Ξεκινώντας με το Amazon Titan Text Embeddings στο Amazon Bedrock | Υπηρεσίες Ιστού της Amazon

Οι ενσωματώσεις διαδραματίζουν βασικό ρόλο στην επεξεργασία φυσικής γλώσσας (NLP) και στη μηχανική μάθηση (ML). Ενσωμάτωση κειμένου αναφέρεται στη διαδικασία μετατροπής κειμένου σε αριθμητικές αναπαραστάσεις που βρίσκονται σε διανυσματικό χώρο υψηλών διαστάσεων. Αυτή η τεχνική επιτυγχάνεται με τη χρήση αλγορίθμων ML που επιτρέπουν την κατανόηση της σημασίας και του πλαισίου των δεδομένων (σημασιολογικές σχέσεις) και την εκμάθηση πολύπλοκων σχέσεων και προτύπων μέσα στα δεδομένα (συντακτικές σχέσεις). Μπορείτε να χρησιμοποιήσετε τις διανυσματικές αναπαραστάσεις που προκύπτουν για ένα ευρύ φάσμα εφαρμογών, όπως ανάκτηση πληροφοριών, ταξινόμηση κειμένου, επεξεργασία φυσικής γλώσσας και πολλές άλλες.

Ενσωματώσεις κειμένου Amazon Titan είναι ένα μοντέλο ενσωμάτωσης κειμένου που μετατρέπει κείμενο φυσικής γλώσσας —που αποτελείται από μεμονωμένες λέξεις, φράσεις ή ακόμη και μεγάλα έγγραφα— σε αριθμητικές αναπαραστάσεις που μπορούν να χρησιμοποιηθούν για να ενισχύσουν περιπτώσεις χρήσης, όπως αναζήτηση, εξατομίκευση και ομαδοποίηση με βάση σημασιολογική ομοιότητα.

Σε αυτήν την ανάρτηση, συζητάμε το μοντέλο Amazon Titan Text Embeddings, τα χαρακτηριστικά του και τις περιπτώσεις χρήσης παραδειγμάτων.

Μερικές βασικές έννοιες περιλαμβάνουν:

• Η αριθμητική αναπαράσταση του κειμένου (διανύσματα) αποτυπώνει τη σημασιολογία και τις σχέσεις μεταξύ των λέξεων
• Οι εμπλουτισμένες ενσωματώσεις μπορούν να χρησιμοποιηθούν για τη σύγκριση της ομοιότητας κειμένου
• Οι πολύγλωσσες ενσωματώσεις κειμένου μπορούν να προσδιορίσουν το νόημα σε διαφορετικές γλώσσες

Πώς μετατρέπεται ένα κομμάτι κειμένου σε διάνυσμα;

Υπάρχουν πολλές τεχνικές για να μετατρέψετε μια πρόταση σε διάνυσμα. Μια δημοφιλής μέθοδος είναι η χρήση αλγορίθμων ενσωμάτωσης λέξεων, όπως Word2Vec, GloVe ή FastText, και στη συνέχεια η συγκέντρωση των ενσωματώσεων λέξεων για να σχηματιστεί μια διανυσματική αναπαράσταση σε επίπεδο πρότασης.

Μια άλλη κοινή προσέγγιση είναι η χρήση μεγάλων γλωσσικών μοντέλων (LLM), όπως το BERT ή το GPT, τα οποία μπορούν να παρέχουν ενσωματώσεις με βάση τα συμφραζόμενα για ολόκληρες προτάσεις. Αυτά τα μοντέλα βασίζονται σε αρχιτεκτονικές βαθιάς μάθησης, όπως τα Transformers, τα οποία μπορούν να αποτυπώσουν πιο αποτελεσματικά τις πληροφορίες και τις σχέσεις μεταξύ των λέξεων σε μια πρόταση.

Γιατί χρειαζόμαστε ένα μοντέλο ενσωματώσεων;

Οι διανυσματικές ενσωματώσεις είναι θεμελιώδεις για τα LLM να κατανοούν τους σημασιολογικούς βαθμούς της γλώσσας και επίσης επιτρέπουν στα LLM να αποδίδουν καλά σε μεταγενέστερες εργασίες NLP όπως η ανάλυση συναισθήματος, η αναγνώριση ονομαστικών οντοτήτων και η ταξινόμηση κειμένου.

Εκτός από τη σημασιολογική αναζήτηση, μπορείτε να χρησιμοποιήσετε ενσωματώσεις για να αυξήσετε τις προτροπές σας για πιο ακριβή αποτελέσματα μέσω του Retrieval Augmented Generation (RAG)—αλλά για να τις χρησιμοποιήσετε, θα πρέπει να τις αποθηκεύσετε σε μια βάση δεδομένων με διανυσματικές δυνατότητες.

Το μοντέλο Amazon Titan Text Embeddings έχει βελτιστοποιηθεί για ανάκτηση κειμένου ώστε να ενεργοποιούνται περιπτώσεις χρήσης RAG. Σας δίνει τη δυνατότητα να μετατρέψετε πρώτα τα δεδομένα κειμένου σας σε αριθμητικές αναπαραστάσεις ή διανύσματα και στη συνέχεια να χρησιμοποιήσετε αυτά τα διανύσματα για να αναζητήσετε με ακρίβεια σχετικά αποσπάσματα από μια διανυσματική βάση δεδομένων, επιτρέποντάς σας να αξιοποιήσετε στο έπακρο τα ιδιόκτητα δεδομένα σας σε συνδυασμό με άλλα μοντέλα θεμελίωσης.

Επειδή το Amazon Titan Text Embeddings είναι ένα διαχειριζόμενο μοντέλο Θεμέλιο του Αμαζονίου, προσφέρεται ως μια εντελώς εμπειρία χωρίς διακομιστή. Μπορείτε να το χρησιμοποιήσετε είτε μέσω του Amazon Bedrock REST API ή το AWS SDK. Οι απαιτούμενες παράμετροι είναι το κείμενο που θέλετε να δημιουργήσετε τις ενσωματώσεις και το modelID παράμετρος, η οποία αντιπροσωπεύει το όνομα του μοντέλου Amazon Titan Text Embeddings. Ο παρακάτω κώδικας είναι ένα παράδειγμα που χρησιμοποιεί το AWS SDK για Python (Boto3):

import boto3
import json #Create the connection to Bedrock
bedrock = boto3.client( service_name='bedrock', region_name='us-west-2', ) bedrock_runtime = boto3.client( service_name='bedrock-runtime', region_name='us-west-2', ) # Let's see all available Amazon Models
available_models = bedrock.list_foundation_models() for model in available_models['modelSummaries']: if 'amazon' in model['modelId']: print(model) # Define prompt and model parameters
prompt_data = """Write me a poem about apples""" body = json.dumps({ "inputText": prompt_data,
}) model_id = 'amazon.titan-embed-text-v1' #look for embeddings in the modelID
accept = 'application/json' content_type = 'application/json' # Invoke model response = bedrock_runtime.invoke_model( body=body, modelId=model_id, accept=accept, contentType=content_type
) # Print response
response_body = json.loads(response['body'].read())
embedding = response_body.get('embedding') #Print the Embedding print(embedding)

Η έξοδος θα μοιάζει με το εξής:

[-0.057861328, -0.15039062, -0.4296875, 0.31054688, ..., -0.15625]

Αναφέρομαι σε Ρύθμιση Amazon Bedrock boto3 για περισσότερες λεπτομέρειες σχετικά με τον τρόπο εγκατάστασης των απαιτούμενων πακέτων, σύνδεση στο Amazon Bedrock και επίκληση μοντέλων.

Χαρακτηριστικά του Amazon Titan Text Embeddings

Με το Amazon Titan Text Embeddings, μπορείτε να εισαγάγετε έως και 8,000 διακριτικά, καθιστώντας το κατάλληλο για εργασία με μεμονωμένες λέξεις, φράσεις ή ολόκληρα έγγραφα με βάση την περίπτωση χρήσης σας. Amazon Titan επιστρέφει διανύσματα εξόδου της διάστασης 1536, δίνοντάς του υψηλό βαθμό ακρίβειας, ενώ παράλληλα βελτιστοποιεί για αποτελέσματα χαμηλής καθυστέρησης και οικονομικά αποδοτικά.

Το Amazon Titan Text Embeddings υποστηρίζει τη δημιουργία και την υποβολή ερωτημάτων για ενσωματώσεις κειμένου σε περισσότερες από 25 διαφορετικές γλώσσες. Αυτό σημαίνει ότι μπορείτε να εφαρμόσετε το μοντέλο στις περιπτώσεις χρήσης σας χωρίς να χρειάζεται να δημιουργήσετε και να διατηρήσετε ξεχωριστά μοντέλα για κάθε γλώσσα που θέλετε να υποστηρίξετε.

Η κατοχή ενός ενιαίου μοντέλου ενσωματώσεων εκπαιδευμένο σε πολλές γλώσσες παρέχει τα ακόλουθα βασικά πλεονεκτήματα:

• Ευρύτερη εμβέλεια – Υποστηρίζοντας περισσότερες από 25 γλώσσες εκτός συσκευασίας, μπορείτε να επεκτείνετε την εμβέλεια των εφαρμογών σας σε χρήστες και περιεχόμενο σε πολλές διεθνείς αγορές.
• Συνεπής απόδοση – Με ένα ενοποιημένο μοντέλο που καλύπτει πολλές γλώσσες, λαμβάνετε σταθερά αποτελέσματα σε όλες τις γλώσσες αντί να βελτιστοποιείτε ξεχωριστά ανά γλώσσα. Το μοντέλο είναι εκπαιδευμένο ολιστικά, ώστε να έχετε το πλεονέκτημα σε όλες τις γλώσσες.
• Υποστήριξη πολύγλωσσων ερωτημάτων – Το Amazon Titan Text Embeddings επιτρέπει την υποβολή ερωτημάτων για ενσωματώσεις κειμένου σε οποιαδήποτε από τις υποστηριζόμενες γλώσσες. Αυτό παρέχει ευελιξία για την ανάκτηση σημασιολογικά παρόμοιου περιεχομένου σε όλες τις γλώσσες χωρίς να περιορίζεται σε μία μόνο γλώσσα. Μπορείτε να δημιουργήσετε εφαρμογές που αναζητούν και αναλύουν πολύγλωσσα δεδομένα χρησιμοποιώντας τον ίδιο ενοποιημένο χώρο ενσωματώσεων.

Από τη στιγμή που γράφεται αυτό το κείμενο, υποστηρίζονται οι ακόλουθες γλώσσες:

• αραβικός
• Κινέζικα (Απλοποιημένα)
• Κινέζικα (Παραδοσιακά)
• Τσέχικη
• Ολλανδικά
• Αγγλικά
• Γαλλικά
• Γερμανικά
• Εβραϊκά
• Ινδικά
• Ιταλικά
• Ιαπωνικά
• Κανάντα
• Κορεάτικα
• Μαλαγιαλαμικά
• Μαράθι
• Πολωνικά
• Πορτογάλος
• Ρωσικά
• Ισπανικά
• Σουηδικά
• Φιλιππινέζικο Ταγκαλόγκ
• Ταμίλ
• telugu
• Τουρκική

Χρήση ενσωματώσεων κειμένου Amazon Titan με το LangChain

LangChain είναι ένα δημοφιλές πλαίσιο ανοιχτού κώδικα για εργασία γενετική AI μοντέλα και υποστηρικτικές τεχνολογίες. Περιλαμβάνει α Πελάτης BedrockEmbeddings που τυλίγει άνετα το Boto3 SDK με ένα στρώμα αφαίρεσης. ο BedrockEmbeddings Ο πελάτης σάς επιτρέπει να εργάζεστε απευθείας με κείμενο και ενσωματώσεις, χωρίς να γνωρίζετε τις λεπτομέρειες του αιτήματος JSON ή των δομών απόκρισης. Το παρακάτω είναι ένα απλό παράδειγμα:

from langchain.embeddings import BedrockEmbeddings #create an Amazon Titan Text Embeddings client
embeddings_client = BedrockEmbeddings() #Define the text from which to create embeddings
text = "Can you please tell me how to get to the bakery?" #Invoke the model
embedding = embeddings_client.embed_query(text) #Print response
print(embedding)

Μπορείτε επίσης να χρησιμοποιήσετε το LangChain's BedrockEmbeddings πελάτη μαζί με τον πελάτη Amazon Bedrock LLM για την απλοποίηση της εφαρμογής RAG, σημασιολογικής αναζήτησης και άλλων μοτίβων που σχετίζονται με ενσωματώσεις.

Χρησιμοποιήστε θήκες για ενσωματώσεις

Αν και το RAG είναι επί του παρόντος η πιο δημοφιλής περίπτωση χρήσης για εργασία με ενσωματώσεις, υπάρχουν πολλές άλλες περιπτώσεις χρήσης όπου μπορούν να εφαρμοστούν ενσωματώσεις. Ακολουθούν ορισμένα πρόσθετα σενάρια όπου μπορείτε να χρησιμοποιήσετε ενσωματώσεις για την επίλυση συγκεκριμένων προβλημάτων, είτε μόνες τους είτε σε συνεργασία με ένα LLM:

• Ερώτηση και απάντηση – Οι ενσωματώσεις μπορούν να βοηθήσουν στην υποστήριξη διεπαφών ερωτήσεων και απαντήσεων μέσω του μοτίβου RAG. Η δημιουργία ενσωματώσεων σε συνδυασμό με μια διανυσματική βάση δεδομένων σάς επιτρέπει να βρείτε στενές αντιστοιχίσεις μεταξύ ερωτήσεων και περιεχομένου σε ένα αποθετήριο γνώσης.
• Εξατομικευμένες προτάσεις – Παρόμοια με την ερώτηση και την απάντηση, μπορείτε να χρησιμοποιήσετε ενσωματώσεις για να βρείτε προορισμούς διακοπών, κολέγια, οχήματα ή άλλα προϊόντα με βάση τα κριτήρια που παρέχει ο χρήστης. Αυτό θα μπορούσε να έχει τη μορφή μιας απλής λίστας αντιστοιχίσεων ή μπορείτε στη συνέχεια να χρησιμοποιήσετε ένα LLM για να επεξεργαστείτε κάθε πρόταση και να εξηγήσετε πώς ικανοποιεί τα κριτήρια του χρήστη. Θα μπορούσατε επίσης να χρησιμοποιήσετε αυτήν την προσέγγιση για να δημιουργήσετε προσαρμοσμένα άρθρα "10 καλύτερα" για έναν χρήστη με βάση τις συγκεκριμένες ανάγκες του.
• Διαχείριση δεδομένων – Όταν έχετε πηγές δεδομένων που δεν αντιστοιχίζονται καθαρά μεταξύ τους, αλλά έχετε περιεχόμενο κειμένου που περιγράφει την εγγραφή δεδομένων, μπορείτε να χρησιμοποιήσετε ενσωματώσεις για να εντοπίσετε πιθανές διπλότυπες εγγραφές. Για παράδειγμα, θα μπορούσατε να χρησιμοποιήσετε ενσωματώσεις για να προσδιορίσετε διπλότυπους υποψηφίους που ενδέχεται να χρησιμοποιούν διαφορετική μορφοποίηση, συντομογραφίες ή ακόμη και να έχουν μεταφρασμένα ονόματα.
• Εξορθολογισμός χαρτοφυλακίου εφαρμογών – Όταν ψάχνετε να ευθυγραμμίσετε τα χαρτοφυλάκια εφαρμογών σε μια μητρική εταιρεία και μια εξαγορά, δεν είναι πάντα προφανές από πού να αρχίσετε να βρίσκετε πιθανές επικαλύψεις. Η ποιότητα των δεδομένων διαχείρισης διαμόρφωσης μπορεί να είναι ένας περιοριστικός παράγοντας και μπορεί να είναι δύσκολος ο συντονισμός μεταξύ ομάδων για την κατανόηση του τοπίου της εφαρμογής. Χρησιμοποιώντας τη σημασιολογική αντιστοίχιση με ενσωματώσεις, μπορούμε να κάνουμε μια γρήγορη ανάλυση σε όλα τα χαρτοφυλάκια εφαρμογών για να εντοπίσουμε υποψήφιες εφαρμογές υψηλών δυνατοτήτων για εξορθολογισμό.
• Ομαδοποίηση περιεχομένου – Μπορείτε να χρησιμοποιήσετε ενσωματώσεις για να διευκολύνετε την ομαδοποίηση παρόμοιου περιεχομένου σε κατηγορίες που μπορεί να μην γνωρίζετε εκ των προτέρων. Για παράδειγμα, ας υποθέσουμε ότι είχατε μια συλλογή από μηνύματα ηλεκτρονικού ταχυδρομείου πελατών ή κριτικές προϊόντων στο διαδίκτυο. Θα μπορούσατε να δημιουργήσετε ενσωματώσεις για κάθε στοιχείο και, στη συνέχεια, να εκτελέσετε αυτές τις ενσωματώσεις k-σημαίνει ομαδοποίηση για τον εντοπισμό λογικών ομάδων ανησυχιών πελατών, επαίνους ή καταγγελιών προϊόντων ή άλλων θεμάτων. Στη συνέχεια, μπορείτε να δημιουργήσετε εστιασμένες περιλήψεις από το περιεχόμενο αυτών των ομάδων χρησιμοποιώντας ένα LLM.

Παράδειγμα σημασιολογικής αναζήτησης

Σε μας παράδειγμα στο GitHub, παρουσιάζουμε μια απλή εφαρμογή αναζήτησης ενσωματώσεων με τα Amazon Titan Text Embeddings, LangChain και Streamlit.

Το παράδειγμα αντιστοιχίζει το ερώτημα ενός χρήστη με τις πλησιέστερες εγγραφές σε μια διανυσματική βάση δεδομένων στη μνήμη. Στη συνέχεια, εμφανίζουμε αυτές τις αντιστοιχίες απευθείας στη διεπαφή χρήστη. Αυτό μπορεί να είναι χρήσιμο εάν θέλετε να αντιμετωπίσετε προβλήματα σε μια εφαρμογή RAG ή να αξιολογήσετε απευθείας ένα μοντέλο ενσωματώσεων.

Για απλότητα, χρησιμοποιούμε τη μνήμη FAISS βάση δεδομένων για αποθήκευση και αναζήτηση διανυσμάτων ενσωματώσεων. Σε ένα πραγματικό σενάριο σε κλίμακα, πιθανότατα θα θέλετε να χρησιμοποιήσετε ένα μόνιμο χώρο αποθήκευσης δεδομένων όπως το διανυσματική μηχανή για το Amazon OpenSearch χωρίς διακομιστή ή η pgvector επέκταση για PostgreSQL.

Δοκιμάστε μερικές προτροπές από την εφαρμογή Ιστού σε διαφορετικές γλώσσες, όπως οι ακόλουθες:

• Πώς μπορώ να παρακολουθώ τη χρήση μου;
• Πώς μπορώ να προσαρμόσω τα μοντέλα;
• Ποιες γλώσσες προγραμματισμού μπορώ να χρησιμοποιήσω;
• Σχολιάστε mes données sont-elles sécurisées ?
• 私のデータはどのように保護されていますか?
• Quais fornecedores de modelos estão disponíveis por meio do Bedrock;
• Στο welchen Regionen ist Amazon Bedrock verfügbar;
• 有哪些级别的支持?

Σημειώστε ότι παρόλο που το υλικό πηγής ήταν στα αγγλικά, τα ερωτήματα σε άλλες γλώσσες αντιστοιχίστηκαν με σχετικές καταχωρήσεις.

Συμπέρασμα

Οι δυνατότητες δημιουργίας κειμένου των μοντέλων θεμελίωσης είναι πολύ συναρπαστικές, αλλά είναι σημαντικό να θυμάστε ότι η κατανόηση κειμένου, η εύρεση σχετικού περιεχομένου από ένα σύνολο γνώσεων και η δημιουργία συνδέσεων μεταξύ αποσπασμάτων είναι ζωτικής σημασίας για την επίτευξη της πλήρους αξίας της γενετικής τεχνητής νοημοσύνης. Θα συνεχίσουμε να βλέπουμε νέες και ενδιαφέρουσες θήκες χρήσης για ενσωματώσεις να εμφανίζονται τα επόμενα χρόνια καθώς αυτά τα μοντέλα συνεχίζουν να βελτιώνονται.

Τα επόμενα βήματα

Μπορείτε να βρείτε επιπλέον παραδείγματα ενσωματώσεων ως σημειωματάρια ή εφαρμογές επίδειξης στα ακόλουθα εργαστήρια:

Σχετικά με τους Συγγραφείς

Jason Stehle είναι Senior Solutions Architect στο AWS, με έδρα την περιοχή της Νέας Αγγλίας. Συνεργάζεται με πελάτες για να ευθυγραμμίσει τις δυνατότητες του AWS με τις μεγαλύτερες επιχειρηματικές τους προκλήσεις. Εκτός δουλειάς, ξοδεύει το χρόνο του χτίζοντας πράγματα και παρακολουθώντας ταινίες κόμικς με την οικογένειά του.

Νιτίν Ευσέβιος είναι Sr. Enterprise Solutions Architect στην AWS, με εμπειρία στη Μηχανική Λογισμικού, την Enterprise Architecture και την AI/ML. Είναι βαθιά παθιασμένος με την εξερεύνηση των δυνατοτήτων της γενετικής τεχνητής νοημοσύνης. Συνεργάζεται με πελάτες για να τους βοηθήσει να δημιουργήσουν καλά αρχιτεκτονημένες εφαρμογές στην πλατφόρμα AWS και είναι αφοσιωμένος στην επίλυση τεχνολογικών προκλήσεων και στην παροχή βοήθειας στο ταξίδι τους στο cloud.

Raj Pathak είναι Κύριος Αρχιτέκτονας Λύσεων και Τεχνικός Σύμβουλος σε μεγάλες εταιρείες του Fortune 50 και μεσαίου μεγέθους ιδρύματα χρηματοοικονομικών υπηρεσιών (FSI) σε όλο τον Καναδά και τις Ηνωμένες Πολιτείες. Εξειδικεύεται σε εφαρμογές μηχανικής εκμάθησης όπως η γενετική τεχνητή νοημοσύνη, η επεξεργασία φυσικής γλώσσας, η έξυπνη επεξεργασία εγγράφων και τα MLOps.

Μάνι Χανιούγια είναι επικεφαλής της τεχνολογίας – Generative AI Specialists, συγγραφέας του βιβλίου – Applied Machine Learning and High Performance Computing στο AWS και μέλος του Διοικητικού Συμβουλίου του Ιδρύματος για τις Γυναίκες στο Manufacturing Education. Διευθύνει έργα μηχανικής μάθησης (ML) σε διάφορους τομείς όπως η όραση υπολογιστών, η επεξεργασία φυσικής γλώσσας και η γενετική τεχνητή νοημοσύνη. Βοηθά τους πελάτες να κατασκευάσουν, να εκπαιδεύσουν και να αναπτύξουν μεγάλα μοντέλα μηχανικής εκμάθησης σε κλίμακα. Μιλάει σε εσωτερικά και εξωτερικά συνέδρια όπως το re:Invent, το Women in Manufacturing West, τα διαδικτυακά σεμινάρια στο YouTube και το GHC 23. Στον ελεύθερο χρόνο της, της αρέσει να κάνει μεγάλες διαδρομές στην παραλία.

Μαρκ Ρόι είναι ένας κύριος αρχιτέκτονας μηχανικής εκμάθησης για το AWS, που βοηθά τους πελάτες να σχεδιάσουν και να δημιουργήσουν λύσεις AI/ML. Το έργο του Mark καλύπτει ένα ευρύ φάσμα περιπτώσεων χρήσης ML, με πρωταρχικό ενδιαφέρον για την όραση υπολογιστών, τη βαθιά μάθηση και την κλιμάκωση της ML σε όλη την επιχείρηση. Έχει βοηθήσει εταιρείες σε πολλούς κλάδους, συμπεριλαμβανομένων των ασφαλίσεων, των χρηματοοικονομικών υπηρεσιών, των μέσων ενημέρωσης και της ψυχαγωγίας, της υγειονομικής περίθαλψης, των επιχειρήσεων κοινής ωφελείας και της μεταποίησης. Ο Mark κατέχει έξι Πιστοποιήσεις AWS, συμπεριλαμβανομένης της Πιστοποίησης Ειδικότητας ML. Πριν από την ένταξή του στην AWS, ο Mark ήταν αρχιτέκτονας, προγραμματιστής και ηγέτης τεχνολογίας για περισσότερα από 25 χρόνια, συμπεριλαμβανομένων 19 ετών στις χρηματοοικονομικές υπηρεσίες.

• SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
• PlatoData.Network Vertical Generative Ai. Ενδυναμώστε τον εαυτό σας. Πρόσβαση εδώ.
• PlatoAiStream. Web3 Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
• PlatoESG. Ανθρακας, Cleantech, Ενέργεια, Περιβάλλον, Ηλιακός, Διαχείριση των αποβλήτων. Πρόσβαση εδώ.
• PlatoHealth. Ευφυΐα βιοτεχνολογίας και κλινικών δοκιμών. Πρόσβαση εδώ.
• πηγή: https://aws.amazon.com/blogs/machine-learning/getting-started-with-amazon-titan-text-embeddings/