در دنیای دیجیتال امروزی، بیشتر مصرفکنندگان ترجیح میدهند به جای اینکه وقت بگذارند و با کسبوکارها و/یا ارائهدهندگان خدمات ارتباط برقرار کنند، پاسخ سؤالات خدمات مشتری خود را به تنهایی پیدا کنند. این پست وبلاگ راه حلی نوآورانه برای ایجاد ربات چت پرسش و پاسخ را بررسی می کند آمازون لکس که از سوالات متداول موجود از وب سایت شما استفاده می کند. این ابزار مجهز به هوش مصنوعی میتواند پاسخهای سریع و دقیقی را به پرسشهای دنیای واقعی ارائه دهد و به مشتری این امکان را میدهد تا بهسرعت و آسان مشکلات رایج را بهطور مستقل حل کند.
دریافت URL واحد
بسیاری از شرکتها مجموعهای از پاسخهای منتشر شده برای پرسشهای متداول برای مشتریان خود را در وبسایت خود در دسترس دارند. در این مورد، ما میخواهیم یک ربات چت به مشتریان ارائه دهیم که میتواند به سؤالات آنها از سؤالات متداول منتشر شده ما پاسخ دهد. در پست وبلاگ با عنوان آمازون Lex را با ویژگیهای سؤالات متداول مکالمه با استفاده از LLM تقویت کنید، ما نشان دادیم که چگونه می توانید از ترکیب آمازون Lex و LlamaIndex برای ایجاد یک ربات چت با منابع دانش موجود شما مانند اسناد PDF یا Word استفاده کنید. برای پشتیبانی از یک پرسش متداول ساده، بر اساس یک وبسایت پرسشهای متداول، باید فرآیندی را ایجاد کنیم که بتواند وبسایت را بخزد و جاسازیهایی ایجاد کند که توسط LlamaIndex برای پاسخ به سؤالات مشتری استفاده شود. در این مورد، ما بر روی ربات ایجاد شده در پست وبلاگ قبلی، که آن جاسازیها را با گفتار کاربر پرس و جو میکند و پاسخ را از پرسشهای متداول وبسایت برمیگرداند.
نمودار زیر نشان می دهد که چگونه فرآیند مصرف و ربات آمازون لکس برای راه حل ما با هم کار می کنند.
در گردش کار راه حل، وب سایت با سؤالات متداول از طریق وارد می شود AWS لامبدا. این تابع Lambda وب سایت را می خزد و متن حاصل را در یک ذخیره می کند سرویس ذخیره سازی ساده آمازون سطل (Amazon S3). سپس سطل S3 یک تابع Lambda را راهاندازی میکند که از LlamaIndex برای ایجاد جاسازیهایی استفاده میکند که در Amazon S3 ذخیره میشوند. هنگامی که یک سوال از کاربر نهایی می رسد، مانند "سیاست بازگشت شما چیست؟"، ربات آمازون Lex از تابع Lambda خود برای جستجو در جاسازی ها با استفاده از رویکرد مبتنی بر RAG با LlamaIndex استفاده می کند. برای اطلاعات بیشتر در مورد این رویکرد و پیش نیازها، به پست وبلاگ مراجعه کنید، آمازون Lex را با ویژگیهای سؤالات متداول مکالمه با استفاده از LLM تقویت کنید.
پس از تکمیل پیش نیازهای وبلاگ فوق، اولین گام این است که سؤالات متداول را در یک مخزن اسناد وارد کنید که می تواند توسط LlamaIndex بردار و نمایه شود. کد زیر نحوه انجام این کار را نشان می دهد:
در مثال قبل، ما یک URL وب سایت پرسش و پاسخ از پیش تعریف شده را از Zappos می گیریم و آن را با استفاده از EZWebLoader
کلاس با استفاده از این کلاس، ما به URL پیمایش کرده ایم و تمام سوالاتی که در صفحه هستند را در یک فهرست بارگذاری کرده ایم. اکنون می توانیم سؤالی مانند "آیا Zappos کارت هدیه دارد؟" و پاسخ ها را مستقیماً از سؤالات متداول ما در وب سایت دریافت کنید. اسکرین شات زیر کنسول تست ربات آمازون لکس را نشان می دهد که به این سوال از سوالات متداول پاسخ می دهد.
ما توانستیم به این هدف برسیم زیرا در مرحله اول URL را خزیده بودیم و جاسازی هایی ایجاد کرده بودیم که LlamaIndex می توانست از آنها برای جستجوی پاسخ سؤال ما استفاده کند. تابع Lambda ربات ما نشان می دهد که هر زمان که هدف بازگشتی برگردانده می شود، این جستجو چگونه اجرا می شود:
این راه حل زمانی به خوبی کار می کند که یک صفحه وب تمام پاسخ ها را داشته باشد. با این حال، اکثر سایت های پرسش و پاسخ در یک صفحه ساخته نشده اند. به عنوان مثال، در مثال Zappos ما، اگر سوالی را بپرسیم «آیا سیاست تطبیق قیمت دارید؟»، همانطور که در تصویر زیر نشان داده شده است، پاسخی کمتر از رضایتبخش دریافت میکنیم.
در تعامل قبلی، پاسخ خط مشی تطبیق قیمت برای کاربر ما مفید نیست. این پاسخ کوتاه است زیرا سؤالات متداول ارجاع شده پیوندی به یک صفحه خاص در مورد خط مشی تطبیق قیمت است و خزیدن وب ما فقط برای یک صفحه بود. دستیابی به پاسخ های بهتر به معنای خزیدن در این پیوندها نیز خواهد بود. بخش بعدی نشان میدهد که چگونه میتوان به سؤالاتی پاسخ داد که به دو یا چند سطح از عمق صفحه نیاز دارند.
خزیدن در سطح N
هنگامی که یک صفحه وب را برای دانش پرسشهای متداول میخزیم، اطلاعاتی که میخواهیم را میتوان در صفحات پیوندی قرار داد. به عنوان مثال، در مثال Zappos خود، ما این سوال را مطرح می کنیم که "آیا سیاست تطبیق قیمت دارید؟" و پاسخ این است: "بله لطفا بازدید کنید برای یادگیری بیشتر.” اگر کسی بپرسد "سیاست تطبیق قیمت شما چیست؟" سپس می خواهیم با خط مشی یک پاسخ کامل بدهیم. دستیابی به این بدان معنی است که ما نیاز به عبور از پیوندها برای دریافت اطلاعات واقعی برای کاربر نهایی خود داریم. در طول فرآیند جذب، میتوانیم از بارگذار وب خود برای یافتن پیوندهای لنگر به سایر صفحات HTML و سپس عبور از آنها استفاده کنیم. تغییر کد زیر به خزنده وب ما به ما امکان می دهد پیوندها را در صفحاتی که می خزیم پیدا کنیم. همچنین شامل برخی منطق اضافی برای جلوگیری از خزیدن دایره ای و اجازه دادن به فیلتر توسط یک پیشوند است.
در کد قبلی، ما توانایی خزیدن N سطح عمیق را معرفی میکنیم و پیشوندی میدهیم که به ما اجازه میدهد خزیدن را فقط به مواردی محدود کنیم که با یک الگوی URL خاص شروع میشوند. در مثال Zappos ما، صفحات خدمات مشتری همگی از ریشه هستند zappos.com/c
، بنابراین ما آن را به عنوان پیشوند برای محدود کردن خزیدن خود به یک زیر مجموعه کوچکتر و مرتبط تر اضافه می کنیم. این کد نشان میدهد که چگونه میتوانیم تا دو سطح عمیق را وارد کنیم. منطق لامبدا ربات ما ثابت می ماند زیرا هیچ چیز تغییر نکرده است جز اینکه خزنده اسناد بیشتری را دریافت می کند.
ما اکنون همه اسناد را نمایه کرده ایم و می توانیم سؤال دقیق تری بپرسیم. در اسکرین شات زیر، ربات ما پاسخ صحیحی به سوال «آیا سیاست تطبیق قیمت دارید؟» را ارائه می دهد.
ما اکنون پاسخ کاملی به سوال خود در مورد تطبیق قیمت داریم. به جای اینکه به سادگی به او گفته شود "بله، خط مشی ما را ببینید"، جزئیات را از خزیدن سطح دوم به ما می دهد.
پاک کردن
برای جلوگیری از متحمل شدن هزینه های آتی، با حذف تمام منابعی که به عنوان بخشی از این تمرین استفاده شده اند، اقدام کنید. ما یک اسکریپت برای خاموش کردن نقطه پایانی Sagemaker به راحتی ارائه کرده ایم. جزئیات استفاده در README موجود است. علاوه بر این، برای حذف تمام منابع دیگری که می توانید اجرا کنید cdk destroy
در همان دایرکتوری با دستورات دیگر cdk برای حذف تمام منابع موجود در پشته شما.
نتیجه
توانایی وارد کردن مجموعه ای از سؤالات متداول در یک ربات چت به مشتریان شما این امکان را می دهد که پاسخ سؤالات خود را با پرس و جوهای ساده و زبان طبیعی پیدا کنند. با ترکیب پشتیبانی داخلی در آمازون Lex برای مدیریت مجدد با یک راه حل RAG مانند LlamaIndex، میتوانیم مسیر سریعی را برای مشتریان خود فراهم کنیم تا پاسخهای رضایتبخش، سرپرستی و تأیید شده به سؤالات متداول را دریافت کنند. با اعمال خزیدن سطح N در راه حل خود، می توانیم پاسخ هایی را که احتمالاً می توانند چندین پیوند سؤالات متداول را در بر گیرند و پاسخ های عمیق تری به سؤالات مشتری ارائه دهند، اجازه دهیم. با دنبال کردن این مراحل، می توانید به طور یکپارچه قابلیت های قدرتمند Q و A مبتنی بر LLM و دریافت URL کارآمد را در چت ربات آمازون Lex خود بگنجانید. این منجر به تعامل دقیق تر، جامع تر و آگاهانه تر با کاربران می شود.
درباره نویسندگان
ماکس هنکل والاس مهندس توسعه نرم افزار در AWS Lex است. او از کار با استفاده از فناوری برای به حداکثر رساندن موفقیت مشتری لذت می برد. او در خارج از محل کار به آشپزی، گذراندن وقت با دوستان و کولهپشتی علاقه دارد.
آهنگ فنگ یک دانشمند ارشد کاربردی در آزمایشگاه هوش مصنوعی AWS، متخصص در پردازش زبان طبیعی و هوش مصنوعی است. تحقیقات او جنبههای مختلف این زمینهها از جمله مدلسازی گفتگو مبتنی بر سند، استدلال برای گفتگوهای وظیفهمحور، و تولید متن تعاملی با استفاده از دادههای چندوجهی را بررسی میکند.
جان بیکر یک SDE اصلی در AWS است که در آن روی پردازش زبان طبیعی، مدلهای زبان بزرگ و سایر پروژههای مرتبط با ML/AI کار میکند. او بیش از 9 سال با آمازون بوده و در AWS، Alexa و Amazon.com کار کرده است. جان در اوقات فراغت خود از اسکی و سایر فعالیت های فضای باز در سراسر شمال غرب اقیانوس آرام 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. خودرو / خودروهای الکتریکی، کربن ، CleanTech، انرژی، محیط، خورشیدی، مدیریت پسماند دسترسی به اینجا.
- BlockOffsets. نوسازی مالکیت افست زیست محیطی. دسترسی به اینجا.
- منبع: https://aws.amazon.com/blogs/machine-learning/enhance-amazon-lex-with-llms-and-improve-the-faq-experience-using-url-ingestion/
- : دارد
- :است
- :نه
- :جایی که
- $UP
- 1
- 10
- 100
- 12
- 14
- 16
- 19
- 23
- 36
- 7
- 80
- a
- توانایی
- قادر
- درباره ما
- انجام دادن
- دقیق
- رسیدن
- دستیابی به
- در میان
- فعالیت ها
- واقعی
- اضافی
- علاوه بر این
- AI
- مجهز به هوش مصنوعی
- چک
- معرفی
- اجازه دادن
- اجازه دادن
- اجازه می دهد تا
- قبلا
- همچنین
- آمازون
- آمازون لکس
- آمازون خدمات وب
- Amazon.com
- an
- لنگر
- و
- پاسخ
- پاسخ
- اعمال می شود
- با استفاده از
- روش
- تایید کرد
- هستند
- وارد می شود
- مصنوعی
- هوش مصنوعی
- AS
- جنبه
- At
- در دسترس
- اجتناب از
- مطلع
- AWS
- به عقب
- پایه
- مستقر
- BE
- زیرا
- بوده
- شروع
- بودن
- بهتر
- بلاگ
- بدن
- ربات
- ساختن
- ساخته
- ساخته شده در
- کسب و کار
- by
- CAN
- قابلیت های
- کارت ها
- مورد
- معین
- تغییر دادن
- تغییر
- chatbot
- بررسی
- کلاس
- مشتری
- نزدیک
- رمز
- COM
- ترکیب
- ترکیب
- آینده
- مشترک
- کامل
- جامع
- کنسول
- مصرف کنندگان
- موجود
- محتوا
- محتویات
- زمینه
- محاورهای
- تبدیل
- تبدیل
- اصلاح
- میتوانست
- مقابله با
- خزنده
- ایجاد
- ایجاد شده
- سرپرستی
- مشتری
- خدمات مشتری
- موفقیت مشتری
- مشتریان
- چرخه
- داده ها
- عمیق
- عمیق تر
- به طور پیش فرض
- نشان
- مستقر
- عمق
- دقیق
- جزئیات
- پروژه
- گفتگو
- دیجیتال
- دنیای دیجیتال
- مستقیما
- سند
- اسناد و مدارک
- پایین
- دانلود
- نسخه های تکراری
- در طی
- e
- هر
- به آسانی
- موثر
- دیگر
- را قادر می سازد
- پایان
- نقطه پایانی
- مهندس
- بالا بردن
- شرکت
- ورود
- واقعه
- مثال
- جز
- استثنا
- ورزش
- موجود
- مخارج
- تجربه
- کاوش می کند
- پاسخ به برخی سوالات مهم
- امکانات
- زمینه
- فایل ها
- فیلتر
- پیدا کردن
- نام خانوادگی
- پیروی
- برای
- یافت
- دوستان
- از جانب
- تابع
- آینده
- نسل
- دریافت کنید
- هدیه
- کارت های هدیه
- دادن
- داده
- می دهد
- Go
- بود
- اداره
- آیا
- he
- هدر
- مفید
- او
- خود را
- چگونه
- چگونه
- اما
- HTML
- HTTP
- HTTPS
- if
- واردات
- بهبود
- in
- شامل
- شامل
- از جمله
- وارد شونده
- ترکیب کردن
- به طور مستقل
- شاخص
- نمایه شده
- اطلاعات
- اطلاعات
- ابتکاری
- ورودی
- سوالات
- نمونه
- در عوض
- اطلاعات
- قصد
- اثر متقابل
- فعل و انفعالات
- تعاملی
- به
- معرفی
- IT
- ITS
- جان
- JPG
- json
- کلید
- دانش
- آزمایشگاه
- زبان
- بزرگ
- یاد گرفتن
- سطح
- سطح
- بهره برداری
- پسندیدن
- محدود
- ارتباط دادن
- مرتبط
- لینک ها
- لینوکس
- فهرست
- بار
- بارکننده
- محلی
- به صورت محلی
- ورود به سیستم
- منطق
- تطبیق
- مطابق
- بیشینه ساختن
- متوسط
- به معنی
- پیام
- پیام
- مدل سازی
- مدل
- بیش
- اکثر
- چندگانه
- نام
- طبیعی
- پردازش زبان طبیعی
- نیاز
- بعد
- هیچ چی
- اکنون
- عدد
- اشیاء
- of
- ارائه
- on
- ONE
- فقط
- or
- OS
- دیگر
- ما
- خارج
- خارج از
- خود
- ارام
- با ما
- صفحات
- بخش
- احساساتی
- مسیر
- الگو
- افلاطون
- هوش داده افلاطون
- PlatoData
- لطفا
- سیاست
- احتمالا
- پست
- صفحه اصلی
- قوی
- جلوگیری از
- قیمت
- اصلی
- مشکلات
- روند
- در حال پردازش
- پروژه ها
- ارائه
- ارائه
- ارائه دهندگان
- فراهم می کند
- منتشر شده
- نمایش ها
- سوال
- سوالات
- سریع
- به سرعت
- بالا بردن
- نسبتا
- RE
- رسیدن به
- خوانندگان
- دنیای واقعی
- مربوط
- مربوط
- بقایای
- برداشتن
- مخزن
- درخواست
- درخواست
- نیاز
- تحقیق
- منابع
- پاسخ
- پاسخ
- محدود کردن
- نتیجه
- نتایج
- برگشت
- بازده
- ریشه
- مسیر
- دویدن
- s
- حکیم ساز
- همان
- دانشمند
- یکپارچه
- جستجو
- بخش
- دیدن
- خود
- ارشد
- سرویس
- ارائه دهندگان خدمات
- خدمات
- تنظیم
- کوتاه
- نشان داده شده
- نشان می دهد
- خاموش
- ساده
- به سادگی
- تنها
- سایت
- سایت
- جک پات
- کوچکتر
- So
- نرم افزار
- توسعه نرم افزار
- راه حل
- حل
- برخی از
- کسی
- منابع
- محدوده
- متخصص
- خاص
- هزینه
- پشته
- شروع
- گام
- مراحل
- ذخیره سازی
- opbevare
- ذخیره شده
- پرده
- ساده
- موفقیت
- چنین
- پشتیبانی
- SYS
- گرفتن
- مصرف
- پیشرفته
- آزمون
- نسبت به
- که
- La
- اطلاعات
- شان
- آنها
- سپس
- اینها
- اشیاء
- این
- کسانی که
- سراسر
- زمان
- با عنوان
- به
- امروز
- با هم
- ابزار
- درمان
- درست
- امتحان
- دو
- نوع
- URL
- us
- استفاده
- استفاده کنید
- استفاده
- کاربر
- کاربران
- استفاده
- با استفاده از
- مختلف
- از طريق
- بازدید
- بازدید
- می خواهم
- بود
- we
- وب
- خدمات وب
- سایت اینترنتی
- خوب
- بود
- چه زمانی
- هر زمان که
- که
- اراده
- با
- کلمه
- مهاجرت کاری
- همکاری
- مشغول به کار
- گردش کار
- کارگر
- با این نسخهها کار
- جهان
- خواهد بود
- کتبی
- X11
- سال
- شما
- شما
- زفیرنت