এই পোস্টটি Q4 Inc থেকে Stanislav Yeshchenko-এর সাথে সহ-লিখিত।
এন্টারপ্রাইজগুলি প্রশ্নোত্তর চ্যাটবটগুলি তৈরি করার জন্য একটি মূলধারার পদ্ধতি হিসাবে পুনরুদ্ধার অগমেন্টেড জেনারেশন (RAG) এর দিকে ফিরে যায়৷ আমরা উপলব্ধ ডেটাসেটের ভাণ্ডার প্রকৃতি থেকে উদ্ভূত উদীয়মান চ্যালেঞ্জগুলি দেখতে পাচ্ছি। এই ডেটাসেটগুলি প্রায়শই সংখ্যাসূচক এবং পাঠ্য ডেটার মিশ্রণ হয়, কখনও কখনও কাঠামোগত, অসংগঠিত বা আধা-গঠিত।
Q4 Inc. এডব্লিউএস-এ নির্মিত তাদের অনেক AI ব্যবহারের ক্ষেত্রে এই ধরনের কিছু চ্যালেঞ্জ মোকাবেলা করা প্রয়োজন। এই পোস্টে, আমরা একটি প্রশ্নোত্তর বট ব্যবহারের ক্ষেত্রে আলোচনা করি যা Q4 প্রয়োগ করেছে, যে চ্যালেঞ্জগুলি সংখ্যাসূচক এবং কাঠামোগত ডেটাসেটগুলি উপস্থাপন করেছে এবং কীভাবে Q4 এই সিদ্ধান্তে পৌঁছেছে যে SQL ব্যবহার করা একটি কার্যকর সমাধান হতে পারে। অবশেষে, আমরা Q4 টিম কীভাবে ব্যবহার করে তা ঘনিষ্ঠভাবে দেখি আমাজন বেডরক এবং SQLDatabaseChain SQL প্রজন্মের সাথে একটি RAG-ভিত্তিক সমাধান বাস্তবায়ন করতে।
কেস ওভারভিউ ব্যবহার করুন
Q4 Inc., নিউ ইয়র্ক এবং লন্ডনে অফিস সহ টরন্টোতে সদর দফতর, হল একটি নেতৃস্থানীয় পুঁজিবাজার অ্যাক্সেস প্ল্যাটফর্ম যা ইস্যুকারী, বিনিয়োগকারী এবং বিক্রেতারা কীভাবে দক্ষতার সাথে একে অপরের সাথে সংযোগ স্থাপন, যোগাযোগ এবং জড়িত থাকে তা পরিবর্তন করছে। Q4 প্ল্যাটফর্মটি IR ওয়েবসাইট পণ্য, ভার্চুয়াল ইভেন্ট সমাধান, এনগেজমেন্ট অ্যানালিটিক্স, বিনিয়োগকারীদের সম্পর্ক কাস্টমার রিলেশনশিপ ম্যানেজমেন্ট (CRM), শেয়ারহোল্ডার এবং মার্কেট বিশ্লেষণ, নজরদারি এবং ESG টুলের মাধ্যমে পুঁজিবাজার জুড়ে মিথস্ক্রিয়াকে সহজ করে।
আজকের দ্রুত গতির এবং ডেটা-চালিত আর্থিক ল্যান্ডস্কেপে, বিনিয়োগকারী সম্পর্ক কর্মকর্তা (আইআরও) একটি কোম্পানি এবং এর শেয়ারহোল্ডার, বিশ্লেষক এবং বিনিয়োগকারীদের মধ্যে যোগাযোগ বৃদ্ধিতে গুরুত্বপূর্ণ ভূমিকা পালন করে। তাদের দৈনন্দিন দায়িত্বের অংশ হিসাবে, IROs CRM, মালিকানা রেকর্ড এবং স্টক মার্কেট ডেটা সহ বিভিন্ন ডেটাসেট বিশ্লেষণ করে। এই ডেটার সমষ্টি আর্থিক প্রতিবেদন তৈরি করতে, বিনিয়োগকারীদের সম্পর্কের লক্ষ্য নির্ধারণ করতে এবং বিদ্যমান এবং সম্ভাব্য বিনিয়োগকারীদের সাথে যোগাযোগ পরিচালনা করতে ব্যবহৃত হয়।
দক্ষ এবং গতিশীল ডেটা পুনরুদ্ধারের জন্য ক্রমবর্ধমান চাহিদা মেটাতে, Q4-এর লক্ষ্য একটি চ্যাটবট প্রশ্নোত্তর সরঞ্জাম তৈরি করা যা IRO-দের জন্য ব্যবহারকারী-বান্ধব বিন্যাসে প্রয়োজনীয় তথ্য অ্যাক্সেস করার জন্য একটি স্বজ্ঞাত এবং সরল পদ্ধতি প্রদান করবে।
শেষ লক্ষ্য ছিল একটি চ্যাটবট তৈরি করা যা সর্বোচ্চ স্তরের নিরাপত্তা এবং ডেটা গোপনীয়তা বজায় রেখে মালিকানাধীন গ্রাহক-নির্দিষ্ট Q4 ডেটা সহ সর্বজনীনভাবে উপলব্ধ ডেটাকে একীভূত করবে। কর্মক্ষমতা হিসাবে, লক্ষ্য ছিল শেষ ব্যবহারকারীদের জন্য একটি ইতিবাচক অভিজ্ঞতা নিশ্চিত করতে সেকেন্ডের একটি প্রশ্নের প্রতিক্রিয়া সময় বজায় রাখা।
আর্থিক বাজার একটি নিয়ন্ত্রিত শিল্প যার সাথে উচ্চ অংশীদারিত্ব জড়িত। ভুল বা পুরানো তথ্য প্রদান করা অন্যান্য সম্ভাব্য ডেটা গোপনীয়তা ঝুঁকি ছাড়াও বিনিয়োগকারীদের এবং শেয়ারহোল্ডারদের বিশ্বাসকে প্রভাবিত করতে পারে। শিল্প এবং প্রয়োজনীয়তা বোঝার জন্য, Q4 ডেটা গোপনীয়তা এবং প্রতিক্রিয়া নির্ভুলতাকে বাজারে নিয়ে যাওয়ার আগে যেকোনো সমাধান মূল্যায়নের নির্দেশক নীতি হিসাবে সেট করে।
ধারণার প্রমাণের জন্য, Q4 একটি আর্থিক মালিকানা ডেটাসেট ব্যবহার করার সিদ্ধান্ত নিয়েছে। ডেটাসেট মালিকানাধীন সম্পদের সংখ্যা প্রতিনিধিত্ব করে টাইম সিরিজ ডেটা পয়েন্ট নিয়ে গঠিত; বিনিয়োগ প্রতিষ্ঠান, ব্যক্তি এবং পাবলিক কোম্পানির মধ্যে লেনদেনের ইতিহাস; এবং আরো অনেক উপাদান।
যেহেতু Q4 আমাদের আলোচনা করা সমস্ত কার্যকরী এবং অ-কার্যকরী প্রয়োজনীয়তাগুলি পূরণ করতে পারে তা নিশ্চিত করতে চেয়েছিল, প্রকল্পটিকে বাণিজ্যিকভাবে সম্ভাব্য থাকাও প্রয়োজন। পদ্ধতি, স্থাপত্য, প্রযুক্তির পছন্দ এবং সমাধান-নির্দিষ্ট উপাদানগুলির উপর সিদ্ধান্ত নেওয়ার প্রক্রিয়া জুড়ে এটিকে সম্মান করা হয়েছিল।
পরীক্ষা এবং চ্যালেঞ্জ
এটি শুরু থেকেই পরিষ্কার ছিল যে একটি মানুষের ভাষার প্রশ্ন বুঝতে এবং সঠিক উত্তর তৈরি করতে, Q4-এ বড় ভাষা মডেল (LLMs) ব্যবহার করতে হবে।
নিম্নলিখিত কিছু পরীক্ষা-নিরীক্ষা যা দল দ্বারা পরিচালিত হয়েছিল, সেই সাথে চিহ্নিত চ্যালেঞ্জগুলি এবং শিখে নেওয়া পাঠগুলি রয়েছে:
- প্রাক-প্রশিক্ষণ – Q4 তার নিজস্ব ডেটাসেট ব্যবহার করে LLM-এর প্রাক-প্রশিক্ষণের সাথে আসা জটিলতা এবং চ্যালেঞ্জগুলি বুঝতে পেরেছে। এটি দ্রুত সুস্পষ্ট হয়ে ওঠে যে এই পদ্ধতিটি অনেক অ-তুচ্ছ পদক্ষেপের সাথে সম্পদ নিবিড়, যেমন ডেটা প্রিপ্রসেসিং, প্রশিক্ষণ এবং মূল্যায়ন। জড়িত প্রচেষ্টা ছাড়াও, এটি খরচ নিষিদ্ধ হবে. টাইম সিরিজ ডেটাসেটের প্রকৃতি বিবেচনা করে, Q4 এও উপলব্ধি করেছিল যে নতুন ডেটা আসার সাথে সাথে এটিকে ক্রমাগত ক্রমবর্ধমান প্রাক-প্রশিক্ষণ সঞ্চালন করতে হবে। এর জন্য ডেটা সায়েন্স, মেশিন লার্নিং এবং ডোমেনে দক্ষতা সহ একটি ডেডিকেটেড ক্রস-ডিসিপ্লিনারি দলের প্রয়োজন হবে। জ্ঞান.
- ফাইন-টিউনিং - বেশ কয়েকটি লেবেলযুক্ত উদাহরণ ব্যবহার করে জড়িত একটি প্রাক-প্রশিক্ষিত ফাউন্ডেশন মডেল (এফএম) ফাইন-টিউনিং। এই পদ্ধতিটি কিছু প্রাথমিক সাফল্য দেখিয়েছিল, কিন্তু অনেক ক্ষেত্রে, মডেল হ্যালুসিনেশন একটি চ্যালেঞ্জ ছিল। মডেলটি সংক্ষিপ্ত প্রাসঙ্গিক সংকেতগুলি বোঝার জন্য সংগ্রাম করেছে এবং ভুল ফলাফল ফিরিয়ে দিয়েছে।
- শব্দার্থিক অনুসন্ধান সহ RAG - এসকিউএল জেনারেশনে যাওয়ার আগে সিমেন্টিক সার্চ সহ প্রচলিত RAG ছিল শেষ ধাপ। দলটি প্রসঙ্গ বের করার জন্য অনুসন্ধান, শব্দার্থিক অনুসন্ধান এবং এম্বেডিং ব্যবহার করে পরীক্ষা করেছে। এমবেডিং পরীক্ষার সময়, ডেটাসেটটিকে এম্বেডিং-এ রূপান্তরিত করা হয়েছিল, একটি ভেক্টর ডাটাবেসে সংরক্ষণ করা হয়েছিল, এবং তারপর প্রসঙ্গ বের করার জন্য প্রশ্নের এমবেডিংয়ের সাথে মিলিত হয়েছিল। তিনটি পরীক্ষার যেকোনো একটিতে পুনরুদ্ধার করা প্রেক্ষাপটটি এলএলএম-এ একটি ইনপুট হিসাবে আসল প্রম্পটকে বাড়ানোর জন্য ব্যবহার করা হয়েছিল। এই পদ্ধতিটি পাঠ্য-ভিত্তিক সামগ্রীর জন্য ভাল কাজ করেছে, যেখানে ডেটা শব্দ, বাক্য এবং অনুচ্ছেদ সহ প্রাকৃতিক ভাষা নিয়ে গঠিত। Q4 এর ডেটাসেটের প্রকৃতি বিবেচনা করে, যা বেশিরভাগ আর্থিক ডেটা সংখ্যা, আর্থিক লেনদেন, স্টক কোট এবং তারিখ সমন্বিত, তিনটি ক্ষেত্রেই ফলাফল সাবঅপ্টিমাল ছিল। এমনকি এমবেডিং ব্যবহার করার সময়, সংখ্যা থেকে উৎপন্ন এমবেডিংগুলি সাদৃশ্য র্যাঙ্কিংয়ের সাথে লড়াই করে এবং অনেক ক্ষেত্রে ভুল তথ্য পুনরুদ্ধার করে।
Q4 এর উপসংহার: এসকিউএল তৈরি করা হল এগিয়ে যাওয়ার পথ
প্রচলিত RAG পদ্ধতি ব্যবহার করে সম্মুখীন হওয়া চ্যালেঞ্জগুলি বিবেচনা করে, দলটি SQL প্রজন্মকে বিবেচনা করতে শুরু করে। ধারণাটি ছিল এলএলএম ব্যবহার করে প্রথমে ব্যবহারকারীর প্রশ্ন থেকে একটি এসকিউএল বিবৃতি তৈরি করা, যা এলএলএমকে প্রাকৃতিক ভাষায় উপস্থাপন করা হয়। উৎপন্ন ক্যোয়ারী তারপর প্রাসঙ্গিক প্রসঙ্গ আনার জন্য ডাটাবেসের বিরুদ্ধে চালানো হয়। প্রসঙ্গটি শেষ পর্যন্ত একটি সংক্ষিপ্তকরণ পদক্ষেপের জন্য ইনপুট প্রম্পট বৃদ্ধি করতে ব্যবহৃত হয়।
Q4 এর অনুমানটি ছিল যে পুনরুদ্ধার পদক্ষেপের জন্য উচ্চতর স্মরণ পাওয়ার জন্য, বিশেষত সংখ্যাসূচক ডেটাসেটের জন্য, তাদের প্রথমে ব্যবহারকারীর প্রশ্ন থেকে SQL তৈরি করতে হবে। এটি শুধুমাত্র নির্ভুলতা বাড়ায় না, প্রদত্ত প্রশ্নের জন্য ব্যবসার ডোমেনের মধ্যে প্রসঙ্গও রাখে বলে বিশ্বাস করা হয়েছিল। ক্যোয়ারী জেনারেশনের জন্য, এবং সঠিক SQL তৈরি করতে, Q4-এর প্রয়োজন LLM কে তাদের ডেটাসেট গঠন সম্পর্কে সম্পূর্ণরূপে সচেতন করে তুলতে। এর অর্থ হল ডেটাবেস স্কিমা, কয়েকটি নমুনা ডেটা সারি এবং ক্ষেত্রগুলির জন্য মানব-পাঠযোগ্য ক্ষেত্র ব্যাখ্যা অন্তর্ভুক্ত করার জন্য প্রয়োজনীয় প্রম্পট যা বোঝা সহজ নয়।
প্রাথমিক পরীক্ষার উপর ভিত্তি করে, এই পদ্ধতিটি দুর্দান্ত ফলাফল দেখিয়েছে। সমস্ত প্রয়োজনীয় তথ্য দিয়ে সজ্জিত এলএলএম সঠিক এসকিউএল তৈরি করতে সক্ষম হয়েছিল, যা সঠিক প্রসঙ্গ পুনরুদ্ধার করার জন্য ডাটাবেসের বিরুদ্ধে চালানো হয়েছিল। ধারণাটি নিয়ে পরীক্ষা করার পরে, Q4 সিদ্ধান্ত নিয়েছে যে SQL প্রজন্ম তাদের নিজস্ব নির্দিষ্ট ডেটাসেটের জন্য প্রসঙ্গ নিষ্কাশন চ্যালেঞ্জ মোকাবেলার পথ।
আসুন সামগ্রিক সমাধান পদ্ধতির বর্ণনা দিয়ে শুরু করি, এটিকে এর উপাদানগুলিতে ভেঙ্গে ফেলি এবং তারপরে টুকরোগুলিকে একসাথে রাখুন।
সমাধান ওভারভিউ
LLM হল বিলিয়ন প্যারামিটার সহ বৃহৎ মডেল যা বিভিন্ন উৎস থেকে প্রচুর পরিমাণে ডেটা ব্যবহার করে প্রাক-প্রশিক্ষিত। প্রশিক্ষণের ডেটাসেটের প্রশস্ততার কারণে, এলএলএম-এর কাছে বিভিন্ন ডোমেনে সাধারণ জ্ঞান থাকতে পারে বলে আশা করা হচ্ছে। এলএলএমগুলি তাদের যুক্তির ক্ষমতার জন্যও পরিচিত, যা এক মডেল থেকে অন্য মডেলে পরিবর্তিত হয়। অতিরিক্ত ডোমেন-নির্দিষ্ট প্রাক-প্রশিক্ষণ ডেটা ব্যবহার করে বা লেবেলযুক্ত ডেটা ব্যবহার করে ফাইন-টিউনিং করে একটি ফাউন্ডেশন মডেলকে আরও অপ্টিমাইজ করে এই সাধারণ আচরণটি একটি নির্দিষ্ট ডোমেন বা শিল্পে অপ্টিমাইজ করা যেতে পারে। সঠিক প্রেক্ষাপট, মেটাডেটা এবং নির্দেশাবলী দেওয়া হলে, একটি ভাল-নির্বাচিত সাধারণ উদ্দেশ্য এলএলএম ভাল মানের এসকিউএল তৈরি করতে পারে যতক্ষণ না এটি সঠিক ডোমেন-নির্দিষ্ট প্রসঙ্গে অ্যাক্সেস করতে পারে।
Q4 এর ব্যবহারের ক্ষেত্রে, আমরা গ্রাহকের প্রশ্নটিকে SQL এ অনুবাদ করে শুরু করি। আমরা ইউজার প্রশ্ন, ডাটাবেস স্কিমা, কিছু নমুনা ডাটাবেস সারি এবং এসকিউএল তৈরি করার জন্য এলএলএম-এর প্রম্পট হিসাবে বিশদ নির্দেশাবলী একত্রিত করে এটি করি। আমাদের এসকিউএল থাকার পর, প্রয়োজন মনে হলে আমরা একটি বৈধতা ধাপ চালাতে পারি। যখন আমরা SQL-এর গুণমান নিয়ে খুশি থাকি, তখন আমরা নিম্নলিখিত ধাপের জন্য প্রয়োজনীয় প্রাসঙ্গিক প্রসঙ্গ পুনরুদ্ধার করতে ডাটাবেসের বিরুদ্ধে ক্যোয়ারী চালাই। এখন যেহেতু আমাদের কাছে প্রাসঙ্গিক প্রসঙ্গ আছে, আমরা চূড়ান্ত সংক্ষিপ্ত প্রতিক্রিয়া তৈরি করতে ব্যবহারকারীর মূল প্রশ্ন, প্রসঙ্গ পুনরুদ্ধার করা এবং নির্দেশাবলীর একটি সেট LLM-এ ফেরত পাঠাতে পারি। শেষ ধাপের লক্ষ্য হল LLM ফলাফলের সংক্ষিপ্ত বিবরণ এবং একটি প্রাসঙ্গিক এবং সঠিক উত্তর প্রদান করে যা ব্যবহারকারীর কাছে পাস করা যেতে পারে।
প্রক্রিয়ার প্রতিটি পর্যায়ে ব্যবহৃত এলএলএম-এর পছন্দ নির্ভুলতা, খরচ এবং কর্মক্ষমতাকে অত্যন্ত প্রভাবিত করে। এমন একটি প্ল্যাটফর্ম বা প্রযুক্তি বেছে নেওয়া যা আপনাকে একই ব্যবহারের ক্ষেত্রে (বিভিন্ন কাজের জন্য একাধিক LLM ট্রিপ) বা বিভিন্ন ব্যবহারের ক্ষেত্রে LLM-এর মধ্যে পরিবর্তন করার নমনীয়তা দিতে পারে, আউটপুট, লেটেন্সি এবং খরচের গুণমান অপ্টিমাইজ করার ক্ষেত্রে উপকারী হতে পারে। . আমরা এই পোস্টে পরে এলএলএম পছন্দ সম্পর্কে আলোচনা করব।
সমাধান বিল্ডিং ব্লক
এখন যেহেতু আমরা একটি উচ্চ স্তরে পদ্ধতিটি হাইলাইট করেছি, আসুন সমাধান বিল্ডিং ব্লকগুলি দিয়ে শুরু করে বিশদ বিবরণে ডুব দেওয়া যাক।
আমাজন বেডরক
অ্যামাজন বেডরক হল একটি সম্পূর্ণরূপে পরিচালিত পরিষেবা যা AI21 ল্যাবস, অ্যানথ্রপিক, কোহেরে, মেটা, স্টেবিলিটি এআই এবং অ্যামাজন সহ নেতৃস্থানীয় সংস্থাগুলি থেকে উচ্চ-কার্যকারি এফএমগুলির একটি পছন্দ অফার করে৷ অ্যামাজন বেডরক একটি বিস্তৃত সরঞ্জামও অফার করে যা জেনারেটিভ এআই অ্যাপ্লিকেশন তৈরি করতে, উন্নয়ন প্রক্রিয়াকে সহজ করতে এবং গোপনীয়তা এবং নিরাপত্তা বজায় রাখতে প্রয়োজন। এছাড়াও, অ্যামাজন বেডরকের সাথে আপনি বিভিন্ন এফএম বিকল্পগুলি থেকে চয়ন করতে পারেন এবং আপনি আপনার ব্যবহারের ক্ষেত্রে প্রয়োজনীয়তার সাথে মডেলের প্রতিক্রিয়াগুলিকে সারিবদ্ধ করতে আপনার নিজস্ব ডেটা ব্যবহার করে মডেলগুলিকে আরও সূক্ষ্ম-টিউন করতে পারেন। অ্যামাজন বেডরক একটি একক API-এর মাধ্যমে উপলব্ধ মডেলগুলিতে প্রসারিত অ্যাক্সেস পরিচালনা করার জন্য কোনও অন্তর্নিহিত অবকাঠামো ছাড়াই সম্পূর্ণরূপে সার্ভারহীন৷ সবশেষে, অ্যামাজন বেডরক HIPAA যোগ্যতা এবং GDPR সম্মতি সহ বেশ কয়েকটি সুরক্ষা এবং গোপনীয়তার প্রয়োজনীয়তা সমর্থন করে।
Q4 এর সমাধানে, আমরা অ্যামাজন বেডরককে সার্ভারহীন, API-ভিত্তিক, মাল্টি-ফাউন্ডেশন মডেল বিল্ডিং ব্লক হিসাবে ব্যবহার করি। যেহেতু আমরা টাস্ক টাইপের উপর ভিত্তি করে একই ব্যবহারের ক্ষেত্রে LLM-এ একাধিক ট্রিপ করতে চাই, তাই আমরা একটি নির্দিষ্ট কাজের জন্য সবচেয়ে উপযুক্ত মডেলটি বেছে নিতে পারি, তা SQL জেনারেশন, বৈধতা বা সংক্ষিপ্তকরণই হোক না কেন।
ল্যাংচেইন
ল্যাংচেইন এটি একটি ওপেন সোর্স ইন্টিগ্রেশন এবং অর্কেস্ট্রেশন ফ্রেমওয়ার্ক যার একটি সেট প্রাক-নির্মিত মডিউল (I/O, পুনরুদ্ধার, চেইন এবং এজেন্ট) যা আপনি FM, ডেটা উত্স এবং সরঞ্জামগুলির মধ্যে কাজগুলিকে একীভূত করতে এবং অর্কেস্ট্রেট করতে ব্যবহার করতে পারেন৷ ফ্রেমওয়ার্ক জেনারেটিভ এআই অ্যাপ্লিকেশন তৈরির সুবিধা দেয় যার জন্য কাঙ্খিত আউটপুট তৈরির জন্য একাধিক ধাপ সাজানোর প্রয়োজন হয়, স্ক্র্যাচ থেকে কোড না লিখে। ল্যাংচেইন একটি মাল্টি-ফাউন্ডেশন মডেল API হিসাবে অ্যামাজন বেডরককে সমর্থন করে।
Q4-এর ব্যবহারের ক্ষেত্রে নির্দিষ্ট, আমরা ডেটা উত্স এবং LLM-এর সাথে সংযোগ সহ আমাদের কর্মপ্রবাহের কাজগুলিকে সমন্বয় এবং অর্কেস্ট্রেট করার জন্য LangChain ব্যবহার করি। এই পদ্ধতিটি আমাদের কোডকে সরল করেছে কারণ আমরা বিদ্যমান ল্যাংচেইন মডিউলগুলি ব্যবহার করতে পারি।
SQLDatabaseChain
SQLDatabaseChain একটি LangChain চেইন যা langchain_experimental থেকে আমদানি করা যেতে পারে। SLDatabaseChain এর কার্যকর টেক্সট-টু-এসকিউএল রূপান্তর এবং বাস্তবায়ন ব্যবহার করে এসকিউএল কোয়েরি তৈরি, বাস্তবায়ন এবং চালানো সহজ করে তোলে।
আমাদের ব্যবহারের ক্ষেত্রে, আমরা এসকিউএল জেনারেশনে SQLDatabaseChain ব্যবহার করি, ডাটাবেস এবং LLM-এর মধ্যে মিথস্ক্রিয়াকে সরল ও অর্কেস্ট্রেটিং করি।
ডেটাসেট
আমাদের স্ট্রাকচার্ড ডেটাসেট SQL ডাটাবেস, ডেটা লেক বা ডেটা গুদামে থাকতে পারে যতক্ষণ না আমাদের কাছে SQL সমর্থন থাকে। আমাদের সমাধানে, আমরা SQL সমর্থন সহ যেকোন ডেটাসেট টাইপ ব্যবহার করতে পারি; এটি সমাধান থেকে বিমূর্ত হওয়া উচিত এবং কোনোভাবেই সমাধান পরিবর্তন করা উচিত নয়।
বাস্তবায়নের বিবরণ
এখন যেহেতু আমরা সমাধান পদ্ধতি, সমাধান উপাদান, প্রযুক্তির পছন্দ এবং সরঞ্জামগুলি অন্বেষণ করেছি, আমরা টুকরোগুলি একসাথে রাখতে পারি। নীচের চিত্রটি শেষ থেকে শেষ সমাধানটিকে হাইলাইট করে৷
আসুন বাস্তবায়নের বিশদ এবং প্রক্রিয়া প্রবাহের মধ্য দিয়ে চলুন।
এসকিউএল কোয়েরি তৈরি করুন
কোডিং সহজ করার জন্য, আমরা বিদ্যমান ফ্রেমওয়ার্ক ব্যবহার করি। আমরা একটি অর্কেস্ট্রেশন ফ্রেমওয়ার্ক হিসাবে LangChain ব্যবহার করি। আমরা ইনপুট পর্যায় দিয়ে শুরু করি, যেখানে আমরা স্বাভাবিক ভাষায় ব্যবহারকারীর প্রশ্ন পাই।
এই প্রথম পর্যায়ে, আমরা এই ইনপুটটি গ্রহণ করি এবং একটি সমতুল্য এসকিউএল তৈরি করি যা আমরা প্রসঙ্গ নিষ্কাশনের জন্য ডাটাবেসের বিরুদ্ধে চালাতে পারি। SQL তৈরি করতে, আমরা SQLDatabaseChain ব্যবহার করি, যা আমাদের কাঙ্খিত LLM অ্যাক্সেসের জন্য Amazon Bedrock-এর উপর নির্ভর করে। অ্যামাজন বেডরকের সাথে, একটি একক API ব্যবহার করে, আমরা অনেকগুলি অন্তর্নিহিত এলএলএম-এ অ্যাক্সেস পাই এবং আমাদের প্রতিটি এলএলএম ট্রিপের জন্য সঠিকটি বেছে নিতে পারি। আমরা প্রথমে ডাটাবেসের সাথে একটি সংযোগ স্থাপন করি এবং আমরা যে টেবিলগুলি ব্যবহার করতে চাই তা থেকে কিছু নমুনা সারি সহ প্রয়োজনীয় টেবিল স্কিমা পুনরুদ্ধার করি।
আমাদের পরীক্ষায়, আমরা খুব বেশি অপ্রয়োজনীয় ওভারহেড যোগ না করেই মডেলটিতে যথেষ্ট তথ্য দেওয়ার জন্য সারণী ডেটার 2-5 সারি পেয়েছি। খুব বেশি ইনপুট সহ মডেলটিকে অপ্রতিরোধ্য না করে প্রসঙ্গ সরবরাহ করার জন্য তিনটি সারিই যথেষ্ট ছিল৷ আমাদের ব্যবহারের ক্ষেত্রে, আমরা অ্যানথ্রপিক দিয়ে শুরু করেছি ক্লদ V2. মডেলটি তার উন্নত যুক্তির জন্য পরিচিত এবং সঠিক প্রসঙ্গ এবং নির্দেশাবলী প্রদান করা হলে প্রাসঙ্গিক প্রতিক্রিয়া স্পষ্ট করে। নির্দেশাবলীর অংশ হিসাবে, আমরা LLM-এ আরও স্পষ্ট বিবরণ অন্তর্ভুক্ত করতে পারি। উদাহরণস্বরূপ, আমরা সেই কলামটি বর্ণনা করতে পারি Comp_NAME
কোম্পানির নাম বোঝায়। আমরা এখন ব্যবহারকারীর প্রশ্নটিকে ডাটাবেস স্কিমা, আমরা যে টেবিলটি ব্যবহার করতে চাই তার তিনটি নমুনা সারি এবং মন্তব্য বা সংযোজন ছাড়াই পরিষ্কার SQL বিন্যাসে প্রয়োজনীয় এসকিউএল তৈরি করার জন্য নির্দেশাবলীর একটি সেট সমন্বয় করে প্রম্পট তৈরি করতে পারি।
একত্রিত সমস্ত ইনপুট উপাদান মডেল ইনপুট প্রম্পট হিসাবে বিবেচিত হয়। মডেলের পছন্দের সিনট্যাক্স অনুসারে তৈরি একটি ভাল-ইঞ্জিনীয়ারড ইনপুট প্রম্পট আউটপুটের গুণমান এবং কর্মক্ষমতা উভয়কেই অত্যন্ত প্রভাবিত করে। একটি নির্দিষ্ট কাজের জন্য ব্যবহার করার জন্য মডেলের পছন্দটিও গুরুত্বপূর্ণ, শুধুমাত্র কারণ এটি আউটপুট গুণমানকে প্রভাবিত করে না, কিন্তু কারণ এটির খরচ এবং কর্মক্ষমতা প্রভাব রয়েছে।
আমরা এই পোস্টে পরে মডেল নির্বাচন এবং প্রম্পট ইঞ্জিনিয়ারিং এবং অপ্টিমাইজেশান নিয়ে আলোচনা করি, কিন্তু এটি লক্ষণীয় যে ক্যোয়ারী জেনারেশন স্টেজের জন্য, আমরা লক্ষ্য করেছি যে Claude Instant তুলনামূলক ফলাফল তৈরি করতে সক্ষম হয়েছিল, বিশেষ করে যখন ব্যবহারকারীর প্রশ্নটি ভালভাবে বলা হয় এবং ততটা পরিশীলিত নয়। যাইহোক, Claude V2 আরও জটিল এবং পরোক্ষ ব্যবহারকারীর ইনপুট সহ আরও ভাল ফলাফল তৈরি করেছে। আমরা তা শিখেছি যদিও কিছু ক্ষেত্রে ক্লদ তাত্ক্ষণিক একটি ভাল লেটেন্সি এবং মূল্য পয়েন্টে যথেষ্ট নির্ভুলতা প্রদান করতে পারে, ক্যোয়ারী জেনারেশনের জন্য আমাদের কেস Claude V2 এর জন্য আরও উপযুক্ত ছিল৷
এসকিউএল কোয়েরি যাচাই করুন
আমাদের পরবর্তী ধাপ হল যাচাই করা যে LLM সফলভাবে সঠিক ক্যোয়ারী সিনট্যাক্স তৈরি করেছে এবং ডাটাবেস স্কিমা এবং প্রদত্ত উদাহরণ সারিগুলি বিবেচনা করে কোয়েরিটি প্রাসঙ্গিক অর্থে পরিণত হয়েছে৷ এই যাচাইকরণ পদক্ষেপের জন্য, আমরা SQLDatabaseChain-এর মধ্যে নেটিভ কোয়েরি যাচাইকরণে ফিরে যেতে পারি, অথবা আমরা বৈধকরণ নির্দেশ সহ জেনারেট করা প্রশ্ন সহ LLM-এ দ্বিতীয় ট্রিপ চালাতে পারি।
যদি আমরা বৈধকরণের ধাপের জন্য একটি LLM ব্যবহার করি, তাহলে আমরা আগের মতো একই LLM ব্যবহার করতে পারি (Claude V2) বা একটি ছোট, আরও কার্যকরী LLM একটি সহজ কাজের জন্য, যেমন Claude Instant। যেহেতু আমরা অ্যামাজন বেডরক ব্যবহার করছি, এটি একটি খুব সাধারণ সমন্বয় হওয়া উচিত। একই API ব্যবহার করে, আমরা আমাদের API কলে মডেলের নাম পরিবর্তন করতে পারি, যা পরিবর্তনের যত্ন নেয়। এটি লক্ষ করা গুরুত্বপূর্ণ যে বেশিরভাগ ক্ষেত্রে, একটি ছোট LLM খরচ এবং লেটেন্সি উভয় ক্ষেত্রেই ভাল দক্ষতা প্রদান করতে পারে এবং বিবেচনা করা উচিত - যতক্ষণ না আপনি কাঙ্ক্ষিত নির্ভুলতা পাচ্ছেন। আমাদের ক্ষেত্রে, পরীক্ষায় উত্পন্ন প্রশ্নটি ধারাবাহিকভাবে নির্ভুল এবং সঠিক সিনট্যাক্স সহ প্রমাণিত হয়েছে। এটি জেনে, আমরা এই বৈধতা ধাপটি এড়িয়ে যেতে এবং বিলম্ব এবং খরচ বাঁচাতে সক্ষম হয়েছি।
এসকিউএল কোয়েরি চালান
এখন যেহেতু আমাদের কাছে যাচাইকৃত SQL ক্যোয়ারী আছে, আমরা ডাটাবেসের বিরুদ্ধে SQL ক্যোয়ারী চালাতে পারি এবং প্রাসঙ্গিক প্রসঙ্গ পুনরুদ্ধার করতে পারি। এটি একটি সোজা পদক্ষেপ হওয়া উচিত।
আমরা জেনারেট করা প্রসঙ্গটি গ্রহণ করি, ব্যবহারকারীর প্রাথমিক প্রশ্ন এবং কিছু নির্দেশনা সহ আমাদের পছন্দের LLM-কে এটি প্রদান করি এবং মডেলটিকে একটি প্রাসঙ্গিক এবং স্পষ্ট সারাংশ তৈরি করতে বলি। তারপরে আমরা ব্যবহারকারীর কাছে উত্পন্ন সংক্ষিপ্তসারটি প্রাথমিক প্রশ্নের উত্তর হিসাবে উপস্থাপন করি, যা আমাদের ডেটাসেট থেকে নেওয়া প্রসঙ্গটির সাথে সারিবদ্ধ।
সংক্ষিপ্তকরণ ধাপে জড়িত LLM-এর জন্য, আমরা টাইটান টেক্সট এক্সপ্রেস বা ক্লড ইনস্ট্যান্ট ব্যবহার করতে পারি। তারা উভয়ই সংক্ষিপ্তকরণ টাস্কের জন্য ভাল বিকল্প উপস্থাপন করবে।
অ্যাপ্লিকেশন সংহত
প্রশ্নোত্তর চ্যাটবট ক্ষমতা Q4 এর AI পরিষেবাগুলির মধ্যে একটি। মডুলারিটি এবং স্কেলেবিলিটি নিশ্চিত করতে, Q4 এআই পরিষেবাগুলিকে মাইক্রোসার্ভিস হিসাবে তৈরি করে যা API-এর মাধ্যমে Q4 অ্যাপ্লিকেশনগুলিতে অ্যাক্সেসযোগ্য। এই API-ভিত্তিক পদ্ধতি Q4 প্ল্যাটফর্ম ইকোসিস্টেমের সাথে নিরবচ্ছিন্ন একীকরণ সক্ষম করে এবং প্ল্যাটফর্ম অ্যাপ্লিকেশনগুলির সম্পূর্ণ স্যুটে এআই পরিষেবাগুলির সক্ষমতাগুলিকে উন্মুক্ত করার সুবিধা দেয়।
AI পরিষেবাগুলির মূল উদ্দেশ্য হল ইনপুট হিসাবে প্রাকৃতিক ভাষা ব্যবহার করে কোনও পাবলিক বা মালিকানাধীন ডেটা উত্স থেকে ডেটা পুনরুদ্ধার করার জন্য সহজবোধ্য ক্ষমতা প্রদান করা। এছাড়াও, AI পরিষেবাগুলি কার্যক্ষম এবং অ-কার্যকর প্রয়োজনীয়তাগুলি যেমন ডেটা গোপনীয়তা এবং সুরক্ষা পূরণ করা হয়েছে তা নিশ্চিত করতে বিমূর্ততার অতিরিক্ত স্তর সরবরাহ করে। নিম্নলিখিত চিত্রটি ইন্টিগ্রেশন ধারণাটি প্রদর্শন করে।
বাস্তবায়ন চ্যালেঞ্জ
কাঠামোগত, সংখ্যাসূচক ডেটাসেটের প্রকৃতির দ্বারা উপস্থাপিত চ্যালেঞ্জগুলি ছাড়াও, আমরা আগে আলোচনা করেছি, Q4 অন্যান্য বাস্তবায়ন চ্যালেঞ্জগুলির মুখোমুখি হয়েছিল যেগুলিকে মোকাবেলা করা প্রয়োজন।
এলএলএম নির্বাচন এবং কর্মক্ষমতা
টাস্কের জন্য সঠিক LLM নির্বাচন করা অত্যন্ত গুরুত্বপূর্ণ কারণ এটি সরাসরি আউটপুটের গুণমানের পাশাপাশি কর্মক্ষমতা (রাউন্ড ট্রিপ লেটেন্সি) প্রভাবিত করে। এখানে কিছু কারণ রয়েছে যা এলএলএম নির্বাচন প্রক্রিয়ায় ভূমিকা রাখে:
- এলএলএম এর ধরন – যেভাবে FM গুলিকে আর্কিটেক্ট করা হয় এবং মডেলটিকে প্রাক-প্রশিক্ষিত করা হয়েছে সেই প্রাথমিক তথ্যগুলি নির্ধারণ করে যে LLM কোন ধরনের কাজ করতে পারবে এবং কতটা ভাল হবে৷ উদাহরণস্বরূপ, একটি পাঠ্য এলএলএম পাঠ্য তৈরি এবং সংক্ষিপ্তকরণে ভাল হবে, যেখানে একটি পাঠ্য-থেকে-ইমেজ বা চিত্র-থেকে-টেক্সট মডেলটি চিত্র বিশ্লেষণ এবং প্রজন্মের কাজগুলির দিকে আরও প্রস্তুত হবে।
- এলএলএম সাইজ - FM আকারগুলি একটি নির্দিষ্ট মডেলের মডেলের প্যারামিটারের সংখ্যা দ্বারা পরিমাপ করা হয়, সাধারণত আধুনিক LLM-এর জন্য বিলিয়নে। সাধারণত, মডেলটি যত বড় হবে, প্রাথমিকভাবে প্রশিক্ষণ বা পরবর্তীতে সূক্ষ্ম-টিউন করা তত বেশি ব্যয়বহুল। অন্যদিকে, সাধারণভাবে, একই মডেল আর্কিটেকচারের জন্য, মডেলটি যত বড় হবে, আমরা আশা করি যে এটি যে ধরনের কাজ করার জন্য প্রস্তুত তা সম্পাদন করার ক্ষেত্রে এটি তত বেশি স্মার্ট হবে৷
- এলএলএম পারফরম্যান্স - সাধারণত, মডেল যত বড় হবে, আউটপুট তৈরি করতে তত বেশি সময় লাগবে, ধরে নিচ্ছি আপনি একই কম্পিউট এবং I/O প্যারামিটার (প্রম্পট এবং আউটপুট আকার) ব্যবহার করছেন। উপরন্তু, একই মডেলের আকারের জন্য, আপনার প্রম্পট কতটা অপ্টিমাইজ করা হয়েছে, I/O টোকেনের আকার এবং প্রম্পটের স্পষ্টতা এবং সিনট্যাক্স দ্বারা কর্মক্ষমতা অত্যন্ত প্রভাবিত হয়। একটি অপ্টিমাইজড I/O টোকেন আকার সহ একটি ভাল-ইঞ্জিনিয়ারড প্রম্পট, মডেলের প্রতিক্রিয়া সময়কে উন্নত করতে পারে।
অতএব, আপনার কাজটি অপ্টিমাইজ করার সময়, নিম্নলিখিত সেরা অনুশীলনগুলি বিবেচনা করুন:
- একটি মডেল চয়ন করুন যা হাতের কাজের জন্য উপযুক্ত
- সবচেয়ে ছোট মডেলের আকার নির্বাচন করুন যা আপনি যে নির্ভুলতা খুঁজছেন তা তৈরি করতে পারে
- আপনার প্রম্পট স্ট্রাকচার অপ্টিমাইজ করুন এবং মডেলের পক্ষে বোঝা সহজ হয় এমনভাবে নির্দেশাবলীর সাথে যতটা সম্ভব নির্দিষ্ট হন
- সবচেয়ে ছোট ইনপুট প্রম্পটটি ব্যবহার করুন যা আপনি যে নির্ভুলতার স্তরটি খুঁজছেন তা তৈরি করতে যথেষ্ট নির্দেশনা এবং প্রসঙ্গ সরবরাহ করতে পারে
- আউটপুট আকারকে ক্ষুদ্রতম আকারে সীমাবদ্ধ করুন যা আপনার জন্য অর্থপূর্ণ হতে পারে এবং আপনার আউটপুট প্রয়োজনীয়তাগুলি পূরণ করতে পারে
মডেল নির্বাচন এবং কর্মক্ষমতা অপ্টিমাইজেশান ফ্যাক্টরগুলিকে বিবেচনায় নিয়ে, আমরা আমাদের এসকিউএল প্রজন্মের ব্যবহারের ক্ষেত্রে অপ্টিমাইজ করার জন্য কাজ করেছি। কিছু পরীক্ষার পর, আমরা লক্ষ্য করেছি যে, যদি আমাদের কাছে সঠিক প্রসঙ্গ এবং নির্দেশনা থাকে, একই প্রম্পট ডেটা সহ Claude Instant, অনেক ভালো পারফরম্যান্স এবং মূল্য পয়েন্টে Claude V2-এর মতো SQL-এর তুলনীয় গুণমান তৈরি করবে। এটি সত্য হয় যখন ব্যবহারকারীর ইনপুট আরও সরাসরি এবং সহজ প্রকৃতির হয়। আরও পরিশীলিত ইনপুটের জন্য, পছন্দসই নির্ভুলতা তৈরি করার জন্য ক্লদ V2 প্রয়োজনীয় ছিল।
সংক্ষিপ্তকরণ টাস্কে একই যুক্তি প্রয়োগ করার ফলে আমরা এই উপসংহারে পৌঁছেছি যে Claude Instant বা Titan Text Express ব্যবহার করলে আমরা Claude V2 এর মতো বড় মডেল ব্যবহার করার চেয়ে অনেক ভালো পারফরম্যান্স পয়েন্টে প্রয়োজনীয় নির্ভুলতা তৈরি করবে। টাইটান টেক্সট এক্সপ্রেসড আরও ভাল দাম-পারফরম্যান্স অফার করেছে, যেমন আমরা আগে আলোচনা করেছি।
অর্কেস্ট্রেশন চ্যালেঞ্জ
আমরা বুঝতে পেরেছি যে ব্যবহারকারীর প্রশ্নের জন্য একটি অর্থপূর্ণ আউটপুট প্রতিক্রিয়া পাওয়ার আগে অর্কেস্ট্রেট করার অনেক কিছু আছে। সমাধান ওভারভিউতে দেখানো হয়েছে, প্রক্রিয়াটিতে একাধিক ডাটাবেস ট্রিপ এবং একাধিক এলএলএম ট্রিপ জড়িত যা পরস্পরের সাথে জড়িত। আমরা যদি স্ক্র্যাচ থেকে তৈরি করতে থাকি, তাহলে মৌলিক কোডটি প্রস্তুত করার জন্য আমাদেরকে ভিন্ন ভিন্ন ভারী উত্তোলনে একটি উল্লেখযোগ্য বিনিয়োগ করতে হবে। আমরা দ্রুত ল্যাংচেইনকে একটি অর্কেস্ট্রেশন ফ্রেমওয়ার্ক হিসাবে ব্যবহার করার জন্য, ওপেন সোর্স সম্প্রদায়ের শক্তির সদ্ব্যবহার করে এবং চাকাটি পুনরায় উদ্ভাবন না করে বিদ্যমান মডিউলগুলিকে পুনরায় ব্যবহার করার দিকে অগ্রসর হয়েছি।
এসকিউএল চ্যালেঞ্জ
আমরা আরও বুঝতে পেরেছি যে এসকিউএল তৈরি করা শব্দার্থিক অনুসন্ধান বা এম্বেডিং ব্যবহার করার মতো প্রসঙ্গ নিষ্কাশন প্রক্রিয়ার মতো সহজ নয়। LLM-এ আমাদের প্রম্পটে অন্তর্ভুক্ত করার জন্য আমাদের প্রথমে ডাটাবেস স্কিমা এবং কয়েকটি নমুনা সারি পেতে হবে। এছাড়াও এসকিউএল যাচাইকরণ পর্যায় রয়েছে, যেখানে আমাদের ডাটাবেস এবং এলএলএম উভয়ের সাথেই যোগাযোগ করতে হবে। SQLDatabaseChain টুলের সুস্পষ্ট পছন্দ ছিল। যেহেতু এটি LangChain-এর অংশ, এটি খাপ খাইয়ে নেওয়া সহজ ছিল, এবং এখন আমরা যে পরিমাণ কাজ করতে হবে তা কমিয়ে, চেইনের সাহায্যে এসকিউএল জেনারেশন এবং যাচাইকরণ পরিচালনা করতে পারি।
কর্মক্ষমতা চ্যালেঞ্জ
Claude V2 ব্যবহার করে, এবং যথাযথ প্রম্পট ইঞ্জিনিয়ারিং (যা আমরা পরবর্তী বিভাগে আলোচনা করব) পরে, আমরা উচ্চ-মানের SQL তৈরি করতে সক্ষম হয়েছি। উত্পন্ন SQL এর গুণমান বিবেচনা করে, আমরা যাচাইকরণ পর্যায়ে আসলে কতটা মান যোগ করছে তা দেখতে শুরু করেছি। ফলাফলগুলি আরও বিশ্লেষণ করার পরে, এটি স্পষ্ট হয়ে ওঠে যে উত্পন্ন SQL এর গুণমানটি ধারাবাহিকভাবে সঠিকভাবে এমনভাবে সঠিক ছিল যা একটি SQL যাচাইকরণ পর্যায় যোগ করার খরচ/সুবিধাকে প্রতিকূল করে তুলেছে। আমরা আমাদের আউটপুটের গুণমানকে নেতিবাচকভাবে প্রভাবিত না করেই এসকিউএল ভ্যালিডেশন স্টেজটি বাদ দিয়েছি এবং এসকিউএল ভ্যালিডেশন রাউন্ড ট্রিপ টাইম বন্ধ করে দিয়েছি।
সংক্ষিপ্তকরণ পদক্ষেপের জন্য আরও ব্যয়- এবং কর্মক্ষমতা-দক্ষ LLM-এর জন্য অপ্টিমাইজ করার পাশাপাশি, আমরা আরও ভাল কর্মক্ষমতা এবং খরচ-দক্ষতা পেতে টাইটান টেক্সট এক্সপ্রেস ব্যবহার করতে সক্ষম হয়েছি।
আরও পারফরম্যান্স অপ্টিমাইজেশান দক্ষ প্রম্পট ইঞ্জিনিয়ারিং কৌশল ব্যবহার করে ক্যোয়ারী জেনারেশন প্রক্রিয়াটিকে সূক্ষ্ম-টিউনিং জড়িত। প্রচুর পরিমাণে টোকেন প্রদান করার পরিবর্তে, ফোকাস ছিল সর্বনিম্ন পরিমাণ ইনপুট টোকেন প্রদানের উপর, সঠিক সিনট্যাক্সে যা মডেলটিকে বোঝার জন্য প্রশিক্ষিত করা হয় এবং নির্দেশাবলীর সর্বনিম্ন অথচ সর্বোত্তম সেট সহ। আমরা পরবর্তী বিভাগে এটি আরও আলোচনা করব—এটি একটি গুরুত্বপূর্ণ বিষয় যা শুধুমাত্র এখানেই নয়, অন্যান্য ব্যবহারের ক্ষেত্রেও প্রযোজ্য।
প্রম্পট ইঞ্জিনিয়ারিং এবং অপ্টিমাইজেশান
যদি সঠিক প্রম্পট ইঞ্জিনিয়ারিং কৌশলগুলি নিযুক্ত করা হয় তবে আপনি বিভিন্ন ব্যবসায়িক ব্যবহারের ক্ষেত্রে অ্যামাজন বেডরকে ক্লড সামঞ্জস্য করতে পারেন। Claude প্রধানত একটি কথোপকথন সহকারী হিসাবে কাজ করে যা একটি মানব/সহকারী বিন্যাস ব্যবহার করে। ক্লদ সহকারী ভূমিকার জন্য পাঠ্য পূরণ করতে প্রশিক্ষিত। প্রদত্ত নির্দেশাবলী এবং প্রম্পট পূর্ণতা কাঙ্ক্ষিত, আমরা বিভিন্ন কৌশল ব্যবহার করে Claude-এর জন্য আমাদের প্রম্পট অপ্টিমাইজ করতে পারি।
আমরা একটি সঠিক বিন্যাসযুক্ত প্রম্পট টেমপ্লেট দিয়ে শুরু করি যা একটি বৈধ সমাপ্তি দেয়, তারপরে আমরা বাস্তব-বিশ্বের ডেটার প্রতিনিধিত্বকারী ইনপুটগুলির বিভিন্ন সেটের সাথে প্রম্পট করে পরীক্ষা করে প্রতিক্রিয়াগুলিকে আরও অপ্টিমাইজ করতে পারি। একটি প্রম্পট টেমপ্লেট তৈরি করার সময় অনেক ইনপুট পাওয়ার পরামর্শ দেওয়া হয়। আপনি প্রম্পট ডেভেলপমেন্ট ডেটা এবং টেস্ট ডেটার আলাদা সেটও ব্যবহার করতে পারেন।
Claude প্রতিক্রিয়া অপ্টিমাইজ করার আরেকটি উপায় হল নিয়ম, নির্দেশাবলী এবং যোগ করে পরীক্ষা করা এবং পুনরাবৃত্তি করা দরকারী অপ্টিমাইজেশান. এই অপ্টিমাইজেশানগুলি থেকে, আপনি বিভিন্ন ধরণের সমাপ্তি দেখতে পারেন, উদাহরণস্বরূপ, হ্যালুসিনেশন প্রতিরোধ করার জন্য ক্লডকে "আমি জানি না" উল্লেখ করতে বলা, ধাপে ধাপে চিন্তা করা, প্রম্পট চেইনিং ব্যবহার করা, "চিন্তা" করার জায়গা দেওয়া কারণ এটি প্রতিক্রিয়া তৈরি করে। , এবং বোধগম্যতা এবং নির্ভুলতার জন্য ডবল-চেকিং।
আসুন আমাদের ক্যোয়ারী জেনারেশন টাস্ক ব্যবহার করি এবং আমাদের প্রম্পট অপ্টিমাইজ করার জন্য আমরা যে কৌশলগুলি ব্যবহার করি তার কিছু আলোচনা করি। কিছু মূল উপাদান ছিল যা আমাদের ক্যোয়ারী জেনারেশন প্রচেষ্টাকে উপকৃত করেছে:
- সঠিক মানব/সহকারী সিনট্যাক্স ব্যবহার করে
- এক্সএমএল ট্যাগ ব্যবহার করা (ক্লড এক্সএমএল ট্যাগকে সম্মান করে এবং বোঝে)
- হ্যালুসিনেশন প্রতিরোধ করার জন্য মডেলের জন্য স্পষ্ট নির্দেশাবলী যোগ করা
নিম্নলিখিত জেনেরিক উদাহরণ দেখায় কিভাবে আমরা মানব/সহকারী সিনট্যাক্স ব্যবহার করেছি, XML ট্যাগ প্রয়োগ করেছি এবং SQL-এ আউটপুট সীমাবদ্ধ করার নির্দেশনা যোগ করেছি এবং মডেলটিকে "দুঃখিত, আমি সাহায্য করতে অক্ষম" বলতে নির্দেশ দিয়েছি যদি এটি প্রাসঙ্গিক SQL তৈরি করতে না পারে . XML ট্যাগগুলি নির্দেশাবলী, অতিরিক্ত ইঙ্গিত, ডাটাবেস স্কিমা, অতিরিক্ত টেবিল ব্যাখ্যা এবং উদাহরণ সারিগুলি ফ্রেম করতে ব্যবহৃত হয়েছিল।
চূড়ান্ত কাজের সমাধান
আমরা ধারণার প্রমাণের সময় চিহ্নিত সমস্ত চ্যালেঞ্জ মোকাবেলা করার পরে, আমরা সমস্ত সমাধানের প্রয়োজনীয়তা পূরণ করেছি। Q4 LLM দ্বারা উত্পন্ন SQL এর মানের সাথে সন্তুষ্ট ছিল। এটি সাধারণ কাজগুলির জন্য সত্য যেগুলির জন্য ডেটা ফিল্টার করার জন্য শুধুমাত্র একটি WHERE ক্লজ প্রয়োজন এবং আরও জটিল কাজগুলির সাথে GROUP BY এবং গাণিতিক ফাংশনগুলির সাথে প্রসঙ্গ-ভিত্তিক সমষ্টির প্রয়োজন৷ সামগ্রিক সমাধানের এন্ড-টু-এন্ড লেটেন্সি এসেছে যা ব্যবহারের ক্ষেত্রে গ্রহণযোগ্য হিসাবে সংজ্ঞায়িত করা হয়েছিল—একক-অঙ্কের সেকেন্ড। প্রতিটি পর্যায়ে একটি সর্বোত্তম এলএলএম বেছে নেওয়া, যথাযথ প্রম্পট ইঞ্জিনিয়ারিং, এসকিউএল যাচাইকরণের ধাপটি বাদ দেওয়া এবং সংক্ষিপ্তকরণ পদক্ষেপের জন্য একটি দক্ষ এলএলএম ব্যবহার করার জন্য এই সমস্ত ধন্যবাদ ছিল (টাইটান টেক্সট এক্সপ্রেস বা ক্লড ইনস্ট্যান্ট)।
এটি লক্ষণীয় যে সম্পূর্ণরূপে পরিচালিত পরিষেবা হিসাবে Amazon বেডরক ব্যবহার করা এবং API কলে মডেলের নাম পরিবর্তন করে পরীক্ষা-নিরীক্ষা এবং LLM-এর মধ্যে বিরামহীন স্যুইচিংয়ের জন্য অনুমোদিত একই API-এর মাধ্যমে LLM-এর স্যুটে অ্যাক্সেস পাওয়ার ক্ষমতা। এই স্তরের নমনীয়তার সাথে, Q4 প্রতিটি LLM কলের জন্য টাস্কের প্রকৃতির উপর ভিত্তি করে সবচেয়ে কার্যকরী LLM বেছে নিতে সক্ষম হয়েছিল, তা সে কোয়েরি জেনারেশন, যাচাইকরণ বা সংক্ষিপ্তকরণই হোক না কেন।
উপসংহার
সব ব্যবহারের ক্ষেত্রে ফিট করে এমন কোনো সমাধান নেই। একটি RAG পদ্ধতিতে, আউটপুটের গুণমান সঠিক প্রসঙ্গ প্রদানের উপর নির্ভর করে। সঠিক প্রসঙ্গ এক্সট্র্যাক্ট করা গুরুত্বপূর্ণ, এবং প্রতিটি ডেটাসেট তার অনন্য বৈশিষ্ট্যগুলির সাথে আলাদা।
এই পোস্টে, আমরা দেখিয়েছি যে সংখ্যাসূচক এবং কাঠামোগত ডেটাসেটের জন্য, বৃদ্ধির জন্য ব্যবহৃত প্রসঙ্গটি বের করতে SQL ব্যবহার করলে আরও অনুকূল ফলাফল হতে পারে। আমরা এটাও দেখিয়েছি যে LangChain এর মত ফ্রেমওয়ার্ক কোডিং প্রচেষ্টাকে কমিয়ে দিতে পারে। উপরন্তু, আমরা সবচেয়ে অনুকূল নির্ভুলতা, কর্মক্ষমতা এবং খরচ অর্জনের জন্য একই ব্যবহারের ক্ষেত্রে LLM-এর মধ্যে পরিবর্তন করতে সক্ষম হওয়ার প্রয়োজনীয়তা নিয়ে আলোচনা করেছি। পরিশেষে, আমরা হাইলাইট করেছি কিভাবে Amazon Bedrock, সার্ভারহীন এবং হুডের নিচে বিভিন্ন ধরনের LLM সহ, সর্বনিম্ন পরিমাণে ভারী উত্তোলন সহ নিরাপদ, পারফরম্যান্ট এবং খরচ-অনুকূলিত অ্যাপ্লিকেশনগুলি তৈরি করার জন্য প্রয়োজনীয় নমনীয়তা প্রদান করে।
আপনার ব্যবসার জন্য মূল্যবান ব্যবহারের ক্ষেত্রে চিহ্নিত করে জেনারেটিভ এআই-সক্ষম অ্যাপ্লিকেশন তৈরির দিকে আপনার যাত্রা শুরু করুন। SQL জেনারেশন, যেমন Q4 টিম শিখেছে, আপনার ডেটা স্টোরের সাথে একীভূত, রাজস্ব সম্ভাবনা আনলক করে এমন স্মার্ট অ্যাপ্লিকেশন তৈরিতে একটি গেম পরিবর্তনকারী হতে পারে।
লেখক সম্পর্কে
তামের সোলেমান AWS-এর একজন সিনিয়র সলিউশন আর্কিটেক্ট। তিনি স্বাধীন সফ্টওয়্যার বিক্রেতা (ISV) গ্রাহকদের AWS-এ উদ্ভাবন, নির্মাণ এবং স্কেল করতে সহায়তা করেন। পরামর্শ, প্রশিক্ষণ এবং পেশাদার পরিষেবাগুলিতে তার দুই দশকেরও বেশি শিল্প অভিজ্ঞতা রয়েছে। তিনি তিনটি মঞ্জুরিকৃত পেটেন্ট সহ বহু পেটেন্ট উদ্ভাবক এবং তার অভিজ্ঞতা টেলিকম, নেটওয়ার্কিং, অ্যাপ্লিকেশন ইন্টিগ্রেশন, এআই/এমএল এবং ক্লাউড স্থাপনা সহ একাধিক প্রযুক্তি ডোমেনে বিস্তৃত। তিনি AWS নেটওয়ার্কিং-এ বিশেষজ্ঞ এবং মেশিনের ঝোঁক, এআই এবং জেনারেটিভ এআই-এর প্রতি গভীর আবেগ রয়েছে।
মণি খানুজা একজন টেক লিড – জেনারেটিভ এআই স্পেশালিস্ট, বইটির লেখক – অ্যাপ্লাইড মেশিন লার্নিং অ্যান্ড হাই পারফরম্যান্স কম্পিউটিং অন AWS, এবং ম্যানুফ্যাকচারিং এডুকেশন ফাউন্ডেশন বোর্ডে মহিলাদের জন্য পরিচালনা পর্ষদের সদস্য। তিনি কম্পিউটার ভিশন, ন্যাচারাল ল্যাঙ্গুয়েজ প্রসেসিং এবং জেনারেটিভ এআই-এর মতো বিভিন্ন ডোমেনে মেশিন লার্নিং (এমএল) প্রকল্পের নেতৃত্ব দেন। তিনি গ্রাহকদের স্কেলে বড় মেশিন লার্নিং মডেল তৈরি, প্রশিক্ষণ এবং স্থাপনে সহায়তা করেন। তিনি অভ্যন্তরীণ এবং বাহ্যিক সম্মেলনে বক্তৃতা করেন যেমন: উদ্ভাবন, উইমেন ইন ম্যানুফ্যাকচারিং ওয়েস্ট, ইউটিউব ওয়েবিনার এবং জিএইচসি 23। তার অবসর সময়ে, তিনি সমুদ্র সৈকতে দীর্ঘ দৌড়াতে পছন্দ করেন।
স্ট্যানিস্লাভ ইয়েশচেঙ্কো Q4 ইনকর্পোরেটেডের একজন সফটওয়্যার আর্কিটেক্ট। সফটওয়্যার ডেভেলপমেন্ট এবং সিস্টেম আর্কিটেকচারে তার এক দশকেরও বেশি শিল্প অভিজ্ঞতা রয়েছে। টেকনিক্যাল লিড এবং সিনিয়র ফুল স্ট্যাক ডেভেলপারের মতো তার বিভিন্ন পটভূমিতে বিস্তৃত ভূমিকা Q4 প্ল্যাটফর্মের উদ্ভাবনকে এগিয়ে নিতে তার অবদানকে শক্তি দেয়। স্ট্যানিস্লাভ প্রযুক্তিগত উদ্ভাবন এবং ক্ষেত্রের কৌশলগত সমাধানগুলিকে ড্রাইভ করার জন্য নিবেদিত।
- 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/how-q4-inc-used-amazon-bedrock-rag-and-sqldatabasechain-to-address-numerical-and-structured-dataset-challenges-building-their-qa-chatbot/
- : আছে
- : হয়
- :না
- :কোথায়
- $ ইউপি
- 100
- 118
- 125
- 15%
- 23
- 7
- a
- ক্ষমতার
- ক্ষমতা
- সক্ষম
- বিমূর্তন
- প্রাচুর্য
- গ্রহণযোগ্য
- প্রবেশ
- প্রবেশযোগ্য
- হিসাব
- সঠিকতা
- সঠিক
- অর্জন করা
- দিয়ে
- কাজ
- প্রকৃতপক্ষে
- খাপ খাওয়ানো
- যোগ
- যোগ
- যোগ
- অতিরিক্ত
- উপরন্তু
- সংযোজন
- ঠিকানা
- উদ্দেশ্য
- সমন্বয়
- অগ্রসর
- আগুয়ান
- সুবিধা
- পর
- বিরুদ্ধে
- এজেন্ট
- থোক
- AI
- এআই পরিষেবা
- এআই ব্যবহারের ক্ষেত্রে
- এআই / এমএল
- উপলক্ষিত
- শ্রেণীবদ্ধ করা
- প্রান্তিককৃত
- সব
- অনুমতি
- অনুমতি
- বরাবর
- এছাড়াও
- যদিও
- am
- মর্দানী স্ত্রীলোক
- অ্যামাজন ওয়েব সার্ভিসেস
- পরিমাণ
- পরিমাণে
- an
- বিশ্লেষণ
- বিশ্লেষকরা
- বৈশ্লেষিক ন্যায়
- বিশ্লেষণ করা
- বিশ্লেষণ
- এবং
- অন্য
- উত্তর
- উত্তর
- নৃতাত্ত্বিক
- কোন
- কিছু
- API
- API গুলি
- প্রাসঙ্গিক
- আবেদন
- অ্যাপ্লিকেশন
- ফলিত
- অভিগমন
- স্থাপত্য
- রয়েছি
- AS
- জিজ্ঞাসা করা
- সম্পদ
- সহায়ক
- সহায়তায়
- রকমারি মাল
- At
- বৃদ্ধি
- উদ্দীপিত
- লেখক
- সহজলভ্য
- সচেতন
- ডেস্কটপ AWS
- পিছনে
- পটভূমি
- ভিত্তি
- মৌলিক
- BE
- সৈকত
- হয়ে ওঠে
- কারণ
- হয়েছে
- আগে
- শুরু
- আচরণ
- হচ্ছে
- বিশ্বাস
- উপকারী
- সর্বোত্তম
- সেরা অভ্যাস
- উত্তম
- মধ্যে
- কোটি কোটি
- বাধা
- ব্লক
- তক্তা
- পরিচালক পরিচালক
- বই
- বট
- উভয়
- পানা
- বিরতি
- প্রশস্ত
- নির্মাণ করা
- ভবন
- তৈরী করে
- নির্মিত
- ব্যবসায়
- কিন্তু
- by
- কল
- মাংস
- CAN
- পেতে পারি
- ক্ষমতা
- সামর্থ্য
- রাজধানী
- পুজি বাজার
- যত্ন
- কেস
- মামলা
- চেন
- চেইন
- চ্যালেঞ্জ
- চ্যালেঞ্জ
- বিল্ডিং চ্যালেঞ্জ
- পরিবর্তন
- পরিবর্তন
- পরিবর্তন
- বৈশিষ্ট্য
- chatbot
- chatbots
- পছন্দ
- বেছে নিন
- নির্বাচন
- নির্মলতা
- পরিষ্কার
- পরিষ্কার
- কাছাকাছি
- মেঘ
- কোড
- কোডিং
- স্তম্ভ
- মিলিত
- মিশ্রন
- আসা
- মন্তব্য
- বাণিজ্যিকভাবে
- যোগাযোগ
- যোগাযোগ
- সম্প্রদায়
- কোম্পানি
- কোম্পানি
- তুলনীয়
- পরিপূরণ
- জটিল
- জটিলতা
- সম্মতি
- উপাদান
- বোঝা
- গনা
- কম্পিউটার
- কম্পিউটার ভিশন
- কম্পিউটিং
- ধারণা
- শেষ করা
- পর্যবসিত
- উপসংহার
- পরিচালিত
- সম্মেলন
- সংযোগ করা
- সংযোজক
- সংযোগ
- বিবেচনা
- বিবেচিত
- বিবেচনা করা
- ধারাবাহিকভাবে
- গঠিত
- গঠিত
- গঠন করা
- পরামর্শকারী
- বিষয়বস্তু
- প্রসঙ্গ
- বর্ণনাপ্রাসঙ্গিক
- অবিরত
- একটানা
- অবদানসমূহ
- প্রচলিত
- কথ্য
- ধর্মান্তর
- ধর্মান্তরিত
- সমন্বয়
- মূল
- ঠিক
- মূল্য
- পারা
- সৃষ্টি
- সংকটপূর্ণ
- সিআরএম
- কঠোর
- ক্রেতা
- গ্রাহকদের
- দৈনিক
- উপাত্ত
- ডেটা লেক
- ডেটা পয়েন্ট
- তথ্য গোপনীয়তা
- ডেটা গোপনীয়তা এবং সুরক্ষা
- তথ্য বিজ্ঞান
- তথ্য চালিত
- ডেটাবেস
- ডেটাসেট
- তারিখগুলি
- দশক
- কয়েক দশক ধরে
- সিদ্ধান্ত নিয়েছে
- সিদ্ধান্ত নিচ্ছে
- নিবেদিত
- বলিয়া গণ্য
- সংজ্ঞায়িত
- চাহিদা
- প্রদর্শিত
- প্রমান
- নির্ভর করে
- স্থাপন
- স্থাপনার
- বর্ণনা করা
- বর্ণনা
- আকাঙ্ক্ষিত
- বিশদ
- বিস্তারিত
- নির্ধারণ করে
- বিকাশকারী
- উন্নয়নশীল
- উন্নয়ন
- বিভিন্ন
- সরাসরি
- সরাসরি
- পরিচালক
- আলোচনা করা
- আলোচনা
- ডুব
- বিচিত্র
- do
- ডোমেইন
- ডোমেইনের
- Dont
- দুবার পরখ করা
- নিচে
- পরিচালনা
- কারণে
- সময়
- প্রগতিশীল
- প্রতি
- পূর্বে
- সহজ
- বাস্তু
- প্রশিক্ষণ
- কার্যকর
- দক্ষতা
- দক্ষ
- দক্ষতার
- প্রচেষ্টা
- প্রচেষ্টা
- পারেন
- উপাদান
- নির্বাচিত হইবার যোগ্যতা
- দূর
- শিরীষের গুঁড়ো
- নিযুক্ত
- সম্ভব
- শেষ
- সর্বশেষ সীমা
- শেষ
- চুক্তিবদ্ধ করান
- প্রবৃত্তি
- প্রকৌশল
- যথেষ্ট
- নিশ্চিত করা
- সজ্জিত
- সমতুল্য
- ইএসজি
- বিশেষত
- স্থাপন করা
- মূল্যায়নের
- মূল্যায়ন
- এমন কি
- ঘটনাবলী
- প্রতি
- উদাহরণ
- উদাহরণ
- বিদ্যমান
- আশা করা
- প্রত্যাশিত
- ব্যয়বহুল
- অভিজ্ঞতা
- পরীক্ষা
- পরীক্ষা-নিরীক্ষা
- ক্যান্সার
- ল্যাপারোস্কোপিক পদ্ধতি
- অন্বেষণ করা
- প্রকাশ করা
- প্রকাশিত
- ব্যাপ্ত
- বহিরাগত
- নির্যাস
- নিষ্কাশন
- মুখোমুখি
- সমাধা
- কারণের
- দ্রুতগতির
- অনুকূল
- সাধ্য
- কয়েক
- ক্ষেত্র
- ক্ষেত্রসমূহ
- পূরণ করা
- ছাঁকনি
- চূড়ান্ত
- পরিশেষে
- আর্থিক
- অর্থনৈতিক উপাত্ত
- প্রথম
- নমনীয়তা
- প্রবাহ
- কেন্দ্রবিন্দু
- অনুসরণ করা
- অনুসরণ
- জন্য
- বিন্যাস
- অগ্রবর্তী
- প্রতিপালক
- পাওয়া
- ভিত
- ফ্রেম
- ফ্রেমওয়ার্ক
- অবকাঠামো
- বিনামূল্যে
- থেকে
- সম্পূর্ণ
- পূর্ণ স্ট্যাক
- সম্পূর্ণরূপে
- কার্মিক
- ক্রিয়াকলাপ
- অধিকতর
- খেলা
- খেলা পরিবর্তনকারী
- GDPR
- জিডিপিআর সম্মতি
- প্রস্তুত
- সাধারণ
- উত্পাদন করা
- উত্পন্ন
- উত্পন্ন
- উৎপাদিত
- প্রজন্ম
- সৃজক
- জেনারেটিভ এআই
- পাওয়া
- পেয়ে
- দাও
- প্রদত্ত
- দেয়
- দান
- Go
- লক্ষ্য
- গোল
- ভাল
- মঞ্জুর
- মহান
- গ্রুপ
- ক্রমবর্ধমান
- ছিল
- হাত
- খুশি
- আছে
- জমিদারি
- he
- সদর দফতর
- ভারী
- ভারী উত্তোলন
- সাহায্য
- সাহায্য
- তার
- এখানে
- উচ্চ
- উচ্চ দক্ষতা
- উচ্চ গুনসম্পন্ন
- ঊর্ধ্বতন
- সর্বোচ্চ
- হাইলাইট করা
- হাইলাইট
- অত্যন্ত
- নির্দেশ
- তার
- ইতিহাস
- ঘোমটা
- কিভাবে
- যাহোক
- HTTPS দ্বারা
- মানবীয়
- মানব পাঠযোগ্য
- i
- ধারণা
- চিহ্নিত
- চিহ্নিতকরণের
- if
- ভাবমূর্তি
- প্রভাব
- প্রভাব
- হানিকারক
- প্রভাব
- বাস্তবায়ন
- বাস্তবায়ন
- বাস্তবায়নের
- বাস্তবায়িত
- প্রভাব
- গুরুত্বপূর্ণ
- উন্নত করা
- in
- অন্যান্য
- ইনক
- অন্তর্ভুক্ত করা
- সুদ্ধ
- বৃদ্ধি
- ক্রমবর্ধমান
- স্বাধীন
- ব্যক্তি
- শিল্প
- তথ্য
- পরিকাঠামো
- প্রারম্ভিক
- প্রাথমিকভাবে
- পরিবর্তন করা
- ইনোভেশন
- ইনপুট
- ইনপুট
- তাত্ক্ষণিক
- প্রতিষ্ঠান
- নির্দেশাবলী
- সম্পূর্ণ
- ইন্টিগ্রেশন
- মনস্থ করা
- গর্ভনাটিকা
- পারস্পরিক ক্রিয়ার
- অভ্যন্তরীণ
- বিজড়িত
- মধ্যে
- স্বজ্ঞাত
- বিনিয়োগ
- বিনিয়োগকারীদের
- বিনিয়োগকারীদের
- জড়িত
- প্রদানকারীগন
- isv
- IT
- এর
- যাত্রা
- JPG
- মাত্র
- রাখা
- চাবি
- বুদ্ধিমান
- জ্ঞান
- পরিচিত
- ল্যাবস
- হ্রদ
- ভূদৃশ্য
- ভাষা
- বড়
- বৃহত্তর
- গত
- সর্বশেষে
- অদৃশ্যতা
- পরে
- স্তর
- নেতৃত্ব
- নেতৃত্ব
- বিশালাকার
- জ্ঞানী
- শিক্ষা
- অন্তত
- বরফ
- পাঠ
- পাঠ শিখেছি
- উচ্চতা
- উদ্ধরণ
- মত
- পছন্দ
- LLM
- যুক্তিবিদ্যা
- লণ্ডন
- দীর্ঘ
- দেখুন
- খুঁজছি
- অনেক
- মেশিন
- মেশিন লার্নিং
- প্রণীত
- প্রধান
- প্রধানত
- মেনস্ট্রিম
- বজায় রাখা
- নিয়ন্ত্রণের
- করা
- তৈরি করে
- পরিচালনা করা
- পরিচালিত
- ব্যবস্থাপনা
- উত্পাদন
- অনেক
- বাজার
- বাজার বিশ্লেষণ
- মার্কেটের উপাত্ত
- বাজার
- মিলেছে
- গাণিতিক
- মে..
- অর্থপূর্ণ
- অভিপ্রেত
- মেকানিজম
- সম্মেলন
- সদস্য
- মিলিত
- মেটা
- মেটাডাটা
- পদ্ধতি
- প্রণালী বিজ্ঞান
- microservices
- যত্সামান্য
- ছোট করা
- মিশ্রিত করা
- ML
- মডেল
- মডেল
- আধুনিক
- মডিউল
- অধিক
- সেতু
- অধিকাংশ ক্ষেত্রে
- চলন্ত
- অনেক
- বহু
- বহু
- নাম
- স্থানীয়
- প্রাকৃতিক
- স্বাভাবিক ভাষা প্রক্রিয়াকরণ
- প্রকৃতি
- প্রয়োজনীয়
- প্রয়োজন
- প্রয়োজন
- নেতিবাচকভাবে
- নেটওয়ার্কিং
- নতুন
- নিউ ইয়র্ক
- পরবর্তী
- না।
- বিঃদ্রঃ
- লক্ষ
- এখন
- সংখ্যা
- সংখ্যার
- উদ্দেশ্য
- সুস্পষ্ট
- of
- বন্ধ
- প্রদত্ত
- অফার
- কর্মকর্তা
- অফিসের
- প্রায়ই
- on
- ONE
- কেবল
- খোলা
- ওপেন সোর্স
- অনুকূল
- অপ্টিমাইজেশান
- অপ্টিমিজ
- অপ্টিমাইজ
- সর্বোচ্চকরন
- অপশন সমূহ
- or
- অর্কেস্ট্রেটিং
- অর্কেস্ট্রারচনা
- ক্রম
- মূল
- অন্যান্য
- আমাদের
- আউটপুট
- শেষ
- সামগ্রিক
- ওভারভিউ
- অভিভূতকারী
- নিজের
- মালিক হয়েছেন
- মালিকানা
- পরামিতি
- অংশ
- বিশেষ
- গৃহীত
- আবেগ
- পেটেণ্ট
- পেটেন্ট
- পথ
- সম্পাদন করা
- কর্মক্ষমতা
- করণ
- বাছাই
- টুকরা
- মাচা
- Plato
- প্লেটো ডেটা ইন্টেলিজেন্স
- প্লেটোডাটা
- খেলা
- বিন্দু
- পয়েন্ট
- ধনাত্মক
- সম্ভব
- পোস্ট
- সম্ভাব্য
- ক্ষমতা
- ক্ষমতা
- চর্চা
- পছন্দের
- বর্তমান
- উপস্থাপন
- প্রতিরোধ
- মূল্য
- নীতিগুলো
- গোপনীয়তা
- গোপনীয়তা এবং নিরাপত্তা
- প্রক্রিয়া
- প্রক্রিয়াজাতকরণ
- উৎপাদন করা
- প্রযোজনা
- পণ্য
- পেশাদারী
- গভীর
- প্রকল্প
- প্রকল্প
- অনুরোধ জানানো
- প্রমাণ
- ধারণা প্রমাণ
- সঠিক
- মালিকানা
- প্রতিপন্ন
- প্রদান
- প্রদত্ত
- উপলব্ধ
- প্রদানের
- প্রকাশ্য
- সরকারী সংস্থা
- প্রকাশ্যে
- উদ্দেশ্য
- করা
- প্রশ্ন ও উত্তর
- গুণ
- প্রশ্নের
- প্রশ্ন
- দ্রুত
- কোট
- রাঙ্কিং
- বরং
- RE
- প্রস্তুত
- বাস্তব জগতে
- প্রতীত
- গ্রহণ করা
- সুপারিশ করা
- রেকর্ড
- উল্লেখ
- নিয়ন্ত্রিত
- সম্পর্ক
- সম্পর্ক
- প্রাসঙ্গিক
- প্রতিবেদন
- প্রতিনিধি
- প্রতিনিধিত্বমূলক
- প্রতিনিধিত্ব করে
- প্রয়োজন
- প্রয়োজনীয়
- আবশ্যকতা
- সংস্থান
- সম্মানিত
- সম্মান
- প্রতিক্রিয়া
- প্রতিক্রিয়া
- সীমাবদ্ধ করা
- ফলাফল
- রাজস্ব
- প্রত্যাবর্তন করা
- পর্যালোচনা
- অধিকার
- ঝুঁকি
- ভূমিকা
- ভূমিকা
- কক্ষ
- বৃত্তাকার
- নিয়ম
- চালান
- রান
- একই
- সন্তুষ্ট
- সন্তুষ্টের সাথে
- সংরক্ষণ করুন
- বলা
- স্কেলেবিলিটি
- স্কেল
- বিজ্ঞান
- আঁচড়ের দাগ
- নির্বিঘ্ন
- নির্বিঘ্নে
- সার্চ
- দ্বিতীয়
- সেকেন্ড
- অধ্যায়
- নিরাপদ
- নিরাপত্তা
- দেখ
- নির্বাচন
- বিক্রেতাদের
- পাঠান
- জ্যেষ্ঠ
- অনুভূতি
- আলাদা
- ক্রম
- Serverless
- সেবা
- সেবা
- সেট
- সেট
- বিভিন্ন
- রুপায়ণ
- ভাগীদার
- শেয়ারহোল্ডারদের
- সে
- উচিত
- দেখিয়েছেন
- প্রদর্শিত
- শো
- গুরুত্বপূর্ণ
- সহজ
- সহজ
- সরলীকৃত
- সহজতর করা
- সরলীকরণ
- একক
- আয়তন
- মাপ
- ক্ষুদ্রতর
- স্মার্ট
- দক্ষতা সহকারে
- সফটওয়্যার
- সফটওয়্যার উন্নয়ন
- সমাধান
- সলিউশন
- কিছু
- বাস্তববুদ্ধিসম্পন্ন
- উৎস
- সোর্স
- বিস্তৃত
- ঘটনাকাল
- স্পিক্স
- বিশেষজ্ঞদের
- বিশেষ
- নির্দিষ্ট
- বিশেষভাবে
- স্থায়িত্ব
- গাদা
- পর্যায়
- পুরস্কার
- থাকা
- ব্রিদিং
- শুরু
- শুরু
- শুরু হচ্ছে
- বিবৃতি
- থাকা
- ধাপ
- প্রারম্ভিক ব্যবহারের নির্দেশাবলী
- স্টক
- পুঁজিবাজার
- সঞ্চিত
- দোকান
- অকপট
- কৌশলগত
- গঠন
- কাঠামোবদ্ধ
- পরবর্তীকালে
- সাফল্য
- সফলভাবে
- এমন
- যথেষ্ট
- উপযুক্ত
- অনুসরণ
- সংক্ষিপ্ত করা
- সংক্ষিপ্তসার
- সমর্থন
- সমর্থন
- নজরদারি
- সুইচ
- বাক্য গঠন
- পদ্ধতি
- টেবিল
- উপযোগী
- গ্রহণ করা
- ধরা
- লাগে
- গ্রহণ
- কার্য
- কাজ
- টীম
- প্রযুক্তি
- কারিগরী
- প্রযুক্তি
- প্রযুক্তিঃ
- টেলিকম
- বলছে
- টেমপ্লেট
- পরীক্ষা
- পরীক্ষামূলক
- পরীক্ষা
- পাঠ
- চেয়ে
- ধন্যবাদ
- যে
- সার্জারির
- রাজধানী
- তাদের
- তারপর
- সেখানে।
- এইগুলো
- তারা
- চিন্তা
- এই
- তিন
- দ্বারা
- সর্বত্র
- সময়
- সময় সিরিজ
- বার
- দানব
- থেকে
- আজকের
- একসঙ্গে
- টোকেন
- টোকেন
- অত্যধিক
- টুল
- সরঞ্জাম
- বিষয়
- টরন্টো
- প্রতি
- রেলগাড়ি
- প্রশিক্ষিত
- প্রশিক্ষণ
- লেনদেন
- লেনদেন
- রূপান্তর
- যাত্রা
- সত্য
- আস্থা
- চালু
- দুই
- আদর্শ
- ধরনের
- সাধারণত
- অক্ষম
- অধীনে
- নিম্নাবস্থিত
- বোঝা
- বোধশক্তি
- বুঝতে পারে
- বোঝা
- অনন্য
- উদ্ঘাটন
- অপ্রয়োজনীয়
- us
- ব্যবহার
- ব্যবহার ক্ষেত্রে
- ব্যবহৃত
- ব্যবহারকারী
- ব্যবহারকারী বান্ধব
- ব্যবহার
- ব্যবহার
- বৈধ
- বৈধতা
- মূল্য
- বৈচিত্র্য
- বিভিন্ন
- বিক্রেতা
- প্রতিপাদন
- ভেরিফাইড
- যাচাই
- খুব
- টেকসই
- চেক
- ভার্চুয়াল
- দৃষ্টি
- পদব্রজে ভ্রমণ
- চেয়েছিলেন
- ছিল
- উপায়..
- we
- ওয়েব
- ওয়েব সার্ভিস
- ওয়েবিনার
- ওয়েবসাইট
- আমরা একটি
- গিয়েছিলাম
- ছিল
- পশ্চিম
- কি
- চাকা
- কখন
- যেহেতু
- যে
- যখন
- ইচ্ছা
- সঙ্গে
- মধ্যে
- ছাড়া
- নারী
- শব্দ
- হয়া যাই ?
- কাজ করছে
- কর্মপ্রবাহ
- কাজ
- মূল্য
- would
- লেখা
- কোড লিখুন
- এক্সএমএল
- এখনো
- ইয়র্ক
- আপনি
- আপনার
- ইউটিউব
- zephyrnet