আজকের তথ্য যুগে, অগণিত নথিতে থাকা বিপুল পরিমাণ ডেটা ব্যবসার জন্য একটি চ্যালেঞ্জ এবং একটি সুযোগ উভয়ই উপস্থাপন করে। ঐতিহ্যগত নথি প্রক্রিয়াকরণ পদ্ধতিগুলি প্রায়শই দক্ষতা এবং নির্ভুলতায় কম পড়ে, যা উদ্ভাবন, খরচ-দক্ষতা এবং অপ্টিমাইজেশানের জন্য জায়গা ছেড়ে দেয়। ইন্টেলিজেন্ট ডকুমেন্ট প্রসেসিং (IDP) এর আবির্ভাবের সাথে ডকুমেন্ট প্রসেসিং উল্লেখযোগ্য অগ্রগতির সাক্ষী হয়েছে। IDP-এর সাহায্যে, ব্যবসাগুলি বিভিন্ন ধরনের নথির অসংগঠিত ডেটাকে কাঠামোগত, কর্মযোগ্য অন্তর্দৃষ্টিতে রূপান্তর করতে পারে, নাটকীয়ভাবে দক্ষতা বৃদ্ধি করে এবং ম্যানুয়াল প্রচেষ্টা হ্রাস করতে পারে। যাইহোক, সম্ভাবনা সেখানে শেষ হয় না। প্রক্রিয়ায় জেনারেটিভ আর্টিফিশিয়াল ইন্টেলিজেন্স (AI) একীভূত করার মাধ্যমে, আমরা IDP সক্ষমতা আরও বাড়াতে পারি। জেনারেটিভ এআই শুধুমাত্র ডকুমেন্ট প্রসেসিংয়ে উন্নত ক্ষমতার পরিচয় দেয় না, এটি ডাটা প্যাটার্ন পরিবর্তনের জন্য একটি গতিশীল অভিযোজন ক্ষমতাও প্রবর্তন করে। এই পোস্টটি আপনাকে IDP এবং জেনারেটিভ এআই-এর সমন্বয়ের মধ্য দিয়ে নিয়ে যায়, তারা কীভাবে নথি প্রক্রিয়াকরণের পরবর্তী সীমান্তকে উপস্থাপন করে তা উন্মোচন করে।
আমরা এডব্লিউএস এআই পরিষেবাগুলির সাথে আমাদের সিরিজ ইন্টেলিজেন্ট ডকুমেন্ট প্রসেসিং-এ IDP সম্পর্কে বিস্তারিত আলোচনা করি (পার্ট 1 এবং পার্ট 2) এই পোস্টে, আমরা বড় ভাষা মডেল (LLMs) সহ একটি নতুন বা বিদ্যমান IDP আর্কিটেকচার কীভাবে প্রসারিত করা যায় তা নিয়ে আলোচনা করেছি। আরো সুনির্দিষ্টভাবে, আমরা আলোচনা করি কিভাবে আমরা সংহত করতে পারি অ্যামাজন টেক্সট্র্যাক সঙ্গে ল্যাংচেইন একটি নথি লোডার হিসাবে এবং আমাজন বেডরক নথি থেকে ডেটা বের করতে এবং বিভিন্ন IDP পর্যায়ের মধ্যে জেনারেটিভ এআই ক্ষমতা ব্যবহার করতে।
Amazon Textract হল একটি মেশিন লার্নিং (ML) পরিষেবা যা স্বয়ংক্রিয়ভাবে স্ক্যান করা নথি থেকে পাঠ্য, হাতের লেখা এবং ডেটা বের করে। Amazon Bedrock হল একটি সম্পূর্ণরূপে পরিচালিত পরিষেবা যা সহজে-ব্যবহারের API-এর মাধ্যমে উচ্চ-পারফর্মিং ফাউন্ডেশন মডেলের (FMs) একটি পছন্দ অফার করে।
নিম্নলিখিত চিত্রটি একটি উচ্চ-স্তরের রেফারেন্স আর্কিটেকচার যা ব্যাখ্যা করে যে আপনি কীভাবে ফাউন্ডেশন মডেলগুলির সাথে একটি IDP ওয়ার্কফ্লোকে আরও উন্নত করতে পারেন। আপনি IDP-এর এক বা সমস্ত পর্যায়ে এলএলএম ব্যবহার করতে পারেন ব্যবহারের ক্ষেত্রে এবং পছন্দসই ফলাফলের উপর নির্ভর করে।
নিম্নলিখিত বিভাগে, আমরা এই নির্দিষ্ট কাজের প্রতিটির জন্য দস্তাবেজগুলি প্রক্রিয়া করতে ল্যাংচেইন ব্যবহার করে কীভাবে অ্যামাজন টেক্সট্র্যাক্টকে জেনারেটিভ এআই ওয়ার্কফ্লোতে একীভূত করা হয় সে সম্পর্কে গভীরভাবে ডুব দিয়েছি। এখানে প্রদত্ত কোড ব্লকগুলি সংক্ষিপ্ততার জন্য ছাঁটাই করা হয়েছে। আমাদের পড়ুন GitHub সংগ্রহস্থল বিস্তারিত পাইথন নোটবুক এবং ধাপে ধাপে ওয়াকথ্রু-এর জন্য।
LLM-এর সাথে নথি প্রক্রিয়াকরণের ক্ষেত্রে নথি থেকে পাঠ্য নিষ্কাশন একটি গুরুত্বপূর্ণ দিক। আপনি ডকুমেন্ট থেকে অসংগঠিত কাঁচা টেক্সট বের করতে এবং নথিতে উপস্থিত মূল-মূল্যের জোড়া এবং টেবিলের মতো মূল আধা-গঠিত বা কাঠামোগত বস্তু সংরক্ষণ করতে Amazon Textract ব্যবহার করতে পারেন। স্বাস্থ্যসেবা এবং বীমা দাবি বা বন্ধকীগুলির মতো নথি প্যাকেজগুলি জটিল ফর্মগুলি নিয়ে গঠিত যা কাঠামোগত, আধা-কাঠামোগত এবং অসংগঠিত ফর্ম্যাটগুলিতে প্রচুর তথ্য ধারণ করে। নথি নিষ্কাশন এখানে একটি গুরুত্বপূর্ণ পদক্ষেপ কারণ এলএলএমগুলি আরও সঠিক এবং প্রাসঙ্গিক প্রতিক্রিয়া তৈরি করতে সমৃদ্ধ সামগ্রী থেকে উপকৃত হয়, যা অন্যথায় এলএলএমের আউটপুটের গুণমানকে প্রভাবিত করতে পারে।
LangChain হল LLM-এর সাথে একীভূত করার জন্য একটি শক্তিশালী ওপেন সোর্স ফ্রেমওয়ার্ক। সাধারণভাবে এলএলএমগুলি বহুমুখী তবে ডোমেন-নির্দিষ্ট কাজের সাথে লড়াই করতে পারে যেখানে গভীর প্রসঙ্গ এবং সংক্ষিপ্ত প্রতিক্রিয়া প্রয়োজন। LangChain এই ধরনের পরিস্থিতিতে ডেভেলপারদের এজেন্ট তৈরি করার ক্ষমতা দেয় যা জটিল কাজগুলিকে ছোট সাব-টাস্কে ভেঙে দিতে পারে। সাব-টাস্কগুলি LLM প্রম্পটগুলিকে সংযুক্ত এবং চেইন করার মাধ্যমে LLMগুলিতে প্রসঙ্গ এবং মেমরি প্রবর্তন করতে পারে।
ল্যাংচেইন অফার করে নথি লোডার যা নথি থেকে ডেটা লোড এবং রূপান্তর করতে পারে। আপনি এগুলিকে পছন্দের ফর্ম্যাটে নথি গঠন করতে ব্যবহার করতে পারেন যা এলএলএম দ্বারা প্রক্রিয়া করা যেতে পারে। দ্য AmazonTextractPDFLloader একটি পরিষেবা লোডার ধরনের নথি লোডার যা ল্যাংচেইনের সাথে অ্যামাজন টেক্সট্র্যাক্ট ব্যবহার করে নথি প্রক্রিয়াকরণ স্বয়ংক্রিয় করার দ্রুত উপায় প্রদান করে। আরো বিস্তারিত জানার জন্য AmazonTextractPDFLoader
, পড়ুন ল্যাংচেইন ডকুমেন্টেশন Amazon Textract ডকুমেন্ট লোডার ব্যবহার করতে, আপনি এটি LangChain লাইব্রেরি থেকে আমদানি করে শুরু করুন:
from langchain.document_loaders import AmazonTextractPDFLoader
https_loader = AmazonTextractPDFLoader("https://sample-website.com/sample-doc.pdf")
https_document = https_loader.load() s3_loader = AmazonTextractPDFLoader("s3://sample-bucket/sample-doc.pdf")
s3_document = s3_loader.load()
এছাড়াও আপনি Amazon S3-এ নথি সংরক্ষণ করতে পারেন এবং s3:// URL প্যাটার্ন ব্যবহার করে তাদের উল্লেখ করতে পারেন, যেমন ব্যাখ্যা করা হয়েছে S3/ ব্যবহার করে একটি বালতি অ্যাক্সেস করা, এবং অ্যামাজন টেক্সট্র্যাক্ট পিডিএফ লোডারে এই S3 পথটি পাস করুন:
import boto3
textract_client = boto3.client('textract', region_name='us-east-2') file_path = "s3://amazon-textract-public-content/langchain/layout-parser-paper.pdf"
loader = AmazonTextractPDFLoader(file_path, client=textract_client)
documents = loader.load()
একটি বহু-পৃষ্ঠার নথিতে পাঠ্যের একাধিক পৃষ্ঠা থাকবে, যা তারপর নথি বস্তুর মাধ্যমে অ্যাক্সেস করা যেতে পারে, যা পৃষ্ঠাগুলির একটি তালিকা। নিম্নলিখিত কোডটি ডকুমেন্ট অবজেক্টের পৃষ্ঠাগুলির মধ্য দিয়ে লুপ করে এবং নথির পাঠ্যটি মুদ্রণ করে, যা এর মাধ্যমে উপলব্ধ page_content
অ্যাট্রিবিউট:
print(len(documents)) for document in documents: print(document.page_content)
ডকুমেন্ট শ্রেণীবিভাগের জন্য অ্যামাজন কম্প্রিহেন্ড এবং এলএলএম কার্যকরভাবে ব্যবহার করা যেতে পারে। Amazon Comprehend হল একটি প্রাকৃতিক ভাষা প্রক্রিয়াকরণ (NLP) পরিষেবা যা পাঠ্য থেকে অন্তর্দৃষ্টি বের করতে ML ব্যবহার করে। আমাজন কম্প্রিহেন্ড পিডিএফ, ওয়ার্ড এবং ইমেজ ফরম্যাটের মতো নথিতে লেআউট সচেতনতা সহ কাস্টম শ্রেণিবিন্যাস মডেল প্রশিক্ষণকে সমর্থন করে। Amazon Comprehend ডকুমেন্ট ক্লাসিফায়ার ব্যবহার সম্পর্কে আরও তথ্যের জন্য, পড়ুন Amazon Comprehend ডকুমেন্ট ক্লাসিফায়ার উচ্চতর নির্ভুলতার জন্য লেআউট সমর্থন যোগ করে.
যখন LLM-এর সাথে পেয়ার করা হয়, তখন নথির শ্রেণীবিভাগ বড় আকারের নথি পরিচালনার জন্য একটি শক্তিশালী পদ্ধতিতে পরিণত হয়। LLM নথির শ্রেণীবিভাগে সহায়ক কারণ তারা নথির পাঠ্য, নিদর্শন এবং প্রাসঙ্গিক উপাদানগুলি প্রাকৃতিক ভাষা বোঝার ব্যবহার করে বিশ্লেষণ করতে পারে। আপনি নির্দিষ্ট ডকুমেন্ট ক্লাসের জন্য তাদের সূক্ষ্ম-টিউন করতে পারেন। যখন IDP পাইপলাইনে প্রবর্তিত একটি নতুন নথির প্রকারের শ্রেণিবিন্যাসের প্রয়োজন হয়, তখন এলএলএম পাঠ্য প্রক্রিয়া করতে পারে এবং ক্লাসের একটি সেট দেওয়া নথিকে শ্রেণীবদ্ধ করতে পারে। নিচের একটি নমুনা কোড যা ডকুমেন্ট থেকে টেক্সট বের করতে এবং ডকুমেন্টের শ্রেণীবিভাগের জন্য ব্যবহার করতে Amazon Textract দ্বারা চালিত LangChain ডকুমেন্ট লোডার ব্যবহার করে। আমরা ব্যবহার করি নৃতাত্ত্বিক ক্লদ v2 আমাজন বেডরকের মাধ্যমে মডেল ক্লাসিফিকেশন সঞ্চালন.
নিম্নলিখিত উদাহরণে, আমরা প্রথমে রোগীর স্রাব রিপোর্ট থেকে পাঠ্য বের করি এবং তিনটি ভিন্ন নথির প্রকারের একটি তালিকা দিয়ে এটিকে শ্রেণিবদ্ধ করতে একটি LLM ব্যবহার করি-DISCHARGE_SUMMARY
, RECEIPT
, এবং PRESCRIPTION
. নিম্নলিখিত স্ক্রিনশট আমাদের রিপোর্ট দেখায়.
from langchain.document_loaders import AmazonTextractPDFLoader
from langchain.llms import Bedrock
from langchain.prompts import PromptTemplate
from langchain.chains import LLMChain loader = AmazonTextractPDFLoader("./samples/document.png")
document = loader.load() template = """ Given a list of classes, classify the document into one of these classes. Skip any preamble text and just give the class name. <classes>DISCHARGE_SUMMARY, RECEIPT, PRESCRIPTION</classes>
<document>{doc_text}<document>
<classification>""" prompt = PromptTemplate(template=template, input_variables=["doc_text"])
bedrock_llm = Bedrock(client=bedrock, model_id="anthropic.claude-v2") llm_chain = LLMChain(prompt=prompt, llm=bedrock_llm)
class_name = llm_chain.run(document[0].page_content) print(f"The provided document is = {class_name}")
সংক্ষিপ্তকরণের মধ্যে একটি প্রদত্ত পাঠ্য বা নথির মূল তথ্য ধরে রাখার সময় একটি সংক্ষিপ্ত সংস্করণে ঘনীভূত করা জড়িত। এই কৌশলটি দক্ষ তথ্য পুনরুদ্ধারের জন্য উপকারী, যা ব্যবহারকারীদের সম্পূর্ণ বিষয়বস্তু না পড়ে একটি নথির মূল পয়েন্টগুলি দ্রুত উপলব্ধি করতে সক্ষম করে। যদিও অ্যামাজন টেক্সট্র্যাক্ট সরাসরি টেক্সট সংক্ষিপ্তকরণ সম্পাদন করে না, এটি নথি থেকে সম্পূর্ণ পাঠ্য বের করার মৌলিক ক্ষমতা প্রদান করে। এই নিষ্কাশিত পাঠ্যটি পাঠ্য সংক্ষিপ্তকরণ কার্য সম্পাদনের জন্য আমাদের LLM মডেলে একটি ইনপুট হিসাবে কাজ করে।
একই নমুনা স্রাব রিপোর্ট ব্যবহার করে, আমরা ব্যবহার করি AmazonTextractPDFLoader
এই নথি থেকে পাঠ্য নিষ্কাশন করতে. আগের মতো, আমরা Amazon Bedrock এর মাধ্যমে Claude v2 মডেলটি ব্যবহার করি এবং এটিকে একটি প্রম্পট দিয়ে শুরু করি যাতে পাঠ্যটির সাথে কী করতে হবে তার নির্দেশাবলী রয়েছে (এই ক্ষেত্রে, সংক্ষিপ্তকরণ)। অবশেষে, আমরা ডকুমেন্ট লোডার থেকে এক্সট্রাক্ট করা টেক্সট পাস করে এলএলএম চেইন চালাই। এটি প্রম্পট সহ LLM-এ একটি অনুমান ক্রিয়া চালায় যা সংক্ষিপ্ত করার নির্দেশাবলী এবং নথির পাঠ্য দ্বারা চিহ্নিত Document
। নিম্নলিখিত কোডটি দেখুন:
কোডটি রোগীর স্রাবের সারাংশ রিপোর্টের সারাংশ তৈরি করে:
পূর্ববর্তী উদাহরণটি সারসংক্ষেপ সঞ্চালনের জন্য একটি একক-পৃষ্ঠা নথি ব্যবহার করেছে। যাইহোক, আপনি সম্ভবত একাধিক পৃষ্ঠা সম্বলিত নথিগুলির সাথে মোকাবিলা করবেন যার সারসংক্ষেপ প্রয়োজন। একাধিক পৃষ্ঠায় সংক্ষিপ্তকরণ সম্পাদন করার একটি সাধারণ উপায় হল প্রথমে পাঠ্যের ছোট অংশে সারাংশ তৈরি করা এবং তারপর নথির চূড়ান্ত সারাংশ পেতে ছোট সারাংশগুলিকে একত্রিত করা। মনে রাখবেন যে এই পদ্ধতিতে LLM-তে একাধিক কলের প্রয়োজন। এর জন্য যুক্তি সহজেই তৈরি করা যেতে পারে; যাইহোক, LangChain একটি অন্তর্নির্মিত সংক্ষিপ্ত চেইন প্রদান করে যা বড় টেক্সট (মাল্টি-পেজ ডকুমেন্ট থেকে) সংক্ষিপ্ত করতে পারে। সারসংক্ষেপ হয় মাধ্যমে ঘটতে পারে map_reduce
বা সাথে stuff
বিকল্প, যা এলএলএম-এ একাধিক কল পরিচালনা করার বিকল্প হিসাবে উপলব্ধ। নিম্নলিখিত উদাহরণে, আমরা ব্যবহার করি map_reduce
একটি বহু-পৃষ্ঠা নথি সংক্ষিপ্ত করতে। নিম্নলিখিত চিত্রটি আমাদের কর্মপ্রবাহকে চিত্রিত করে।
আসুন প্রথমে ডকুমেন্টটি বের করে শুরু করি এবং প্রতি পৃষ্ঠায় মোট টোকেন গণনা এবং পৃষ্ঠাগুলির মোট সংখ্যা দেখুন:
এর পরে, আমরা ল্যাংচেইনের অন্তর্নির্মিত ব্যবহার করি load_summarize_chain
সম্পূর্ণ নথির সারসংক্ষেপ:
from langchain.chains.summarize import load_summarize_chain summary_chain = load_summarize_chain(llm=bedrock_llm, chain_type='map_reduce')
output = summary_chain.run(document)
print(output.strip())
প্রমিতকরণ এবং প্রশ্নোত্তর
এই বিভাগে, আমরা প্রমিতকরণ এবং প্রশ্নোত্তর কার্য নিয়ে আলোচনা করি।
প্রমিতকরণ
আউটপুট প্রমিতকরণ একটি পাঠ্য প্রজন্মের কাজ যেখানে আউটপুট পাঠ্যের একটি সামঞ্জস্যপূর্ণ বিন্যাস প্রদানের জন্য এলএলএম ব্যবহার করা হয়। এই কাজটি বিশেষ করে মূল সত্তা নিষ্কাশনের অটোমেশনের জন্য উপযোগী যার জন্য আউটপুটটি পছন্দসই বিন্যাসের সাথে সারিবদ্ধ করা প্রয়োজন। উদাহরণ স্বরূপ, আমরা একটি LLM-কে MM/DD/YYYY ফর্ম্যাটে তারিখগুলি ফর্ম্যাট করার জন্য প্রম্পট ইঞ্জিনিয়ারিং সেরা অনুশীলনগুলি অনুসরণ করতে পারি, যা একটি ডাটাবেস DATE কলামের সাথে সামঞ্জস্যপূর্ণ হতে পারে। নিম্নলিখিত কোড ব্লকটি একটি LLM এবং প্রম্পট ইঞ্জিনিয়ারিং ব্যবহার করে কীভাবে এটি করা হয় তার একটি উদাহরণ দেখায়। আমরা শুধুমাত্র তারিখের মানগুলির জন্য আউটপুট বিন্যাসকে প্রমিত করি না, আমরা মডেলটিকে একটি JSON বিন্যাসে চূড়ান্ত আউটপুট তৈরি করার জন্য অনুরোধও করি যাতে এটি আমাদের ডাউনস্ট্রিম অ্যাপ্লিকেশনগুলিতে সহজেই ব্যবহারযোগ্য হয়। আমরা ব্যাবহার করি ল্যাংচেইন এক্সপ্রেশন ভাষা (LCEL) দুটি ক্রিয়াকে একসাথে চেইন করতে। প্রথম ক্রিয়াটি LLM কে নথি থেকে শুধুমাত্র তারিখগুলির একটি JSON ফর্ম্যাট আউটপুট তৈরি করতে অনুরোধ করে। দ্বিতীয় ক্রিয়াটি JSON আউটপুট নেয় এবং তারিখ বিন্যাসকে প্রমিত করে। মনে রাখবেন যে এই দ্বি-পদক্ষেপের ক্রিয়াটি যথাযথ প্রম্পট ইঞ্জিনিয়ারিং সহ একক ধাপে সঞ্চালিত হতে পারে, যেমনটি আমরা স্বাভাবিককরণ এবং টেমপ্লেটিং দেখতে পাব।
পূর্ববর্তী কোড নমুনার আউটপুট হল 07/09/2020 এবং 08/09/2020 তারিখ সহ একটি JSON কাঠামো, যা DD/MM/YYYY ফর্ম্যাটে রয়েছে এবং যথাক্রমে রোগীর ভর্তি ও হাসপাতাল থেকে ছাড়ার তারিখ। স্রাব সারাংশ রিপোর্ট.
পুনরুদ্ধার অগমেন্টেড জেনারেশন সহ প্রশ্নোত্তর
এলএলএমগুলি বাস্তব তথ্য ধরে রাখতে পরিচিত, প্রায়শই তাদের বিশ্ব জ্ঞান বা বিশ্ব দৃষ্টিভঙ্গি হিসাবে উল্লেখ করা হয়। সূক্ষ্ম সুর করা হলে, তারা অত্যাধুনিক ফলাফল তৈরি করতে পারে। যাইহোক, একজন এলএলএম কতটা কার্যকরীভাবে এই জ্ঞান অ্যাক্সেস করতে এবং ম্যানিপুলেট করতে পারে তার প্রতিবন্ধকতা রয়েছে। ফলস্বরূপ, নির্দিষ্ট জ্ঞানের উপর ব্যাপকভাবে নির্ভরশীল কাজগুলিতে, তাদের কার্যকারিতা নির্দিষ্ট ব্যবহারের ক্ষেত্রে সর্বোত্তম নাও হতে পারে। উদাহরণস্বরূপ, প্রশ্নোত্তর পরিস্থিতিতে, মডেলের জন্য শুধুমাত্র বিশ্ব জ্ঞানের উপর নির্ভর না করে নথিতে প্রদত্ত প্রেক্ষাপটকে কঠোরভাবে মেনে চলা অপরিহার্য। এটি থেকে বিচ্যুত হলে ভুল উপস্থাপনা, ভুল বা এমনকি ভুল প্রতিক্রিয়া হতে পারে। এই সমস্যাটি মোকাবেলার জন্য সর্বাধিক ব্যবহৃত পদ্ধতি হিসাবে পরিচিত পুনরুদ্ধার অগমেন্টেড জেনারেশন (RAG)। এই পদ্ধতিটি পুনরুদ্ধার মডেল এবং ভাষা মডেল উভয়ের শক্তির সমন্বয় সাধন করে, উত্পন্ন প্রতিক্রিয়াগুলির নির্ভুলতা এবং গুণমান বৃদ্ধি করে।
এলএলএম তাদের মেমরির সীমাবদ্ধতা এবং তারা যে হার্ডওয়্যার চালায় তার সীমাবদ্ধতার কারণেও টোকেন সীমাবদ্ধতা আরোপ করতে পারে। এই সমস্যাটি পরিচালনা করার জন্য, বড় নথিগুলিকে ছোট অংশে বিভক্ত করতে চাঙ্কিংয়ের মতো কৌশলগুলি ব্যবহার করা হয় যা LLM-এর টোকেন সীমার মধ্যে ফিট করে। অন্যদিকে, এম্বেডিংগুলি NLP-তে নিযুক্ত করা হয় প্রাথমিকভাবে শব্দের শব্দার্থিক অর্থ এবং উচ্চ-মাত্রিক স্থানে অন্যান্য শব্দের সাথে তাদের সম্পর্কগুলি ক্যাপচার করার জন্য। এই এমবেডিংগুলি শব্দগুলিকে ভেক্টরে রূপান্তরিত করে, মডেলগুলিকে দক্ষতার সাথে পাঠ্য ডেটা প্রক্রিয়া এবং বুঝতে অনুমতি দেয়। শব্দ এবং বাক্যাংশের মধ্যে শব্দার্থগত সূক্ষ্মতা বোঝার মাধ্যমে, এম্বেডিংগুলি LLM-গুলিকে সুসঙ্গত এবং প্রাসঙ্গিকভাবে প্রাসঙ্গিক আউটপুট তৈরি করতে সক্ষম করে। নিম্নলিখিত মূল শর্তাবলী নোট করুন:
- কদর্য - এই প্রক্রিয়াটি নথি থেকে প্রচুর পরিমাণে পাঠ্যকে ছোট, অর্থপূর্ণ পাঠ্যাংশে বিভক্ত করে।
- এম্বেডিং - এগুলি প্রতিটি খণ্ডের স্থির-মাত্রিক ভেক্টর রূপান্তর যা খণ্ডগুলি থেকে শব্দার্থিক তথ্য ধরে রাখে। এই এমবেডিংগুলি পরবর্তীতে একটি ভেক্টর ডাটাবেসে লোড করা হয়।
- ভেক্টর ডাটাবেস - এটি শব্দ এমবেডিং বা ভেক্টরের একটি ডাটাবেস যা শব্দের প্রসঙ্গ উপস্থাপন করে। এটি একটি জ্ঞান উত্স হিসাবে কাজ করে যা নথি প্রক্রিয়াকরণ পাইপলাইনে NLP কাজগুলিকে সহায়তা করে৷ এখানে ভেক্টর ডাটাবেসের সুবিধা হল এটি পাঠ্য তৈরির সময় এলএলএম-কে শুধুমাত্র প্রয়োজনীয় প্রসঙ্গ সরবরাহ করার অনুমতি দেয়, যেমনটি আমরা নিম্নলিখিত বিভাগে ব্যাখ্যা করেছি।
RAG পুনরুদ্ধারের পর্যায়ে প্রাসঙ্গিক নথির অংশগুলি বুঝতে এবং আনতে এমবেডিংয়ের শক্তি ব্যবহার করে। এটি করার মাধ্যমে, RAG LLM-এর টোকেন সীমাবদ্ধতার মধ্যে কাজ করতে পারে, প্রজন্মের জন্য সবচেয়ে প্রাসঙ্গিক তথ্য নির্বাচন করা হয়েছে তা নিশ্চিত করে, যার ফলে আরও নির্ভুল এবং প্রাসঙ্গিকভাবে প্রাসঙ্গিক আউটপুট পাওয়া যায়।
নিম্নলিখিত চিত্রটি LLM-তে ইনপুট তৈরি করার জন্য এই কৌশলগুলির একীকরণকে চিত্রিত করে, তাদের প্রাসঙ্গিক বোঝার উন্নতি করে এবং আরও প্রাসঙ্গিক ইন-প্রেক্ষাপট প্রতিক্রিয়া সক্ষম করে। একটি পদ্ধতির মধ্যে সাদৃশ্য অনুসন্ধান জড়িত, একটি ভেক্টর ডাটাবেস এবং চঙ্কিং উভয়ই ব্যবহার করে। ভেক্টর ডাটাবেস শব্দার্থিক তথ্যের প্রতিনিধিত্ব করে এমবেডিং সঞ্চয় করে, এবং চঙ্কিং পাঠ্যকে পরিচালনাযোগ্য বিভাগে বিভক্ত করে। সাদৃশ্য অনুসন্ধান থেকে এই প্রসঙ্গ ব্যবহার করে, এলএলএমগুলি প্রশ্ন উত্তর এবং ডোমেন-নির্দিষ্ট ক্রিয়াকলাপ যেমন শ্রেণিবিন্যাস এবং সমৃদ্ধকরণের মতো কাজগুলি চালাতে পারে।
এই পোস্টের জন্য, আমরা নথি সহ প্রাসঙ্গিক প্রশ্নোত্তর সম্পাদন করতে একটি RAG-ভিত্তিক পদ্ধতি ব্যবহার করি। নিম্নলিখিত কোড নমুনায়, আমরা একটি নথি থেকে পাঠ্য বের করি এবং তারপর নথিটিকে পাঠ্যের ছোট খণ্ডে বিভক্ত করি। চঙ্কিং প্রয়োজন কারণ আমাদের কাছে বহু-পৃষ্ঠার বড় নথি থাকতে পারে এবং আমাদের এলএলএম-এর টোকেন সীমা থাকতে পারে। এই খণ্ডগুলি পরবর্তী ধাপে সাদৃশ্য অনুসন্ধান করার জন্য ভেক্টর ডাটাবেসে লোড করা হয়। নিম্নলিখিত উদাহরণে, আমরা Amazon Titan Embed Text v1 মডেল ব্যবহার করি, যা নথির অংশগুলির ভেক্টর এমবেডিং সম্পাদন করে:
কোডটি ভেক্টর ডাটাবেস থেকে সাদৃশ্য অনুসন্ধান ক্রিয়া দ্বারা ফিরে আসা পাঠ্যের অংশগুলি ব্যবহার করে LLM-এর জন্য একটি প্রাসঙ্গিক প্রসঙ্গ তৈরি করে। এই উদাহরণের জন্য, আমরা একটি ওপেন সোর্স ব্যবহার করি FAISS ভেক্টর স্টোর পাঠ্যের প্রতিটি অংশের ভেক্টর এমবেডিং সংরক্ষণ করার জন্য একটি নমুনা ভেক্টর ডাটাবেস হিসাবে। আমরা তখন ভেক্টর ডাটাবেসকে a হিসাবে সংজ্ঞায়িত করি ল্যাংচেইন পুনরুদ্ধারকারী, যা পাস করা হয় RetrievalQA
চেইন এটি অভ্যন্তরীণভাবে ভেক্টর ডাটাবেসে একটি মিল অনুসন্ধান ক্যোয়ারী চালায় যা প্রশ্নের সাথে প্রাসঙ্গিক পাঠ্যের শীর্ষ n (যেখানে n=3 আমাদের উদাহরণে) প্রদান করে। অবশেষে, LLM চেইনটি প্রাসঙ্গিক প্রসঙ্গ (টেক্সটের প্রাসঙ্গিক অংশগুলির একটি গ্রুপ) এবং LLM-এর উত্তর দেওয়ার জন্য প্রশ্ন সহ চালানো হয়। RAG-এর সাথে প্রশ্নোত্তরের ধাপে ধাপে কোড ওয়াকথ্রু-এর জন্য পাইথন নোটবুক দেখুন GitHub.
FAISS এর বিকল্প হিসাবে, আপনিও ব্যবহার করতে পারেন আমাজন ওপেন সার্চ সার্ভিস ভেক্টর ডাটাবেস ক্ষমতা, PostgreSQL-এর জন্য Amazon Relational Database Service (Amazon RDS) সাথে pgvector ভেক্টর ডাটাবেস বা ওপেন সোর্স ক্রোমা ডেটাবেস হিসাবে এক্সটেনশন।
সারণী ডেটা সহ প্রশ্নোত্তর
নথির মধ্যে ট্যাবুলার ডেটা LLM-এর কাঠামোগত জটিলতার কারণে প্রক্রিয়া করা চ্যালেঞ্জিং হতে পারে। অ্যামাজন টেক্সট্র্যাক্টকে LLM-এর সাথে বর্ধিত করা যেতে পারে কারণ এটি পৃষ্ঠা, টেবিল এবং কোষের মতো উপাদানগুলির একটি নেস্টেড বিন্যাসে নথি থেকে টেবিল নিষ্কাশন করতে সক্ষম করে। ট্যাবুলার ডেটা সহ প্রশ্নোত্তর সম্পাদন করা একটি বহু-পদক্ষেপ প্রক্রিয়া, এবং এর মাধ্যমে অর্জন করা যেতে পারে স্ব-প্রশ্ন. নিম্নলিখিত পদক্ষেপগুলির একটি ওভারভিউ:
- Amazon Textract ব্যবহার করে নথি থেকে টেবিল বের করুন। অ্যামাজন টেক্সট্র্যাক্টের সাহায্যে, সারণী কাঠামো (সারি, কলাম, শিরোনাম) একটি নথি থেকে বের করা যেতে পারে।
- মেটাডেটা তথ্য সহ একটি ভেক্টর ডাটাবেসে ট্যাবুলার ডেটা সংরক্ষণ করুন, যেমন হেডারের নাম এবং প্রতিটি হেডারের বিবরণ।
- টেবিল থেকে ডেটা বের করতে LLM ব্যবহার করে একটি কাঠামোগত ক্যোয়ারী তৈরি করতে প্রম্পট ব্যবহার করুন।
- ভেক্টর ডাটাবেস থেকে প্রাসঙ্গিক টেবিল ডেটা বের করতে ক্যোয়ারী ব্যবহার করুন।
উদাহরণস্বরূপ, একটি ব্যাঙ্ক স্টেটমেন্টে, "$1000-এর বেশি আমানত সহ লেনদেনগুলি কী" প্রম্পট দেওয়া হলে LLM নিম্নলিখিত পদক্ষেপগুলি সম্পূর্ণ করবে:
- একটি প্রশ্ন তৈরি করুন, যেমন
“Query: transactions” , “filter: greater than (Deposit$)”
. - ক্যোয়ারীটিকে স্ট্রাকচার্ড ক্যোয়ারীতে রূপান্তর করুন।
- স্ট্রাকচার্ড কোয়েরিটি ভেক্টর ডাটাবেসে প্রয়োগ করুন যেখানে আমাদের টেবিলের ডেটা সংরক্ষণ করা হয়।
টেবুলার সহ প্রশ্নোত্তরের ধাপে ধাপে নমুনা কোড ওয়াকথ্রু-এর জন্য, পাইথন নোটবুক দেখুন GitHub.
টেমপ্লেটিং এবং স্বাভাবিককরণ
এই বিভাগে, আমরা একটি নির্দিষ্ট স্কিমাতে একটি নথি থেকে নিষ্কাশন সহ একটি আউটপুট তৈরি করতে প্রম্পট ইঞ্জিনিয়ারিং কৌশল এবং LangChain এর অন্তর্নির্মিত প্রক্রিয়া কীভাবে ব্যবহার করতে হয় তা দেখি। আমরা পূর্বে আলোচনা করা কৌশলগুলি ব্যবহার করে নিষ্কাশিত ডেটাতে কিছু মানককরণও করি। আমরা আমাদের পছন্দসই আউটপুটের জন্য একটি টেমপ্লেট সংজ্ঞায়িত করে শুরু করি। এটি একটি স্কিমা হিসাবে কাজ করবে এবং আমরা নথির পাঠ্য থেকে যে প্রতিটি সত্তাকে বের করতে চাই তার বিশদ বিবরণ এনক্যাপসুলেট করবে৷
মনে রাখবেন যে প্রতিটি সত্তার জন্য, আমরা সেই সত্তাটি কী তা ব্যাখ্যা করতে বর্ণনাটি ব্যবহার করি যাতে ডকুমেন্টের পাঠ্য থেকে মান বের করতে LLM-কে সহায়তা করা যায়। নিম্নলিখিত নমুনা কোডে, আমরা এই টেমপ্লেটটি ব্যবহার করে নথি থেকে প্রাপ্ত পাঠ্য সহ LLM-এর জন্য আমাদের প্রম্পট তৈরি করতে AmazonTextractPDFLoader
এবং পরবর্তীতে মডেলের সাথে অনুমান সম্পাদন করুন:
আপনি দেখতে পারেন, হিসাবে {keys}
প্রম্পটের অংশ হল আমাদের টেমপ্লেটের কীগুলি, এবং {details}
তাদের বিবরণ সহ চাবিকাঠি হয়. এই ক্ষেত্রে, আমরা JSON ফর্ম্যাটে আউটপুট তৈরি করার নির্দেশে উল্লেখ করা ছাড়া আউটপুটের ফর্ম্যাটের সাথে মডেলটিকে স্পষ্টভাবে প্রম্পট করি না। এটি বেশিরভাগ অংশের জন্য কাজ করে; যাইহোক, যেহেতু LLM-এর আউটপুট অ-নির্ধারক টেক্সট জেনারেশন, তাই আমরা প্রম্পটে নির্দেশনার অংশ হিসেবে ফর্ম্যাটটি স্পষ্টভাবে উল্লেখ করতে চাই। এটি সমাধান করতে, আমরা ল্যাংচেইন ব্যবহার করতে পারি কাঠামোগত আউটপুট পার্সার স্বয়ংক্রিয় প্রম্পট ইঞ্জিনিয়ারিংয়ের সুবিধা নিতে মডিউল যা আমাদের টেমপ্লেটকে একটি বিন্যাস নির্দেশ প্রম্পটে রূপান্তর করতে সহায়তা করে। আমরা আগে সংজ্ঞায়িত টেমপ্লেটটি ব্যবহার করি নিম্নরূপ বিন্যাস নির্দেশনা প্রম্পট তৈরি করতে:
তারপরে আমরা আমাদের আসল প্রম্পটের মধ্যে এই ভেরিয়েবলটিকে LLM-এর নির্দেশ হিসাবে ব্যবহার করি যাতে এটি আমাদের প্রম্পটে একটি ছোট পরিবর্তন করে পছন্দসই স্কিমাতে আউটপুটটি বের করে এবং ফর্ম্যাট করে:
এখন পর্যন্ত, আমরা শুধুমাত্র একটি পছন্দসই স্কিমাতে নথি থেকে ডেটা বের করেছি। যাইহোক, আমাদের এখনও কিছু প্রমিতকরণ করতে হবে। উদাহরণস্বরূপ, আমরা চাই রোগীর ভর্তির তারিখ এবং ডিসচার্জের তারিখ DD/MM/YYYY ফর্ম্যাটে বের করা হোক। এই ক্ষেত্রে, আমরা বৃদ্ধি description
ফর্ম্যাটিং নির্দেশ সহ কীটির:
মধ্যে পাইথন নোটবুক পড়ুন GitHub একটি সম্পূর্ণ ধাপে ধাপে ওয়াকথ্রু এবং ব্যাখ্যার জন্য।
বানান পরীক্ষা এবং সংশোধন
এলএলএমগুলি মানুষের মতো পাঠ্য বোঝা এবং তৈরি করার ক্ষেত্রে অসাধারণ দক্ষতা প্রদর্শন করেছে। LLM-এর একটি কম আলোচিত কিন্তু অত্যন্ত দরকারী অ্যাপ্লিকেশন হল ব্যাকরণগত পরীক্ষা এবং নথিতে বাক্য সংশোধনের সম্ভাবনা। প্রথাগত ব্যাকরণ পরীক্ষকদের বিপরীতে যেগুলি পূর্বনির্ধারিত নিয়মগুলির একটি সেটের উপর নির্ভর করে, এলএলএমগুলি এমন নিদর্শনগুলি ব্যবহার করে যা তারা সঠিক বা সাবলীল ভাষা হিসাবে গঠন করার জন্য বিশাল পরিমাণ পাঠ্য ডেটা থেকে চিহ্নিত করেছে। এর মানে তারা সূক্ষ্মতা, প্রসঙ্গ এবং সূক্ষ্মতা সনাক্ত করতে পারে যা নিয়ম-ভিত্তিক সিস্টেমগুলি মিস করতে পারে।
একটি রোগীর স্রাবের সারাংশ থেকে প্রাপ্ত পাঠ্যটি কল্পনা করুন যেখানে লেখা আছে “রোগী জন ডো, যিনি বিচ্ছিন্ন নিউমোনিয়ায় ভর্তি ছিলেন, তিনি উল্লেখযোগ্য উন্নতি দেখিয়েছেন এবং নিরাপদে ছেড়ে দেওয়া যেতে পারে। ফলোআপগুলি আগামী সপ্তাহের জন্য নির্ধারিত হয়েছে।" একটি প্রথাগত বানান পরীক্ষক "স্বীকৃত", "নিউমোনিয়া", "উন্নতি" এবং "নেক্স" ত্রুটি হিসাবে চিনতে পারে। যাইহোক, এই ত্রুটিগুলির প্রেক্ষাপটে আরও ভুল বা জেনেরিক পরামর্শ হতে পারে। একটি এলএলএম, যার বিস্তৃত প্রশিক্ষণে সজ্জিত, পরামর্শ দিতে পারে: “রোগী জন ডো, যিনি গুরুতর নিউমোনিয়ায় ভর্তি ছিলেন, তিনি উল্লেখযোগ্য উন্নতি দেখিয়েছেন এবং নিরাপদে ছাড় দেওয়া যেতে পারে। ফলো-আপগুলি পরের সপ্তাহের জন্য নির্ধারিত হয়েছে।"
নীচের একটি খারাপ হাতে লেখা নমুনা নমুনা যা পূর্বে ব্যাখ্যা করা হয়েছে একই পাঠ্য সহ।
আমরা একটি Amazon Textract ডকুমেন্ট লোডার দিয়ে ডকুমেন্টটি বের করি এবং তারপর LLM-কে নির্দেশ দিই, প্রম্পট ইঞ্জিনিয়ারিং এর মাধ্যমে, যেকোন বানান এবং বা ব্যাকরণগত ভুল সংশোধন করার জন্য এক্সট্রাক্ট করা টেক্সট সংশোধন করতে:
পূর্ববর্তী কোডের আউটপুট ডকুমেন্ট লোডার দ্বারা নিষ্কাশিত মূল পাঠ্য দেখায় এবং LLM দ্বারা উত্পন্ন সংশোধন করা পাঠ্য অনুসরণ করে:
মনে রাখবেন যে এলএলএমগুলি যতটা শক্তিশালী, তাদের পরামর্শগুলিকে ঠিক সেই হিসাবে দেখা অপরিহার্য। যদিও তারা ভাষার জটিলতাগুলিকে চিত্তাকর্ষকভাবে ক্যাপচার করে, তারা অমূলক নয়। কিছু পরামর্শ মূল পাঠ্যের উদ্দেশ্য বা স্বর পরিবর্তন করতে পারে। অতএব, মানব পর্যালোচকদের জন্য LLM-উত্পাদিত সংশোধনগুলিকে গাইড হিসাবে ব্যবহার করা অত্যন্ত গুরুত্বপূর্ণ, একটি সম্পূর্ণ নয়। এলএলএম ক্ষমতার সাথে মানুষের অন্তর্দৃষ্টির সহযোগিতা একটি ভবিষ্যতের প্রতিশ্রুতি দেয় যেখানে আমাদের লিখিত যোগাযোগ কেবল ত্রুটিমুক্ত নয়, বরং আরও সমৃদ্ধ এবং আরও সূক্ষ্ম।
উপসংহার
জেনারেটিভ এআই পরিবর্তন করছে কিভাবে আপনি অন্তর্দৃষ্টি পেতে IDP-এর মাধ্যমে নথি প্রক্রিয়া করতে পারেন। পদে জেনারেটিভ এআই সহ AWS বুদ্ধিমান ডকুমেন্ট প্রসেসিং উন্নত করা, আমরা পাইপলাইনের বিভিন্ন পর্যায় এবং কিভাবে AWS গ্রাহক Ricoh তাদের IDP পাইপলাইন LLM-এর মাধ্যমে উন্নত করছে তা নিয়ে আলোচনা করেছি। এই পোস্টে, আমরা অ্যামাজন বেডরক, অ্যামাজন টেক্সট্র্যাক্ট এবং জনপ্রিয় ল্যাংচেইন ফ্রেমওয়ার্কের মাধ্যমে LLM-এর সাথে IDP ওয়ার্কফ্লো বাড়ানোর বিভিন্ন প্রক্রিয়া নিয়ে আলোচনা করেছি। আপনি আমাদের মধ্যে উপলব্ধ নমুনা নোটবুকগুলি ব্যবহার করে আজই LangChain-এর সাথে নতুন Amazon Textract ডকুমেন্ট লোডার দিয়ে শুরু করতে পারেন GitHub সংগ্রহস্থল. AWS-এ জেনারেটিভ এআই-এর সাথে কাজ করার বিষয়ে আরও তথ্যের জন্য, পড়ুন AWS-এ জেনারেটিভ এআই সহ বিল্ডিংয়ের জন্য নতুন টুল ঘোষণা করা হচ্ছে.
লেখক সম্পর্কে
সোনালী সাহু AWS-এ AI/ML পরিষেবা দলের সাথে বুদ্ধিমান নথি প্রক্রিয়াকরণে নেতৃত্ব দিচ্ছে। তিনি একজন লেখক, চিন্তার নেতা এবং উত্সাহী প্রযুক্তিবিদ। তার ফোকাসের মূল ক্ষেত্র হল AI এবং ML, এবং তিনি প্রায়শই সারা বিশ্বে AI এবং ML সম্মেলন এবং মিটআপে কথা বলেন। স্বাস্থ্যসেবা, আর্থিক খাত এবং বীমা শিল্পে দক্ষতা সহ প্রযুক্তি এবং প্রযুক্তি শিল্পে তার অভিজ্ঞতার প্রশস্ততা এবং গভীরতা রয়েছে।
অঞ্জন বিশ্বাস এআই/এমএল এবং ডেটা অ্যানালিটিক্সের উপর ফোকাস সহ একজন সিনিয়র এআই সার্ভিসেস সলিউশন আর্কিটেক্ট। অঞ্জন বিশ্বব্যাপী AI পরিষেবা দলের অংশ এবং গ্রাহকদের AI এবং ML-এর সাথে ব্যবসায়িক সমস্যার সমাধান বুঝতে এবং তাদের সমাধান করতে সাহায্য করার জন্য তাদের সাথে কাজ করে। অঞ্জনের গ্লোবাল সাপ্লাই চেইন, ম্যানুফ্যাকচারিং এবং খুচরা সংস্থাগুলির সাথে কাজ করার 14 বছরেরও বেশি অভিজ্ঞতা রয়েছে এবং গ্রাহকদের AWS AI পরিষেবাগুলি শুরু করতে এবং স্কেল করতে সক্রিয়ভাবে সাহায্য করছে৷
চিন্ময়ী রানে অ্যামাজন ওয়েব সার্ভিসেসের একজন এআই/এমএল বিশেষজ্ঞ সলিউশন আর্কিটেক্ট। তিনি ফলিত গণিত এবং মেশিন লার্নিং সম্পর্কে উত্সাহী। তিনি AWS গ্রাহকদের জন্য বুদ্ধিমান ডকুমেন্ট প্রসেসিং এবং জেনারেটিভ এআই সমাধান ডিজাইন করার উপর দৃষ্টি নিবদ্ধ করেন। কাজের বাইরে, তিনি সালসা এবং বাছাটা নাচ উপভোগ করেন।
- এসইও চালিত বিষয়বস্তু এবং পিআর বিতরণ। আজই পরিবর্ধিত পান।
- PlatoData.Network উল্লম্ব জেনারেটিভ Ai. নিজেকে ক্ষমতায়িত করুন। এখানে প্রবেশ করুন.
- প্লেটোএআইস্ট্রিম। Web3 ইন্টেলিজেন্স। জ্ঞান প্রসারিত. এখানে প্রবেশ করুন.
- প্লেটোইএসজি। কার্বন, ক্লিনটেক, শক্তি, পরিবেশ সৌর, বর্জ্য ব্যবস্থাপনা. এখানে প্রবেশ করুন.
- প্লেটো হেলথ। বায়োটেক এবং ক্লিনিক্যাল ট্রায়াল ইন্টেলিজেন্স। এখানে প্রবেশ করুন.
- উত্স: https://aws.amazon.com/blogs/machine-learning/intelligent-document-processing-with-amazon-textract-amazon-bedrock-and-langchain/
- : আছে
- : হয়
- :না
- :কোথায়
- .nex
- $1000
- $ ইউপি
- 1
- 10
- 100
- 11
- 12
- 13
- 14
- 15%
- 16
- 22
- 23
- 33
- 35%
- 7
- 9
- a
- ক্ষমতার
- সম্পর্কে
- পরম
- প্রবেশ
- অ্যাক্সেসড
- অনুযায়ী
- সঠিকতা
- সঠিক
- অর্জন
- দিয়ে
- কর্ম
- স্টক
- সক্রিয়ভাবে
- কার্যকলাপ
- কাজ
- Ad
- ঠিকানা
- যোগ করে
- মেনে চলে
- সত্য বলিয়া স্বীকার করা
- ভর্তি
- উন্নয়নের
- সুবিধা
- আবির্ভাব
- বয়স
- এজেন্ট
- AI
- এআই পরিষেবা
- এআই / এমএল
- প্রান্তিককৃত
- সব
- অনুমতি
- অনুমতি
- বরাবর
- এছাড়াও
- বিকল্প
- যদিও
- মর্দানী স্ত্রীলোক
- অ্যামাজন সমঝোতা
- অ্যামাজন আরডিএস
- অ্যামাজন টেক্সট্র্যাক
- অ্যামাজন ওয়েব সার্ভিসেস
- পরিমাণে
- an
- বৈশ্লেষিক ন্যায়
- বিশ্লেষণ করা
- এবং
- উত্তর
- নৃতাত্ত্বিক
- কোন
- API গুলি
- অ্যাপ্লিকেশন
- ফলিত
- কলকব্জা
- অভিগমন
- স্থাপত্য
- রয়েছি
- এলাকায়
- কাছাকাছি
- শিল্প
- কৃত্রিম
- কৃত্রিম বুদ্ধিমত্তা
- কৃত্রিম বুদ্ধিমত্তা (এআই)
- AS
- দৃষ্টিভঙ্গি
- সাহায্য
- সহায়ক
- At
- বৃদ্ধি
- উদ্দীপিত
- লেখক
- স্বয়ংক্রিয় পদ্ধতি প্রয়োগ করা
- অটোমেটেড
- স্বয়ংক্রিয়ভাবে
- স্বয়ংক্রিয়তা
- সহজলভ্য
- সচেতনতা
- ডেস্কটপ AWS
- AWS গ্রাহক
- ব্যাংক
- BE
- কারণ
- হয়ে
- হয়েছে
- আগে
- উপকারী
- সুবিধা
- সর্বোত্তম
- সেরা অভ্যাস
- মধ্যে
- বাধা
- ব্লক
- উভয়
- পানা
- বিরতি
- বিরতি
- নির্মাণ করা
- ভবন
- বিল্ট-ইন
- ব্যবসায়
- ব্যবসা
- কিন্তু
- by
- কল
- CAN
- পেতে পারি
- ক্ষমতা
- গ্রেপ্তার
- কেস
- মামলা
- সেল
- কিছু
- চেন
- চেইন
- চ্যালেঞ্জ
- চ্যালেঞ্জিং
- পরিবর্তন
- পরিবর্তন
- পরিবর্তন
- চেক
- পছন্দ
- দাবি
- শ্রেণী
- ক্লাস
- শ্রেণীবিন্যাস
- শ্রেণীভুক্ত করা
- কোড
- সমন্বিত
- সহযোগিতা
- স্তম্ভ
- কলাম
- সমাহার
- মেশা
- আসে
- সাধারণ
- সাধারণভাবে
- যোগাযোগ
- উপযুক্ত
- সম্পূর্ণ
- জটিল
- জটিলতা
- বোঝা
- সংক্ষিপ্ত
- সম্মেলন
- সংযোজক
- সঙ্গত
- গঠিত
- সীমাবদ্ধতার
- গঠন করা
- ধারণ করা
- অন্তর্ভুক্ত
- ধারণ
- বিষয়বস্তু
- প্রসঙ্গ
- বর্ণনাপ্রাসঙ্গিক
- রূপান্তর
- মূল
- ঠিক
- সংশোধিত
- সংশোধণী
- পারা
- নৈপুণ্য
- পেরেছিলেন
- সৃষ্টি
- কঠোর
- প্রথা
- ক্রেতা
- গ্রাহকদের
- নাট্য
- উপাত্ত
- ডেটা বিশ্লেষণ
- ডেটাবেস
- ডাটাবেস
- তারিখ
- তারিখগুলি
- লেনদেন
- গভীর
- গভীর
- নির্ধারণ করা
- সংজ্ঞায়িত
- সংজ্ঞা
- প্রদর্শিত
- নির্ভর করে
- আমানত
- গভীরতা
- বর্ণিত
- বিবরণ
- ফন্দিবাজ
- আকাঙ্ক্ষিত
- বিস্তারিত
- বিশদ
- বিস্তারিত
- সনাক্ত
- নির্ধারণ
- বিকাশ
- ডেভেলপারদের
- সাধারণ খাদ্য
- বিভিন্ন
- সরাসরি
- আলোচনা করা
- আলোচনা
- ডুব
- বিভক্ত করা
- ভাগ
- do
- সম্পর্কিত প্রশংসাপত্র
- দলিল
- ডকুমেন্টেশন
- কাগজপত্র
- হরিণী
- না
- করছেন
- ডন
- সম্পন্ন
- Dont
- নিচে
- নাটকীয়ভাবে
- কারণে
- সময়
- প্রগতিশীল
- e
- প্রতি
- পূর্বে
- সহজে
- ব্যবহার করা সহজ
- কার্যকরীভাবে
- দক্ষতা
- দক্ষ
- দক্ষতার
- প্রচেষ্টা
- পারেন
- উপাদান
- বসান
- নিযুক্ত
- ক্ষমতা
- সক্ষম করা
- সম্ভব
- সক্রিয়
- শেষ
- প্রকৌশল
- উন্নত করা
- উন্নত
- বর্ধনশীল
- নিশ্চিত করা
- নিশ্চিত
- সমগ্র
- সত্ত্বা
- সত্তা
- সজ্জিত
- ত্রুটি
- অপরিহার্য
- এমন কি
- উদাহরণ
- ছাড়া
- ব্যতিক্রম
- বিদ্যমান
- অভিজ্ঞতা
- ল্যাপারোস্কোপিক পদ্ধতি
- ব্যাখ্যা করা
- ব্যাখ্যা
- ব্যাখ্যা
- ব্যাখ্যা
- স্পষ্টভাবে
- অভিব্যক্তি
- প্রসারিত করা
- প্রসার
- ব্যাপক
- নির্যাস
- নিষ্কাশন
- চায়ের
- পতন
- মিথ্যা
- এ পর্যন্ত
- অবসাদ
- ক্ষেত্রসমূহ
- ব্যক্তিত্ব
- চূড়ান্ত
- পরিশেষে
- আর্থিক
- আর্থিক খাত
- প্রথম
- ফিট
- কেন্দ্রবিন্দু
- গুরুত্ত্ব
- অনুসরণ করা
- অনুসৃত
- অনুসরণ
- অনুসরণ
- জন্য
- বিন্যাস
- ফর্ম
- পাওয়া
- ভিত
- ফ্রেমওয়ার্ক
- বিনামূল্যে
- ঘনঘন
- থেকে
- সীমান্ত
- সম্পূর্ণ
- সম্পূর্ণরূপে
- অধিকতর
- ভবিষ্যৎ
- সাধারণ
- উত্পাদন করা
- উত্পন্ন
- উত্পন্ন
- উৎপাদিত
- প্রজন্ম
- সৃজক
- জেনারেটিভ এআই
- পাওয়া
- দাও
- প্রদত্ত
- বিশ্বব্যাপী
- ব্যাকরণ
- ধরা
- বৃহত্তর
- গ্রুপ
- কৌশল
- হাত
- হাতল
- ঘটা
- ঘটনা
- হার্ডওয়্যারের
- আছে
- হেডার
- স্বাস্থ্যসেবা
- প্রচন্ডভাবে
- সাহায্য
- সহায়ক
- সাহায্য
- সাহায্য
- তার
- এখানে
- উচ্চস্তর
- উচ্চ দক্ষতা
- ঊর্ধ্বতন
- ঝুলিতে
- হাসপাতাল
- কিভাবে
- কিভাবে
- যাহোক
- এইচটিএমএল
- HTTPS দ্বারা
- মানবীয়
- i
- ID
- চিহ্নিত
- if
- প্রকাশ
- ভাবমূর্তি
- ব্যাপকভাবে
- প্রভাব
- আমদানি
- গুরুত্বপূর্ণ
- আমদানি
- আরোপ করা
- উন্নতি
- in
- সুদ্ধ
- সূচক
- শিল্প
- তথ্য
- তথ্যের যুগ
- ইনোভেশন
- ইনপুট
- অর্ন্তদৃষ্টি
- উদাহরণ
- নির্দেশাবলী
- বীমা
- সম্পূর্ণ
- সংহত
- একীভূত
- ইন্টিগ্রেশন
- বুদ্ধিমত্তা
- বুদ্ধিমান
- বুদ্ধিমান নথি প্রক্রিয়াকরণ
- অভিপ্রেত
- অন্ত
- মধ্যে
- জটিলতা
- প্রবর্তন করা
- উপস্থাপিত
- পরিচয় করিয়ে দেয়
- IT
- এর
- জ্যাকসন
- জন
- JOHN DOE
- জন
- JPG
- JSON
- মাত্র
- চাবি
- কী
- জানা
- জ্ঞান
- পরিচিত
- ভাষা
- বড়
- বিন্যাস
- নেতৃত্ব
- নেতা
- নেতৃত্ব
- শিক্ষা
- ছোড়
- লাইব্রেরি
- মত
- সম্ভবত
- সীমাবদ্ধতা
- সীমা
- তালিকা
- LLM
- বোঝা
- লোডার
- যুক্তিবিদ্যা
- দেখুন
- অনেক
- মেশিন
- মেশিন লার্নিং
- মেকিং
- পরিচালনা করা
- পরিচালনাযোগ্য
- পরিচালিত
- পরিচালক
- ম্যানুয়াল
- উত্পাদন
- চিহ্নিত
- অংক
- মে..
- me
- অর্থ
- অর্থপূর্ণ
- মানে
- পদ্ধতি
- মেকানিজম
- সাক্ষাতকার
- স্মৃতি
- মেটা
- মেটাডাটা
- পদ্ধতি
- পদ্ধতি
- হতে পারে
- মন
- মিস্
- ভুল
- ML
- মডেল
- মডেল
- মডিউল
- অধিক
- মর্টগেজ
- সেতু
- বহু
- নাম
- নাম
- প্রাকৃতিক
- স্বাভাবিক ভাষা প্রক্রিয়াকরণ
- প্রয়োজনীয়
- প্রয়োজন
- প্রয়োজন
- চাহিদা
- নতুন
- পরবর্তী
- পরের সপ্তাহে
- NLP
- নোটবই
- এখন
- শেড
- সংখ্যা
- লক্ষ্য
- বস্তু
- of
- অফার
- প্রায়ই
- on
- ONE
- কেবল
- ওপেন সোর্স
- অপারেশনস
- সুযোগ
- অনুকূল
- অপশন সমূহ
- or
- সংগঠন
- মূল
- অন্যান্য
- অন্যভাবে
- আমাদের
- বাইরে
- ফলাফল
- আউটপুট
- আউটপুট
- বাহিরে
- শেষ
- ওভারভিউ
- প্যাকেজ
- পৃষ্ঠা
- পেজ
- ব্যথা
- জোড়া
- জোড়া
- অংশ
- বিশেষত
- পাস
- গৃহীত
- পাসিং
- কামুক
- পথ
- রোগী
- প্যাটার্ন
- নিদর্শন
- পিডিএফ
- প্রতি
- সম্পাদন করা
- কর্মক্ষমতা
- সম্পাদিত
- করণ
- সঞ্চালিত
- ফেজ
- পিএইচডি
- বাক্যাংশ
- পাইপলাইন
- পরিকল্পনা
- Plato
- প্লেটো ডেটা ইন্টেলিজেন্স
- প্লেটোডাটা
- দয়া করে
- নিউমোনিআ
- পয়েন্ট
- জনপ্রিয়
- সম্ভব
- পোস্ট
- সম্ভাব্য
- ক্ষমতা
- চালিত
- ক্ষমতাশালী
- চর্চা
- অবিকল
- স্পষ্টতা
- পছন্দের
- বর্তমান
- পূর্বে
- প্রাথমিকভাবে
- প্রিন্ট
- কপি করে প্রিন্ট
- সমস্যা
- সমস্যা
- প্রক্রিয়া
- প্রক্রিয়াকৃত
- প্রক্রিয়াজাতকরণ
- উৎপাদন করা
- প্রতিশ্রুতি
- সঠিক
- প্রদান
- প্রদত্ত
- প্রদানকারী
- উপলব্ধ
- পাইথন
- প্রশ্ন ও উত্তর
- গুণ
- প্রশ্ন
- দ্রুত
- দ্রুত
- কাঁচা
- পড়া
- চেনা
- হ্রাস
- পড়ুন
- উল্লেখ
- উল্লেখ করা
- সম্পর্ক
- প্রাসঙ্গিক
- নির্ভর করা
- নির্ভর
- অসাধারণ
- রিপোর্ট
- চিত্রিত করা
- প্রতিনিধিত্বমূলক
- প্রয়োজনীয়
- প্রয়োজন
- যথাক্রমে
- প্রতিক্রিয়া
- সীমাবদ্ধতা
- ফল
- ফলে এবং
- ফলাফল
- খুচরা
- রাখা
- ধারনকারী
- আয়
- ধনী
- কক্ষ
- নিয়ম
- চালান
- রান
- s
- নিরাপদে
- একই
- বলা
- স্কেল
- পরিস্থিতিতে
- তালিকাভুক্ত
- সার্চ
- দ্বিতীয়
- অধ্যায়
- বিভাগে
- সেক্টর
- দেখ
- অংশ
- নির্বাচিত
- জ্যেষ্ঠ
- বাক্য
- ক্রম
- পরিবেশন করা
- স্থল
- সেবা
- সেবা
- সেট
- তীব্র
- সে
- সংক্ষিপ্ত
- উচিত
- প্রদর্শিত
- শো
- গুরুত্বপূর্ণ
- একক
- ছোট
- ক্ষুদ্রতর
- টুকিটাকি
- So
- কেবলমাত্র
- সলিউশন
- সমাধান
- কিছু
- উৎস
- স্থান
- স্পিক্স
- বিশেষজ্ঞ
- নির্দিষ্ট
- বিশেষভাবে
- নিদিষ্ট
- বানান
- বিভক্ত করা
- ইন্টার্নশিপ
- প্রমিতকরণ
- শুরু
- শুরু
- রাষ্ট্র-এর-শিল্প
- বিবৃতি
- ধাপ
- প্রারম্ভিক ব্যবহারের নির্দেশাবলী
- এখনো
- দোকান
- সঞ্চিত
- দোকান
- শক্তি
- স্ট্রিং
- কাঠামোগত
- গঠন
- কাঠামোবদ্ধ
- সংগ্রাম
- পরবর্তী
- পরবর্তীকালে
- এমন
- সুপারিশ
- সংক্ষিপ্ত করা
- সংক্ষিপ্তসার
- সরবরাহ
- সরবরাহ শৃঙ্খল
- সমর্থন
- সমর্থন
- Synergy
- সিস্টেম
- টেবিল
- গ্রহণ করা
- লাগে
- কার্য
- কাজ
- টীম
- প্রযুক্তি
- প্রযুক্তি
- প্রযুক্তিবিদ
- প্রযুক্তিঃ
- টেমপ্লেট
- শর্তাবলী
- পাঠ
- পাঠগত
- চেয়ে
- যে
- সার্জারির
- বিশ্ব
- তাদের
- তাহাদিগকে
- তারপর
- সেখানে।
- অতএব
- এইগুলো
- তারা
- এই
- চিন্তা
- তিন
- দ্বারা
- দানব
- থেকে
- আজ
- আজকের
- একসঙ্গে
- টোকেন
- টোকেন
- স্বন
- সরঞ্জাম
- শীর্ষ
- মোট
- ঐতিহ্যগত
- শেষের
- প্রশিক্ষণ
- লেনদেন
- রুপান্তর
- রূপান্তরের
- সত্য
- চেষ্টা
- দুই
- আদর্শ
- ধরনের
- বোঝা
- বোধশক্তি
- অসদৃশ
- অপাবরণ
- URL টি
- ব্যবহার
- ব্যবহার ক্ষেত্রে
- ব্যবহৃত
- ব্যবহারকারী
- ব্যবহারসমূহ
- ব্যবহার
- ব্যবহার
- ব্যবহার
- v1
- মূল্য
- মানগুলি
- পরিবর্তনশীল
- বিভিন্ন
- সুবিশাল
- বহুমুখ কর্মশক্তিসম্পন্ন
- সংস্করণ
- মাধ্যমে
- চেক
- ভলিউম
- , walkthrough
- প্রয়োজন
- ছিল
- উপায়..
- we
- ওয়েব
- ওয়েব সার্ভিস
- সপ্তাহান্তিক কাল
- আমরা একটি
- কি
- কখন
- যে
- যখন
- হু
- ইচ্ছা
- সঙ্গে
- মধ্যে
- ছাড়া
- সাক্ষী
- শব্দ
- শব্দ
- হয়া যাই ?
- কর্মপ্রবাহ
- কর্মপ্রবাহ
- কাজ
- কাজ
- বিশ্ব
- would
- লিখিত
- X
- বছর
- আপনি
- zephyrnet