الذكاء الاصطناعي التوليدي تعمل التطبيقات التي تعتمد على النماذج التأسيسية (FMs) على تمكين المؤسسات ذات القيمة التجارية الكبيرة في تجربة العملاء والإنتاجية وتحسين العمليات والابتكارات. ومع ذلك، فإن اعتماد إدارة المرافق هذه ينطوي على معالجة بعض التحديات الرئيسية، بما في ذلك جودة المخرجات، وخصوصية البيانات، والأمن، والتكامل مع بيانات المنظمة، والتكلفة، ومهارات التسليم.
في هذا المنشور، نستكشف الأساليب المختلفة التي يمكنك اتباعها عند إنشاء التطبيقات التي تستخدم الذكاء الاصطناعي التوليدي. مع التقدم السريع لمديري إدارة المرافق، يعد هذا وقتًا مثيرًا لتسخير قوتهم، ولكنه أيضًا ضروري لفهم كيفية استخدامها بشكل صحيح لتحقيق نتائج الأعمال. نحن نقدم نظرة عامة على أساليب الذكاء الاصطناعي التوليدية الرئيسية، بما في ذلك الهندسة السريعة، والجيل المعزز للاسترجاع (RAG)، وتخصيص النموذج. عند تطبيق هذه الأساليب، نناقش الاعتبارات الرئيسية حول الهلوسة المحتملة، والتكامل مع بيانات المؤسسة، وجودة المخرجات، والتكلفة. في النهاية، سيكون لديك إرشادات قوية ومخطط انسيابي مفيد لتحديد أفضل طريقة لتطوير تطبيقاتك التي تعمل بنظام FM، والتي ترتكز على أمثلة من الحياة الواقعية. سواء كنت تقوم بإنشاء برنامج دردشة آلي أو أداة تلخيص، يمكنك تشكيل رسائل FM قوية لتناسب احتياجاتك.
الذكاء الاصطناعي التوليدي مع AWS
يؤدي ظهور مديري المرافق إلى خلق فرص وتحديات للمؤسسات التي تتطلع إلى استخدام هذه التقنيات. يتمثل التحدي الرئيسي في ضمان مخرجات عالية الجودة ومتماسكة تتوافق مع احتياجات العمل، بدلاً من الهلوسة أو المعلومات الخاطئة. يجب على المؤسسات أيضًا إدارة مخاطر خصوصية البيانات وأمانها بعناية والتي تنشأ عن معالجة البيانات الخاصة مع مديري الخدمات. إن المهارات اللازمة لدمج وتخصيص والتحقق من صحة إدارة المرافق بشكل صحيح ضمن الأنظمة والبيانات الحالية غير متوفرة. يتطلب إنشاء نماذج لغوية كبيرة (LLMs) من الصفر أو تخصيص النماذج المدربة مسبقًا موارد حوسبة كبيرة وعلماء بيانات خبراء وأشهرًا من العمل الهندسي. يمكن أن تصل التكلفة الحسابية وحدها بسهولة إلى ملايين الدولارات لتدريب النماذج بمئات المليارات من المعلمات على مجموعات البيانات الضخمة باستخدام الآلاف من وحدات معالجة الرسومات أو وحدات معالجة الرسومات. بعيدًا عن الأجهزة، يتطلب تنظيف البيانات ومعالجتها، وتصميم بنية النموذج، وضبط المعلمات الفائقة، وتطوير مسارات التدريب مهارات متخصصة في التعلم الآلي (ML). تعتبر العملية الشاملة معقدة وتستغرق وقتًا طويلاً ومكلفة للغاية بالنسبة لمعظم المؤسسات التي لا تمتلك البنية التحتية اللازمة والاستثمار في المواهب. يمكن للمؤسسات التي تفشل في معالجة هذه المخاطر بشكل مناسب أن تواجه تأثيرات سلبية على سمعة علامتها التجارية وثقة العملاء والعمليات والإيرادات.
أمازون بيدروك هي خدمة مُدارة بالكامل توفر مجموعة مختارة من النماذج الأساسية عالية الأداء (FMs) من شركات الذكاء الاصطناعي الرائدة مثل AI21 Labs وAnthropic وCohere وMeta وMistral AI وStability AI وAmazon عبر واجهة برمجة تطبيقات واحدة. مع تجربة Amazon Bedrock بدون خادم، يمكنك البدء بسرعة، وتخصيص FMs بشكل خاص باستخدام بياناتك الخاصة، ودمجها ونشرها في تطبيقاتك باستخدام أدوات AWS دون الحاجة إلى إدارة أي بنية تحتية. Amazon Bedrock مؤهل لـ HIPAA، ويمكنك استخدام Amazon Bedrock بما يتوافق مع اللائحة العامة لحماية البيانات. مع Amazon Bedrock، لا يتم استخدام المحتوى الخاص بك لتحسين النماذج الأساسية ولا تتم مشاركته مع موفري النماذج الخارجيين. يتم دائمًا تشفير بياناتك في Amazon Bedrock أثناء النقل وفي حالة عدم النشاط، ويمكنك تشفير الموارد بشكل اختياري باستخدام مفاتيحك الخاصة. يمكنك استخدام AWS الرابط الخاص مع Amazon Bedrock لإنشاء اتصال خاص بين أجهزة FM وVPC الخاصة بك دون تعريض حركة المرور الخاصة بك إلى الإنترنت. مع قواعد المعرفة لأمازون بيدروك، يمكنك منح مديري الإدارة والوكلاء معلومات سياقية من مصادر البيانات الخاصة بشركتك لـ RAG لتقديم استجابات أكثر ملاءمة ودقة وتخصيصًا. يمكنك تخصيص FMs بشكل خاص باستخدام بياناتك الخاصة من خلال واجهة مرئية دون كتابة أي تعليمات برمجية. باعتبارها خدمة مُدارة بالكامل، توفر Amazon Bedrock تجربة مطور واضحة للعمل مع مجموعة واسعة من مديري FM (FM) ذوي الأداء العالي.
بدأت في 2017، الأمازون SageMaker هي خدمة مُدارة بالكامل تجعل من السهل إنشاء نماذج تعلم الآلة وتدريبها ونشرها. يقوم المزيد والمزيد من العملاء ببناء إدارة المرافق الخاصة بهم باستخدام SageMaker، بما في ذلك Stability AI، وAI21 Labs، وHugging Face، وPerplexity AI، وHippocracic AI، وLG AI Research، ومعهد الابتكار التكنولوجي. لمساعدتك على البدء بسرعة، أمازون سيج ميكر جومب ستارت يقدم مركز تعلم الآلة حيث يمكنك استكشاف وتدريب ونشر مجموعة واسعة من أجهزة FM العامة، مثل نماذج Mistral ونماذج LightOn وRedPajama وMosiac MPT-7B وFLAN-T5/UL2 وGPT-J-6B/Neox-20B وBloom/BloomZ، باستخدام أدوات SageMaker المصممة لهذا الغرض مثل التجارب وخطوط الأنابيب.
أساليب الذكاء الاصطناعي التوليدية الشائعة
في هذا القسم، نناقش الأساليب الشائعة لتنفيذ حلول الذكاء الاصطناعي التوليدية الفعالة. نحن نستكشف التقنيات الهندسية السريعة الشائعة التي تتيح لك تحقيق مهام أكثر تعقيدًا وإثارة للاهتمام باستخدام FMs. نناقش أيضًا كيف يمكن لتقنيات مثل RAG وتخصيص النموذج أن تزيد من تعزيز قدرات FMs والتغلب على التحديات مثل البيانات المحدودة والقيود الحسابية. باستخدام التقنية الصحيحة، يمكنك إنشاء حلول ذكاء اصطناعي توليدية قوية ومؤثرة.
الهندسة السريعة
الهندسة السريعة هي ممارسة تصميم المطالبات بعناية للاستفادة بكفاءة من قدرات مديري المرافق. وهو يتضمن استخدام المطالبات، وهي عبارة عن أجزاء قصيرة من النص توجه النموذج لإنشاء استجابات أكثر دقة وذات صلة. بفضل الهندسة السريعة، يمكنك تحسين أداء أجهزة FM وجعلها أكثر فعالية لمجموعة متنوعة من التطبيقات. في هذا القسم، نستكشف تقنيات مثل التحفيز بدون طلقة أو التحفيز بعدد قليل من الطلقات، والذي يعمل على تكييف FMs بسرعة مع المهام الجديدة مع أمثلة قليلة فقط، والحث على تسلسل الأفكار، الذي يقسم التفكير المعقد إلى خطوات متوسطة. توضح هذه الأساليب كيف يمكن للهندسة السريعة أن تجعل إدارة المرافق أكثر فعالية في المهام المعقدة دون الحاجة إلى إعادة تدريب النموذج.
المطالبة بالطلقة الصفرية
تتطلب تقنية الطلقة الصفرية من مديري الخدمات توليد إجابة دون تقديم أي أمثلة واضحة على السلوك المرغوب، والاعتماد فقط على التدريب المسبق. تعرض لقطة الشاشة التالية مثالاً لمطالبة صفرية مع نموذج Anthropic Claude 2.1 على وحدة تحكم Amazon Bedrock.
ولم نقدم في هذه التعليمات أي أمثلة. ومع ذلك، يمكن للنموذج فهم المهمة وتوليد المخرجات المناسبة. تُعد مطالبات اللقطة الصفرية هي الأسلوب الفوري الأكثر وضوحًا للبدء به عند تقييم FM لحالة الاستخدام الخاصة بك. ومع ذلك، على الرغم من أن FMs رائعة مع المطالبات الصفرية، إلا أنها قد لا تؤدي دائمًا إلى نتائج دقيقة أو مرغوبة للمهام الأكثر تعقيدًا. عندما تكون المطالبات ذات الطلقات الصفرية غير كافية، فمن المستحسن تقديم بعض الأمثلة في الموجه (المطالبات ذات الطلقات القليلة).
مطالبة قليلة بالرصاص
تتيح تقنية الموجهات القليلة اللقطات لمديري FM إجراء التعلم في السياق من الأمثلة الموجودة في المطالبات وتنفيذ المهمة بشكل أكثر دقة. من خلال بعض الأمثلة فقط، يمكنك تكييف FMs بسرعة مع المهام الجديدة دون الحاجة إلى مجموعات تدريب كبيرة وتوجيههم نحو السلوك المطلوب. فيما يلي مثال على بضع لقطات موجهة باستخدام نموذج Cohere Command على وحدة تحكم Amazon Bedrock.
في المثال السابق، تمكن FM من تحديد الكيانات من نص الإدخال (المراجعات) واستخراج المشاعر المرتبطة بها. تعد المطالبات القليلة طريقة فعالة للتعامل مع المهام المعقدة من خلال تقديم بعض الأمثلة على أزواج المدخلات والمخرجات. بالنسبة للمهام المباشرة، يمكنك إعطاء مثال واحد (لقطة واحدة)، بينما بالنسبة للمهام الأكثر صعوبة، يجب عليك تقديم ثلاثة (1 لقطات) إلى خمسة (3 لقطات). مين وآخرون. (2022) تم نشر نتائج حول التعلم في السياق الذي يمكن أن يعزز أداء تقنية التحفيز بالطلقات القليلة. يمكنك استخدام المطالبة السريعة لمجموعة متنوعة من المهام، مثل تحليل المشاعر والتعرف على الكيانات والإجابة على الأسئلة والترجمة وإنشاء التعليمات البرمجية.
سلسلة من الأفكار المطالبة
على الرغم من إمكاناته، إلا أن التحفيز قليل اللقطات له حدود، خاصة عند التعامل مع مهام التفكير المعقدة (مثل المهام الحسابية أو المنطقية). تتطلب هذه المهام تقسيم المشكلة إلى خطوات ومن ثم حلها. وي وآخرون. (2022) قدم تقنية تحفيز سلسلة الأفكار (CoT) لحل مشكلات الاستدلال المعقدة من خلال خطوات الاستدلال الوسيطة. يمكنك الجمع بين CoT والمطالبة بعدد قليل من اللقطات لتحسين النتائج في المهام المعقدة. ما يلي هو مثال لمهمة التفكير المنطقي باستخدام مطالبة CoT قليلة اللقطات باستخدام نموذج Anthropic Claude 2 على وحدة تحكم Amazon Bedrock.
كوجيما وآخرون. (2022) قدم فكرة عن CoT بدون طلقة باستخدام إمكانيات اللقطة الصفرية غير المستغلة لـ FMs. تشير أبحاثهم إلى أن CoT بدون طلقة، باستخدام نفس قالب المطالبة المفردة، يتفوق بشكل كبير على أداء FM بدون طلقة في مهام التفكير المنطقي المتنوعة. يمكنك استخدام مطالبة CoT الصفرية لمهام التفكير المنطقي البسيطة عن طريق إضافة "دعونا نفكر خطوة بخطوة" إلى المطالبة الأصلية.
تتفاعل
يمكن أن يؤدي تحفيز CoT إلى تعزيز قدرات التفكير لدى مديري المرافق، ولكنه لا يزال يعتمد على المعرفة الداخلية للنموذج ولا يأخذ في الاعتبار أي قاعدة معرفية خارجية أو بيئة لجمع المزيد من المعلومات، مما قد يؤدي إلى مشكلات مثل الهلوسة. يعالج نهج ReAct (الاستدلال والتصرف) هذه الفجوة من خلال توسيع نطاق CoT والسماح بالاستدلال الديناميكي باستخدام بيئة خارجية (مثل ويكيبيديا).
الاندماج
يتمتع مديرو FM بالقدرة على فهم الأسئلة وتقديم الإجابات باستخدام معرفتهم المدربة مسبقًا. ومع ذلك، فإنهم يفتقرون إلى القدرة على الرد على الاستفسارات التي تتطلب الوصول إلى البيانات الخاصة للمؤسسة أو القدرة على تنفيذ المهام بشكل مستقل. RAG والوكلاء عبارة عن طرق لربط هذه التطبيقات المولدة بالذكاء الاصطناعي بمجموعات بيانات المؤسسة، وتمكينهم من تقديم استجابات تأخذ في الاعتبار المعلومات التنظيمية وتمكين تشغيل الإجراءات بناءً على الطلبات.
الجيل المعزز الاسترداد
يسمح لك الجيل المعزز للاسترجاع (RAG) بتخصيص استجابات النموذج عندما تريد أن يأخذ النموذج في الاعتبار المعرفة الجديدة أو المعلومات الحديثة. عندما تتغير بياناتك بشكل متكرر، مثل المخزون أو التسعير، فليس من العملي ضبط النموذج وتحديثه أثناء تقديم استعلامات المستخدم. لتزويد إدارة المرافق بمعلومات ملكية محدثة، تلجأ المؤسسات إلى RAG، وهي تقنية تتضمن جلب البيانات من مصادر بيانات الشركة وإثراء الموجه بتلك البيانات لتقديم استجابات أكثر دقة وذات صلة.
هناك العديد من حالات الاستخدام التي يمكن أن يساعد فيها RAG في تحسين أداء FM:
- الإجابة على السؤال – تساعد نماذج RAG تطبيقات الإجابة على الأسئلة في تحديد موقع المعلومات من المستندات أو مصادر المعرفة ودمجها لإنشاء إجابات عالية الجودة. على سبيل المثال، يمكن لتطبيق الإجابة على الأسئلة استرداد فقرات حول موضوع ما قبل إنشاء إجابة تلخيصية.
- روبوتات المحادثة ووكلاء المحادثة - تسمح RAG لروبوتات الدردشة بالوصول إلى المعلومات ذات الصلة من مصادر المعرفة الخارجية الكبيرة. وهذا يجعل استجابات برنامج الدردشة الآلية أكثر دراية وطبيعية.
- المساعدة في الكتابة - يمكن لـ RAG اقتراح المحتوى والحقائق ونقاط التحدث ذات الصلة لمساعدتك في كتابة المستندات مثل المقالات والتقارير ورسائل البريد الإلكتروني بشكل أكثر كفاءة. توفر المعلومات المستردة سياقًا وأفكارًا مفيدة.
- تلخيص - يستطيع فريق RAG العثور على المستندات أو المقاطع أو الحقائق المصدرية ذات الصلة لزيادة فهم نموذج التلخيص لموضوع ما، مما يسمح له بإنشاء ملخصات أفضل.
- الكتابة الإبداعية ورواية القصص - يمكن لـ RAG سحب أفكار الحبكة والشخصيات والإعدادات والعناصر الإبداعية من القصص الموجودة لإلهام نماذج إنشاء القصة بالذكاء الاصطناعي. وهذا يجعل الإخراج أكثر تشويقًا وثباتًا.
- خدمات ترجمة - يمكن لـ RAG العثور على أمثلة لكيفية ترجمة عبارات معينة بين اللغات. وهذا يوفر السياق لنموذج الترجمة، وتحسين ترجمة العبارات الغامضة.
- اضافة الطابع الشخصي - في برامج الدردشة وتطبيقات التوصيات، يمكن لـ RAG سحب السياق الشخصي مثل المحادثات السابقة ومعلومات الملف الشخصي والتفضيلات لجعل الردود أكثر تخصيصًا وملاءمة.
هناك العديد من المزايا في استخدام إطار عمل RAG:
- انخفاض الهلوسة – يساعد استرجاع المعلومات ذات الصلة على إرساء النص الذي تم إنشاؤه على الحقائق والمعرفة الواقعية، بدلاً من النص الهذياني. وهذا يعزز استجابات أكثر دقة وواقعية وجديرة بالثقة.
- تغطية - يسمح الاسترجاع لـ FM بتغطية نطاق أوسع من المواضيع والسيناريوهات بما يتجاوز بيانات التدريب الخاصة به عن طريق سحب المعلومات الخارجية. وهذا يساعد على معالجة مشكلات التغطية المحدودة.
- الكفاءة – يتيح الاسترجاع للنموذج تركيز إنتاجه على المعلومات الأكثر صلة، بدلاً من إنشاء كل شيء من الصفر. يؤدي ذلك إلى تحسين الكفاءة ويسمح باستخدام سياقات أكبر.
- السلامة – يمكن أن يؤدي استرجاع المعلومات من مصادر البيانات المطلوبة والمسموح بها إلى تحسين الإدارة والتحكم في إنشاء المحتوى الضار وغير الدقيق. وهذا يدعم التبني الأكثر أمانًا.
- التدرجية - تسمح الفهرسة والاسترجاع من المجموعات الكبيرة للنهج بالتوسع بشكل أفضل مقارنة باستخدام المجموعة الكاملة أثناء الإنشاء. يمكّنك هذا من اعتماد FMs في البيئات ذات الموارد المحدودة.
تنتج RAG نتائج عالية الجودة، وذلك بسبب زيادة سياق الاستخدام الخاص بحالة معينة مباشرةً من مخازن البيانات الموجهة. بالمقارنة مع الهندسة السريعة، فإنها تنتج نتائج محسنة إلى حد كبير مع فرص منخفضة للغاية للإصابة بالهلوسة. يمكنك إنشاء تطبيقات مدعومة بـ RAG على بيانات مؤسستك باستخدام أمازون كندرا. تتمتع RAG بتعقيد أعلى من الهندسة السريعة لأنك تحتاج إلى مهارات البرمجة والهندسة المعمارية لتنفيذ هذا الحل. ومع ذلك، توفر قواعد المعرفة لـ Amazon Bedrock تجربة RAG مُدارة بالكامل والطريقة الأكثر مباشرة لبدء استخدام RAG في Amazon Bedrock. تعمل قواعد المعرفة الخاصة بـ Amazon Bedrock على أتمتة سير عمل RAG الشامل، بما في ذلك الاستيعاب والاسترداد والزيادة السريعة، مما يلغي الحاجة إلى كتابة تعليمات برمجية مخصصة لدمج مصادر البيانات وإدارة الاستعلامات. تم تضمين إدارة سياق الجلسة حتى يتمكن تطبيقك من دعم المحادثات متعددة الأدوار. تأتي استجابات قاعدة المعرفة مع الاستشهادات بالمصادر لتحسين الشفافية وتقليل الهلوسة. الطريقة الأكثر مباشرة لإنشاء مساعد مدعوم بالذكاء الاصطناعي هي باستخدام أمازون س، الذي يحتوي على نظام RAG مدمج.
تتمتع RAG بأعلى درجة من المرونة عندما يتعلق الأمر بالتغييرات في البنية. يمكنك تغيير نموذج التضمين ومخزن المتجهات وFM بشكل مستقل مع تأثير بسيط إلى متوسط على المكونات الأخرى. لمعرفة المزيد حول نهج RAG مع خدمة Amazon OpenSearch وأمازون بيدروك، راجع أنشئ مسارات عمل RAG قابلة للتطوير وبدون خادم باستخدام محرك متجه لنماذج Amazon OpenSearch Serverless وAmazon Bedrock Claude. للتعرف على كيفية تنفيذ RAG مع Amazon Kendra، راجع تسخير قوة بيانات المؤسسة باستخدام الذكاء الاصطناعي التوليدي: رؤى من Amazon Kendra وLangChain ونماذج اللغات الكبيرة.
وسيط عقاري
يمكن لمسؤولي FM فهم الاستفسارات والرد عليها بناءً على معرفتهم المدربة مسبقًا. ومع ذلك، فهم غير قادرين على إكمال أي مهام في العالم الحقيقي، مثل حجز رحلة طيران أو معالجة طلب شراء، بمفردهم. وذلك لأن مثل هذه المهام تتطلب بيانات خاصة بالمؤسسة ومهام سير العمل التي تحتاج عادةً إلى برمجة مخصصة. الأطر مثل لانجشين وتوفر بعض FMs مثل نماذج Claude إمكانات استدعاء الوظائف للتفاعل مع واجهات برمجة التطبيقات والأدوات. لكن، وكلاء شركة أمازون بيدروك، وهي قدرة ذكاء اصطناعي جديدة ومُدارة بالكامل من AWS، تهدف إلى تسهيل قيام المطورين ببناء التطبيقات باستخدام الجيل التالي من FMs. من خلال بضع نقرات فقط، يمكنه تقسيم المهام تلقائيًا وإنشاء منطق التنسيق المطلوب، دون الحاجة إلى ترميز يدوي. يمكن للوكلاء الاتصال بشكل آمن بقواعد بيانات الشركة عبر واجهات برمجة التطبيقات، واستيعاب البيانات وتنظيمها لاستهلاك الجهاز، وزيادتها بالتفاصيل السياقية لإنتاج استجابات أكثر دقة وتلبية الطلبات. نظرًا لأنه يتعامل مع التكامل والبنية التحتية، يتيح لك Agents for Amazon Bedrock الاستفادة الكاملة من الذكاء الاصطناعي التوليدي في حالات الاستخدام التجاري. يمكن للمطورين الآن التركيز على تطبيقاتهم الأساسية بدلاً من السباكة الروتينية. تتيح المعالجة الآلية للبيانات واستدعاء واجهة برمجة التطبيقات (API) أيضًا لـ FM تقديم إجابات محدثة ومصممة خصيصًا وتنفيذ المهام الفعلية باستخدام المعرفة الخاصة.
تخصيص النموذج
تتميز النماذج الأساسية بقدرتها الفائقة على تمكين بعض التطبيقات الرائعة، ولكن ما سيساعد في دفع أعمالك هو الذكاء الاصطناعي الإنتاجي الذي يعرف ما هو مهم لعملائك ومنتجاتك وشركتك. وهذا ممكن فقط عندما تقوم بشحن النماذج ببياناتك. البيانات هي المفتاح للانتقال من التطبيقات العامة إلى تطبيقات الذكاء الاصطناعي التوليدية المخصصة التي تخلق قيمة حقيقية لعملائك وعملك.
في هذا القسم، نناقش التقنيات والفوائد المختلفة لتخصيص أجهزة FM الخاصة بك. نحن نغطي كيف يتضمن تخصيص النموذج مزيدًا من التدريب وتغيير أوزان النموذج لتحسين أدائه.
الكون المثالى
الضبط الدقيق هو عملية أخذ FM مدرب مسبقًا، مثل Llama 2، ومواصلة تدريبه على مهمة لاحقة باستخدام مجموعة بيانات خاصة بهذه المهمة. يوفر النموذج المُدرب مسبقًا معرفة لغوية عامة، ويتيح له الضبط الدقيق التخصص وتحسين الأداء في مهمة معينة مثل تصنيف النص، أو الإجابة على الأسئلة، أو إنشاء النص. من خلال الضبط الدقيق، يمكنك توفير مجموعات بيانات مصنفة - والتي تم شرحها بسياق إضافي - لتدريب النموذج على مهام محددة. يمكنك بعد ذلك تكييف معلمات النموذج للمهمة المحددة بناءً على سياق عملك.
يمكنك تنفيذ الضبط الدقيق على FMs باستخدام أمازون سيج ميكر جومب ستارت وأمازون بيدروك. لمزيد من التفاصيل، راجع قم بنشر النماذج الأساسية وضبطها بدقة في Amazon SageMaker JumpStart باستخدام سطرين من التعليمات البرمجية و قم بتخصيص النماذج في Amazon Bedrock باستخدام بياناتك الخاصة باستخدام الضبط الدقيق والتدريب المسبق المستمر.
استمرار التدريب المسبق
يمكّنك التدريب المسبق المستمر في Amazon Bedrock من تعليم نموذج تم تدريبه مسبقًا على بيانات إضافية مشابهة لبياناته الأصلية. فهو يمكّن النموذج من اكتساب معرفة لغوية أكثر عمومية بدلاً من التركيز على تطبيق واحد. من خلال التدريب المسبق المستمر، يمكنك استخدام مجموعات البيانات غير المسماة، أو البيانات الأولية، لتحسين دقة النموذج الأساسي لنطاقك من خلال تعديل معلمات النموذج. على سبيل المثال، يمكن لشركة الرعاية الصحية الاستمرار في التدريب المسبق لنموذجها باستخدام المجلات الطبية والمقالات والأوراق البحثية لجعلها أكثر دراية بمصطلحات الصناعة. لمزيد من التفاصيل، راجع تجربة مطور أمازون بيدروك.
فوائد تخصيص النموذج
يتميز تخصيص النموذج بالعديد من المزايا ويمكن أن يساعد المؤسسات في ما يلي:
- التكيف الخاص بالمجال – يمكنك استخدام FM للأغراض العامة، ثم تدريبه بشكل أكبر على البيانات من مجال معين (مثل الطب الحيوي أو القانوني أو المالي). يؤدي هذا إلى تكييف النموذج مع مفردات هذا المجال وأسلوبه وما إلى ذلك.
- الضبط الدقيق لمهمة محددة - يمكنك استخدام FM مدرب مسبقًا وضبطه على البيانات لمهمة محددة (مثل تحليل المشاعر أو الإجابة على الأسئلة). وهذا يخصص النموذج لتلك المهمة المحددة.
- اضافة الطابع الشخصي - يمكنك تخصيص FM على بيانات الفرد (رسائل البريد الإلكتروني والنصوص والمستندات التي كتبها) لتكييف النموذج مع أسلوبه الفريد. يمكن أن يؤدي هذا إلى تمكين المزيد من التطبيقات المخصصة.
- ضبط لغة منخفضة الموارد – يمكنك إعادة تدريب الطبقات العليا فقط من FM متعدد اللغات على لغة منخفضة الموارد لتكييفها بشكل أفضل مع تلك اللغة.
- إصلاح العيوب – إذا تم اكتشاف بعض السلوكيات غير المقصودة في النموذج، فإن تخصيص البيانات المناسبة يمكن أن يساعد في تحديث النموذج لتقليل تلك العيوب.
يساعد تخصيص النموذج في التغلب على تحديات اعتماد إدارة المرافق التالية:
- التكيف مع المجالات والمهام الجديدة - غالبًا ما يحتاج مديرو FM المدربون مسبقًا على مجموعة النصوص العامة إلى ضبط البيانات الخاصة بالمهمة بشكل جيد للعمل بشكل جيد مع التطبيقات النهائية. يؤدي الضبط الدقيق إلى تكييف النموذج مع المجالات أو المهام الجديدة التي لم يتم التدريب عليها في الأصل.
- التغلب على التحيز - قد يُظهر مديرو FM تحيزات من بيانات التدريب الأصلية الخاصة بهم. يمكن أن يؤدي تخصيص نموذج للبيانات الجديدة إلى تقليل التحيزات غير المرغوب فيها في مخرجات النموذج.
- تحسين الكفاءة الحسابية - غالبًا ما تكون وحدات FM المدربة مسبقًا كبيرة جدًا ومكلفة من الناحية الحسابية. يمكن أن يسمح تخصيص النموذج بتقليص حجم النموذج عن طريق تقليم المعلمات غير المهمة، مما يجعل النشر أكثر جدوى.
- التعامل مع البيانات المستهدفة المحدودة – في بعض الحالات، تتوفر بيانات محدودة في العالم الحقيقي للمهمة المستهدفة. يستخدم تخصيص النموذج الأوزان المدربة مسبقًا التي تم تعلمها في مجموعات البيانات الأكبر حجمًا للتغلب على ندرة البيانات هذه.
- تحسين أداء المهام – يؤدي الضبط الدقيق دائمًا إلى تحسين الأداء في المهام المستهدفة مقارنة باستخدام الأوزان الأصلية المدربة مسبقًا. يتيح لك هذا التحسين للنموذج للاستخدام المقصود نشر FMs بنجاح في التطبيقات الحقيقية.
يتميز تخصيص النموذج بتعقيد أعلى من الهندسة السريعة وRAG نظرًا لأنه يتم تغيير وزن النموذج ومعلماته من خلال ضبط البرامج النصية، الأمر الذي يتطلب علوم البيانات وخبرة تعلم الآلة. ومع ذلك، تجعل Amazon Bedrock الأمر واضحًا من خلال توفير تجربة مُدارة لتخصيص النماذج بها الكون المثالى or استمرار التدريب المسبق. يوفر تخصيص النموذج نتائج دقيقة للغاية مع مخرجات ذات جودة مماثلة لـ RAG. نظرًا لأنك تقوم بتحديث أوزان النموذج على البيانات الخاصة بالمجال، فإن النموذج ينتج المزيد من الاستجابات السياقية. بالمقارنة مع RAG، قد تكون الجودة أفضل قليلاً اعتمادًا على حالة الاستخدام. ولذلك، من المهم إجراء تحليل للمفاضلة بين التقنيتين. من المحتمل أن تتمكن من تنفيذ RAG باستخدام نموذج مخصص.
إعادة التدريب أو التدريب من الصفر
إن بناء نموذج الذكاء الاصطناعي الأساسي الخاص بك بدلاً من استخدام النماذج العامة المدربة مسبقًا فقط يسمح بمزيد من التحكم والأداء المحسن والتخصيص لحالات الاستخدام والبيانات المحددة لمؤسستك. يمكن أن يوفر الاستثمار في إنشاء إدارة FM مخصصة قدرة أفضل على التكيف والترقيات والتحكم في القدرات. يتيح التدريب الموزع إمكانية التوسع اللازمة لتدريب FMs كبيرة جدًا على مجموعات البيانات الضخمة عبر العديد من الأجهزة. هذا التوازي يجعل النماذج التي تحتوي على مئات المليارات من المعلمات المدربة على تريليونات من الرموز المميزة ممكنة. تتمتع النماذج الأكبر حجمًا بقدرة أكبر على التعلم والتعميم.
يمكن أن يؤدي التدريب من الصفر إلى نتائج عالية الجودة لأن النموذج يتدرب على استخدام بيانات خاصة بحالة معينة من الصفر، وتكون فرص الهلوسة نادرة، ويمكن أن تكون دقة الإخراج من بين الأعلى. ومع ذلك، إذا كانت مجموعة البيانات الخاصة بك تتطور باستمرار، فلا يزال من الممكن أن تواجه مشكلات الهلوسة. التدريب من الصفر لديه أعلى تعقيد في التنفيذ وأعلى تكلفة. يتطلب الأمر أقصى جهد لأنه يتطلب جمع كمية هائلة من البيانات، وتنظيمها ومعالجتها، وتدريب إدارة إدارة كبيرة إلى حد ما، الأمر الذي يتطلب علوم بيانات عميقة وخبرة في تعلم الآلة. يستغرق هذا الأسلوب وقتًا طويلاً (قد يستغرق عادةً أسابيع إلى أشهر).
يجب أن تفكر في تدريب FM من الصفر عندما لا تعمل أي من الطرق الأخرى لصالحك، ولديك القدرة على إنشاء FM بكمية كبيرة من البيانات المميزة المنسقة جيدًا، وميزانية متطورة، وفريق من خبراء تعلم الآلة ذوي المهارات العالية . توفر AWS البنية التحتية السحابية الأكثر تقدمًا لتدريب وتشغيل LLMs وFMs الأخرى المدعومة بوحدات معالجة الرسومات وشريحة تدريب ML المصممة لهذا الغرض، تدريب AWS، ومسرع الاستدلال ML، استدلال AWS. لمزيد من التفاصيل حول تدريب LLMs على SageMaker، راجع تدريب نماذج اللغات الكبيرة على Amazon SageMaker: أفضل الممارسات و سيج ميكر هايبربود.
اختيار النهج الصحيح لتطوير تطبيقات الذكاء الاصطناعي التوليدية
عند تطوير تطبيقات الذكاء الاصطناعي التوليدية، يجب على المؤسسات أن تفكر بعناية في العديد من العوامل الرئيسية قبل اختيار النموذج الأكثر ملاءمة لتلبية احتياجاتها. ينبغي أخذ مجموعة متنوعة من الجوانب في الاعتبار، مثل التكلفة (لضمان توافق النموذج المختار مع قيود الميزانية)، والجودة (لتقديم مخرجات متماسكة ودقيقة في الواقع)، والتكامل السلس مع منصات المؤسسة الحالية وسير العمل، والحد من الهلوسة أو توليد معلومات كاذبة . ومع وجود العديد من الخيارات المتاحة، فإن تخصيص الوقت لإجراء تقييم شامل لهذه الجوانب سيساعد المؤسسات على اختيار نموذج الذكاء الاصطناعي التوليدي الذي يخدم متطلباتها وأولوياتها المحددة على أفضل وجه. يجب عليك فحص العوامل التالية عن كثب:
- التكامل مع أنظمة المؤسسة – لكي يكون مديرو إدارة الأعمال (FM) مفيدًا حقًا في سياق المؤسسة، فهم بحاجة إلى التكامل والتفاعل مع أنظمة الأعمال وسير العمل الحالية. قد يتضمن ذلك الوصول إلى البيانات من قواعد البيانات، وتخطيط موارد المؤسسة (ERP)، وإدارة علاقات العملاء (CRM)، بالإضافة إلى تفعيل الإجراءات وسير العمل. وبدون التكامل المناسب، فإن الإدارة المالية تخاطر بأن تصبح أداة معزولة. تحتوي أنظمة المؤسسات مثل ERP على بيانات الأعمال الرئيسية (العملاء والمنتجات والطلبات). يجب أن تكون إدارة المرافق متصلة بهذه الأنظمة لاستخدام بيانات المؤسسة بدلاً من العمل على الرسم البياني للمعرفة الخاص بها، والذي قد يكون غير دقيق أو قديم. وهذا يضمن الدقة ومصدر واحد للحقيقة.
- الهلوسة – تحدث الهلوسة عندما يقوم تطبيق الذكاء الاصطناعي بإنشاء معلومات كاذبة تبدو حقيقية. ويجب معالجة هذه الأمور بعناية قبل اعتماد تدابير الإدارة المالية على نطاق واسع. على سبيل المثال، يمكن لروبوت الدردشة الطبي المصمم لتقديم اقتراحات التشخيص أن يهلوس بتفاصيل حول أعراض المريض أو تاريخه الطبي، مما يؤدي إلى اقتراح تشخيص غير دقيق. سيكون منع الهلوسة الضارة مثل هذه من خلال الحلول التقنية وتنظيم مجموعة البيانات أمرًا بالغ الأهمية للتأكد من إمكانية الوثوق بأجهزة FM هذه للتطبيقات الحساسة مثل الرعاية الصحية والتمويل والقانون. يجب أن يكون الاختبار الشامل والشفافية بشأن بيانات تدريب FM والعيوب المتبقية مصاحبة لعمليات النشر.
- المهارات والموارد – سيعتمد النجاح في اعتماد مديري المرافق بشكل كبير على امتلاك المهارات والموارد المناسبة لاستخدام التكنولوجيا بفعالية. تحتاج المؤسسات إلى موظفين يتمتعون بمهارات تقنية قوية لتنفيذ إدارة المرافق وتخصيصها وصيانتها بشكل صحيح بما يتناسب مع احتياجاتهم الخاصة. كما أنها تتطلب موارد حسابية وافرة مثل الأجهزة المتقدمة وقدرات الحوسبة السحابية لتشغيل FMs المعقدة. على سبيل المثال، يحتاج فريق التسويق الذي يرغب في استخدام FM لإنشاء نسخة إعلانية ومنشورات على وسائل التواصل الاجتماعي إلى مهندسين ماهرين لدمج النظام، ومبدعين لتقديم المطالبات وتقييم جودة المخرجات، وقدرة حوسبة سحابية كافية لنشر النموذج بتكلفة فعالة. إن الاستثمار في تطوير الخبرة والبنية التحتية التقنية سيمكن المؤسسات من اكتساب قيمة تجارية حقيقية من خلال تطبيق إدارة المرافق.
- جودة الإخراج - ستكون جودة المخرجات التي تنتجها إدارة المرافق حاسمة في تحديد اعتمادها واستخدامها، وخاصة في التطبيقات التي تواجه المستهلك مثل برامج الدردشة الآلية. إذا كانت روبوتات الدردشة التي تدعمها FMs تقدم استجابات غير دقيقة أو لا معنى لها أو غير مناسبة، فسرعان ما سيشعر المستخدمون بالإحباط وسيتوقفون عن التعامل معها. لذلك، تحتاج الشركات التي تتطلع إلى نشر روبوتات الدردشة إلى إجراء اختبار صارم لبرامج FM التي تدفعها للتأكد من أنها تولد باستمرار استجابات عالية الجودة تكون مفيدة وذات صلة ومناسبة لتوفير تجربة مستخدم جيدة. تشمل جودة المخرجات عوامل مثل الملاءمة والدقة والتماسك والملاءمة، والتي تساهم جميعها في تحقيق رضا المستخدم بشكل عام وستؤدي إلى اعتماد FMs مثل تلك المستخدمة في برامج الدردشة أو توقفها.
- التكلفة - إن القوة الحسابية العالية المطلوبة لتدريب وتشغيل نماذج الذكاء الاصطناعي الكبيرة مثل FMs يمكن أن تؤدي إلى تكاليف باهظة. قد تفتقر العديد من المؤسسات إلى الموارد المالية أو البنية التحتية السحابية اللازمة لاستخدام مثل هذه النماذج الضخمة. بالإضافة إلى ذلك، يؤدي دمج وحدات FM وتخصيصها لحالات استخدام محددة إلى إضافة تكاليف هندسية. يمكن للنفقات الكبيرة المطلوبة لاستخدام FMs أن تمنع التبني على نطاق واسع، خاصة بين الشركات الصغيرة والشركات الناشئة ذات الميزانيات المحدودة. يعد تقييم العائد المحتمل على الاستثمار وموازنة التكاليف مقابل فوائد إدارة المرافق أمرًا بالغ الأهمية للمؤسسات التي تفكر في تطبيقها وفائدتها. ومن المرجح أن تكون كفاءة التكلفة عاملاً حاسماً في تحديد ما إذا كان من الممكن نشر هذه النماذج القوية كثيفة الاستخدام للموارد وكيف يمكن نشرها بشكل عملي.
قرار التصميم
وكما تناولنا في هذا المنشور، تتوفر حاليًا العديد من تقنيات الذكاء الاصطناعي المختلفة، مثل الهندسة السريعة وRAG وتخصيص النموذج. هذه المجموعة الواسعة من الاختيارات تجعل من الصعب على الشركات تحديد النهج الأمثل لحالة الاستخدام الخاصة بها. يعتمد اختيار المجموعة الصحيحة من التقنيات على عوامل مختلفة، بما في ذلك الوصول إلى مصادر البيانات الخارجية، وموجزات البيانات في الوقت الفعلي، وخصوصية مجال التطبيق المقصود. للمساعدة في تحديد التقنية الأكثر ملاءمة بناءً على حالة الاستخدام والاعتبارات المعنية، نسير عبر المخطط الانسيابي التالي، الذي يوضح التوصيات لمطابقة الاحتياجات والقيود المحددة مع الأساليب المناسبة.
للحصول على فهم واضح، دعنا نستعرض مخطط تدفق قرار التصميم باستخدام بعض الأمثلة التوضيحية:
- بحث المؤسسة - يتطلع الموظف إلى طلب إجازة من مؤسسته. لتوفير استجابة تتماشى مع سياسات الموارد البشرية في المنظمة، يحتاج مدير الإدارة إلى سياق أكبر يتجاوز معرفته وقدراته. على وجه التحديد، تتطلب الإدارة المالية الوصول إلى مصادر البيانات الخارجية التي توفر إرشادات وسياسات الموارد البشرية ذات الصلة. نظرًا لهذا السيناريو لطلب الموظف الذي يتطلب الإشارة إلى بيانات خارجية خاصة بالمجال، فإن النهج الموصى به وفقًا لمخطط التدفق هو الهندسة السريعة باستخدام RAG. سيساعد RAG في توفير البيانات ذات الصلة من مصادر البيانات الخارجية كسياق لـ FM.
- البحث عن المؤسسات بمخرجات خاصة بالمؤسسة – لنفترض أن لديك رسومات هندسية وتريد استخراج قائمة المواد منها، وتنسيق الإخراج وفقًا لمعايير الصناعة. وللقيام بذلك، يمكنك استخدام تقنية تجمع بين الهندسة السريعة وRAG ونموذج اللغة المضبوط بدقة. سيتم تدريب النموذج المضبوط بدقة على إنتاج فواتير المواد عند تقديم الرسومات الهندسية كمدخلات. يساعد RAG في العثور على الرسومات الهندسية الأكثر صلة من مصادر بيانات المؤسسة لتغذيتها في سياق FM. بشكل عام، يستخرج هذا النهج قوائم المواد من الرسومات الهندسية ويبني المخرجات بشكل مناسب للمجال الهندسي.
- البحث العام – تخيل أنك تريد العثور على هوية الرئيس الثلاثين للولايات المتحدة. يمكنك استخدام الهندسة السريعة للحصول على الإجابة من وزير الخارجية. ونظرًا لأن هذه النماذج يتم تدريبها على العديد من مصادر البيانات، فإنها يمكنها غالبًا تقديم إجابات دقيقة على الأسئلة الواقعية مثل هذه.
- بحث عام مع الأحداث الأخيرة – إذا كنت ترغب في تحديد سعر السهم الحالي لأمازون، فيمكنك استخدام أسلوب الهندسة السريعة مع الوكيل. سيقوم الوكيل بتزويد FM بأحدث سعر للسهم حتى يتمكن من إنشاء الرد الفعلي.
وفي الختام
يوفر الذكاء الاصطناعي التوليدي إمكانات هائلة للمؤسسات لدفع الابتكار وتعزيز الإنتاجية عبر مجموعة متنوعة من التطبيقات. ومع ذلك، فإن اعتماد تقنيات الذكاء الاصطناعي الناشئة بنجاح يتطلب معالجة الاعتبارات الرئيسية المتعلقة بالتكامل وجودة المخرجات والمهارات والتكاليف والمخاطر المحتملة مثل الهلوسة الضارة أو نقاط الضعف الأمنية. تحتاج المنظمات إلى اتباع نهج منظم لتقييم متطلبات وقيود حالة الاستخدام الخاصة بها لتحديد التقنيات الأكثر ملاءمة لتكييف وتطبيق إدارة المرافق. كما هو موضح في هذا المنشور، تتمتع كل من الهندسة السريعة وRAG وطرق تخصيص النماذج الفعالة بنقاط القوة والضعف الخاصة بها والتي تناسب سيناريوهات مختلفة. من خلال تعيين احتياجات الأعمال إلى قدرات الذكاء الاصطناعي باستخدام إطار عمل منظم، يمكن للمؤسسات التغلب على العقبات التي تعترض التنفيذ والبدء في تحقيق الفوائد من مديري المرافق مع بناء حواجز حماية لإدارة المخاطر أيضًا. ومن خلال التخطيط المدروس المرتكز على أمثلة من العالم الحقيقي، فإن الشركات في كل صناعة قادرة على إطلاق العنان لقيمة هائلة من هذه الموجة الجديدة من الذكاء الاصطناعي التوليدي. تعلم حول إنشاء الذكاء الاصطناعي على AWS.
حول المؤلف
جاي راو هو مهندس الحلول الرئيسي في AWS. وهو يركز على تقنيات الذكاء الاصطناعي/التعلم الآلي مع اهتمام كبير بالذكاء الاصطناعي التوليدي ورؤية الكمبيوتر. وفي AWS، يستمتع بتقديم التوجيه الفني والاستراتيجي للعملاء ومساعدتهم في تصميم وتنفيذ الحلول التي تدفع نتائج الأعمال. وهو مؤلف كتاب (Computer Vision on AWS)، وينشر بانتظام المدونات ونماذج التعليمات البرمجية، وقد ألقى محادثات في مؤتمرات تقنية مثل AWS re:Invent.
بابو كاريادن بارامباث هو أحد كبار المتخصصين في الذكاء الاصطناعي/تعلم الآلة في AWS. في AWS، يستمتع بالعمل مع العملاء لمساعدتهم على تحديد حالة الاستخدام التجاري المناسبة ذات القيمة التجارية وحلها باستخدام حلول وخدمات AWS AI/ML. قبل انضمامه إلى AWS، كان بابو أحد المبشرين بالذكاء الاصطناعي ويتمتع بخبرة 20 عامًا في مجال الصناعة المتنوعة حيث كان يقدم قيمة أعمال تعتمد على الذكاء الاصطناعي للعملاء.
- 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/best-practices-to-build-generative-ai-applications-on-aws/
- :لديها
- :يكون
- :ليس
- :أين
- 1
- 100
- 116
- 20
- 20 سنة
- 2017
- 2022
- المرتبة الرابعة
- 7
- a
- القدرة
- ماهرون
- حول المستشفى
- مسرع
- الوصول
- الوصول
- مرافقة
- وفقا
- حسابي
- دقة
- دقيق
- بدقة
- التأهيل
- في
- التمثيل
- الإجراءات
- يقدم
- تكيف
- تكيف
- التكيف
- يتكيف
- مضيفا
- إضافي
- وبالإضافة إلى ذلك
- العنوان
- تناولت
- عناوين
- معالجة
- يضيف
- كاف
- تبنى
- اعتمد
- اعتماد
- تبني
- متقدم
- تقدم
- مزايا
- دعاية
- الوكيل
- عملاء
- AI
- نماذج الذكاء الاصطناعى
- منظمة العفو الدولية البحوث
- AI-بالطاقة
- AI / ML
- مساعدة
- وتهدف
- AL
- محاذاة
- الانحياز
- يحاذي
- الكل
- السماح
- السماح
- يسمح
- تقريبا
- وحده
- أيضا
- بالرغم ان
- دائما
- أمازون
- أمازون كندرا
- الأمازون SageMaker
- أمازون سيج ميكر جومب ستارت
- أمازون ويب سيرفيسز
- من بين
- وسط
- كمية
- an
- تحليل
- و
- والبنية التحتية
- إجابة
- الإجابة
- الأجوبة
- أنثروبي
- أي وقت
- API
- واجهات برمجة التطبيقات
- التطبيق
- يبدو
- تطبيق
- التطبيقات
- تطبيق
- نهج
- اقتراب
- مناسب
- بشكل مناسب
- هندسة معمارية
- هي
- تنشأ
- حول
- مقالات
- AS
- الجوانب
- تقييم
- المساعد
- أسوشيتد
- At
- زيادة
- المعزز
- المؤلفة
- الآلي
- الأتمتة
- تلقائيا
- مستقل
- متاح
- AWS
- AWS إعادة: اختراع
- قاعدة
- على أساس
- BE
- لان
- أصبح
- قبل
- بدأ
- سلوك
- السلوكيات
- يجري
- مؤشر
- الفوائد
- أفضل
- أفضل الممارسات
- أفضل
- ما بين
- Beyond
- التحيزات
- مشروع قانون
- المليارات
- فواتير
- الطبية الحيوية
- المدونة
- كتاب
- حجز
- زيادة
- على حد سواء
- العلامة تجارية
- استراحة
- كسر
- فواصل
- واسع
- أوسع
- ميزانية
- الميزانيات
- نساعدك في بناء
- ابني
- بنيت
- مدمج
- الأعمال
- الأعمال
- لكن
- by
- دعوة
- CAN
- يستطيع الحصول على
- قدرات
- قدرة
- قادر على
- الطاقة الإنتاجية
- بعناية
- حمل
- حقيبة
- الحالات
- معين
- تحدى
- التحديات
- تحدي
- فرص
- تغيير
- غير
- التغييرات
- متغير
- الأحرف
- رسم
- chatbot
- chatbots
- رقاقة
- خيار
- الخيارات
- اختار
- تصنيف
- سوائل التنظيف
- واضح
- عن كثب
- سحابة
- الحوسبة السحابية
- البنية التحتية السحابية
- الكود
- البرمجة
- متماسك
- جمع
- دمج
- يجمع بين
- تأتي
- يأتي
- مشترك
- الشركات
- حول الشركة
- الشركة
- مماثل
- مقارنة
- إكمال
- مجمع
- تعقيد
- الالتزام
- مكونات
- فهم
- الحسابية
- القوة الحسابية
- حسابيا
- إحصاء
- الكمبيوتر
- رؤية الكمبيوتر
- الحوسبة
- القدرة الحاسوبية
- إدارة
- المؤتمرات
- التواصل
- متصل
- الإتصال
- نظر
- كبير
- الاعتبارات
- نظرت
- النظر
- باتساق
- كنسولات
- باستمرار
- القيود
- استهلاك
- تحتوي على
- محتوى
- جيل المحتوى
- سياق الكلام
- السياقات
- قريني
- استمر
- واصل
- المساهمة
- مراقبة
- تحادثي
- المحادثات
- نسخة
- جوهر
- التكلفة
- التكاليف
- استطاع
- بهيكل
- تغطية
- مغطى
- خلق
- خلق
- الإبداع
- التصميمات
- حرج
- CRM
- حاسم
- القيمين
- كرأيشن
- حالياًّ
- حاليا
- على
- زبون
- تجربة العملاء
- العملاء
- التخصيص
- تصميم
- حسب الطلب
- البيانات
- خصوصية البيانات
- خصوصية وأمان البيانات
- معالجة المعلومات
- علم البيانات
- قواعد البيانات
- قواعد البيانات
- تعامل
- اتخاذ القرار
- القرار
- عميق
- الدرجة العلمية
- نقل
- تم التوصيل
- تقديم
- الطلب
- شرح
- تعتمد
- اعتمادا
- يعتمد
- نشر
- نشر
- نشر
- نشر
- تصميم
- تصميم
- تصميم
- مطلوب
- تفاصيل
- حدد
- تحديد
- تطوير
- المطور
- المطورين
- تطوير
- التطوير التجاري
- التشخيص
- مختلف
- صعبة
- مباشرة
- اكتشف
- بحث
- وزعت
- التدريب الموزع
- عدة
- do
- وثائق
- لا
- دولار
- نطاق
- المجالات
- إلى أسفل
- المخططات
- قيادة
- مدفوع
- اثنان
- أثناء
- ديناميكي
- E & T
- كل
- بسهولة
- الطُرق الفعّالة
- على نحو فعال
- كفاءة
- فعال
- بكفاءة
- جهد
- عناصر
- مؤهل
- القضاء
- رسائل البريد الإلكتروني
- تضمين
- ظهور
- الناشئة
- موظف
- الموظفين
- تمكين
- تمكين
- تمكن
- تمكين
- يشمل
- تشفير
- مشفرة
- النهاية
- النهائي إلى نهاية
- جذاب
- محرك
- الهندسة
- المهندسين
- تعزيز
- إثراء
- ضمان
- يضمن
- ضمان
- مشروع
- الكيانات
- كيان
- البيئة
- البيئات
- جهز
- ERP
- خاصة
- إنشاء
- تقييم
- تقييم
- مبشر
- كل
- كل شىء
- المتطورة
- بحث
- مثال
- أمثلة
- المثيره
- عرض
- القائمة
- مصاريف
- ذو تكلفة باهظة
- الخبره في مجال الغطس
- تجارب
- خبير
- خبرة
- خبرائنا
- اكتشف
- إطالة
- خارجي
- استخراج
- مقتطفات
- جدا
- الوجه
- عامل
- العوامل
- حقائق
- يفشلون
- بإنصاف
- فال
- زائف
- قابليه
- قليل
- تمويل
- مالي
- النتائج
- خمسة
- العيوب
- مرونة
- طيران
- تدفق
- تركز
- ويركز
- متابعيك
- في حالة
- دورة تأسيسية
- التأسيسية
- الإطار
- الأطر
- كثيرا
- تبدأ من
- محبط
- الوفاء
- بالإضافة إلى
- تماما
- إضافي
- ربح
- فجوة
- جمع
- GDPR
- العلاجات العامة
- هدف عام
- توليد
- ولدت
- يولد
- توليد
- جيل
- توليدي
- الذكاء الاصطناعي التوليدي
- دولار فقط واحصل على خصم XNUMX% على جميع
- منح
- معطى
- Go
- خير
- الحكم
- وحدات معالجة الرسومات
- رسم بياني
- عظيم
- أكبر
- أرض
- على الارض
- توجيه
- توجيه
- المبادئ التوجيهية
- مقابض
- أجهزة التبخير
- الضارة
- ظفيرة
- يملك
- وجود
- he
- الرعاية الصحية
- بشكل كبير
- مساعدة
- مفيد
- مساعدة
- يساعد
- مرتفع
- عالية الأداء
- عالي الجودة
- أعلى
- أعلى
- أعلى درجة
- سلط الضوء
- جدا
- تاريخ
- كيفية
- كيفية
- لكن
- hr
- HTML
- HTTPS
- محور
- مئات
- العقبات
- ضبط Hyperparameter
- فكرة
- الأفكار
- تحديد
- تحديد
- هوية
- if
- تخيل
- هائلة
- التأثير
- تأثيرا
- الآثار
- تنفيذ
- التنفيذ
- أهمية
- تحسن
- تحسن
- يحسن
- تحسين
- in
- غير دقيق
- بما فيه
- بشكل مستقل
- يشير
- العالمية
- معايير الصناعة
- معلومات
- البنية التحتية
- الابتكار
- الابتكارات
- إدخال
- رؤى
- إلهام
- معهد
- تعليمات
- دمج
- دمج
- التكامل
- معد
- تفاعل
- مصلحة
- وكتابة مواضيع مثيرة للاهتمام
- السطح البيني
- داخلي
- Internet
- التفاعل
- إلى
- أدخلت
- المخزون
- الاستثمار
- استثمار
- تنطوي
- المشاركة
- ينطوي
- معزول
- مسائل
- IT
- انها
- انضمام
- م
- شديد
- القفل
- مفاتيح
- المعرفة
- الرسم البياني المعرفة
- يعرف
- مختبرات
- نقص
- لغة
- اللغات
- كبير
- أكبر
- طبقات
- قيادة
- قيادة
- تعلم
- تعلم
- تعلم
- يترك
- شروط وأحكام
- يتيح
- LG
- مثل
- على الأرجح
- القيود
- محدود
- خطوط
- اللاما نوع من الجمال
- منطق
- منطقي
- أبحث
- منخفض
- آلة
- آلة التعلم
- الآلات
- المحافظة
- جعل
- يصنع
- القيام ب
- إدارة
- تمكن
- إدارة
- كتيب
- كثير
- رسم الخرائط
- التسويق
- هائل
- نطاق واسع
- مطابقة
- المواد
- مايو..
- الوسائط
- طبي
- تعرف علي
- مييتااا
- طريقة
- طرق
- ربما
- ملايين
- تقليل
- ML
- نموذج
- عارضات ازياء
- المقبلة.
- الأكثر من ذلك
- أكثر
- يتحرك
- يجب
- طبيعي
- ضروري
- حاجة
- بحاجة
- الحاجة
- إحتياجات
- سلبي
- جديد
- الجيل القادم
- بدون اضاءة
- الآن
- of
- خصم
- عروض
- غالبا
- on
- ONE
- فقط
- عمليات
- الفرص
- الأمثل
- التحسين
- مزيد من الخيارات
- or
- تزامن
- طلب
- الطلبات
- منظمة
- التنظيمية
- المنظمات
- أصلي
- في الأصل
- أخرى
- خارج
- النتائج
- قديم
- حدود
- يتفوق
- الناتج
- النتائج
- على مدى
- الكلي
- تغلب
- نظرة عامة
- الخاصة
- أزواج
- أوراق
- المعلمات
- خاص
- خاصة
- المقاطع
- الماضي
- نفذ
- أداء
- العروض
- الشخصية
- مخصصه
- عبارات
- قطعة
- خط أنابيب
- تخطيط
- منصات التداول
- أفلاطون
- الذكاء افلاطون البيانات
- أفلاطون داتا
- مؤامرة
- نقاط
- سياسات الخصوصية والبيع
- الرائج
- ممكن
- منشور
- المنشورات
- محتمل
- يحتمل
- قوة
- مدعوم
- قوي
- عملية
- ممارسة
- الممارسات
- السابقة
- التفضيلات
- رئيس
- منع
- سابقا
- السعر
- التسعير
- رئيسي
- قبل
- خصوصية
- الخصوصية والأمن
- خاص
- المشكلة
- مشاكل
- عملية المعالجة
- معالجة
- إنتاج
- أنتج
- ينتج عنه
- إنتاجية
- المنتجات
- ملفي الشخصي
- برمجة وتطوير
- يعزز
- مطالبات
- لائق
- بصورة صحيحة
- اقترح
- الملكية
- تزود
- مقدمي
- ويوفر
- توفير
- جمهور
- نشرت
- تنشر
- سحب
- شراء
- طلب شراء
- جودة
- الاستفسارات
- سؤال
- الأسئلة المتكررة
- بسرعة
- خرقة
- نطاق
- سريع
- بسرعة
- نادر
- بدلا
- الخام
- RE
- رد فعل
- حقيقي
- القيمة الحقيقية
- العالم الحقيقي
- في الوقت الحقيقي
- معلومات الوقت الحقيقي
- تحقيق
- الأخيرة
- اعتراف
- توصية مجاناً
- ساندي خ. ميليك
- موصى به
- تخفيض
- تقليص
- الرجوع
- بانتظام
- صلة
- مدى صلة
- ذات الصلة
- الاعتماد
- المتبقية
- لافت للنظر
- التقارير
- سمعة
- طلب
- طلبات
- تطلب
- مطلوب
- المتطلبات الأساسية
- يتطلب
- مطلوب
- بحث
- مورد
- موارد كثيفة
- الموارد
- الرد
- استجابة
- ردود
- REST
- النتائج
- استرجاع
- عائد أعلى
- الإيرادات
- التعليقات
- حق
- المخاطر
- روتين
- يجري
- تشغيل
- أكثر أمانا
- sagemaker
- نفسه
- رضا
- التدرجية
- تحجيم
- حجم
- السبب الاساسي لوجود علم الاقتصاد هو مشكلة الندرة
- سيناريو
- سيناريوهات
- علوم
- العلماء
- خدش
- مخطوطات
- سلس
- بحث
- القسم
- آمن
- أمن
- المخاطر الأمنية
- مختار
- اختيار
- اختيار
- كبير
- حساس
- عاطفة
- مشاعر
- Serverless
- يخدم
- الخدمة
- خدماتنا
- خدمة
- الجلسة
- طقم
- باكجات
- إعدادات
- عدة
- الشكل
- شاركت
- قصير
- ينبغي
- يظهر
- هام
- بشكل ملحوظ
- مماثل
- الاشارات
- عزباء
- ماهر
- مهارات
- الأصغر
- So
- العدالة
- وسائل التواصل الاجتماعي
- منشورات مواقع التواصل الاجتماعي
- فقط
- الصلبة
- حل
- الحلول
- حل
- حل
- بعض
- متطور
- مصدر
- مصادر
- متخصص
- متخصصون
- متخصص
- تتخصص
- محدد
- على وجه التحديد
- النوعية
- استقرار
- موقف
- المعايير
- بداية
- بدأت
- البدء
- المحافظة
- خطوة
- خطوات
- لا يزال
- مخزون
- قلة النوم
- متجر
- فروعنا
- قصص
- قصتنا
- صريح
- إستراتيجي
- نقاط القوة
- قوي
- بناء
- منظم
- الهياكل
- نمط
- جوهري
- ناجح
- بنجاح
- هذه
- كاف
- اقترح
- بدلة
- مناسب
- أدائنا
- تزويد
- الدعم
- الدعم
- بالتأكيد
- أعراض
- نظام
- أنظمة
- معالجة
- تناسب
- أخذ
- مع الأخذ
- الموهوبين
- الحديث
- محادثات
- نقر
- الهدف
- مهمة
- المهام
- فريق
- التكنولوجيا
- تقني
- مهارات تقنية
- تقنية
- تقنيات
- التكنولوجيا
- تكنولوجيا
- تكنولوجيا الابتكار
- قالب
- المصطلح
- تجربه بالعربي
- الاختبار
- نص
- تصنيف النص
- من
- أن
- •
- المعلومات
- من مشاركة
- منهم
- then
- هناك.
- وبالتالي
- تشبه
- هم
- اعتقد
- طرف ثالث
- شامل
- بعناية
- هؤلاء
- الآلاف
- ثلاثة
- عبر
- الوقت
- استهلاك الوقت
- إلى
- المرمز
- الرموز
- أداة
- أدوات
- تيشرت
- موضوع
- المواضيع
- نحو
- حركة المرور
- قطار
- متدرب
- قادة الإيمان
- عبور
- خدمات ترجمة
- الشفافية
- هائل
- اثار
- تريليونات
- حقا
- الثقة
- افضل
- جدير بالثقة
- حقيقة
- ضبط
- منعطف أو دور
- التغيير والتبديل
- اثنان
- عادة
- غير قادر
- فهم
- فهم
- فريد من نوعه
- متحد
- الولايات المتحدة
- فتح
- غير مستغل
- غير مرغوب فيه
- حديث جديد
- تحديث
- تحديث
- تحديث
- ترقيات
- تستخدم
- حالة الاستخدام
- مستعمل
- مفيد
- مستخدم
- تجربة المستخدم
- المستخدمين
- يستخدم
- استخدام
- سهل حياتك
- التحقق من صحة
- قيمنا
- تشكيلة
- مختلف
- كبير
- إلى حد كبير
- جدا
- بواسطة
- رؤيتنا
- بصري
- vs
- نقاط الضعف
- سير
- تريد
- يريد
- وكان
- موجة
- طريق..
- we
- نقاط الضعف
- الويب
- خدمات ويب
- أسابيع
- وزن
- وزن
- حسن
- ابحث عن
- متى
- في حين
- سواء
- التي
- في حين
- واسع
- مدى واسع
- على نحو واسع
- واسع الانتشار
- ويكيبيديا
- سوف
- مع
- في غضون
- بدون
- للعمل
- سير العمل
- سير العمل
- عامل
- سوف
- اكتب
- جاري الكتابة
- مكتوب
- سنوات
- التوزيعات للسهم الواحد
- أنت
- حل متجر العقارات الشامل الخاص بك في جورجيا
- زفيرنت