دادههای ساختاریافته، به عنوان دادههایی که از یک الگوی ثابت مانند اطلاعات ذخیره شده در ستونها در پایگاههای داده، و دادههای بدون ساختار، که فاقد شکل یا الگوی خاصی مانند متن، تصاویر یا پستهای رسانههای اجتماعی هستند، تعریف میشوند، هر دو با تولید و مصرف به رشد خود ادامه میدهند. توسط سازمان های مختلف به عنوان مثال، بر اساس گزارش شرکت بین المللی داده (IDC)، انتظار می رود حجم داده های جهان تا سال 2025 ده برابر شود و داده های ساختار نیافته بخش قابل توجهی را به خود اختصاص دهد. شرکتها ممکن است بخواهند ابردادههای سفارشی مانند انواع سند (فرمهای W-2 یا پیامهای پرداخت)، انواع موجودیتهای مختلف مانند نام، سازمان و آدرس، علاوه بر ابردادههای استاندارد مانند نوع فایل، تاریخ ایجاد یا اندازه را برای گسترش هوشمند اضافه کنند. جستجو در حین مصرف اسناد ابرداده سفارشی به سازمان ها و شرکت ها کمک می کند تا اطلاعات را به روش دلخواه خود دسته بندی کنند. به عنوان مثال، ابرداده می تواند برای فیلتر کردن و جستجو استفاده شود. مشتریان می توانند با استفاده از ابرداده سفارشی ایجاد کنند درک آمازون، یک سرویس پردازش زبان طبیعی (NLP) که توسط AWS مدیریت می شود تا اطلاعاتی در مورد محتوای اسناد استخراج کند و آن را وارد کند. آمازون کندرا همراه با داده های خود را به شاخص. Amazon Kendra یک سرویس جستجوی سازمانی بسیار دقیق و با استفاده آسان است که توسط یادگیری ماشینی (AWS) طراحی شده است. سپس می توان از ابرداده سفارشی برای غنی سازی بهتر محتوا استفاده کرد فیلترینگ و جنبه توانایی ها. در آمازون کندرا، جنبهها نماهای محدودهای از مجموعهای از نتایج جستجو هستند. برای مثال، میتوانید نتایج جستجو را برای شهرهای سرتاسر جهان ارائه دهید، جایی که اسناد توسط شهر خاصی که با آن مرتبط هستند فیلتر میشوند. همچنین می توانید جنبه هایی برای نمایش نتایج توسط یک نویسنده خاص ایجاد کنید.
شرکتهای بیمه با تعداد فزایندهای از دعاوی که باید رسیدگی کنند، بار میشوند. علاوه بر این، پیچیدگی رسیدگی به مطالبات نیز به دلیل انواع مختلف اسناد بیمه ای و نهادهای سفارشی در هر یک از این اسناد در حال افزایش است. در این پست، یک مورد استفاده برای غنی سازی محتوای سفارشی برای ارائه دهندگان بیمه را شرح می دهیم. ارائه دهنده بیمه مطالبات پرداختی را از وکیل ذینفع برای انواع مختلف بیمه مانند بیمه خانه، خودرو و زندگی دریافت می کند. در این مورد، اسناد دریافتی توسط ارائهدهنده بیمه حاوی هیچ ابردادهای نیست که امکان جستجوی محتوا بر اساس نهادها و طبقات خاص را فراهم کند. ارائهدهنده بیمه میخواهد محتوای Kendra را بر اساس نهادها و کلاسهای سفارشی خاص دامنه کسبوکار خود فیلتر کند. این پست نشان میدهد که چگونه میتوانید تولید ابرداده را با استفاده از مدلهای سفارشی Amazon Comprehend خودکار و ساده کنید. فراداده تولید شده را می توان در طول فرآیند جذب با Amazon Kendra سفارشی کرد غنی سازی اسناد سفارشی (CDE) منطق سفارشی
بیایید به چند نمونه از جستجوی آمازون کندرا با یا بدون قابلیت فیلتر و جنبهها نگاه کنیم.
در تصویر زیر، آمازون کندرا یک نتیجه جستجو را ارائه می دهد، اما هیچ گزینه ای برای محدود کردن بیشتر نتایج جستجو با استفاده از هیچ فیلتری وجود ندارد.
تصویر زیر نشان میدهد که نتایج جستجوی آمازون کندرا را میتوان با استفاده از جنبههای مختلف مانند موسسه حقوقی، شمارههای سیاست، که توسط ابردادههای سفارشی برای محدود کردن نتایج جستجو ایجاد میشوند، فیلتر کرد.
راه حل مورد بحث در این پست به راحتی می تواند برای سایر مشاغل/موارد استفاده نیز مانند مراقبت های بهداشتی، تولید و تحقیقات اعمال شود.
بررسی اجمالی راه حل
در این راه حل پیشنهادی، ما 1) مطالبات ارسالی بیمه را در طبقات مختلف طبقه بندی می کنیم، و 2) نهادهای خاص بیمه را از این اسناد بازیابی می کنیم. وقتی این کار کامل شد، سند را می توان به بخش مربوطه یا فرآیند پایین دستی هدایت کرد.
نمودار زیر ساختار راه حل پیشنهادی را نشان می دهد.
درک آمازون طبقه بندی سفارشی API برای سازماندهی اسناد شما به دستهها (کلاسهایی) که شما تعریف میکنید استفاده میشود. طبقه بندی سفارشی یک فرآیند دو مرحله ای است. ابتدا یک مدل طبقه بندی سفارشی (که طبقه بندی کننده نیز نامیده می شود) را آموزش می دهید تا کلاس های مورد علاقه شما را تشخیص دهد. سپس، از مدل خود برای طبقه بندی هر تعداد مجموعه سند استفاده می کنید.
درک آمازون شناسایی موجودیت سفارشی از ویژگی برای شناسایی انواع نهادهای خاص (نام شرکت بیمه، نام بیمهگر، شماره بیمهنامه) فراتر از آنچه در دسترس است استفاده میشود. انواع موجودیت عمومی به صورت پیش فرض. ساخت یک مدل شناسایی موجودیت سفارشی رویکرد موثرتری نسبت به استفاده از تطبیق رشته یا عبارات منظم برای استخراج موجودیت ها از اسناد است. یک مدل تشخیص موجودیت سفارشی میتواند زمینهای را که احتمالاً آن نامها در آن ظاهر میشوند، بیاموزد. علاوه بر این، تطبیق رشته ها موجودیت هایی را که اشتباهات املایی دارند یا از قراردادهای نامگذاری جدید پیروی می کنند، شناسایی نمی کند، در حالی که این کار با استفاده از یک مدل سفارشی امکان پذیر است.
قبل از غواصی عمیق تر، بیایید لحظه ای را به کشف آمازون کندرا اختصاص دهیم. Amazon Kendra یک سرویس جستجوی سازمانی بسیار دقیق و با استفاده آسان است که توسط یادگیری ماشینی طراحی شده است. این به کاربران اجازه می دهد تا اطلاعات مورد نیاز خود را در حجم وسیعی از محتوای پراکنده در سراسر سازمان خود پیدا کنند، از وب سایت ها و پایگاه های داده گرفته تا سایت های اینترانت. ابتدا یک فهرست آمازون کندرا برای جذب اسناد ایجاد می کنیم. در حین دریافت داده ها، توجه به مفهوم غنی سازی داده های سفارشی (CDE) ضروری است. CDE شما را قادر میسازد تا با گنجاندن دانش خارجی در فهرست جستجو، قابلیت جستجو را افزایش دهید. برای اطلاعات بیشتر مراجعه کنید غنی سازی اسناد خود در حین مصرف. در این پست، منطق CDE از API های سفارشی آمازون Comprehend برای غنی سازی اسناد با کلاس ها و موجودیت های شناسایی شده استفاده می کند. در نهایت، ما از صفحه جستجوی Amazon Kendra استفاده می کنیم تا نشان دهیم که چگونه ابرداده با افزودن قابلیت های فیتینگ و فیلتر کردن، قابلیت جستجو را افزایش داده است.
مراحل سطح بالا برای اجرای این راه حل به شرح زیر است:
- با استفاده از داده های آموزشی، طبقه بندی کننده سفارشی Amazon Comprehend را آموزش دهید
- با استفاده از داده های آموزشی، تشخیص نهادهای سفارشی Amazon Comprehend را آموزش دهید
- طبقه بندی کننده سفارشی Amazon Comprehend و نقاط پایانی شناسایی موجودیت سفارشی ایجاد کنید
- ایجاد و استقرار تابع Lambda برای غنی سازی پس از استخراج
- نمایه آمازون کندرا را ایجاد و پر کنید
- از موجودیت های استخراج شده برای فیلتر کردن جستجوها در آمازون کندرا استفاده کنید
ما همچنین یک نمونه برنامه کاربردی در GitHub repo برای مرجع است.
امنیت داده ها و ملاحظات IAM
با امنیت به عنوان اولویت اصلی، این راه حل از اصل حداقل مجوز برای خدمات و ویژگی های استفاده شده پیروی می کند. نقش IAM که توسط طبقه بندی سفارشی Amazon Comprehend و شناسایی موجودیت سفارشی استفاده می شود، مجوز دسترسی به مجموعه داده را فقط از سطل آزمایشی دارد. سرویس Amazon Kendra به یک سطل S3 خاص و تابع Lambda که برای فراخوانی APIهای درک استفاده می شود دسترسی دارد. تابع Lambda فقط مجوز فراخوانی APIهای آمازون Comprehend را دارد. برای اطلاعات بیشتر، بخش 1.2 و 1.3 را در دفترچه یادداشت مرور کنید.
توصیه می کنیم قبل از اجرای راه حل در محیط تولید، موارد زیر را در یک محیط غیر تولیدی انجام دهید.
با استفاده از داده های آموزشی، طبقه بندی کننده سفارشی Comprehend را آموزش دهید
Amazon Comprehend Custom Classification از دو نوع قالب داده برای فایل های حاشیه نویسی پشتیبانی می کند:
از آنجایی که دادههای ما قبلاً برچسبگذاری شده و در فایلهای CSV ذخیره شدهاند، به عنوان مثال از فرمت فایل CSV برای فایل حاشیهنویسی استفاده میکنیم. ما باید داده های آموزشی برچسب گذاری شده را به عنوان متن کدگذاری شده UTF-8 در یک فایل CSV ارائه کنیم. ردیف سرصفحه را در فایل CSV وارد نکنید. اضافه کردن یک ردیف سرصفحه در فایل شما ممکن است باعث خطاهای زمان اجرا شود. نمونه ای از فایل CSV داده های آموزشی به شرح زیر است:
برای تهیه داده های آموزشی طبقه بندی رجوع کنید آماده سازی داده های آموزشی طبقه بندی کننده. برای هر ردیف در فایل CSV، ستون اول شامل یک یا چند برچسب کلاس است. یک برچسب کلاس می تواند هر رشته معتبر UTF-8 باشد. توصیه میکنیم از نامهای کلاس واضح استفاده کنید که از نظر معنی همپوشانی ندارند. این نام میتواند شامل فضای سفید باشد و میتواند شامل چندین کلمه باشد که با زیرخط یا خط فاصله به هم متصل میشوند. هیچ کاراکتر فاصله ای قبل یا بعد از کاما که مقادیر را در یک ردیف جدا می کند، قرار ندهید.
در مرحله بعد، با استفاده از هر یک از آنها تمرین خواهید کرد حالت چند کلاسه or حالت چند برچسبی. به طور خاص، در حالت چند کلاسه، طبقهبندی یک کلاس را برای هر سند اختصاص میدهد، در حالی که در حالت چند برچسبی، کلاسهای جداگانه دستههای مختلفی را نشان میدهند که متقابلاً انحصاری نیستند. در مورد ما از حالت Multi-Class برای مدل های متن ساده استفاده خواهیم کرد.
می توانید مجموعه داده های آموزشی و آزمایشی جداگانه ای را برای آموزش طبقه بندی کننده سفارشی Amazon Comprehend و ارزیابی مدل آماده کنید. یا فقط یک مجموعه داده برای آموزش و آزمایش ارائه دهید. Comprehend به طور خودکار 10٪ از مجموعه داده ارائه شده شما را برای استفاده به عنوان داده آزمایشی انتخاب می کند. در این مثال، مجموعه دادههای آموزشی و آزمایشی جداگانه ارائه میکنیم.
مثال زیر یک فایل CSV حاوی نام کلاس های مرتبط با اسناد مختلف را نشان می دهد.
هنگامی که مدل طبقه بندی سفارشی آموزش داده می شود، می تواند طبقات مختلف بیمه را در اسناد ثبت کند (بیمه خانه، خودرو یا زندگی).
با استفاده از داده های آموزشی، شناسایی کننده موجودیت سفارشی آمازون Comprehend (NER) را آموزش دهید
مجموعه داده آموزشی برای Amazon Comprehend Custom Entity Recognition (NER) را می توان به یکی از دو روش مختلف تهیه کرد:
- حاشیه نویسی - مجموعه داده ای را ارائه می دهد که شامل موجودیت های مشروح شده برای آموزش حالت است
- لیست نهادها (فقط متن ساده) - فهرستی از نهادها و نوع برچسب آنها (مانند "نام شرکت های بیمه") و مجموعه ای از اسناد بدون حاشیه حاوی آن نهادها را برای آموزش مدل ارائه می دهد.
برای اطلاعات بیشتر به مراجعه کنید آماده سازی داده های آموزشی شناسایی موجودیت.
هنگام آموزش یک مدل با استفاده از لیست موجودیت، باید دو اطلاعات ارائه کنیم: فهرستی از نام نهادها با انواع موجودیت سفارشی مرتبط با آنها و مجموعهای از اسناد بدون حاشیهنویسی که موجودیتها در آن ظاهر میشوند.
آموزش خودکار مستلزم داشتن دو نوع اطلاعات است: اسناد نمونه و لیست موجودیت یا حاشیه نویسی. هنگامی که شناساگر آموزش داده شد، می توانید از آن برای شناسایی موجودیت های سفارشی در اسناد خود استفاده کنید. شما می توانید به سرعت حجم کوچکی از متن را در زمان واقعی تجزیه و تحلیل کنید، یا می توانید مجموعه بزرگی از اسناد را با یک کار ناهمزمان تجزیه و تحلیل کنید.
می توانید مجموعه داده های آموزشی و آزمایشی جداگانه ای را برای آموزش تشخیص دهنده موجودیت سفارشی آمازون Comprehend و ارزیابی مدل آماده کنید. یا فقط یک مجموعه داده برای آموزش و آزمایش ارائه دهید. Amazon Comprehend به طور خودکار 10٪ از مجموعه داده ارائه شده شما را برای استفاده به عنوان داده های آزمایشی انتخاب می کند. در مثال زیر مجموعه داده آموزشی را به صورت مشخص تعیین کردیم Documents.S3Uri
زیر InputDataConfig
.
مثال زیر یک فایل CSV حاوی موجودیت ها را نشان می دهد:
هنگامی که مدل موجودیتهای سفارشی (NER) آموزش داده شد، میتواند موجودیتهای مختلف مانند « را استخراج کند.PAYOUT
"،"INSURANCE_COMPANY
"،"LAW_FIRM
"،"POLICY_HOLDER_NAME
"،"POLICY_NUMBER
".
طبقه بندی کننده سفارشی Amazon Comprehend و نقاط پایانی موجودیت های سفارشی (NER) ایجاد کنید
نقاط پایانی Amazon Comprehend مدل های سفارشی شما را برای طبقه بندی بلادرنگ در دسترس قرار می دهد. پس از ایجاد نقطه پایانی، میتوانید با توجه به نیازهای کسبوکارتان تغییراتی در آن ایجاد کنید. برای مثال، میتوانید استفاده از نقطه پایانی خود را نظارت کنید و مقیاس خودکار را برای تنظیم خودکار تأمین نقطه پایانی متناسب با نیازهای ظرفیت خود اعمال کنید. شما می توانید تمام نقاط پایانی خود را از یک نمای واحد مدیریت کنید، و زمانی که دیگر به نقطه پایانی نیاز ندارید، می توانید برای صرفه جویی در هزینه، آن را حذف کنید. Amazon Comprehend از گزینههای همزمان و ناهمزمان پشتیبانی میکند، اگر طبقهبندی بلادرنگ برای مورد استفاده شما مورد نیاز نیست، میتوانید یک کار دستهای را برای طبقهبندی دادههای ناهمزمان به Amazon Comprehend ارسال کنید.
برای این مورد استفاده، شما یک نقطه پایانی ایجاد می کنید تا مدل سفارشی خود را برای تجزیه و تحلیل بلادرنگ در دسترس قرار دهید.
برای برآوردن نیازهای پردازش متن خود، واحدهای استنتاج را به نقطه پایانی اختصاص می دهید و هر واحد اجازه خروجی 100 کاراکتر در ثانیه را می دهد. سپس می توانید میزان توان را به سمت بالا یا پایین تنظیم کنید.
ایجاد و استقرار تابع Lambda برای غنی سازی پس از استخراج
تابع Lambda پس از استخراج به شما امکان می دهد منطق پردازش متن استخراج شده توسط آمازون کندرا از سند دریافت شده را پیاده سازی کنید. تابع پس از استخراج که ما پیکربندی کردیم، کدی را برای فراخوانی آمازون Comprehend برای شناسایی موجودیت های سفارشی و طبقه بندی سفارشی اسناد از متن استخراج شده توسط Amazon Kendra، پیاده سازی می کند و از آنها برای به روز رسانی ابرداده سند استفاده می کند، که به عنوان جنبه ها در جستجوی Amazon Kendra ارائه می شود. . کد تابع در نوت بوک تعبیه شده است. این PostExtractionLambda
کد به صورت زیر کار می کند:
- متن صفحه را به بخشهایی تقسیم میکند که از حداکثر طول بایت حد مجاز فراتر نمیرود
detect_entities
API. (دیدن محدودیت ).
توجه داشته باشید اسکریپت از یک الگوریتم تقسیم طول کاراکتر سادهلوح برای سادگی استفاده میکند - موارد استفاده تولید باید تقسیمبندی مرزی همپوشانی یا جمله را بر اساس طول بایت UTF8 پیادهسازی کند. - برای هر بخش از متن، نقاط پایانی در زمان واقعی را برای موجودیتهای سفارشی و طبقهبندیکننده سفارشی فراخوانی میکند تا انواع موجودیتهای زیر را شناسایی کند: [“
PAYOUT
"،"INSURANCE_COMPANY
"،"LAW_FIRM
"،"POLICY_HOLDER_NAME
"،"POLICY_NUMBER
"،"INSURANCE_TYPE
"] - موجودیت های شناسایی شده را که زیر آستانه امتیاز اطمینان هستند، فیلتر می کند. ما از آستانه 0.50 استفاده می کنیم که به این معنی است که فقط از نهادهایی با اطمینان 50٪ و بیشتر استفاده می شود. این را می توان بر اساس مورد استفاده و الزامات تنظیم کرد.
- تعداد فرکانس هر موجودیت را ردیابی می کند.
- فقط N (10) موجودیت منحصر به فرد برتر را برای هر صفحه بر اساس فراوانی وقوع انتخاب می کند.
- برای طبقه بندی اسناد، طبقه بندی کننده چند کلاسه تنها یک کلاس را برای هر سند اختصاص می دهد. در این تابع لامبدا، اسناد به عنوان بیمه خودرو، بیمه خانه یا بیمه عمر طبقه بندی می شوند.
توجه داشته باشید که از زمان نوشتن این مقاله، CDE فقط از تماسهای همزمان پشتیبانی میکند یا اگر باید ناهمزمان باشد، یک حلقه انتظار صریح مورد نیاز است. برای پس از استخراج لامبدا حداکثر زمان اجرا 1 دقیقه است منطق سفارشی لامبدا را می توان بر اساس الزامات مورد استفاده شما تغییر داد.
نمایه آمازون کندرا را ایجاد و پر کنید
در این مرحله، داده ها را به نمایه آمازون کندرا وارد کرده و آن را برای کاربران قابل جستجو می کنیم. در حین انتقال، از تابع Lambda ایجاد شده در مرحله قبل به عنوان یک مرحله پس از استخراج استفاده می کنیم و تابع Lambda برای ایجاد فیلدهای فراداده سفارشی، نقاط پایانی طبقه بندی سفارشی و شناسایی موجودیت سفارشی (NER) را فراخوانی می کند.
مراحل سطح بالا برای اجرای این راه حل به شرح زیر است:
- ساختن شاخص آمازون کندرا.
- ساختن منبع داده آمازون کندرا - منابع داده های مختلفی وجود دارد که می توان از آنها برای جذب مجموعه داده استفاده کرد. در این پست از سطل S3 استفاده می کنیم.
- ایجاد وجوه
Law_Firm
,Payout
,Insurance_Company
,Policy_Number
,Policy_Holder_Name
,Insurance_Type
با نوع رشته به عنوان 'STRING_LIST_VALUE
". - Kendra CDE را ایجاد کنید و آن را به تابع Lambda پس از استخراج که قبلاً ایجاد شده بود، قرار دهید.
- فرآیند همگام سازی را برای جذب مجموعه داده انجام دهید.
پس از تکمیل، می توانید فهرست را با داده های بیمه پر کنید، با استفاده از Kendra CDE با لامبدا پس از استخراج، می توانید جستجوها را بر اساس انواع موجودیت سفارشی و طبقه بندی سفارشی به عنوان فیلدهای فراداده سفارشی فیلتر کنید.
از موجودیت های استخراج شده برای فیلتر کردن جستجوها در Kendra استفاده کنید
اکنون ایندکس پر شده و آماده استفاده است. در کنسول آمازون کندرا، انتخاب کنید محتوای نمایه شده را در زیر مدیریت داده جستجو کنید و موارد زیر را انجام دهید.
موارد زیر را پرس و جو کنید: لیست بیمه به دلیل تاخیر در تشکیل پرونده شکست خورد؟
نتایج یک پاسخ از نوع سیاست را نشان می دهد - HOME INSURANCE
و می آورد text_18
و text_14
به عنوان نتایج برتر
"فیلتر کردن نتایج جستجو" را در سمت چپ انتخاب کنید. اکنون تمام انواع Entity و مقادیر طبقه بندی را می بینید که با استفاده از Comprehend استخراج شده اند و برای هر مقدار موجودیت و طبقه بندی تعداد اسناد منطبق را خواهید دید.
تحت INSURANCE_TYPE
"بیمه خودرو" را انتخاب کنید و سپس پاسخی دریافت خواهید کرد text_25
فایل.
توجه داشته باشید که نتایج شما ممکن است کمی با نتایج نشان داده شده در تصویر متفاوت باشد.
سعی کنید با پرس و جوهای خود جستجو کنید و مشاهده کنید که چگونه نهادها و طبقه بندی اسناد شناسایی شده توسط Amazon Comprehend به سرعت به شما اجازه می دهد:
- ببینید نتایج جستجوی شما چگونه در بین دسته ها توزیع می شود.
- جستجوی خود را با فیلتر کردن هر یک از مقادیر موجودیت/طبقه بندی محدود کنید.
پاک کردن
بعد از اینکه جستجو را آزمایش کردید و نوت بوک ارائه شده در مخزن Github را امتحان کردید، زیرساختی را که در حساب AWS خود تهیه کرده اید حذف کنید تا از هزینه های ناخواسته جلوگیری کنید. می توانید سلول های پاکسازی را در نوت بوک اجرا کنید. همچنین، می توانید منابع را به صورت دستی از طریق کنسول AWS حذف کنید:
- شاخص آمازون کندرا
- طبقه بندی کننده سفارشی و نقاط پایانی شناسایی موجودیت سفارشی (NER) را درک کنید
- مدلهای سفارشی طبقهبندیکننده سفارشی و شناسایی موجودیت سفارشی (NER) را درک کنید
- تابع لامبدا
- سطل S3
- نقش ها و سیاست های IAM
نتیجه
در این پست، ما نشان دادیم که چگونه نهادهای سفارشی و طبقهبندیکننده سفارشی Amazon Comprehend، جستجوی Amazon Kendra را با قابلیت CDE فعال میکند تا به کاربران نهایی کمک کند تا جستجوهای بهتری را روی دادههای ساختاریافته/بدون ساختار انجام دهند. موجودیت های سفارشی Amazon Comprehend و طبقه بندی کننده سفارشی آن را برای موارد استفاده مختلف و داده های خاص دامنه های مختلف بسیار مفید می کند. برای اطلاعات بیشتر در مورد نحوه استفاده از Amazon Comprehend، مراجعه کنید منابع توسعه دهنده آمازون Comprehend و برای آمازون کندرا رجوع شود منابع توسعه دهنده آمازون کندرا.
این راه حل را برای مورد استفاده خود امتحان کنید. از شما دعوت می کنیم نظرات خود را در بخش نظرات بیان کنید.
درباره نویسنده
آمیت چوداری یک معمار ارشد راه حل در خدمات وب آمازون است. حوزه تمرکز او AI/ML است و در زمینه هوش مصنوعی مولد، مدل های زبان بزرگ و مهندسی سریع به مشتریان کمک می کند. خارج از محل کار، آمیت از گذراندن وقت با خانواده اش لذت می برد.
یانیان ژانگ یک دانشمند ارشد داده در تیم تحویل انرژی با خدمات حرفه ای AWS است. او مشتاق کمک به مشتریان برای حل مشکلات واقعی با دانش AI/ML است. اخیراً تمرکز او بر روی کشف پتانسیل هوش مصنوعی و LLM بوده است. خارج از محل کار، او عاشق سفر، کار کردن و کشف چیزهای جدید است.
نیکیل جا یک مدیر ارشد حساب فنی در خدمات وب آمازون است. حوزه های تمرکز او شامل AI/ML و تجزیه و تحلیل است. او در اوقات فراغت خود از بدمینتون بازی با دخترش و کاوش در فضای باز لذت می برد.
- محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
- PlatoData.Network Vertical Generative Ai. به خودت قدرت بده دسترسی به اینجا.
- PlatoAiStream. هوش وب 3 دانش تقویت شده دسترسی به اینجا.
- PlatoESG. کربن ، CleanTech، انرژی، محیط، خورشیدی، مدیریت پسماند دسترسی به اینجا.
- PlatoHealth. هوش بیوتکنولوژی و آزمایشات بالینی. دسترسی به اینجا.
- منبع: https://aws.amazon.com/blogs/machine-learning/use-custom-metadata-created-by-amazon-comprehend-to-intelligently-process-insurance-claims-using-amazon-kendra/
- : دارد
- :است
- :نه
- :جایی که
- $UP
- 1
- 1.3
- 10
- 100
- 19
- 2025
- 33
- 50
- 500
- 7
- 9
- a
- قادر
- درباره ما
- دسترسی
- مطابق
- حساب
- حسابداری (Accounting)
- دقیق
- در میان
- اضافه کردن
- اضافه کردن
- اضافه
- علاوه بر این
- نشانی
- پس از
- AI
- AI / ML
- الگوریتم
- معرفی
- اجازه می دهد تا
- در امتداد
- قبلا
- همچنین
- آمازون
- درک آمازون
- آمازون کندرا
- آمازون خدمات وب
- مقدار
- an
- تحلیل
- علم تجزیه و تحلیل
- تحلیل
- و
- پاسخ
- هر
- API
- رابط های برنامه کاربردی
- ظاهر شدن
- کاربرد
- اعمال می شود
- درخواست
- روش
- مناسب
- معماری
- هستند
- محدوده
- مناطق
- AS
- مرتبط است
- At
- وکیل
- نویسنده
- خودکار
- خودکار بودن
- بطور خودکار
- در دسترس
- اجتناب از
- AWS
- خدمات حرفه ای AWS
- مستقر
- BE
- بوده
- قبل از
- در زیر
- بهتر
- خارج از
- بدن
- هر دو
- مرز
- به ارمغان می آورد
- بنا
- کسب و کار
- اما
- by
- صدا
- نام
- تماس ها
- CAN
- قابلیت های
- قابلیت
- ظرفیت
- گرفتن
- مورد
- موارد
- دسته
- علت
- سلول ها
- معین
- تغییر
- تبادل
- شخصیت
- کاراکتر
- بار
- را انتخاب کنید
- شهرستانها
- شهر:
- ادعای
- کلاس
- کلاس ها
- طبقه بندی
- طبقه بندی
- طبقه بندی کنید
- واضح
- رمز
- مجموعه
- ستون
- ستون ها
- نظرات
- شرکت
- شرکت
- کامل
- تکمیل شده
- پیچیدگی
- درک
- مفهوم
- اعتماد به نفس
- پیکربندی
- متصل
- در نظر بگیرید
- کنسول
- مصرف
- شامل
- شامل
- محتوا
- زمینه
- ادامه دادن
- کنوانسیون
- شرکت
- هزینه
- میتوانست
- ایجاد
- ایجاد شده
- سفارشی
- مشتریان
- سفارشی
- داده ها
- غنی سازی داده ها
- مدیریت اطلاعات
- دانشمند داده
- مجموعه داده ها
- پایگاه های داده
- مجموعه داده ها
- تاریخ
- عمیق تر
- به طور پیش فرض
- تعريف كردن
- مشخص
- تحویل
- بخش
- گسترش
- توصیف
- تشخیص
- شناسایی شده
- توسعه دهنده
- مختلف
- متفاوت است
- بحث کردیم
- نمایش دادن
- توزیع شده
- مختلف
- غواصی
- do
- سند
- اسناد و مدارک
- دامنه
- دان
- آیا
- پایین
- دو
- در طی
- e
- E&T
- هر
- به آسانی
- آسان برای استفاده
- موثر
- هر دو
- el
- جاسازی شده
- را قادر می سازد
- نقطه پایانی
- انرژی
- مهندسی
- بالا بردن
- افزایش
- غنی سازی
- غنی سازی
- سرمایه گذاری
- شرکت
- اشخاص
- موجودیت
- محیط
- خطاهای
- ضروری است
- ارزیابی
- تکامل یابد
- مثال
- مثال ها
- تجاوز
- جز
- استثنا
- انحصاری
- اعدام
- خارج شدن
- انتظار می رود
- اکتشاف
- بررسی
- اصطلاحات
- گسترش
- خارجی
- عصاره
- استخراج
- عناصر
- ناموفق
- خانواده
- ویژگی
- امکانات
- باز خورد
- کمی از
- زمینه
- پرونده
- فایل ها
- بایگانی
- فیلتر
- فیلتر
- فیلترها برای تصفیه آب
- سرانجام
- پیدا کردن
- شرکت
- نام خانوادگی
- مناسب
- ثابت
- تمرکز
- به دنبال
- پیروی
- به دنبال آن است
- برای
- فرم
- قالب
- اشکال
- فرکانس
- از جانب
- تابع
- بیشتر
- تولید
- نسل
- مولد
- هوش مصنوعی مولد
- دریافت کنید
- GitHub
- شدن
- آیا
- داشتن
- he
- بهداشت و درمان
- کمک
- کمک
- کمک می کند
- او
- در سطح بالا
- بالاتر
- بالاترین
- خیلی
- خود را
- صفحه اصلی
- چگونه
- چگونه
- HTML
- HTTPS
- i
- IDC
- شناسایی
- شناسایی
- if
- نشان می دهد
- تصاویر
- انجام
- اجرای
- پیاده سازی می کند
- in
- شامل
- گنجاندن
- افزایش
- افزایش
- شاخص
- نمایه شده
- فرد
- اطلاعات
- شالوده
- ورودی
- بینش
- نمونه
- بیمه
- هوشمند
- علاقه
- بین المللی
- شرکت بین المللی داده (IDC)
- به
- دعوت
- فراخوانی میکند
- گرفتار
- IT
- کار
- json
- دانش
- برچسب
- برچسب ها
- زبان
- بزرگ
- دیر
- قانون
- شرکت حقوقی
- یاد گرفتن
- یادگیری
- کمترین
- ترک کردن
- ترک کرد
- طول
- زندگی
- پسندیدن
- احتمالا
- محدود
- فهرست
- لیست
- LLM
- منطق
- دیگر
- نگاه کنيد
- دوست دارد
- دستگاه
- فراگیری ماشین
- ساخت
- باعث می شود
- مدیریت
- اداره می شود
- مدیریت
- مدیر
- دستی
- تولید
- مطابق
- حداکثر
- ممکن است..
- معنی
- به معنی
- رسانه ها
- دیدار
- متاداده
- دقیقه
- حالت
- مدل
- مدل
- لحظه
- مانیتور
- بیش
- اکثر
- چندگانه
- باید
- متقابلا
- نام
- نام
- نامگذاری
- باریک
- نیاز
- ضروری
- نیازهای
- جدید
- nlp
- نه
- دفتر یادداشت
- اکنون
- عدد
- تعداد
- هدف
- اشیاء
- مشاهده کردن
- وقوع
- of
- on
- یک بار
- ONE
- فقط
- گزینه
- گزینه
- or
- کدام سازمان ها
- سازمان های
- دیگر
- ما
- خارج
- خارج از منزل
- نمای کلی
- خارج از
- خود
- با ما
- جفت
- احساساتی
- الگو
- برای
- انجام
- مجوز
- قطعات
- ساده
- افلاطون
- هوش داده افلاطون
- PlatoData
- بازی
- نقطه
- سیاست
- پر جمعیت
- بخشی
- ممکن
- پست
- پست ها
- پتانسیل
- صفحه اصلی
- مرجح
- آماده
- آماده شده
- ارائه شده
- قبلی
- قبلا
- اصل
- قبلا
- اولویت
- امتیاز
- مشکلات
- روند
- در حال پردازش
- ساخته
- تولید
- حرفه ای
- پیشنهاد شده
- ارائه
- ارائه
- ارائه دهنده
- ارائه دهندگان
- فراهم می کند
- ارائه
- نمایش ها
- به سرعت
- نقل قول
- اعم
- خواندن
- اماده
- واقعی
- زمان واقعی
- اخذ شده
- دریافت
- تازه
- به رسمیت شناختن
- شناختن
- به رسمیت شناخته شده
- توصیه
- مراجعه
- مرجع
- منظم
- مخزن
- نشان دادن
- ضروری
- مورد نیاز
- نیاز
- تحقیق
- منابع
- نتیجه
- نتایج
- برگشت
- این فایل نقد می نویسید:
- نقش
- نقش
- ROW
- دویدن
- زمان اجرا
- همان
- ذخیره
- مقیاس گذاری
- دانشمند
- نمره
- خط
- جستجو
- جستجو
- جستجو
- دوم
- بخش
- بخش
- تیم امنیت لاتاری
- دیدن
- را انتخاب کنید
- ارشد
- جمله
- جداگانه
- سرویس
- خدمات
- تنظیم
- مجموعه
- او
- باید
- نشان
- نشان داد
- نشان داده شده
- نشان می دهد
- قابل توجه
- سادگی
- ساده کردن
- تنها
- سایت
- اندازه
- کوچک
- So
- آگاهی
- رسانه های اجتماعی
- پیام های رسانه های اجتماعی
- راه حل
- مزایا
- حل
- منابع
- فضا
- خاص
- به طور خاص
- مشخص شده
- هزینه
- تقسیم می کند
- گسترش
- استاندارد
- گام
- مراحل
- opbevare
- ذخیره شده
- رشته
- مطالب ارسالی
- ارسال
- چنین
- پشتیبانی
- پشتیبانی از
- همگام سازی
- گرفتن
- تیم
- فنی
- آزمون
- تست
- متن
- نسبت به
- که
- La
- اطلاعات
- جهان
- شان
- آنها
- سپس
- آنجا.
- اینها
- آنها
- اشیاء
- این
- کسانی که
- آستانه
- از طریق
- توان
- زمان
- به
- بالا
- مسیر
- قطار
- آموزش دیده
- آموزش
- سفر
- درمان
- سعی
- امتحان
- کوک شده
- دو
- نوع
- انواع
- زیر
- تأکید
- منحصر به فرد
- واحد
- واحد
- ناخواسته
- بروزرسانی
- استفاده کنید
- مورد استفاده
- استفاده
- کاربران
- استفاده
- با استفاده از
- معتبر
- ارزش
- ارزشها
- مختلف
- وسیع
- بسیار
- چشم انداز
- نمایش ها
- حجم
- صبر کنيد
- می خواهم
- می خواهد
- مسیر..
- راه
- we
- وب
- خدمات وب
- وب سایت
- خوب
- چی
- چه شده است
- چه زمانی
- که
- در حین
- سفید
- اراده
- با
- در داخل
- بدون
- کلمات
- مهاجرت کاری
- کارگر
- کار کردن
- با این نسخهها کار
- جهان
- جهان
- نوشته
- کتبی
- شما
- شما
- زفیرنت