Generatiivne AI Põhimudelitel (FM-id) juhitavad rakendused võimaldavad organisatsioonidel, millel on märkimisväärne äriväärtus kliendikogemuse, tootlikkuse, protsesside optimeerimise ja uuenduste vallas. Nende FM-ide kasutuselevõtt hõlmab aga mõningate peamiste väljakutsetega tegelemist, sealhulgas väljundi kvaliteeti, andmete privaatsust, turvalisust, organisatsiooni andmetega integreerimist, kulusid ja tarnimisoskusi.
Selles postituses uurime erinevaid lähenemisviise, mida saate kasutada generatiivset AI-d kasutavate rakenduste loomisel. Tänu FM-ide kiirele arengule on käes põnev aeg nende võimsuse ärakasutamiseks, aga ka oluline on mõista, kuidas neid äritulemuste saavutamiseks õigesti kasutada. Anname ülevaate peamistest generatiivsetest AI-lähenemistest, sealhulgas kiirest inseneritööst, taasesitamise laiendatud genereerimisest (RAG) ja mudeli kohandamisest. Nende lähenemisviiside rakendamisel arutame peamisi kaalutlusi võimalike hallutsinatsioonide, ettevõtteandmetega integreerimise, väljundi kvaliteedi ja maksumuse kohta. Lõpuks on teil olemas kindlad juhised ja kasulik vooskeemi, mille abil saate kindlaks teha parima meetodi oma FM-toega rakenduste arendamiseks, tuginedes tegelikele näidetele. Olenemata sellest, kas loote vestlusroboti või kokkuvõttetööriista, saate kujundada võimsaid FM-e vastavalt oma vajadustele.
Generatiivne AI koos AWS-iga
FM-ide esilekerkimine loob nii võimalusi kui ka väljakutseid organisatsioonidele, kes soovivad neid tehnoloogiaid kasutada. Peamine väljakutse on tagada kvaliteetsed ja ühtsed väljundid, mis vastavad ettevõtte vajadustele, mitte hallutsinatsioonidele või valeteabele. Samuti peavad organisatsioonid hoolikalt juhtima andmete privaatsus- ja turvariske, mis tulenevad omandiõigusega kaitstud andmete töötlemisest FM-idega. FM-ide õigeks integreerimiseks, kohandamiseks ja kinnitamiseks olemasolevates süsteemides ja andmetes vajalikke oskusi napib. Suurte keelemudelite (LLM) nullist loomine või eelkoolitatud mudelite kohandamine nõuab märkimisväärseid arvutusressursse, asjatundlikke andmeteadlasi ja kuudepikkust inseneritööd. Ainuüksi arvutuskulud võivad kergesti ulatuda miljonite dollariteni, et koolitada sadade miljardite parameetritega mudeleid massiivsetel andmekogudel, kasutades tuhandeid GPU-sid või TPU-sid. Lisaks riistvarale nõuavad andmete puhastamine ja töötlemine, mudeliarhitektuuri kujundamine, hüperparameetrite häälestamine ja koolitustoru arendamine spetsiaalseid masinõppe (ML) oskusi. Täielik protsess on keeruline, aeganõudev ja enamiku organisatsioonide jaoks ilma vajaliku infrastruktuuri ja talentideta investeeringuteta ülemäära kulukas. Organisatsioonid, kes ei suuda neid riske piisavalt käsitleda, võivad avaldada negatiivset mõju oma kaubamärgi mainele, klientide usaldusele, tegevusele ja tuludele.
Amazonase aluspõhi on täielikult hallatav teenus, mis pakub ühe API kaudu valikut suure jõudlusega alusmudeleid (FM-e) juhtivatelt tehisintellekti ettevõtetelt, nagu AI21 Labs, Anthropic, Cohere, Meta, Mistral AI, Stability AI ja Amazon. Amazon Bedrocki serverita kogemusega saate kiiresti alustada, kohandada privaatselt FM-e oma andmetega ning integreerida ja juurutada need oma rakendustesse, kasutades AWS-i tööriistu, ilma et peaksite infrastruktuuri haldama. Amazon Bedrock on HIPAA abikõlblik ja saate kasutada Amazon Bedrocki kooskõlas GDPR-iga. Amazon Bedrockiga ei kasutata teie sisu baasmudelite täiustamiseks ja seda ei jagata kolmandate osapoolte mudelipakkujatega. Teie andmed Amazon Bedrockis on edastamisel ja puhkeolekus alati krüptitud ning valikuliselt saate ressursse krüpteerida oma võtmete abil. Sa võid kasutada AWS PrivateLink Amazon Bedrockiga, et luua privaatne ühenduvus teie FM-ide ja teie VPC vahel ilma liiklust Internetti paljastamata. Koos Amazon Bedrocki teadmistebaasid, saate anda FM-idele ja agentidele kontekstuaalset teavet oma ettevõtte privaatsetest andmeallikatest, et RAG saaks pakkuda asjakohasemaid, täpsemaid ja kohandatud vastuseid. Saate FM-e privaatselt kohandada oma andmetega visuaalse liidese kaudu ilma koodi kirjutamata. Täielikult hallatava teenusena pakub Amazon Bedrock lihtsat arendajakogemust, et töötada paljude suure jõudlusega FM-idega.
Käivitati 2017 Amazon SageMaker on täielikult hallatav teenus, mis muudab ML-mudelite loomise, koolitamise ja juurutamise lihtsaks. Üha enam kliente ehitab SageMakeri abil oma FM-sid, sealhulgas Stabilsuse AI, AI21 Labs, Hugging Face, Perplexity AI, Hippocratic AI, LG AI Research ja Technology Innovation Institute. Et aidata teil kiiresti alustada, Amazon SageMaker JumpStart pakub ML-jaoturit, kus saate uurida, treenida ja juurutada laia valikut avalikke FM-e, nagu Mistrali mudelid, LightOn mudelid, RedPajama, Mosiac MPT-7B, FLAN-T5/UL2, GPT-J-6B/Neox-20B ja Bloom/BloomZ, kasutades selleks spetsiaalselt loodud SageMakeri tööriistu, nagu katsed ja torujuhtmed.
Levinud generatiivsed AI-meetodid
Selles jaotises käsitleme levinud lähenemisviise tõhusate generatiivsete AI-lahenduste rakendamiseks. Uurime populaarseid kiireid inseneritehnikaid, mis võimaldavad teil FM-idega keerukamaid ja huvitavamaid ülesandeid täita. Samuti arutame, kuidas sellised tehnikad nagu RAG ja mudeli kohandamine võivad FM-i võimeid veelgi suurendada ja ületada väljakutseid, nagu piiratud andmemaht ja arvutuslikud piirangud. Õige tehnika abil saate luua võimsaid ja mõjusaid generatiivseid AI-lahendusi.
Kiire inseneritöö
Kiire projekteerimine on viipade hoolikas kavandamine, et FM-i võimalusi tõhusalt ära kasutada. See hõlmab viipade kasutamist, mis on lühikesed tekstitükid, mis juhivad mudelit täpsemate ja asjakohasemate vastuste loomiseks. Kiire inseneritööga saate parandada FM-ide jõudlust ja muuta need mitmesuguste rakenduste jaoks tõhusamaks. Selles jaotises uurime selliseid tehnikaid nagu nullkaadri ja mõne võttega viip, mis kohandab FM-id kiiresti uute ülesannetega vaid mõne näite abil, ja mõtteahela viipasid, mis jagab keerulised arutluskäigud vaheetappideks. Need meetodid näitavad, kuidas kiire projekteerimine võib muuta FM-id keerukate ülesannete korral tõhusamaks, ilma et oleks vaja mudelit ümber õpetada.
Nullkaadri viip
Nullkaadri viipetehnika nõuab, et FM-id genereeriksid vastuse ilma soovitud käitumise kohta selgesõnalisi näiteid esitamata, tuginedes ainult selle eelnevale väljaõppele. Järgmisel ekraanipildil on näide nullpildi viipast Anthropic Claude 2.1 mudeliga Amazon Bedrocki konsoolil.
Nendes juhistes me ei esitanud ühtegi näidet. Mudel saab aga ülesandest aru ja genereerib sobiva väljundi. Nullkaadri viibad on FM-i hindamisel teie kasutusjuhtumi jaoks kõige arusaadavam viipetehnika. Kuigi FM-id on nullkaadri viipadega tähelepanuväärsed, ei pruugi see keerukamate ülesannete puhul alati täpseid või soovitud tulemusi anda. Kui zero-shot prompts ei õnnestu, on soovitatav esitada viipale mõned näited (fow-shot prompts).
Vähese võttega õhutus
Mõne kaadriga viipade tehnika võimaldab FM-idel kontekstis õppida viipade näidete põhjal ja täita ülesannet täpsemalt. Vaid mõne näite abil saate FM-id kiiresti uute ülesannetega kohandada ilma suurte treeningkomplektideta ja suunata neid soovitud käitumiseni. Järgnev on näide mõnest sammust viipast Cohere Command mudeliga Amazon Bedrocki konsoolil.
Eelmises näites suutis FM sisendteksti (arvustuste) põhjal tuvastada olemid ja eraldada seotud tunded. Vähesed viibad on tõhus viis keeruliste ülesannete lahendamiseks, pakkudes paar näidet sisend-väljund paaridest. Lihtsate ülesannete puhul võite tuua ühe näite (1-võte), raskemate ülesannete puhul aga kolm (3-võtet) kuni viis (5-võtet) näidet. Min et al. (2022) avaldas leiud kontekstisisese õppimise kohta, mis võib parandada mõne võttega viipamise tehnika toimivust. Saate kasutada mitmekordseid viipasid mitmesuguste ülesannete jaoks, nagu sentimentide analüüs, olemi tuvastamine, küsimustele vastamine, tõlkimine ja koodi genereerimine.
Mõtteahela õhutus
Vaatamata oma potentsiaalile on väheste võtetega viipadel piiranguid, eriti kui tegemist on keerukate arutlusülesannetega (nt aritmeetilised või loogilised ülesanded). Need ülesanded nõuavad probleemi jaotamist etappideks ja seejärel lahendamist. Wei et al. (2022) tutvustas mõtteahela (CoT) õhutamise tehnikat, et lahendada keerulisi arutlusprobleeme läbi vahepealsete arutluskäikude. Keeruliste ülesannete tulemuste parandamiseks saate kombineerida CoT-i mõne kaadri viipaga. Järgnev on näide arutlusülesandest, mis kasutab Amazon Bedrocki konsoolil oleva Anthropic Claude 2 mudeliga mõne võttega CoT-viipa.
Kojima et al. (2022) tutvustas nullkaadri CoT-i ideed, kasutades FM-ide kasutamata nullkaadri võimalusi. Nende uuringud näitavad, et nullkaadri CoT, kasutades sama ühe viipa malli, ületab märkimisväärselt nullkaadri FM-i jõudlust erinevate võrdlusülesannete puhul. Lihtsate arutlusülesannete jaoks saate kasutada null-shot CoT-viipa, lisades algsele viipale "Mõtleme samm-sammult".
reageerima
CoT-viipamine võib suurendada FM-i arutlusvõimet, kuid see sõltub siiski mudeli sisemistest teadmistest ega võta lisateabe kogumiseks arvesse välist teadmistebaasi ega keskkonda, mis võib põhjustada selliseid probleeme nagu hallutsinatsioonid. ReAct (arutluskäik ja tegutsemine) lähenemine kõrvaldab selle lünga, laiendades CoT-d ja võimaldades dünaamilist arutlust väliskeskkonna (nt Vikipeedia) abil.
Integratsioon
FM-idel on võimalus mõista küsimusi ja anda vastuseid, kasutades oma eelkoolitatud teadmisi. Neil puudub aga suutlikkus vastata päringutele, mis nõuavad juurdepääsu organisatsiooni privaatandmetele või võimet iseseisvalt ülesandeid täita. RAG ja agendid on meetodid nende generatiivsete AI-toega rakenduste ühendamiseks ettevõtte andmekogumitega, võimaldades neil anda vastuseid, mis võtavad arvesse organisatsiooni teavet ja võimaldavad päringutel põhinevaid toiminguid teha.
Täiustatud põlvkonna otsimine
Retrieval Augmented Generation (RAG) võimaldab teil kohandada mudeli vastuseid, kui soovite, et mudel arvestaks uute teadmiste või ajakohase teabega. Kui teie andmed (nt laoseisud või hinnad) muutuvad sageli, ei ole otstarbekas mudelit kasutajate päringute esitamise ajal täpsustada ja värskendada. FM-i varustamiseks ajakohase varalise teabega kasutavad organisatsioonid RAG-i – tehnikat, mis hõlmab andmete toomist ettevõtte andmeallikatest ja viipade rikastamist nende andmetega, et pakkuda asjakohasemaid ja täpsemaid vastuseid.
On mitmeid kasutusjuhtumeid, kus RAG võib aidata parandada FM-i jõudlust:
- Küsimusele vastamine – RAG-mudelid aitavad küsimustele vastamise rakendustel leida ja integreerida dokumentidest või teadmisteallikatest pärinevat teavet, et luua kvaliteetseid vastuseid. Näiteks võib küsimustele vastamise rakendus hankida enne kokkuvõtva vastuse loomist teemakohaseid lõike.
- Vestlusbotid ja vestlusagendid – RAG võimaldab vestlusrobotidel pääseda juurde olulisele teabele suurtest välistest teadmiste allikatest. See muudab vestlusroboti vastused teadlikumaks ja loomulikumaks.
- Abi kirjutamisel – RAG võib soovitada asjakohast sisu, fakte ja jutupunkte, mis aitavad teil dokumente (nt artikleid, aruandeid ja e-kirju) tõhusamalt kirjutada. Otsitud teave pakub kasulikku konteksti ja ideid.
- Kokkuvõte – RAG võib leida asjakohaseid algdokumente, lõike või fakte, et täiendada kokkuvõttemudeli arusaamist teemast, võimaldades sellel luua paremaid kokkuvõtteid.
- Loov kirjutamine ja jutuvestmine – RAG saab ammutada olemasolevatest lugudest süžeeideid, tegelasi, seadeid ja loomingulisi elemente, et inspireerida AI lugude genereerimise mudeleid. See muudab väljundi huvitavamaks ja maandatud.
- Tõlge – RAG võib leida näiteid selle kohta, kuidas teatud fraase keelte vahel tõlgitakse. See annab tõlkemudelile konteksti, parandades mitmetähenduslike fraaside tõlkimist.
- Isikupärastamine – Vestlusrobotites ja soovitusrakendustes saab RAG tuua isikliku konteksti, nagu varasemad vestlused, profiiliteave ja eelistused, et muuta vastused isikupärasemaks ja asjakohasemaks.
RAG-raamistiku kasutamisel on mitmeid eeliseid:
- Vähenenud hallutsinatsioonid – Asjakohase teabe hankimine aitab loodud teksti aluseks võtta faktid ja tegelikud teadmised, mitte hallutsineerida teksti. See soodustab täpsemaid, faktilisemaid ja usaldusväärsemaid vastuseid.
- Katmine – Otsimine võimaldab FM-il katta laiemat valikut teemasid ja stsenaariume peale treeningandmete, tõmmates sisse välist teavet. See aitab lahendada piiratud katvuse probleeme.
- Efektiivsus – Otsimine võimaldab mudelil keskenduda oma genereerimisel kõige asjakohasemale teabele, selle asemel, et luua kõike nullist. See suurendab tõhusust ja võimaldab kasutada suuremaid kontekste.
- ohutus – Teabe hankimine nõutavatest ja lubatud andmeallikatest võib parandada haldamist ja kontrolli kahjuliku ja ebatäpse sisu loomise üle. See toetab turvalisemat lapsendamist.
- Skaalautuvus – Indekseerimine ja suurtest korpustest otsimine võimaldab lähenemist paremini skaleerida, võrreldes kogu korpuse kasutamisega genereerimise ajal. See võimaldab teil FM-e kasutusele võtta ressurssidega piiratud keskkondades.
RAG annab kvaliteetseid tulemusi tänu kasutusjuhtumipõhise konteksti laiendamisele otse vektoriseeritud andmesalvedest. Võrreldes kiire inseneritööga annab see oluliselt paremaid tulemusi ja hallutsinatsioonide tõenäosus on väga väike. Saate luua RAG-toega rakendusi oma ettevõtte andmetele kasutades Amazon Kendra. RAG on keerulisem kui kiire inseneritöö, sest selle lahenduse rakendamiseks peavad teil olema kodeerimis- ja arhitektuurioskused. Kuid Amazon Bedrocki teadmistebaasid pakuvad täielikult hallatavat RAG-i kogemust ja kõige lihtsamat viisi Amazon Bedrockis RAG-iga alustamiseks. Amazon Bedrocki teadmistebaasid automatiseerivad täieliku RAG-i töövoogu, sealhulgas allaneelamist, otsimist ja kiiret täiendamist, välistades vajaduse andmeallikate integreerimiseks ja päringute haldamiseks kohandatud koodi kirjutamise järele. Seansi kontekstihaldus on sisse ehitatud, et teie rakendus saaks toetada mitme pöördega vestlusi. Teadmusbaasi vastustele on lisatud allikaviited, et parandada läbipaistvust ja minimeerida hallutsinatsioone. Kõige lihtsam viis generatiivse AI-toega assistendi loomiseks on selle kasutamine Amazon Q, millel on sisseehitatud RAG süsteem.
RAG on arhitektuuri muutmisel kõige paindlikum. Saate muuta manustamismudelit, vektormälu ja FM-i iseseisvalt, mõjutades teisi komponente minimaalsest kuni mõõdukani. RAG-i lähenemisviisi kohta lisateabe saamiseks Amazon OpenSearchi teenus ja Amazon Bedrock, vt Looge vektormootoriga skaleeritavaid ja serverita RAG-töövooge Amazon OpenSearchi serverita ja Amazon Bedrock Claude'i mudelite jaoks. Lisateavet RAG-i rakendamise kohta Amazon Kendraga leiate artiklist Ettevõtteandmete võimsuse kasutamine generatiivse tehisintellektiga: Amazon Kendra, LangChain ja suurte keelemudelite ülevaated.
Agendid
FM-id saavad oma eelkoolitatud teadmiste põhjal päringuid mõista ja neile vastata. Kuid nad ei saa üksi täita ühtegi reaalset ülesannet, nagu lennu broneerimine või ostutellimuse töötlemine. Seda seetõttu, et sellised ülesanded nõuavad organisatsioonispetsiifilisi andmeid ja töövooge, mis tavaliselt vajavad kohandatud programmeerimist. Raamistikud nagu LangChain ja teatud FM-id, nagu Claude'i mudelid, pakuvad API-de ja tööriistadega suhtlemiseks funktsioonide kutsumise võimalusi. Kuid, Amazon Bedrocki agendid, AWS-i uus ja täielikult hallatav AI-funktsioon, mille eesmärk on muuta arendajate jaoks lihtsamaks järgmise põlvkonna FM-ide abil rakenduste loomine. Vaid mõne klõpsuga saab see ülesanded automaatselt jaotada ja luua vajaliku orkestreerimisloogika, ilma et oleks vaja käsitsi kodeerida. Agendid saavad API-de kaudu turvaliselt ühenduse luua ettevõtte andmebaasidega, neelata ja struktureerida andmeid masina tarbimiseks ning täiendada neid kontekstipõhiste üksikasjadega, et anda täpsemaid vastuseid ja täita taotlusi. Kuna see tegeleb integratsiooni ja infrastruktuuriga, võimaldab Agents for Amazon Bedrock teil täielikult ära kasutada generatiivset tehisintellekti ärilistel kasutusjuhtudel. Arendajad saavad nüüd rutiinse torustiku asemel keskenduda oma põhirakendustele. Automatiseeritud andmetöötlus ja API-kõned võimaldavad ka FM-il edastada ajakohastatud, kohandatud vastuseid ja täita tegelikke ülesandeid, kasutades patenteeritud teadmisi.
Mudeli kohandamine
Vundamendimudelid on äärmiselt võimekad ja võimaldavad suurepäraseid rakendusi, kuid teie ettevõtet aitab juhtida generatiivne AI, mis teab, mis on teie klientidele, teie toodetele ja ettevõttele oluline. Ja see on võimalik ainult siis, kui laadite mudeleid oma andmetega üle. Andmed on võti, et liikuda üldistelt rakendustelt kohandatud generatiivsete AI-rakendusteni, mis loovad teie klientidele ja teie ettevõttele tõelist väärtust.
Selles jaotises käsitleme teie FM-ide kohandamise erinevaid tehnikaid ja eeliseid. Kirjeldame, kuidas mudeli kohandamine hõlmab edasist koolitust ja mudeli raskuste muutmist, et parandada selle jõudlust.
Peenhäälestus
Peenhäälestus on eelkoolitatud FM-i (nt Llama 2) võtmine ja selle edasiõppimine allavoolu ülesande jaoks koos sellele ülesandele spetsiifilise andmestikuga. Eelkoolitatud mudel annab üldised keeleteadmised ja peenhäälestus võimaldab sellel spetsialiseeruda ja parandada jõudlust teatud toimingutele, nagu teksti liigitamine, küsimustele vastamine või teksti genereerimine. Peenhäälestusega pakute mudelile konkreetsete ülesannete täitmiseks koolitamiseks märgistatud andmekogumeid, millele on lisatud lisakontekst. Seejärel saate kohandada mudeli parameetreid konkreetse ülesande jaoks vastavalt oma ärikontekstile.
Saate rakendada FM-ide peenhäälestust Amazon SageMaker JumpStart ja Amazoni aluspõhjakivi. Lisateabe saamiseks vaadake Juurutage ja viimistlege põhimudeleid rakenduses Amazon SageMaker JumpStart kahe koodireaga ja Kohandage Amazon Bedrocki mudeleid oma andmetega, kasutades peenhäälestust ja jätkuvat eelkoolitust.
Jätkus eelkoolitus
Amazon Bedrocki jätkuv eelkoolitus võimaldab teil õpetada varem koolitatud mudelit lisaandmetega, mis on sarnased selle algandmetega. See võimaldab mudelil omandada üldisemaid keeleteadmisi, mitte keskenduda ühele rakendusele. Jätkuva eelkoolitusega saate kasutada oma sildistamata andmekogumeid või toorandmeid, et parandada oma domeeni alusmudeli täpsust mudeli parameetrite kohandamise kaudu. Näiteks võib tervishoiuettevõte jätkata oma mudeli eelkoolitamist meditsiiniajakirjade, artiklite ja uurimistööde abil, et muuta see valdkonna terminoloogiaga paremini kursis. Lisateabe saamiseks vaadake Amazon Bedrocki arendaja kogemus.
Mudeli kohandamise eelised
Mudeli kohandamisel on mitmeid eeliseid ja see võib aidata organisatsioonidel teha järgmist.
- Domeenispetsiifiline kohandamine – Saate kasutada üldotstarbelist FM-i ja seejärel täiendada seda konkreetse domeeni (nt biomeditsiinilise, juriidilise või finantsvaldkonna) andmetega. See kohandab mudelit selle domeeni sõnavara, stiili ja muuga.
- Ülesandepõhine peenhäälestus – Saate võtta eelkoolitatud FM-i ja häälestada seda konkreetse ülesande (nt meeleoluanalüüsi või küsimustele vastamise) jaoks andmete põhjal. See on spetsialiseerunud mudelile selle konkreetse ülesande jaoks.
- Isikupärastamine – Saate kohandada FM-i üksikisiku andmetele (e-kirjad, tekstid, tema kirjutatud dokumendid), et kohandada mudelit nende ainulaadse stiiliga. See võib võimaldada rohkem isikupärastatud rakendusi.
- Vähese ressursiga keele häälestamine – Saate vähese ressursiga keelele ümber õpetada ainult mitmekeelse FM-i ülemisi kihte, et seda selle keelega paremini kohandada.
- Vigade parandamine – Kui mudelis avastatakse teatud soovimatuid toiminguid, võib asjakohaste andmete kohandamine aidata mudelit värskendada, et neid vigu vähendada.
Mudeli kohandamine aitab ületada järgmised FM-i kasutuselevõtu väljakutsed:
- Kohanemine uute domeenide ja ülesannetega – Üldiste tekstikorpuste osas eelkoolitatud FM-e tuleb sageli ülesandespetsiifiliste andmete jaoks peenhäälestada, et need töötaksid hästi allvoolu rakendustes. Peenhäälestus kohandab mudelit uute domeenide või ülesannetega, mille jaoks seda algselt ei õpetatud.
- Eelarvamusest üle saamine – FM-id võivad oma algsetest treeningandmetest erineda. Mudeli kohandamine uute andmete põhjal võib vähendada soovimatuid eelarvamusi mudeli väljundites.
- Arvutusefektiivsuse parandamine – Eelkoolitatud FM-id on sageli väga suured ja arvutuslikult kallid. Mudeli kohandamine võib lubada mudeli suurust vähendada, kärpides ebaolulisi parameetreid, muutes juurutamise teostatavamaks.
- Piiratud sihtandmetega tegelemine – Mõnel juhul on sihtülesande jaoks saadaval piiratud reaalmaailma andmed. Mudeli kohandamine kasutab selle andmepuuduse ületamiseks eelnevalt väljaõpetatud kaalusid, mis on õpitud suuremate andmekogumite puhul.
- Ülesande täitmise parandamine – Peenhäälestus parandab peaaegu alati jõudlust sihtülesannete täitmisel võrreldes algsete eeltreenitud raskuste kasutamisega. See mudeli optimeerimine selle kavandatud kasutuse jaoks võimaldab teil FM-e edukalt reaalsetes rakendustes juurutada.
Mudeli kohandamine on keerulisem kui kiire projekteerimine ja RAG, kuna mudeli kaalu ja parameetreid muudetakse häälestusskriptide kaudu, mis nõuab andmeteadust ja ML-teadmisi. Kuid Amazon Bedrock muudab selle lihtsaks, pakkudes teile mudelite kohandamiseks hallatavat kogemust peenhäälestus or jätkus eelkoolitus. Mudeli kohandamine annab ülitäpsed tulemused võrreldava kvaliteediga väljundiga kui RAG. Kuna värskendate domeenipõhiste andmete mudelikaalusid, annab mudel rohkem kontekstipõhiseid vastuseid. Võrreldes RAG-iga võib kvaliteet olenevalt kasutusjuhtumist veidi parem olla. Seetõttu on oluline teha nende kahe tehnika vahel kompromissianalüüs. Võimalik, et saate RAG-i rakendada kohandatud mudeliga.
Ümberõpe või koolitus nullist
Oma tehisintellekti alusmudeli loomine, mitte ainult eelkoolitatud avalike mudelite kasutamine, võimaldab suuremat kontrolli, paremat jõudlust ja kohandamist teie organisatsiooni konkreetsetele kasutusjuhtudele ja andmetele. Kohandatud FM-i loomisse investeerimine võib pakkuda paremat kohanemisvõimet, uuendusi ja võimaluste üle kontrolli. Hajutatud koolitus võimaldab skaleeritavust, mis on vajalik väga suurte FM-ide treenimiseks paljudes masinates tohututel andmekogudel. See paralleelsus muudab teostatavad mudelid, millel on sadu miljardeid parameetreid, mis on treenitud triljonitel žetoonidel. Suurematel mudelitel on suurem õppimis- ja üldistusvõime.
Nullist treenimine võib anda kvaliteetseid tulemusi, kuna mudel õpetab kasutama juhtumipõhiseid andmeid nullist, hallutsinatsioonide tõenäosus on haruldane ja väljundi täpsus võib olla üks suurimaid. Kui aga teie andmekogum pidevalt areneb, võib teil siiski tekkida hallutsinatsiooniprobleeme. Nullist väljaõpe on kõige keerukam ja kõige kulukam. See nõuab kõige rohkem jõupingutusi, kuna see nõuab suure hulga andmete kogumist, nende kureerimist ja töötlemist ning üsna suure FM-i koolitamist, mis nõuab sügavat andmeteadust ja ML-teadmisi. See lähenemisviis on aeganõudev (see võib tavaliselt kesta nädalaid kuni kuid).
Peaksite kaaluma FM-i koolitamist nullist, kui ükski teine võte teie jaoks ei tööta ja teil on võimalus luua FM suure hulga hästi kureeritud tokeniseeritud andmete, keeruka eelarve ja kõrgelt kvalifitseeritud ML-ekspertide meeskonnaga. . AWS pakub kõige arenenumat pilveinfrastruktuuri, et koolitada ja käitada LLM-e ja muid FM-e, mis töötavad GPU-de ja spetsiaalselt loodud ML-i koolituskiibiga, AWS Trainiumja ML-i järelduskiirendi, AWS Inferentia. Lisateavet LLM-ide koolitamise kohta SageMakeris leiate aadressilt Suurte keelemudelite koolitamine rakenduses Amazon SageMaker: parimad tavad ja SageMaker HyperPod.
Õige lähenemisviisi valimine generatiivsete AI-rakenduste arendamiseks
Generatiivsete tehisintellekti rakenduste väljatöötamisel peavad organisatsioonid hoolikalt kaaluma mitmeid võtmetegureid, enne kui valivad oma vajadustele kõige sobivama mudeli. Arvesse tuleks võtta mitmeid aspekte, nagu kulud (tagamaks valitud mudeli vastavust eelarvepiirangutele), kvaliteeti (et tagada ühtne ja faktiliselt täpne väljund), sujuv integreerimine praeguste ettevõtte platvormide ja töövoogudega ning hallutsinatsioonide vähendamine või valeteabe genereerimine. . Kuna saadaval on palju võimalusi, aitab nende aspektide põhjalikuks hindamiseks aega võtmine organisatsioonidel valida generatiivse tehisintellekti mudeli, mis vastab kõige paremini nende konkreetsetele nõuetele ja prioriteetidele. Peaksite hoolikalt uurima järgmisi tegureid:
- Integreerimine ettevõtte süsteemidega – Et FM-id oleksid ettevõtte kontekstis tõeliselt kasulikud, peavad nad olema integreeritud olemasolevate ärisüsteemide ja töövoogudega ning nendega koostööd tegema. See võib hõlmata juurdepääsu andmetele andmebaasidest, ettevõtte ressursside planeerimisest (ERP) ja kliendisuhete haldusest (CRM), samuti toimingute ja töövoogude käivitamisest. Ilma korraliku integreerimiseta võib FM olla isoleeritud tööriist. Ettevõttesüsteemid, nagu ERP, sisaldavad olulisi äriandmeid (kliendid, tooted, tellimused). FM peab olema nende süsteemidega ühendatud, et kasutada ettevõtte andmeid, mitte töötada välja oma teadmiste graafik, mis võib olla ebatäpne või aegunud. See tagab täpsuse ja ühe tõeallika.
- hallutsinatsioonid – Hallutsinatsioonid on siis, kui AI-rakendus genereerib valeteavet, mis näib olevat faktiline. Neid tuleb enne FM-ide laialdast kasutuselevõttu hoolikalt käsitleda. Näiteks võib diagnoosisoovituste pakkumiseks loodud meditsiiniline vestlusbot hallutsineerida üksikasju patsiendi sümptomite või haigusloo kohta, mis võib viia ebatäpse diagnoosi väljapakkumiseni. Selliste kahjulike hallutsinatsioonide vältimine tehniliste lahenduste ja andmekogude kureerimise kaudu on ülioluline, et tagada nende FM-ide usaldusväärsus tundlike rakenduste puhul, nagu tervishoid, rahandus ja õigus. Juurutamisega peab kaasnema põhjalik testimine ja läbipaistvus FM-i treeningandmete ja allesjäänud vigade kohta.
- Oskused ja ressursid – FM-ide edukas kasutuselevõtt sõltub suuresti tehnoloogia tõhusaks kasutamiseks vajalikest oskustest ja ressurssidest. Organisatsioonid vajavad tugevate tehniliste oskustega töötajaid, et FM-e oma konkreetsetele vajadustele vastavalt rakendada, kohandada ja hooldada. Samuti vajavad need keerukate FM-ide käitamiseks rohkelt arvutusressursse, nagu täiustatud riistvara ja pilvandmetöötluse võimalused. Näiteks turundusmeeskond, kes soovib kasutada FM-i reklaamikoopiate ja sotsiaalmeedia postituste loomiseks, vajab süsteemi integreerimiseks kvalifitseeritud insenere, viipade esitamiseks ja väljundi kvaliteedi hindamiseks reklaamijaid ning mudeli kuluefektiivseks kasutuselevõtuks piisavat pilvandmetöötlusvõimsust. Investeerimine asjatundlikkuse ja tehnilise infrastruktuuri arendamisse võimaldab organisatsioonidel saada FM-ide rakendamisest tegelikku äriväärtust.
- Väljundi kvaliteet – FM-ide väljundi kvaliteet on nende kasutuselevõtu ja kasutamise määramisel otsustava tähtsusega, eriti tarbijatele mõeldud rakendustes, nagu vestlusrobotid. Kui FM-idel töötavad vestlusrobotid annavad ebatäpseid, mõttetuid või sobimatuid vastuseid, muutuvad kasutajad kiiresti pettunud ja lõpetavad nendega suhtlemise. Seetõttu peavad ettevõtted, kes soovivad juurutada vestlusroboteid, neid juhtivaid FM-e rangelt testima, et tagada nende järjekindlalt kvaliteetsete, kasulike, asjakohaste ja hea kasutajakogemuse pakkumiseks sobivate vastusete genereerimine. Väljundkvaliteet hõlmab selliseid tegureid nagu asjakohasus, täpsus, sidusus ja asjakohasus, mis kõik aitavad kaasa üldisele kasutaja rahulolule ja muudavad vestlusrobotite jaoks kasutatavate FM-ide kasutuselevõtu või katkestavad selle.
- Maksma – Suurte AI-mudelite (nt FM-id) koolitamiseks ja käitamiseks vajalik suur arvutusvõimsus võib kaasa tuua märkimisväärseid kulusid. Paljudel organisatsioonidel võib puududa selliste massiivsete mudelite kasutamiseks vajalikud rahalised ressursid või pilveinfrastruktuur. Lisaks lisab FM-ide integreerimine ja kohandamine konkreetsete kasutusjuhtude jaoks insenerikulusid. FM-ide kasutamiseks vajalikud märkimisväärsed kulud võivad takistada laialdast kasutuselevõttu, eriti väiksemate ettevõtete ja piiratud eelarvega alustavate ettevõtete seas. Võimaliku investeeringutasuvuse hindamine ja FM-ide kulude ja tulude kaalumine on organisatsioonide jaoks nende rakendust ja kasulikkust silmas pidades ülioluline. Kulutõhusus on tõenäoliselt otsustav tegur selle kindlaksmääramisel, kas ja kuidas neid võimsaid, kuid ressursimahukaid mudeleid on võimalik rakendada.
Disaini otsus
Nagu selles postituses käsitlesime, on praegu saadaval palju erinevaid tehisintellekti tehnikaid, nagu kiire projekteerimine, RAG ja mudeli kohandamine. See lai valik muudab ettevõtete jaoks keeruliseks oma konkreetse kasutusjuhtumi jaoks optimaalse lähenemisviisi leidmise. Õige tehnikakomplekti valimine sõltub erinevatest teguritest, sealhulgas juurdepääsust välistele andmeallikatele, reaalajas andmevoogudele ja kavandatava rakenduse domeenispetsiifilisusest. Kasutusjuhtumi ja kaasatud kaalutluste põhjal kõige sobivama tehnika väljaselgitamise hõlbustamiseks vaatame läbi järgmise vooskeemi, mis annab välja soovitused konkreetsete vajaduste ja piirangute sobitamiseks sobivate meetoditega.
Selge arusaamise saamiseks vaatame läbi disainiotsuse vooskeemi, kasutades mõnda illustreerivat näidet:
- Ettevõtte otsing – Töötaja soovib taotleda oma organisatsioonilt puhkust. Organisatsiooni personalipoliitikaga kooskõlas oleva vastuse pakkumiseks vajab FM rohkem konteksti peale oma teadmiste ja võimaluste. Täpsemalt nõuab FM juurdepääsu välistele andmeallikatele, mis pakuvad asjakohaseid personalijuhiseid ja -poliitikaid. Arvestades seda töötaja taotluse stsenaariumi, mis nõuab välistele domeenispetsiifilistele andmetele viitamist, on vooskeemi järgi soovitatav lähenemine RAG-i kiire projekteerimine. RAG aitab edastada FM-ile asjakohaseid andmeid välistest andmeallikatest kontekstina.
- Ettevõtte otsing organisatsioonipõhise väljundiga – Oletame, et teil on tehnilisi jooniseid ja soovite nendest materjalide arve välja võtta, vormindades väljundi vastavalt tööstusstandarditele. Selleks saate kasutada tehnikat, mis ühendab kiire inseneri RAG-iga ja peenhäälestatud keelemudeli. Peenhäälestatud mudelit õpetatakse koostama materjalide arveid, kui sisendina antakse tehnilisi jooniseid. RAG aitab leida organisatsiooni andmeallikatest kõige asjakohasemaid tehnilisi jooniseid, mida FM-i kontekstis edastada. Üldiselt eraldab see lähenemisviis tehnilistest joonistest materjaliarved ja struktureerib väljundi vastavalt insenerivaldkonnale.
- Üldine otsing – Kujutage ette, et soovite teada saada Ameerika Ühendriikide 30. presidendi isikut. FM-ilt vastuse saamiseks võite kasutada kiiret tehnilist lahendust. Kuna need mudelid on koolitatud paljude andmeallikate põhjal, võivad nad sageli anda täpseid vastuseid sellistele faktilistele küsimustele nagu see.
- Üldotsing hiljutiste sündmustega – Kui soovite määrata Amazoni praeguse aktsiahinna, võite kasutada agendiga kiiret projekteerimist. Agent edastab FM-ile uusima aktsiahinna, et see saaks genereerida faktilise vastuse.
Järeldus
Generatiivne AI pakub organisatsioonidele tohutut potentsiaali innovatsiooni edendamiseks ja tootlikkuse tõstmiseks mitmesugustes rakendustes. Nende esilekerkivate tehisintellektitehnoloogiate edukaks kasutuselevõtuks tuleb aga arvesse võtta integratsiooni, väljundi kvaliteedi, oskuste, kulude ja võimalike riskide, nagu kahjulikud hallutsinatsioonid või turvaaukud, peamisi kaalutlusi. Organisatsioonid peavad kasutama süstemaatiliselt oma kasutusjuhtumite nõuete ja piirangute hindamist, et määrata kindlaks kõige sobivamad tehnikad FM-ide kohandamiseks ja rakendamiseks. Nagu selles postituses rõhutatud, on kiirel inseneritööl, RAG-il ja tõhusatel mudelite kohandamismeetoditel oma tugevad ja nõrgad küljed, mis sobivad erinevatele stsenaariumidele. Kaardistades ärivajadused tehisintellekti võimalustega struktureeritud raamistiku abil, saavad organisatsioonid ületada rakendamise takistused ja hakata FM-idest saadavat kasu realiseerima, ehitades samal ajal ka kaitsepiirdeid riskide juhtimiseks. Läbimõeldud, reaalsetel näidetel põhineva planeerimise abil saavad iga valdkonna ettevõtted selle generatiivse AI uue laine tohutu väärtuse avada. Õppima millegi kohta generatiivne AI AWS-is.
Autoritest
Jay Rao on AWS-i peamine lahenduste arhitekt. Ta keskendub AI/ML-tehnoloogiatele ning tunneb suurt huvi generatiivse AI ja arvutinägemise vastu. AWS-is naudib ta klientidele tehniliste ja strateegiliste juhiste pakkumist ning äritulemusi soodustavate lahenduste kavandamist ja juurutamist. Ta on raamatute autor (Computer Vision AWS-is), avaldab regulaarselt ajaveebe ja koodinäidiseid ning on esinenud kõnedega sellistel tehnikakonverentsidel nagu AWS re:Invent.
Babu Kariyaden Parambath on AWSi AI/ML vanemspetsialist. AWS-is naudib ta koostööd klientidega, aidates neil tuvastada õige ärikasutusjuhtumi äriväärtusega ja lahendada see AWS AI/ML lahenduste ja teenuste abil. Enne AWS-iga liitumist oli Babu tehisintellekti evangelist, kellel oli 20-aastane mitmekülgne tööstuskogemus, pakkudes klientidele tehisintellektist lähtuvat äriväärtust.
- 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/best-practices-to-build-generative-ai-applications-on-aws/
- :on
- :on
- :mitte
- : kus
- 1
- 100
- 116
- 20
- 20 aastat
- 2017
- 2022
- 30.
- 7
- a
- võime
- Võimalik
- MEIST
- kiirendi
- juurdepääs
- Ligipääs
- saatma
- Vastavalt
- konto
- täpsus
- täpne
- täpselt
- Saavutada
- üle
- kohusetäitja
- meetmete
- tegelik
- kohandama
- kohandamine
- kohanemine
- kohaneb
- lisades
- Täiendavad lisad
- Lisaks
- aadress
- adresseeritud
- aadressid
- adresseerimine
- Lisab
- piisavalt
- vastu võtma
- vastu
- Vastuvõtmine
- Vastuvõtmine
- edasijõudnud
- areng
- eelised
- reklaam
- Agent
- ained
- AI
- AI mudelid
- ai uuringud
- Tehisintellekti toega
- AI / ML
- Abi
- Eesmärgid
- AL
- viia
- joondatud
- Joondab
- Materjal: BPA ja flataatide vaba plastik
- võimaldama
- Lubades
- võimaldab
- peaaegu
- üksi
- Ka
- Kuigi
- alati
- Amazon
- Amazon Kendra
- Amazon SageMaker
- Amazon SageMaker JumpStart
- Amazon Web Services
- vahel
- hulgas
- summa
- an
- analüüs
- ja
- infrastruktuuri
- vastus
- vastamine
- vastuseid
- Antroopne
- mistahes
- API
- API-liidesed
- app
- ilmub
- taotlus
- rakendused
- Rakendades
- lähenemine
- lähenemisviisid
- asjakohane
- asjakohaselt
- arhitektuur
- OLEME
- tekkima
- ümber
- kaubad
- AS
- aspektid
- hinnata
- assistent
- seotud
- At
- suurendama
- suurendatud
- autor
- Automatiseeritud
- automatiseerib
- automaatselt
- autonoomselt
- saadaval
- AWS
- AWS re: leiutada
- baas
- põhineb
- BE
- sest
- muutuma
- enne
- alustama
- käitumine
- käitumist
- on
- võrrelda
- Kasu
- BEST
- parimaid tavasid
- Parem
- vahel
- Peale
- kalduvusi
- arve
- miljardeid
- Arved
- biomeditsiiniline
- blogid
- raamat
- broneerimine
- suurendada
- mõlemad
- bränd
- Murdma
- Purustamine
- puruneb
- lai
- laiem
- eelarve
- eelarvekomisjoni
- ehitama
- Ehitus
- ehitatud
- sisseehitatud
- äri
- ettevõtted
- kuid
- by
- kutsudes
- CAN
- Saab
- võimeid
- võime
- võimeline
- Võimsus
- hoolikalt
- viima
- juhul
- juhtudel
- kindel
- väljakutse
- väljakutseid
- raske
- vastuolu
- muutma
- muutunud
- Vaidluste lahendamine
- muutuv
- märki
- Joonis
- chatbot
- jututoad
- kiip
- valik
- valikuid
- Vali
- klassifikatsioon
- puhastamine
- selge
- lähedalt
- Cloud
- cloud computing
- pilve infrastruktuur
- kood
- Kodeerimine
- SIDUS
- Kollektsioneerimine
- ühendama
- ühendab
- Tulema
- tuleb
- ühine
- Ettevõtted
- ettevõte
- Ettevõtte omad
- võrreldav
- võrreldes
- täitma
- keeruline
- keerukus
- Vastavus
- komponendid
- mõista
- arvutuslik
- arvutusjõud
- arvutuslikult
- Arvutama
- arvuti
- Arvuti visioon
- arvutustehnika
- arvutusvõimsus
- Läbi viima
- konverentsid
- Võta meiega ühendust
- seotud
- Side
- Arvestama
- märkimisväärne
- kaalutlused
- kaaluda
- arvestades
- järjepidevalt
- konsool
- pidevalt
- piiranguid
- tarbimine
- sisaldama
- sisu
- Sisu genereerimine
- kontekst
- kontekstid
- kontekstuaalne
- jätkama
- jätkas
- aitama kaasa
- kontrollida
- jutukas
- vestlused
- koopia
- tuum
- Maksma
- kulud
- võiks
- cover
- katmine
- kaetud
- looma
- loomine
- Loominguline
- reklaamid
- kriitiline
- CRM
- otsustav
- curating
- karjäär
- Praegune
- Praegu
- tava
- klient
- Kliendi kogemus
- Kliendid
- kohandamine
- kohandada
- kohandatud
- andmed
- andmekaitse
- Andmete privaatsus ja turvalisus
- andmetöötlus
- andmeteadus
- andmebaasid
- andmekogumid
- tegelema
- Otsustamine
- otsus
- sügav
- Kraad
- tarnima
- esitatud
- edastamine
- Nõudlus
- näitama
- sõltuvad
- Olenevalt
- sõltub
- juurutada
- lähetatud
- kasutuselevõtu
- kasutuselevõtt
- Disain
- kavandatud
- projekteerimine
- soovitud
- detailid
- Määrama
- määrates kindlaks
- arendama
- arendaja
- Arendajad
- arenev
- & Tarkvaraarendus
- diagnoos
- erinev
- raske
- otse
- avastasin
- arutama
- jagatud
- jagatud koolitus
- mitu
- do
- dokumendid
- Ei tee
- dollarit
- domeen
- Domeenid
- alla
- Joonistused
- ajam
- ajendatud
- kaks
- ajal
- dünaamiline
- E&T
- iga
- kergesti
- Tõhus
- tõhusalt
- efektiivsus
- tõhus
- tõhusalt
- jõupingutusi
- elemendid
- abikõlblik
- kõrvaldades
- kirju
- kinnistamine
- tekkimine
- smirgel
- Töötaja
- töötajad
- volitamine
- võimaldama
- võimaldab
- võimaldades
- hõlmab
- krüptida
- krüpteeritud
- lõpp
- Lõpuks-lõpuni
- kaasamine
- Mootor
- Inseneriteadus
- Inseneride
- suurendama
- rikastav
- tagama
- tagab
- tagades
- ettevõte
- üksuste
- üksus
- keskkond
- keskkondades
- varustama
- ERP
- eriti
- looma
- hindama
- hindamine
- Evangelist
- Iga
- kõik
- areneb
- uurima
- näide
- näited
- põnev
- näitama
- olemasolevate
- kulud
- kallis
- kogemus
- katseid
- ekspert
- teadmised
- ekspertide
- uurima
- laiendades
- väline
- väljavõte
- Väljavõtted
- äärmiselt
- nägu
- faktor
- tegurid
- andmed
- FAIL
- õiglaselt
- Langema
- vale
- teostatav
- vähe
- rahastama
- finants-
- leidma
- järeldused
- viis
- vigu
- Paindlikkus
- lend
- voog
- Keskenduma
- keskendub
- Järel
- eest
- Sihtasutus
- alus
- Raamistik
- raamistikud
- sageli
- Alates
- pettunud
- Täida
- täis
- täielikult
- edasi
- kasu
- lõhe
- koguma
- GDPR
- Üldine
- Üldine otstarve
- tekitama
- loodud
- genereerib
- teeniva
- põlvkond
- generatiivne
- Generatiivne AI
- saama
- Andma
- antud
- Go
- hea
- valitsemistava
- GPU
- graafik
- suur
- suurem
- Maa
- maandatud
- juhised
- suunata
- suunised
- Varred
- riistvara
- kahjulik
- rakmed
- Olema
- võttes
- he
- tervishoid
- tugevalt
- aitama
- kasulik
- aidates
- aitab
- Suur
- suure jõudlusega
- kvaliteetne
- rohkem
- kõrgeim
- kõrgeim aste
- Esiletõstetud
- kõrgelt
- ajalugu
- Kuidas
- Kuidas
- aga
- hr
- HTML
- HTTPS
- Keskus
- sajad
- Takistused
- Hüperparameetrite häälestamine
- idee
- ideid
- identifitseerima
- identifitseerimiseks
- Identity
- if
- kujutage ette
- tohutu
- mõju
- mõjuv
- Mõjud
- rakendada
- täitmine
- oluline
- parandama
- paranenud
- parandab
- Paranemist
- in
- ebatäpne
- Kaasa arvatud
- iseseisvalt
- näitab
- tööstus
- tööstuse standardid
- info
- Infrastruktuur
- Innovatsioon
- uuendusi
- sisend
- teadmisi
- inspireerima
- Instituut
- juhised
- integreerima
- Integreerimine
- integratsioon
- ette nähtud
- suhelda
- huvi
- huvitav
- Interface
- sisemine
- Internet
- koostoimima
- sisse
- sisse
- inventar
- investeerimine
- investeering
- kaasama
- seotud
- hõlmab
- isoleeritud
- küsimustes
- IT
- ITS
- liitumine
- lihtsalt
- Keen
- Võti
- võtmed
- teadmised
- Teadmised graafik
- teab
- Labs
- puudus
- keel
- Keeled
- suur
- suurem
- kihid
- viima
- juhtivate
- Õppida
- õppinud
- õppimine
- Lahkuma
- Õigus
- Lets
- LG
- nagu
- Tõenäoliselt
- piirangud
- piiratud
- liinid
- Laama
- loogika
- loogiline
- otsin
- Madal
- masin
- masinõpe
- masinad
- säilitada
- tegema
- TEEB
- Tegemine
- juhtima
- juhitud
- juhtimine
- käsiraamat
- palju
- kaardistus
- Turundus
- suur
- massiliselt
- sobitamine
- materjalid
- mai..
- Meedia
- meditsiini-
- Vastama
- Meta
- meetod
- meetodid
- võib
- miljonid
- minimeerima
- ML
- mudel
- mudelid
- kuu
- rohkem
- kõige
- liikuv
- peab
- Natural
- vajalik
- Vajadus
- vaja
- vajav
- vajadustele
- negatiivne
- Uus
- järgmise põlvkonna
- mitte ükski
- nüüd
- of
- maha
- Pakkumised
- sageli
- on
- ONE
- ainult
- Operations
- Võimalused
- optimaalselt
- optimeerimine
- Valikud
- or
- Korraldus
- et
- tellimuste
- organisatsioon
- organisatsiooniline
- organisatsioonid
- originaal
- algselt
- Muu
- välja
- tulemusi
- vananenud
- piirjooned
- Ületab tulemusi
- väljund
- väljundid
- üle
- üldine
- Ületada
- ülevaade
- enda
- paari
- dokumendid
- parameetrid
- eriline
- eriti
- lõigud
- minevik
- täitma
- jõudlus
- etendused
- isiklik
- Isikliku
- fraasid
- tükki
- torujuhe
- planeerimine
- Platvormid
- Platon
- Platoni andmete intelligentsus
- PlatoData
- süžee
- võrra
- Poliitika
- populaarne
- võimalik
- post
- Postitusi
- potentsiaal
- potentsiaalselt
- võim
- sisse
- võimas
- Praktiline
- tava
- tavad
- eelnev
- eelistusi
- president
- ennetada
- varem
- hind
- hinnapoliitika
- Peamine
- Eelnev
- privaatsus
- Privaatsus ja turvalisus
- era-
- Probleem
- probleeme
- protsess
- töötlemine
- tootma
- Toodetud
- toodab
- tootlikkus
- Toodet
- profiil
- Programming
- edendab
- küsib
- korralik
- korralikult
- esitama
- varaline
- anda
- pakkujad
- annab
- pakkudes
- avalik
- avaldatud
- Avaldab
- tõmmates
- ostma
- ostutellimus
- kvaliteet
- päringud
- küsimus
- Küsimused
- kiiresti
- rag
- valik
- kiire
- kiiresti
- HARULDANE
- pigem
- Töötlemata
- RE
- Reageerima
- reaalne
- tegelik väärtus
- päris maailm
- reaalajas
- reaalajas andmeid
- realiseerimisel
- hiljuti
- tunnustamine
- Soovitus
- soovitused
- soovitatav
- vähendama
- vähendamine
- viitama
- regulaarselt
- suhe
- asjakohasus
- asjakohane
- tuginedes
- ülejäänud
- tähelepanuväärne
- Aruanded
- maine
- taotleda
- Taotlusi
- nõudma
- nõutav
- Nõuded
- Vajab
- vajalik
- teadustöö
- ressurss
- ressursimahukas
- Vahendid
- Reageerida
- vastus
- vastuste
- REST
- Tulemused
- otsing
- tagasipöördumine
- tulud
- Arvustused
- õige
- riskide
- rutiinne
- jooks
- jooksmine
- ohutum
- salveitegija
- sama
- rahulolu
- Skaalautuvus
- skaalautuvia
- Skaala
- Puudus
- stsenaarium
- stsenaariumid
- teadus
- teadlased
- kriimustada
- skripte
- sujuv
- Otsing
- Osa
- kindlalt
- turvalisus
- turvariskid
- väljavalitud
- valides
- valik
- vanem
- tundlik
- tunne
- tunded
- Serverita
- teenib
- teenus
- Teenused
- teenindavad
- istung
- komplekt
- Komplektid
- seaded
- mitu
- kuju
- jagatud
- Lühike
- peaks
- Näitused
- märkimisväärne
- märgatavalt
- sarnane
- lihtne
- ühekordne
- osav
- oskused
- väiksem
- So
- sotsiaalmeedia
- Sotsiaalse meedia
- Sotsiaalmeedia postitused
- Ainult
- tahke
- lahendus
- Lahendused
- LAHENDAGE
- Lahendamine
- mõned
- keeruline
- allikas
- Allikad
- spetsialist
- spetsialiseeruma
- spetsialiseeritud
- spetsialiseerunud
- konkreetse
- eriti
- spetsiifilisus
- Stabiilsus
- seisma
- standardite
- algus
- alustatud
- Alustavatel
- Ühendriigid
- Samm
- Sammud
- Veel
- varu
- Peatus
- salvestada
- kauplustes
- Lood
- Lugu
- lihtne
- Strateegiline
- tugevused
- tugev
- struktuur
- struktureeritud
- struktuuride
- stiil
- mahukas
- edukas
- Edukalt
- selline
- piisav
- soovitama
- Kostüüm
- sobiv
- Ülelaadimine
- varustama
- toetama
- Toetab
- kindel
- Sümptomid
- süsteem
- süsteemid
- lahendada
- kohandatud
- Võtma
- võtmine
- talent
- rääkimine
- Läbirääkimised
- Puuduta
- sihtmärk
- Ülesanne
- ülesanded
- meeskond
- tech
- Tehniline
- tehnilised oskused
- tehnika
- tehnikat
- Tehnoloogiad
- Tehnoloogia
- Tehnoloogia innovatsioon
- šabloon
- terminoloogia
- test
- Testimine
- tekst
- Teksti liigitus
- kui
- et
- .
- teave
- oma
- Neile
- SIIS
- Seal.
- seetõttu
- Need
- nad
- mõtlema
- kolmanda osapoole
- see
- põhjalik
- põhjalikult
- need
- tuhandeid
- kolm
- Läbi
- aeg
- aega võttev
- et
- märgistatud
- märgid
- tööriist
- töövahendid
- ülemine
- teema
- Teemasid
- suunas
- liiklus
- Rong
- koolitatud
- koolitus
- transiit
- Tõlge
- läbipaistvus
- tohutu
- käivitamine
- triljoneid
- tõeliselt
- Usalda
- Usaldatud
- usaldusväärne
- Tõde
- häälestamine
- Pöörake
- tutistamine
- kaks
- tüüpiliselt
- ei suuda
- mõistma
- mõistmine
- ainulaadne
- Ühendatud
- Ühendriigid
- avamine
- kasutamata
- soovimatu
- ajakohane
- Värskendused
- ajakohastatud
- ajakohastamine
- uuendamine
- kasutama
- kasutage juhtumit
- Kasutatud
- kasulik
- Kasutaja
- User Experience
- Kasutajad
- kasutusalad
- kasutamine
- kasulikkus
- KINNITAGE
- väärtus
- sort
- eri
- suur
- suuresti
- väga
- kaudu
- nägemus
- visuaalne
- vs
- Haavatavused
- kõndima
- tahan
- tahab
- oli
- Wave
- Tee..
- we
- nõrkused
- web
- veebiteenused
- nädalat
- kaalumine
- kaal
- Hästi
- M
- millal
- samas kui
- kas
- mis
- kuigi
- lai
- Lai valik
- laialdaselt
- laialt levinud
- Wikipedia
- will
- koos
- jooksul
- ilma
- Töö
- töövoog
- Töövoogud
- töö
- oleks
- kirjutama
- kirjutamine
- kirjalik
- aastat
- saak
- sa
- Sinu
- sephyrnet