Keelemudelite abil dokumentide automaatse kokkuvõtte tegemise tehnikad | Amazoni veebiteenused

Kokkuvõte on suure teabe kompaktsesse ja tähendusrikkasse vormi koondamise tehnika ning see on meie teaberikkal ajastul tõhusa suhtluse nurgakivi. Andmeid täis maailmas säästab pikkade tekstide lühikokkuvõtete tegemine aega ja aitab teha teadlikke otsuseid. Kokkuvõte koondab sisu, säästes aega ja parandades selgust, esitades teavet lühidalt ja sidusalt. Kokkuvõtete tegemine on otsustamisel ja suurte sisumahtude haldamisel hindamatu.

Kokkuvõtemeetoditel on lai valik rakendusi, mis teenivad erinevaid eesmärke, näiteks:

• Uudiste koondamine - Uudiste koondamine hõlmab uudisteartiklite kokkuvõtmist meediatööstuse uudiskirjaks
• Õigusdokumentide kokkuvõte - Õigusdokumentide kokkuvõte aitab juriidilistel spetsialistidel hankida olulist juriidilist teavet pikkadest dokumentidest, nagu tingimused, tingimused ja lepingud
• Akadeemiline uurimistöö - Kokkuvõte märgib, indekseerib, koondab ja lihtsustab akadeemiliste tööde olulist teavet
• Blogide ja veebisaitide sisu kureerimine – Saate luua lugejatele kaasahaaravaid ja originaalseid sisukokkuvõtteid, eriti turunduses
• Finantsaruanded ja turuanalüüs - saate välja võtta rahalisi teadmisi aruannetest ja koostada kokkuvõtteid finantssektori investorite esitlusteks

Tänu loomuliku keele töötlemise (NLP), keelemudelite ja generatiivse tehisintellekti arengule on erineva pikkusega tekstide kokkuvõtete tegemine muutunud kättesaadavamaks. Tööriistad nagu LangChain, kombineerituna suure keelemudeliga (LLM), mida toidab Amazonase aluspõhi or Amazon SageMaker JumpStart, lihtsustada rakendusprotsessi.

Selles postituses käsitletakse järgmisi kokkuvõtete tegemise tehnikaid:

• Väljavõtteline kokkuvõte BERT-i väljavõttelise kokkuvõtte abil
• Abstraktne kokkuvõte spetsiaalsete kokkuvõtlike mudelite ja LLM-ide abil
• Kaks mitmetasandilist kokkuvõtte tehnikat:
  • Ekstraktiivse-abstraktse sisu kokkuvõtte strateegia (EACSS) abil
  • Abstraktne-abstraktne kokkuvõte kasutades Map Reduce ja Map ReRank

Täieliku koodinäidise leiate aadressilt GitHub repo. Te saate käivitage see lahendus in Amazon SageMaker Studio.

AWS-i konsooli avamiseks klõpsake siin ja järgige seda.

Kokkuvõtete tüübid

Teksti kokkuvõtmiseks on mitu tehnikat, mis jagunevad laias laastus kaheks peamiseks lähenemisviisiks: ekstraheeriv ja abstraktne kokkuvõte. Lisaks sisaldavad mitmetasandilised kokkuvõtemeetodid mitmeid samme, mis ühendavad nii ekstraheerivaid kui ka abstraktseid tehnikaid. Need mitmetasandilised lähenemisviisid on kasulikud teksti käsitlemisel, mille märgid on pikemad kui LLM-i piirmäär, võimaldades mõista keerulisi narratiive.

Väljavõtteline kokkuvõte

Väljavõtteline kokkuvõte on NLP-s ja tekstianalüüsis kasutatav tehnika võtmelausete eraldamise teel kokkuvõtte loomiseks. Selle asemel, et luua uusi lauseid või sisu, nagu abstraktse kokkuvõtte puhul, tugineb väljavõtlik kokkuvõte algteksti kõige asjakohasemate ja informatiivsemate osade tuvastamisele ja väljatõmbamisele, et luua tihendatud versioon.

Väljavõtetel kokkuvõtetel on küll piiranguid, kuigi see on kasulik originaalsisu säilitamiseks ja suure loetavuse tagamiseks, võttes otse lähtetekstist olulised laused. Sellel puudub loovus, see ei suuda luua uudseid lauseid ja võib jätta tähelepanuta nüansirikkad üksikasjad, mis võivad olulise teabe puududa. Lisaks võib see koostada pikki kokkuvõtteid, mis mõnikord tekitavad lugejatele liigset ja soovimatut teavet. Ekstraktiivseid kokkuvõtetehnikaid on palju, nt TextRank ja LexRank. Selles postituses keskendume BERTi väljavõtlikule kokkuvõttele.

BERTi väljavõttev kokkuvõte

. BERTi väljavõttev kokkuvõte on väljavõtva kokkuvõtte mudeli tüüp, mis kasutab tekstist kõige olulisemate lausete eraldamiseks BERT-i keelemudelit. BERT on eelkoolitatud keelemudel, mida saab erinevate ülesannete jaoks, sealhulgas teksti kokkuvõtete tegemiseks, viimistleda. See toimib nii, et esmalt manustatakse laused teksti BERT-i abil. See loob iga lause jaoks vektorkujutise, mis kajastab selle tähendust ja konteksti. Seejärel kasutab mudel lausete rühmitamiseks klastriteks rühmitamise algoritmi. Kokkuvõtte moodustamiseks valitakse laused, mis on iga klastri keskpunktile kõige lähemal.

Võrreldes LLM-idega on BERTi väljavõtva kokkuvõtte eeliseks see, et mudelit on suhteliselt lihtne koolitada ja juurutada ning see on paremini seletatav. Puuduseks on see, et kokkuvõte pole loominguline ega genereeri lauseid. See valib ainult laused algtekstist. See piirab selle võimet teha kokkuvõtteid keerulistest või nüansirikastest tekstidest.

Abstraktne kokkuvõte

Abstraktne kokkuvõte on tehnika, mida kasutatakse NLP-s ja tekstianalüüsis, et luua kokkuvõte, mis ületab lähtetekstist lausete või fraaside väljavõtmist. Olemasoleva sisu valimise ja ümberkorraldamise asemel genereerib abstraktne kokkuvõte uusi lauseid või fraase, mis tabavad originaalteksti põhitähenduse ja põhiideed tihendatumal ja sidusamal kujul. Selline lähenemine nõuab, et mudel mõistaks teksti sisu ja väljendaks seda viisil, mis ei pruugi algmaterjalis esineda.

Spetsiaalsed kokkuvõtlikud mudelid

Need eelkoolitatud loomuliku keele mudelid, nt BART ja PEGASUS, on spetsiaalselt kohandatud teksti kokkuvõtete tegemiseks. Nad kasutavad kodeerija-dekoodri arhitektuuri ja on oma kolleegidega võrreldes väiksemate parameetritega. See vähendatud suurus võimaldab peenhäälestamist ja juurutamist väiksematel eksemplaridel hõlpsalt. Siiski on oluline märkida, et nendel kokkuvõtemudelitel on ka väiksemad sisend- ja väljundmärgid. Erinevalt nende üldisema kasutusega mudelitest on need mudelid mõeldud ainult kokkuvõtete tegemiseks. Sellest tulenevalt on nende mudelite jaoks vajalik sisend ainult tekst, mis tuleb kokku võtta.

Suured keelemudelid

A suur keelemudel viitab mis tahes mudelile, mis läbib koolituse ulatuslike ja mitmekesiste andmekogumitega, tavaliselt suures mahus enesejärelevalvega õppimise kaudu, ja mida on võimalik peenhäälestada, et see sobiks paljude konkreetsete allavoolu ülesannetega. Need mudelid on parameetritelt suuremad ja toimivad ülesannetes paremini. Eelkõige on neil oluliselt suuremad sisendmärgi suurused, mõned neist on suuremad kuni 100,000, nagu Anthropic's Claude. Ühe neist mudelitest kasutamiseks pakub AWS täielikult hallatavat teenust Amazon Bedrock. Kui vajate mudeliarenduse elutsükli üle suuremat kontrolli, saate LLM-id juurutada SageMakeri kaudu.

Arvestades nende mitmekülgsust, nõuavad need mudelid konkreetseid ülesandejuhiseid, mis esitatakse sisendteksti kaudu, mida nimetatakse praktikaks kiire inseneritöö. See loomeprotsess annab mudeli tüübi ja sisendteksti põhjal erinevaid tulemusi. Nii mudeli jõudluse kui ka viipe kvaliteedi efektiivsus mõjutavad oluliselt mudeli väljundite lõppkvaliteeti. Järgmised on mõned näpunäited, kui projekteerimine nõuab kokkuvõtet.

• Lisage kokkuvõtte tegemiseks tekst – Sisestage tekst, mis tuleb kokku võtta. See on kokkuvõtte lähtematerjal.
• Määratlege ülesanne – Märkige selgelt, et eesmärk on teksti kokkuvõte. Näiteks "Tehke järgmise teksti kokkuvõte: [sisestage tekst]."
• Pakkuge konteksti – Pakkuge antud tekstile lühike sissejuhatus või kontekst, mis vajab kokkuvõtet. See aitab mudelil mõista sisu ja konteksti. Näiteks: "Teile antakse järgmine artikkel tehisintellekti ja selle rolli kohta tervishoius: [sisendtekst]."
• Küsi kokkuvõtet – Paluge mudelil koostada esitatud tekstist kokkuvõte. Tehke endale selgeks kokkuvõtte soovitud pikkus või formaat. Näiteks "Palun koostage tehisintellekti ja selle rolli kohta tervishoius käsitletud artiklist lühike kokkuvõte: [sisendtekst]."
• Määrake piirangud või pikkusejuhised – Valikuliselt suunake kokkuvõtte pikkust, määrates soovitud sõnade arvu, lausete arvu või tähemärgipiirangu. Näiteks "Looge kokkuvõte, mis ei ole pikem kui 50 sõna: [sisestage tekst]."

Tõhus kiire projekteerimine on ülioluline tagamaks, et loodud kokkuvõtted on täpsed, asjakohased ja kavandatud kokkuvõtliku ülesandega kooskõlas. Täpsustage katsete ja iteratsioonidega viipa optimaalse kokkuvõtliku tulemuse saamiseks. Kui olete viipade tõhususe kindlaks teinud, saate neid uuesti kasutada, kasutades viipade mallid.

Mitmetasandiline kokkuvõte

Väljavõttelised ja abstraktsed kokkuvõtted on kasulikud lühemate tekstide puhul. Kui aga sisendtekst ületab mudeli maksimaalse märgilimiidi, muutub vajalikuks mitmetasandiline kokkuvõte. Mitmetasandiline kokkuvõte hõlmab erinevate kokkuvõtetehnikate (nt ekstraheerivad ja abstraktsed meetodid) kombinatsiooni, et tõhusalt tihendada pikemaid tekste, rakendades kokkuvõteprotsesside mitut kihti. Selles jaotises käsitleme kahte mitmetasandilist kokkuvõtete tegemise tehnikat: ekstraktiivne-abstraktiivne kokkuvõte ja abstraktne-abstraktiivne kokkuvõte.

Ekstraktiivne-abstraktiivne kokkuvõte

Väljavõte-abstraktiivne kokkuvõte toimib nii, et esmalt genereeritakse tekstist väljavõte. Seejärel kasutab see abstraktse kokkuvõtte süsteemi, et täpsustada väljavõtet, muutes selle kokkuvõtlikumaks ja informatiivsemaks. See suurendab täpsust, pakkudes informatiivsemaid kokkuvõtteid võrreldes ainult kaevandamismeetoditega.

Ekstraktiivse-abstraktse sisu kokkuvõtte strateegia

EACSS-tehnika ühendab endas kahe võimsa tehnika tugevused: ekstraheerimisfaasi BERT-i ekstraktiivne kokkuvõte ja abstraktse faasi LLM-id, nagu on näidatud järgmisel diagrammil.

EACSS pakub mitmeid eeliseid, sealhulgas olulise teabe säilitamine, parem loetavus ja kohandatavus. EACSS-i rakendamine on aga arvutuslikult kulukas ja keeruline. Esineb potentsiaalse teabekao oht ja kokkuvõtte kvaliteet sõltub suuresti aluseks olevate mudelite toimimisest, mistõttu on mudeli hoolikas valik ja häälestamine optimaalsete tulemuste saavutamiseks hädavajalikud. Rakendamine hõlmab järgmisi samme:

1. Esimene samm on jagada suur dokument, näiteks raamat, väiksemateks osadeks või tükid. Need osad määratletakse lausete, lõikude või isegi peatükkidena, olenevalt kokkuvõtte soovitud detailsusest.
2. Kaevandamisetapi jaoks kasutame BERT-i kaevandavat kokkuvõtet. See komponent toimib nii, et põimib laused igasse tükki ja seejärel kasutab klastri tsentroididele kõige lähemal olevate lausete tuvastamiseks rühmitusalgoritmi. See väljavõttev samm aitab säilitada igast tükist kõige olulisema ja asjakohasema sisu.
3. Olles loonud iga tüki kohta ekstraheerivad kokkuvõtted, liigume edasi abstraktse kokkuvõtte faasi. Siin kasutame LLM-e, mis on tuntud oma võime poolest luua sidusaid ja kontekstipõhiseid kokkuvõtteid. Need mudelid kasutavad väljavõetud kokkuvõtteid sisendina ja loovad abstraktsed kokkuvõtted, mis kajastavad originaaldokumendi olemust, tagades samas loetavuse ja sidususe.

Kombineerides ekstraheerivaid ja abstraktseid kokkuvõtetehnikaid, pakub see lähenemisviis tõhusat ja kõikehõlmavat viisi pikkade dokumentide, näiteks raamatute kokkuvõtmiseks. See tagab olulise teabe eraldamise, võimaldades samal ajal koostada sisutihedaid ja inimloetavaid kokkuvõtteid, muutes selle väärtuslikuks tööriistaks erinevate rakenduste jaoks dokumentide kokkuvõtete tegemise valdkonnas.

Abstraktiivne-abstraktiivne kokkuvõte

Abstraktiivne-abstraktiivne kokkuvõte on lähenemine, kus abstraktseid meetodeid kasutatakse nii kokkuvõtete väljavõtmiseks kui ka genereerimiseks. See pakub märkimisväärseid eeliseid, sealhulgas paremat loetavust, sidusust ja paindlikkust kokkuvõtte pikkuse ja detailide reguleerimiseks. See on suurepärane keele genereerimisel, võimaldades ümbersõnastamist ja vältida liiasust. Siiski on puudusi. Näiteks on see arvutuslikult kulukas ja ressursimahukas ning selle kvaliteet sõltub suuresti aluseks olevate mudelite tõhususest, mis, kui see pole hästi koolitatud või mitmekülgne, võib mõjutada loodud kokkuvõtete kvaliteeti. Mudelite valik on nende väljakutsete leevendamiseks ja kvaliteetsete abstraktsete kokkuvõtete tagamiseks ülioluline. Abstraktiivne-abstraktiivne kokkuvõtte tegemiseks käsitleme kahte strateegiat: Map Reduce ja Map ReRank.

Kaardi vähendamine LangChaini abil

See kaheetapiline protsess hõlmab a Kaardi samm ja sammu vähendamine, nagu on näidatud järgmisel diagrammil. See meetod võimaldab teil teha kokkuvõtte sisendist, mis on pikem kui mudeli sisendmärgi limiit.

Protsess koosneb kolmest põhietapist:

1. Korpused on jagatud väiksemateks tükkideks, mis sobivad LLM-i märgipiiranguga.
2. Kasutame kaardisammu, et individuaalselt rakendada LLM-ahelat, mis eraldab igast lõigust kogu olulise teabe ja selle väljundit kasutatakse uue lõiguna. Sõltuvalt korpuse suurusest ja struktuurist võib see olla läbivate teemade või lühikeste kokkuvõtete kujul.
3. Samm Vähendab ühendab kaardietapi või vähendamise sammu väljundlõigud nii, et see sobib märgipiiranguga ja edastab selle LLM-i. Seda protsessi korratakse, kuni lõppväljund on ainsus.

Selle tehnika kasutamise eeliseks on see, et see on väga skaleeritav ja paralleelne. Kogu töötlemine igas etapis on üksteisest sõltumatu, mis kasutab ära hajutatud süsteeme või serverita teenuseid ja väiksemat arvutusaega.

Kaardistage ReRank LangChaini abil

See ahel käivitab iga dokumendi puhul esialgse viipa, mis mitte ainult ei proovi ülesannet täita, vaid annab ka hinde selle kohta, kui kindel see oma vastuses on. Tagatakse kõrgeima punktisumma saanud vastus.

See meetod on väga sarnane Map Reduce'iga, kuid selle eeliseks on see, et see nõuab vähem üldisi kõnesid, mis muudab kokkuvõtte tegemise protsessi sujuvamaks. Selle piiranguks on aga võimetus ühendada teavet mitme dokumendi vahel. See piirang muudab selle kõige tõhusamaks stsenaariumide puhul, kus ühest dokumendist oodatakse ühte, otsest vastust, muutes selle vähem sobivaks keerukamate või mitmetahulisemate teabeotsinguülesannete jaoks, mis hõlmavad mitut allikat. Konteksti ja andmete olemuse hoolikas kaalumine on selle meetodi sobivuse kindlakstegemiseks konkreetsete kokkuvõtlike vajaduste jaoks hädavajalik.

Cohere ReRank kasutab semantilist ümberpaigutamissüsteemi, mis kontekstualiseerib kasutaja päringu tähenduse märksõna asjakohasusest kaugemale. Seda kasutatakse nii vektorsalvestussüsteemide kui ka märksõnapõhiste otsingumootorite puhul, mis annab sellele paindlikkuse.

Kokkuvõtte tegemise tehnikate võrdlemine

Igal kokkuvõtlikul tehnikal on oma ainulaadsed eelised ja puudused:

• Väljavõtteline kokkuvõte säilitab algse sisu ja tagab hea loetavuse, kuid puudub loomingulisus ja võib anda pikki kokkuvõtteid.
• Abstraktne kokkuvõte pakub loovust ja loob sisutihedaid, ladusaid kokkuvõtteid, kuid sellega kaasneb tahtmatu sisu muutmise oht, väljakutsed keele täpsuses ja ressursimahukas arendus.
• Ekstraktiivne-abstraktne mitmetasandiline kokkuvõte võtab tõhusalt kokku suured dokumendid ja pakub paremat paindlikkust mudelite ekstraktiivse osa peenhäälestamisel. Kuid see on kallis, aeganõudev ja puudub paralleelsus, mis muudab parameetrite häälestamise keeruliseks.
• Abstraktiivne-abstraktiivne mitmetasandiline kokkuvõte teeb tõhusalt kokkuvõtteid ka suurtest dokumentidest ning paistab silma parema loetavuse ja sidususe poolest. Kuid see on arvutuslikult kulukas ja ressursimahukas, sõltudes suuresti aluseks olevate mudelite tõhususest.

Mudeli hoolikas valik on selle lähenemisviisi puhul ülioluline väljakutsete leevendamiseks ja kvaliteetsete abstraktsete kokkuvõtete tagamiseks. Järgmises tabelis on kokkuvõte igat tüüpi kokkuvõtete võimalustest.

Aspekt	Väljavõtteline kokkuvõte	Abstraktne kokkuvõte	Mitmetasandiline kokkuvõte
Looge loomingulisi ja kaasahaaravaid kokkuvõtteid	Ei	Jah	Jah
Säilitage algne sisu	Jah	Ei	Ei
Tasakaalustage teabe säilitamine ja loovus	Ei	Jah	Jah
Sobib lühikese objektiivse teksti jaoks (sisendteksti pikkus on väiksem kui mudeli maksimaalsed märgid)	Jah	Jah	Ei
Tõhus pikemate ja keeruliste dokumentide (nt raamatute) jaoks (sisestatud teksti pikkus on suurem kui mudeli maksimaalsed märgid)	Ei	Ei	Jah
Ühendab väljavõtte ja sisu genereerimise	Ei	Ei	Jah

Mitmetasandilised kokkuvõtetehnikad sobivad pikkade ja keerukate dokumentide jaoks, kus sisendteksti pikkus ületab mudeli märgipiirangu. Järgmises tabelis võrreldakse neid tehnikaid.

Tehnika	Eelised	Puudused
EACSS (väljavõte-abstraktiivne)	Säilitab olulise teabe, annab võimaluse mudelite ekstraktiivset osa peenhäälestada.	Arvutuslikult kulukas, võimalik teabekaotus ja puudub paralleelsus.
Kaardi vähendamine (abstraktiivne-abstraktiivne)	Skaleeritav ja paralleelne, väiksema arvutusajaga. Parim tehnika loominguliste ja lühikeste kokkuvõtete loomiseks.	Mälumahukas protsess.
Kaardi ReRank (abstraktiivne-abstraktiivne)	Sujuv kokkuvõte koos semantilise järjestusega.	Piiratud teabe ühendamine.

Näpunäiteid teksti kokkuvõtte tegemisel

Teksti kokkuvõtte tegemisel võtke arvesse järgmisi parimaid tavasid.

• Olge teadlik märgi kogusuurusest – Olge valmis teksti poolitama, kui see ületab mudeli märgipiiranguid, või kasutage LLM-ide kasutamisel mitut taset kokkuvõtet.
• Olge teadlik andmeallikate tüüpidest ja arvust – Mitmest allikast pärit teabe kombineerimine võib nõuda ümberkujundamist, selget korraldust ja integreerimisstrateegiaid. LangChaini värk on integreeritud paljude erinevate andmeallikatega ja dokumenditüübid. See lihtsustab erinevate dokumentide ja andmeallikate tekstide kombineerimise protsessi selle tehnika kasutamisega.
• Olge teadlik mudelite spetsialiseerumisest – Mõned mudelid võivad teatud tüüpi sisuga silma paista, kuid teistega on hädas. Võib olla peenhäälestatud mudeleid, mis sobivad teie tekstivaldkonnaga paremini.
• Kasutage suurte tekstiosade jaoks mitmetasandilist kokkuvõtet – Mõjupiiranguid ületavate tekstide puhul kaaluge mitmetasandilist kokkuvõtlikku lähenemist. Alustage kõrgetasemelise kokkuvõttega, et tabada peamised ideed, ja seejärel tehke üksikasjalikuma ülevaate saamiseks järk-järgult kokkuvõte alajaotistest või peatükkidest.
• Tehke tekstist kokkuvõte teemade kaupa – See lähenemisviis aitab säilitada loogilist voogu ja vähendada teabekadu ning seab esikohale olulise teabe säilitamise. Kui kasutate LLM-e, koostage selged ja konkreetsed juhised, mis suunavad mudelit kogu teksti asemel konkreetse teema kokkuvõtte tegemiseks.

Järeldus

Kokkuvõte on meie teaberikkal ajastul ülioluline tööriist, mis võimaldab ulatuslikku teavet tõhusalt kokkuvõtlikuks ja sisukaks vormiks destilleerida. See mängib erinevates valdkondades keskset rolli, pakkudes mitmeid eeliseid. Kokkuvõtete tegemine säästab aega, edastades kiiresti oluliste dokumentide sisu, hõlbustab otsustamist, eraldades kriitilist teavet, ning parandab arusaamist haridusest ja sisu kureerimisest.

See postitus andis põhjaliku ülevaate erinevatest kokkuvõtetehnikatest, sealhulgas ekstraheerivatest, abstraktsetest ja mitmetasandilistest lähenemisviisidest. Selliste tööriistade nagu LangChain ja keelemudelid abil saate kasutada kokkuvõtete tegemise võimet suhtluse sujuvamaks muutmiseks, otsuste tegemise parandamiseks ja tohutute teabehoidlate täieliku potentsiaali avamiseks. Selle postituse võrdlustabel aitab teil leida teie projektide jaoks kõige sobivamad kokkuvõtetehnikad. Lisaks on postituses jagatud näpunäited väärtuslikeks juhisteks, et vältida korduvaid vigu teksti kokkuvõtete tegemisel LLM-idega katsetamisel. See praktiline nõuanne annab teile võimaluse saadud teadmisi rakendada, tagades projektides eduka ja tõhusa kokkuvõtete tegemise.

viited

---

Autoritest

Nick Biso on masinõppeinsener ettevõttes AWS Professional Services. Ta lahendab keerukaid organisatsioonilisi ja tehnilisi väljakutseid, kasutades andmeteadust ja inseneriteadust. Lisaks ehitab ja juurutab ta AWS Cloudis AI/ML mudeleid. Tema kirg ulatub tema kalduvuseni reisida ja saada erinevaid kultuurilisi kogemusi.

Suhas chowdary Jonnalagadda on AWS Global Servicesi andmeteadlane. Ta on kirglik aidata ettevõtetel klientidel AI/ML abil nende kõige keerukamaid probleeme lahendada. Ta on aidanud kliente muuta nende ärilahendusi erinevates tööstusharudes, sealhulgas rahanduses, tervishoius, panganduses, e-kaubanduses, meedias, reklaamis ja turunduses.

Tabby Ward on peamine pilvearhitekt/strateegiline tehniline nõustaja, kellel on laialdased kogemused klientide migreerimisel ning nende rakenduste töökoormuse ja teenuste ajakohastamisel AWS-ile. Üle 25-aastase tarkvaraarenduse ja -arhitektuuri kogemusega teda tunnustatakse nii oma süvasukeldumisoskuse kui ka oskusliku klientide ja partnerite usalduse teenimise eest, et kujundada arhitektuure ja lahendusi mitmete tehnoloogiapakkide ja pilvepakkujate vahel.

Shyam Desai on AWS-i suurandmete ja masinõppeteenuste pilveinsener. Ta toetab ettevõtte tasemel suurandmete rakendusi ja kliente, kasutades tarkvaratehnoloogia ja andmeteaduse kombinatsiooni. Tal on laialdased teadmised tehisintellekti arvutinägemise ja pildistamise rakendustest, samuti biomeditsiiniliste ja bioinformaatika rakendustest.

• SEO-põhise sisu ja PR-levi. Võimenduge juba täna.
• PlatoData.Network Vertikaalne generatiivne Ai. Jõustage ennast. Juurdepääs siia.
• PlatoAiStream. Web3 luure. Täiustatud teadmised. Juurdepääs siia.
• PlatoESG. Süsinik, CleanTech, Energia, Keskkond päikeseenergia, Jäätmekäitluse. Juurdepääs siia.
• PlatoTervis. Biotehnoloogia ja kliiniliste uuringute luureandmed. Juurdepääs siia.
• Allikas: https://aws.amazon.com/blogs/machine-learning/techniques-for-automatic-summarization-of-documents-using-language-models/