص بك، مما يوفر رؤى وإرشادات أساسية حول استخدام خدمات AWS لإنشاء روبوت أسئلة وأجوبة متطور يعتمد على الذكاء الاصطناعي في LLM وإنشاء محتوى.
في هذا المنشور، نستكشف كيف يمكن لـ RAG مع Amazon Kendra أو عمليات التضمين المخصصة التغلب على هذه التحديات وتقديم استجابات محسنة لاستفسارات اللغة الطبيعية.
حل نظرة عامة
من خلال اعتماد هذا الحل، يمكنك الحصول على الفوائد التالية:
- تحسين الوصول إلى المعلومات - يسمح RAG للنماذج بسحب المعلومات من مصادر خارجية واسعة النطاق، والتي يمكن أن تكون مفيدة بشكل خاص عندما تكون معرفة النموذج المدرب مسبقًا قديمة أو غير مكتملة.
- التدرجية - بدلاً من تدريب النموذج على جميع البيانات المتاحة، يسمح RAG للنماذج باسترجاع المعلومات ذات الصلة بسرعة. وهذا يعني أنه عندما تصبح البيانات الجديدة متاحة، يمكن إضافتها إلى قاعدة بيانات الاسترجاع دون الحاجة إلى إعادة تدريب النموذج بأكمله.
- كفاءة الذاكرة – تتطلب LLMs ذاكرة كبيرة لتخزين المعلمات. مع RAG، يمكن أن يكون النموذج أصغر لأنه لا يحتاج إلى حفظ جميع التفاصيل؛ ويمكن استرجاعها عند الحاجة.
- تحديث المعرفة الديناميكية - على عكس النماذج التقليدية ذات نقطة نهاية المعرفة المحددة، يمكن لقاعدة البيانات الخارجية لـ RAG أن تخضع لتحديثات منتظمة، مما يمنح النموذج إمكانية الوصول إلى المعلومات الحديثة. يمكن ضبط وظيفة الاسترجاع بشكل دقيق لمهام مختلفة. على سبيل المثال، يمكن لمهمة التشخيص الطبي الحصول على البيانات من المجلات الطبية، مما يضمن حصول النموذج على رؤى الخبراء وذات الصلة.
- التخفيف من التحيز - توفر القدرة على الاستفادة من قاعدة بيانات جيدة التنظيم إمكانية تقليل التحيزات من خلال ضمان مصادر خارجية متوازنة ومحايدة.
قبل الغوص في عملية دمج Amazon Kendra مع LLMs التأسيسية، من الضروري أن تزود نفسك بالأدوات اللازمة ومتطلبات النظام. يعد الحصول على الإعداد الصحيح هو الخطوة الأولى نحو النشر السلس للعروض التوضيحية.
المتطلبات الأساسية المسبقة
يجب أن تكون لديك المتطلبات الأساسية التالية:
على الرغم من أنه من الممكن إعداد ونشر البنية التحتية المفصلة في هذا البرنامج التعليمي من جهاز الكمبيوتر المحلي الخاص بك، سحابة AWS 9 يقدم بديلا مناسبا. يمكن لـ AWS Cloud9، المجهز مسبقًا بأدوات مثل AWS CLI وAWS CDK وDocker، أن يعمل كمحطة عمل النشر الخاصة بك. لاستخدام هذه الخدمة، ببساطة إعداد البيئة عبر وحدة تحكم AWS Cloud9.
بعد الانتهاء من المتطلبات الأساسية، دعنا نتعمق في ميزات وإمكانيات Amazon Kendra مع حاملي شهادات LLM التأسيسية.
أمازون كندرا مع LLM التأسيسية
Amazon Kendra عبارة عن خدمة بحث متقدمة للمؤسسات معززة بالتعلم الآلي (ML) الذي يوفر إمكانات بحث دلالية خارج الصندوق. باستخدام معالجة اللغة الطبيعية (NLP)، تستوعب Amazon Kendra كلاً من محتوى المستندات والغرض الأساسي من استعلامات المستخدم، وتضعها كأداة لاسترجاع المحتوى للحلول القائمة على RAG. باستخدام محتوى البحث عالي الدقة من Kendra كحمولة RAG، يمكنك الحصول على استجابات LLM أفضل. يتيح استخدام Amazon Kendra في هذا الحل أيضًا إمكانية البحث المخصص عن طريق تصفية الاستجابات وفقًا لأذونات الوصول إلى محتوى المستخدم النهائي.
يوضح الرسم البياني التالي بنية تطبيق الذكاء الاصطناعي التوليدي باستخدام نهج RAG.
تتم معالجة المستندات وفهرستها بواسطة Amazon Kendra من خلال خدمة Amazon Simple Storage (Amazon S3) موصل. يتم توجيه طلبات العملاء والبيانات السياقية من Amazon Kendra إلى أمازون بيدروك نموذج الأساس. يتيح لك العرض التوضيحي الاختيار بين نماذج Amazon's Titan وAI21's Jurassic وAnthropic's Claude التي تدعمها Amazon Bedrock. يتم حفظ سجل المحادثة في الأمازون DynamoDB، مما يوفر سياقًا إضافيًا لـ LLM لتوليد الاستجابات.
لقد قدمنا هذا العرض التوضيحي في جيثب ريبو. راجع تعليمات النشر داخل الملف التمهيدي لنشره في حساب AWS الخاص بك.
توضح الخطوات التالية العملية عندما يتفاعل المستخدم مع تطبيق الذكاء الاصطناعي المولد:
- يقوم المستخدم بتسجيل الدخول إلى تطبيق الويب الذي تمت مصادقته بواسطة أمازون كوجنيتو.
- يقوم المستخدم بتحميل مستند واحد أو أكثر إلى Amazon S3.
- يقوم المستخدم بتشغيل مهمة مزامنة Amazon Kendra لاستيعاب مستندات S3 في فهرس Amazon Kendra.
- يتم توجيه سؤال المستخدم من خلال WebSocket API الآمن المستضاف على بوابة أمازون API بدعم من أ AWS لامدا وظيفة.
- وظيفة Lambda، التي يتم تمكينها بواسطة لانجشين يتصل إطار العمل - وهو أداة متعددة الاستخدامات مصممة لإنشاء تطبيقات تعتمد على نماذج لغة الذكاء الاصطناعي - بنقطة نهاية Amazon Bedrock لإعادة صياغة سؤال المستخدم بناءً على سجل الدردشة. بعد إعادة الصياغة، تتم إعادة توجيه السؤال إلى Amazon Kendra باستخدام Retrieve API. ردًا على ذلك، يعرض فهرس Amazon Kendra نتائج البحث، ويقدم مقتطفات من المستندات ذات الصلة التي يتم الحصول عليها من البيانات المستوعبة للمؤسسة.
- يتم إرسال سؤال المستخدم مع البيانات المستردة من الفهرس كسياق في موجه LLM. يتم تخزين الرد من LLM كسجل للدردشة داخل DynamoDB.
- وأخيرًا، يتم إرسال الرد من LLM مرة أخرى إلى المستخدم.
سير عمل فهرسة المستندات
فيما يلي إجراءات معالجة المستندات وفهرستها:
- يرسل المستخدمون المستندات عبر واجهة المستخدم (UI).
- يتم نقل المستندات إلى حاوية S3 باستخدام تضخيم AWS API.
- تقوم Amazon Kendra بفهرسة المستندات الجديدة في حاوية S3 من خلال موصل Amazon Kendra S3.
المميزات
وتسلط القائمة التالية الضوء على مزايا هذا الحل:
- الاسترجاع على مستوى المؤسسة – تم تصميم Amazon Kendra للبحث في المؤسسات، مما يجعله مناسبًا للمؤسسات التي لديها كميات هائلة من البيانات المنظمة وغير المنظمة.
- الفهم الدلالي - تضمن إمكانات التعلم الآلي في Amazon Kendra أن يعتمد الاسترجاع على الفهم الدلالي العميق وليس فقط على تطابقات الكلمات الرئيسية.
- التدرجية - يمكن لـ Amazon Kendra التعامل مع مصادر البيانات واسعة النطاق وتوفير نتائج بحث سريعة وذات صلة.
- مرونة – يمكن للنموذج التأسيسي توليد إجابات بناءً على مجموعة واسعة من السياقات، مما يضمن بقاء النظام متعدد الاستخدامات.
- قدرات التكامل – يمكن دمج Amazon Kendra مع خدمات AWS المتنوعة ومصادر البيانات، مما يجعلها قابلة للتكيف مع الاحتياجات التنظيمية المختلفة.
نموذج التضمين مع LLM التأسيسي
An تضمين هو متجه رقمي يمثل الجوهر الأساسي لأنواع البيانات المتنوعة، بما في ذلك النصوص والصور والصوت والمستندات. لا يقتصر هذا التمثيل على التقاط المعنى الجوهري للبيانات فحسب، بل يكيفها أيضًا مع مجموعة واسعة من التطبيقات العملية. تقوم نماذج التضمين، وهي فرع من تعلم الآلة، بتحويل البيانات المعقدة، مثل الكلمات أو العبارات، إلى مساحات متجهة مستمرة. تدرك هذه المتجهات بطبيعتها الروابط الدلالية بين البيانات، مما يتيح إجراء مقارنات أعمق وأكثر ثاقبة.
يجمع RAG بسلاسة بين نقاط قوة النماذج الأساسية، مثل المحولات، ودقة التضمينات للتدقيق في قواعد البيانات الواسعة للحصول على المعلومات ذات الصلة. عند تلقي استعلام، يستخدم النظام التضمينات لتحديد واستخراج الأقسام ذات الصلة من مجموعة واسعة من البيانات. يقوم النموذج التأسيسي بعد ذلك بصياغة استجابة دقيقة للسياق بناءً على هذه المعلومات المستخرجة. يتيح هذا التآزر المثالي بين استرجاع البيانات وتوليد الاستجابة للنظام تقديم إجابات شاملة، بالاعتماد على المعرفة الواسعة المخزنة في قواعد البيانات الموسعة.
في التخطيط المعماري، بناءً على اختيار واجهة المستخدم الخاصة بهم، يتم توجيه المستخدمين إما إلى Amazon Bedrock أو أمازون سيج ميكر جومب ستارت نماذج الأساس. تخضع المستندات للمعالجة، ويتم إنتاج عمليات التضمين المتجهية بواسطة نموذج التضمينات. ثم يتم فهرسة هذه التضمينات باستخدام فايس لتمكين البحث الدلالي الفعال. يتم الاحتفاظ بسجلات المحادثات في DynamoDB، مما يثري سياق LLM لصياغة الردود.
يوضح الرسم البياني التالي بنية الحل وسير العمل.
لقد قدمنا هذا العرض التوضيحي في جيثب ريبو. راجع تعليمات النشر داخل الملف التمهيدي لنشره في حساب AWS الخاص بك.
نموذج التضمين
مسؤوليات نموذج التضمين هي كما يلي:
- هذا النموذج مسؤول عن تحويل النص (مثل المستندات أو المقاطع) إلى تمثيلات متجهة كثيفة، والمعروفة باسم التضمينات.
- تلتقط هذه التضمينات المعنى الدلالي للنص، مما يسمح بإجراء مقارنات فعالة وذات معنى دلالي بين أجزاء مختلفة من النص.
- يمكن تدريب نموذج التضمين على نفس المجموعة الواسعة مثل النموذج التأسيسي أو يمكن تخصيصه لمجالات محددة.
سير عمل الأسئلة والأجوبة
تصف الخطوات التالية سير عمل الإجابة على السؤال عبر المستندات:
- يقوم المستخدم بتسجيل الدخول إلى تطبيق الويب الذي تمت مصادقته بواسطة Amazon Cognito.
- يقوم المستخدم بتحميل مستند واحد أو أكثر إلى Amazon S3.
- عند نقل المستند، يقوم إشعار حدث S3 بتشغيل وظيفة Lambda، والتي تستدعي بعد ذلك نقطة نهاية نموذج التضمين SageMaker لإنشاء عمليات التضمين للمستند الجديد. يقوم نموذج التضمين بتحويل السؤال إلى تمثيل متجه كثيف (التضمين). يتم تخزين ملف المتجه الناتج بشكل آمن داخل مجموعة S3.
- يقوم مسترد FAISS بمقارنة تضمين هذا السؤال مع تضمينات جميع المستندات أو المقاطع في قاعدة البيانات للعثور على المقاطع الأكثر صلة.
- يتم توفير المقاطع، بالإضافة إلى سؤال المستخدم، كسياق للنموذج التأسيسي. تستخدم وظيفة Lambda مكتبة LangChain وتتصل بنقطة نهاية Amazon Bedrock أو SageMaker JumpStart من خلال استعلام محشو بالسياق.
- يتم تخزين الاستجابة من LLM في DynamoDB جنبًا إلى جنب مع استعلام المستخدم والطابع الزمني والمعرف الفريد والمعرفات العشوائية الأخرى للعنصر مثل فئة السؤال. يتيح تخزين السؤال والإجابة كعناصر منفصلة لوظيفة Lambda إمكانية إعادة إنشاء سجل محادثات المستخدم بسهولة استنادًا إلى الوقت الذي تم فيه طرح الأسئلة.
- وأخيرًا، يتم إرسال الاستجابة مرة أخرى إلى المستخدم عبر طلب HTTPs من خلال استجابة تكامل API Gateway WebSocket API.
المميزات
تصف القائمة التالية فوائد هذا الحل:
- الفهم الدلالي – يضمن نموذج التضمين أن يختار المسترد المقاطع بناءً على الفهم الدلالي العميق، وليس فقط تطابقات الكلمات الرئيسية.
- التدرجية – تسمح عمليات التضمين بإجراء مقارنات تشابه فعالة، مما يجعل من الممكن البحث في قواعد بيانات واسعة من المستندات بسرعة.
- مرونة – يمكن للنموذج التأسيسي توليد إجابات بناءً على مجموعة واسعة من السياقات، مما يضمن بقاء النظام متعدد الاستخدامات.
- القدرة على التكيف المجال - يمكن تدريب نموذج التضمين أو ضبطه ليناسب مجالات محددة، مما يسمح بتكييف النظام لمختلف التطبيقات.
مؤسسة نماذج فارما مولد الإعلان
في صناعة الأدوية سريعة الخطى اليوم، أصبحت الإعلانات الفعالة والمحلية أكثر أهمية من أي وقت مضى. وهنا يأتي دور الحل المبتكر، باستخدام قوة الذكاء الاصطناعي التوليدي لصياغة إعلانات الأدوية المحلية من الصور المصدر وملفات PDF. وبعيدًا عن مجرد تسريع عملية إنشاء الإعلانات، يعمل هذا النهج على تبسيط عملية المراجعة القانونية الطبية (MLR). MLR هي آلية مراجعة صارمة تقوم فيها الفرق الطبية والقانونية والتنظيمية بتقييم المواد الترويجية بدقة لضمان دقتها ودعمها العلمي وامتثالها التنظيمي. يمكن أن تكون الطرق التقليدية لإنشاء المحتوى مرهقة، وغالبًا ما تتطلب تعديلات يدوية ومراجعات واسعة النطاق لضمان التوافق مع الامتثال الإقليمي وأهميته. ومع ذلك، مع ظهور الذكاء الاصطناعي التوليدي، يمكننا الآن أتمتة صياغة الإعلانات التي تلقى صدى حقيقيًا لدى الجماهير المحلية، كل ذلك مع الالتزام بالمعايير والمبادئ التوجيهية الصارمة.
يوضح الرسم البياني التالي بنية الحل.
في التخطيط المعماري، استنادًا إلى النموذج المحدد وتفضيلات الإعلانات، يتم توجيه المستخدمين بسلاسة إلى نماذج مؤسسة Amazon Bedrock. ويضمن هذا الأسلوب المبسط إنشاء إعلانات جديدة بدقة وفقًا للتهيئة المطلوبة. وكجزء من هذه العملية، يتم التعامل مع المستندات بكفاءة بواسطة أمازون تيكستراك، مع تخزين النص الناتج بشكل آمن في DynamoDB. الميزة البارزة هي التصميم المعياري لإنشاء الصور والنصوص، مما يمنحك المرونة اللازمة لتجديد أي مكون بشكل مستقل حسب الحاجة.
لقد قدمنا هذا العرض التوضيحي في جيثب ريبو. راجع تعليمات النشر داخل الملف التمهيدي لنشره في حساب AWS الخاص بك.
سير عمل إنشاء المحتوى
توضح الخطوات التالية عملية إنشاء المحتوى:
- يختار المستخدم المستند والصورة المصدر وموضع الإعلان واللغة ونمط الصورة.
- يتم ضمان الوصول الآمن إلى تطبيق الويب من خلال مصادقة Amazon Cognito.
- تتم استضافة الواجهة الأمامية لتطبيق الويب عبر Amplify.
- تعمل واجهة WebSocket API، التي تتم إدارتها بواسطة API Gateway، على تسهيل طلبات المستخدم. تتم مصادقة هذه الطلبات من خلال إدارة الهوية والوصول AWS (انا).
- يتضمن التكامل مع Amazon Bedrock الخطوات التالية:
- تستخدم وظيفة Lambda مكتبة LangChain للاتصال بنقطة نهاية Amazon Bedrock باستخدام استعلام غني بالسياق.
- يقوم النموذج الأساسي لتحويل النص إلى نص بصياغة إعلان مناسب للسياق استنادًا إلى السياق والإعدادات المحددة.
- يقوم النموذج الأساسي لتحويل النص إلى صورة بإنشاء صورة مخصصة، تتأثر بالصورة المصدر والنمط المختار والموقع.
- يتلقى المستخدم الاستجابة من خلال طلب HTTPS عبر API Gateway WebSocket API المدمج.
سير عمل معالجة المستندات والصور
فيما يلي إجراءات معالجة المستندات والصور:
- يقوم المستخدم بتحميل الأصول عبر واجهة المستخدم المحددة.
- تقوم Amplify API بنقل المستندات إلى حاوية S3.
- بعد نقل الأصل إلى Amazon S3، يتم تنفيذ أحد الإجراءات التالية:
- إذا كان مستندًا، فإن وظيفة Lambda تستخدم Amazon Textract لمعالجة النص واستخراجه لإنشاء الإعلانات.
- إذا كانت صورة، تقوم وظيفة Lambda بتحويلها إلى تنسيق base64، المناسب لنموذج Stable Diffusion لإنشاء صورة جديدة من المصدر.
- يتم حفظ النص المستخرج أو سلسلة الصور base64 بشكل آمن في DynamoDB.
المميزات
توضح القائمة التالية فوائد هذا الحل:
- الكفاءة – يعمل استخدام الذكاء الاصطناعي التوليدي على تسريع عملية إنشاء الإعلانات بشكل كبير، مما يلغي الحاجة إلى التعديلات اليدوية.
- الالتزام بالامتثال - يضمن الحل التزام الإعلانات المُنشأة بإرشادات ولوائح محددة، مثل إرشادات إدارة الغذاء والدواء الأمريكية (FDA) للتسويق.
- فعاله من حيث التكلفه – من خلال أتمتة إنشاء الإعلانات المخصصة، يمكن للشركات تقليل التكاليف المرتبطة بإنتاج الإعلانات ومراجعاتها بشكل كبير.
- عملية MLR مبسطة - يعمل الحل على تبسيط عملية MLR، مما يقلل من نقاط الاحتكاك ويضمن إجراء مراجعات أكثر سلاسة.
- الرنين الموضعي – ينتج الذكاء الاصطناعي التوليدي إعلانات تلقى صدى لدى الجماهير المحلية، مما يضمن الملاءمة والتأثير في مناطق مختلفة.
- التقييس – يحافظ الحل على المعايير والإرشادات اللازمة، مما يضمن الاتساق عبر جميع الإعلانات التي يتم إنشاؤها.
- التدرجية – يمكن للنهج المعتمد على الذكاء الاصطناعي التعامل مع قواعد بيانات واسعة من الصور المصدر وملفات PDF، مما يجعله ممكنًا لإنشاء إعلانات على نطاق واسع.
- تقليل التدخل اليدوي – تعمل الأتمتة على تقليل الحاجة إلى التدخل البشري وتقليل الأخطاء وضمان الاتساق.
يمكنك نشر البنية التحتية في هذا البرنامج التعليمي من جهاز الكمبيوتر المحلي الخاص بك أو يمكنك استخدام AWS Cloud9 كمحطة عمل النشر الخاصة بك. يأتي AWS Cloud9 محملاً مسبقًا بـ AWS CLI وAWS CDK وDocker. إذا اخترت AWS Cloud9، خلق البيئة من وحدة تحكم AWS Cloud9.
تنظيف
لتجنب التكلفة غير الضرورية، قم بتنظيف البنية التحتية بالكامل التي تم إنشاؤها عبر وحدة تحكم AWS CloudFormation أو عن طريق تشغيل الأمر التالي على محطة العمل الخاصة بك:
بالإضافة إلى ذلك، تذكر إيقاف أي نقاط نهاية SageMaker قمت ببدءها عبر وحدة تحكم SageMaker. تذكر أن حذف فهرس Amazon Kendra لا يؤدي إلى إزالة المستندات الأصلية من مساحة التخزين لديك.
وفي الختام
يبشر الذكاء الاصطناعي التوليدي، الذي تجسده ماجستير إدارة الأعمال، بتحول نموذجي في كيفية وصولنا إلى المعلومات وتوليدها. هذه النماذج، على الرغم من قوتها، غالبًا ما تكون محدودة بحدود بيانات التدريب الخاصة بها. تعالج RAG هذا التحدي، مما يضمن دمج المعرفة الواسعة ضمن هذه النماذج باستمرار مع الأفكار الحالية ذات الصلة.
توفر عروضنا التوضيحية المستندة إلى RAG شهادة ملموسة على ذلك. إنها تعرض التآزر السلس بين Amazon Kendra ودمج المتجهات وLLMs، مما يؤدي إلى إنشاء نظام لا تكون فيه المعلومات هائلة فحسب، بل تكون أيضًا دقيقة وفي الوقت المناسب. أثناء الغوص في هذه العروض التوضيحية، ستستكشف بشكل مباشر الإمكانات التحويلية لدمج المعرفة المدربة مسبقًا مع القدرات الديناميكية لـ RAG، مما يؤدي إلى مخرجات جديرة بالثقة ومصممة خصيصًا لمحتوى المؤسسة.
على الرغم من أن الذكاء الاصطناعي التوليدي المدعوم من LLMs يفتح طريقة جديدة للحصول على رؤى المعلومات، إلا أن هذه الرؤى يجب أن تكون جديرة بالثقة وتقتصر على محتوى المؤسسة باستخدام نهج RAG. تتيح لك هذه العروض التوضيحية المستندة إلى RAG أن تكون مزودًا برؤى دقيقة وحديثة. تعتمد جودة هذه الأفكار على الملاءمة الدلالية، والتي يتم تمكينها باستخدام Amazon Kendra وعمليات تضمين المتجهات.
إذا كنت مستعدًا لمزيد من الاستكشاف وتسخير قوة الذكاء الاصطناعي التوليدي، فإليك خطواتك التالية:
- الانخراط مع العروض التوضيحية لدينا – الخبرة العملية لا تقدر بثمن. استكشف الوظائف، وافهم عمليات التكامل، وتعرف على الواجهة.
- تعميق معرفتك - الاستفادة من الموارد المتاحة. تقدم AWS وثائق متعمقة وبرامج تعليمية ودعمًا مجتمعيًا للمساعدة في رحلة الذكاء الاصطناعي الخاصة بك.
- البدء بمشروع تجريبي - فكر في البدء بتطبيق الذكاء الاصطناعي التوليدي على نطاق صغير في مؤسستك. سيوفر هذا نظرة ثاقبة حول التطبيق العملي للنظام وقدرته على التكيف ضمن السياق المحدد الخاص بك.
لمزيد من المعلومات حول تطبيقات الذكاء الاصطناعي التوليدية على AWS، راجع ما يلي:
تذكر أن مشهد الذكاء الاصطناعي يتطور باستمرار. ابق على اطلاع دائم، وكن فضوليًا، وكن دائمًا على استعداد للتكيف والابتكار.
عن المؤلفين
جين تان روان هو مطور نماذج أولية ضمن فريق AWS Industries للنماذج الأولية وهندسة العملاء (PACE)، وهو متخصص في البرمجة اللغوية العصبية والذكاء الاصطناعي التوليدي. بفضل خلفيته في تطوير البرمجيات وتسع شهادات من AWS، يتمتع Jin بخبرة كبيرة لمساعدة عملاء AWS في تجسيد رؤى الذكاء الاصطناعي/التعلم الآلي ورؤى الذكاء الاصطناعي التوليدية باستخدام منصة AWS. حصل على درجة الماجستير في علوم الكمبيوتر وهندسة البرمجيات من جامعة سيراكيوز. خارج العمل، يستمتع جين بلعب ألعاب الفيديو والانغماس في عالم أفلام الرعب المثير.
أرافيند كوداندارامايا هو منشئ حلول المكدس الكامل للنماذج الأولية ضمن فريق AWS Industries Prototyping وCustomer Engineering (PACE). وهو يركز على مساعدة عملاء AWS على تحويل الأفكار المبتكرة إلى حلول ذات نتائج مبهجة وقابلة للقياس. إنه شغوف بمجموعة من المواضيع، بما في ذلك الأمان السحابي وDevOps وAI/ML، ويمكن العثور عليه عادةً وهو يعبث بهذه التقنيات.
أرجون شاكدير هو مطور في فريق AWS Industries Prototyping (PACE) وهو متحمس لدمج التكنولوجيا في نسيج الحياة. يحمل أرجون درجة الماجستير من جامعة بوردو، ويتمحور دور أرجون الحالي حول هندسة وبناء نماذج أولية متطورة تغطي مجموعة من المجالات، والتي تعرض حاليًا بشكل بارز مجالات الذكاء الاصطناعي/التعلم الآلي وإنترنت الأشياء. عندما لا تكون منغمسًا في البرمجة والمناظر الطبيعية الرقمية، ستجد Arjun منغمسًا في عالم القهوة، أو يستكشف الميكانيكا المعقدة لصناعة الساعات، أو يستمتع بفن السيارات.
- محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
- PlatoData.Network Vertical Generative Ai. تمكين نفسك. الوصول هنا.
- أفلاطونايستريم. ذكاء Web3. تضخيم المعرفة. الوصول هنا.
- أفلاطون كربون، كلينتك ، الطاقة، بيئة، شمسي، إدارة المخلفات. الوصول هنا.
- أفلاطون هيلث. التكنولوجيا الحيوية وذكاء التجارب السريرية. الوصول هنا.
- المصدر https://aws.amazon.com/blogs/machine-learning/harnessing-the-power-of-enterprise-data-with-generative-ai-insights-from-amazon-kendra-langchain-and-large-language-models/
- :يكون
- :ليس
- :أين
- $ UP
- 100
- 150
- 7
- a
- القدرة
- من نحن
- يسرع
- الوصول
- وفقا
- حسابي
- دقة
- دقيق
- في
- الإجراءات
- Ad
- تكيف
- يتكيف
- وأضاف
- عناوين
- انضمت
- تعديلات
- اعتماد
- متقدم
- مميزات
- مزايا
- مجيء
- دعاية
- بعد
- AI
- AI / ML
- مساعدة
- انحياز
- الكل
- السماح
- السماح
- يسمح
- تقريبا
- على طول
- أيضا
- البديل
- دائما
- أمازون
- أمازون كوجنيتو
- أمازون كندرا
- أمازون تيكستراك
- أمازون ويب سيرفيسز
- المبالغ
- أسهب
- an
- و
- إجابة
- الأجوبة
- أي وقت
- API
- التطبيق
- تطبيق
- التطبيقات
- نهج
- مناسب
- معماري
- هندسة معمارية
- هي
- حول
- مجموعة
- الفنية
- AS
- الأصول
- ممتلكات
- مساعدة
- أسوشيتد
- جلسات
- سمعي
- موثق
- التحقّق من المُستخدم
- أتمتة
- أتمتة
- أتمتة
- متاح
- تجنب
- تجنب
- AWS
- سحابة AWS 9
- تكوين سحابة AWS
- الى الخلف
- المدعومة
- خلفية
- دعم
- قاعدة
- على أساس
- BE
- لان
- أصبح
- يصبح
- الفوائد
- أفضل
- ما بين
- Beyond
- التحيزات
- مزج
- الجسدي
- أحذية طويلة
- على حد سواء
- الفرع
- يجلب
- واسع
- باني
- ابني
- لكن
- by
- دعوات
- CAN
- يستطيع الحصول على
- قدرات
- أسر
- يلتقط
- حقيبة
- الفئة
- الشهادات
- تحدى
- التحديات
- اختار
- اختيار
- نظيف
- سحابة
- سحابة الأمن
- Cloud9
- الكود
- قهوة
- الجمع بين
- يجمع بين
- يأتي
- عادة
- مجتمع
- الشركات
- مقارنات
- مجمع
- الالتزام
- متوافقة
- عنصر
- يفهم
- الكمبيوتر
- علوم الكمبيوتر
- الاعداد
- التواصل
- التواصل
- يربط
- نظر
- باتساق
- كنسولات
- باستمرار
- محتوى
- جيل المحتوى
- انشاء محتوى
- سياق الكلام
- السياقات
- قريني
- واصل
- متواصل
- مناسب
- تقليدي
- محادثة
- التحول
- جوهر
- التكلفة
- التكاليف
- حرفة
- خلق
- خلق
- يخلق
- خلق
- خلق
- حاسم
- مرهقة
- فضولي
- حالياًّ
- على
- زبون
- العملاء
- المتطور والحديث
- البيانات
- قاعدة البيانات
- قواعد البيانات
- قواعد البيانات
- التاريخ
- عميق
- أعمق
- الدرجة العلمية
- لذيذ
- عرض
- ديموس
- تابع
- نشر
- نشر
- نشر
- نشر
- وصف
- تصميم
- تصميم
- مطلوب
- هدم
- مفصلة
- تفاصيل
- المطور
- التطوير التجاري
- تشخيصي
- مختلف
- التوزيع
- رقمي
- توجه
- يعرض
- خامد
- غطس
- عدة
- غوص
- عامل في حوض السفن
- وثيقة
- توثيق
- وثائق
- لا
- المجالات
- رسم
- رسم
- مدفوع
- ديناميكي
- بسهولة
- كفاءة
- فعال
- بكفاءة
- إما
- القضاء
- تضمين
- الظهور
- توظف
- تمكين
- إمباورز
- تمكين
- تمكين
- تمكن
- تمكين
- النهاية
- نقطة النهاية
- الهندسة
- تعزيز
- إثراء
- ضمان
- مكفول
- يضمن
- ضمان
- مشروع
- كامل
- مسلح
- أخطاء
- خاصة
- جوهر
- تقييم
- الحدث/الفعالية
- EVER
- يتطور
- المتطورة
- مثال
- متحمس
- توسعية
- الخبره في مجال الغطس
- خبير
- خبرائنا
- اكتشف
- استكشاف
- واسع
- خارجي
- استخراج
- قماش
- يسهل
- تعرف
- خطى سريعة
- FB
- قابليه
- الميزات
- المميزات
- ويتميز
- قم بتقديم
- تصفية
- الاسم الأول
- مرونة
- ويركز
- متابعيك
- متابعات
- في حالة
- شكل
- وجدت
- دورة تأسيسية
- احتكاك
- تبدأ من
- جبهة
- نهاية المقدمة
- بالإضافة إلى
- كومة كاملة
- وظيفة
- وظائف
- إضافي
- علاوة على ذلك
- ربح
- كسب
- ألعاب
- بوابة
- توليد
- ولدت
- جيل
- توليدي
- الذكاء الاصطناعي التوليدي
- مولد كهربائي
- دولار فقط واحصل على خصم XNUMX% على جميع
- معطى
- إعطاء
- منح
- يفهم، يمسك، يقبض
- ينمو
- ضمان
- توجيه
- موجه
- المبادئ التوجيهية
- مقبض
- تشابك الايدى
- ظفيرة
- تسخير
- يملك
- وجود
- he
- مساعدة
- يبشر
- هنا
- ويبرز
- نفسه
- التاريخ
- تاريخ
- عقد
- يحمل
- رعب
- استضافت
- كيفية
- لكن
- HTML
- HTTP
- HTTPS
- الانسان
- الأفكار
- معرف
- معرفات
- تحديد
- هوية
- if
- يوضح
- صورة
- صور
- مغمور
- التأثير
- التنفيذ
- in
- في العمق
- غير دقيق
- يشمل
- بما فيه
- دمج
- بشكل مستقل
- مؤشر
- مفهرس
- الفهارس
- الصناعات
- العالمية
- معايير الصناعة
- تأثر
- معلومات
- وأبلغ
- البنية التحتية
- متأصل
- في البداية
- بدأت
- الابتكار
- مبتكرة
- الثاقبة
- رؤى
- بدلًا من ذلك
- تعليمات
- المتكاملة
- يدمج
- التكامل
- التكاملات
- نية
- يتفاعل
- السطح البيني
- تدخل
- إلى
- جوهري
- نفيس
- قام المحفل
- IT
- العناصر
- انها
- وظيفة
- رحلة
- JPG
- م
- المعرفة
- معروف
- المشهد
- لغة
- كبير
- على نطاق واسع
- تصميم
- تعلم
- شروط وأحكام
- يتيح
- المكتبة
- مرخص
- الحياة
- مثل
- أرجحية
- محدود
- حدود
- قائمة
- LLM
- محلي
- موقع
- آلة
- آلة التعلم
- تحتفظ
- القيام ب
- تمكن
- كتيب
- كثير
- التسويق
- هائل
- سادة
- اعواد الثقاب
- المواد
- معنى
- ذات مغزى
- المعاني
- يعني
- علم الميكانيكا
- آلية
- طبي
- مكبر الصوت : يدعم، مع دعم ميكروفون مدمج لمنع الضوضاء
- مجرد
- يدمج
- دمج
- طرق
- بدقة
- التقليل
- تخفيف
- ML
- نموذج
- تصميم
- عارضات ازياء
- وحدات
- الأكثر من ذلك
- أكثر
- أفلام
- يجب
- طبيعي
- معالجة اللغات الطبيعية
- ضروري
- حاجة
- بحاجة
- الحاجة
- إحتياجات
- جديد
- التالي
- تسعة
- البرمجة اللغوية العصبية
- إعلام
- الآن
- of
- الوهب
- عروض
- غالبا
- on
- ONE
- فقط
- يفتح
- or
- التنظيمية
- المنظمات
- أصلي
- أخرى
- لنا
- خارج
- النتائج
- الخطوط العريضة
- النتائج
- في الخارج
- على مدى
- تغلب
- سلام
- نموذج
- المعلمات
- جزء
- عاطفي
- أذونات
- مخصصه
- فارما
- الأدوية
- عبارات
- قطعة
- طيار
- مشروع طيار
- المكان
- وضع
- المنصة
- أفلاطون
- الذكاء افلاطون البيانات
- أفلاطون داتا
- بلايستشن
- لعب
- نقاط
- وضع
- ممكن
- منشور
- محتمل
- قوة
- مدعوم
- قوي
- عملية
- حاجة
- على وجه التحديد
- دقة
- التفضيلات
- الشروط
- حاليا
- الإجراءات
- عملية المعالجة
- معالجتها
- معالجة
- أنتج
- ينتج عنه
- الإنتــاج
- تنفيذ المشاريع
- الترويجية
- نماذج
- النماذج
- إثبات
- تزود
- المقدمة
- ويوفر
- توفير
- جودة
- الاستفسارات
- سؤال
- الأسئلة المتكررة
- سريع
- بسرعة
- نطاق
- استعداد
- العوالم
- يتلقى
- يستلم
- توصية مجاناً
- تخفيض
- يقلل
- تقليص
- الرجوع
- مكرر
- إقليمي
- المناطق
- منتظم
- قوانين
- المنظمين
- التدقيق المطلوب
- مدى صلة
- ذات الصلة
- الاعتماد
- لا تزال
- بقايا
- تذكر
- إزالة
- إعادة الصياغة
- التمثيل
- يمثل
- طلب
- طلبات
- تطلب
- مطلوب
- المتطلبات الأساسية
- رن
- الموارد
- استجابة
- ردود
- المسؤوليات
- مسؤول
- ناتج
- مما أدى
- النتائج
- مراجعة
- التعليقات
- المراجعات
- يدور
- حق
- صارم
- النوع
- تشغيل
- يدير
- sagemaker
- نفسه
- تم الحفظ
- علوم
- علمي
- سلس
- بسلاسة
- بحث
- أقسام
- تأمين
- آمن
- أمن
- مختار
- اختيار
- كبير
- أرسلت
- الخدمة
- خدماتنا
- طقم
- إعدادات
- الإعداد
- نقل
- عرض
- يظهر
- نخل
- هام
- بشكل ملحوظ
- الاشارات
- ببساطة
- الأصغر
- سلاسة
- تطبيقات الكمبيوتر
- تطوير البرمجيات
- هندسة البرمجيات
- فقط
- حل
- الحلول
- مصدر
- المصدر
- مصادر
- مصادر
- المساحات
- امتداد
- متخصص
- متخصصة
- محدد
- محدد
- مستقر
- كومة
- المعايير
- ابتداء
- دولة من بين الفن
- إقامة
- خطوة
- خطوات
- قلة النوم
- تخزين
- متجر
- تخزين
- تخزين
- تبسيط
- نقاط القوة
- خيط
- صارم
- منظم
- نمط
- تقدم
- هذه
- مناسب
- الدعم
- مدعومة
- التآزر
- نظام
- تناسب
- أخذ
- يأخذ
- ملموس
- مهمة
- المهام
- فريق
- فريق
- تقنية
- التكنولوجيا
- تكنولوجيا
- عهد
- نص
- من
- أن
- •
- المشهد
- المصدر
- العالم
- من مشاركة
- منهم
- then
- وبالتالي
- تشبه
- هم
- ثلاثة
- مثير
- عبر
- الوقت
- في حينه
- الطابع الزمني
- عملاق
- إلى
- اليوم
- أداة
- أدوات
- موضوع
- المواضيع
- نحو
- تقليدي
- قطار
- متدرب
- قادة الإيمان
- تحويل
- نقل
- التحويلات
- تحول
- التحويلية
- محولات
- جديد الموضة
- حقا
- جدير بالثقة
- منعطف أو دور
- البرنامج التعليمي
- الدروس
- أنواع
- ui
- خضع
- التي تقوم عليها
- فهم
- فهم
- فريد من نوعه
- جامعة
- مختلف
- غير ضروري
- كشف النقاب
- حديث جديد
- تحديث
- تحديث
- آخر التحديثات
- التمسك
- بناء على
- تستخدم
- حالة الاستخدام
- مستخدم
- واجهة المستخدم
- المستخدمين
- يستخدم
- استخدام
- عادة
- يستخدم
- استخدام
- مختلف
- كبير
- متعدد الجوانب
- بواسطة
- فيديو
- ألعاب الفيديو
- الرؤى
- طريق..
- we
- ثروة
- الويب
- تطبيق ويب
- خدمات ويب
- websocket
- كان
- متى
- التي
- في حين
- من الذى
- واسع
- مدى واسع
- سوف
- مع
- في غضون
- بدون
- كلمات
- للعمل
- سير العمل
- محطة العمل
- العالم
- أنت
- حل متجر العقارات الشامل الخاص بك في جورجيا
- نفسك
- زفيرنت