ইন্টেলিজেন্ট ডকুমেন্ট প্রসেসিং (আইডিপি) হল একটি প্রযুক্তি যা পাঠ্য, ছবি এবং ভিডিও সহ অসংগঠিত ডেটার উচ্চ ভলিউম প্রক্রিয়াকরণকে স্বয়ংক্রিয় করে। IDP ম্যানুয়াল পদ্ধতি এবং লিগ্যাসি অপটিক্যাল ক্যারেক্টার রিকগনিশন (OCR) সিস্টেমের উপর উল্লেখযোগ্য উন্নতির প্রস্তাব করে যেমন খরচ, ত্রুটি, কম নির্ভুলতা এবং সীমিত পরিমাপযোগ্যতার মতো চ্যালেঞ্জগুলি মোকাবেলা করে, যা শেষ পর্যন্ত সংস্থা এবং স্টেকহোল্ডারদের জন্য আরও ভাল ফলাফলের দিকে পরিচালিত করে।
ন্যাচারাল ল্যাঙ্গুয়েজ প্রসেসিং (NLP) হল IDP-এর সাম্প্রতিক উন্নয়নগুলির মধ্যে একটি যা সঠিকতা এবং ব্যবহারকারীর অভিজ্ঞতা উন্নত করেছে। যাইহোক, এই অগ্রগতি সত্ত্বেও, এখনও পরাস্ত করার চ্যালেঞ্জ আছে। উদাহরণস্বরূপ, অনেক IDP সিস্টেম ব্যবহারকারী-বান্ধব নয় বা ব্যবহারকারীদের দ্বারা সহজে গ্রহণ করার জন্য যথেষ্ট স্বজ্ঞাত নয়। অতিরিক্তভাবে, বেশ কিছু বিদ্যমান সমাধানে ক্রমাগত উন্নতি এবং আপডেটের মাধ্যমে ডেটা উত্স, প্রবিধান এবং ব্যবহারকারীর প্রয়োজনীয়তার পরিবর্তনের সাথে খাপ খাইয়ে নেওয়ার ক্ষমতা নেই।
কথোপকথনের মাধ্যমে IDP বাড়ানোর সাথে IDP সিস্টেমে সংলাপের ক্ষমতা অন্তর্ভুক্ত করা জড়িত। ব্যবহারকারীদের আরও স্বাভাবিক এবং স্বজ্ঞাত উপায়ে IDP সিস্টেমের সাথে ইন্টারঅ্যাক্ট করতে সক্ষম করে, ভুল তথ্য সামঞ্জস্য করে বা টাস্ক অটোমেশনের সাহায্যে অনুপস্থিত তথ্য যোগ করে বহু-রাউন্ড সংলাপের মাধ্যমে, এই সিস্টেমগুলি আরও দক্ষ, নির্ভুল এবং ব্যবহারকারী-বান্ধব হয়ে উঠতে পারে।
এই পোস্টে, আমরা IDP-তে একটি উদ্ভাবনী পদ্ধতির অন্বেষণ করি যা ব্যবহার করে একটি সংলাপ-নির্দেশিত প্রশ্নের সমাধান ব্যবহার করে আমাজন ফাউন্ডেশন মডেল এবং সেজমেকার জাম্পস্টার্ট.
সমাধান ওভারভিউ
এই উদ্ভাবনী সমাধানটি তথ্য নিষ্কাশনের জন্য OCR, সংলাপ এবং স্বায়ত্তশাসিত টাস্কিংয়ের জন্য একটি স্থানীয় নিয়োজিত বড় ভাষা মডেল (LLM), সাবটাস্ক এম্বেড করার জন্য VectorDB এবং বাহ্যিক ডেটা উত্সগুলির সাথে ইন্টিগ্রেশনের জন্য LangChain-ভিত্তিক টাস্ক অটোমেশনকে একত্রিত করে যাতে ব্যবসার প্রক্রিয়া এবং নথি বিশ্লেষণের উপায় পরিবর্তন করা যায়। প্রসঙ্গ জেনারেটিভ এআই প্রযুক্তি ব্যবহার করে, সংস্থাগুলি IDP কর্মপ্রবাহকে স্ট্রিমলাইন করতে পারে, ব্যবহারকারীর অভিজ্ঞতা বাড়াতে পারে এবং সামগ্রিক দক্ষতা বাড়াতে পারে।
নিম্নলিখিত ভিডিও প্রক্রিয়াকরণ দ্বারা সংলাপ-নির্দেশিত IDP সিস্টেম হাইলাইট একটি নিবন্ধ দ্বারা রচিত ফেডারেল রিজার্ভ বোর্ড অফ গভর্নর, 2023 সালের মার্চ মাসে সিলিকন ভ্যালি ব্যাংকের পতন নিয়ে আলোচনা করা হচ্ছে।
সিস্টেমটি ছবি, বড় পিডিএফ, এবং নথিগুলিকে অন্যান্য বিন্যাসে প্রক্রিয়াকরণ করতে এবং ইন্টারেক্টিভ টেক্সট বা ভয়েস ইনপুটের মাধ্যমে বিষয়বস্তু থেকে প্রাপ্ত প্রশ্নের উত্তর দিতে সক্ষম। যদি একজন ব্যবহারকারীকে নথির প্রেক্ষাপটের বাইরে অনুসন্ধান করতে হয়, তাহলে সংলাপ-নির্দেশিত IDP পাঠ্য প্রম্পট থেকে কাজের একটি শৃঙ্খল তৈরি করতে পারে এবং তারপর প্রাসঙ্গিক উত্তরের জন্য বহিরাগত এবং আপ-টু-ডেট ডেটা উত্স উল্লেখ করতে পারে। উপরন্তু, এটি বহু-বৃত্তাকার কথোপকথন সমর্থন করে এবং বহুভাষিক আদান-প্রদানের ব্যবস্থা করে, যা সবই সংলাপের মাধ্যমে পরিচালিত হয়।
Amazon ফাউন্ডেশন মডেল ব্যবহার করে আপনার নিজস্ব LLM স্থাপন করুন
জেনারেটিভ এআই-এর সবচেয়ে প্রতিশ্রুতিশীল উন্নয়নগুলির মধ্যে একটি হল সংলাপ ব্যবস্থায় এলএলএম-এর একীকরণ, আরও স্বজ্ঞাত এবং অর্থপূর্ণ বিনিময়ের জন্য নতুন পথ খুলে দেওয়া। একটি LLM হল এক ধরনের AI মডেল যা মানুষের মতো পাঠ্য বোঝা এবং তৈরি করার জন্য ডিজাইন করা হয়েছে। এই মডেলগুলিকে প্রচুর পরিমাণে ডেটার উপর প্রশিক্ষিত করা হয় এবং এতে কোটি কোটি প্যারামিটার থাকে, যা তাদের উচ্চ নির্ভুলতার সাথে ভাষা-সম্পর্কিত বিভিন্ন কাজ সম্পাদন করতে দেয়। এই রূপান্তরমূলক পদ্ধতি মানুষের অন্তর্দৃষ্টি এবং মেশিন বুদ্ধিমত্তার মধ্যে ব্যবধান পূরণ করে, আরও প্রাকৃতিক এবং উত্পাদনশীল মিথস্ক্রিয়াকে সহজতর করে। স্থানীয় LLM স্থাপনার একটি মূল সুবিধা হল তৃতীয় পক্ষের API-এর বাইরে ডেটা জমা না দিয়ে ডেটা নিরাপত্তা বাড়ানোর ক্ষমতা। তাছাড়া, আপনি ডোমেন-নির্দিষ্ট ডেটার সাথে আপনার নির্বাচিত LLM-কে সূক্ষ্ম-টিউন করতে পারেন, যার ফলে আরও সঠিক, প্রসঙ্গ-সচেতন, এবং প্রাকৃতিক ভাষা বোঝার অভিজ্ঞতা পাওয়া যায়।
AI2 ল্যাবস-এর জুরাসিক-21 সিরিজ, যা 178-বিলিয়ন-প্যারামিটার জুরাসিক-1 এলএলএম-এর উপর ভিত্তি করে, অ্যামাজন ফাউন্ডেশন মডেলগুলির অবিচ্ছেদ্য অংশ আমাজন বেডরক. জুরাসিক-2 নির্দেশ বিশেষভাবে প্রম্পট পরিচালনা করার জন্য প্রশিক্ষিত ছিল যেগুলি শুধুমাত্র নির্দেশাবলী, হিসাবে পরিচিত শূন্য শট, উদাহরণের প্রয়োজন ছাড়া, বা কয়েক শট. এই পদ্ধতিটি এলএলএম-এর সাথে সবচেয়ে স্বজ্ঞাত মিথস্ক্রিয়া প্রদান করে, এবং কোন উদাহরণের প্রয়োজন ছাড়াই আপনার কাজের জন্য আদর্শ আউটপুট বোঝার জন্য এটি সর্বোত্তম পদ্ধতি। আপনি দক্ষতার সাথে আপনার নিজস্ব ভার্চুয়াল প্রাইভেট ক্লাউড (VPC) ব্যবহার করে AWS মার্কেটপ্লেসে উপলব্ধ প্রাক-প্রশিক্ষিত J2-জাম্বো-ইনস্ট্রাক্ট বা অন্যান্য জুরাসিক-2 মডেলগুলি স্থাপন করতে পারেন। আমাজন সেজমেকার। নিম্নলিখিত কোডটি দেখুন:
import ai21, sagemaker # Define endpoint name
endpoint_name = "sagemaker-soln-j2-jumbo-instruct"
# Define real-time inference instance type. You can also choose g5.48xlarge or p4de.24xlarge instance types
# Please request P instance quota increase via <a href="https://console.aws.amazon.com/servicequotas/home" target="_blank" rel="noopener">Service Quotas console</a> or your account manager
real_time_inference_instance_type = ("ml.p4d.24xlarge") # Create a Sgaemkaer endpoint then deploy a pre-trained J2-jumbo-instruct-v1 model from AWS Market Place.
model_package_arn = "arn:aws:sagemaker:us-east-1:865070037744:model-package/j2-jumbo-instruct-v1-0-20-8b2be365d1883a15b7d78da7217cdeab"
model = ModelPackage(
role=sagemaker.get_execution_role(),
model_package_arn=model_package_arn,
sagemaker_session=sagemaker.Session()
) # Deploy the model
predictor = model.deploy(1, real_time_inference_instance_type,
endpoint_name=endpoint_name,
model_data_download_timeout=3600,
container_startup_health_check_timeout=600,
)
আপনার নিজস্ব VPC-এর মধ্যে শেষপয়েন্ট সফলভাবে স্থাপন করার পরে, আপনি একটি অনুমান কাজ শুরু করতে পারেন যাচাই করার জন্য যে মোতায়েন করা LLM প্রত্যাশিত হিসাবে কাজ করছে:
response_jumbo_instruct = ai21.Completion.execute(
sm_endpoint=endpoint_name,
prompt="Explain deep learning algorithms to 8th graders",
numResults=1,
maxTokens=100,
temperature=0.01 #subject to reduce “hallucination” by using common words.
)
ডকুমেন্ট প্রসেসিং, এমবেডিং এবং ইন্ডেক্সিং
আমরা একটি দক্ষ এবং কার্যকর অনুসন্ধান সূচক তৈরির প্রক্রিয়ার মধ্যে অনুসন্ধান করি, যা নথি প্রক্রিয়াকরণকে গাইড করার জন্য বুদ্ধিমান এবং প্রতিক্রিয়াশীল কথোপকথনের ভিত্তি তৈরি করে। শুরু করার জন্য, আমরা OCR ব্যবহার করে বিভিন্ন ফরম্যাট থেকে নথিগুলিকে পাঠ্য সামগ্রীতে রূপান্তর করি এবং অ্যামাজন টেক্সট্র্যাক. তারপরে আমরা এই বিষয়বস্তুটি পড়ি এবং একে ছোট ছোট টুকরো টুকরো করে ফেলি, আদর্শভাবে প্রতিটি বাক্যের আকারের চারপাশে। এই দানাদার পদ্ধতিটি আরও সুনির্দিষ্ট এবং প্রাসঙ্গিক অনুসন্ধান ফলাফলের জন্য অনুমতি দেয়, কারণ এটি সমগ্র নথির পরিবর্তে একটি পৃষ্ঠার পৃথক অংশগুলির বিরুদ্ধে প্রশ্নের আরও ভাল মিলকে সক্ষম করে৷ প্রক্রিয়াটিকে আরও উন্নত করতে, আমরা এম্বেডিং ব্যবহার করি যেমন আলিঙ্গন মুখ থেকে বাক্য ট্রান্সফরমার লাইব্রেরি, যা প্রতিটি বাক্যের ভেক্টর উপস্থাপনা (এনকোডিং) তৈরি করে। এই ভেক্টরগুলি মূল পাঠ্যের একটি কম্প্যাক্ট এবং অর্থপূর্ণ উপস্থাপনা হিসাবে কাজ করে, যা দক্ষ এবং সঠিক শব্দার্থিক ম্যাচিং কার্যকারিতা সক্ষম করে। অবশেষে, আমরা এই ভেক্টরগুলিকে একটি ভেক্টর ডাটাবেসে সাদৃশ্য অনুসন্ধানের জন্য সংরক্ষণ করি। কৌশলগুলির এই সংমিশ্রণটি একটি অভিনব নথি প্রক্রিয়াকরণ কাঠামোর ভিত্তি তৈরি করে যা ব্যবহারকারীদের জন্য সঠিক এবং স্বজ্ঞাত ফলাফল প্রদান করে। নিম্নলিখিত চিত্রটি এই কর্মপ্রবাহকে চিত্রিত করে।
OCR সমাধানের একটি গুরুত্বপূর্ণ উপাদান হিসাবে কাজ করে, যা স্ক্যান করা নথি বা ছবি থেকে পাঠ্য পুনরুদ্ধারের অনুমতি দেয়। পিডিএফ বা ইমেজ ফাইল থেকে টেক্সট বের করার জন্য আমরা Amazon Textract ব্যবহার করতে পারি। এই পরিচালিত ওসিআর পরিষেবাটি পিডিএফ, জেপিইজি বা টিআইএফএফ ফর্ম্যাটে যেমন চালান এবং রসিদ সহ বহু-পৃষ্ঠার নথিতে পাঠ্য সনাক্ত করতে এবং পরীক্ষা করতে সক্ষম। বহু-পৃষ্ঠার নথিগুলির প্রক্রিয়াকরণ অ্যাসিঙ্ক্রোনাসভাবে ঘটে, এটি ব্যাপক, বহু-পৃষ্ঠার নথিগুলি পরিচালনার জন্য সুবিধাজনক করে তোলে। নিম্নলিখিত কোড দেখুন:
def pdf_2_text(input_pdf_file, history):
history = history or []
key = 'input-pdf-files/{}'.format(os.path.basename(input_pdf_file.name))
try:
response = s3_client.upload_file(input_pdf_file.name, default_bucket_name, key)
except ClientError as e:
print("Error uploading file to S3:", e)
s3_object = {'Bucket': default_bucket_name, 'Name': key}
response = textract_client.start_document_analysis(
DocumentLocation={'S3Object': s3_object},
FeatureTypes=['TABLES', 'FORMS']
)
job_id = response['JobId']
while True:
response = textract_client.get_document_analysis(JobId=job_id)
status = response['JobStatus']
if status in ['SUCCEEDED', 'FAILED']:
break
time.sleep(5) if status == 'SUCCEEDED':
with open(output_file, 'w') as output_file_io:
for block in response['Blocks']:
if block['BlockType'] in ['LINE', 'WORD']:
output_file_io.write(block['Text'] + 'n')
with open(output_file, "r") as file:
first_512_chars = file.read(512).replace("n", "").replace("r", "").replace("[", "").replace("]", "") + " [...]"
history.append(("Document conversion", first_512_chars))
return history, history
বড় নথিগুলির সাথে কাজ করার সময়, সহজ প্রক্রিয়াকরণের জন্য সেগুলিকে আরও পরিচালনাযোগ্য টুকরোগুলিতে ভেঙে ফেলা গুরুত্বপূর্ণ। ল্যাংচেইনের ক্ষেত্রে, এর অর্থ হল প্রতিটি নথিকে ছোট ছোট অংশে ভাগ করা, যেমন 1,000 টোকেনের ওভারল্যাপ সহ প্রতি খণ্ডে 100 টোকেন। এটি মসৃণভাবে অর্জন করতে, LangChain এই উদ্দেশ্যে বিশেষভাবে ডিজাইন করা বিশেষ স্প্লিটার ব্যবহার করে:
from langchain.text_splitter import CharacterTextSplitter
from langchain.document_loaders import TextLoader
separator = 'n'
overlap_count = 100. # overlap count between the splits
chunk_size = 1000 # Use a fixed split unit size
loader = TextLoader(output_file)
documents = loader.load()
text_splitter = CharacterTextSplitter(separator=separator, chunk_overlap=overlap_count, chunk_size=chunk_size, length_function=len)
texts = text_splitter.split_documents(documents)
এম্বেডিংয়ের জন্য প্রয়োজনীয় সময়কাল নথির আকারের উপর ভিত্তি করে ওঠানামা করতে পারে; উদাহরণস্বরূপ, এটি শেষ হতে প্রায় 10 মিনিট সময় নিতে পারে। যদিও একটি একক নথির সাথে কাজ করার সময় এই সময়সীমাটি উল্লেখযোগ্য নাও হতে পারে, তবে শত শত মেগাবাইটের বিপরীতে শত শত গিগাবাইটের সূচীকরণের সময় বিস্তৃতিগুলি আরও উল্লেখযোগ্য হয়ে ওঠে। এম্বেডিং প্রক্রিয়া ত্বরান্বিত করতে, আপনি শার্ডিং প্রয়োগ করতে পারেন, যা সমান্তরালকরণ সক্ষম করে এবং ফলস্বরূপ দক্ষতা বাড়ায়:
from langchain.document_loaders import ReadTheDocsLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter
from sentence_transformers import SentenceTransformer
import numpy as np
import ray
from embeddings import LocalHuggingFaceEmbeddings # Define number of splits
db_shards = 10 loader = TextLoader(output_file)
text_splitter = RecursiveCharacterTextSplitter(
chunk_size = 1000,
chunk_overlap = 100,
length_function = len,
) @ray.remote()
def process_shard(shard):
embeddings = LocalHuggingFaceEmbeddings('multi-qa-mpnet-base-dot-v1')
result = Chroma.from_documents(shard, embeddings)
return result # Read the doc content and split them into chunks.
chunks = text_splitter.create_documents([doc.page_content for doc in documents], metadatas=[doc.metadata for doc in documents])
# Embed the doc chunks into vectors.
shards = np.array_split(chunks, db_shards)
futures = [process_shard.remote(shards[i]) for i in range(db_shards)]
texts = ray.get(futures)
এখন যেহেতু আমরা ছোট অংশগুলি পেয়েছি, আমরা এম্বেডিংয়ের মাধ্যমে ভেক্টর হিসাবে তাদের উপস্থাপন করা চালিয়ে যেতে পারি। এমবেডিংস, এনএলপির একটি কৌশল, পাঠ্য প্রম্পটের ভেক্টর উপস্থাপনা তৈরি করে। এমবেডিং ক্লাস বিভিন্ন এম্বেডিং প্রদানকারীদের সাথে ইন্টারঅ্যাক্ট করার জন্য একটি ইউনিফাইড ইন্টারফেস হিসাবে কাজ করে, যেমন SageMaker, কোহের, আলিঙ্গন মুখ, এবং OpenAI, যা বিভিন্ন প্ল্যাটফর্ম জুড়ে প্রক্রিয়াটিকে প্রবাহিত করে। এই এমবেডিংগুলি হল সংখ্যার ক্রমানুসারে রূপান্তরিত ধারণাগুলির সাংখ্যিক চিত্র, যা কম্পিউটারগুলিকে অনায়াসে এই ধারণাগুলির মধ্যে সংযোগগুলি বোঝার অনুমতি দেয়। নিম্নলিখিত কোড দেখুন:
# Choose a SageMaker deployed local LLM endpoint for embedding
llm_embeddings = SagemakerEndpointEmbeddings(
endpoint_name=<endpoint_name>,
region_name=<region>,
content_handler=content_handler
)
এমবেডিং তৈরি করার পরে, আমাদের ভেক্টর সংরক্ষণ করতে একটি ভেক্টর স্টোর ব্যবহার করতে হবে। ভেক্টরস্টোর পছন্দ করে ক্রোমা পরবর্তীতে উচ্চ-মাত্রিক স্থানগুলিতে দ্রুত অনুসন্ধানের জন্য সূচী তৈরি করার জন্য বিশেষভাবে প্রকৌশলী করা হয়েছে, যা আমাদের উদ্দেশ্যগুলির জন্য পুরোপুরি উপযুক্ত করে তোলে। একটি বিকল্প হিসাবে, আপনি ব্যবহার করতে পারেন FAISS, ভেক্টর সংরক্ষণের জন্য একটি ওপেন সোর্স ভেক্টর ক্লাস্টারিং সমাধান। নিম্নলিখিত কোড দেখুন:
from langchain.vectorstores import Chroma
# Store vectors in Chroma vectorDB
docsearch_chroma = Chroma.from_documents(texts, llm_embeddings)
# Alternatively you can choose FAISS vectorstore
from langchain.vectorstores import FAISS
docsearch_faiss = FAISS.from_documents(texts, llm_embeddings)
আপনি ব্যবহার করতে পারেন আমাজন কেন্দ্র এন্টারপ্রাইজ বিষয়বস্তু সূচী করতে এবং সুনির্দিষ্ট উত্তর তৈরি করতে। একটি সম্পূর্ণরূপে পরিচালিত পরিষেবা হিসাবে, Amazon কেন্দ্র উন্নত নথি এবং উত্তরণ র্যাঙ্কিংয়ের জন্য ব্যবহারের জন্য প্রস্তুত শব্দার্থিক অনুসন্ধান বৈশিষ্ট্যগুলি অফার করে। Amazon কেন্দ্রে উচ্চ-নির্ভুলতা অনুসন্ধানের মাধ্যমে, আপনি আপনার পেলোডের গুণমান অপ্টিমাইজ করার জন্য সবচেয়ে প্রাসঙ্গিক বিষয়বস্তু এবং নথি পেতে পারেন। এটি ঐতিহ্যগত বা কীওয়ার্ড-কেন্দ্রিক অনুসন্ধান পদ্ধতির তুলনায় উচ্চতর LLM প্রতিক্রিয়ার ফলাফল করে। আরো তথ্যের জন্য, পড়ুন অ্যামাজন কেন্দ্র, ল্যাংচেইন এবং বৃহৎ ভাষার মডেল ব্যবহার করে এন্টারপ্রাইজ ডেটাতে দ্রুত উচ্চ-নির্ভুলতা জেনারেটিভ এআই অ্যাপ্লিকেশন তৈরি করুন.
ইন্টারেক্টিভ বহুভাষিক ভয়েস ইনপুট
নথি অনুসন্ধানে ইন্টারেক্টিভ ভয়েস ইনপুট অন্তর্ভুক্ত করা অনেকগুলি সুবিধা দেয় যা ব্যবহারকারীর অভিজ্ঞতাকে উন্নত করে। ব্যবহারকারীদের মৌখিকভাবে অনুসন্ধানের শব্দগুলিকে স্পষ্ট করতে সক্ষম করার মাধ্যমে, নথি অনুসন্ধান আরও স্বাভাবিক এবং স্বজ্ঞাত হয়ে ওঠে, ব্যবহারকারীদের জন্য তাদের প্রয়োজনীয় তথ্য খুঁজে পেতে সহজ এবং দ্রুত করে তোলে। ভয়েস ইনপুট অনুসন্ধান ফলাফলের নির্ভুলতাকে শক্তিশালী করতে পারে, কারণ উচ্চারিত অনুসন্ধান পদগুলি বানান বা ব্যাকরণগত ত্রুটির জন্য কম সংবেদনশীল। ইন্টারেক্টিভ ভয়েস ইনপুট নথি অনুসন্ধানকে আরও অন্তর্ভুক্ত করে, বিভিন্ন ভাষার স্পিকার এবং সংস্কৃতির পটভূমি সহ ব্যবহারকারীদের বিস্তৃত বর্ণালীকে সরবরাহ করে।
সার্জারির অ্যামাজন ট্রান্সক্রাইব স্ট্রিমিং SDK অডিও বাইটের একটি স্ট্রীম এবং একটি বেসিক হ্যান্ডলারের সাথে সরাসরি Amazon Transcribe-এর সাথে একীভূত করে অডিও-টু-স্পিচ স্বীকৃতি সম্পাদন করতে সক্ষম করে। একটি বিকল্প হিসাবে, আপনি স্থাপন করতে পারেন ফিসফিস-বড় আলিঙ্গন ফেস ব্যবহার করে স্থানীয়ভাবে মডেল SageMaker, যা উন্নত ডেটা নিরাপত্তা এবং ভালো কর্মক্ষমতা প্রদান করে। বিস্তারিত জানার জন্য, দেখুন নমুনা নোটবুক GitHub রেপোতে প্রকাশিত।
# Choose ASR using a locally deployed Whisper-large model from Hugging Face
image = sagemaker.image_uris.retrieve(
framework='pytorch',
region=region,
image_scope='inference',
version='1.12',
instance_type='ml.g4dn.xlarge',
) model_name = f'sagemaker-soln-whisper-model-{int(time.time())}'
whisper_model_sm = sagemaker.model.Model(
model_data=model_uri,
image_uri=image,
role=sagemaker.get_execution_role(),
entry_point="inference.py",
source_dir='src',
name=model_name,
) # Audio transcribe
transcribe = whisper_endpoint.predict(audio.numpy())
উপরের প্রদর্শনী ভিডিওটি দেখায় কিভাবে ভয়েস কমান্ড, টেক্সট ইনপুট সহ, ইন্টারেক্টিভ কথোপকথনের মাধ্যমে নথির সংক্ষিপ্তকরণের কাজটি সহজতর করতে পারে।
মাল্টি-রাউন্ড কথোপকথনের মাধ্যমে NLP কার্য পরিচালনা করা
ভাষা মডেলের মেমরি একজন ব্যবহারকারীর মিথস্ক্রিয়া জুড়ে রাষ্ট্রের ধারণা বজায় রাখে। এটি জ্ঞান আহরণ এবং রূপান্তর করার জন্য চ্যাট বার্তাগুলির একটি ক্রম প্রক্রিয়াকরণ জড়িত। মেমরির ধরন পরিবর্তিত হয়, তবে প্রতিটিকে স্বতন্ত্র ফাংশন ব্যবহার করে এবং একটি চেইনের মধ্যে বোঝা যায়। মেমরি একাধিক ডেটা পয়েন্ট যেমন সাম্প্রতিক বার্তা বা বার্তার সারাংশ, স্ট্রিং বা তালিকার আকারে ফেরত দিতে পারে। এই পোস্টটি সবচেয়ে সহজ মেমরি ফর্ম, বাফার মেমরির উপর ফোকাস করে, যা সমস্ত পূর্ববর্তী বার্তা সঞ্চয় করে এবং মডুলার ইউটিলিটি ফাংশন এবং চেইনগুলির সাথে এর ব্যবহার প্রদর্শন করে।
ল্যাংচেইনের ChatMessageHistory ক্লাস মেমরি মডিউলগুলির জন্য একটি গুরুত্বপূর্ণ ইউটিলিটি, যা আগের সমস্ত চ্যাট ইন্টারঅ্যাকশনগুলি মনে রেখে মানব এবং এআই বার্তাগুলি সংরক্ষণ এবং পুনরুদ্ধার করার সুবিধাজনক পদ্ধতি প্রদান করে। এটি একটি চেইন থেকে বাহ্যিকভাবে মেমরি পরিচালনার জন্য আদর্শ। নিম্নোক্ত কোডটি একটি চেইনে একটি সাধারণ ধারণাকে প্রবর্তনের মাধ্যমে প্রয়োগ করার একটি উদাহরণ কথোপকথন বাফার মেমরি, জন্য একটি মোড়ক ChatMessageHistory
. এই মোড়কটি একটি ভেরিয়েবলের মধ্যে বার্তাগুলিকে বের করে, তাদের একটি স্ট্রিং হিসাবে উপস্থাপন করার অনুমতি দেয়:
from langchain.memory import ConversationBufferMemory
memory = ConversationBufferMemory(return_messages=True)
LangChain অনেক জনপ্রিয় LLM প্রদানকারীর সাথে কাজ করে যেমন AI21 Labs, OpenAI, Cohere, Hugging Face, এবং আরও অনেক কিছু। এই উদাহরণের জন্য, আমরা সেজমেকার ব্যবহার করে স্থানীয়ভাবে নিয়োজিত AI21 ল্যাবসের জুরাসিক-2 এলএলএম র্যাপার ব্যবহার করি। AI21 স্টুডিও Jurassic-2 LLM-এ API অ্যাক্সেস প্রদান করে।
from langchain import PromptTemplate, SagemakerEndpoint
from langchain.llms.sagemaker_endpoint import ContentHandlerBase
from langchain.chains.question_answering import load_qa_chain prompt= PromptTemplate(
template=prompt_template, input_variables=["context", "question"]
) class ContentHandler(ContentHandlerBase):
content_type = "application/json"
accepts = "application/json"
def transform_input(self, prompt: str, model_kwargs: Dict) -- bytes:
input_str = json.dumps({prompt: prompt, **model_kwargs})
return input_str.encode('utf-8') def transform_output(self, output: bytes) -- str:
response_json = json.loads(output.read().decode("utf-8"))
return response_json[0]["generated_text"]
content_handler = ContentHandler()
llm_ai21=SagemakerEndpoint(
endpoint_name=endpoint_name,
credentials_profile_name=f'aws-credentials-profile-name',
region_name="us-east-1",
model_kwargs={"temperature":0},
content_handler=content_handler) qa_chain = VectorDBQA.from_chain_type(
llm=llm_ai21,
chain_type='stuff',
vectorstore=docsearch,
verbose=True,
memory=ConversationBufferMemory(return_messages=True)
) response = qa_chain(
{'query': query_input},
return_only_outputs=True
)
ঘটনাটি যে প্রক্রিয়াটি ব্যবহারকারীর অনুসন্ধানের প্রতিক্রিয়া হিসাবে মূল নথি থেকে একটি উপযুক্ত প্রতিক্রিয়া সনাক্ত করতে অক্ষম হয়, একটি তৃতীয় পক্ষের URL এর একীকরণ বা আদর্শভাবে একটি টাস্ক-চালিত স্বায়ত্তশাসিত এজেন্ট বহিরাগত ডেটা উত্সগুলির সাথে সিস্টেমের ক্ষমতাকে উল্লেখযোগ্যভাবে বৃদ্ধি করে তথ্যের একটি বিস্তৃত অ্যারে অ্যাক্সেস করুন, শেষ পর্যন্ত প্রসঙ্গ উন্নত করে এবং আরও সঠিক এবং বর্তমান ফলাফল প্রদান করে।
AI21-এর পূর্ব-কনফিগার করা সংক্ষিপ্ত রান পদ্ধতির সাহায্যে, একটি ক্যোয়ারী একটি পূর্বনির্ধারিত URL অ্যাক্সেস করতে পারে, এর বিষয়বস্তুকে ঘনীভূত করতে পারে এবং তারপর সংক্ষিপ্ত তথ্যের উপর ভিত্তি করে প্রশ্ন ও উত্তরের কাজগুলি সম্পাদন করতে পারে:
# Call AI21 API to query the context of a specific URL for Q&A
ai21.api_key = "<YOUR_API_KEY>"
url_external_source = "<your_source_url>"
response_url = ai21.Summarize.execute(
source=url_external_source,
sourceType="URL" )
context = "<concate_document_and_response_url>"
question = "<query>"
response = ai21.Answer.execute(
context=context,
question=question,
sm_endpoint=endpoint_name,
maxTokens=100,
)
অতিরিক্ত বিবরণ এবং কোড উদাহরণের জন্য, পড়ুন ল্যাংচেইন এলএলএম ইন্টিগ্রেশন ডকুমেন্ট পাশাপাশি টাস্ক-নির্দিষ্ট API নথি AI21 দ্বারা সরবরাহ করা হয়েছে।
BabyAGI ব্যবহার করে টাস্ক অটোমেশন
টাস্ক অটোমেশন মেকানিজম সিস্টেমটিকে জটিল প্রশ্নগুলি প্রক্রিয়া করতে এবং প্রাসঙ্গিক প্রতিক্রিয়া তৈরি করতে দেয়, যা নথি প্রক্রিয়াকরণের বৈধতা এবং সত্যতাকে ব্যাপকভাবে উন্নত করে। ল্যাংকেনের বেবিএজিআই একটি শক্তিশালী AI-চালিত টাস্ক ম্যানেজমেন্ট সিস্টেম যা স্বায়ত্তশাসিতভাবে কাজগুলি তৈরি করতে, অগ্রাধিকার দিতে এবং চালাতে পারে। মূল বৈশিষ্ট্যগুলির মধ্যে একটি হল ওয়েব, ডাটাবেস এবং API-এর মতো তথ্যের বাহ্যিক উত্সগুলির সাথে ইন্টারফেস করার ক্ষমতা। এই বৈশিষ্ট্যটি ব্যবহার করার একটি উপায় হল BabyAGI এর সাথে একীভূত করা সেরপাপি, একটি সার্চ ইঞ্জিন API যা সার্চ ইঞ্জিনে অ্যাক্সেস প্রদান করে। এই ইন্টিগ্রেশনটি বেবিএজিআইকে কাজ সম্পর্কিত তথ্যের জন্য ওয়েবে অনুসন্ধান করার অনুমতি দেয়, যা বেবিএজিআইকে ইনপুট নথির বাইরে প্রচুর তথ্য অ্যাক্সেস করতে দেয়।
BabyAGI এর স্বায়ত্তশাসিত টাস্কিং ক্ষমতা একটি LLM, একটি ভেক্টর অনুসন্ধান ডাটাবেস, বাহ্যিক লিঙ্কগুলির জন্য একটি API মোড়ক এবং LangChain ফ্রেমওয়ার্ক দ্বারা চালিত হয়, যা এটি বিভিন্ন ডোমেন জুড়ে কাজের একটি বিস্তৃত বর্ণালী চালানোর অনুমতি দেয়। এটি সিস্টেমটিকে ব্যবহারকারীর মিথস্ক্রিয়াগুলির উপর ভিত্তি করে কাজগুলি সক্রিয়ভাবে সম্পাদন করতে সক্ষম করে, নথি প্রক্রিয়াকরণ পাইপলাইনকে স্ট্রিমলাইন করে যা বাহ্যিক উত্সগুলিকে অন্তর্ভুক্ত করে এবং আরও দক্ষ, মসৃণ অভিজ্ঞতা তৈরি করে৷ নিম্নলিখিত চিত্রটি টাস্ক অটোমেশন প্রক্রিয়াটি চিত্রিত করে।
এই প্রক্রিয়াটি নিম্নলিখিত উপাদানগুলি অন্তর্ভুক্ত করে:
- স্মৃতি - মেমরি সমস্ত তথ্য সঞ্চয় করে যা BabyAGI এর কাজগুলি সম্পূর্ণ করতে প্রয়োজন। এর মধ্যে কাজটি নিজেই, সেইসাথে বেবিএজিআই তৈরি করা যেকোনো মধ্যবর্তী ফলাফল বা ডেটা অন্তর্ভুক্ত করে।
- মৃত্যুদন্ড কার্যকরী এজেন্ট - মৃত্যুদন্ড কার্যকরী এজেন্ট মেমরিতে সংরক্ষিত কাজগুলি সম্পাদনের জন্য দায়ী। এটি মেমরি অ্যাক্সেস করে, প্রাসঙ্গিক তথ্য পুনরুদ্ধার করে এবং তারপর কাজটি সম্পূর্ণ করার জন্য প্রয়োজনীয় পদক্ষেপ গ্রহণ করে এটি করে।
- টাস্ক সৃষ্টি এজেন্ট - টাস্ক ক্রিয়েশন এজেন্ট বেবিএজিআই সম্পূর্ণ করার জন্য নতুন টাস্ক তৈরি করার জন্য দায়ী। এটি মেমরির বর্তমান অবস্থা বিশ্লেষণ করে এবং জ্ঞান বা বোঝার কোন ফাঁক সনাক্ত করে এটি করে। যখন একটি ফাঁক চিহ্নিত করা হয়, টাস্ক ক্রিয়েশন এজেন্ট একটি নতুন টাস্ক তৈরি করে যা BabyAGI কে সেই শূন্যস্থান পূরণ করতে সাহায্য করবে।
- টাস্ক সারি - টাস্ক কিউ হল বেবিএজিআই-এর দ্বারা নির্ধারিত সমস্ত কাজের একটি তালিকা। কাজগুলি সারিতে যোগ করা হয় যে ক্রমে তারা প্রাপ্ত হয়েছিল।
- টাস্ক অগ্রাধিকার এজেন্ট - বেবিএজিআই-এর কাজগুলি যে ক্রমানুসারে সম্পন্ন করা উচিত তা নির্ধারণের জন্য টাস্ক অগ্রাধিকার এজেন্ট দায়ী৷ এটি সারিতে থাকা কাজগুলি বিশ্লেষণ করে এবং সবচেয়ে গুরুত্বপূর্ণ বা জরুরী কাজগুলি চিহ্নিত করে এটি করে। যে কাজগুলি সবচেয়ে গুরুত্বপূর্ণ সেগুলিকে সারির সামনে রাখা হয় এবং যে কাজগুলি সবচেয়ে কম গুরুত্বপূর্ণ সেগুলি সারির পিছনে রাখা হয়।
নিম্নলিখিত কোডটি দেখুন:
from babyagi import BabyAGI
from langchain.docstore import InMemoryDocstore
import faiss
# Set temperatur=0 to generate the most frequent words, instead of more “poetically free” behavior.
new_query = """
What happened to the First Republic Bank? Will the FED take the same action as it did on SVB's failure? """
# Enable verbose logging and use a fixed embedding size.
verbose = True
embedding_size = 1536 # Using FAISS vector cluster for vectore store
index = faiss.IndexFlatL2(embedding_size)
vectorstore = FAISS(llm_embeddings.embed_query, index, InMemoryDocstore({}), {}) # Choose 1 iteration for demo and 1>N>10 for real. If None, it will loop indefinitely
max_iterations: Optional[int] = 2 # Call bayagi class for task automation
baby_agi = BabyAGI.from_llm(
llm=llm_embedding, vectorstore=vectorstore, verbose=verbose, max_iterations=max_iterations<br />) response = baby_agi({"objective": new_query})
আসুন ব্যবহারকারীর অনুসন্ধানের জবাবে উদ্দেশ্যটি সম্পাদন করতে প্রদর্শনের উদ্দেশ্যে ব্যবহৃত একক পুনরাবৃত্তি থেকে সংগৃহীত কাজগুলি এবং তাদের ফলাফলগুলি পরীক্ষা করি। BabyAGI নিম্নলিখিত ধাপগুলির একটি ক্রমাগত চক্রের মাধ্যমে কাজ করে:
- একটি টাস্ক ক্রিয়েশন এজেন্ট একটি নতুন টাস্ক তৈরি করে।
- নতুন টাস্ক টাস্ক কিউতে অন্তর্ভুক্ত করা হয়েছে।
- টাস্ক অগ্রাধিকার এজেন্ট সেই ক্রমটি স্থাপন করে যেখানে কাজগুলি মোকাবেলা করা উচিত।
- রান এজেন্ট কাজটি সম্পন্ন করে।
- কাজের ফলাফল মেমরিতে সংরক্ষিত হয়।
- চক্র পুনরাবৃত্তি.
এই পুনরাবৃত্তিমূলক প্রক্রিয়া BabyAGI কে শিখতে এবং সময়ের সাথে বিকাশ করতে সক্ষম করে। যেহেতু এটি সাফল্যের সাথে ক্রমবর্ধমান সংখ্যক কাজ সম্পন্ন করে, বিশ্ব সম্পর্কে বেবিএজিআই-এর জ্ঞান এবং বোধগম্যতা প্রসারিত হয়। ফলস্বরূপ, এটি আরও জটিল এবং উন্নত কাজগুলি তৈরি করতে এবং দক্ষতার সাথে চালাতে পারে। পুনরাবৃত্তির সংখ্যা বৃদ্ধি করে, আপনি কার্য তালিকার পুনর্গঠনের মাধ্যমে ফলাফলকে উন্নত করতে পারেন, যা লক্ষ্য এবং পূর্ববর্তী কাজগুলির ফলাফলের উপর ফোকাস করে, শেষ পর্যন্ত আরও প্রাসঙ্গিক এবং সুনির্দিষ্ট প্রতিক্রিয়া প্রদান করে।
নিম্নলিখিত উদাহরণ আউটপুট দেখুন:
*****TASK LIST*****
1: Make a todo list
*****NEXT TASK*****
1: Make a todo list
> Entering new AgentExecutor chain...
Thought: I need to research the First Republic Bank and the FED's action
Action: Search
Action Input: What happened to the First Republic Bank? Will the FED take the same action as it did on SVB's failure?
Observation: First Republic's failure was due to a run on deposits following the collapse of Silicon Valley Bank and Signature Bank. JPMorgan Chase acquired
First Republic Bank on May 1, 2023. If you had insured or uninsured money in First Republic accounts, your funds are safe and now managed by JPMorgan Chase.
Thought: I need to research the FED's action on SVB's failure
Action: Search
Action Input: What action did the FED take on SVB's failure?
Observation: The Hutchins Center explains how the Federal Reserve has responded to the March 2023 failures of Silicon Valley Bank and Signature Bank.
Thought: I now know the final answer
Final Answer: The FED responded to the March 2023 failures of Silicon Valley Bank and <br />Signature Bank by providing liquidity to the banking system. JPMorgan Chase acquired First Republic Bank on May 1, 2023, and if you had insured or uninsured money in First Republic accounts, your funds are safe and now managed by JPMorgan Chase.
> Finished chain.
*****TASK RESULT*****
The Federal Reserve responded to the March 2023 failures of Silicon Valley Bank and Signature Bank by providing liquidity to the banking system. It is unclear what action the FED will take in response to the failure of First Republic Bank. ***TASK LIST*** 2: Research the timeline of First Republic Bank's failure.
3: Analyze the Federal Reserve's response to the failure of Silicon Valley Bank and Signature Bank.
4: Compare the Federal Reserve's response to the failure of Silicon Valley Bank and Signature Bank to the Federal Reserve's response to the failure of First Republic Bank.
5: Investigate the potential implications of the Federal Reserve's response to the failure of First Republic Bank.
6: Identify any potential risks associated with the Federal Reserve's response to the failure of First Republic Bank.<br />*****NEXT TASK***** 2: Research the timeline of First Republic Bank's failure. > Entering new AgentExecutor chain...
Will the FED take the same action as it did on SVB's failure?
Thought: I should search for information about the timeline of First Republic Bank's failure and the FED's action on SVB's failure.
Action: Search
Action Input: Timeline of First Republic Bank's failure and FED's action on SVB's failure
Observation: March 20: The FDIC decides to break up SVB and hold two separate auctions for its traditional deposits unit and its private bank after failing ...
Thought: I should look for more information about the FED's action on SVB's failure.
Action: Search
Action Input: FED's action on SVB's failure
Observation: The Fed blamed failures on mismanagement and supervisory missteps, compounded by a dose of social media frenzy.
Thought: I now know the final answer.
Final Answer: The FED is likely to take similar action on First Republic Bank's failure as it did on SVB's failure, which was to break up the bank and hold two separate auctions for its traditional deposits unit and its private bank.</p><p>> Finished chain. *****TASK RESULT*****
The FED responded to the March 2023 failures of ilicon Valley Bank and Signature Bank by providing liquidity to the banking system. JPMorgan Chase acquired First Republic Bank on May 1, 2023, and if you had insured or uninsured money in First Republic accounts, your funds are safe and now managed by JPMorgan Chase.*****TASK ENDING*****
টাস্ক অটোমেশনের জন্য BabyAGI-এর সাথে, সংলাপ-নির্দেশিত IDP সিস্টেমটি প্রথম রিপাবলিক ব্যাঙ্কের ব্যর্থতার বিষয়ে ফেডারেল রিজার্ভের সম্ভাব্য পদক্ষেপ সম্পর্কে ব্যবহারকারীর প্রশ্নের সমাধান করার জন্য মূল নথির প্রেক্ষাপটের বাইরে গিয়ে তার কার্যকারিতা প্রদর্শন করেছে, যা 2023 সালের এপ্রিলের শেষের দিকে ঘটেছিল, 1 মাস পরে নমুনা প্রকাশনা, SVB এর ব্যর্থতার তুলনায়। এটি অর্জন করার জন্য, সিস্টেমটি একটি করণীয় তালিকা তৈরি করেছে এবং ক্রমানুসারে কাজগুলি সম্পন্ন করেছে। এটি ফার্স্ট রিপাবলিক ব্যাঙ্কের ব্যর্থতার আশেপাশের পরিস্থিতিগুলি তদন্ত করে, ফেডারেল রিজার্ভের প্রতিক্রিয়ার সাথে যুক্ত সম্ভাব্য ঝুঁকিগুলি চিহ্নিত করে এবং এটিকে SVB-এর ব্যর্থতার প্রতিক্রিয়ার সাথে তুলনা করে।
যদিও BabyAGI একটি কাজ চলছে, তবে এটি মেশিনের মিথস্ক্রিয়া, উদ্ভাবনী চিন্তাভাবনা এবং সমস্যা সমাধানের প্রতিশ্রুতি বহন করে। BabyAGI-এর শেখা এবং বর্ধিতকরণ অব্যাহত থাকায়, এটি আরও সুনির্দিষ্ট, অন্তর্দৃষ্টিপূর্ণ এবং উদ্ভাবনী প্রতিক্রিয়া তৈরি করতে সক্ষম হবে। স্বায়ত্তশাসিতভাবে শেখার এবং বিকশিত হওয়ার জন্য মেশিনগুলিকে ক্ষমতায়িত করার মাধ্যমে, BabyAGI জাগতিক কাজ থেকে শুরু করে জটিল সমস্যা-সমাধান পর্যন্ত বিস্তৃত কাজগুলিতে তাদের সহায়তাকে সহজতর করতে পারে।
সীমাবদ্ধতা এবং সীমাবদ্ধতা
সংলাপ-নির্দেশিত IDP নথি বিশ্লেষণ এবং নিষ্কাশনের দক্ষতা এবং কার্যকারিতা বাড়ানোর জন্য একটি প্রতিশ্রুতিশীল পদ্ধতির প্রস্তাব করে। যাইহোক, আমাদের অবশ্যই এর বর্তমান সীমাবদ্ধতা এবং সীমাবদ্ধতাগুলি স্বীকার করতে হবে, যেমন ডেটা পক্ষপাত এড়ানোর প্রয়োজনীয়তা, হ্যালুসিনেশন প্রশমন, জটিল এবং অস্পষ্ট ভাষা পরিচালনার চ্যালেঞ্জ এবং প্রসঙ্গ বোঝার ক্ষেত্রে অসুবিধা বা দীর্ঘ কথোপকথনে সুসংগততা বজায় রাখা।
উপরন্তু, AI-উত্পাদিত প্রতিক্রিয়াগুলিতে বিভ্রান্তি এবং হ্যালুসিনেশন বিবেচনা করা গুরুত্বপূর্ণ, যা ভুল বা বানোয়াট তথ্য তৈরি করতে পারে। এই চ্যালেঞ্জগুলি মোকাবেলা করার জন্য, চলমান উন্নয়নগুলি আরও ভাল প্রাকৃতিক ভাষা বোঝার ক্ষমতা সহ এলএলএমগুলিকে পরিমার্জিত করার উপর দৃষ্টি নিবদ্ধ করে, ডোমেন-নির্দিষ্ট জ্ঞানকে অন্তর্ভুক্ত করে এবং আরও শক্তিশালী প্রসঙ্গ-সচেতন মডেলগুলি বিকাশ করে। স্ক্র্যাচ থেকে একটি এলএলএম তৈরি করা ব্যয়বহুল এবং সময়সাপেক্ষ হতে পারে; যাইহোক, আপনি বিদ্যমান মডেলগুলিকে উন্নত করতে বিভিন্ন কৌশল নিযুক্ত করতে পারেন:
- আরও সঠিক এবং প্রাসঙ্গিক আউটপুটগুলির জন্য নির্দিষ্ট ডোমেনে একটি প্রাক-প্রশিক্ষিত এলএলএম ফাইন-টিউনিং
- বর্ধিত প্রাসঙ্গিক বোঝার জন্য অনুমানের সময় নিরাপদ বলে পরিচিত বাহ্যিক ডেটা উত্সগুলিকে একীভূত করা
- মডেল থেকে আরও সুনির্দিষ্ট প্রতিক্রিয়া বের করার জন্য আরও ভাল প্রম্পট ডিজাইন করা
- একাধিক এলএলএম থেকে আউটপুট একত্রিত করতে এনসেম্বল মডেল ব্যবহার করে, ত্রুটিগুলি গড় করে এবং হ্যালুসিনেশনের সম্ভাবনা কমিয়ে দেয়
- অ্যাপ্লিকেশানগুলি সঠিক এবং উপযুক্ত তথ্যের সাথে প্রতিক্রিয়া নিশ্চিত করার সাথে সাথে মডেলগুলিকে অবাঞ্ছিত এলাকায় যেতে বাধা দেওয়ার জন্য রেললাইন তৈরি করা
- মানুষের প্রতিক্রিয়া সহ তত্ত্বাবধানে সূক্ষ্ম টিউনিং পরিচালনা করা, বর্ধিত নির্ভুলতা এবং হ্রাস হ্যালুসিনেশনের জন্য মডেলটিকে পুনরাবৃত্তিমূলকভাবে পরিমার্জন করা।
এই পন্থাগুলি অবলম্বন করে, এআই-উত্পন্ন প্রতিক্রিয়াগুলি আরও নির্ভরযোগ্য এবং মূল্যবান করা যেতে পারে।
টাস্ক-চালিত স্বায়ত্তশাসিত এজেন্ট বিভিন্ন অ্যাপ্লিকেশন জুড়ে উল্লেখযোগ্য সম্ভাবনা সরবরাহ করে, তবে প্রযুক্তি গ্রহণ করার আগে মূল ঝুঁকিগুলি বিবেচনা করা অত্যাবশ্যক। এই ঝুঁকি অন্তর্ভুক্ত:
- নির্বাচিত LLM প্রদানকারী এবং vectorDB এর উপর নির্ভরতার কারণে ডেটা গোপনীয়তা এবং নিরাপত্তা লঙ্ঘন
- পক্ষপাতদুষ্ট বা ক্ষতিকর বিষয়বস্তু তৈরি থেকে উদ্ভূত নৈতিক উদ্বেগ
- মডেল নির্ভুলতার উপর নির্ভরতা, যা অকার্যকর কার্য সমাপ্তি বা অবাঞ্ছিত ফলাফল হতে পারে
- সিস্টেম ওভারলোড এবং স্কেলেবিলিটি সমস্যা যদি টাস্ক জেনারেশন শেষ হয়ে যায়, সঠিক টাস্ক সিকোয়েন্সিং এবং সমান্তরাল ব্যবস্থাপনা প্রয়োজন
- কাজের গুরুত্ব সম্পর্কে এলএলএম-এর বোঝার উপর ভিত্তি করে কাজের অগ্রাধিকারের ভুল ব্যাখ্যা
- ওয়েব থেকে প্রাপ্ত তথ্যের সত্যতা
এই ঝুঁকিগুলিকে মোকাবেলা করা দায়িত্বশীল এবং সফল প্রয়োগের জন্য অত্যন্ত গুরুত্বপূর্ণ, সম্ভাব্য ঝুঁকিগুলি কমিয়ে আমাদেরকে এআই-চালিত ভাষা মডেলগুলির সুবিধাগুলি সর্বাধিক করার অনুমতি দেয়।
উপসংহার
IDP-এর জন্য সংলাপ-নির্দেশিত সমাধান ওসিআর, স্বয়ংক্রিয় বক্তৃতা স্বীকৃতি, এলএলএম, টাস্ক অটোমেশন এবং বাহ্যিক ডেটা উত্সগুলিকে একীভূত করে নথি প্রক্রিয়াকরণের জন্য একটি যুগান্তকারী পদ্ধতি উপস্থাপন করে। এই ব্যাপক সমাধান ব্যবসাগুলিকে তাদের নথি প্রক্রিয়াকরণের কার্যপ্রবাহকে প্রবাহিত করতে সক্ষম করে, তাদের আরও দক্ষ এবং স্বজ্ঞাত করে তোলে। এই অত্যাধুনিক প্রযুক্তিগুলিকে অন্তর্ভুক্ত করার মাধ্যমে, সংস্থাগুলি কেবল তাদের নথি ব্যবস্থাপনা প্রক্রিয়ায় বিপ্লব ঘটাতে পারে না, তবে সিদ্ধান্ত গ্রহণের ক্ষমতাকেও জোরদার করতে পারে এবং সামগ্রিক উত্পাদনশীলতাকে উল্লেখযোগ্যভাবে বাড়িয়ে তুলতে পারে। সমাধানটি ব্যবসার জন্য তাদের নথির কার্যপ্রবাহের সম্পূর্ণ সম্ভাবনা আনলক করার জন্য একটি রূপান্তরমূলক এবং উদ্ভাবনী উপায় অফার করে, যা শেষ পর্যন্ত জেনারেটিভ AI যুগে বৃদ্ধি এবং সাফল্যকে চালিত করে। নির্দেশ করে সেজমেকার জাম্পস্টার্ট অন্যান্য সমাধানের জন্য এবং আমাজন বেডরক অতিরিক্ত জেনারেটিভ এআই মডেলের জন্য।
লেখকরা এই কাজে তাদের মূল্যবান ইনপুট এবং অবদানের জন্য রায়ান কিলপ্যাট্রিক, আশিস লাল এবং ক্রিস্টিন পিয়ার্সের প্রতি আন্তরিকভাবে তাদের কৃতজ্ঞতা প্রকাশ করতে চান। তারা গিথুবে প্রদত্ত কোড নমুনার জন্য ক্লে এলমোরকেও স্বীকার করে।
লেখক সম্পর্কে
আলফ্রেড শেন AWS-এর একজন সিনিয়র এআই/এমএল বিশেষজ্ঞ। তিনি সিলিকন ভ্যালিতে কাজ করছেন, স্বাস্থ্যসেবা, অর্থ এবং উচ্চ-প্রযুক্তি সহ বিভিন্ন ক্ষেত্রে প্রযুক্তিগত এবং ব্যবস্থাপক পদে রয়েছেন। তিনি একজন নিবেদিতপ্রযুক্ত এআই/এমএল গবেষক, সিভি, এনএলপি এবং মাল্টিমোডালিটিতে মনোনিবেশ করেন। তার কাজ ইএমএনএলপি, আইসিএলআর এবং জনস্বাস্থ্যের মতো প্রকাশনায় প্রদর্শিত হয়েছে।
বিবেক মদন ড অ্যামাজন সেজমেকার জাম্পস্টার্ট দলের একজন ফলিত বিজ্ঞানী। তিনি আরবানা-চ্যাম্পেইনের ইলিনয় বিশ্ববিদ্যালয় থেকে তার পিএইচডি পেয়েছিলেন এবং জর্জিয়া টেকের পোস্ট ডক্টরাল গবেষক ছিলেন। তিনি মেশিন লার্নিং এবং অ্যালগরিদম ডিজাইনের একজন সক্রিয় গবেষক এবং EMNLP, ICLR, COLT, FOCS এবং SODA কনফারেন্সে গবেষণাপত্র প্রকাশ করেছেন।
ড Li লি ঝাং এর জন্য একজন প্রধান পণ্য ব্যবস্থাপক-প্রযুক্তিগত আমাজন সেজমেকার জাম্পস্টার্ট এবং Amazon SageMaker বিল্ট-ইন অ্যালগরিদম, এমন একটি পরিষেবা যা ডেটা বিজ্ঞানী এবং মেশিন লার্নিং অনুশীলনকারীদের প্রশিক্ষণ শুরু করতে এবং তাদের মডেল স্থাপন এবং ব্যবহার করতে সহায়তা করে শক্তিবৃদ্ধি শেখার অ্যামাজন সেজমেকারের সাথে। আইবিএম রিসার্চে প্রধান গবেষণা স্টাফ সদস্য এবং মাস্টার উদ্ভাবক হিসাবে তার অতীতের কাজ জিতেছে টাইম পেপার পুরস্কারের পরীক্ষা IEEE INFOCOM এ।
ডাঃ চাংশা মা AWS-এর একজন AI/ML বিশেষজ্ঞ। তিনি কম্পিউটার সায়েন্সে পিএইচডি, শিক্ষা মনোবিজ্ঞানে স্নাতকোত্তর ডিগ্রি এবং ডেটা সায়েন্সে বছরের অভিজ্ঞতা এবং এআই/এমএলে স্বাধীন পরামর্শ সহ একজন প্রযুক্তিবিদ। তিনি মেশিন এবং মানুষের বুদ্ধিমত্তার জন্য পদ্ধতিগত পদ্ধতির গবেষণা সম্পর্কে উত্সাহী। কাজের বাইরে, সে হাইকিং, রান্না করা, খাবার শিকার করা, কলেজ ছাত্রদের উদ্যোক্তা হওয়ার জন্য পরামর্শ দেওয়া এবং বন্ধু এবং পরিবারের সাথে সময় কাটাতে পছন্দ করে।
- এসইও চালিত বিষয়বস্তু এবং পিআর বিতরণ। আজই পরিবর্ধিত পান।
- প্লেটোএআইস্ট্রিম। Web3 ডেটা ইন্টেলিজেন্স। জ্ঞান প্রসারিত. এখানে প্রবেশ করুন.
- অ্যাড্রিয়েন অ্যাশলির সাথে ভবিষ্যত মিন্টিং। এখানে প্রবেশ করুন.
- PREIPO® এর সাথে PRE-IPO কোম্পানিতে শেয়ার কিনুন এবং বিক্রি করুন। এখানে প্রবেশ করুন.
- উত্স: https://aws.amazon.com/blogs/machine-learning/dialogue-guided-intelligent-document-processing-with-foundation-models-on-amazon-sagemaker-jumpstart/
- : আছে
- : হয়
- :না
- [পৃ
- $ ইউপি
- 000
- 1
- 10
- 100
- 12
- 20
- 2023
- 7
- 8th
- a
- ক্ষমতা
- সম্পর্কে
- উপরে
- গ্রহণ
- প্রবেশ
- অ্যাক্সেস করা
- সম্পাদন
- হিসাব
- অ্যাকাউন্টস
- সঠিকতা
- সঠিক
- অর্জন করা
- স্বীকার করা
- অর্জিত
- দিয়ে
- কর্ম
- স্টক
- সক্রিয়
- খাপ খাওয়ানো
- যোগ
- যোগ
- অতিরিক্ত
- উপরন্তু
- ঠিকানা
- সম্ভাষণ
- দত্তক
- গ্রহণ
- অগ্রসর
- অগ্রগতি
- সুবিধা
- সুবিধাজনক
- সুবিধাদি
- পর
- বিরুদ্ধে
- প্রতিনিধি
- AI
- এআই চালিত
- এআই / এমএল
- অ্যালগরিদম
- আলগোরিদিম
- সব
- অনুমতি
- অনুমতি
- এছাড়াও
- বিকল্প
- যদিও
- মর্দানী স্ত্রীলোক
- আমাজন কেন্দ্র
- আমাজন সেজমেকার
- আমাজন সেজমেকার জাম্পস্টার্ট
- অ্যামাজন টেক্সট্র্যাক
- আমাজন ট্রান্সক্রাইব
- অ্যামাজন ওয়েব সার্ভিসেস
- পরিমাণে
- an
- বিশ্লেষণ
- বিশ্লেষণ করা
- বিশ্লেষণ
- এবং
- উত্তর
- উত্তর
- অপেক্ষিত
- কোন
- API
- এপিআই অ্যাক্সেস
- API গুলি
- আবেদন
- অ্যাপ্লিকেশন
- ফলিত
- প্রয়োগ করা হচ্ছে
- রসাস্বাদন
- অভিগমন
- পন্থা
- যথাযথ
- অ্যাপস
- এপ্রিল
- রয়েছি
- এলাকার
- কাছাকাছি
- বিন্যাস
- AS
- নির্ধারিত
- সহায়তা
- যুক্ত
- At
- নিলাম
- অডিও
- সত্যতা
- লেখক
- স্বয়ংক্রিয়
- স্বয়ংক্রিয়
- স্বয়ংক্রিয়তা
- স্বশাসিত
- স্বয়ংক্রিয়
- সহজলভ্য
- গড়
- ডেস্কটপ AWS
- AWS মার্কেটপ্লেস
- পিছনে
- পটভূমি
- ব্যাংক
- ব্যাংকিং
- ব্যাংকিং ব্যবস্থা
- ভিত্তি
- মৌলিক
- BE
- কারণ
- পরিণত
- হয়ে
- হয়েছে
- আগে
- শুরু করা
- সুবিধা
- সর্বোত্তম
- উত্তম
- মধ্যে
- তার পরেও
- পক্ষপাত
- পক্ষপাতদুষ্ট
- কোটি কোটি
- বাধা
- ব্লক
- তক্তা
- তাকিয়া
- সাহায্য
- ভঙ্গের
- বিরতি
- গণনার জমকালো অনুষ্ঠান
- প্রশস্ত
- বৃহত্তর
- বাফার
- নির্মাণ করা
- ভবন
- বিল্ট-ইন
- ব্যবসা
- কিন্তু
- by
- কল
- CAN
- ক্ষমতা
- সক্ষম
- ধারণক্ষমতা
- বহন
- বহন
- কেস
- কেন্দ্র
- চেন
- চেইন
- চ্যালেঞ্জ
- চ্যালেঞ্জ
- পরিবর্তন
- চরিত্র
- চরিত্র স্বীকৃতি
- মৃগয়া
- বেছে নিন
- মনোনীত
- পরিস্থিতি
- শ্রেণী
- মেঘ
- গুচ্ছ
- থলোথলো
- কোড
- পতন
- কলেজ
- সমাহার
- মেশা
- সম্মিলন
- সাধারণ
- তুলনা করা
- তুলনা
- তুলনা
- সম্পূর্ণ
- সম্পন্ন হয়েছে
- সমাপ্ত
- পরিপূরণ
- জটিল
- উপাদান
- বোঝা
- ব্যাপক
- কম্পিউটার
- কম্পিউটার বিজ্ঞান
- কম্পিউটার
- ধারণা
- উদ্বেগ
- সম্মেলন
- সংযোগ
- অতএব
- বিবেচনা
- সীমাবদ্ধতার
- গঠন করা
- পরামর্শকারী
- বিষয়বস্তু
- প্রসঙ্গ
- প্রসঙ্গ
- বর্ণনাপ্রাসঙ্গিক
- অবিরত
- একটানা
- অবদানসমূহ
- সুবিধাজনক
- কথোপকথন
- কথোপকথন
- পরিবর্তন
- রূপান্তর
- মূল্য
- ব্যয়বহুল
- পারা
- সৃষ্টি
- তৈরি করা হচ্ছে
- সৃষ্টি
- কঠোর
- সংস্কৃতি
- বর্তমান
- বর্তমান অবস্থা
- কাটিং-এজ
- চক্র
- উপাত্ত
- তথ্য পক্ষপাত
- ডেটা পয়েন্ট
- তথ্য বিজ্ঞান
- তথ্য নিরাপত্তা
- ডেটাবেস
- ডাটাবেস
- ডিলিং
- সিদ্ধান্ত মেকিং
- নিবেদিত
- গভীর
- গভীর জ্ঞানার্জন
- ডিগ্রী
- বিতরণ
- উপত্যকা
- প্রমান
- স্থাপন
- মোতায়েন
- মোতায়েন
- বিস্তৃতি
- আমানত
- উদ্ভূত
- নকশা
- পরিকল্পিত
- সত্ত্বেও
- বিস্তারিত
- নির্ণয়
- বিকাশ
- উন্নয়নশীল
- উন্নয়ন
- সংলাপ
- অভি
- DID
- বিভিন্ন
- অসুবিধা
- সরাসরি
- আলোচনা
- বিচিত্র
- দলিল
- নথি ব্যবস্থাপনা
- কাগজপত্র
- না
- ডোমেইনের
- নিচে
- পরিচালনা
- কারণে
- স্থিতিকাল
- সময়
- e
- প্রতি
- সহজ
- সহজ
- প্রশিক্ষণ
- কার্যকর
- কার্যকারিতা
- দক্ষতা
- দক্ষ
- দক্ষতার
- উপাদান
- বসান
- এম্বেডিং
- ক্ষমতায়নের
- সক্ষম করা
- সম্ভব
- সক্রিয়
- শেষপ্রান্ত
- ইঞ্জিন
- ইঞ্জিন
- উন্নত করা
- উন্নত
- বাড়ায়
- বর্ধনশীল
- যথেষ্ট
- নিশ্চিত
- প্রবেশন
- উদ্যোগ
- সমগ্র
- বানিজ্যিক
- যুগ
- ভুল
- ত্রুটি
- প্রতিষ্ঠা করে
- ঘটনা
- গজান
- পরীক্ষক
- অনুসন্ধানী
- উদাহরণ
- উদাহরণ
- ছাড়া
- এক্সচেঞ্জ
- ফাঁসি
- বিদ্যমান
- বিস্তৃত করা
- অভিজ্ঞতা
- ব্যাখ্যা করা
- ব্যাখ্যা
- অন্বেষণ করুণ
- প্রকাশ করা
- ব্যাপক
- বহিরাগত
- বাহ্যিকভাবে
- নির্যাস
- চায়ের
- মুখ
- সহজতর করা
- সমাধা
- ব্যর্থ
- ব্যর্থতা
- ব্যর্থতা
- পরিবারের
- fdic
- বৈশিষ্ট্য
- বৈশিষ্ট্য
- প্রতিপালিত
- যুক্তরাষ্ট্রীয়
- ফেডারেল রিজার্ভ
- ফেডারেল রিজার্ভের
- প্রতিক্রিয়া
- ফাইল
- নথি পত্র
- পূরণ করা
- চূড়ান্ত
- পরিশেষে
- অর্থ
- আবিষ্কার
- শেষ
- প্রথম
- স্থায়ী
- ওঠানামা
- গুরুত্ত্ব
- মনোযোগ
- অনুসরণ
- খাদ্য
- জন্য
- ফর্ম
- বিন্যাস
- ফর্ম
- ভিত
- ফ্রেম
- ফ্রেমওয়ার্ক
- উন্মত্ততা
- ঘন
- বন্ধুদের
- থেকে
- সদর
- প্রসার
- সম্পূর্ণ
- সম্পূর্ণরূপে
- কার্যকারিতা
- কার্যকরী
- ক্রিয়াকলাপ
- তহবিল
- অধিকতর
- ফিউচার
- ফাঁক
- ফাঁক
- একত্রিত
- উত্পাদন করা
- উত্পন্ন
- উত্পন্ন
- উৎপাদিত
- প্রজন্ম
- সৃজক
- জেনারেটিভ এআই
- জর্জিয়া
- পাওয়া
- GitHub
- লক্ষ্য
- চালু
- অতিশয়
- যুগান্তকারী
- ভিত্তি
- উন্নতি
- কৌশল
- ছিল
- হ্যান্ডলিং
- ঘটেছিলো
- ক্ষতিকর
- হারনেসিং
- আছে
- he
- স্বাস্থ্য
- স্বাস্থ্যসেবা
- সাহায্য
- সাহায্য
- উচ্চ
- হাইলাইট
- তার
- ইতিহাস
- রাখা
- অধিষ্ঠিত
- কিভাবে
- যাহোক
- এইচটিএমএল
- HTTPS দ্বারা
- মানবীয়
- মানব বুদ্ধি
- শত শত
- শিকার
- i
- আইবিএম
- আদর্শ
- ধারনা
- চিহ্নিত
- সনাক্ত করা
- চিহ্নিতকরণের
- আইইইই
- if
- ইলিনয়
- প্রকাশ
- ভাবমূর্তি
- চিত্র
- বাস্তবায়ন
- প্রভাব
- আমদানি
- গুরুত্বপূর্ণ
- উন্নত করা
- উন্নত
- উন্নতি
- উন্নতি
- in
- অন্যান্য
- বেঠিক
- অন্তর্ভুক্ত করা
- অন্তর্ভুক্ত
- সুদ্ধ
- অন্তর্ভুক্ত
- অন্তর্ভূক্ত
- একত্রিত
- বৃদ্ধি
- বর্ধিত
- ক্রমবর্ধমান
- স্বাধীন
- সূচক
- ইনডেক্স
- স্বতন্ত্র
- তথ্য
- তথ্য নিষ্কাশন
- আরম্ভ করা
- উদ্ভাবনী
- ইনপুট
- ইনপুট
- জিজ্ঞাসা করা
- অনুসন্ধান
- উদাহরণ
- পরিবর্তে
- নির্দেশাবলী
- অখণ্ড
- সম্পূর্ণ
- একীভূত
- ইন্টিগ্রেশন
- বুদ্ধিমত্তা
- বুদ্ধিমান
- বুদ্ধিমান নথি প্রক্রিয়াকরণ
- গর্ভনাটিকা
- আলাপচারিতার
- মিথষ্ক্রিয়া
- পারস্পরিক ক্রিয়ার
- ইন্টারেক্টিভ
- ইন্টারফেস
- মধ্যে
- উপস্থাপক
- স্বজ্ঞাত
- তদন্ত করা
- সমস্যা
- IT
- পুনরাবৃত্তির
- এর
- নিজেই
- JPG
- জে পি মরগ্যান
- jpmorgan তাড়া
- JSON
- মাত্র
- চাবি
- জানা
- জ্ঞান
- পরিচিত
- ল্যাবস
- রং
- ভাষা
- বড়
- বিলম্বে
- পরে
- Lays
- নেতৃত্ব
- নেতৃত্ব
- শিখতে
- শিক্ষা
- অন্তত
- উত্তরাধিকার
- কম
- Li
- লাইব্রেরি
- মিথ্যা
- মত
- সম্ভবত
- সীমাবদ্ধতা
- সীমিত
- লাইন
- লিঙ্ক
- তারল্য
- তালিকা
- পাখি
- LLM
- লোডার
- স্থানীয়
- স্থানীয়ভাবে
- লগিং
- আর
- দেখুন
- ভালবাসে
- কম
- মেশিন
- মেশিন লার্নিং
- মেশিন
- প্রণীত
- নিয়ন্ত্রণের
- রক্ষণাবেক্ষণ
- করা
- মেকিং
- পরিচালনা করা
- পরিচালিত
- ব্যবস্থাপনা
- পরিচালক
- পরিচালনাসংক্রান্ত
- পরিচালক
- ম্যানুয়াল
- অনেক
- মার্চ
- বাজার
- নগরচত্বর
- বৃহদায়তন
- মালিক
- মাস্টার্স
- ম্যাচিং
- চরমে তোলা
- মে..
- অর্থপূর্ণ
- মানে
- পদ্ধতি
- মিডিয়া
- সদস্য
- স্মৃতি
- মেন্টরিং
- বার্তা
- বার্তা
- মেটাডাটা
- পদ্ধতি
- পদ্ধতি
- ছোট করা
- মিনিট
- অনুপস্থিত
- প্রশমন
- ML
- মডেল
- মডেল
- মডুলার
- মডিউল
- টাকা
- মাস
- অধিক
- আরো দক্ষ
- পরন্তু
- সেতু
- বহু
- অবশ্যই
- নাম
- প্রাকৃতিক
- প্রয়োজনীয়
- প্রয়োজন
- প্রয়োজন
- চাহিদা
- নতুন
- NLP
- স্মরণীয়
- উপন্যাস
- এখন
- সংখ্যা
- অসাড়
- উদ্দেশ্য
- উদ্দেশ্য
- প্রাপ্ত
- প্রাপ্ত
- ঘটেছে
- OCR করুন
- of
- বন্ধ
- অফার
- on
- ONE
- ওগুলো
- নিরন্তর
- কেবল
- ওপেন সোর্স
- OpenAI
- উদ্বোধন
- পরিচালনা
- বিরোধী
- অপটিক্যাল ক্যারেক্টার রেকগনিশন
- অপ্টিমিজ
- or
- ক্রম
- সংগঠন
- মূল
- OS
- অন্যান্য
- আমাদের
- বাইরে
- ফলাফল
- ফলাফল
- আউটপুট
- বাহিরে
- শেষ
- সামগ্রিক
- পরাস্ত
- নিজের
- পৃষ্ঠা
- কাগজ
- কাগজপত্র
- সমান্তরাল
- পরামিতি
- যন্ত্রাংশ
- কামুক
- গত
- পথ
- পিডিএফ
- সম্পাদন করা
- কর্মক্ষমতা
- ছবি
- টুকরা
- পাইপলাইন
- জায়গা
- প্ল্যাটফর্ম
- Plato
- প্লেটো ডেটা ইন্টেলিজেন্স
- প্লেটোডাটা
- দয়া করে
- পয়েন্ট
- জনপ্রিয়
- অবস্থানের
- পোস্ট
- সম্ভাব্য
- ক্ষমতাশালী
- যথাযথ
- স্পষ্টতা
- Predictor
- উপস্থাপন
- প্রতিরোধ
- আগে
- অধ্যক্ষ
- পূর্বে
- অগ্রাধিকার
- অগ্রাধিকার
- গোপনীয়তা
- গোপনীয়তা এবং নিরাপত্তা
- ব্যক্তিগত
- সমস্যা
- সমস্যা সমাধান
- প্রক্রিয়া
- প্রসেস
- প্রক্রিয়াজাতকরণ
- উৎপাদন করা
- পণ্য
- উত্পাদনক্ষম
- প্রমোদ
- উন্নতি
- প্রতিশ্রুতি
- আশাপ্রদ
- সঠিক
- প্রদত্ত
- প্রদানকারী
- প্রদানকারীর
- উপলব্ধ
- প্রদানের
- মনোবিজ্ঞান
- প্রকাশ্য
- জনস্বাস্থ্য
- প্রকাশনা
- প্রকাশিত
- উদ্দেশ্য
- উদ্দেশ্য
- পাইটার্চ
- প্রশ্ন ও উত্তর
- গুণ
- প্রশ্নের
- প্রশ্ন
- প্রশ্ন
- দ্রুত
- দ্রুততর
- রেঞ্জিং
- রাঙ্কিং
- বরং
- রশ্মি
- পড়া
- বাস্তব
- প্রকৃত সময়
- রসিদ
- গৃহীত
- সাম্প্রতিক
- স্বীকার
- হ্রাস করা
- হ্রাসপ্রাপ্ত
- বিশোধক
- আইন
- সংশ্লিষ্ট
- প্রাসঙ্গিক
- বিশ্বাসযোগ্য
- নির্ভরতা
- দেহাবশেষ
- স্মরন
- রেন্ডার করা
- পুনরায় সংগ্রহিত করা
- চিত্রিত করা
- প্রতিনিধিত্ব
- প্রতিনিধিত্ব
- প্রজাতন্ত্র
- অনুরোধ
- আবশ্যকতা
- গবেষণা
- গবেষক
- সংচিতি
- সমাধান
- প্রতিক্রিয়া
- প্রতিক্রিয়া
- প্রতিক্রিয়া
- দায়ী
- প্রতিক্রিয়াশীল
- ফল
- ফলে এবং
- ফলাফল
- প্রত্যাবর্তন
- বিপ্লব করা
- বিপ্লব এনেছে
- ঝুঁকি
- শক্তসমর্থ
- মোটামুটিভাবে
- চালান
- রায়ান
- s
- নিরাপদ
- ঋষি নির্মাতা
- একই
- সংরক্ষণ করুন
- স্কেলেবিলিটি
- বিজ্ঞান
- বিজ্ঞানী
- বিজ্ঞানীরা
- আঁচড়ের দাগ
- সার্চ
- খোঁজ যন্ত্র
- সার্চ ইঞ্জিন
- সেক্টর
- নিরাপত্তা
- নিরাপত্তা ভঙ্গের
- দেখ
- অংশ
- নির্বাচিত
- আত্ম
- জ্যেষ্ঠ
- বাক্য
- আলাদা
- ক্রম
- সিকোয়েন্সিং
- ক্রম
- পরিবেশন করা
- স্থল
- সেবা
- সেবা
- সেট
- বিভিন্ন
- শারডিং
- সে
- উচিত
- শোকেস
- শো
- গুরুত্বপূর্ণ
- উল্লেখযোগ্যভাবে
- সিলিকোন
- সিলিকন ভ্যালি
- সিলিকন ভ্যালি ব্যাংক
- অনুরূপ
- সহজ
- কেবল
- একক
- আয়তন
- ক্ষুদ্রতর
- সহজে
- সামাজিক
- সামাজিক মাধ্যম
- সমাধান
- সলিউশন
- সোর্স
- শূণ্যস্থান
- ভাষাভাষী
- বিশেষজ্ঞ
- বিশেষজ্ঞ
- বিশেষত
- নির্দিষ্ট
- বিশেষভাবে
- বর্ণালী
- বক্তৃতা
- কন্ঠ সনান্তকরণ
- খরচ
- বিভক্ত করা
- টুকরা
- দণ্ড
- অংশীদারদের
- স্বতন্ত্র
- শুরু
- রাষ্ট্র
- অবস্থা
- প্রারম্ভিক ব্যবহারের নির্দেশাবলী
- এখনো
- দোকান
- সঞ্চিত
- দোকান
- সংরক্ষণ
- কৌশল
- প্রবাহ
- স্ট্রিমিং
- স্ট্রিমলাইন
- streamlining
- স্ট্রিং
- শিক্ষার্থীরা
- চিত্রশালা
- সারগর্ভ
- সাফল্য
- সফল
- সফলভাবে
- এমন
- সংক্ষিপ্ত করা
- উচ্চতর
- সমর্থন
- পার্শ্ববর্তী
- কার্যক্ষম
- অনুগ্রহ
- পদ্ধতি
- সিস্টেম
- গ্রহণ করা
- গ্রহণ
- কার্য
- কাজ
- টীম
- প্রযুক্তি
- কারিগরী
- প্রযুক্তি
- প্রযুক্তি
- প্রযুক্তিবিদ
- প্রযুক্তিঃ
- শর্তাবলী
- চেয়ে
- যে
- সার্জারির
- ফেড
- তথ্য
- বিশ্ব
- তাদের
- তাহাদিগকে
- তারপর
- সেখানে।
- এইগুলো
- তারা
- চিন্তা
- তৃতীয় পক্ষের
- এই
- সেগুলো
- চিন্তা
- দ্বারা
- সর্বত্র
- বাঁধা
- সময়
- সময় অপগিত হয় এমন
- টাইমলাইনে
- থেকে
- টোকেন
- ঐতিহ্যগত
- প্রশিক্ষিত
- প্রশিক্ষণ
- রুপান্তর
- রূপান্তরিত
- রুপান্তরিত
- ট্রান্সফরমার
- সত্য
- চেষ্টা
- দুই
- আদর্শ
- ধরনের
- পরিণামে
- অক্ষম
- বোঝা
- বোধশক্তি
- বোঝা
- সমন্বিত
- একক
- বিশ্ববিদ্যালয়
- আনলক
- আলোচ্য সময় পর্যন্ত
- আপডেট
- আপলোড
- জরুরী
- URL টি
- us
- ব্যবহার
- ব্যবহার
- ব্যবহৃত
- ব্যবহারকারী
- ব্যবহারকারীর অভিজ্ঞতা
- ব্যবহারকারী বান্ধব
- ব্যবহারকারী
- ব্যবহার
- উপযোগ
- সদ্ব্যবহার করা
- ব্যবহার
- উপত্যকা
- দামি
- বিভিন্ন
- সুবিশাল
- যাচাই
- মাধ্যমে
- ভিডিও
- Videos
- ভার্চুয়াল
- অত্যাবশ্যক
- কণ্ঠস্বর
- ভলিউম
- W
- ছিল
- উপায়..
- we
- ধন
- ওয়েব
- ওয়েব সার্ভিস
- আমরা একটি
- ছিল
- কি
- কখন
- যে
- যখন
- ইচ্ছা
- সঙ্গে
- মধ্যে
- ছাড়া
- ওঁন
- শব্দ
- শব্দ
- হয়া যাই ?
- কর্মপ্রবাহ
- কাজ
- কাজ
- বিশ্ব
- would
- বছর
- প্রদায়ক
- আপনি
- আপনার
- zephyrnet