Tootmise areneval maastikul on tehisintellekti ja masinõppe (ML) muutev jõud ilmselge, käivitades digitaalse revolutsiooni, mis tõhustab toiminguid ja suurendab tootlikkust. Kuid see edusammud seavad andmepõhistes lahendustes navigeerivatele ettevõtetele ainulaadsed väljakutsed. Tööstusrajatised maadlevad tohutu hulga struktureerimata andmetega, mis pärinevad anduritest, telemeetriasüsteemidest ja tootmisliinidele hajutatud seadmetest. Reaalajas andmed on kriitilise tähtsusega selliste rakenduste jaoks nagu ennustav hooldus ja anomaaliate tuvastamine, kuid kohandatud ML-mudelite väljatöötamine iga tööstusliku kasutuse juhtumi jaoks selliste aegridade andmetega nõuab andmeteadlastelt märkimisväärselt aega ja ressursse, mis takistab laialdast kasutuselevõttu.
Generatiivne AI kasutades suuri eelkoolitatud vundamendimudeleid (FM-e), näiteks Claude suudab kiiresti luua mitmesugust sisu vestlustekstist arvutikoodini, mis põhinevad lihtsatel tekstiviipadel null-shot viipa. See välistab andmeteadlaste vajaduse iga kasutusjuhtumi jaoks konkreetseid ML-mudeleid käsitsi välja töötada ja seega demokratiseerib AI-juurdepääsu, millest saavad kasu isegi väikesed tootjad. Töötajad suurendavad tootlikkust tehisintellekti loodud arusaamade abil, insenerid saavad ennetavalt avastada kõrvalekaldeid, tarneahela juhid optimeerivad varusid ja tehase juhtkond teeb teadlikke andmepõhiseid otsuseid.
Sellegipoolest on eraldiseisvatel FM-idel piirangud keerukate tööstusandmete käsitlemisel konteksti suuruse piirangutega (tavaliselt vähem kui 200,000 XNUMX märgi), mis seab väljakutseid. Selle probleemi lahendamiseks saate kasutada FM-i võimet luua koodi vastuseks loomuliku keele päringutele (NLQ). Agentidele meeldib PandasAI mängima, käivitades selle koodi kõrge eraldusvõimega aegridade andmetel ja käsitledes vigu FM-ide abil. PandasAI on Pythoni teek, mis lisab pandadele, populaarsele andmeanalüüsi ja manipuleerimise tööriistale, generatiivse AI-võimaluse.
Kuid keerulised NLQ-d, nagu aegridade andmetöötlus, mitmetasandiline liitmine ja liigend- või ühendtabeli toimingud, võivad anda Pythoni skripti täpsuse ebaühtlaseks nullkaadri viipaga.
Koodi genereerimise täpsuse suurendamiseks pakume välja dünaamiline konstrueerimine mitme võttega viipasid NLQ-de jaoks. Mitme võttega viip annab FM-ile lisakonteksti, näidates talle mitmeid näiteid sarnaste viipade soovitud väljunditest, suurendades täpsust ja järjepidevust. Selles postituses hangitakse mitmekordsed viibad manustusest, mis sisaldab edukat Pythoni koodi, mis töötab sarnasel andmetüübil (näiteks asjade Interneti seadmete kõrge eraldusvõimega aegridade andmed). Dünaamiliselt koostatud mitme võttega viip pakub FM-ile kõige asjakohasemat konteksti ning suurendab FM-i võimet täiustatud matemaatika arvutamisel, aegridade andmetöötlusel ja andmete akronüümide mõistmisel. See täiustatud reageerimine hõlbustab ettevõtte töötajatel ja töörühmadel andmetega suhtlemist, saades teadmisi ilma ulatuslikke andmeteaduslikke oskusi nõudmata.
Lisaks aegridade andmeanalüüsile osutuvad FM-id väärtuslikuks mitmesugustes tööstuslikes rakendustes. Hooldusmeeskonnad hindavad varade seisundit ja jäädvustavad pilte Amazon Rekognitsioon-põhised funktsionaalsuse kokkuvõtted ja anomaaliate algpõhjuste analüüs intelligentsete otsingute abil Täiustatud põlvkonna otsimine (RAG). Nende töövoogude lihtsustamiseks on AWS kasutusele võtnud Amazonase aluspõhi, mis võimaldab teil luua ja skaleerida generatiivseid AI-rakendusi tipptasemel eelkoolitatud FM-idega, nagu Claude v2. Koos Amazon Bedrocki teadmistebaasid, saate RAG-i arendusprotsessi lihtsustada, et pakkuda tehase töötajatele täpsemat anomaalia algpõhjuste analüüsi. Meie postituses tutvustatakse intelligentset abilist tööstuslikuks kasutuseks, mida toidab Amazon Bedrock, mis tegeleb NLQ väljakutsetega, koostab piltidest osade kokkuvõtteid ja täiustab FM-vastuseid seadmete diagnoosimiseks RAG-meetodi abil.
Lahenduse ülevaade
Järgnev diagramm illustreerib lahenduse arhitektuuri.
Töövoog sisaldab kolme erinevat kasutusjuhtu:
Kasutusjuht 1: NLQ aegridade andmetega
NLQ töövoog aegridade andmetega koosneb järgmistest sammudest.
- Kasutame anomaaliate tuvastamiseks ML-võimalustega seisundiseiresüsteemi, nt Amazon Monitron, et jälgida tööstusseadmete tervist. Amazon Monitron suudab tuvastada võimalikud seadmete rikked seadmete vibratsiooni ja temperatuuri mõõtmiste põhjal.
- Kogume aegridade andmeid töötlemise teel Amazon Monitron andmed läbi Amazon Kinesise andmevood ja Amazon Data Firehose, teisendades selle tabelina CSV-vormingusse ja salvestades selle faili Amazoni lihtne salvestusteenus (Amazon S3) kopp.
- Lõppkasutaja saab hakata Amazon S3-s oma aegridade andmetega vestlema, saates Streamliti rakendusse loomuliku keele päringu.
- Rakendus Streamlit edastab kasutajate päringud aadressile Amazon Bedrock Titan teksti manustamise mudel selle päringu manustamiseks ja teostab sarnasuse otsingu sees Amazon OpenSearchi teenus indeks, mis sisaldab eelnevaid NLQ-sid ja näidiskoode.
- Pärast sarnasuse otsingut lisatakse kohandatud viibale populaarseimad sarnased näited, sealhulgas NLQ-küsimused, andmeskeem ja Pythoni koodid.
- PandasAI saadab selle kohandatud viipa Amazon Bedrock Claude v2 mudelile.
- Rakendus kasutab PandasAI agenti, et suhelda Amazon Bedrock Claude v2 mudeliga, genereerides Pythoni koodi Amazon Monitroni andmete analüüsi ja NLQ vastuste jaoks.
- Pärast seda, kui Amazon Bedrock Claude v2 mudel tagastab Pythoni koodi, käivitab PandasAI Pythoni päringu rakendusest üles laaditud Amazon Monitroni andmete põhjal, kogudes koodiväljundid ja käsitledes ebaõnnestunud käitamise korral vajalikke kordusi.
- Rakendus Streamlit kogub vastused PandasAI kaudu ja annab kasutajatele väljundi. Kui väljund on rahuldav, saab kasutaja märkida selle kasulikuks, salvestades OpenSearch Service'is NLQ ja Claude'i loodud Pythoni koodi.
Kasutusjuhtum 2: tõrgeteta osade kokkuvõte
Meie kokkuvõtte genereerimise kasutusjuht koosneb järgmistest sammudest.
- Kui kasutaja saab teada, milline tööstusvara käitub ebanormaalselt, saab ta üles laadida rikkega osa pilte, et teha kindlaks, kas sellel osal on midagi füüsiliselt valesti vastavalt selle tehnilistele spetsifikatsioonidele ja töötingimustele.
- Kasutaja saab kasutada nuppu Amazon Recognition DetectText API nendelt piltidelt tekstiandmete eraldamiseks.
- Ekstraheeritud tekstiandmed sisalduvad Amazon Bedrock Claude v2 mudeli viibas, mis võimaldab mudelil koostada 200-sõnalise kokkuvõtte talitlushäirest. Kasutaja saab seda teavet kasutada detaili edasiseks kontrollimiseks.
Kasutusjuht 3: algpõhjuse diagnoos
Meie algpõhjuse diagnoosi kasutusjuhtum koosneb järgmistest sammudest:
- Kasutaja hangib rikkis varadega seotud ettevõtte andmed erinevates dokumendivormingutes (PDF, TXT jne) ja laadib need üles S3 ämbrisse.
- Nende failide teadmistebaas luuakse Amazon Bedrockis Titani teksti manustamismudeli ja OpenSearch Service'i vaikevektorite salvestusega.
- Kasutaja esitab rikete seadmete algpõhjuste diagnoosimise kohta küsimusi. Vastused genereeritakse Amazon Bedrocki teadmistebaasi kaudu RAG-lähenemisega.
Eeldused
Selle postituse jätkamiseks peate täitma järgmised eeltingimused:
Rakendage lahenduse infrastruktuur
Lahendusressursside seadistamiseks toimige järgmiselt.
- Juurutage AWS CloudFormation šabloon opensearchsagemaker.yml, mis loob OpenSearch Service'i kogu ja indeksi, Amazon SageMaker sülearvuti eksemplar ja S3 ämber. Selle AWS CloudFormationi virna saate nimetada järgmiselt:
genai-sagemaker
. - Avage SageMakeri märkmiku eksemplar JupyterLabis. Leiate järgmise GitHub repo sellel juhul on juba alla laaditud: generatiivse-ai-tööstusoperatsioonide-potentsiaali vabastamine.
- Käivitage märkmik selle hoidla järgmisest kataloogist: generatiivse-ai-in-industrial-operationsi-potentsiaali avamine/SagemakerNotebook/nlq-vector-rag-embedding.ipynb. See märkmik laadib OpenSearch Service'i indeksi, kasutades SageMakeri märkmikku, et salvestada võtmeväärtuste paarid olemasolevad 23 NLQ näidet.
- Laadige dokumendid üles andmekaustast varaosadoc GitHubi hoidlas CloudFormationi virna väljundites loetletud S3 ämbrisse.
Järgmisena loote Amazon S3 dokumentide jaoks teadmistebaasi.
- Amazon Bedrocki konsoolil valige Teadmistepagas navigeerimispaanil.
- Vali Loo teadmistebaas.
- eest Teadmiste baasi nimi, sisestage nimi.
- eest Kestuslik rollvalige Looge ja kasutage uut teenindusrolli.
- eest Andmeallika nimi, sisestage oma andmeallika nimi.
- eest S3 URI, sisestage ämbri S3 tee, kuhu laadisite üles algpõhjuse dokumendid.
- Vali järgmine.
Titan embeddings mudel valitakse automaatselt. - valima Looge kiiresti uus vektorpood.
- Vaadake oma seaded üle ja looge teadmistebaas, valides Loo teadmistebaas.
- Pärast teadmistebaasi edukat loomist valige Sync S3 ämbri sünkroonimiseks teadmistebaasiga.
- Pärast teadmistebaasi loomist saate testida RAG-i lähenemisviisi algpõhjuste diagnoosimiseks, esitades selliseid küsimusi nagu „Minu täiturmehhanism liigub aeglaselt, milles võib probleem olla?”
Järgmine samm on vajalike teegipakettidega rakenduse juurutamine kas arvutis või EC2 eksemplaris (Ubuntu Server 22.04 LTS).
- Seadistage oma AWS-i mandaadid koos kohaliku arvuti AWS CLI-ga. Lihtsuse huvides saate kasutada sama administraatori rolli, mida kasutasite CloudFormationi virna juurutamiseks. Kui kasutate Amazon EC2, lisage eksemplarile sobiv IAM-i roll.
- Kloonide GitHub repo:
- Muutke kataloogiks
unlocking-the-potential-of-generative-ai-in-industrial-operations/src
ja käivitagesetup.sh
skript selles kaustas, et installida vajalikud paketid, sealhulgas LangChain ja PandasAI:cd unlocking-the-potential-of-generative-ai-in-industrial-operations/src chmod +x ./setup.sh ./setup.sh
- Käivitage rakendus Streamlit järgmise käsuga:
source monitron-genai/bin/activate python3 -m streamlit run app_bedrock.py <REPLACE WITH YOUR BEDROCK KNOWLEDGEBASE ARN>
Esitage eelmises etapis Amazon Bedrockis loodud OpenSearchi teenuse kogu ARN.
Vestelge oma varade tervise assistendiga
Pärast täieliku juurutamise lõpetamist pääsete rakendusele juurde pordi 8501 kohaliku hosti kaudu, mis avab veebiliidesega brauseriakna. Kui juurutasite rakenduse EC2 eksemplarile, lubage juurdepääs pordile 8501 turvarühma sissetuleva reegli kaudu. Erinevate kasutusjuhtude jaoks saate navigeerida erinevatele vahekaartidele.
Tutvuge 1. kasutusjuhtumiga
Esimese kasutusjuhtumi uurimiseks valige Andmete ülevaade ja diagramm. Alustage oma aegridade andmete üleslaadimisega. Kui teil pole kasutada olemasolevat aegridade andmefaili, saate üles laadida järgmise CSV-faili näidis anonüümsete Amazon Monitroni projektiandmetega. Kui teil on juba Amazon Monitroni projekt, vaadake Looge Amazon Monitroni ja Amazon Kinesise abil rakendatavaid teadmisi prognoositava hoolduse haldamiseks et voogesitada oma Amazon Monitroni andmeid Amazon S3-sse ja kasutada oma andmeid selle rakendusega.
Kui üleslaadimine on lõppenud, sisestage oma andmetega vestluse alustamiseks päring. Vasakpoolsel külgribal on teie mugavuse huvides hulk näidisküsimusi. Järgmised ekraanipildid illustreerivad FM-i poolt genereeritud vastust ja Pythoni koodi, kui sisestate küsimuse, näiteks "Öelge mulle iga saidi andurite kordumatu arv, mis kuvatakse vastavalt hoiatuse või häirena?" (kõva tasandi küsimus) või "Kas te saate arvutada iga ebanormaalse vibratsioonisignaali anduri aja kestuse päevades, kui andurid näitavad temperatuurisignaali kui EI ole terved?" (väljakutse tasemel küsimus). Rakendus vastab teie küsimusele ja näitab ka Pythoni andmeanalüüsi skripti, mille ta selliste tulemuste loomiseks tegi.
Kui olete vastusega rahul, saate selle märkida kui Kasulik, salvestades NLQ ja Claude'i loodud Pythoni koodi OpenSearch Service'i registrisse.
Tutvuge 2. kasutusjuhtumiga
Teise kasutusjuhtumi uurimiseks valige Jäädvustatud pildi kokkuvõte vahekaart Streamlit rakenduses. Saate oma tööstusvarast üles laadida pildi ja rakendus loob pilditeabe põhjal 200-sõnalise kokkuvõtte selle tehnilisest spetsifikatsioonist ja tööseisundist. Järgmisel ekraanipildil on rihmmootori ajami pildi põhjal loodud kokkuvõte. Kui teil puudub sobiv pilt, saate selle funktsiooni testimiseks kasutada järgmist näite pilt.
Hüdraulilise lifti mootori etikett” autor Clarence Risher on litsentsitud all CC BY-SA 2.0.
Tutvuge 3. kasutusjuhtumiga
Kolmanda kasutusjuhtumi uurimiseks valige Algpõhjuse diagnoos sakk. Sisestage oma katkise tööstusvaraga seotud päring, näiteks "Minu täiturmehhanism liigub aeglaselt, milles võib probleem olla?" Nagu on kujutatud järgmisel ekraanipildil, saadab rakendus vastuse koos vastuse genereerimiseks kasutatud lähtedokumendi väljavõttega.
Kasutusjuht 1: disaini üksikasjad
Selles jaotises käsitleme rakenduse töövoo kujunduse üksikasju esimese kasutusjuhtumi jaoks.
Kohandatud kiire ehitus
Kasutaja loomuliku keele päringuga kaasnevad erinevad keerulised tasemed: lihtne, raske ja väljakutse.
Lihtsad küsimused võivad sisaldada järgmisi taotlusi:
- Valige ainulaadsed väärtused
- Loendage koguarvud
- Sorteeri väärtused
Nende küsimuste puhul saab PandasAI otse FM-iga suhelda, et genereerida töötlemiseks Pythoni skripte.
Rasked küsimused nõuavad põhilist koondamistoimingut või aegridade analüüsi, näiteks järgmist.
- Valige kõigepealt väärtus ja rühmitage tulemused hierarhiliselt
- Tehke statistika pärast esialgset kirje valimist
- Ajatemplite arv (nt min ja max)
Raskete küsimuste korral aitab üksikasjalike samm-sammult juhistega viipamall FM-idel täpseid vastuseid pakkuda.
Väljakutsetaseme küsimused vajavad täpsemat matemaatika arvutamist ja aegridade töötlemist, näiteks järgmist.
- Arvutage iga anduri anomaalia kestus
- Arvutage igakuiselt saidi anomaaliandurid
- Võrrelge anduri näitu normaalse töö ja ebatavalistes tingimustes
Nende küsimuste puhul saate vastuse täpsuse suurendamiseks kasutada kohandatud viipa mitut võtet. Sellised multikaadrid näitavad täiustatud aegridade töötlemise ja matemaatika arvutamise näiteid ning pakuvad FM-ile konteksti, et teha sarnase analüüsi kohta asjakohaseid järeldusi. NLQ küsimustepangast kõige asjakohasemate näidete dünaamiline sisestamine viibale võib olla väljakutse. Üks lahendus on luua manustused olemasolevatest NLQ-küsimuste näidistest ja salvestada need manused vektorihoidlasse, nagu OpenSearch Service. Kui küsimus saadetakse rakendusse Streamlit, vektoriseeritakse küsimus Aluspõhja Manused. Selle küsimuse N kõige olulisemat manustamist hangitakse kasutades opensearch_vector_search.similarity_search ja sisestatakse viipamalli mitmekordse viipana.
Järgmine diagramm illustreerib seda töövoogu.
Manustuskiht on ehitatud kolme peamise tööriista abil:
- Manustatud mudel - Kasutame Amazon Titan Embeddingsi, mis on saadaval Amazon Bedrocki kaudu (amazon.titan-embed-text-v1) tekstidokumentide arvuliste esituste genereerimiseks.
- Vektoripood – Kasutame oma vektorpoe jaoks OpenSearchi teenust LangChaini raamistiku kaudu, lihtsustades selles märkmikus NLQ-näidetest genereeritud manuste salvestamist.
- indeks – OpenSearch Service'i register mängib keskset rolli sisendmanustuste võrdlemisel dokumentide manustamisega ning asjakohaste dokumentide hankimise hõlbustamisel. Kuna Pythoni näitekoodid salvestati JSON-failina, indekseeriti need OpenSearch Service'is vektoritena OpenSearchVevtorSearch.fromtexts API kõne.
Inimeste poolt auditeeritud näidete pidev kogumine Streamliti kaudu
Rakenduse arendamise alguses alustasime ainult 23 salvestatud näitega OpenSearch Service'i registris manustamistena. Kui rakendus läheb välja, hakkavad kasutajad oma NLQ-sid rakenduse kaudu sisestama. Kuid mallis saadaolevate näidete arvu tõttu ei pruugi mõned NLQ-d sarnaseid viipasid leida. Nende manustuste pidevaks rikastamiseks ja asjakohasemate kasutajaviipade pakkumiseks saate inimeste poolt auditeeritud näidete kogumiseks kasutada rakendust Streamlit.
Rakenduses täidab seda eesmärki järgmine funktsioon. Kui lõppkasutajad leiavad väljundist abi ja valivad Kasulik, järgib rakendus järgmisi samme:
- Pythoni skripti kogumiseks kasutage PandasAI tagasihelistamise meetodit.
- Vormindage Pythoni skript, sisestusküsimus ja CSV metaandmed ümber stringiks.
- Kontrollige, kas see NLQ näide on praeguses OpenSearch Service'i registris juba olemas opensearch_vector_search.similarity_search_with_score.
- Kui sarnast näidet pole, lisatakse see NLQ OpenSearch Service'i registrisse kasutades opensearch_vector_search.add_texts.
Juhul, kui kasutaja valib Ei ole abiks, midagi ette ei võeta. See iteratiivne protsess tagab, et süsteem täieneb pidevalt, lisades kasutajate kaasatud näiteid.
def addtext_opensearch(input_question, generated_chat_code, df_column_metadata, opensearch_vector_search,similarity_threshold,kexamples, indexname):
#######build the input_question and generated code the same format as existing opensearch index##########
reconstructed_json = {}
reconstructed_json["question"]=input_question
reconstructed_json["python_code"]=str(generated_chat_code)
reconstructed_json["column_info"]=df_column_metadata
json_str = ''
for key,value in reconstructed_json.items():
json_str += key + ':' + value
reconstructed_raw_text =[]
reconstructed_raw_text.append(json_str)
results = opensearch_vector_search.similarity_search_with_score(str(reconstructed_raw_text[0]), k=kexamples) # our search query # return 3 most relevant docs
if (dumpd(results[0][1])<similarity_threshold): ###No similar embedding exist, then add text to embedding
response = opensearch_vector_search.add_texts(texts=reconstructed_raw_text, engine="faiss", index_name=indexname)
else:
response = "A similar embedding is already exist, no action."
return response
Inimese auditeerimise kaasamisega kasvab OpenSearch Service'is kiireks manustamiseks saadaolevate näidete hulk rakenduse kasutuse suurenedes. Selle laiendatud manustamise andmestiku tulemuseks on aja jooksul suurem otsingutäpsus. Täpsemalt, väljakutsuvate NLQ-de puhul jõuab FM-i vastuse täpsus ligikaudu 90%-ni, kui dünaamiliselt sisestada sarnaseid näiteid, et koostada iga NLQ-küsimuse jaoks kohandatud viipasid. See tähendab märkimisväärset 28% kasvu võrreldes stsenaariumidega, kus mitmekordseid viipasid pole.
Kasutusjuht 2: disaini üksikasjad
Rakenduses Streamlit Jäädvustatud pildi kokkuvõte vahekaardilt saate pildifaili otse üles laadida. See käivitab Amazon Rekognition API (tuvasta_tekst API), eraldades pildisildilt teksti, mis kirjeldab masina tehnilisi andmeid. Seejärel saadetakse ekstraheeritud tekstiandmed Amazon Bedrock Claude'i mudelile viipa kontekstis, mille tulemuseks on 200-sõnaline kokkuvõte.
Kasutajakogemuse seisukohast on teksti kokkuvõtete tegemise ülesande voogedastusfunktsioonide lubamine ülimalt tähtis, võimaldades kasutajatel lugeda FM-ga loodud kokkuvõtet väiksemate tükkidena, mitte oodata kogu väljundit. Amazon Bedrock hõlbustab voogesitust oma API kaudu (bedrock_runtime.invoke_model_with_response_stream).
Kasutusjuht 3: disaini üksikasjad
Selle stsenaariumi puhul oleme välja töötanud vestlusrotirakenduse, mis keskendub algpõhjuste analüüsile ja kasutab RAG-lähenemist. See vestlusbot tugineb paljudele laagriseadmetega seotud dokumentidele, et hõlbustada algpõhjuste analüüsi. See RAG-põhine algpõhjusanalüüsi vestlusbot kasutab vektorteksti esituste või manustuste loomiseks teadmistebaase. Knowledge Bases for Amazon Bedrock on täielikult hallatav funktsioon, mis aitab teil rakendada kogu RAG-i töövoogu alates allaneelamisest kuni otsimise ja kiire täiendamiseni, ilma et peaksite looma andmeallikatega kohandatud integratsioone või haldama andmevooge ja RAG-i rakendamise üksikasju.
Kui olete Amazon Bedrocki teadmistebaasi vastusega rahul, saate integreerida algpõhjuse vastuse teadmistebaasist rakendusse Streamlit.
Koristage
Kulude säästmiseks kustutage selles postituses loodud ressursid:
- Kustutage Amazon Bedrocki teadmistebaas.
- Kustutage OpenSearch Service'i register.
- Kustutage virn genai-sagemaker CloudFormation.
- Peatage EC2 eksemplar, kui kasutasite rakenduse Streamlit käitamiseks EC2 eksemplari.
Järeldus
Generatiivsed AI-rakendused on juba muutnud erinevaid äriprotsesse, suurendades töötajate tootlikkust ja oskuste kogumit. FM-ide piirangud aegridade andmete analüüsimisel on aga takistanud nende täielikku kasutamist tööstusklientide poolt. See piirang on takistanud generatiivse AI rakendamist igapäevaselt töödeldavale valdavale andmetüübile.
Selles postituses tutvustasime generatiivset AI-rakenduse lahendust, mis on loodud selle väljakutse leevendamiseks tööstuslikele kasutajatele. See rakendus kasutab avatud lähtekoodiga agenti PandasAI, et tugevdada FM-i aegridade analüüsivõimet. Selle asemel, et saata aegridade andmeid otse FM-idele, kasutab rakendus PandasAI-d Pythoni koodi genereerimiseks struktureerimata aegridade andmete analüüsimiseks. Pythoni koodi genereerimise täpsuse suurendamiseks on rakendatud kohandatud viipade genereerimise töövoog koos inimeste auditeerimisega.
Tööstustöötajad, kellel on oma varade seisukorrast ülevaade, saavad täielikult ära kasutada generatiivse tehisintellekti potentsiaali erinevatel kasutusjuhtudel, sealhulgas algpõhjuste diagnoosimisel ja osade asendamise planeerimisel. Amazon Bedrocki teadmistebaaside abil on RAG-lahendust arendajatel lihtne luua ja hallata.
Ettevõtte andmete haldamise ja toimimise trajektoor liigub eksimatult sügavama integratsiooni poole generatiivse tehisintellektiga, et saada terviklikku ülevaadet tööseisundist. Seda nihet, mida juhib Amazon Bedrock, võimendab oluliselt selliste LLM-ide kasvav tugevus ja potentsiaal nagu Amazoni aluspõhjakivi Claude 3 lahendusi veelgi tõsta. Lisateabe saamiseks külastage veebisaiti Amazon Bedrocki dokumentatsioon, ja tutvuge sellega Amazoni aluspõhja töötuba.
Autoritest
Julia Hu on vanem AI/ML-lahenduste arhitekt ettevõttes Amazon Web Services. Ta on spetsialiseerunud generatiivsele AI-le, rakendusandmete teadusele ja asjade interneti arhitektuurile. Praegu on ta osa Amazon Q meeskonnast ja masinõppe tehnilise valdkonna kogukonna aktiivne liige/mentor. Ta töötab klientidega alates idufirmadest kuni ettevõteteni, et arendada AWSome generatiivseid AI-lahendusi. Ta on eriti kirglik suurte keelemudelite kasutamise vastu täiustatud andmeanalüütika jaoks ja praktiliste rakenduste uurimise vastu, mis lahendavad reaalmaailma väljakutseid.
Sudeesh Sasidharan on energiameeskonna AWS-i vanemlahenduste arhitekt. Sudeeshile meeldib katsetada uute tehnoloogiatega ja luua uuenduslikke lahendusi, mis lahendavad keerulisi äriprobleeme. Kui ta just lahendusi ei kavanda ega uusimate tehnoloogiate kallal nokitse, leiad ta tenniseväljakult tagakäe kallal.
Neil Desai on tehnoloogiajuht, kellel on üle 20-aastane kogemus tehisintellekti (AI), andmeteaduse, tarkvaratehnika ja ettevõttearhitektuuri vallas. AWS-is juhib ta ülemaailmsete AI-teenuste spetsialistide lahendusarhitektide meeskonda, kes aitab klientidel luua uuenduslikke generatiivse tehisintellektil põhinevaid lahendusi, jagada klientidega parimaid tavasid ja koostada toote tegevuskava. Oma eelmistes rollides Vestases, Honeywellis ja Quest Diagnosticsis on Neil olnud juhtroll uuenduslike toodete ja teenuste väljatöötamisel ja turuletoomisel, mis on aidanud ettevõtetel oma tegevust parandada, kulusid vähendada ja tulusid suurendada. Ta on kirglik tehnoloogia kasutamise vastu reaalsete probleemide lahendamiseks ja on strateegiline mõtleja, kellel on tõestatud edusammud.
- 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/unlock-the-potential-of-generative-ai-in-industrial-operations/
- :on
- :on
- :mitte
- : kus
- $ UP
- 000
- 1
- 100
- 125
- 150
- 16
- 20
- 20 aastat
- 200
- 22
- 23
- 7
- 8
- a
- võime
- Võimalik
- ebanormaalne
- MEIST
- juurdepääs
- Vastavalt
- täpsus
- täpne
- üle
- tegevus
- vaidlustatav
- aktiivne
- lisama
- lisatud
- Täiendavad lisad
- aadress
- adresseerimine
- Lisab
- admin
- Vastuvõtmine
- edasijõudnud
- pärast
- Agent
- ained
- koondamine
- AI
- AI teenused
- Tehisintellekti toega
- AI / ML
- alarm
- leevendada
- Lubades
- mööda
- juba
- Ka
- Amazon
- Amazon EC2
- Amazon Rekognitsioon
- Amazon Web Services
- Võimendab
- an
- analüüs
- analytics
- ja
- kõrvalekalded
- anomaalia tuvastamine
- anonüümne
- vastus
- vastuseid
- Antroopne
- mistahes
- API
- app
- Rakenduste arendamine
- taotlus
- rakendused
- rakendatud
- lähenemine
- umbes
- arhitektid
- arhitektuur
- OLEME
- kunstlik
- tehisintellekti
- Tehisintellekt (AI)
- AS
- küsib
- hinnata
- eelis
- vara
- assistent
- abistab
- At
- auditeerimine
- suurendatud
- automaatselt
- saadaval
- AWS
- AWS CloudFormation
- Pank
- baas
- põhineb
- põhiline
- BE
- sest
- olnud
- hakkas
- alustama
- käitumine
- kasuks
- BEST
- parimaid tavasid
- võimendamine
- suurendab
- Katki
- brauseri
- ehitama
- Ehitus
- äri
- by
- arvutama
- arvutus
- helistama
- CAN
- võimeid
- võime
- lüüa
- juhul
- juhtudel
- Põhjus
- kett
- väljakutse
- väljakutseid
- raske
- chatbot
- jututoas
- Vali
- valimine
- cli
- kliendid
- kood
- koodid
- koguma
- Kollektsioneerimine
- kogumine
- Tulema
- tuleb
- kogukond
- Ettevõtted
- võrreldes
- võrrelda
- täitma
- keeruline
- terviklik
- arvuti
- seisund
- märkimisväärne
- koosneb
- konsool
- piiranguid
- ehitama
- ehitatud
- ehitamine
- konsulteerima
- sisaldab
- sisu
- kontekst
- jätkuvalt
- pidevalt
- mugavus
- Vestlus
- jutukas
- konverteeriva
- kulud
- loe
- kohus
- looma
- loodud
- loob
- kriitiline
- Praegune
- Praegu
- tava
- Kliendid
- iga päev
- andmed
- andmete analüüs
- Andmete analüüs
- andmehaldus
- andmetöötlus
- andmeteadus
- andmepõhistele
- Päeva
- otsused
- sügavam
- vaikimisi
- annab
- nõudmisi
- demokratiseerib
- kujutatud
- juurutada
- lähetatud
- kasutuselevõtu
- Disain
- kavandatud
- projekteerimine
- soovitud
- üksikasjalik
- Detailimine
- detailid
- avastama
- Detection
- arendama
- arenenud
- Arendajad
- arenev
- & Tarkvaraarendus
- seadmed
- diagnoos
- diagnostika
- skeem
- erinev
- raske
- digitaalne
- digitaalrevolutsiooni
- otse
- kataloog
- arutama
- laiali
- eristatav
- docs
- dokument
- dokumendid
- Ära
- alla
- juhib
- ajam
- sõidu
- kaks
- kestus
- dünaamiliselt
- iga
- lihtne
- kumbki
- ELEVATE
- kõrvaldab
- teine
- Embed
- kinnistamine
- tööle
- töötab
- võimaldades
- Lõpuks-lõpuni
- energia
- kaasamine
- Inseneriteadus
- Inseneride
- suurendama
- tõhustatud
- suurendamine
- rikastab
- sisene
- ettevõte
- ettevõtete
- Kogu
- seadmed
- vead
- Isegi
- sündmus
- ilmne
- areneb
- näide
- näited
- täidesaatev
- eksisteerima
- olemasolevate
- olemas
- laiendatud
- kogemus
- katsetamine
- uurima
- Avastades
- ulatuslik
- väljavõte
- nägu
- hõlbustada
- hõlbustab
- hõlbustades
- rajatised
- Ebaõnnestunud
- rikete
- tunnusjoon
- väli
- fail
- Faile
- leidma
- esimene
- Voolud
- keskendunud
- järgima
- Järel
- järgneb
- eest
- formaat
- Sihtasutus
- Raamistik
- Alates
- täis
- täielikult
- funktsioon
- funktsionaalsus
- edasi
- kasu
- Kasum
- kogumine
- tekitama
- loodud
- teeniva
- põlvkond
- generatiivne
- Generatiivne AI
- saama
- GitHub
- Goes
- Grupp
- Kasvavad
- Kasvab
- Käsitsemine
- käed-
- Raske
- rakmed
- Olema
- võttes
- he
- Tervis
- tervislik
- Held
- aitama
- aitas
- kasulik
- aitab
- kõrgresolutsiooniga
- teda
- takistatud
- tema
- Honeywell
- aga
- HTML
- http
- HTTPS
- inim-
- identifitseerima
- if
- Illustreerima
- illustreerib
- pilt
- pildid
- rakendada
- täitmine
- rakendatud
- parandama
- paranenud
- parandab
- in
- sisaldama
- lisatud
- hõlmab
- Kaasa arvatud
- kaasates
- Suurendama
- indeks
- indekseeritud
- tööstus-
- info
- teavitatakse
- esialgne
- algatama
- Algatab
- uuenduslik
- sisend
- sisestamine
- ülevaade
- teadmisi
- paigaldama
- Näiteks
- juhised
- integreerima
- integratsioon
- integratsioon
- Intelligentsus
- Intelligentne
- suhelda
- Interface
- Internet
- Asjade Internet
- sisse
- sisse
- Tutvustab
- asjade Interneti
- probleem
- IT
- ITS
- ühine
- jpeg
- jpg
- Json
- Võti
- teadmised
- teatud
- teab
- silt
- puudus
- maastik
- keel
- suur
- hiljemalt
- käivitamine
- kiht
- Juhtimine
- Leads
- Õppida
- õppimine
- lahkus
- taset
- võimendav
- Raamatukogu
- Litsentseeritud
- nagu
- piirangud
- piiratud
- liinid
- Loetletud
- elama
- koormus
- kohalik
- armastab
- masin
- masinõpe
- hooldus
- TEEB
- juhtima
- juhitud
- juhtimine
- Juhid
- Manipuleerimine
- käsitsi
- Tootjad
- tootmine
- märk
- matemaatika
- max
- mai..
- me
- mõõdud
- Vastama
- Metaandmed
- meetod
- võib
- minutit
- ML
- mudel
- mudelid
- Jälgida
- järelevalve
- igakuine
- rohkem
- kõige
- Mootor
- liikuv
- mitmekordne
- nimi
- Natural
- Navigate
- navigeerimine
- NAVIGATSIOON
- vajalik
- Vajadus
- Uus
- Uued tehnoloogiad
- järgmine
- ei
- normaalne
- märkimisväärne
- märkmik
- number
- saab
- of
- pakkuma
- Pakkumised
- on
- ONE
- ainult
- avatud
- avatud lähtekoodiga
- Avaneb
- töö
- töökorras
- Operations
- optimeerima
- or
- meie
- väljund
- väljundid
- üle
- pakette
- paari
- pandas
- pane
- Tähtsam
- osa
- eriti
- kirglik
- tee
- PC
- täitma
- teostatud
- täidab
- perspektiiv
- PHP
- Füüsiliselt
- Pöördetelg
- Keskses
- planeerimine
- Platon
- Platoni andmete intelligentsus
- PlatoData
- mängima
- mängib
- populaarne
- tekitab
- post
- potentsiaal
- võim
- sisse
- Praktiline
- tavad
- eeldused
- eelmine
- Eelnev
- probleeme
- protsess
- Töödeldud
- Protsessid
- töötlemine
- Toode
- Produktsioon
- tootlikkus
- Toodet
- Edu
- projekt
- projekti andmed
- küsib
- esitama
- Tõesta
- tõestatud
- anda
- annab
- pakkudes
- eesmärk
- Python
- kogus
- päringud
- päringu
- otsimine
- küsimus
- Küsimused
- rag
- valik
- alates
- kiiresti
- pigem
- Jõuab
- Lugenud
- päris maailm
- reaalajas
- reaalajas andmeid
- tunnustamine
- rekord
- vähendama
- viitama
- seotud
- asjakohane
- asendama
- asendamine
- Hoidla
- esindab
- Taotlusi
- nõudma
- nõutav
- Vahendid
- vastavalt
- vastus
- vastuste
- tulemuseks
- Tulemused
- otsing
- tagasipöördumine
- Tulu
- tulu
- Revolutsioon
- tegevuskava
- tugevus
- Roll
- rollid
- juur
- jooks
- jooksmine
- jookseb
- salveitegija
- sama
- rahul
- rahul
- Säästa
- salvestatud
- säästmine
- Skaala
- stsenaarium
- stsenaariumid
- teadus
- teadlased
- ekraanipilte
- käsikiri
- skripte
- Otsing
- otsingud
- Teine
- Osa
- turvalisus
- valima
- väljavalitud
- saatmine
- saadab
- vanem
- andur
- andur
- Saadetud
- Seeria
- server
- teenib
- teenus
- Teenused
- komplekt
- Komplektid
- seaded
- mitu
- Jaga
- ta
- suunata
- peaks
- näitama
- näidates
- näidatud
- Näitused
- Signaali
- märgatavalt
- sarnane
- lihtne
- lihtsus
- lihtsustama
- site
- SUURUS
- oskus
- oskused
- aeglane
- väike
- väiksem
- So
- tarkvara
- tarkvaraarendus
- lahendus
- Lahendused
- LAHENDAGE
- mõned
- midagi
- allikas
- hangitud
- Allikad
- eesotsas
- spetsialist
- spetsialiseeritud
- konkreetse
- eriti
- täpsustus
- spetsifikatsioonid
- Kestab
- standalone
- algus
- alustajatele
- modernne
- statistika
- Samm
- Sammud
- ladustamine
- salvestada
- lihtne
- Strateegiline
- oja
- streaming
- lihtsustab
- Sujuvamaks muutmine
- Tugevdama
- nöör
- Järgnevalt
- edu
- edukas
- Edukalt
- selline
- sobiv
- KOKKUVÕTE
- varustama
- tarneahelas
- kindel
- sünkroonida.
- süsteem
- süsteemid
- tabel
- võtnud
- Ülesanne
- meeskond
- meeskonnad
- Tehniline
- Tehnoloogiad
- Tehnoloogia
- šabloon
- tennis
- test
- tekst
- tekstiline
- kui
- et
- .
- Allikas
- oma
- Neile
- SIIS
- Seal.
- seetõttu
- Need
- nad
- asjad
- mõtleja
- Kolmas
- see
- kolm
- Läbi
- aeg
- Ajaseeria
- Titan
- et
- tööriist
- töövahendid
- ülemine
- Summa
- suunas
- jälgida
- tulemused
- trajektoor
- muundav
- ümber
- reisib
- tüüp
- tüüpiliselt
- Ubuntu
- all
- mõistmine
- ainulaadne
- avamine
- struktureerimata
- laetud
- Üleslaadimine
- Kasutus
- kasutama
- kasutage juhtumit
- Kasutatud
- Kasutaja
- User Experience
- Kasutajad
- kasutusalad
- kasutamine
- väärtuslik
- väärtus
- sort
- eri
- suur
- kaudu
- visiit
- mahud
- ootamine
- hoiatus
- we
- web
- veebiteenused
- olid
- M
- millal
- kas
- mis
- WHO
- laialt levinud
- will
- aken
- koos
- jooksul
- ilma
- töötaja
- töötajate
- töövoog
- Töövoogud
- töö
- töötab
- ülemaailmne
- Vale
- aastat
- veel
- saak
- sa
- Sinu
- sephyrnet