تنشئ شركة Accenture حلاً للمساعدة المعرفية باستخدام خدمات الذكاء الاصطناعي التوليدية على AWS | خدمات الويب الأمازون

تمت كتابة هذا المنشور بالاشتراك مع إيلان جيلر وشويو يانغ من شركة Accenture.

تواجه الشركات اليوم تحديات كبيرة عندما يتعلق الأمر باستخدام قواعد المعلومات والمعرفة الخاصة بها لكل من العمليات التجارية الداخلية والخارجية. مع العمليات والعمليات والسياسات ومتطلبات الامتثال المتطورة باستمرار، قد يكون من الصعب للغاية على الموظفين والعملاء مواكبة التطورات. وفي الوقت نفسه، فإن الطبيعة غير المنظمة لكثير من هذا المحتوى تجعل العثور على الإجابات باستخدام البحث التقليدي يستغرق وقتًا طويلاً.

داخليًا، يمكن للموظفين في كثير من الأحيان قضاء ساعات لا تحصى في البحث عن المعلومات التي يحتاجونها للقيام بعملهم، مما يؤدي إلى الإحباط وانخفاض الإنتاجية. وعندما لا يتمكنون من العثور على إجابات، يتعين عليهم تصعيد المشكلات أو اتخاذ قرارات دون سياق كامل، مما قد يخلق مخاطر.

وعلى المستوى الخارجي، قد يجد العملاء أيضًا أنه من المحبط تحديد موقع المعلومات التي يبحثون عنها. على الرغم من أن قواعد المعرفة المؤسسية قد حسنت تجربة العملاء بمرور الوقت، إلا أنها لا تزال مرهقة وصعبة الاستخدام. سواء كنت تبحث عن إجابات لسؤال متعلق بالمنتج أو تحتاج إلى معلومات حول ساعات العمل والمواقع، فإن التجربة السيئة يمكن أن تؤدي إلى الإحباط، أو ما هو أسوأ من ذلك، انشقاق العملاء.

في كلتا الحالتين، مع زيادة تعقيد إدارة المعرفة، يقدم الذكاء الاصطناعي التوليدي فرصة لتغيير قواعد اللعبة للمؤسسات لربط الأشخاص بالمعلومات التي يحتاجون إليها للأداء والابتكار. ومن خلال الإستراتيجية الصحيحة، يمكن لهذه الحلول الذكية أن تغير كيفية التقاط المعرفة وتنظيمها واستخدامها عبر المؤسسة.

وللمساعدة في مواجهة هذا التحدي، تعاونت شركة Accenture مع AWS لبناء حل مبتكر للذكاء الاصطناعي يسمى Knowledge Assist. باستخدام خدمات الذكاء الاصطناعي التوليدية من AWS، قام الفريق بتطوير نظام يمكنه استيعاب وفهم كميات هائلة من محتوى المؤسسة غير المنظم.

بدلاً من البحث عن الكلمات الرئيسية التقليدية، يمكن للمستخدمين الآن طرح الأسئلة واستخلاص الإجابات الدقيقة في واجهة محادثة مباشرة. يفهم الذكاء الاصطناعي التوليدي السياق والعلاقات داخل قاعدة المعرفة لتقديم استجابات مخصصة ودقيقة. نظرًا لأنه يتلقى المزيد من الاستعلامات، يعمل النظام باستمرار على تحسين معالجة اللغة من خلال خوارزميات التعلم الآلي (ML).

منذ إطلاق إطار مساعدة الذكاء الاصطناعي هذا، شهدت الشركات تحسينات كبيرة في الاحتفاظ بمعارف الموظفين وإنتاجيتهم. من خلال توفير الوصول السريع والدقيق إلى المعلومات وتمكين الموظفين من الخدمة الذاتية، يقلل هذا الحل من وقت التدريب للموظفين الجدد بنسبة تزيد عن 50% ويقلل من التصعيد بنسبة تصل إلى 40%.

بفضل قوة الذكاء الاصطناعي التوليدي، يمكن للمؤسسات تحويل كيفية التقاط المعرفة وتنظيمها ومشاركتها عبر المؤسسة. ومن خلال فتح قواعد المعرفة الحالية، يمكن للشركات تعزيز إنتاجية الموظفين ورضا العملاء. وكما يوضح تعاون Accenture مع AWS، فإن مستقبل إدارة المعرفة المؤسسية يكمن في الأنظمة التي تعتمد على الذكاء الاصطناعي والتي تتطور من خلال التفاعلات بين البشر والآلات.

تعمل Accenture مع AWS لمساعدة العملاء على النشر أمازون بيدروك، الاستفادة من النماذج التأسيسية الأكثر تقدما مثل أمازون تيتان، ونشر التقنيات الرائدة في الصناعة مثل أمازون سيج ميكر جومب ستارت و استدلال الأمازون إلى جانب خدمات AWS ML الأخرى.

يقدم هذا المنشور نظرة عامة على حل الذكاء الاصطناعي الشامل الذي طورته شركة Accenture لحالة استخدام الإنتاج باستخدام Amazon Bedrock وخدمات AWS الأخرى.

حل نظرة عامة

يخدم أحد العملاء الكبار في قطاع الصحة العامة ملايين المواطنين يوميًا، ويطالبون بسهولة الوصول إلى أحدث المعلومات في مشهد صحي دائم التغير. قامت شركة Accenture بدمج وظيفة الذكاء الاصطناعي التوليدية هذه في روبوت الأسئلة الشائعة الحالي، مما يسمح لروبوت الدردشة بتقديم إجابات لمجموعة واسعة من أسئلة المستخدم. إن زيادة قدرة المواطنين على الوصول إلى المعلومات ذات الصلة بطريقة الخدمة الذاتية توفر الوقت والمال للإدارة، مما يقلل الحاجة إلى تفاعل وكيل مركز الاتصال. تشمل الميزات الرئيسية للحل ما يلي:

• نهج النية الهجين - يستخدم النوايا التوليدية والمدربة مسبقًا
• دعم متعدد اللغات - محادثات باللغتين الإنجليزية والإسبانية
• تحليل المحادثة – تقارير عن احتياجات المستخدم، والمشاعر، والمخاوف
• أحاديث طبيعية - يحافظ على السياق من خلال معالجة اللغة الطبيعية الشبيهة بالإنسان (NLP)
• اقتباسات شفافة - إرشاد المستخدمين إلى مصدر المعلومات

يوفر حل الذكاء الاصطناعي التوليدي من Accenture المزايا التالية مقارنة بأطر عمل روبوتات الدردشة الحالية أو التقليدية:

• يُنشئ استجابات دقيقة وذات صلة وطبيعية لاستفسارات المستخدم بسرعة
• يتذكر السياق ويجيب على أسئلة المتابعة
• يتعامل مع الاستعلامات ويولد الردود بلغات متعددة (مثل الإنجليزية والإسبانية)
• يتعلم ويحسن الاستجابات باستمرار بناءً على تعليقات المستخدمين
• يمكن دمجه بسهولة مع منصة الويب الموجودة لديك
• يستوعب مستودعًا واسعًا من قاعدة معارف المؤسسة
• يستجيب بطريقة تشبه الإنسان
• تطور المعرفة متاح بشكل مستمر بأقل جهد أو بدون جهد
• يستخدم نموذج الدفع عند الاستخدام دون أي تكاليف مقدمة

يتضمن سير العمل عالي المستوى لهذا الحل الخطوات التالية:

1. يقوم المستخدمون بإنشاء تكامل بسيط مع منصات الويب الموجودة
2. يتم استيعاب البيانات في النظام الأساسي كتحميل مجمع في اليوم 0 ثم تحميلات تزايدية في اليوم 1+.​
3. تتم معالجة استعلامات المستخدم في الوقت الفعلي من خلال توسيع نطاق النظام كما هو مطلوب لتلبية طلب المستخدم.
4. يتم حفظ المحادثات في قواعد بيانات التطبيق (أمازون دينامو دي بي) لدعم المحادثات متعددة الجولات.​
5. يتم استدعاء نموذج مؤسسة Anthropic Claude عبر Amazon Bedrock، والذي يُستخدم لإنشاء استجابات استعلام بناءً على المحتوى الأكثر صلة.
6. يتم استخدام نموذج مؤسسة Anthropic Claude لترجمة الاستفسارات وكذلك الردود من اللغة الإنجليزية إلى اللغات الأخرى المرغوبة لدعم المحادثات متعددة اللغات.
7. يتم استدعاء نموذج مؤسسة Amazon Titan عبر Amazon Bedrock لإنشاء عمليات تضمين متجهة.
8. يتم تحديد مدى ملاءمة المحتوى من خلال تشابه تضمينات المحتوى الخام وتضمين استعلام المستخدم باستخدام تضمينات قاعدة بيانات متجهات Pinecone.​
9. يتم إلحاق السياق مع سؤال المستخدم لإنشاء مطالبة، والتي يتم توفيرها كمدخل لنموذج Anthropic Claude. يتم تقديم الاستجابة التي تم إنشاؤها مرة أخرى إلى المستخدم عبر منصة الويب.

يوضح الرسم البياني التالي بنية الحل.

يمكن فهم التدفق المعماري في جزأين:

في الأقسام التالية، نناقش الجوانب المختلفة للحل وتطوره بمزيد من التفصيل.

اختيار النموذج

تضمنت عملية اختيار النموذج اختبار التراجع لمختلف النماذج المتوفرة في Amazon Bedrock، والتي تضمنت نماذج AI21 Labs وCohere وAnthropic وAmazon Foundation. لقد تحققنا من حالات الاستخدام المدعومة وسمات النموذج والحد الأقصى من الرموز المميزة والتكلفة والدقة والأداء واللغات. وبناءً على ذلك، اخترنا Claude-2 باعتباره الأنسب لحالة الاستخدام هذه.

مصدر البيانات

لقد أنشأنا فهرس Amazon Kendra وأضفنا مصدر بيانات باستخدام موصلات زاحف الويب مع عنوان URL للويب الجذري وعمق الدليل بمستويين. تم استيعاب العديد من صفحات الويب في فهرس Amazon Kendra واستخدامها كمصدر للبيانات.

عملية الطلب والاستجابة لـ GenAI chatbot

تتكون خطوات هذه العملية من تفاعل شامل مع طلب من أمازون ليكس والاستجابة من نموذج اللغة الكبير (LLM):

1. يرسل المستخدم الطلب إلى تطبيق الواجهة الأمامية للمحادثة المستضاف في ملف خدمة تخزين أمازون البسيطة (أمازون S3) دلو من خلال الأمازون الطريق 53 و الأمازون CloudFront.
2. يفهم Amazon Lex القصد ويوجه الطلب إلى المنسق المستضاف في AWS لامدا وظيفة.
3. تقوم وظيفة Lambda المُنسقة بتنفيذ الخطوات التالية:
   1. تتفاعل الوظيفة مع قاعدة بيانات التطبيق، والتي تتم استضافتها في قاعدة بيانات مُدارة بواسطة DynamoDB. تقوم قاعدة البيانات بتخزين معرف الجلسة ومعرف المستخدم لسجل المحادثة.
   2. يتم إرسال طلب آخر إلى فهرس Amazon Kendra للحصول على أفضل خمس نتائج بحث ذات صلة لبناء السياق ذي الصلة. باستخدام هذا السياق، يتم إنشاء المطالبة المعدلة المطلوبة لنموذج LLM.
   3. تم إنشاء الاتصال بين Amazon Bedrock والمنسق. يتم إرسال طلب إلى نموذج Amazon Bedrock Claude-2 للحصول على الاستجابة من نموذج LLM المحدد.
4. تتم معالجة البيانات لاحقًا من استجابة LLM ويتم إرسال الرد إلى المستخدم.

إعداد التقارير عبر الإنترنت

تتكون عملية الإبلاغ عبر الإنترنت من الخطوات التالية:

1. يتفاعل المستخدمون النهائيون مع برنامج الدردشة عبر طبقة الواجهة الأمامية لـ CloudFront CDN.
2. يتم تسهيل كل تفاعل للطلب/الاستجابة بواسطة AWS SDK ويرسل حركة مرور الشبكة إلى Amazon Lex (مكون البرمجة اللغوية العصبية (NLP) للروبوت).
3. يتم تسجيل البيانات التعريفية حول أزواج الطلب/الاستجابة الأمازون CloudWatch.
4. تم تكوين مجموعة سجلات CloudWatch باستخدام عامل تصفية الاشتراك الذي يرسل السجلات إلى خدمة Amazon OpenSearch.
5. بمجرد توفرها في خدمة OpenSearch، يمكن استخدام السجلات لإنشاء التقارير ولوحات المعلومات باستخدام Kibana.

وفي الختام

في هذا المنشور، عرضنا كيف تستخدم شركة Accenture خدمات الذكاء الاصطناعي التوليدية من AWS لتنفيذ نهج شامل نحو التحول الرقمي. لقد حددنا الفجوات في منصات الإجابة على الأسئلة التقليدية والذكاء التوليدي المعزز ضمن إطارها من أجل أوقات استجابة أسرع وتحسين النظام بشكل مستمر أثناء التفاعل مع المستخدمين في جميع أنحاء العالم. تواصل مع فريق Accenture Center of Excellence للتعمق أكثر في الحل ونشر هذا الحل لعملائك.

يمكن تطبيق منصة مساعدة المعرفة هذه على صناعات مختلفة، بما في ذلك على سبيل المثال لا الحصر العلوم الصحية والخدمات المالية والتصنيع والمزيد. توفر هذه المنصة إجابات طبيعية شبيهة بالإنسان على الأسئلة باستخدام المعرفة المضمونة. تتيح هذه المنصة الكفاءة والإنتاجية والإجراءات الأكثر دقة التي يمكن لمستخدميها اتخاذها.

ويعتمد هذا الجهد المشترك على العلاقة الإستراتيجية الممتدة على مدار 15 عامًا بين الشركتين ويستخدم نفس الآليات والمسرعات التي أثبتت جدواها والتي أنشأها مجموعة أعمال Accenture AWS (آبغ).

تواصل مع فريق AABG على Accentureaws@amazon.com لدفع نتائج الأعمال من خلال التحول إلى مؤسسة بيانات ذكية على AWS.

لمزيد من المعلومات حول الذكاء الاصطناعي التوليدي على AWS باستخدام Amazon Bedrock أو الأمازون SageMaker، نوصي بالموارد التالية:

بامكانك ايضا قم بالتسجيل في النشرة الإخبارية للذكاء الاصطناعي AWS، والذي يتضمن الموارد التعليمية والمدونات وتحديثات الخدمة.

---

حول المؤلف

إيلان جيلر هو المدير العام لشركة Accenture مع التركيز على الذكاء الاصطناعي، ومساعدة العملاء على توسيع نطاق تطبيقات الذكاء الاصطناعي والشريك العالمي لـ GenAI COE في AWS.

شويو يانغ هو قائد تسليم نماذج الذكاء الاصطناعي التوليدي ونماذج اللغات الكبيرة ويقود أيضًا فرق CoE (مركز التميز) Accenture AI (AWS DevOps Professional).

شيخار كواترة هو مهندس حلول متخصص في الذكاء الاصطناعي/تعلم الآلة في Amazon Web Services، ويعمل مع أحد الشركات العالمية الرائدة في مجال تكامل الأنظمة. لقد حصل على لقب أحد أصغر المخترعين الهنود مع أكثر من 500 براءة اختراع في مجالات الذكاء الاصطناعي/التعلم الآلي وإنترنت الأشياء. يساعد Shikhar في تصميم وبناء وصيانة بيئات سحابية فعالة من حيث التكلفة وقابلة للتطوير للمؤسسة، ويدعم شريك GSI في بناء حلول الصناعة الإستراتيجية على AWS.

جاي بيلاي هو مهندس الحلول الرئيسي في Amazon Web Services. في هذا المنصب، يعمل كمهندس رئيسي عالمي للذكاء الاصطناعي وأيضًا كمهندس رئيسي لحلول سلسلة التوريد لدى AABG. بصفته قائدًا في مجال تكنولوجيا المعلومات، يتخصص جاي في الذكاء الاصطناعي وتكامل البيانات وذكاء الأعمال ومجالات واجهة المستخدم. ويتمتع بخبرة واسعة تمتد إلى 23 عامًا في العمل مع العديد من العملاء عبر مجالات سلسلة التوريد والتقنيات القانونية والعقارات والخدمات المالية والتأمين والمدفوعات وأبحاث السوق.

كارثيك سونتي يقود فريقًا عالميًا من مهندسي الحلول الذين يركزون على تصور وبناء وإطلاق الحلول الأفقية والوظيفية والرأسية مع Accenture لمساعدة عملائنا المشتركين على تحويل أعمالهم بطريقة مختلفة على AWS.

• 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/accenture-creates-a-knowledge-assist-solution-using-generative-ai-services-on-aws/