چت رباتهای مدرن میتوانند بهعنوان نماینده دیجیتال عمل کنند و راه جدیدی را برای ارائه خدمات و پشتیبانی 24 ساعته به مشتریان در بسیاری از صنایع فراهم کنند. محبوبیت آنها از توانایی پاسخگویی به سؤالات مشتری در زمان واقعی و رسیدگی به چندین سؤال به طور همزمان به زبان های مختلف ناشی می شود. چتباتها همچنین بینشهای ارزشمندی مبتنی بر دادهها را در مورد رفتار مشتری ارائه میکنند، در حالی که با رشد پایگاه کاربر، بدون زحمت مقیاسگذاری میشوند. بنابراین، آنها یک راه حل مقرون به صرفه برای جذب مشتریان ارائه می دهند. چت بات ها از قابلیت های پیشرفته زبان طبیعی مدل های زبان بزرگ (LLM) برای پاسخ به سوالات مشتریان استفاده می کنند. آنها می توانند زبان مکالمه را بفهمند و به طور طبیعی پاسخ دهند. با این حال، رباتهای چت که صرفاً به سؤالات اساسی پاسخ میدهند، کاربرد محدودی دارند. برای تبدیل شدن به مشاوران قابل اعتماد، چت بات ها باید پاسخ های متفکرانه و متناسبی ارائه دهند.
یکی از راههای فعال کردن مکالمات متنی بیشتر، پیوند دادن ربات چت به پایگاههای دانش داخلی و سیستمهای اطلاعاتی است. یکپارچهسازی دادههای سازمانی اختصاصی از پایگاههای دانش داخلی، رباتهای گفتگو را قادر میسازد تا پاسخهای خود را به نیازها و علایق فردی هر کاربر در قالب متنی تنظیم کنند. به عنوان مثال، یک ربات چت میتواند محصولاتی را پیشنهاد کند که با ترجیحات خریدار و خریدهای گذشته مطابقت دارند، جزئیات را به زبانی که با سطح تخصص کاربر سازگار است توضیح دهد، یا با دسترسی به سوابق خاص مشتری، پشتیبانی حساب را ارائه دهد. توانایی ترکیب هوشمندانه اطلاعات، درک زبان طبیعی، و ارائه پاسخهای سفارشی در یک جریان مکالمه به رباتهای گفتگو اجازه میدهد تا ارزش تجاری واقعی را در موارد مختلف استفاده کنند.
الگوی محبوب معماری از بازیابی نسل افزوده (RAG) اغلب برای تقویت زمینه پرس و جو و پاسخ های کاربر استفاده می شود. RAG قابلیتهای LLM را با پایهگذاری حقایق و دانش دنیای واقعی که از بازیابی متون و بخشهای مرتبط از مجموعه دادهها به دست میآید، ترکیب میکند. سپس از این متون بازیابی شده برای اطلاع رسانی و زمینه سازی خروجی، کاهش توهم و بهبود ارتباط استفاده می شود.
در این پست، تقویت متنی یک چت بات با استفاده از آن را نشان می دهیم پایگاه های دانش برای آمازون بستر، یک سرویس کاملاً مدیریت شده بدون سرور. پایگاههای دانش برای ادغام Amazon Bedrock به ربات چت ما اجازه میدهد تا با پیوند دادن پرسشهای کاربر به نقاط داده اطلاعاتی مرتبط، پاسخهای شخصیتر و مرتبطتری ارائه دهد. در داخل، بستر آمازون از جاسازی های ذخیره شده در یک پایگاه داده برداری برای تقویت زمینه پرس و جو کاربر در زمان اجرا و فعال کردن راه حل معماری RAG مدیریت شده استفاده می کند. ما استفاده می کنیم نامه آمازون به سهامداران مجموعه داده برای توسعه این راه حل.
بازیابی نسل افزوده
RAG رویکردی برای تولید زبان طبیعی است که بازیابی اطلاعات را در فرآیند تولید گنجانده است. معماری RAG شامل دو گردش کار کلیدی است: پیش پردازش داده از طریق جذب، و تولید متن با استفاده از زمینه پیشرفته.
گردش کار جذب داده ها از LLM برای ایجاد بردارهای جاسازی شده استفاده می کند که معنای معنایی متون را نشان می دهد. جاسازی ها برای اسناد و سوالات کاربر ایجاد می شوند. تعبیههای سند به تکههایی تقسیم میشوند و به عنوان نمایه در یک پایگاه داده برداری ذخیره میشوند. گردش کار تولید متن سپس بردار تعبیه شده یک سوال را می گیرد و از آن برای بازیابی مشابه ترین تکه های سند بر اساس شباهت برداری استفاده می کند. برای ایجاد پاسخ با استفاده از LLM، درخواستها را با این تکههای مرتبط تقویت میکند. برای جزئیات بیشتر، به پرایمر در بازیابی پایگاه داده های نسل افزوده، جاسازی ها و برداری بخش در پیشنمایش – مدلهای بنیاد را به منابع داده شرکت خود با نمایندگان آمازون بستر متصل کنید.
نمودار زیر معماری RAG سطح بالا را نشان می دهد.
اگرچه معماری RAG دارای مزایای بسیاری است، اما شامل اجزای متعددی از جمله پایگاه داده، مکانیسم بازیابی، سریع و مدل تولیدی است. مدیریت این بخش های وابسته به هم می تواند پیچیدگی هایی را در توسعه و استقرار سیستم ایجاد کند. ادغام بازیابی و تولید نیز به تلاش مهندسی و منابع محاسباتی اضافی نیاز دارد. برخی از کتابخانههای منبع باز، بستهبندیهایی را برای کاهش این سربار ارائه میکنند. با این حال، تغییرات در کتابخانهها میتواند باعث ایجاد خطا و اضافه کردن سربار اضافی به نسخهسازی شود. حتی با کتابخانههای منبع باز، تلاش قابل توجهی برای نوشتن کد، تعیین اندازه بهینه قطعه، تولید جاسازیها و موارد دیگر مورد نیاز است. این کار راهاندازی به تنهایی میتواند بسته به حجم داده هفتهها طول بکشد.
بنابراین، یک راه حل مدیریت شده که این وظایف غیرمتمایز را انجام می دهد، می تواند روند پیاده سازی و مدیریت برنامه های RAG را ساده و تسریع کند.
پایگاه های دانش برای آمازون بستر
Knowledge Bases for Amazon Bedrock یک گزینه بدون سرور برای ساخت سیستم های هوش مصنوعی مکالمه قدرتمند با استفاده از RAG است. این جریان های کاری به طور کامل مدیریت داده و تولید متن را ارائه می دهد.
برای جذب داده ها، ایجاد، ذخیره، مدیریت و به روز رسانی جاسازی های متنی داده های سند در پایگاه داده برداری به طور خودکار انجام می شود. برای بازیابی کارآمد، اسناد را به تکه های قابل مدیریت تقسیم می کند. سپس تکهها به جاسازیها تبدیل میشوند و به یک نمایه برداری نوشته میشوند، در حالی که به شما امکان میدهند اسناد منبع را هنگام پاسخ دادن به سؤال مشاهده کنید.
برای تولید متن، Amazon Bedrock آن را فراهم می کند RetrieveAndGenerate API برای ایجاد تعبیههایی از درخواستهای کاربر، و بازیابی تکههای مربوطه از پایگاه داده برداری برای ایجاد پاسخهای دقیق. همچنین از ذکر منبع و حافظه کوتاه مدت مورد نیاز برای برنامه های RAG پشتیبانی می کند.
این به شما امکان میدهد تا روی برنامههای اصلی کسبوکارتان تمرکز کنید و وزنهبرداری غیرمتمایز را حذف کنید.
بررسی اجمالی راه حل
راه حل ارائه شده در این پست از یک ربات چت استفاده می کند که با استفاده از a Streamlit برنامه و شامل خدمات AWS زیر است:
نمودار زیر یک الگوی معماری راه حل رایج است که می توانید از آن برای ادغام هر برنامه ربات چت با پایگاه های دانش برای Amazon Bedrock استفاده کنید.
این معماری شامل مراحل زیر است:
- کاربر با رابط چت ربات Streamlit تعامل می کند و درخواستی را به زبان طبیعی ارسال می کند
- این یک تابع Lambda را راه اندازی می کند که پایگاه های دانش را فراخوانی می کند
RetrieveAndGenerate
API. در داخل، پایگاه های دانش از یک آمازون تایتان embedding مدل و پرس و جو کاربر را به بردار تبدیل می کند و تکه هایی را پیدا می کند که از نظر معنایی شبیه به پرس و جو کاربر هستند. درخواست کاربر با تکههایی که از پایگاه دانش بازیابی میشوند، تکمیل میشود. سپس درخواست در کنار زمینه اضافی برای تولید پاسخ به یک LLM ارسال می شود. در این راه حل استفاده می کنیم آنتروپیک کلود فوری به عنوان LLM ما برای تولید پاسخ های کاربر با استفاده از زمینه اضافی. توجه داشته باشید که این راه حل در مناطقی که Anthropic Claude در Amazon Bedrock است پشتیبانی می شود در دسترس. - یک پاسخ مرتبط با متن به برنامه و کاربر چت بات ارسال می شود.
پیش نیازها
کاربران بسترهای آمازون باید درخواست دسترسی به مدل های فونداسیون را قبل از در دسترس بودن برای استفاده داشته باشند. این یک اقدام یک بار است و کمتر از یک دقیقه طول می کشد. برای این راه حل، باید دسترسی به مدل Titan Embeddings G1 – Text and Claude Instant – v1.2 را در Amazon Bedrock فعال کنید. برای اطلاعات بیشتر مراجعه کنید دسترسی مدل.
مخزن GitHub را شبیه سازی کنید
راه حل ارائه شده در این پست در ادامه مطلب موجود است GitHub repo. شما باید مخزن GitHub را در دستگاه محلی خود کلون کنید. یک پنجره ترمینال باز کنید و دستور زیر را اجرا کنید. توجه داشته باشید که این یک فرمان تککلون git است.
مجموعه داده دانش خود را در آمازون S3 آپلود کنید
ما مجموعه داده را برای پایگاه دانش خود دانلود می کنیم و آن را در یک سطل S3 آپلود می کنیم. این مجموعه داده، پایگاه دانش را تغذیه و تقویت می کند. مراحل زیر را کامل کنید:
- حرکت به گزارش های سالانه، نیابت ها و نامه های سهامداران مخزن داده و دانلود چند سال گذشته نامه سهامداران آمازون.
- در کنسول آمازون S3، را انتخاب کنید سطل در صفحه ناوبری
- را انتخاب کنید سطل ایجاد کنید.
- سطل را نام ببرید
knowledgebase-<your-awsaccount-number>
. - تمام تنظیمات سطل دیگر را به عنوان پیش فرض بگذارید و انتخاب کنید ساختن.
- حرکت به
knowledgebase-<your-awsaccount-number>
سطل - را انتخاب کنید ایجاد پوشه و نام آن را مجموعه داده بگذارید.
- تمام تنظیمات پوشه دیگر را به عنوان پیش فرض بگذارید و انتخاب کنید ساختن.
- به خانه سطلی برگردید و انتخاب کنید ایجاد پوشه برای ایجاد یک پوشه جدید و نامگذاری آن
lambdalayer
. - تمام تنظیمات دیگر را به عنوان پیش فرض بگذارید و انتخاب کنید ساختن.
- حرکت به
dataset
پوشه. - گزارشهای سالانه، پروکسیها و فایلهای مجموعه نامه سهامداران را که قبلا دانلود کردهاید در این سطل آپلود کنید و انتخاب کنید بارگذاری.
- حرکت به
lambdalayer
پوشه. - بارگذاری کنید
knowledgebase-lambdalayer.zip
فایل موجود در زیر/lambda/layer
پوشه موجود در مخزن GitHub که قبلاً شبیه سازی کرده بودید و انتخاب کنید بارگذاری. بعداً از این کد لایه Lambda برای ایجاد تابع Lambda استفاده خواهید کرد.
یک پایگاه دانش ایجاد کنید
در این مرحله، با استفاده از مجموعه حروف سهامداران آمازون که در مرحله قبل در سطل S3 خود آپلود کردیم، یک پایگاه دانش ایجاد می کنیم.
- در کنسول آمازون بستر، زیر تنظیم و ارکستراسیون در قسمت ناوبری، را انتخاب کنید دانش محور.
- را انتخاب کنید ایجاد پایگاه دانش.
- در جزئیات پایه دانش بخش، نام و توضیحات اختیاری را وارد کنید.
- در مجوزهای IAM بخش، انتخاب کنید یک نقش سرویس جدید ایجاد و استفاده کنید و یک نام برای نقش وارد کنید.
- در صورت نیاز برچسب اضافه کنید.
- را انتخاب کنید بعدی.
- ترک کردن نام منبع داده به عنوان نام پیش فرض
- برای S3 URI، انتخاب کنید S3 را مرور کنید برای انتخاب سطل S3
knowledgebase-<your-account-number>/dataset/
.شما باید به سطل و پوشه مجموعه داده ای که در مراحل قبل ایجاد کردید اشاره کنید. - در تنظیمات پیشرفته بخش، مقادیر پیشفرض را رها کنید (در صورت تمایل، میتوانید استراتژی تکهشدن پیشفرض را تغییر دهید و اندازه تکه و همپوشانی آن را به درصد مشخص کنید).
- را انتخاب کنید بعدی.
- برای مدل جاسازی، انتخاب کنید Titan Embedding G1 – متن.
- برای پایگاه داده برداری، می توانید انتخاب کنید سریع یک فروشگاه برداری جدید ایجاد کنید or فروشگاه برداری را که ایجاد کرده اید انتخاب کنید. توجه داشته باشید که برای استفاده از ذخیره بردار انتخابی خود، باید یک فروشگاه برداری از پیش پیکربندی شده برای استفاده داشته باشید. ما در حال حاضر از چهار نوع موتور برداری پشتیبانی می کنیم: موتور برداری برای Amazon OpenSearch Serverless، Amazon Aurora، Pinecone و Redis Enterprise Cloud. برای این پست، Quick create a new vector store را انتخاب می کنیم که به طور پیش فرض یک فروشگاه برداری بدون سرور OpenSearch جدید در حساب شما ایجاد می کند.
- را انتخاب کنید بعدی.
- بر بررسی و ایجاد کنید صفحه، تمام اطلاعات را مرور کنید یا انتخاب کنید قبلی برای اصلاح هر گزینه
- را انتخاب کنید ایجاد پایگاه دانش.توجه داشته باشید که فرآیند ایجاد پایگاه دانش آغاز می شود و وضعیت در حال انجام است. چند دقیقه طول می کشد تا فروشگاه برداری و پایگاه دانش ایجاد شود. از صفحه دور نشوید، در غیر این صورت ایجاد ناموفق خواهد بود.
- زمانی که وضعیت پایگاه دانش در
Ready
وضعیت، شناسه پایگاه دانش را یادداشت کنید. در مراحل بعدی برای پیکربندی تابع Lambda از آن استفاده خواهید کرد. - اکنون که پایگاه دانش آماده است، باید داده های نامه سهامداران آمازون خود را با آن همگام کنیم. در منبع اطلاعات بخش صفحه جزئیات پایگاه دانش را انتخاب کنید همگام سازی برای راه اندازی فرآیند جذب داده از سطل S3 به پایگاه دانش.
این فرآیند همگامسازی فایلهای سند را به تکههای کوچکتری از اندازه تکهای که قبلاً مشخص شده تقسیم میکند، جاسازیهای برداری را با استفاده از مدل جاسازی متن انتخاب شده ایجاد میکند و آنها را در فروشگاه برداری که توسط Knowledge Bases برای Amazon Bedrock مدیریت میشود، ذخیره میکند.
هنگامی که همگام سازی مجموعه داده کامل شد، وضعیت منبع داده به تغییر خواهد کرد Ready
حالت. توجه داشته باشید که اگر اسناد اضافی را در پوشه داده S3 اضافه کنید، باید پایگاه دانش را دوباره همگام سازی کنید.
تبریک می گوییم، پایگاه دانش شما آماده است.
توجه داشته باشید که میتوانید از پایگاههای دانش برای APIهای سرویس بستر آمازون و ... نیز استفاده کنید رابط خط فرمان AWS (AWS CLI) برای ایجاد یک پایگاه دانش به صورت برنامه ای. شما باید بخش های مختلفی از نوت بوک Jupyter را که در زیر ارائه شده است اجرا کنید /notebook
پوشه در مخزن GitHub.
یک تابع Lambda ایجاد کنید
این تابع لامبدا با استفاده از AWS CloudFormation قالب موجود در مخزن GitHub در زیر /cfn
پوشه این الگو به دو پارامتر نیاز دارد: نام سطل S3 و شناسه پایگاه دانش.
- در صفحه اصلی سرویس AWS CloudFormation، را انتخاب کنید پشته ایجاد کنید برای ایجاد یک پشته جدید
- انتخاب کنید قالب آماده است برای قالب را آماده کنید.
- انتخاب کنید فایل قالب را آپلود کنید برای منبع قالب.
- را انتخاب کنید انتخاب فایل، به مخزن GitHub که قبلاً شبیه سازی کرده اید بروید و فایل .yaml را در زیر انتخاب کنید.
/cfn
پوشه. - را انتخاب کنید بعدی.
- برای نام پشته، یک نام وارد کنید.
- در پارامترهای بخش، شناسه پایگاه دانش و نام سطل S3 را که قبلاً یادداشت کردید وارد کنید.
- را انتخاب کنید بعدی.
- همه گزینههای پیشفرض را همانطور که هست رها کنید، انتخاب کنید بعدی، و انتخاب کنید ارسال.
- بررسی کنید که الگوی CloudFormation با موفقیت اجرا شده است و هیچ خطایی وجود ندارد.
تبریک میگوییم، شما یک تابع Lambda، نقشها و خطمشیهای مرتبط را با موفقیت ایجاد کردید.
برنامه چت ربات متنی را تست کنید
برای آزمایش برنامه چت بات خود، مراحل زیر را انجام دهید:
- یک ترمینال جدید یا یک پنجره خط فرمان روی دستگاه خود باز کنید.
- دستور زیر را برای نصب اجرا کنید AWS SDK برای پایتون (Boto3). Boto3 ادغام یک برنامه، کتابخانه یا اسکریپت پایتون را با سرویسهای AWS آسان میکند.
- دستور زیر را برای نصب و راه اندازی یک محیط توسعه محلی پایتون برای اجرای برنامه Streamlit اجرا کنید:
- حرکت به
/streamlit
پوشه موجود در پوشه مخزن GitHub که قبلاً کلون کردید. - دستور زیر را برای نمونه سازی برنامه چت بات اجرا کنید:
این باید یک برنامه چت مبتنی بر وب را باز کند که توسط Streamlit در مرورگر وب پیشفرض شما طراحی شده است.
- از این برنامه چت ربات Streamlit برای ارسال سؤالات زبان طبیعی برای شروع مکالمات با پایگاه های دانش برای Amazon Bedrock استفاده کنید.
هنگامی که درخواستی را ارسال می کنید، برنامه Streamlit تابع Lambda را فعال می کند که پایگاه های دانش را فراخوانی می کند. RetrieveAndGenerate
API برای جستجو و تولید پاسخ.
جدول زیر شامل چند نمونه سوال و پاسخ های مربوط به پایگاه دانش است. برخی از این سوالات را با استفاده از دستورات امتحان کنید.
سوالات | پاسخ ها |
آمازون در زمینه هوش مصنوعی مولد چه می کند؟ | آمازون روی مدلهای زبان بزرگ (LLM) خود برای هوش مصنوعی مولد کار میکند و معتقد است که هر تجربه مشتری را تغییر داده و بهبود میبخشد. آنها قصد دارند به سرمایه گذاری اساسی در این مدل ها در تمام تجربیات مصرف کننده، فروشنده، برند و خالق خود ادامه دهند. |
درآمد سال به سال AWS در سال 2022 چقدر است؟ | درآمد AWS در سال 29 با درآمد 2022 میلیارد دلاری نسبت به سال گذشته 62 درصد رشد کرد. |
چند روزی است که آمازون از کارمندان خود خواسته است که در محل کار خود بیایند؟ | آمازون از کارمندان شرکت خواسته است حداقل سه روز در هفته از می 2022 به دفتر خود بازگردند. |
درآمد AWS در سال 2022 نسبت به سال قبل چند درصد رشد داشته است؟ | AWS در سال 29 2022 درصد درآمد سال به سال ("YoY") داشت. |
در مقایسه با پردازندههای Graviton2، تراشههای Graviton3 چه بهبود عملکردی را با توجه به پاساژ ارائه کردند؟ | در سال 2022، AWS تراشههای Graviton3 خود را ارائه کرد که عملکردی 25% بهتر از پردازندههای Graviton2 ارائه کرد. |
اولین تراشه استنتاجی که توسط AWS با توجه به این قسمت راه اندازی شد کدام بود؟ | AWS اولین تراشه های استنتاج خود ("Inferentia") را در سال 2019 راه اندازی کرد و شرکت هایی مانند آمازون را بیش از صد میلیون دلار در هزینه سرمایه صرفه جویی کرد. |
با توجه به شرایط، درآمد سالانه آمازون در چه سالی از 245 میلیارد دلار به 434 میلیارد دلار افزایش یافته است؟ | درآمد سالانه آمازون از 245 میلیارد دلار در سال 2019 به 434 میلیارد دلار در سال 2022 افزایش یافت. |
دوباره به من بگویید درآمد در سال 2019 چقدر بوده است؟ | درآمد آمازون در سال 2019 245 میلیارد دلار بود. |
و 2021؟ | درآمد آمازون در سال 2021، 469.8 میلیارد دلار بود که نسبت به سال 22 افزایشی 2020 درصدی داشته است. |
و دوباره به من یادآوری کنید اولین تراشه استنتاج کی راه اندازی شد؟ | اولین تراشه استنتاج آمازون Inferentia بود که در سال 2019 راه اندازی شد. |
در طول اولین تماس با تابع Lambda، RetrieveAndGenerate
API a را برمی گرداند sessionId
، که سپس توسط برنامه Streamlit همراه با فرمان بعدی کاربر به عنوان ورودی به RetrieveAndGenerate API ارسال می شود تا مکالمه در همان جلسه ادامه یابد. را RetrieveAndGenerate
API حافظه کوتاه مدت را مدیریت می کند و از تاریخچه چت استفاده می کند تا زمانی که همان sessionId به عنوان ورودی در تماس های متوالی ارسال شود.
تبریک میگوییم، شما با موفقیت یک برنامه چت بات را با استفاده از پایگاههای دانش برای Amazon Bedrock ایجاد و آزمایش کردید.
پاک کردن
عدم حذف منابعی مانند سطل S3، مجموعه OpenSearch Serverless و پایگاه دانش هزینه هایی را متحمل می شود. برای پاکسازی این منابع، پشته CloudFormation را حذف کنید، سطل S3 (شامل پوشههای سند و فایلهای ذخیره شده در آن سطل)، مجموعه OpenSearch Serverless را حذف کنید، پایگاه دانش را حذف کنید، و هر نقش، خطمشی و مجوزی را که دارید حذف کنید. قبلا ایجاد شده است.
نتیجه
در این پست، مروری بر چتباتهای متنی ارائه کردیم و توضیح دادیم که چرا آنها مهم هستند. ما پیچیدگیهای موجود در جریان کاری دادهها و تولید متن را برای یک معماری RAG شرح دادیم. سپس نحوه ایجاد پایگاه های دانش برای Amazon Bedrock را معرفی کردیم که یک سیستم RAG بدون سرور کاملاً مدیریت شده، از جمله یک فروشگاه برداری را ایجاد می کند. در نهایت، ما یک معماری راه حل و کد نمونه در a ارائه کردیم GitHub repo برای بازیابی و تولید پاسخ های متنی برای یک برنامه چت بات با استفاده از پایگاه دانش.
با توضیح ارزش چت رباتهای متنی، چالشهای سیستمهای RAG، و نحوه برخورد پایگاههای دانش برای آمازون بستر این چالشها، هدف این پست نشان دادن این است که چگونه Amazon Bedrock شما را قادر میسازد تا برنامههای پیشرفته هوش مصنوعی مکالمهای را با حداقل تلاش بسازید.
برای کسب اطلاعات بیشتر، نگاه کنید به راهنمای توسعه دهنده Amazon Bedrock و APIهای پایگاه دانش.
درباره نویسنده
مانیش چوغ یک معمار راه حل اصلی در AWS مستقر در سانفرانسیسکو، کالیفرنیا است. او در یادگیری ماشینی و هوش مصنوعی مولد تخصص دارد. او با سازمانهایی از شرکتهای بزرگ گرفته تا استارتآپهای اولیه در زمینه مشکلات مربوط به یادگیری ماشین کار میکند. نقش او شامل کمک به این سازمان ها برای معمار کردن حجم کاری مقیاس پذیر، ایمن و مقرون به صرفه در AWS است. او به طور منظم در کنفرانس های AWS و سایر رویدادهای شریک ارائه می دهد. خارج از محل کار، او از پیاده روی در مسیرهای خلیج شرقی، دوچرخه سواری در جاده، و تماشای (و بازی) کریکت لذت می برد.
مانی خانوجه پیشرو در فناوری - متخصصان هوش مصنوعی مولد، نویسنده کتاب یادگیری ماشین کاربردی و محاسبات با عملکرد بالا در AWS، و عضو هیئت مدیره بنیاد آموزش زنان در تولید است. او پروژه های یادگیری ماشینی را در حوزه های مختلف مانند بینایی کامپیوتر، پردازش زبان طبیعی و هوش مصنوعی مولد رهبری می کند. او در کنفرانسهای داخلی و خارجی مانند AWS re:Invent، Women in Manufacturing West، وبینارهای YouTube و GHC 23 صحبت میکند. او در اوقات فراغت خود دوست دارد برای دویدن طولانی در کنار ساحل برود.
پالوی نارگوند یک معمار اصلی راه حل در AWS است. او در نقش خود به عنوان یک فعال کننده فناوری ابری، با مشتریان کار می کند تا اهداف و چالش های آنها را درک کند و راهنمایی های تجویزی برای دستیابی به هدف خود با پیشنهادات AWS ارائه دهد. او علاقه زیادی به زنان در فناوری دارد و یکی از اعضای اصلی زنان در هوش مصنوعی/ML در آمازون است. او در کنفرانس های داخلی و خارجی مانند AWS re:Invent، AWS Summits و وبینارها سخنرانی می کند. او در خارج از محل کار از کار داوطلبانه، باغبانی، دوچرخه سواری و پیاده روی 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/build-a-contextual-chatbot-application-using-knowledge-bases-for-amazon-bedrock/
- : دارد
- :است
- :جایی که
- $UP
- 100
- 125
- 2019
- 2020
- 2021
- 2022
- 23
- 27
- 500
- 7
- 8
- 9
- a
- توانایی
- درباره ما
- شتاب دادن
- دسترسی
- دسترسی
- مطابق
- حساب
- دقیق
- رسیدن
- در میان
- عمل
- اضافه کردن
- اضافی
- آدرس
- پیشرفته
- مزایای
- مشاوران
- از نو
- عاملان
- AI
- سیستم های هوش مصنوعی
- AI / ML
- هدف
- معرفی
- اجازه دادن
- اجازه می دهد تا
- تنها
- در امتداد
- در کنار
- همچنین
- آمازون
- آمازون خدمات وب
- an
- و
- سالیانه
- درآمد سالانه
- پاسخ
- پاسخ دادن
- آنتروپیک
- هر
- API
- رابط های برنامه کاربردی
- نرم افزار
- کاربرد
- برنامه های کاربردی
- اعمال می شود
- روش
- معماری
- هستند
- AS
- At
- تقویت کردن
- افزوده شده
- تقویت می کند
- شفق قطبی
- نویسنده
- بطور خودکار
- در دسترس
- خیابان
- دور
- AWS
- AWS CloudFormation
- AWS دوباره: اختراع
- به عقب
- پایه
- مستقر
- اساسی
- سرخ مایل به قرمز
- ساحل
- شدن
- بوده
- قبل از
- شروع
- آغاز می شود
- رفتار
- معتقد است که
- بهتر
- بیلیون
- تخته
- هيئت مدیره
- کتاب
- نام تجاری
- مرورگر
- ساختن
- کسب و کار
- برنامه های تجاری
- by
- CA
- صدا
- تماس ها
- CAN
- قابلیت های
- سرمایه
- موارد
- CD
- چالش ها
- تغییر دادن
- تبادل
- بار
- گپ
- chatbot
- chatbots
- وارسی
- تراشه
- چیپس
- انتخاب
- را انتخاب کنید
- تمیز
- Cli
- ابر
- فناوری ابر
- رمز
- مجموعه
- ترکیب
- بیا
- می آید
- مشترک
- شرکت
- شرکت
- کامل
- پیچیدگی ها
- اجزاء
- محاسباتی
- کامپیوتر
- چشم انداز کامپیوتر
- محاسبه
- همایش ها
- اتصال
- کنسول
- مصرف کننده
- زمینه
- متنی
- زمینه سازی
- ادامه دادن
- گفتگو
- محاورهای
- هوش مصنوعی محاوره ای
- گفتگو
- مبدل
- هسته
- شرکت
- مقرون به صرفه
- میتوانست
- ایجاد
- ایجاد شده
- ایجاد
- ایجاد
- ایجاد
- خالق
- کریکت
- در حال حاضر
- مشتری
- رفتار مشتری
- تجربه مشتری
- خدمات مشتری
- مشتریان
- سفارشی
- داده ها
- نقاط داده
- داده محور
- پایگاه داده
- روز
- به طور پیش فرض
- ارائه
- تحویل داده
- تحویل
- بستگی دارد
- مستقر
- گسترش
- شرح داده شده
- شرح
- جزئیات
- مشخص کردن
- توسعه
- توسعه دهنده
- پروژه
- نمودار
- DID
- مختلف
- دیجیتال
- مدیران
- مختلف
- سند
- اسناد و مدارک
- عمل
- دلار
- حوزه
- آیا
- پایین
- دانلود
- هر
- پیش از آن
- مرحله اولیه
- شرق
- آموزش
- موثر
- تلاش
- زحمت
- هر دو
- تعبیه کردن
- کارکنان
- قادر ساختن
- توانمندساز
- را قادر می سازد
- جذاب
- موتور
- مهندسی
- افزایش
- افزایش
- وارد
- سرمایه گذاری
- شرکت
- محیط
- خطاهای
- حتی
- حوادث
- هر
- مثال
- تجربه
- تجارب
- تخصص
- توضیح دهید
- توضیح داده شده
- توضیح دادن
- خارجی
- حقایق
- FAIL
- کمی از
- رشته
- پرونده
- فایل ها
- سرانجام
- پیدا می کند
- نام خانوادگی
- جریان
- تمرکز
- پیروی
- برای
- پایه
- چهار
- فرانسیسکو
- رایگان
- از جانب
- کاملا
- تابع
- g1
- تولید می کنند
- تولید می کند
- نسل
- مولد
- هوش مصنوعی مولد
- رفتن
- GitHub
- دادن
- Go
- اهداف
- رشد
- زمین
- شدن
- رشد می کند
- راهنمایی
- بود
- دسته
- دستگیره
- آیا
- he
- سنگین
- بلند کردن سنگین
- کمک
- او
- زیاد
- در سطح بالا
- خود را
- تاریخ
- صفحه اصلی
- چگونه
- اما
- HTML
- HTTP
- HTTPS
- صد
- ID
- if
- نشان دادن
- نشان می دهد
- اجرای
- مهم
- بهبود
- بهبود
- بهبود
- in
- شامل
- از جمله
- ترکیب کردن
- شامل
- افزایش
- افزایش
- شاخص
- فهرستها
- فرد
- لوازم
- اطلاع دادن
- اطلاعات
- سیستم های اطلاعاتی
- ورودی
- سوالات
- بینش
- نصب
- فوری
- ادغام
- ادغام
- ادغام
- در ارتباط بودن
- منافع
- رابط
- داخلی
- داخلی
- به
- معرفی
- معرفی
- سرمایه گذاری
- فراخوانی میکند
- گرفتار
- شامل
- IT
- JPG
- کلید
- دانش
- زبان
- زبان ها
- بزرگ
- شرکت های بزرگ
- نام
- بعد
- راه اندازی
- لایه
- رهبری
- منجر می شود
- یادگیری
- کمترین
- ترک کردن
- کمتر
- نامه
- سطح
- کتابخانه ها
- کتابخانه
- بلند کردن اجسام
- پسندیدن
- دوست دارد
- محدود شده
- لاین
- ارتباط
- LLM
- محلی
- طولانی
- دستگاه
- فراگیری ماشین
- اصلی
- باعث می شود
- قابل کنترل
- اداره می شود
- مدیریت می کند
- مدیریت
- تولید
- بسیاری
- مسابقه
- ممکن است..
- me
- معنی
- مکانیزم
- عضو
- حافظه
- صرفا - فقط
- میلیون
- میلیون دلار
- حداقل
- دقیقه
- دقیقه
- مدل
- مدل
- تغییر
- بیش
- اکثر
- چندگانه
- نام
- طبیعی
- پردازش زبان طبیعی
- هدایت
- جهت یابی
- نیاز
- ضروری
- نیازهای
- جدید
- بعد
- نه
- هیچ
- توجه داشته باشید
- دفتر یادداشت
- اشاره کرد
- هدف
- of
- ارائه
- پیشنهادات
- پیشنهادات
- دفتر
- غالبا
- on
- ONE
- باز کن
- منبع باز
- بهینه
- گزینه
- گزینه
- or
- سازمان های
- دیگر
- در غیر این صورت
- ما
- خارج
- تولید
- خارج از
- روی
- در بالای سر
- مروری
- خود
- با ما
- قطعه
- پارامترهای
- شریک
- بخش
- عبور
- معابر
- گذشت
- احساساتی
- گذشته
- الگو
- درصد
- کارایی
- مجوز
- شخصی
- برنامه
- افلاطون
- هوش داده افلاطون
- PlatoData
- بازی
- نقطه
- نقطه
- سیاست
- محبوب
- محبوبیت
- پست
- قدرت
- صفحه اصلی
- قوی
- تنظیمات
- در حال حاضر
- ارائه شده
- هدیه
- قبلی
- اصلی
- مشکلات
- روند
- در حال پردازش
- پردازنده ها
- محصولات
- پیشرفت
- پروژه ها
- پرسیدن
- اختصاصی
- ارائه
- ارائه
- فراهم می کند
- ارائه
- خرید
- پــایتــون
- نمایش ها
- پرس و جو
- سوال
- سوالات
- سریع
- پارچه
- اعم
- RE
- اماده
- واقعی
- دنیای واقعی
- زمان واقعی
- سوابق
- كاهش دادن
- کاهش
- مراجعه
- مناطق
- به طور منظم
- مربوط
- ربط
- مربوط
- حذف می کند
- گزارش ها
- مخزن
- نشان دادن
- درخواست
- ضروری
- نیاز
- منابع
- پاسخ
- پاسخ
- پاسخ
- بازیابی
- بازده
- درامد
- این فایل نقد می نویسید:
- جاده
- نقش
- نقش
- دویدن
- اجرا می شود
- زمان اجرا
- همان
- نمونه
- سان
- سان فرانسیسکو
- نگهداری می شود
- مقیاس پذیر
- مقیاس گذاری
- خط
- sdk
- جستجو
- بخش
- بخش
- امن
- دیدن
- را انتخاب کنید
- انتخاب شد
- معنایی
- فرستاده
- خدمت
- بدون سرور
- سرویس
- خدمات
- جلسه
- تنظیم
- تنظیمات
- برپایی
- سهامدار
- سهامداران
- او
- کوتاه مدت
- باید
- نمایشگاه
- قابل توجه
- مشابه
- به طور همزمان
- تنها
- اندازه
- کوچکتر
- راه حل
- مزایا
- برخی از
- مصنوعی
- منبع
- منابع
- صحبت می کند
- متخصصان
- تخصص دارد
- خاص
- مشخص شده
- انشعاب
- تقسیم می کند
- پشته
- شروع
- نوپا
- دولت
- وضعیت
- ساقه ها
- گام
- مراحل
- opbevare
- ذخیره شده
- پرده
- ذخیره سازی
- ساده
- استراتژی
- ساده کردن
- ارسال
- متعاقب
- قابل ملاحظه ای
- موفقیت
- چنین
- نشان می دهد
- اجلاس
- پشتیبانی
- پشتیبانی
- پشتیبانی از
- همگام سازی
- سیستم
- سیستم های
- جدول
- طراحی شده
- گرفتن
- طول می کشد
- وظایف
- فن آوری
- پیشرفته
- قالب
- پایانه
- آزمون
- آزمایش
- متن
- نسبت به
- که
- La
- اطلاعات
- منبع
- شان
- آنها
- سپس
- آنجا.
- از این رو
- اینها
- آنها
- این
- کسانی که
- سه
- از طریق
- زمان
- تیتان
- به
- دگرگون کردن
- ماشه
- مورد اعتماد
- امتحان
- دو
- انواع
- زیر
- فهمیدن
- به روز رسانی
- آپلود شده
- استفاده کنید
- استفاده
- کاربر
- کاربران
- استفاده
- با استفاده از
- سودمندی
- v1
- ارزشمند
- ارزش
- ارزشها
- مختلف
- دید
- حجم
- می خواهم
- بود
- تماشای
- مسیر..
- we
- وب
- مرورگر وب
- خدمات وب
- مبتنی بر وب
- Webinars
- هفته
- هفته
- غرب
- چی
- چه زمانی
- که
- در حین
- چرا
- اراده
- پنجره
- با
- زنان
- نقش زنان در تکنولوژی
- مهاجرت کاری
- گردش کار
- گردش کار
- کارگر
- با این نسخهها کار
- نوشتن
- کد بنویس
- کتبی
- یامل
- سال
- سال
- شما
- شما
- یوتیوب
- زفیرنت