هوش مصنوعی مولد نمایندگی ها ابزاری همه کاره و قدرتمند برای شرکت های بزرگ هستند. آنها می توانند کارایی عملیاتی، خدمات مشتری و تصمیم گیری را افزایش دهند و در عین حال هزینه ها را کاهش دهند و نوآوری را امکان پذیر کنند. این نمایندگی ها در خودکارسازی طیف وسیعی از کارهای معمول و تکراری مانند ورود داده ها، درخواست های پشتیبانی مشتری و تولید محتوا عالی هستند. علاوه بر این، آنها میتوانند گردشهای کاری پیچیده و چند مرحلهای را با تقسیم وظایف به مراحل کوچکتر و قابل مدیریت، هماهنگ کردن اقدامات مختلف و اطمینان از اجرای کارآمد فرآیندها در یک سازمان هماهنگ کنند. این امر بار نیروی انسانی را به میزان قابل توجهی کاهش می دهد و به کارکنان اجازه می دهد تا روی کارهای استراتژیک و خلاقانه تر تمرکز کنند.
همانطور که فناوری هوش مصنوعی به تکامل خود ادامه میدهد، انتظار میرود قابلیتهای عوامل هوش مصنوعی مولد گسترش یابد و فرصتهای بیشتری را برای مشتریان فراهم کند تا مزیت رقابتی کسب کنند. در خط مقدم این تکامل قرار دارد بستر آمازون، یک سرویس کاملاً مدیریت شده که مدل های پایه (FM) با عملکرد بالا را از آمازون و سایر شرکت های پیشرو هوش مصنوعی از طریق یک API در دسترس قرار می دهد. با Amazon Bedrock، میتوانید برنامههای هوش مصنوعی مولد را با امنیت، حریم خصوصی و هوش مصنوعی مسئولانه بسازید و مقیاسبندی کنید. اکنون می توانید استفاده کنید نمایندگان آمازون بستر و پایگاه های دانش برای آمازون بستر برای پیکربندی عوامل تخصصی که به طور یکپارچه اقدامات را بر اساس ورودی زبان طبیعی و داده های سازمان شما اجرا می کنند. این عوامل مدیریت شده، هادی را بازی می کنند، تعاملات بین FM ها، ادغام های API، مکالمات کاربر و منابع دانش بارگیری شده با داده های شما را تنظیم می کنند.
این پست نشان میدهد که چگونه میتوانید از عوامل و پایگاههای دانش برای Amazon Bedrock برای ایجاد منابع موجود سازمانی برای خودکارسازی وظایف مرتبط با چرخه عمر مطالبات بیمه، مقیاسبندی کارآمد و بهبود خدمات مشتری، و افزایش پشتیبانی تصمیمگیری از طریق بهبود مدیریت دانش استفاده کنید. نماینده بیمه مبتنی بر بستر آمازون شما میتواند با ایجاد ادعاهای جدید، ارسال یادآوری اسناد معلق برای ادعاهای باز، جمعآوری شواهد ادعاها، و جستجوی اطلاعات در میان ادعاهای موجود و مخازن دانش مشتری، به عوامل انسانی کمک کند.
بررسی اجمالی راه حل
هدف از این راه حل این است که به عنوان پایه ای برای مشتریان عمل کند و به شما این امکان را بدهد که نمایندگان تخصصی خود را برای نیازهای مختلف مانند دستیاران مجازی و کارهای اتوماسیون ایجاد کنید. کد و منابع مورد نیاز برای استقرار در دسترس هستند مخزن amazon-bedrock-examples.
ضبط آزمایشی زیر عوامل و پایگاه های دانش را برای عملکرد Amazon Bedrock و جزئیات پیاده سازی فنی برجسته می کند.
عوامل و پایگاه های دانش برای Amazon Bedrock با یکدیگر همکاری می کنند تا قابلیت های زیر را ارائه دهند:
- ارکستراسیون وظیفه - نمایندگان از FM ها برای درک پرسش های زبان طبیعی و تجزیه وظایف چند مرحله ای به مراحل کوچکتر و قابل اجرا استفاده می کنند.
- جمع آوری داده های تعاملی - نمایندگان در گفتگوهای طبیعی برای جمع آوری اطلاعات تکمیلی از کاربران شرکت می کنند.
- انجام وظیفه - نمایندگان درخواست های مشتری را از طریق یک سری مراحل استدلال و اقدامات مربوطه بر اساس آن تکمیل می کنند درخواست ReAct.
- ادغام سیستم - نمایندگان برای اجرای اقدامات خاص، تماسهای API را به سیستمهای شرکت یکپارچه میکنند.
- پرس و جوی داده ها - پایگاه های دانش از طریق مدیریت کامل، دقت و عملکرد را افزایش می دهد بازیابی نسل افزوده (RAG) با استفاده از منابع داده خاص مشتری.
- منبع منبع - عوامل نسبت دادن منبع، شناسایی و ردیابی منشأ اطلاعات یا اقدامات را از طریق استدلال زنجیرهای از فکر انجام میدهند.
نمودار زیر معماری راه حل را نشان می دهد.
گردش کار شامل مراحل زیر است:
- کاربران ورودی های زبان طبیعی را به عامل ارائه می دهند. در زیر چند نمونه از دستورات وجود دارد:
- یک ادعای جدید ایجاد کنید.
- یک یادآوری اسناد معلق برای دارنده بیمه نامه ادعای 2s34w-8x ارسال کنید.
- برای ادعای 5t16u-7v شواهد جمع آوری کنید.
- مبلغ کل ادعای ادعای 3b45c-9d چقدر است؟
- کل برآورد تعمیر برای همان ادعا چقدر است؟
- چه عواملی حق بیمه ماشین من را تعیین می کند؟
- چگونه می توانم نرخ بیمه اتومبیل خود را کاهش دهم؟
- کدام ادعاها وضعیت باز دارند؟
- برای همه دارندگان بیمه نامه با ادعای باز یادآوری ارسال کنید.
- در طول پیش پردازش، عامل ورودی کاربر را اعتبارسنجی، زمینه سازی و طبقه بندی می کند. ورودی کاربر (یا وظیفه) توسط نماینده با استفاده از تاریخچه چت و دستورالعمل ها و FM زیرین که در طول مشخص شده است تفسیر می شود. ایجاد عامل. دستورالعمل های عامل، دستورالعمل های توصیفی هستند که اقدامات مورد نظر نماینده را تشریح می کنند. همچنین، می توانید به صورت اختیاری پیکربندی کنید درخواست های پیشرفته، که به شما امکان می دهد با استفاده از پیکربندی های دقیق تر و ارائه نمونه های انتخاب شده دستی برای درخواست چند عکس، دقت عامل خود را افزایش دهید. این روش به شما امکان می دهد تا با ارائه نمونه های برچسب دار مرتبط با یک کار خاص، عملکرد مدل را افزایش دهید.
- گروه های اقدام مجموعه ای از API ها و منطق تجاری مربوطه هستند که طرحواره OpenAPI آنها به عنوان فایل های JSON ذخیره شده در سرویس ذخیره سازی ساده آمازون (Amazon S3). این طرح به عامل اجازه می دهد تا در مورد عملکرد هر API استدلال کند. هر گروه اقدام می تواند یک یا چند مسیر API را مشخص کند که منطق تجاری آنها از طریق آن اجرا می شود AWS لامبدا عملکرد مرتبط با گروه عمل
- پایگاه های دانش برای Amazon Bedrock RAG کاملاً مدیریت شده را برای دسترسی نماینده به داده های شما فراهم می کند. ابتدا پایگاه دانش را با تعیین توضیحاتی که به عامل دستور می دهد از پایگاه دانش شما استفاده کند، پیکربندی می کنید. سپس پایگاه دانش را به منبع داده آمازون S3 خود اشاره می کنید. در نهایت، یک مدل جاسازی را مشخص میکنید و انتخاب میکنید که از فروشگاه برداری موجود خود استفاده کنید یا به Amazon Bedrock اجازه دهید از طرف شما فروشگاه برداری را ایجاد کند. پس از پیکربندی، هر کدام همگام سازی منبع داده جاسازی های برداری از داده های شما ایجاد می کند که عامل می تواند از آنها برای بازگرداندن اطلاعات به کاربر یا تقویت درخواست های بعدی FM استفاده کند.
- در طول هماهنگی، عامل منطقی با مراحل منطقی ایجاد می کند که در آن فراخوانی های API گروه عمل و پرس و جوهای پایگاه دانش برای ایجاد مشاهده ای مورد نیاز است که می تواند برای تقویت اعلان پایه برای FM زیربنایی استفاده شود. این درخواست سبک ReAct به عنوان ورودی برای فعال کردن FM عمل می کند، که سپس بهینه ترین توالی اقدامات را برای تکمیل کار کاربر پیش بینی می کند.
- در طول پردازش پس از اتمام، پس از اتمام تمام تکرارهای ارکستراسیون، نماینده پاسخ نهایی را تنظیم می کند. پس پردازش به طور پیش فرض غیرفعال است.
در بخشهای بعدی، مراحل کلیدی برای استقرار راهحل، از جمله مراحل پیش از پیادهسازی و آزمایش و اعتبارسنجی را مورد بحث قرار میدهیم.
منابع راه حل را با AWS CloudFormation ایجاد کنید
قبل از ایجاد عامل و پایگاه دانش خود، ایجاد یک محیط شبیه سازی شده که منابع موجود مورد استفاده توسط مشتریان را از نزدیک منعکس کند، ضروری است. عوامل و پایگاه های دانش برای Amazon Bedrock به گونه ای طراحی شده اند که بر اساس این منابع، با استفاده از منطق تجاری ارائه شده توسط Lambda و مخازن داده های مشتری ذخیره شده در Amazon S3، طراحی شده اند. این هم ترازی اساسی، یکپارچگی یکپارچه از راه حل های عامل و پایگاه دانش شما را با زیرساخت های ایجاد شده شما فراهم می کند.
برای تقلید از منابع مشتری موجود که توسط عامل استفاده می شود، این راه حل از create-customer-resources.sh اسکریپت پوسته برای تهیه خودکار پارامترهای تعیین شده AWS CloudFormation قالب، bedrock-customer-resources.yml، برای استقرار منابع زیر:
- An آمازون DynamoDB میز پر از مواد مصنوعی داده های ادعایی.
- سه تابع لامبدا که منطق تجاری مشتری را برای ایجاد ادعاها، ارسال یادآوری اسناد معلق برای ادعاهای وضعیت باز، و جمع آوری شواهد در مورد ادعاهای جدید و موجود نشان می دهد.
- یک سطل S3 حاوی مستندات API در قالب طرحواره OpenAPI برای توابع Lambda قبلی و تخمینهای تعمیر، مبالغ ادعا، سؤالات متداول شرکت، و توضیحات مورد نیاز سند ادعا برای استفاده به عنوان ما دارایی های منبع داده پایگاه دانش.
- An سرویس اطلاع رسانی ساده آمازون موضوعی (Amazon SNS) که ایمیل های دارندگان بیمه نامه برای هشدار ایمیلی در مورد وضعیت ادعا و اقدامات در حال انتظار مشترک هستند.
- هویت AWS و مدیریت دسترسی مجوزهای (IAM) برای منابع قبلی.
AWS CloudFormation پارامترهای پشته را با مقادیر پیشفرض ارائه شده در الگو از قبل پر میکند. برای ارائه مقادیر ورودی جایگزین، می توانید پارامترهایی را به عنوان متغیرهای محیطی که در آن ارجاع داده شده اند، مشخص کنید ParameterKey=<ParameterKey>,ParameterValue=<Value>
جفت ها در اسکریپت های پوسته زیر aws cloudformation create-stack
فرمان
برای تهیه منابع خود مراحل زیر را انجام دهید:
- یک کپی محلی از
amazon-bedrock-samples
مخزن با استفاده ازgit clone
: - قبل از اجرای اسکریپت پوسته، به دایرکتوری که در آن کلون کرده اید بروید
amazon-bedrock-samples
مخزن را ذخیره کنید و مجوزهای اسکریپت پوسته را به فایل اجرایی تغییر دهید: - نام پشته CloudFormation، ایمیل SNS و متغیرهای محیط URL آپلود شواهد را تنظیم کنید. ایمیل SNS برای اعلانهای دارندگان خطمشی استفاده میشود و نشانی اینترنتی بارگذاری شواهد با دارندگان خطمشی به اشتراک گذاشته میشود تا شواهد ادعاهایشان را آپلود کنند. را نمونه رسیدگی به خسارت بیمه یک نمونه جلویی برای URL آپلود شواهد ارائه می دهد.
- اجرا کن
create-customer-resources.sh
پوسته اسکریپت برای استقرار منابع مشتری شبیه سازی شده تعریف شده درbedrock-insurance-agent.yml
قالب CloudFormation. اینها منابعی هستند که عامل و پایگاه دانش بر روی آنها ساخته خواهد شد.
قبلی source ./create-customer-resources.sh
دستور shell دستور زیر را اجرا می کند رابط خط فرمان AWS دستورات (AWS CLI) برای استقرار پشته منابع مشتری شبیه سازی شده:
یک پایگاه دانش ایجاد کنید
پایگاه های دانش برای Amazon Bedrock از RAG استفاده می کند، تکنیکی که از ذخیره داده های مشتری برای بهبود پاسخ های تولید شده توسط FM ها استفاده می کند. پایگاههای دانش به نمایندگان اجازه میدهد تا به مخازن دادههای مشتری موجود بدون هزینههای زیاد سرپرست دسترسی پیدا کنند. برای اتصال یک پایگاه دانش به داده های خود، یک سطل S3 را به عنوان مشخص می کنید منبع اطلاعات. با پایگاههای دانش، برنامهها اطلاعات متنی غنیتری به دست میآورند و توسعه را از طریق یک راهحل کاملاً مدیریتشده RAG سادهسازی میکنند. این سطح از انتزاع، زمان ورود به بازار را با به حداقل رساندن تلاش برای ترکیب دادههای شما در عملکرد عامل تسریع میکند، و با نفی نیاز به آموزش مجدد مدل برای استفاده از دادههای خصوصی، هزینه را بهینه میکند.
نمودار زیر معماری یک پایگاه دانش را با مدل تعبیهها نشان میدهد.
عملکرد پایه دانش از طریق دو فرآیند کلیدی مشخص می شود: پیش پردازش (مرحله 1-3) و زمان اجرا (مرحله 4-7):
- اسناد به بخشهای قابل مدیریت تقسیم میشوند.
- این تکه ها با استفاده از مدل تعبیه بستر آمازون به جاسازی ها تبدیل می شوند.
- جاسازیها برای ایجاد یک نمایه برداری استفاده میشوند که امکان مقایسه شباهت معنایی بین پرس و جوهای کاربر و متن منبع داده را فراهم میکند.
- در طول زمان اجرا، کاربران ورودی متن خود را به عنوان یک اعلان ارائه می کنند.
- متن ورودی با استفاده از مدل تعبیه بستر آمازون به بردار تبدیل می شود.
- نمایه برداری برای تکه های مربوط به پرس و جوی کاربر پرس و جو می شود و اعلان کاربر را با زمینه اضافی بازیابی شده از نمایه برداری تقویت می کند.
- اعلان تقویت شده، همراه با زمینه اضافی، برای ایجاد پاسخ برای کاربر استفاده می شود.
برای ایجاد پایگاه دانش، مراحل زیر را انجام دهید:
- در کنسول بستر آمازون، انتخاب کنید دانش محور در صفحه ناوبری
- را انتخاب کنید ایجاد پایگاه دانش.
- تحت جزئیات پایه دانش را ارائه دهید، یک نام و توضیحات اختیاری وارد کنید و تمام تنظیمات پیش فرض را رها کنید. برای این پست توضیحات را وارد می کنیم:
Use to retrieve claim amount and repair estimate information for claim ID, or answer general insurance questions about things like coverage, premium, policy, rate, deductible, accident, and documents.
- تحت منبع داده را تنظیم کنید، یک نام وارد کنید.
- را انتخاب کنید S3 را مرور کنید و انتخاب کنید
knowledge-base-assets
پوشه سطل منبع داده S3 که قبلاً مستقر کرده اید (<YOUR-STACK-NAME>-customer-resources/agent/knowledge-base-assets/
). - تحت مدل embeddings را انتخاب کنید و ذخیره وکتور را پیکربندی کنید، انتخاب کنید Titan Embeddings G1 – متن و سایر تنظیمات پیش فرض را رها کنید. یک بدون سرور جستجوی باز آمازون مجموعه برای شما ایجاد خواهد شد. این ذخیره بردار جایی است که تعبیههای پیش پردازش پایگاه دانش ذخیره میشوند و بعداً برای جستجوی شباهت معنایی بین پرسوجوها و متن منبع داده استفاده میشوند.
- تحت بررسی و ایجاد کنید، تنظیمات پیکربندی خود را تأیید کنید، سپس انتخاب کنید ایجاد پایگاه دانش.
- پس از ایجاد پایگاه دانش شما، یک بنر سبز رنگ "با موفقیت ایجاد شد" با گزینه همگام سازی منبع داده شما نمایش داده می شود. انتخاب کنید همگام سازی برای شروع همگام سازی منبع داده
- در کنسول بستر آمازون، به پایگاه دانشی که ایجاد کردید بروید، سپس شناسه پایگاه دانش را در زیر یادداشت کنید. نمای کلی پایگاه دانش.
- در حالی که پایگاه دانش شما هنوز انتخاب شده است، منبع داده پایگاه دانش خود را که در زیر فهرست شده است انتخاب کنید منبع اطلاعات، سپس به شناسه منبع داده در زیر توجه کنید نمای کلی منبع داده.
شناسه پایگاه دانش و شناسه منبع داده به عنوان متغیرهای محیطی در مرحله بعدی هنگامی که رابط وب Streamlit را برای نماینده خود استقرار می دهید، استفاده می شود.
یک عامل ایجاد کنید
Agent ها از طریق یک فرآیند اجرای زمان ساخت، شامل چندین مؤلفه کلیدی عمل می کنند:
- مدل فونداسیون - کاربران یک FM را انتخاب می کنند که عامل را در تفسیر ورودی های کاربر، ایجاد پاسخ ها و هدایت اقدامات بعدی در طول فرآیند هماهنگ سازی آن راهنمایی می کند.
- دستورالعمل ها - کاربران دستورالعمل های دقیقی را ایجاد می کنند که عملکرد مورد نظر عامل را مشخص می کند. درخواستهای پیشرفته اختیاری امکان سفارشیسازی را در هر مرحله ارکستراسیون فراهم میکنند و توابع Lambda را برای تجزیه خروجیها ترکیب میکنند.
- (اختیاری) گروه های اقدام – کاربران با استفاده از طرحواره OpenAPI، APIها را برای اجرای وظایف و توابع Lambda برای پردازش ورودیها و خروجیهای API تعریف میکنند.
- (اختیاری) مبانی دانش - کاربران می توانند عوامل را با پایگاه های دانش مرتبط کنند و به زمینه اضافی برای تولید پاسخ و مراحل ارکستراسیون دسترسی پیدا کنند.
عامل در این راه حل نمونه از Anthropic Claude V2.1 FM در Amazon Bedrock، مجموعه ای از دستورالعمل ها، سه گروه اقدام و یک پایگاه دانش استفاده می کند.
برای ایجاد یک عامل، مراحل زیر را انجام دهید:
- در کنسول بستر آمازون، انتخاب کنید عوامل در صفحه ناوبری
- را انتخاب کنید عامل ایجاد کنید.
- تحت جزئیات نماینده را ارائه دهید، نام عامل و توضیحات اختیاری را وارد کنید و تمام تنظیمات پیش فرض دیگر را رها کنید.
- تحت مدل را انتخاب کنید، انتخاب کنید آنتروپیک کلود V2.1 و دستورالعمل های زیر را برای نماینده مشخص کنید:
You are an insurance agent that has access to domain-specific insurance knowledge. You can create new insurance claims, send pending document reminders to policy holders with open claims, and gather claim evidence. You can also retrieve claim amount and repair estimate information for a specific claim ID or answer general insurance questions about things like coverage, premium, policy, rate, deductible, accident, documents, resolution, and condition. You can answer internal questions about things like which steps an agent should follow and the company's internal processes. You can respond to questions about multiple claim IDs within a single conversation
- را انتخاب کنید بعدی.
- تحت گروه های اقدام را اضافه کنید، اولین گروه اقدام خود را اضافه کنید:
- برای نام گروه اقدام را وارد کنید، وارد
create-claim
. - برای توضیحات:، وارد
Use this action group to create an insurance claim
- برای تابع Lambda را انتخاب کنید، انتخاب کنید
<YOUR-STACK-NAME>-CreateClaimFunction
. - برای طرحواره API را انتخاب کنید، انتخاب کنید S3 را مرور کنید، سطل ایجاد شده قبلی را انتخاب کنید (
<YOUR-STACK-NAME>-customer-resources
، سپس انتخاب کنیدagent/api-schema/create_claim.json
.
- برای نام گروه اقدام را وارد کنید، وارد
- یک گروه اقدام دوم ایجاد کنید:
- برای نام گروه اقدام را وارد کنید، وارد
gather-evidence
. - برای توضیحات:، وارد
Use this action group to send the user a URL for evidence upload on open status claims with pending documents. Return the documentUploadUrl to the user
- برای تابع Lambda را انتخاب کنید، انتخاب کنید
<YOUR-STACK-NAME>-GatherEvidenceFunction
. - برای طرحواره API را انتخاب کنید، انتخاب کنید S3 را مرور کنید، سطل ایجاد شده قبلی را انتخاب کنید، سپس انتخاب کنید
agent/api-schema/gather_evidence.json
.
- برای نام گروه اقدام را وارد کنید، وارد
- یک گروه اقدام سوم ایجاد کنید:
- برای نام گروه اقدام را وارد کنید، وارد
send-reminder
. - برای توضیحات:، وارد
Use this action group to check claim status, identify missing or pending documents, and send reminders to policy holders
- برای تابع Lambda را انتخاب کنید، انتخاب کنید
<YOUR-STACK-NAME>-SendReminderFunction
. - برای طرحواره API را انتخاب کنید، انتخاب کنید S3 را مرور کنید، سطل ایجاد شده قبلی را انتخاب کنید، سپس انتخاب کنید
agent/api-schema/send_reminder.json
.
- برای نام گروه اقدام را وارد کنید، وارد
- را انتخاب کنید بعدی.
- برای پایگاه دانش را انتخاب کنید، پایگاه دانشی را که قبلا ایجاد کردید انتخاب کنید (
claims-knowledge-base
). - برای دستورالعمل های پایگاه دانش برای Agent، زیر را وارد کنید:
Use to retrieve claim amount and repair estimate information for claim ID, or answer general insurance questions about things like coverage, premium, policy, rate, deductible, accident, and documents
- را انتخاب کنید بعدی.
- تحت بررسی و ایجاد کنید، تنظیمات پیکربندی خود را تأیید کنید، سپس انتخاب کنید عامل ایجاد کنید.
پس از ایجاد نماینده شما، بنر سبز رنگ "با موفقیت ایجاد شد" را مشاهده خواهید کرد.
تست و اعتبار سنجی
هدف از روش آزمایش زیر تأیید این است که آیا نماینده به درستی اهداف کاربر را برای ایجاد ادعاهای جدید، ارسال یادآوری اسناد معلق برای ادعاهای باز، جمعآوری شواهد ادعاها، و جستجوی اطلاعات در میان ادعاهای موجود و مخازن دانش مشتری، شناسایی و درک میکند. دقت پاسخ با ارزیابی ارتباط، هماهنگی و ماهیت انسان گونه پاسخ های تولید شده توسط عوامل و پایگاه های دانش برای Amazon Bedrock تعیین می شود.
اقدامات ارزیابی و تکنیک ارزیابی
ورودی کاربر و تأیید دستورالعمل عامل شامل موارد زیر است:
- پیش پردازش - از دستورهای نمونه برای ارزیابی تفسیر، درک و پاسخگویی عامل به ورودی های مختلف کاربر استفاده کنید. پایبندی عامل به دستورالعملهای پیکربندی شده برای اعتبارسنجی، متنبندی و دستهبندی دقیق ورودی کاربر را تأیید کنید.
- تنظیم و ارکستراسیون - مراحل منطقی را که عامل دنبال می کند (به عنوان مثال، "ردیابی") برای فراخوانی های API گروه عمل و پرس و جوهای پایگاه دانش ارزیابی کنید تا اعلان پایه برای FM را تقویت کنید.
- پس پردازش - پاسخ های نهایی تولید شده توسط عامل را پس از تکرارهای ارکستراسیون بررسی کنید تا از صحت و مرتبط بودن اطمینان حاصل کنید. پس پردازش به طور پیش فرض غیرفعال است و بنابراین در ردیابی عامل ما گنجانده نشده است.
ارزیابی گروه اقدام شامل موارد زیر است:
- اعتبار سنجی طرحواره API - تأیید کنید که طرح OpenAPI (تعریف شده به عنوان فایل های JSON ذخیره شده در Amazon S3) به طور موثر استدلال عامل را در مورد هدف هر API هدایت می کند.
- پیاده سازی منطق کسب و کار – اجرای منطق تجاری مرتبط با مسیرهای API را از طریق توابع Lambda مرتبط با گروه اقدام آزمایش کنید.
ارزیابی پایگاه دانش شامل موارد زیر است:
- تأیید پیکربندی - تأیید کنید که دستورالعمل های پایگاه دانش به درستی عامل را در مورد زمان دسترسی به داده ها راهنمایی می کند.
- ادغام منبع داده S3 – توانایی عامل برای دسترسی و استفاده از داده های ذخیره شده در منبع داده مشخص شده S3 را تأیید کنید.
آزمایش انتها به انتها شامل موارد زیر است:
- گردش کار یکپارچه - انجام تست های جامع شامل گروه های عمل و پایگاه های دانش برای شبیه سازی سناریوهای دنیای واقعی.
- ارزیابی کیفیت پاسخ - دقت کلی، مرتبط بودن و انسجام پاسخ های عامل را در زمینه ها و سناریوهای مختلف ارزیابی کنید.
پایگاه دانش را تست کنید
پس از راهاندازی پایگاه دانش خود در Amazon Bedrock، میتوانید رفتار آن را مستقیماً آزمایش کنید تا قبل از ادغام آن با یک عامل، پاسخهای آن را ارزیابی کنید. این فرآیند تست شما را قادر می سازد تا عملکرد پایگاه دانش را ارزیابی کنید، پاسخ ها را بررسی کنید و با کاوش در بخش های منبعی که اطلاعات از آنها بازیابی می شود، عیب یابی کنید. مراحل زیر را کامل کنید:
- در کنسول بستر آمازون، انتخاب کنید دانش محور در صفحه ناوبری
- پایگاه دانشی را که می خواهید آزمایش کنید انتخاب کنید، سپس انتخاب کنید تست برای گسترش پنجره چت
- در پنجره تست، مدل پایه خود را برای تولید پاسخ انتخاب کنید.
- پایگاه دانش خود را با استفاده از پرس و جوهای نمونه زیر و سایر ورودی ها آزمایش کنید:
- تشخیص در برآورد تعمیر برای ID ادعای 2s34w-8x چیست؟
- برآورد وضوح و تعمیر برای همان ادعا چیست؟
- راننده بعد از تصادف چه کاری باید انجام دهد؟
- برای گزارش تصادف و تصاویر چه چیزی توصیه می شود؟
- فرانشیز چیست و چگونه کار می کند؟
میتوانید بین ایجاد پاسخها و بازگرداندن نقل قولهای مستقیم در پنجره چت جابهجا شوید، و این گزینه را دارید که پنجره گپ را پاک کنید یا تمام خروجیها را با استفاده از نمادهای ارائه شده کپی کنید.
برای بررسی پاسخهای پایگاه دانش و تکههای منبع، میتوانید پاورقی مربوطه را انتخاب کنید یا انتخاب کنید نمایش جزئیات نتیجه. یک پنجره تکههای منبع ظاهر میشود که به شما امکان میدهد جستجو کنید، متن تکهای را کپی کنید و به منبع داده S3 بروید.
عامل را تست کنید
پس از آزمایش موفقیت آمیز پایگاه دانش شما، مرحله توسعه بعدی شامل آماده سازی و آزمایش عملکرد عامل شما است. آماده سازی عامل شامل بسته بندی آخرین تغییرات است، در حالی که آزمایش فرصتی حیاتی برای تعامل و ارزیابی رفتار عامل فراهم می کند. از طریق این فرآیند، میتوانید قابلیتهای عامل را اصلاح کنید، کارایی آن را افزایش دهید، و هرگونه مشکل بالقوه یا بهبود لازم برای عملکرد بهینه را برطرف کنید. مراحل زیر را کامل کنید:
- در کنسول بستر آمازون، انتخاب کنید عوامل در صفحه ناوبری
- نماینده خود را انتخاب کنید و شناسه نماینده را یادداشت کنید.
هنگامی که رابط کاربری وب Streamlit را برای نماینده خود مستقر می کنید، در مرحله بعد از شناسه عامل به عنوان متغیر محیطی استفاده می کنید. - حرکت به سوی شما پیش نویس کاری. در ابتدا، یک پیش نویس کار و یک پیش فرض دارید
TestAlias
با اشاره به این پیش نویس پیش نویس کاری امکان توسعه تکراری را فراهم می کند. - را انتخاب کنید آماده برای بسته بندی نماینده با آخرین تغییرات قبل از آزمایش. باید مرتباً آخرین زمان آمادهشده نماینده را بررسی کنید تا تأیید کنید که در حال آزمایش با آخرین پیکربندیها هستید.
- با انتخاب، از هر صفحه ای در کنسول پیش نویس کار عامل به پنجره آزمایشی دسترسی پیدا کنید تست یا نماد فلش سمت چپ.
- در پنجره تست، نام مستعار و نسخه آن را برای آزمایش انتخاب کنید. برای این پست استفاده می کنیم
TestAlias
برای فراخوانی نسخه پیش نویس نماینده خود. اگر عامل آماده نباشد، یک اعلان در پنجره آزمایش ظاهر می شود. - عامل خود را با استفاده از دستورات نمونه زیر و سایر ورودیها آزمایش کنید:
- یک ادعای جدید ایجاد کنید.
- یک یادآوری اسناد معلق برای دارنده بیمه نامه ادعای 2s34w-8x ارسال کنید.
- برای ادعای 5t16u-7v شواهد جمع آوری کنید.
- مبلغ کل ادعای ادعای 3b45c-9d چقدر است؟
- کل برآورد تعمیر برای همان ادعا چقدر است؟
- چه عواملی حق بیمه ماشین من را تعیین می کند؟
- چگونه می توانم نرخ بیمه اتومبیل خود را کاهش دهم؟
- کدام ادعاها وضعیت باز دارند؟
- برای همه دارندگان بیمه نامه با ادعای باز یادآوری ارسال کنید.
حتما انتخاب کنید آماده پس از ایجاد تغییرات، آنها را قبل از آزمایش عامل اعمال کنید.
نمونه گفتگوی آزمایشی زیر توانایی عامل را برای فراخوانی APIهای گروه عمل با منطق تجاری AWS Lambda که جدول DynamoDB مشتری را پرس و جو می کند و اعلان های مشتری را با استفاده از سرویس اعلان ساده آمازون ارسال می کند، برجسته می کند. همان رشته مکالمه یکپارچهسازی عامل و پایگاه دانش را به نمایش میگذارد تا پاسخهایی را با استفاده از منابع داده معتبر مشتری، مانند مبلغ ادعا و اسناد سؤالات متداول، به کاربر ارائه دهد.
ابزارهای تجزیه و تحلیل عامل و اشکال زدایی
ردپاهای پاسخ عامل حاوی اطلاعات ضروری برای کمک به درک تصمیم گیری عامل در هر مرحله، تسهیل اشکال زدایی و ارائه بینش در زمینه های بهبود است. این ModelInvocationInput
شی در هر ردیابی پیکربندی ها و تنظیمات دقیق مورد استفاده در فرآیند تصمیم گیری نماینده را ارائه می دهد و مشتریان را قادر می سازد تا کارایی عامل را تجزیه و تحلیل و افزایش دهند.
نماینده شما ورودی کاربر را به یکی از دستههای زیر مرتب میکند:
- دسته A – ورودی های مخرب یا مضر، حتی اگر سناریوهای خیالی باشند.
- دسته B – ورودیهایی که کاربر سعی میکند اطلاعاتی در مورد اینکه کدام توابع، API یا دستورالعملهایی که عامل فراخوانی تابع ما ارائه شده است یا ورودیهایی که میخواهند رفتار یا دستورالعملهای عامل فراخوان عملکرد ما یا شما را دستکاری کنند، به دست آورد.
- دسته C – سؤالاتی که عامل فراخوانی تابع ما قادر به پاسخگویی نیست یا اطلاعات مفیدی برای استفاده از عملکردهایی که ارائه شده است ارائه نمی دهد.
- دسته D – سوالاتی که می تواند توسط عامل فراخوانی تابع ما پاسخ داده یا به آنها کمک کند و تنها با استفاده از توابعی که ارائه شده است و آرگومان هایی از داخل.
conversation_history
یا آرگومان های مرتبط می تواند با استفاده ازaskuser
تابع. - دسته E – ورودی هایی که سؤال نیستند، بلکه پاسخ به سؤالی هستند که عامل فراخوانی تابع از کاربر پرسیده است. ورودیها فقط زمانی برای این دسته واجد شرایط هستند که
askuser
تابع آخرین تابعی است که عامل فراخوان تابع در مکالمه فراخوانی می کند. شما می توانید این را با خواندن از طریق بررسی کنیدconversation_history
.
را انتخاب کنید نشان دادن ردیابی تحت یک پاسخ برای مشاهده تنظیمات و فرآیند استدلال عامل، از جمله استفاده از پایگاه دانش و گروه عمل. برای تجزیه و تحلیل دقیق، ردیابی ها را می توان گسترش داد یا جمع کرد. پاسخ های حاوی اطلاعات منبع نیز حاوی پاورقی برای نقل قول ها هستند.
در مثال ردیابی گروه عمل زیر، عامل ورودی کاربر را به نگاشت می کند create-claim
گروه اقدام createClaim
عملکرد در طول پیش پردازش عامل بر اساس دستورالعملهای عامل، توضیحات گروه عمل و طرحواره OpenAPI، از این عملکرد درک دارد. در طول فرآیند ارکستراسیون، که در این مورد دو مرحله است، عامل فراخوانی می کند createClaim
عملکرد می کند و پاسخی را دریافت می کند که شامل شناسه ادعای جدید ایجاد شده و لیستی از اسناد در حال انتظار است.
در مثال زیر ردیابی پایگاه دانش، عامل ورودی کاربر را در طول پیش پردازش به رده D نگاشت می کند، به این معنی که یکی از عملکردهای موجود عامل باید بتواند پاسخی ارائه دهد. در طول ارکستراسیون، عامل پایگاه دانش را جستجو میکند، تکههای مربوطه را با استفاده از جاسازیها میکشد، و آن متن را به مدل پایه ارسال میکند تا پاسخ نهایی را ایجاد کند.
رابط کاربری وب Streamlit را برای نماینده خود مستقر کنید
زمانی که از عملکرد عامل و پایگاه دانش خود راضی هستید، آماده بهرهوری از قابلیتهای آنها هستید. ما استفاده می کنیم Streamlit در این راه حل برای راه اندازی یک نمونه front-end، در نظر گرفته شده برای تقلید از یک برنامه تولید. Streamlit یک کتابخانه پایتون است که برای سادهسازی و سادهسازی فرآیند ساخت اپلیکیشنهای فرانتاند طراحی شده است. برنامه ما دو ویژگی را ارائه می دهد:
- ورودی سریع عامل - به کاربران اجازه می دهد عامل را احضار کنید با استفاده از ورودی وظیفه خود
- آپلود فایل پایه دانش – کاربر را قادر می سازد تا فایل های محلی خود را در سطل S3 که به عنوان منبع داده برای پایگاه دانش استفاده می شود، آپلود کند. پس از آپلود فایل، برنامه یک کار بلعیدن را شروع می کند برای همگام سازی منبع داده پایگاه دانش.
برای جداسازی وابستگی های برنامه Streamlit و برای سهولت در استقرار، از setup-streamlit-env.sh پوسته اسکریپت برای ایجاد یک محیط پایتون مجازی با الزامات نصب شده. مراحل زیر را کامل کنید:
- قبل از اجرای اسکریپت پوسته، به دایرکتوری که در آن کلون کرده اید بروید
amazon-bedrock-samples
مخزن را ذخیره کنید و مجوزهای اسکریپت پوسته Streamlit را به فایل اجرایی تغییر دهید:
- اسکریپت پوسته را برای فعال کردن محیط مجازی پایتون با وابستگی های مورد نیاز اجرا کنید:
- شناسه عامل Amazon Bedrock، شناسه نام مستعار عامل، شناسه پایگاه دانش، شناسه منبع داده، نام سطل پایگاه دانش و متغیرهای محیطی منطقه AWS خود را تنظیم کنید:
- برنامه Streamlit خود را اجرا کنید و آزمایش را در مرورگر وب محلی خود شروع کنید:
پاک کردن
برای جلوگیری از هزینه در حساب AWS خود، منابع ارائه شده راه حل را پاکسازی کنید
La delete-customer-resources.sh اسکریپت shell سطل S3 راه حل را خالی و حذف می کند و منابعی را که در ابتدا از bedrock-customer-resources.yml
پشته CloudFormation. دستورات زیر از نام پشته پیش فرض استفاده می کنند. اگر نام پشته را سفارشی کرده اید، دستورات را مطابق با آن تنظیم کنید.
قبلی ./delete-customer-resources.sh
دستور shell دستورات AWS CLI زیر را برای حذف پشته منابع مشتری شبیهسازی شده و سطل S3 اجرا میکند:
برای حذف نماینده و پایگاه دانش خود، دستورالعملهای مربوطه را دنبال کنید حذف یک عامل و حذف پایگاه دانشبود.
ملاحظات
اگرچه راهحل نشاندادهشده قابلیتهای Agents و Knowledge Bases را برای Amazon Bedrock به نمایش میگذارد، مهم است که بدانیم این راهحل برای تولید آماده نیست. در عوض، به عنوان یک راهنمای مفهومی برای مشتریانی عمل می کند که هدفشان ایجاد عوامل شخصی برای وظایف خاص خود و گردش کار خودکار است. مشتریانی که قصد توسعه تولید را دارند باید این مدل اولیه را با در نظر گرفتن عوامل امنیتی زیر اصلاح و تطبیق دهند:
- دسترسی ایمن به API ها و داده ها:
- دسترسی به API ها، پایگاه های داده و سایر سیستم های یکپارچه با عامل را محدود کنید.
- از کنترل دسترسی، مدیریت اسرار و رمزگذاری برای جلوگیری از دسترسی غیرمجاز استفاده کنید.
- اعتبار سنجی ورودی و پاکسازی:
- برای جلوگیری از حملات تزریق یا تلاش برای دستکاری رفتار عامل، ورودی های کاربر را اعتبارسنجی و ضدعفونی کنید.
- قوانین ورودی و مکانیسم های اعتبارسنجی داده ها را ایجاد کنید.
- کنترل های دسترسی برای مدیریت و آزمایش عامل:
- کنترل های دسترسی مناسب را برای کنسول ها و ابزارهای مورد استفاده برای ویرایش، آزمایش یا پیکربندی عامل اجرا کنید.
- دسترسی به توسعه دهندگان و آزمایش کنندگان مجاز را محدود کنید.
- امنیت زیرساخت:
- به بهترین شیوه های امنیتی AWS در مورد VPC ها، زیرشبکه ها، گروه های امنیتی، ورود به سیستم و نظارت برای ایمن سازی زیرساخت های زیربنایی پایبند باشید.
- اعتبار سنجی دستورالعمل های عامل:
- برای جلوگیری از رفتارهای ناخواسته، یک فرآیند دقیق برای بررسی و تأیید دستورالعمل های عامل ایجاد کنید.
- تست و ممیزی:
- عامل و اجزای یکپارچه را به طور کامل تست کنید.
- اجرای ممیزی، ثبت و تست رگرسیون مکالمات نماینده برای شناسایی و رسیدگی به مسائل.
- امنیت پایگاه دانش:
- اگر کاربران می توانند پایگاه دانش را تقویت کنند، برای جلوگیری از حملات مسمومیت، بارگذاری ها را تأیید کنید.
برای سایر ملاحظات کلیدی، مراجعه کنید با Amazon Bedrock، Amazon DynamoDB، Amazon Kendra، Amazon Lex و LangChain عوامل هوش مصنوعی مولد بسازید..
نتیجه
پیاده سازی عوامل هوش مصنوعی مولد با استفاده از عوامل و پایگاه های دانش برای Amazon Bedrock نشان دهنده پیشرفت قابل توجهی در قابلیت های عملیاتی و اتوماسیون سازمان ها است. این ابزارها نه تنها چرخه عمر مطالبات بیمه را ساده می کنند، بلکه سابقه ای برای کاربرد هوش مصنوعی در حوزه های مختلف سازمانی دیگر ایجاد می کنند. این عوامل هوش مصنوعی با خودکارسازی وظایف، ارتقای خدمات مشتری و بهبود فرآیندهای تصمیمگیری، سازمانها را قادر میسازد تا روی رشد و نوآوری تمرکز کنند و در عین حال وظایف معمول و پیچیده را به طور موثر انجام دهند.
همانطور که ما همچنان شاهد تکامل سریع هوش مصنوعی هستیم، پتانسیل ابزارهایی مانند Agents و Knowledge Bases برای Amazon Bedrock در دگرگون کردن عملیات تجاری بسیار زیاد است. شرکتهایی که از این فناوریها استفاده میکنند، مزیت رقابتی قابل توجهی به دست میآورند که با بهبود کارایی، رضایت مشتری و تصمیمگیری مشخص میشود. آینده مدیریت داده های سازمانی و عملیات غیرقابل انکار به سمت یکپارچگی بیشتر هوش مصنوعی متمایل است و Amazon Bedrock در خط مقدم این تحول قرار دارد.
برای کسب اطلاعات بیشتر، بازدید نمایندگان آمازون بستر، مشورت کنید اسناد بستر آمازونکشف کنید فضای هوش مصنوعی مولد در community.awsو دست به کار شوید کارگاه آمازون بستر.
درباره نویسنده
کایل تی بلوکسام یک معمار Sr. Solutions با AWS مستقر در کالیفرنیای جنوبی است. اشتیاق کایل این است که مردم را دور هم جمع کند و از فناوری برای ارائه راه حل هایی که مشتریان دوست دارند استفاده کند. در خارج از محل کار، او از موج سواری، غذا خوردن، کشتی گرفتن با سگش و لوس کردن خواهرزاده و برادرزاده اش 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/automate-the-insurance-claim-lifecycle-using-agents-and-knowledge-bases-for-amazon-bedrock/
- : دارد
- :است
- :نه
- :جایی که
- $UP
- 1
- 10
- 100
- 1040
- 11
- 19
- 500
- 7
- 8
- 9
- a
- توانایی
- قادر
- درباره ما
- انتزاع - مفهوم - برداشت
- تسریع می شود
- دسترسی
- تصادف
- بر این اساس
- حساب
- دقت
- به درستی
- در میان
- عمل
- عمل
- اقدامات
- فعال کردن
- فعال کردن
- وفق دادن
- اضافه کردن
- اضافی
- نشانی
- تبعیت
- پیشرفته
- پیشرفت
- مزیت - فایده - سود - منفعت
- پس از
- عامل
- عاملان
- AI
- کمک
- هدف
- اهداف
- هم ترازی
- معرفی
- اجازه دادن
- اجازه دادن
- اجازه می دهد تا
- قبلا
- همچنین
- جایگزین
- آمازون
- آمازون کندرا
- آمازون لکس
- آمازون خدمات وب
- مقدار
- مقدار
- an
- تحلیل
- تحلیل
- و
- پاسخ
- پاسخ
- آنتروپیک
- پیش بینی می کند
- هر
- API
- رابط های برنامه کاربردی
- ظاهر شدن
- ظاهر می شود
- کاربرد
- برنامه های کاربردی
- درخواست
- معماری
- هستند
- مناطق
- استدلال
- دور و بر
- AS
- ارزیابی کنید
- ارزیابی
- همکاری
- دستیاران
- کمک
- وابسته
- مرتبط است
- At
- حمله
- تلاشها
- حسابرسی
- تقویت کردن
- افزوده شده
- مجاز
- خودکار بودن
- خودکار
- اتوماسیون
- اتوماسیون
- در دسترس
- اجتناب از
- AWS
- AWS CloudFormation
- AWS لامبدا
- پرچم
- پایه
- مستقر
- BE
- بوده
- قبل از
- شروع
- از طرف
- رفتار
- رفتار
- بودن
- بهترین
- بهترین شیوه
- میان
- بالا بردن
- هر دو
- شکستن
- به ارمغان بیاورد
- مرورگر
- ساختن
- بنا
- ساخته
- بار
- کسب و کار
- اما
- by
- کالیفرنیا
- نام
- فراخوانی
- تماس ها
- CAN
- قابلیت های
- ماشین
- مورد
- دسته
- طبقه بندی
- دسته بندی
- CD
- تغییر دادن
- تبادل
- بار
- گپ
- بررسی
- را انتخاب کنید
- انتخاب
- ادعا
- ادعای
- تمیز
- واضح
- Cli
- نزدیک
- رمز
- سقوط
- مجموعه
- انجمن
- شرکت
- شرکت
- مقایسه
- رقابتی
- کامل
- پیچیده
- اجزاء
- جامع
- شامل
- مفهومی
- شرط
- رفتار
- پیکر بندی
- پیکربندی
- تکرار
- اتصال
- ملاحظات
- تشکیل شده است
- کنسول
- کنسول
- مشاوره
- شامل
- محتوا
- تولید محتوا
- زمینه
- زمینه ها
- متنی
- ادامه دادن
- ادامه
- مداوم
- کنترل
- گروه شاهد
- قرارداد
- گفتگو
- گفتگو
- مبدل
- هماهنگ کردن
- به درستی
- متناظر
- هزینه
- هزینه
- همراه
- پوشش
- سادگی
- ایجاد
- ایجاد شده
- ایجاد
- ایجاد
- ایجاد
- خالق
- بحرانی
- سرپرستی می کند
- مشتری
- اطلاعات مشتری
- رضایت مشتری
- خدمات مشتری
- پشتیبانی مشتریان
- مشتریان
- سفارشی سازی
- سفارشی
- داده ها
- ثبت داده ها
- مدیریت اطلاعات
- پایگاه های داده
- تصمیم
- تصمیم گیری
- قابل کسر
- به طور پیش فرض
- تعريف كردن
- مشخص
- ارائه
- نسخه ی نمایشی
- نشان
- وابستگی
- گسترش
- مستقر
- گسترش
- شرح
- طراحی
- دقیق
- جزئیات
- تشخیص
- مشخص کردن
- مشخص
- توسعه دهندگان
- پروژه
- توسعه
- تشخیص
- نمودار
- مستقیم
- هدایت
- مستقیما
- غیر فعال
- بحث و تبادل نظر
- نمایش دادن
- مختلف
- do
- سند
- مستندات
- اسناد و مدارک
- میکند
- سگ
- حوزه
- پایین
- پیش نویس
- راننده
- در طی
- e
- هر
- پیش از آن
- سهولت
- از دست
- لبه
- به طور موثر
- اثر
- بهره وری
- موثر
- موثر
- تلاش
- واجد شرایط
- پست الکترونیک
- ایمیل
- تعبیه کردن
- کارکنان
- استخدام
- قدرت دادن
- توانمندسازی
- را قادر می سازد
- را قادر می سازد
- رمزگذاری
- پشت سر هم
- تعامل
- بالا بردن
- افزایش
- غنی شده
- اطمینان حاصل شود
- حصول اطمینان از
- وارد
- سرمایه گذاری
- شرکت
- ورود
- محیط
- ضروری است
- ایجاد
- تاسیس
- تخمین زدن
- تخمین می زند
- ارزیابی
- ارزیابی
- ارزیابی
- حتی
- مدرک
- تکامل
- تکامل یابد
- مثال
- مثال ها
- اکسل
- اعدام
- موجود
- گسترش
- منبسط
- انتظار می رود
- اکتشاف
- بررسی
- صادرات
- وسیع
- تسهیل کردن
- عوامل
- پاسخ به برخی سوالات مهم
- امکانات
- تخیلی
- پرونده
- فایل ها
- نهایی
- سرانجام
- نام خانوادگی
- تمرکز
- به دنبال
- پیروی
- به دنبال آن است
- برای
- خط مقدم
- قالب
- پایه
- بنیادین
- از جانب
- کاملا
- تابع
- قابلیت
- توابع
- آینده
- g1
- افزایش
- جمع آوری
- جمع آوری
- سوالات عمومی
- تولید می کنند
- تولید
- مولد
- نسل
- مولد
- هوش مصنوعی مولد
- دریافت کنید
- اعطای
- بیشتر
- سبز
- گروه
- گروه ها
- رشد
- راهنمایی
- دستورالعمل ها
- راهنما
- اداره
- دست
- مضر
- تسمه
- آیا
- he
- مفید
- با عملکرد بالا
- های لایت
- خود را
- تاریخ
- دارنده
- دارندگان
- چگونه
- HTML
- HTTP
- HTTPS
- انسان
- منابع انسانی
- i
- ICON
- آیکون
- ID
- شناسایی می کند
- شناسایی
- شناسایی
- هویت
- شناسه
- if
- نشان می دهد
- تصاویر
- عظیم
- پیاده سازی
- مهم
- بهبود
- بهبود یافته
- بهبود
- ارتقاء
- بهبود
- in
- غیر فعال
- مشمول
- شامل
- از جمله
- گنجاندن
- شاخص
- اطلاعات
- شالوده
- اول
- در ابتدا
- وارد کردن
- ابداع
- ورودی
- ورودی
- سوالات
- بینش
- نصب شده
- در عوض
- دستورالعمل
- بیمه
- یکپارچه
- ادغام
- ادغام
- یکپارچگی
- مورد نظر
- تعامل
- فعل و انفعالات
- داخلی
- تفسیر
- تفسیر
- به
- فراخوانی میکند
- شامل
- شامل
- مسائل
- IT
- تکرار
- ITS
- json
- تنها
- نگهداری
- کلید
- دانش
- مدیریت دانش
- کایل
- زبان
- بزرگ
- شرکت های بزرگ
- نام
- بعد
- آخرین
- راه اندازی
- لایه
- برجسته
- یاد گرفتن
- ترک کردن
- ترک
- ترک کرد
- سطح
- قدرت نفوذ
- کتابخانه
- wifecycwe
- پسندیدن
- لاین
- مرتبط
- فهرست
- ذکر شده
- محلی
- ورود به سیستم
- منطق
- منطقی
- عشق
- کاهش
- ساخت
- باعث می شود
- ساخت
- مخرب
- قابل کنترل
- اداره می شود
- مدیریت
- دستی
- نقشه ها
- علامت گذاری شده
- معنی
- معیارهای
- مکانیسم
- روش
- دقیق
- ذهن
- به حداقل رساندن
- گم
- MIT
- مدل
- مدل
- تغییر
- نظارت بر
- بیش
- علاوه بر این
- اکثر
- چندگانه
- باید
- my
- نام
- نامگذاری
- طبیعی
- طبیعت
- هدایت
- جهت یابی
- لازم
- ضرورت
- ضروری
- نیازهای
- جدید
- به تازگی
- بعد
- توجه داشته باشید
- اخطار
- اطلاعیه ها
- اکنون
- هدف
- هدف
- مشاهده
- of
- ارائه
- on
- ONE
- فقط
- باز کن
- کار
- قابل استفاده
- عملیات
- فرصت ها
- فرصت
- بهینه
- بهینه سازی می کند
- گزینه
- or
- ارکستراسیون
- تنظیم و ارکستراسیون
- کدام سازمان ها
- سازمان های
- منشاء
- در اصل
- دیگر
- ما
- طرح کلی
- طرح کلی
- تولید
- خروجی
- خارج از
- به طور کلی
- در بالای سر
- مروری
- خود
- بسته
- بسته بندی
- با ما
- جفت
- قطعه
- پارامترهای
- ویژه
- عبور می کند
- شور
- راه ها
- انتظار
- مردم
- انجام
- کارایی
- مجوز
- شخصی
- فاز
- افلاطون
- هوش داده افلاطون
- PlatoData
- بازی
- نقطه
- مسمومیت
- سیاست
- پر جمعیت
- دارای
- پست
- پتانسیل
- قوی
- شیوه های
- قبلی
- ماقبل
- دقت
- حق بیمه
- تهیه
- آماده
- آماده شده
- آماده
- جلوگیری از
- خلوت
- خصوصی
- روش
- روند
- فرآیندهای
- در حال پردازش
- تولید
- پرسیدن
- مناسب
- ارائه
- ارائه
- فراهم می کند
- ارائه
- تدارک
- کشد
- هدف
- پــایتــون
- کیفیت
- نمایش ها
- پرس و جو
- سوال
- سوالات
- پارچه
- محدوده
- سریع
- نرخ
- نرخ
- نسبتا
- منطق
- واکنش نشان می دهند
- مطالعه
- اماده
- دنیای واقعی
- دلیل
- دریافت
- توصیه می شود
- ضبط
- را کاهش می دهد
- کاهش
- مراجعه
- اشاره کرد
- خالص کردن
- با توجه
- منطقه
- به طور منظم
- مربوط
- ربط
- مربوط
- یادآور
- دور
- تعمیر
- تکراری
- گزارش
- مخزن
- نشان دادن
- نشان دهنده
- درخواست
- ضروری
- مورد نیاز
- وضوح
- منابع
- به ترتیب
- پاسخ
- پاسخ
- پاسخ
- مسئوليت
- نتیجه
- برگشت
- عودت
- این فایل نقد می نویسید:
- روال
- قوانین
- دویدن
- اجرا می شود
- زمان اجرا
- s
- همان
- نمونه
- رضایت
- راضی
- راضی با
- مقیاس
- سناریوها
- خط
- بدون درز
- یکپارچه
- جستجو
- جستجو
- جستجو
- دوم
- اسرار
- بخش
- امنیت
- تیم امنیت لاتاری
- دیدن
- تقسیم بندی
- را انتخاب کنید
- انتخاب شد
- معنایی
- ارسال
- در حال ارسال
- می فرستد
- دنباله
- سلسله
- خدمت
- سرویس
- خدمات
- تنظیم
- محیط
- تنظیمات
- چند
- به اشتراک گذاشته شده
- صدف
- باید
- قابل توجه
- به طور قابل توجهی
- ساده
- ساده کردن
- شبیه سازی
- تنها
- نشسته است
- کوچکتر
- راه حل
- مزایا
- برخی از
- منبع
- منبع
- منابع
- جنوبی
- فضا
- تخصصی
- خاص
- مشخص شده
- مشخص کردن
- پشته
- صحنه
- ایستادن
- وضعیت
- گام
- مراحل
- هنوز
- ذخیره سازی
- opbevare
- ذخیره شده
- پرده
- استراتژیک
- ساده کردن
- ساده
- سبک
- زیرشبکه ها
- متعاقب
- موفق
- چنین
- عرضه
- پشتیبانی
- مطمئن
- همگام سازی
- ترکیبی
- سیستم های
- جدول
- کار
- وظایف
- فنی
- تکنیک
- فن آوری
- پیشرفته
- قالب
- آزمون
- تسترها
- تست
- تست
- متن
- که
- La
- آینده
- منبع
- شان
- آنها
- سپس
- از این رو
- اینها
- آنها
- اشیاء
- سوم
- این
- سه
- از طریق
- سراسر
- زمان
- به
- با هم
- ابزار
- ابزار
- موضوع
- جمع
- طرف
- پی گیری
- ردیابی
- دگرگونی
- مبدل
- تبدیل شدن
- تلاش
- دو
- ui
- ناتوان
- غیر مجاز
- غیرقابل انکار
- زیر
- تحت تاثیر قرار می گیرد
- اساسی
- فهمیدن
- درک
- درک می کند
- آپلود شده
- بر
- URL
- استفاده
- استفاده کنید
- استفاده
- کاربر
- کاربران
- استفاده
- با استفاده از
- استفاده
- تصدیق
- اعتبار سنجی
- اعتبار سنجی
- ارزشها
- متغیر
- مختلف
- تایید
- بررسی
- همه کاره
- نسخه
- چشم انداز
- مجازی
- بازدید
- صبر کنيد
- می خواهم
- we
- وب
- مرورگر وب
- خدمات وب
- بود
- چه زمانی
- در حالیکه
- که
- در حین
- که
- وسیع
- دامنه گسترده
- اراده
- پنجره
- با
- در داخل
- بدون
- شاهد
- مهاجرت کاری
- همکاری
- گردش کار
- گردش کار
- کارگر
- شما
- شما
- زفیرنت
- زیپ