পুনরুদ্ধার অগমেন্টেড জেনারেশন এবং ল্যাংচেইন এজেন্ট ব্যবহার করে অভ্যন্তরীণ তথ্য অ্যাক্সেস সহজ করুন | আমাজন ওয়েব সার্ভিসেস

এই পোস্টটি আপনাকে অভ্যন্তরীণ নথিগুলি অনুসন্ধান করার সময় গ্রাহকদের মুখোমুখি হওয়া সবচেয়ে সাধারণ চ্যালেঞ্জগুলির মধ্য দিয়ে নিয়ে যায় এবং কীভাবে AWS পরিষেবাগুলি একটি জেনারেটিভ AI কথোপকথনমূলক বট তৈরি করতে ব্যবহার করা যেতে পারে সে সম্পর্কে আপনাকে সুনির্দিষ্ট নির্দেশনা দেয় যা অভ্যন্তরীণ তথ্যকে আরও কার্যকর করে তোলে।

সমস্ত ডেটার 80% জন্য আনস্ট্রাকচার্ড ডেটা অ্যাকাউন্ট ম্যানুয়াল, পিডিএফ, প্রায়শই জিজ্ঞাসিত প্রশ্নাবলী, ইমেল এবং অন্যান্য নথির সংগ্রহস্থলের সমন্বয়ে সংস্থাগুলির মধ্যে পাওয়া যায় যা প্রতিদিন বৃদ্ধি পায়। ব্যবসাগুলি আজ অভ্যন্তরীণ তথ্যের ক্রমাগত ক্রমবর্ধমান ভান্ডারের উপর নির্ভর করে এবং অসংগঠিত ডেটার পরিমাণ নিয়ন্ত্রণের অযোগ্য হয়ে পড়লে সমস্যা দেখা দেয়। প্রায়শই, ব্যবহারকারীরা তাদের প্রয়োজনীয় উত্তর খুঁজে পেতে বিভিন্ন অভ্যন্তরীণ উত্স পড়তে এবং পরীক্ষা করে দেখেন।

অভ্যন্তরীণ প্রশ্ন এবং উত্তর ফোরাম ব্যবহারকারীদের অত্যন্ত নির্দিষ্ট উত্তর পেতে সাহায্য করতে পারে কিন্তু দীর্ঘ অপেক্ষার সময়ও প্রয়োজন। কোম্পানি-নির্দিষ্ট অভ্যন্তরীণ প্রায়শই জিজ্ঞাসিত প্রশ্নাবলীর ক্ষেত্রে, দীর্ঘ অপেক্ষার সময় কর্মচারীর উৎপাদনশীলতা কমিয়ে দেয়। প্রশ্নোত্তর ফোরাম স্কেল করা কঠিন কারণ তারা ম্যানুয়ালি লিখিত উত্তরের উপর নির্ভর করে। জেনারেটিভ এআই-এর সাহায্যে, ব্যবহারকারীরা কীভাবে তথ্য অনুসন্ধান করে এবং খুঁজে পায় তার ক্ষেত্রে বর্তমানে একটি দৃষ্টান্ত পরিবর্তন হয়েছে। পরবর্তী যৌক্তিক পদক্ষেপ হল ব্যবহারকারীর ব্যবহার সহজ করার জন্য বড় নথিগুলিকে ছোট কামড়ের আকারের তথ্যে ঘনীভূত করতে জেনারেটিভ এআই ব্যবহার করা। পাঠ্য পড়তে বা উত্তরের জন্য অপেক্ষা করার জন্য দীর্ঘ সময় ব্যয় করার পরিবর্তে, ব্যবহারকারীরা অভ্যন্তরীণ তথ্যের একাধিক বিদ্যমান সংগ্রহস্থলের উপর ভিত্তি করে রিয়েল-টাইমে সারসংক্ষেপ তৈরি করতে পারে।

সমাধান ওভারভিউ

সমাধানটি গ্রাহকদেরকে একটি ট্রান্সফরমার মডেল ব্যবহার করে অভ্যন্তরীণ নথি সম্পর্কে জিজ্ঞাসা করা প্রশ্নের উত্তরগুলি পুনরুদ্ধার করার অনুমতি দেয় যাতে এটি প্রশিক্ষণ দেওয়া হয়নি এমন ডেটা সম্পর্কে প্রশ্নের উত্তর তৈরি করে, একটি কৌশল যা জিরো-শট প্রম্পটিং নামে পরিচিত। এই সমাধান গ্রহণ করে, গ্রাহকরা নিম্নলিখিত সুবিধাগুলি পেতে পারেন:

• অভ্যন্তরীণ নথির বিদ্যমান উত্সগুলির উপর ভিত্তি করে প্রশ্নের সঠিক উত্তর খুঁজুন
• সবচেয়ে হালনাগাদ তথ্য সহ নথি ব্যবহার করে জটিল প্রশ্নের কাছাকাছি-তাত্ক্ষণিক উত্তর প্রদান করতে লার্জ ল্যাঙ্গুয়েজ মডেল (LLMs) ব্যবহার করে উত্তর খোঁজার সময় ব্যবহারকারীদের ব্যয় কমিয়ে দিন
• একটি কেন্দ্রীভূত ড্যাশবোর্ডের মাধ্যমে পূর্বে উত্তর দেওয়া প্রশ্নের অনুসন্ধান করুন
• উত্তর খোঁজার জন্য ম্যানুয়ালি তথ্য পড়ার সময় ব্যয় করার ফলে সৃষ্ট স্ট্রেস হ্রাস করুন

পুনরুদ্ধার অগমেন্টেড জেনারেশন (RAG)

পুনরুদ্ধার অগমেন্টেড জেনারেশন (RAG) আপনার জ্ঞানের ভিত্তি থেকে উত্তর খুঁজে বের করে এবং নথিগুলিকে সংক্ষিপ্ত প্রতিক্রিয়াগুলিতে সংক্ষিপ্ত করতে LLM ব্যবহার করে এলএলএম ভিত্তিক প্রশ্নের কিছু ত্রুটিগুলি হ্রাস করে। এই দয়া করে পড়ুন পোস্ট কিভাবে RAG পদ্ধতির সাথে প্রয়োগ করতে হয় তা শিখতে আমাজন কেন্দ্র. নিম্নলিখিত ঝুঁকি এবং সীমাবদ্ধতাগুলি এলএলএম ভিত্তিক প্রশ্নগুলির সাথে যুক্ত যা অ্যামাজন কেন্দ্রের সাথে একটি RAG পদ্ধতির ঠিকানাগুলি সমাধান করে:

• হ্যালুসিনেশন এবং ট্রেসেবিলিটি - এলএলএমএসকে বড় ডেটা সেটে প্রশিক্ষণ দেওয়া হয় এবং সম্ভাব্যতার উপর প্রতিক্রিয়া তৈরি করে। এটি ভুল উত্তরের দিকে নিয়ে যেতে পারে, যা হ্যালুসিনেশন নামে পরিচিত।
• একাধিক ডেটা সাইলো - আপনার প্রতিক্রিয়ার মধ্যে একাধিক উত্স থেকে ডেটা রেফারেন্স করার জন্য, ডেটা একত্রিত করতে একটি সংযোগকারী ইকোসিস্টেম সেট আপ করতে হবে। একাধিক সংগ্রহস্থল অ্যাক্সেস করা ম্যানুয়াল এবং সময়সাপেক্ষ।
• নিরাপত্তা - RAG এবং LLM দ্বারা চালিত কথোপকথনমূলক বট স্থাপন করার সময় নিরাপত্তা এবং গোপনীয়তা গুরুত্বপূর্ণ বিবেচ্য বিষয়। ব্যবহার করেও অ্যামাজন সমঝোতা ব্যবহারকারীর প্রশ্নের মাধ্যমে প্রদান করা ব্যক্তিগত ডেটা ফিল্টার করার জন্য, ইনজেস্ট করা ডেটার উপর নির্ভর করে অনিচ্ছাকৃতভাবে ব্যক্তিগত বা সংবেদনশীল তথ্য প্রকাশের সম্ভাবনা থেকে যায়। এর মানে হল যে চ্যাটবটের অ্যাক্সেস নিয়ন্ত্রণ করা সংবেদনশীল তথ্যে অনিচ্ছাকৃত অ্যাক্সেস রোধ করার জন্য অত্যন্ত গুরুত্বপূর্ণ।
• ডেটা প্রাসঙ্গিকতা - এলএলএমএসকে নির্দিষ্ট তারিখ পর্যন্ত ডেটা সম্পর্কে প্রশিক্ষণ দেওয়া হয়, যার মানে তথ্য প্রায়শই বর্তমান নয়। সাম্প্রতিক ডেটাতে প্রশিক্ষণের মডেলগুলির সাথে সম্পর্কিত খরচ বেশি। সঠিক এবং আপ-টু-ডেট প্রতিক্রিয়া নিশ্চিত করতে, সংস্থাগুলি সূচীকৃত নথির বিষয়বস্তু নিয়মিত আপডেট এবং সমৃদ্ধ করার দায়িত্ব বহন করে।
• খরচ - এই সমাধান স্থাপনের সাথে যুক্ত খরচ ব্যবসার জন্য বিবেচনা করা উচিত। এই সমাধানটি বাস্তবায়ন করার সময় ব্যবসাগুলিকে তাদের বাজেট এবং কর্মক্ষমতা প্রয়োজনীয়তাগুলি সাবধানে মূল্যায়ন করতে হবে। এলএলএম চালানোর জন্য যথেষ্ট কম্পিউটেশনাল রিসোর্সের প্রয়োজন হতে পারে, যা অপারেশনাল খরচ বাড়িয়ে দিতে পারে। এই খরচগুলি এমন অ্যাপ্লিকেশনগুলির জন্য একটি সীমাবদ্ধতা হয়ে উঠতে পারে যেগুলিকে বৃহৎ পরিসরে কাজ করতে হবে৷ তবে এর অন্যতম সুবিধা এডাব্লুএস ক্লাউড আপনি যা ব্যবহার করেন তার জন্য অর্থ প্রদানের নমনীয়তা। AWS একটি সহজ, সামঞ্জস্যপূর্ণ, পে-যেমন-আপ-গো মূল্যের মডেল অফার করে, তাই শুধুমাত্র আপনি যে সম্পদগুলি ব্যবহার করেন তার জন্য আপনাকে চার্জ করা হয়।

Amazon SageMaker JumpStart এর ব্যবহার

ট্রান্সফরমার-ভিত্তিক ভাষার মডেলগুলির জন্য, সংস্থাগুলি ব্যবহার করে উপকৃত হতে পারে আমাজন সেজমেকার জাম্পস্টার্ট, যা প্রি-বিল্ট মেশিন লার্নিং মডেলের সংগ্রহ অফার করে। Amazon SageMaker JumpStart টেক্সট জেনারেশন এবং প্রশ্ন-উত্তর (Q&A) ফাউন্ডেশনাল মডেলগুলির একটি বিস্তৃত পরিসর অফার করে যা সহজেই স্থাপন এবং ব্যবহার করা যেতে পারে। এই সমাধানটি একটি FLAN T5-XL Amazon SageMaker JumpStart মডেলকে একীভূত করে, তবে বিভিন্ন দিক মাথায় রাখতে হবে যখন একটি ভিত্তি মডেল নির্বাচন করা.

আমাদের কর্মপ্রবাহে নিরাপত্তা সংহত করা

নিরাপত্তা স্তম্ভের সর্বোত্তম অনুশীলন অনুসরণ করে ভাল-আর্কিটেক্টেড ফ্রেমওয়ার্ক, অ্যামাজন কগনিটো প্রমাণীকরণের জন্য ব্যবহৃত হয়। Amazon Cognito ব্যবহারকারী পুলগুলিকে তৃতীয় পক্ষের পরিচয় প্রদানকারীদের সাথে একীভূত করা যেতে পারে যা ওপেন অথরাইজেশন (OAuth), OpenID কানেক্ট (OIDC), বা সিকিউরিটি অ্যাসারশন মার্কআপ ল্যাঙ্গুয়েজ (SAML) সহ অ্যাক্সেস কন্ট্রোলের জন্য ব্যবহৃত বেশ কয়েকটি ফ্রেমওয়ার্ক সমর্থন করে। ব্যবহারকারীদের সনাক্তকরণ এবং তাদের ক্রিয়াকলাপগুলি সমাধানকে ট্রেসেবিলিটি বজায় রাখার অনুমতি দেয়। সমাধান এছাড়াও ব্যবহার করে অ্যামাজন ব্যক্তিগতভাবে শনাক্তযোগ্য তথ্য (PII) সনাক্তকরণ বোঝা স্বয়ংক্রিয়ভাবে পরিচয় এবং PII সংশোধন করার বৈশিষ্ট্য। সংশোধিত PII-তে ঠিকানা, সামাজিক নিরাপত্তা নম্বর, ইমেল ঠিকানা এবং অন্যান্য সংবেদনশীল তথ্য অন্তর্ভুক্ত থাকে। এই নকশাটি নিশ্চিত করে যে ইনপুট কোয়েরির মাধ্যমে ব্যবহারকারীর দ্বারা প্রদত্ত যেকোনো PII সংশোধন করা হয়েছে। PII সংরক্ষণ করা হয় না, Amazon কেন্দ্র দ্বারা ব্যবহৃত হয়, বা LLM-এ খাওয়ানো হয় না।

সমাধান ওয়াকথ্রু

নিম্নলিখিত পদক্ষেপগুলি নথির প্রবাহের উপর প্রশ্নের উত্তর দেওয়ার কার্যপ্রবাহ বর্ণনা করে:

1. ব্যবহারকারীরা একটি ওয়েব ইন্টারফেসের মাধ্যমে একটি প্রশ্ন পাঠান।
2. অ্যামাজন কগনিটো প্রমাণীকরণের জন্য ব্যবহৃত হয়, ওয়েব অ্যাপ্লিকেশনে নিরাপদ অ্যাক্সেস নিশ্চিত করে।
3. ওয়েব অ্যাপ্লিকেশন ফ্রন্ট-এন্ড হোস্ট করা হয় এডাব্লুএস পরিবর্ধক.
4. অ্যামাজন এপিআই গেটওয়ে অ্যামাজন কগনিটো ব্যবহার করে প্রমাণীকৃত ব্যবহারকারীর অনুরোধগুলি পরিচালনা করার জন্য বিভিন্ন এন্ডপয়েন্ট সহ একটি REST API হোস্ট করে৷
5. সঙ্গে PII সংশোধন অ্যামাজন সমঝোতা:
   • ব্যবহারকারীর ক্যোয়ারী প্রসেসিং: যখন একজন ব্যবহারকারী একটি প্রশ্ন বা ইনপুট জমা দেয়, এটি প্রথমে অ্যামাজন কম্প্রেহেন্ডের মাধ্যমে পাস করা হয়। পরিষেবাটি পাঠ্য বিশ্লেষণ করে এবং কোয়েরির মধ্যে উপস্থিত যেকোনো PII সত্তাকে চিহ্নিত করে৷
   • PII নিষ্কাশন: Amazon Comprehend ব্যবহারকারীর ক্যোয়ারী থেকে সনাক্ত করা PII সত্তাগুলিকে বের করে।
6. সঙ্গে প্রাসঙ্গিক তথ্য পুনরুদ্ধার আমাজন কেন্দ্র:
   • আমাজন কেন্দ্র ব্যবহারকারীর প্রশ্নের উত্তর তৈরি করতে ব্যবহৃত তথ্য ধারণ করে এমন নথিগুলির একটি সূচী পরিচালনা করতে ব্যবহৃত হয়।
   • সার্জারির LangChain QA পুনরুদ্ধার মডিউলটি একটি কথোপকথন চেইন তৈরি করতে ব্যবহৃত হয় যাতে ব্যবহারকারীর প্রশ্ন সম্পর্কে প্রাসঙ্গিক তথ্য থাকে।
7. সঙ্গে ইন্টিগ্রেশন আমাজন সেজমেকার জাম্পস্টার্ট:
   • AWS Lambda ফাংশন LangChain লাইব্রেরি ব্যবহার করে এবং Amazon SageMaker JumpStart এন্ডপয়েন্টের সাথে একটি প্রসঙ্গ-স্টাফ ক্যোয়ারী যুক্ত করে। আমাজন সেজমেকার জাম্পস্টার্ট এন্ডপয়েন্ট অনুমানের জন্য ব্যবহৃত LLM এর ইন্টারফেস হিসাবে কাজ করে।
8. প্রতিক্রিয়া সংরক্ষণ করা এবং ব্যবহারকারীর কাছে ফেরত দেওয়া:
   • এলএলএম থেকে প্রতিক্রিয়া সংরক্ষিত হয় আমাজন ডায়নামোডিবি ব্যবহারকারীর ক্যোয়ারী সহ, টাইমস্ট্যাম্প, একটি অনন্য শনাক্তকারী এবং আইটেমের জন্য অন্যান্য নির্বিচারী শনাক্তকারী যেমন প্রশ্ন বিভাগ। প্রশ্ন ও উত্তরকে আলাদা আইটেম হিসাবে সংরক্ষণ করা AWS Lambda ফাংশনকে প্রশ্ন জিজ্ঞাসা করা সময়ের উপর ভিত্তি করে সহজেই ব্যবহারকারীর কথোপকথনের ইতিহাস পুনরায় তৈরি করতে দেয়।
   • অবশেষে, অ্যামাজন API গেটওয়ে REST API ইন্টিগ্রেশন প্রতিক্রিয়ার মাধ্যমে HTTPs অনুরোধের মাধ্যমে প্রতিক্রিয়াটি ব্যবহারকারীকে ফেরত পাঠানো হয়।

নিম্নলিখিত ধাপগুলি AWS Lambda ফাংশন এবং প্রক্রিয়ার মাধ্যমে তাদের প্রবাহ বর্ণনা করে:

1. যেকোনো PII/সংবেদনশীল তথ্য চেক করুন এবং রিডাক্ট করুন
2. LangChain QA পুনরুদ্ধার চেইন
   • অনুসন্ধান করুন এবং প্রাসঙ্গিক তথ্য পুনরুদ্ধার করুন
3. প্রসঙ্গ স্টাফিং এবং প্রম্পট ইঞ্জিনিয়ারিং
4. এলএলএম সহ অনুমান
5. উত্তর দিন এবং সংরক্ষণ করুন

ব্যবহারের ক্ষেত্রে

অনেক ব্যবসায়িক ব্যবহারের ক্ষেত্রে রয়েছে যেখানে গ্রাহকরা এই ওয়ার্কফ্লো ব্যবহার করতে পারেন। নিম্নলিখিত বিভাগটি ব্যাখ্যা করে কিভাবে কর্মপ্রবাহ বিভিন্ন শিল্প এবং উল্লম্বে ব্যবহার করা যেতে পারে।

কর্মচারী সহায়তা

সু-পরিকল্পিত কর্পোরেট প্রশিক্ষণ কর্মীদের সন্তুষ্টি উন্নত করতে পারে এবং নতুন কর্মীদের অনবোর্ডিং করার জন্য প্রয়োজনীয় সময় কমাতে পারে। প্রতিষ্ঠানের বৃদ্ধি এবং জটিলতা বাড়ার সাথে সাথে কর্মচারীদের অভ্যন্তরীণ নথির অনেক উত্স বুঝতে অসুবিধা হয়। এই প্রসঙ্গে অভ্যন্তরীণ নথিগুলির মধ্যে কোম্পানির নির্দেশিকা, নীতি এবং স্ট্যান্ডার্ড অপারেটিং পদ্ধতি অন্তর্ভুক্ত রয়েছে। এই দৃশ্যের জন্য, একজন কর্মচারীর একটি প্রশ্ন আছে কিভাবে এগিয়ে যেতে হবে এবং একটি অভ্যন্তরীণ সমস্যা টিকিটিং টিকিট সম্পাদনা করতে হবে। কর্মচারী একটি নির্দিষ্ট টিকিটের জন্য পরবর্তী পদক্ষেপগুলি জিজ্ঞাসা করতে এবং কার্যকর করতে জেনারেটিভ কৃত্রিম বুদ্ধিমত্তা (AI) কথোপকথন বট অ্যাক্সেস করতে এবং ব্যবহার করতে পারেন।

নির্দিষ্ট ব্যবহারের ক্ষেত্রে: কর্পোরেট নির্দেশিকাগুলির উপর ভিত্তি করে কর্মীদের জন্য স্বয়ংক্রিয় সমস্যা সমাধান।

নিম্নলিখিত ধাপগুলি AWS Lambda ফাংশন এবং প্রক্রিয়ার মাধ্যমে তাদের প্রবাহ বর্ণনা করে:

1. LangChain এজেন্ট অভিপ্রায় সনাক্ত করতে
2. কর্মচারী অনুরোধের ভিত্তিতে বিজ্ঞপ্তি পাঠান
3. টিকিটের অবস্থা পরিবর্তন করুন

এই আর্কিটেকচার ডায়াগ্রামে, কর্পোরেট প্রশিক্ষণ ভিডিওর মাধ্যমে ইনজেস্ট করা যেতে পারে আমাজন ট্রান্সক্রাইব এই ভিডিও স্ক্রিপ্টগুলির একটি লগ সংগ্রহ করতে। উপরন্তু, বিভিন্ন উত্সে সংরক্ষিত কর্পোরেট প্রশিক্ষণ সামগ্রী (যেমন, কনফ্লুয়েন্স, মাইক্রোসফ্ট শেয়ারপয়েন্ট, গুগল ড্রাইভ, জিরা, ইত্যাদি) অ্যামাজন কেন্দ্র সংযোগকারীর মাধ্যমে সূচী তৈরি করতে ব্যবহার করা যেতে পারে। দেশীয় সংগ্রহ সম্পর্কে আরও জানতে এই নিবন্ধটি পড়ুন সংযোগকারীগুলিকে আপনি একটি উত্স পয়েন্ট হিসাবে Amazon কেন্দ্রে ব্যবহার করতে পারেন. Amazon কেন্দ্র ক্রলার তারপর কোম্পানি কর্পোরেট প্রশিক্ষণ নির্দেশিকা নির্দিষ্ট প্রশ্নের উত্তর দিতে কথোপকথন বট সাহায্য করার জন্য এই অন্যান্য উত্সগুলিতে সঞ্চিত কর্পোরেট প্রশিক্ষণ ভিডিও স্ক্রিপ্ট এবং ডকুমেন্টেশন উভয়ই ব্যবহার করতে সক্ষম হয়৷ ল্যাংচেইন এজেন্ট অ্যামাজন সিম্পল নোটিফিকেশন সার্ভিস (অ্যামাজন এসএনএস).

কাস্টমার সাপোর্ট টিম

গ্রাহকের প্রশ্নের দ্রুত সমাধান করা গ্রাহকের অভিজ্ঞতাকে উন্নত করে এবং ব্র্যান্ডের আনুগত্যকে উৎসাহিত করে। একটি অনুগত গ্রাহক বেস বিক্রয় চালাতে সাহায্য করে, যা নীচের লাইনে অবদান রাখে এবং গ্রাহকের ব্যস্ততা বাড়ায়। গ্রাহক সহায়তা দলগুলি পণ্য এবং পরিষেবা সম্পর্কে গ্রাহকের প্রশ্নের উত্তর দিতে অনেকগুলি অভ্যন্তরীণ নথি এবং গ্রাহক সম্পর্ক ব্যবস্থাপনা সফ্টওয়্যার উল্লেখ করার জন্য প্রচুর শক্তি ব্যয় করে। এই প্রসঙ্গে অভ্যন্তরীণ নথিতে সাধারণ গ্রাহক সহায়তা কল স্ক্রিপ্ট, প্লেবুক, বৃদ্ধি নির্দেশিকা এবং ব্যবসার তথ্য অন্তর্ভুক্ত থাকতে পারে। জেনারেটিভ এআই কথোপকথন বট খরচ অপ্টিমাইজেশানে সাহায্য করে কারণ এটি গ্রাহক সহায়তা দলের পক্ষ থেকে প্রশ্নগুলি পরিচালনা করে৷

নির্দিষ্ট ব্যবহারের ক্ষেত্রে: পরিষেবা ইতিহাস এবং কেনা গ্রাহক পরিষেবা পরিকল্পনার উপর ভিত্তি করে তেল পরিবর্তনের অনুরোধ পরিচালনা করা।

এই আর্কিটেকচার ডায়াগ্রামে, গ্রাহককে হয় জেনারেটিভ এআই কথোপকথন বট বা আমাজন কানেক্ট যোগাযোগ কেন্দ্র. এই সিদ্ধান্তটি প্রয়োজনীয় সহায়তার স্তর বা গ্রাহক সহায়তা এজেন্টদের উপলব্ধতার উপর ভিত্তি করে হতে পারে। LangChain এজেন্ট গ্রাহকের অভিপ্রায় শনাক্ত করে এবং পরিচয় যাচাই করে। LangChain এজেন্ট পরিষেবার ইতিহাস এবং ক্রয়কৃত সহায়তা পরিকল্পনাও পরীক্ষা করে।

নিম্নলিখিত ধাপগুলি AWS Lambda ফাংশন এবং প্রক্রিয়ার মাধ্যমে তাদের প্রবাহ বর্ণনা করে:

1. LangChain এজেন্ট অভিপ্রায় সনাক্ত করে
2. গ্রাহক তথ্য পুনরুদ্ধার করুন
3. গ্রাহক পরিষেবা ইতিহাস এবং ওয়ারেন্টি তথ্য পরীক্ষা করুন
4. অ্যাপয়েন্টমেন্ট বুক করুন, আরও তথ্য দিন বা যোগাযোগ কেন্দ্রে যাওয়ার রুট দিন
5. ইমেল নিশ্চিতকরণ পাঠান

ভয়েস এবং চ্যাট লগ সংগ্রহ করতে Amazon Connect ব্যবহার করা হয় এবং Amazon Comprehend এই লগগুলি থেকে ব্যক্তিগতভাবে সনাক্তযোগ্য তথ্য (PII) সরাতে ব্যবহার করা হয়। Amazon কেন্দ্রের ক্রলার তখন সূচী তৈরি করার জন্য সংশোধিত ভয়েস এবং চ্যাট লগ, গ্রাহক কল স্ক্রিপ্ট এবং গ্রাহক পরিষেবা সহায়তা পরিকল্পনা নীতিগুলি ব্যবহার করতে সক্ষম হয়৷ একবার সিদ্ধান্ত নেওয়া হয়ে গেলে, জেনারেটিভ AI কথোপকথন বট সিদ্ধান্ত নেয় যে অ্যাপয়েন্টমেন্ট বুক করা হবে, আরও তথ্য প্রদান করা হবে বা গ্রাহককে আরও সহায়তার জন্য যোগাযোগ কেন্দ্রে পাঠানো হবে। খরচ অপ্টিমাইজেশানের জন্য, LangChain এজেন্ট কম টোকেন ব্যবহার করে উত্তর তৈরি করতে পারে এবং নিম্ন অগ্রাধিকারের গ্রাহকের প্রশ্নের জন্য একটি কম ব্যয়বহুল বড় ভাষা মডেল ব্যবহার করতে পারে।

অর্থনৈতিক সেবা সমূহ

আর্থিক পরিষেবা সংস্থাগুলি প্রতিযোগিতামূলক থাকার জন্য এবং আর্থিক বিধিগুলি মেনে চলার জন্য তথ্যের সময়মত ব্যবহারের উপর নির্ভর করে। একটি জেনারেটিভ AI কথোপকথনমূলক বট ব্যবহার করে, আর্থিক বিশ্লেষক এবং উপদেষ্টারা পাঠ্য তথ্যের সাথে কথোপকথনমূলক পদ্ধতিতে যোগাযোগ করতে পারেন এবং আরও ভাল তথ্যপূর্ণ সিদ্ধান্ত নেওয়ার জন্য যে সময় এবং প্রচেষ্টা লাগে তা কমাতে পারেন। বিনিয়োগ এবং বাজার গবেষণার বাইরে, একটি জেনারেটিভ AI কথোপকথনমূলক বট এমন কাজগুলি পরিচালনা করে মানুষের ক্ষমতা বাড়াতে পারে যা ঐতিহ্যগতভাবে আরও বেশি মানুষের প্রচেষ্টা এবং সময় প্রয়োজন। উদাহরণস্বরূপ, ব্যক্তিগত ঋণে বিশেষায়িত একটি আর্থিক প্রতিষ্ঠান গ্রাহকদের আরও ভাল স্বচ্ছতা প্রদানের সাথে সাথে ঋণ প্রক্রিয়াকরণের হার বাড়াতে পারে।

নির্দিষ্ট ব্যবহারের ক্ষেত্রে: ঋণের সিদ্ধান্তের সিদ্ধান্ত নিতে এবং ব্যাখ্যা করতে গ্রাহকের আর্থিক ইতিহাস এবং পূর্ববর্তী ঋণের আবেদনগুলি ব্যবহার করুন।

নিম্নলিখিত ধাপগুলি AWS Lambda ফাংশন এবং প্রক্রিয়ার মাধ্যমে তাদের প্রবাহ বর্ণনা করে:

1. LangChain এজেন্ট অভিপ্রায় সনাক্ত করতে
2. গ্রাহকের আর্থিক এবং ক্রেডিট স্কোর ইতিহাস পরীক্ষা করুন
3. অভ্যন্তরীণ গ্রাহক সম্পর্ক ব্যবস্থাপনা সিস্টেম পরীক্ষা করুন
4. স্ট্যান্ডার্ড লোন পলিসি চেক করুন এবং লোন পাওয়ার যোগ্যতা অর্জনকারী কর্মচারীর জন্য সিদ্ধান্তের পরামর্শ দিন
5. গ্রাহকের কাছে বিজ্ঞপ্তি পাঠান

এই আর্কিটেকচারটি একটি ডাটাবেসে সংরক্ষিত গ্রাহকের আর্থিক তথ্য এবং একটি গ্রাহক সম্পর্ক ব্যবস্থাপনা (CRM) টুলে সংরক্ষিত ডেটা অন্তর্ভুক্ত করে। এই ডেটা পয়েন্টগুলি কোম্পানির অভ্যন্তরীণ ঋণ নীতির উপর ভিত্তি করে একটি সিদ্ধান্ত জানাতে ব্যবহার করা হয়। তারা কোন ঋণের জন্য যোগ্য এবং তারা কোন ঋণ গ্রহণ করতে পারে তা বোঝার জন্য গ্রাহক স্পষ্ট প্রশ্ন জিজ্ঞাসা করতে সক্ষম। যদি জেনারেটিভ এআই কথোপকথন বট একটি ঋণ আবেদন অনুমোদন করতে অক্ষম হয়, ব্যবহারকারী এখনও ক্রেডিট স্কোর বা বিকল্প অর্থায়নের বিকল্পগুলি সম্পর্কে প্রশ্ন জিজ্ঞাসা করতে পারেন।

সরকার

জেনারেটিভ এআই কথোপকথনমূলক বটগুলি যোগাযোগ, দক্ষতা এবং সিদ্ধান্ত গ্রহণের প্রক্রিয়াগুলিকে দ্রুততর করে সরকারী প্রতিষ্ঠানগুলিকে ব্যাপকভাবে উপকৃত করতে পারে। জেনারেটিভ এআই কথোপকথনমূলক বটগুলি সরকারী কর্মচারীদের দ্রুত তথ্য, নীতি এবং পদ্ধতিগুলি (যেমন, যোগ্যতার মানদণ্ড, আবেদন প্রক্রিয়া এবং নাগরিক পরিষেবা এবং সহায়তা) পুনরুদ্ধার করতে সহায়তা করার জন্য অভ্যন্তরীণ জ্ঞানের ভিত্তিগুলিতে তাত্ক্ষণিক অ্যাক্সেস সরবরাহ করতে পারে। একটি সমাধান হল একটি ইন্টারেক্টিভ সিস্টেম, যা করদাতা এবং কর পেশাদারদের সহজেই কর-সম্পর্কিত বিবরণ এবং সুবিধাগুলি খুঁজে পেতে অনুমতি দেয়। এটি ব্যবহারকারীর প্রশ্ন বুঝতে, ট্যাক্স নথির সারসংক্ষেপ এবং ইন্টারেক্টিভ কথোপকথনের মাধ্যমে স্পষ্ট উত্তর দিতে ব্যবহার করা যেতে পারে।

ব্যবহারকারীরা যেমন প্রশ্ন জিজ্ঞাসা করতে পারেন:

• উত্তরাধিকার কর কীভাবে কাজ করে এবং ট্যাক্স থ্রেশহোল্ডগুলি কী কী?
• আপনি আয়কর ধারণা ব্যাখ্যা করতে পারেন?
• দ্বিতীয় সম্পত্তি বিক্রি করার সময় ট্যাক্সের প্রভাব কী?

উপরন্তু, ব্যবহারকারীরা একটি সিস্টেমে ট্যাক্স ফর্ম জমা দেওয়ার সুবিধা পেতে পারেন, যা প্রদত্ত তথ্যের সঠিকতা যাচাই করতে সাহায্য করতে পারে।

এই স্থাপত্যটি ব্যাখ্যা করে যে কীভাবে ব্যবহারকারীরা সমাধানে সম্পূর্ণ ট্যাক্স ফর্ম আপলোড করতে পারে এবং প্রয়োজনীয় তথ্য কীভাবে সঠিকভাবে পূরণ করতে হয় সে সম্পর্কে ইন্টারেক্টিভ যাচাইকরণ এবং নির্দেশনার জন্য এটি ব্যবহার করতে পারে।

স্বাস্থ্যসেবা

চিকিৎসার বিকল্প, বীমা দাবি, ক্লিনিকাল ট্রায়াল এবং ফার্মাসিউটিক্যাল গবেষণার মতো ব্যবহারের ক্ষেত্রে সাধারণ প্রশ্নগুলির সমাধান করার পাশাপাশি স্বাস্থ্যসেবা ব্যবসায়গুলি প্রচুর পরিমাণে অভ্যন্তরীণ রোগীর তথ্যের ব্যবহার স্বয়ংক্রিয় করার সুযোগ রয়েছে। একটি জেনারেটিভ এআই কথোপকথন বট ব্যবহার করে প্রদত্ত জ্ঞানের ভিত্তি থেকে স্বাস্থ্য তথ্য সম্পর্কে দ্রুত এবং সঠিক উত্তর তৈরি করতে সক্ষম করে। উদাহরণস্বরূপ, কিছু স্বাস্থ্যসেবা পেশাদাররা বীমা দাবি ফাইল করার জন্য ফর্ম পূরণ করতে অনেক সময় ব্যয় করেন।

অনুরূপ সেটিংসে, ক্লিনিকাল ট্রায়াল অ্যাডমিনিস্ট্রেটর এবং গবেষকদের চিকিত্সার বিকল্পগুলি সম্পর্কে তথ্য খুঁজে বের করতে হবে। একটি জেনারেটিভ এআই কথোপকথন বট অ্যামাজন কেন্দ্রের পূর্ব-নির্মিত সংযোগকারীগুলি ব্যবহার করে ফার্মাসিউটিক্যাল কোম্পানি এবং বিশ্ববিদ্যালয়গুলির দ্বারা পরিচালিত চলমান গবেষণার মাধ্যমে প্রকাশিত লক্ষ লক্ষ নথি থেকে সর্বাধিক প্রাসঙ্গিক তথ্য পুনরুদ্ধার করতে পারে।

নির্দিষ্ট ব্যবহারের ক্ষেত্রে: বীমা ফর্মগুলি পূরণ করতে এবং পাঠাতে প্রয়োজনীয় ত্রুটি এবং সময় হ্রাস করুন।

এই আর্কিটেকচার ডায়াগ্রামে, একজন স্বাস্থ্যসেবা পেশাদার জেনারেটিভ AI কথোপকথন বট ব্যবহার করতে সক্ষম হয় যাতে বীমার জন্য কোন ফর্মগুলি পূরণ করতে হবে। LangChain এজেন্ট তখন সঠিক ফর্মগুলি পুনরুদ্ধার করতে এবং একজন রোগীর জন্য প্রয়োজনীয় তথ্য যোগ করার পাশাপাশি বীমা নীতি এবং পূর্ববর্তী ফর্মগুলির উপর ভিত্তি করে ফর্মগুলির বর্ণনামূলক অংশগুলির জন্য প্রতিক্রিয়া দিতে সক্ষম হয়৷ স্বাস্থ্যসেবা পেশাদাররা বীমা পোর্টালে ফর্মটি অনুমোদন এবং বিতরণ করার আগে এলএলএম দ্বারা প্রদত্ত প্রতিক্রিয়াগুলি সম্পাদনা করতে পারেন।

নিম্নলিখিত ধাপগুলি AWS Lambda ফাংশন এবং প্রক্রিয়ার মাধ্যমে তাদের প্রবাহ বর্ণনা করে:

1. LangChain এজেন্ট অভিপ্রায় সনাক্ত করতে
2. রোগীর প্রয়োজনীয় তথ্য পুনরুদ্ধার করুন
3. রোগীর তথ্য এবং ফর্ম গাইডলাইনের উপর ভিত্তি করে বীমা ফর্মটি পূরণ করুন
4. ব্যবহারকারীর অনুমোদনের পর বীমা পোর্টালে ফর্মটি জমা দিন

AWS হেলথলেক পূর্ববর্তী বীমা ফর্ম এবং রোগীর তথ্য সহ স্বাস্থ্য তথ্য নিরাপদে সংরক্ষণ করতে ব্যবহৃত হয়, এবং Amazon Comprehend পূর্ববর্তী বীমা ফর্মগুলি থেকে ব্যক্তিগতভাবে সনাক্তযোগ্য তথ্য (PII) অপসারণ করতে ব্যবহৃত হয়। Amazon কেন্দ্রের ক্রলার তখন সূচক তৈরি করতে বীমা ফর্ম এবং নির্দেশিকাগুলির সেট ব্যবহার করতে সক্ষম হয়৷ একবার জেনারেটিভ AI দ্বারা ফর্ম(গুলি) পূরণ করা হয়ে গেলে, তারপরে মেডিকেল পেশাদার দ্বারা পর্যালোচনা করা ফর্ম(গুলি) বীমা পোর্টালে পাঠানো যেতে পারে।

খরচ অনুমান

ধারণার প্রমাণ হিসাবে ভিত্তি সমাধান স্থাপনের খরচ নিম্নলিখিত টেবিলে দেখানো হয়েছে। যেহেতু বেস সলিউশনটিকে একটি প্রুফ-অফ-ধারণা হিসাবে বিবেচনা করা হয়, তাই আমাজন কেন্দ্র বিকাশকারী সংস্করণটি একটি কম খরচের বিকল্প হিসাবে ব্যবহৃত হয়েছিল যেহেতু কাজের চাপ উৎপাদনে থাকবে না। অ্যামাজন কেন্দ্র বিকাশকারী সংস্করণের জন্য আমাদের অনুমান ছিল মাসের জন্য 730 সক্রিয় ঘন্টা।

Amazon SageMaker-এর জন্য, আমরা একটি অনুমান করেছি যে গ্রাহক রিয়েল-টাইম অনুমানের জন্য ml.g4dn.2xlarge ইন্সট্যান্স ব্যবহার করবেন, প্রতি দৃষ্টান্তে একটি একক অনুমান শেষ পয়েন্ট সহ। আপনি Amazon SageMaker মূল্য এবং উপলব্ধ ইনস্ট্যান্সের ধরন সম্পর্কে আরও তথ্য পেতে পারেন এখানে.

সেবা	সম্পদ খরচ	প্রতি মাসে খরচ অনুমান USD
এডাব্লুএস পরিবর্ধক	150 বিল্ড মিনিট 1 জিবি ডেটা পরিবেশন করা হয়েছে 500,000 অনুরোধ	15.71
অ্যামাজন এপিআই গেটওয়ে	1M REST API কল	3.5
এডাব্লুএস ল্যাম্বদা	1 মিলিয়ন অনুরোধ অনুরোধ প্রতি 5 সেকেন্ড সময়কাল 2 জিবি মেমরি বরাদ্দ	160.23
আমাজন ডায়নামোডিবি	1 মিলিয়ন পঠিত 1 মিলিয়ন লিখেছেন 100 GB সঞ্চয়স্থান	26.38
আমাজন সেজমেকার	ml.g4dn.2xlarge সহ রিয়েল-টাইম অনুমান	676.8
আমাজন কেন্দ্র	730 ঘন্টা/মাস সহ বিকাশকারী সংস্করণ 10,000 নথি স্ক্যান করা হয়েছে 5,000 প্রশ্ন/দিন	821.25
.	.	মোট খরচ: 1703.87

* Amazon Cognito-এর একটি বিনামূল্যের স্তর রয়েছে 50,000 মাসিক সক্রিয় ব্যবহারকারী যারা কগনিটো ব্যবহারকারী পুল ব্যবহার করেন বা 50 মাসিক সক্রিয় ব্যবহারকারী যারা SAML 2.0 পরিচয় প্রদানকারী ব্যবহার করেন

পরিষ্কার কর

খরচ বাঁচাতে, টিউটোরিয়ালের অংশ হিসাবে আপনি যে সমস্ত সংস্থান স্থাপন করেছেন তা মুছুন। আপনি সেজমেকার কনসোলের মাধ্যমে তৈরি করা যেকোন সেজমেকার এন্ডপয়েন্ট মুছে ফেলতে পারেন। মনে রাখবেন, একটি Amazon কেন্দ্রের সূচী মুছে ফেলা আপনার স্টোরেজ থেকে আসল নথিগুলিকে সরিয়ে দেয় না।

উপসংহার

এই পোস্টে, আমরা আপনাকে দেখিয়েছি কিভাবে রিয়েল-টাইমে একাধিক সংগ্রহস্থল থেকে সংক্ষিপ্ত করে অভ্যন্তরীণ তথ্যে অ্যাক্সেস সহজ করা যায়। বাণিজ্যিকভাবে উপলব্ধ এলএলএম-এর সাম্প্রতিক বিকাশের পরে, জেনারেটিভ এআই-এর সম্ভাবনাগুলি আরও স্পষ্ট হয়ে উঠেছে। এই পোস্টে, আমরা একটি সার্ভারবিহীন চ্যাটবট তৈরি করতে AWS পরিষেবাগুলি ব্যবহার করার উপায়গুলি প্রদর্শন করেছি যা প্রশ্নের উত্তর দেওয়ার জন্য জেনারেটিভ AI ব্যবহার করে৷ ব্যবহারকারীর ক্যোয়ারীতে প্রদত্ত যেকোন সংবেদনশীল তথ্য ফিল্টার করার জন্য এই পদ্ধতিতে একটি প্রমাণীকরণ স্তর এবং Amazon Comprehend এর PII সনাক্তকরণ অন্তর্ভুক্ত করা হয়েছে। স্বাস্থ্যসেবা সংশ্লিষ্ট ব্যক্তিরা বীমা দাবি ফাইল করার সূক্ষ্ম বিষয়গুলি বোঝেন বা এইচআর নির্দিষ্ট কোম্পানি-ব্যাপী প্রবিধানগুলি বোঝেন না কেন, এই পদ্ধতি থেকে উপকৃত হতে পারে এমন একাধিক শিল্প এবং উল্লম্ব রয়েছে। একটি Amazon SageMaker JumpStart ফাউন্ডেশন মডেল হল চ্যাটবটের পিছনের ইঞ্জিন, যখন RAG কৌশল ব্যবহার করে একটি প্রসঙ্গ স্টাফিং পদ্ধতি ব্যবহার করা হয় যাতে প্রতিক্রিয়াগুলি আরও সঠিকভাবে অভ্যন্তরীণ নথির উল্লেখ করে।

AWS-এ জেনারেটিভ এআই-এর সাথে কাজ করার বিষয়ে আরও জানতে, পড়ুন AWS-এ জেনারেটিভ এআই সহ বিল্ডিংয়ের জন্য নতুন টুল ঘোষণা করা হচ্ছে. AWS পরিষেবাগুলির সাথে RAG কৌশল ব্যবহার করার বিষয়ে আরও গভীর দিকনির্দেশের জন্য, পড়ুন অ্যামাজন কেন্দ্র, ল্যাংচেইন এবং বৃহৎ ভাষার মডেল ব্যবহার করে এন্টারপ্রাইজ ডেটাতে দ্রুত উচ্চ-নির্ভুলতা জেনারেটিভ এআই অ্যাপ্লিকেশন তৈরি করুন. যেহেতু এই ব্লগের পদ্ধতিটি এলএলএম অজ্ঞেয়বাদী, তাই যেকোনও এলএলএম অনুমানের জন্য ব্যবহার করা যেতে পারে। আমাদের পরবর্তী পোস্টে, আমরা অ্যামাজন বেডরক এবং অ্যামাজন টাইটান এলএলএম ব্যবহার করে এই সমাধানটি বাস্তবায়নের উপায়গুলি রূপরেখা করব৷

---

লেখক সম্পর্কে

অভিষেক মালিগেহাল্লি শিবলিঙ্গিয়া AWS-এর একজন সিনিয়র এআই সার্ভিসেস সলিউশন আর্কিটেক্ট। তিনি জেনারেটিভ এআই, অ্যামাজন কেন্দ্র এবং এনএলপি ব্যবহার করে অ্যাপ্লিকেশন তৈরির বিষয়ে উত্সাহী। গ্রাহক এবং এন্টারপ্রাইজের জন্য মান তৈরি করতে ডেটা এবং এআই সমাধান তৈরিতে তার প্রায় 10 বছরের অভিজ্ঞতা রয়েছে। এমনকি তিনি তার কর্মজীবন এবং পেশাদার যাত্রা সম্পর্কে প্রশ্নের উত্তর দেওয়ার জন্য মজা করার জন্য একটি (ব্যক্তিগত) চ্যাটবট তৈরি করেছেন। কাজের বাইরে তিনি পরিবার এবং বন্ধুদের প্রতিকৃতি তৈরি করতে পছন্দ করেন এবং শিল্পকর্ম তৈরি করতে পছন্দ করেন।

মেধা আইয়াহ অস্টিন, টেক্সাসে অবস্থিত AWS-এর একজন সহযোগী সমাধান স্থপতি। তিনি সম্প্রতি 2022 সালের ডিসেম্বরে ডালাসের ইউনিভার্সিটি অফ টেক্সাস থেকে কম্পিউটার সায়েন্সে স্নাতকোত্তর করেছেন এবং ইন্টেলিজেন্ট সিস্টেমে AI/ML এর উপর ফোকাস করে বিশেষায়িত করেছেন। তিনি AI/ML সম্পর্কে আরও জানতে আগ্রহী এবং AWS পরিষেবাগুলি ব্যবহার করে সমাধানগুলি আবিষ্কার করতে চান যা গ্রাহকরা উপকৃত হতে পারেন৷

হুগো সে সিয়াটেল, ওয়াশিংটনে অবস্থিত AWS-এর একজন সহযোগী সমাধান স্থপতি। তিনি অ্যারিজোনা স্টেট ইউনিভার্সিটি থেকে তথ্য প্রযুক্তিতে স্নাতকোত্তর ডিগ্রি এবং শিকাগো বিশ্ববিদ্যালয় থেকে অর্থনীতিতে স্নাতক ডিগ্রি অর্জন করেছেন। তিনি ইনফরমেশন সিস্টেম অডিট অ্যান্ড কন্ট্রোল অ্যাসোসিয়েশন (ISACA) এবং ইন্টারন্যাশনাল ইনফরমেশন সিস্টেম সিকিউরিটি সার্টিফিকেশন কনসোর্টিয়াম (ISC)2-এর সদস্য। তিনি গ্রাহকদের প্রযুক্তি থেকে উপকৃত হতে সাহায্য করেন।

আয়মান ইশিমওয়ে সিয়াটেল, ওয়াশিংটনে অবস্থিত AWS-এর একজন সহযোগী সমাধান স্থপতি। তিনি ওকল্যান্ড বিশ্ববিদ্যালয় থেকে সফটওয়্যার ইঞ্জিনিয়ারিং এবং আইটি বিষয়ে স্নাতকোত্তর ডিগ্রি অর্জন করেছেন। সফ্টওয়্যার বিকাশে তার পূর্ব অভিজ্ঞতা রয়েছে, বিশেষত বিতরণ করা ওয়েব অ্যাপ্লিকেশনগুলির জন্য মাইক্রোসার্ভিস তৈরিতে। তিনি গ্রাহকদের সর্বোত্তম অনুশীলন অনুসরণ করে AWS ক্লাউড পরিষেবাগুলিতে শক্তিশালী এবং মাপযোগ্য সমাধান তৈরি করতে সহায়তা করার বিষয়ে উত্সাহী।

শেরভিন সুরেশ অস্টিন, টেক্সাসে অবস্থিত AWS-এর একজন সহযোগী সমাধান স্থপতি। তিনি ক্লাউড কম্পিউটিং এবং ভার্চুয়ালাইজেশনে মনোযোগ সহ সফটওয়্যার ইঞ্জিনিয়ারিংয়ে স্নাতকোত্তর এবং সান জোসে স্টেট ইউনিভার্সিটি থেকে কম্পিউটার ইঞ্জিনিয়ারিংয়ে স্নাতক ডিগ্রি অর্জন করেছেন। তিনি সমস্ত ব্যাকগ্রাউন্ডের মানুষের জীবন উন্নত করতে সাহায্য করার জন্য প্রযুক্তির ব্যবহার সম্পর্কে উত্সাহী।

• 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। মোটরগাড়ি / ইভি, কার্বন, ক্লিনটেক, শক্তি, পরিবেশ সৌর, বর্জ্য ব্যবস্থাপনা. এখানে প্রবেশ করুন.
• প্লেটো হেলথ। বায়োটেক এবং ক্লিনিক্যাল ট্রায়াল ইন্টেলিজেন্স। এখানে প্রবেশ করুন.
• চার্টপ্রাইম। ChartPrime এর সাথে আপনার ট্রেডিং গেমটি উন্নত করুন। এখানে প্রবেশ করুন.
• ব্লকঅফসেট। পরিবেশগত অফসেট মালিকানার আধুনিকীকরণ। এখানে প্রবেশ করুন.
• উত্স: https://aws.amazon.com/blogs/machine-learning/simplify-access-to-internal-information-using-retrieval-augmented-generation-and-langchain-agents/