مدلهای زبان بزرگ (LLM) با دانش گسترده خود، میتوانند متنی شبیه انسان در تقریباً هر موضوعی تولید کنند. با این حال، آموزش آنها در مورد مجموعه داده های عظیم نیز مفید بودن آنها را برای کارهای تخصصی محدود می کند. بدون یادگیری مداوم، این مدل ها نسبت به داده ها و روندهای جدیدی که پس از آموزش اولیه ظاهر می شوند، غافل می مانند. علاوه بر این، هزینه آموزش LLM های جدید می تواند برای بسیاری از تنظیمات سازمانی گران باشد. با این حال، می توان یک پاسخ مدل را با محتوای تخصصی اصلی ارجاع داد، بنابراین از نیاز به آموزش یک مدل جدید LLM با استفاده از Retrieval-Augmented Generation (RAG) اجتناب کرد.
RAG با دادن توانایی بازیابی و ترکیب دانش خارجی به LLM ها قدرت می دهد. RAG به جای تکیه بر دانش از پیش آموزش دیده خود، به مدل ها اجازه می دهد تا داده ها را از اسناد، پایگاه های داده و موارد دیگر استخراج کنند. سپس مدل به طرز ماهرانه ای این اطلاعات بیرونی را در متن تولید شده خود ادغام می کند. با یافتن منبع دادههای مرتبط با زمینه، این مدل میتواند پاسخهای آگاهانه و بهروز را متناسب با مورد استفاده شما ارائه دهد. افزایش دانش همچنین احتمال توهم و متن نادرست یا بی معنی را کاهش می دهد. با RAG، مدلهای پایه به متخصصان سازگاری تبدیل میشوند که با رشد پایگاه دانش شما تکامل مییابند.
امروز، ما هیجانزدهایم که از سه نسخه آزمایشی هوش مصنوعی با مجوز تحت مجوز رونمایی کنیم مجوز MIT-0:
- آمازون کندرا با LLM پایه - از قابلیت های جستجوی عمیق استفاده می کند آمازون کندرا همراه با دانش گسترده LLM. این ادغام پاسخ های دقیق و آگاهانه ای را به پرسش های پیچیده با استخراج از طیف متنوعی از منابع ارائه می دهد.
- مدل جاسازی با LLM پایه - قدرت تعبیهها - تکنیکی برای دریافت معانی معنایی کلمات و عبارات - با پایگاه دانش گسترده LLMها ادغام میشود. این هم افزایی مدل سازی موضوع، توصیه محتوا و قابلیت های جستجوی معنایی دقیق تر را امکان پذیر می کند.
- Foundation Models Pharma Ad Generator – یک اپلیکیشن تخصصی مناسب برای صنعت داروسازی. این ابزار با بهرهگیری از قابلیتهای تولیدی مدلهای پایه، تبلیغات دارویی متقاعدکننده و سازگار ایجاد میکند و اطمینان میدهد که محتوا به استانداردها و مقررات صنعت پایبند است.
این نسخههای نمایشی میتوانند بهطور یکپارچه در حساب AWS شما مستقر شوند و بینشهای اساسی و راهنمایی در مورد استفاده از سرویسهای AWS برای ایجاد پرسشها و پاسخهای پیشرفته هوش مصنوعی LLM ارائه دهند.
در این پست، ما بررسی میکنیم که چگونه RAG با آمازون کندرا یا تعبیههای سفارشی ترکیب شده است، میتواند بر این چالشها غلبه کند و پاسخهای دقیقتری به پرسشهای زبان طبیعی ارائه دهد.
بررسی اجمالی راه حل
با اتخاذ این راه حل می توانید از مزایای زیر بهره مند شوید:
- دسترسی به اطلاعات بهبود یافته است - RAG به مدلها اجازه میدهد تا اطلاعات را از منابع خارجی وسیعی به دست آورند، که میتواند به ویژه زمانی مفید باشد که دانش مدل از پیش آموزشدیده قدیمی یا ناقص باشد.
- مقیاس پذیری - RAG به جای آموزش یک مدل بر روی تمام دادههای موجود، به مدلها اجازه میدهد تا اطلاعات مربوطه را در لحظه بازیابی کنند. این بدان معنی است که با در دسترس قرار گرفتن داده های جدید، می توان آنها را بدون نیاز به آموزش مجدد کل مدل به پایگاه داده بازیابی اضافه کرد.
- کارایی حافظه - LLM ها برای ذخیره پارامترها به حافظه قابل توجهی نیاز دارند. با RAG، مدل می تواند کوچکتر باشد زیرا نیازی به حفظ تمام جزئیات ندارد. در صورت نیاز می تواند آنها را بازیابی کند.
- به روز رسانی دانش پویا – بر خلاف مدلهای معمولی با نقطه پایانی دانش مجموعه، پایگاه داده خارجی RAG میتواند بهروزرسانیهای منظم را انجام دهد و به مدل اجازه دسترسی به اطلاعات بهروز را بدهد. عملکرد بازیابی را می توان برای کارهای مجزا به خوبی تنظیم کرد. برای مثال، یک کار تشخیصی پزشکی میتواند دادهها را از مجلات پزشکی تهیه کند و اطمینان حاصل کند که مدل بینشهای تخصصی و مرتبط را به دست میآورد.
- کاهش تعصب – توانایی ترسیم از یک پایگاه داده به خوبی مدیریت شده، پتانسیل به حداقل رساندن سوگیری ها را با اطمینان از منابع خارجی متعادل و بی طرف ارائه می دهد.
قبل از ادغام آمازون کندرا با LLM های اساسی، بسیار مهم است که خود را به ابزارها و سیستم مورد نیاز مجهز کنید. داشتن راهاندازی مناسب اولین قدم به سوی استقرار یکپارچه دموها است.
پیش نیازها
شما باید پیش نیازهای زیر را داشته باشید:
اگرچه امکان راه اندازی و استقرار زیرساخت های مشروح در این آموزش از طریق رایانه محلی شما وجود دارد، AWS Cloud9 یک جایگزین مناسب ارائه می دهد. AWS Cloud9 که به ابزارهایی مانند AWS CLI، AWS CDK و Docker از پیش مجهز شده است، می تواند به عنوان ایستگاه کاری استقرار شما عمل کند. برای استفاده از این سرویس، به سادگی محیط را تنظیم کنید از طریق کنسول AWS Cloud9.
با وجود پیش نیازها، بیایید به ویژگی ها و قابلیت های آمازون کندرا با LLM های اساسی بپردازیم.
آمازون کندرا با LLM پایه
آمازون کندرا یک سرویس جستجوی سازمانی پیشرفته است که با یادگیری ماشین (ML) تقویت شده است که قابلیت های جستجوی معنایی خارج از جعبه را ارائه می دهد. با استفاده از پردازش زبان طبیعی (NLP)، آمازون کندرا هم محتوای اسناد و هم هدف اساسی درخواست های کاربر را درک می کند و آن را به عنوان یک ابزار بازیابی محتوا برای راه حل های مبتنی بر RAG قرار می دهد. با استفاده از محتوای جستجوی با دقت بالا از Kendra به عنوان یک محموله RAG، می توانید پاسخ های LLM بهتری دریافت کنید. استفاده از Amazon Kendra در این راه حل، جستجوی شخصی شده را با فیلتر کردن پاسخ ها مطابق با مجوزهای دسترسی به محتوای کاربر نهایی امکان پذیر می کند.
نمودار زیر معماری یک برنامه هوش مصنوعی مولد را با استفاده از رویکرد RAG نشان می دهد.
اسناد توسط آمازون کندرا پردازش و نمایه می شوند سرویس ذخیره سازی ساده آمازون (Amazon S3) اتصال دهنده درخواستهای مشتری و دادههای متنی از Amazon Kendra به یک هدایت میشوند بستر آمازون مدل فونداسیون این نسخه ی نمایشی به شما امکان می دهد بین مدل های تایتان آمازون، ژوراسیک AI21 و مدل های کلود آنتروپیک که توسط Amazon Bedrock پشتیبانی می شوند یکی را انتخاب کنید. سابقه مکالمه در آن ذخیره می شود آمازون DynamoDB، ارائه زمینه اضافه شده برای LLM برای تولید پاسخ.
ما این نسخه ی نمایشی را در GitHub repo. برای استقرار آن در حساب AWS خود به دستورالعمل های استقرار در فایل readme مراجعه کنید.
مراحل زیر فرآیند تعامل کاربر با برنامه هوش مصنوعی مولد را تشریح می کند:
- کاربر به برنامه وب تأیید شده توسط وارد می شود Cognito آمازون.
- کاربر یک یا چند سند را در آمازون S3 آپلود می کند.
- کاربر یک کار همگام سازی آمازون کندرا را اجرا می کند تا اسناد S3 را در فهرست آمازون کندرا وارد کند.
- سوال کاربر از طریق یک WebSocket API ایمن که روی میزبانی شده است، هدایت می شود دروازه API آمازون با حمایت الف AWS لامبدا تابع.
- تابع لامبدا، که توسط LangChain چارچوب - ابزاری همه کاره که برای ایجاد برنامههای کاربردی با استفاده از مدلهای زبان هوش مصنوعی طراحی شده است - به نقطه پایانی Amazon Bedrock متصل میشود تا سؤال کاربر را بر اساس تاریخچه چت بازنویسی کند. پس از بیان مجدد، سوال با استفاده از Retrieve API به Amazon Kendra ارسال می شود. در پاسخ، نمایه آمازون کندرا نتایج جستجو را نمایش میدهد و گزیدههایی از اسناد مربوطه را ارائه میکند که از دادههای دریافت شده شرکت منبع گرفته شدهاند.
- سوال کاربر به همراه داده های بازیابی شده از نمایه به عنوان زمینه در اعلان LLM ارسال می شود. پاسخ از LLM به عنوان تاریخچه چت در DynamoDB ذخیره می شود.
- در نهایت، پاسخ LLM به کاربر ارسال می شود.
گردش کار نمایه سازی اسناد
روش زیر برای پردازش و نمایه سازی اسناد است:
- کاربران اسناد را از طریق رابط کاربری (UI) ارسال می کنند.
- اسناد با استفاده از سطل S3 منتقل می شوند AWS تقویت کنید API
- آمازون کندرا اسناد جدید را در سطل S3 از طریق کانکتور Amazon Kendra S3 فهرست می کند.
مزایا
لیست زیر مزایای این راه حل را نشان می دهد:
- بازیابی در سطح سازمانی – آمازون کندرا برای جستجوی سازمانی طراحی شده است، و آن را برای سازمان هایی با حجم وسیعی از داده های ساختاریافته و بدون ساختار مناسب می کند.
- درک معنایی – قابلیتهای ML آمازون کندرا تضمین میکند که بازیابی مبتنی بر درک معنایی عمیق است و نه فقط مطابقت کلمات کلیدی.
- مقیاس پذیری – آمازون کندرا می تواند منابع داده در مقیاس بزرگ را مدیریت کند و نتایج جستجوی سریع و مرتبط را ارائه دهد.
- انعطاف پذیری - مدل پایه می تواند پاسخ هایی را بر اساس طیف گسترده ای از زمینه ها ایجاد کند و اطمینان حاصل کند که سیستم همه کاره باقی می ماند.
- قابلیت های یکپارچه سازی – آمازون کندرا را می توان با سرویس های مختلف AWS و منابع داده ادغام کرد و آن را برای نیازهای مختلف سازمانی سازگار می کند.
مدل جاسازی با LLM پایه
An تعبیه کردن یک بردار عددی است که ماهیت اصلی انواع مختلف داده از جمله متن، تصاویر، صدا و اسناد را نشان می دهد. این نمایش نه تنها معنای ذاتی داده ها را نشان می دهد، بلکه آن را برای طیف گسترده ای از کاربردهای عملی نیز تطبیق می دهد. مدلهای جاسازی، شاخهای از ML، دادههای پیچیده مانند کلمات یا عبارات را به فضاهای برداری پیوسته تبدیل میکنند. این بردارها ذاتاً ارتباطات معنایی بین دادهها را درک میکنند و امکان مقایسه عمیقتر و روشنتر را فراهم میکنند.
RAG بهطور یکپارچه نقاط قوت مدلهای پایه، مانند ترانسفورماتورها را با دقت جاسازیها ترکیب میکند تا پایگاههای اطلاعاتی وسیع را برای اطلاعات مربوطه غربال کند. پس از دریافت یک پرس و جو، سیستم از جاسازی ها برای شناسایی و استخراج بخش های مربوطه از مجموعه گسترده ای از داده ها استفاده می کند. سپس مدل بنیادی بر اساس این اطلاعات استخراج شده، یک پاسخ دقیق متنی را فرموله می کند. این همافزایی کامل بین بازیابی دادهها و تولید پاسخ به سیستم اجازه میدهد تا پاسخهای کاملی را ارائه دهد، که از دانش گسترده ذخیرهشده در پایگاههای داده گسترده استخراج میشود.
در چیدمان معماری، بر اساس انتخاب UI خود، کاربران به Bedrock آمازون یا Amazon SageMaker JumpStart مدل های پایه اسناد تحت پردازش قرار میگیرند و جاسازیهای برداری توسط مدل جاسازیها تولید میشوند. این تعبیهها سپس با استفاده از ایندکس میشوند FAISS برای فعال کردن جستجوی معنایی کارآمد. تاریخچه مکالمه در DynamoDB حفظ می شود و زمینه را برای LLM برای ایجاد پاسخ ها غنی می کند.
نمودار زیر معماری راه حل و گردش کار را نشان می دهد.
ما این نسخه ی نمایشی را در GitHub repo. برای استقرار آن در حساب AWS خود به دستورالعمل های استقرار در فایل readme مراجعه کنید.
مدل جاسازی
وظایف مدل embeddings به شرح زیر است:
- این مدل وظیفه تبدیل متن (مانند اسناد یا متن) را به نمایشهای برداری متراکم که معمولاً به عنوان جاسازی شناخته میشوند، بر عهده دارد.
- این تعبیهها معنای معنایی متن را به تصویر میکشند و امکان مقایسه کارآمد و معنادار بین قطعات مختلف متن را فراهم میکنند.
- مدل تعبیهها را میتوان بر روی همان مجموعه وسیعی از مدل پایه آموزش داد یا میتواند برای حوزههای خاص تخصصی شود.
گردش کار پرسش و پاسخ
مراحل زیر روند کار پاسخگویی به سؤال را در اسناد شرح می دهد:
- کاربر به برنامه وب تأیید شده توسط Amazon Cognito وارد می شود.
- کاربر یک یا چند سند را در آمازون S3 آپلود می کند.
- پس از انتقال سند، یک اعلان رویداد S3 یک تابع Lambda را فعال می کند، که سپس نقطه پایانی مدل جاسازی SageMaker را برای ایجاد جاسازی برای سند جدید فراخوانی می کند. مدل embeddings سوال را به یک نمایش برداری متراکم (Embedding) تبدیل می کند. فایل برداری حاصل به طور ایمن در سطل S3 ذخیره می شود.
- بازیابی کننده FAISS این تعبیه سوال را با جاسازی تمام اسناد یا متن های پایگاه داده مقایسه می کند تا مرتبط ترین متن ها را بیابد.
- معابر، همراه با سوال کاربر، به عنوان زمینه ای برای مدل بنیادی ارائه شده است. تابع Lambda از کتابخانه LangChain استفاده می کند و با یک پرس و جو پر از زمینه به Amazon Bedrock یا SageMaker JumpStart متصل می شود.
- پاسخ LLM همراه با درخواست کاربر، مهر زمانی، یک شناسه منحصر به فرد و سایر شناسه های دلخواه برای آیتم مانند دسته سوال در DynamoDB ذخیره می شود. ذخیره سؤال و پاسخ به عنوان موارد مجزا به عملکرد Lambda اجازه می دهد تا به راحتی تاریخچه مکالمه کاربر را بر اساس زمان پرسیده شدن سؤالات بازسازی کند.
- در نهایت، پاسخ از طریق یک درخواست HTTPs از طریق پاسخ ادغام API Gateway WebSocket به کاربر ارسال می شود.
مزایا
لیست زیر مزایای این راه حل را شرح می دهد:
- درک معنایی - مدل تعبیهها تضمین میکند که بازیابی متنها را بر اساس درک معنایی عمیق انتخاب میکند، نه فقط مطابق با کلمات کلیدی.
- مقیاس پذیری - جاسازی ها امکان مقایسه کارآمد شباهت ها را فراهم می کند و جستجوی سریع در پایگاه داده های گسترده اسناد را امکان پذیر می کند.
- انعطاف پذیری - مدل پایه می تواند پاسخ هایی را بر اساس طیف گسترده ای از زمینه ها ایجاد کند و اطمینان حاصل کند که سیستم همه کاره باقی می ماند.
- سازگاری دامنه - مدل تعبیهها را میتوان برای دامنههای خاص آموزش یا تنظیم کرد و به سیستم اجازه میدهد برای کاربردهای مختلف سازگار شود.
مدل های بنیادی فارما ژنراتور آگهی
در صنعت داروسازی پرشتاب امروز، تبلیغات کارآمد و بومیشده بیش از هر زمان دیگری حیاتی است. اینجاست که یک راه حل نوآورانه وارد عمل می شود، با استفاده از قدرت هوش مصنوعی مولد برای ایجاد تبلیغات دارویی محلی از تصاویر منبع و فایل های PDF. این رویکرد فراتر از سرعت بخشیدن به فرآیند تولید تبلیغات، فرآیند بررسی حقوقی پزشکی (MLR) را ساده می کند. MLR یک مکانیسم بررسی دقیق است که در آن تیمهای پزشکی، حقوقی و نظارتی به دقت مطالب تبلیغاتی را ارزیابی میکنند تا صحت، پشتوانه علمی و انطباق با مقررات را تضمین کنند. روشهای تولید محتوای سنتی میتوانند دست و پا گیر باشند، و اغلب به تنظیمات دستی و بررسیهای گسترده برای اطمینان از همسویی با انطباق و ارتباط منطقهای نیاز دارند. با این حال، با ظهور هوش مصنوعی مولد، اکنون میتوانیم ساخت تبلیغاتی را که واقعاً با مخاطبان محلی طنینانداز میکنند، خودکار کنیم، همگی در عین حال که استانداردها و دستورالعملهای دقیق را رعایت میکنند.
نمودار زیر معماری راه حل را نشان می دهد.
در چیدمان معماری، بر اساس مدل انتخابی و ترجیحات تبلیغاتی، کاربران به طور یکپارچه به مدلهای پایه آمازون هدایت میشوند. این رویکرد ساده تضمین می کند که تبلیغات جدید دقیقاً مطابق با پیکربندی مورد نظر تولید می شوند. به عنوان بخشی از فرآیند، اسناد و مدارک به طور کارآمد توسط آنها مدیریت می شود متن آمازون، با متن حاصل به طور ایمن در DynamoDB ذخیره می شود. یکی از ویژگی های برجسته طراحی ماژولار برای تولید تصویر و متن است که به شما این امکان را می دهد تا به طور مستقل هر جزء را در صورت نیاز بازسازی کنید.
ما این نسخه ی نمایشی را در GitHub repo. برای استقرار آن در حساب AWS خود به دستورالعمل های استقرار در فایل readme مراجعه کنید.
گردش کار تولید محتوا
مراحل زیر روند تولید محتوا را تشریح می کند:
- کاربر سند، تصویر منبع، محل تبلیغات، زبان و سبک تصویر خود را انتخاب می کند.
- دسترسی ایمن به برنامه وب از طریق احراز هویت Cognito آمازون تضمین می شود.
- قسمت جلویی برنامه وب از طریق Amplify میزبانی می شود.
- یک WebSocket API که توسط API Gateway مدیریت می شود، درخواست های کاربر را تسهیل می کند. این درخواست ها از طریق احراز هویت می شوند هویت AWS و مدیریت دسترسی (من هستم).
- ادغام با Amazon Bedrock شامل مراحل زیر است:
- یک تابع Lambda از کتابخانه LangChain برای اتصال به نقطه پایانی Amazon Bedrock با استفاده از یک جستجوی غنی از زمینه استفاده می کند.
- مدل بنیادی متن به متن بر اساس زمینه و تنظیمات داده شده، آگهی مناسبی را ایجاد می کند.
- مدل بنیادی متن به تصویر، یک تصویر متناسب را ایجاد می کند، که تحت تأثیر تصویر منبع، سبک انتخابی و مکان است.
- کاربر پاسخ را از طریق یک درخواست HTTPS از طریق API یکپارچه WebSocket Gateway دریافت می کند.
گردش کار پردازش اسناد و تصویر
روش زیر برای پردازش اسناد و تصاویر است:
- کاربر دارایی ها را از طریق رابط کاربری مشخص شده آپلود می کند.
- Amplify API اسناد را به یک سطل S3 منتقل می کند.
- پس از انتقال دارایی به آمازون S3، یکی از اقدامات زیر انجام می شود:
- اگر یک سند است، یک تابع Lambda از متن آمازون برای پردازش و استخراج متن برای تولید تبلیغات استفاده می کند.
- اگر یک تصویر است، تابع Lambda آن را به فرمت base64 تبدیل می کند، که برای مدل Stable Diffusion مناسب است تا تصویر جدیدی از منبع ایجاد کند.
- متن استخراج شده یا رشته تصویر base64 به طور ایمن در DynamoDB ذخیره می شود.
مزایا
لیست زیر مزایای این راه حل را شرح می دهد:
- بهره وری - استفاده از هوش مصنوعی مولد به طور قابل توجهی روند تولید تبلیغات را تسریع می کند و نیاز به تنظیمات دستی را از بین می برد.
- پایبندی به انطباق – این راه حل تضمین می کند که تبلیغات تولید شده از دستورالعمل ها و مقررات خاصی مانند دستورالعمل های FDA برای بازاریابی تبعیت می کنند.
- مقرون به صرفه – با خودکارسازی ایجاد تبلیغات متناسب، شرکتها میتوانند هزینههای مرتبط با تولید و ویرایش آگهی را به میزان قابل توجهی کاهش دهند.
- فرآیند MLR ساده - این راه حل فرآیند MLR را ساده می کند، نقاط اصطکاک را کاهش می دهد و از بررسی های روان تر اطمینان می دهد.
- رزونانس موضعی – هوش مصنوعی مولد تبلیغاتی را تولید می کند که با مخاطبان محلی طنین انداز می شود و از ارتباط و تأثیرگذاری در مناطق مختلف اطمینان حاصل می کند.
- استاندارد سازی - راه حل استانداردها و دستورالعمل های لازم را حفظ می کند و از ثبات در همه تبلیغات تولید شده اطمینان می دهد.
- مقیاس پذیری – رویکرد مبتنی بر هوش مصنوعی میتواند پایگاههای داده وسیعی از تصاویر منبع و فایلهای PDF را مدیریت کند و آن را برای تولید تبلیغات در مقیاس بزرگ امکانپذیر میکند.
- کاهش مداخله دستی - اتوماسیون نیاز به مداخله انسانی را کاهش می دهد، خطاها را به حداقل می رساند و ثبات را تضمین می کند.
می توانید زیرساخت های این آموزش را از رایانه محلی خود مستقر کنید یا می توانید از AWS Cloud9 به عنوان ایستگاه کاری استقرار خود استفاده کنید. AWS Cloud9 با AWS CLI، AWS CDK و Docker از پیش بارگذاری شده است. اگر AWS Cloud9 را انتخاب کنید، محیط را ایجاد کند از کنسول AWS Cloud9.
پاک کردن
برای جلوگیری از هزینه های غیر ضروری، تمام زیرساخت های ایجاد شده از طریق کنسول AWS CloudFormation یا با اجرای دستور زیر در ایستگاه کاری خود را پاکسازی کنید:
علاوه بر این، به یاد داشته باشید که هر نقطه پایانی SageMaker را که از طریق کنسول SageMaker شروع کرده اید، متوقف کنید. به یاد داشته باشید، حذف فهرست کندرا آمازون اسناد اصلی را از فضای ذخیرهسازی شما حذف نمیکند.
نتیجه
هوش مصنوعی مولد، که توسط LLM ها تجسم یافته است، یک تغییر پارادایم را در نحوه دسترسی و تولید اطلاعات به ما خبر می دهد. این مدلها، در حالی که قدرتمند هستند، اغلب توسط محدودیتهای دادههای آموزشی محدود میشوند. RAG به این چالش میپردازد و اطمینان میدهد که دانش گسترده در این مدلها به طور مداوم با بینشهای مرتبط و جاری تزریق میشود.
دموهای مبتنی بر RAG ما شاهدی ملموس برای این موضوع هستند. آنها هم افزایی یکپارچه بین آمازون کندرا، جاسازی های برداری و LLM ها را به نمایش می گذارند و سیستمی را ایجاد می کنند که در آن اطلاعات نه تنها گسترده، بلکه دقیق و به موقع است. همانطور که در این دموها غوطه ور می شوید، پتانسیل تحول آفرینی ادغام دانش از پیش آموزش دیده با قابلیت های پویا RAG را کشف خواهید کرد که در نتیجه خروجی هایی قابل اعتماد و متناسب با محتوای سازمانی ایجاد می شود.
اگرچه هوش مصنوعی مولد با استفاده از LLM راه جدیدی را برای به دست آوردن بینش اطلاعاتی باز می کند، این بینش ها باید قابل اعتماد و محدود به محتوای سازمانی با استفاده از رویکرد RAG باشد. این دموهای مبتنی بر RAG به شما این امکان را میدهند که به اطلاعات دقیق و بهروز مجهز شوید. کیفیت این بینش ها به ارتباط معنایی بستگی دارد که با استفاده از آمازون کندرا و جاسازی های برداری فعال می شود.
اگر آماده کاوش بیشتر و استفاده از قدرت هوش مصنوعی مولد هستید، مراحل بعدی شما در اینجا آمده است:
- با دموهای ما درگیر شوید - تجربه عملی بسیار ارزشمند است. قابلیت ها را کاوش کنید، ادغام ها را درک کنید و با رابط کاربری آشنا شوید.
- دانش خود را عمیق تر کنید - از منابع موجود بهره ببرید. AWS مستندات عمیق، آموزش ها و پشتیبانی جامعه را برای کمک به سفر هوش مصنوعی شما ارائه می دهد.
- یک پروژه آزمایشی را آغاز کنید – شروع با پیاده سازی در مقیاس کوچک هوش مصنوعی مولد در شرکت خود را در نظر بگیرید. این بینشی در مورد عملی بودن و سازگاری سیستم در زمینه خاص شما ارائه می دهد.
برای اطلاعات بیشتر در مورد برنامه های کاربردی هوش مصنوعی در AWS، به موارد زیر مراجعه کنید:
به یاد داشته باشید، چشم انداز هوش مصنوعی به طور مداوم در حال تغییر است. به روز بمانید، کنجکاو بمانید و همیشه آماده سازگاری و نوآوری باشید.
درباره نویسنده
جین تان روان یک توسعه دهنده نمونه سازی در تیم مهندسی اولیه و مهندسی مشتری صنایع AWS است که در NLP و هوش مصنوعی مولد تخصص دارد. جین با سابقه توسعه نرمافزار و XNUMX گواهینامه AWS، تجربیات زیادی را برای کمک به مشتریان AWS در تحقق چشماندازهای AI/ML و هوش مصنوعی با استفاده از پلتفرم AWS به ارمغان میآورد. او دارای مدرک کارشناسی ارشد در رشته علوم کامپیوتر و مهندسی نرم افزار از دانشگاه سیراکوز است. جین خارج از محل کار، از بازی های ویدیویی و غوطه ور شدن در دنیای هیجان انگیز فیلم های ترسناک لذت می برد.
آراویند کوداندارامایاه یک سازنده راه حل کامل پشته کامل نمونه سازی اولیه در تیم مهندسی اولیه و مهندسی مشتری صنایع AWS (PACE) است. او بر کمک به مشتریان AWS تمرکز دارد تا ایده های نوآورانه را به راه حل هایی با نتایج قابل اندازه گیری و لذت بخش تبدیل کنند. او مشتاق طیف وسیعی از موضوعات، از جمله امنیت ابری، DevOps و AI/ML است و معمولاً میتوان او را درگیر این فناوریها یافت.
آرجون شاکدر یک توسعه دهنده در تیم نمونه سازی صنایع AWS (PACE) است که علاقه زیادی به ترکیب فناوری در بافت زندگی دارد. نقش فعلی آرجون که دارای مدرک کارشناسی ارشد از دانشگاه پردو است، حول محور معماری و ساخت نمونههای اولیه پیشرفته است که مجموعهای از دامنهها را در بر میگیرد و در حال حاضر بهطور برجسته حوزههای هوش مصنوعی/ML و IoT را نشان میدهد. وقتی در کدها و مناظر دیجیتال غوطه ور نباشید، آرجون را خواهید دید که در دنیای قهوه غرق می شود، مکانیک های پیچیده ساعت شناسی را کاوش می کند یا در هنر خودروها 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/harnessing-the-power-of-enterprise-data-with-generative-ai-insights-from-amazon-kendra-langchain-and-large-language-models/
- :است
- :نه
- :جایی که
- $UP
- 100
- 150
- 7
- a
- توانایی
- درباره ما
- تسریع می شود
- دسترسی
- مطابق
- حساب
- دقت
- دقیق
- در میان
- اقدامات
- Ad
- وفق دادن
- تطبیق می دهد
- اضافه
- آدرس
- پایبند بودن
- تنظیمات
- تصویب
- آگهی
- پیشرفته
- مزیت - فایده - سود - منفعت
- مزایای
- ظهور
- تبلیغات
- پس از
- AI
- AI / ML
- کمک
- هم ترازی
- معرفی
- اجازه دادن
- اجازه دادن
- اجازه می دهد تا
- تقریبا
- در امتداد
- همچنین
- جایگزین
- همیشه
- آمازون
- Cognito آمازون
- آمازون کندرا
- متن آمازون
- آمازون خدمات وب
- مقدار
- تقویت
- an
- و
- پاسخ
- پاسخ
- هر
- API
- نرم افزار
- کاربرد
- برنامه های کاربردی
- روش
- مناسب
- معماری
- معماری
- هستند
- دور و بر
- صف
- هنرمندی
- AS
- دارایی
- دارایی
- همکاری
- مرتبط است
- جلسات
- سمعی
- تأیید اعتبار
- تصدیق
- خودکار بودن
- اتوماسیون
- اتوماسیون
- در دسترس
- اجتناب از
- اجتناب از
- AWS
- AWS Cloud9
- AWS CloudFormation
- به عقب
- حمایت کرد
- زمینه
- حمایت
- پایه
- مستقر
- BE
- زیرا
- شدن
- شود
- مزایای
- بهتر
- میان
- خارج از
- تعصبات
- ترکیب
- بدن
- ربات
- هر دو
- شاخه
- به ارمغان می آورد
- پهن
- سازنده
- بنا
- اما
- by
- تماس ها
- CAN
- می توانید دریافت کنید
- قابلیت های
- گرفتن
- جلب
- مورد
- دسته بندی
- گواهینامه ها
- به چالش
- چالش ها
- را انتخاب کنید
- برگزیده
- تمیز
- ابر
- امنیت ابر
- Cloud9
- رمز
- کشت
- ترکیب شده
- ترکیب
- می آید
- عموما
- انجمن
- شرکت
- مقایسه
- پیچیده
- انطباق
- موافق
- جزء
- درک می کند
- کامپیوتر
- علم کامپیوتر
- پیکر بندی
- اتصال
- اتصالات
- متصل
- در نظر بگیرید
- همواره
- کنسول
- به طور مداوم
- محتوا
- تولید محتوا
- تولید محتوا
- زمینه
- زمینه ها
- متنی
- ادامه داد:
- مداوم
- مناسب
- معمولی
- گفتگو
- تبدیل
- هسته
- هزینه
- هزینه
- سادگی
- ایجاد
- ایجاد شده
- ایجاد
- ایجاد
- ایجاد
- بسیار سخت
- سنگین
- کنجکاو
- جاری
- سفارشی
- مشتری
- مشتریان
- لبه برش
- داده ها
- پایگاه داده
- پایگاه های داده
- مجموعه داده ها
- تاریخ
- عمیق
- عمیق تر
- درجه
- لذت بخش
- نسخه ی نمایشی
- توده مردم
- وابسته
- گسترش
- مستقر
- استقرار
- گسترش
- توصیف
- طرح
- طراحی
- مطلوب
- از بین بردن
- دقیق
- جزئیات
- توسعه دهنده
- پروژه
- تشخیصی
- مختلف
- انتشار
- دیجیتال
- جهت دار
- صفحه نمایش
- متمایز
- شیرجه رفتن
- مختلف
- غواصی
- کارگر بارانداز
- سند
- مستندات
- اسناد و مدارک
- نمی کند
- حوزه
- قرعه کشی
- رسم
- رانده
- پویا
- به آسانی
- بهره وری
- موثر
- موثر
- هر دو
- از بین بردن
- تعبیه کردن
- ظهور
- کار می کند
- قدرت
- توانمندسازی
- قادر ساختن
- فعال
- را قادر می سازد
- را قادر می سازد
- پایان
- نقطه پایانی
- مهندسی
- افزایش
- غنی سازی
- اطمینان حاصل شود
- تضمین
- تضمین می کند
- حصول اطمینان از
- سرمایه گذاری
- تمام
- مجهز بودن
- خطاهای
- به خصوص
- ماهیت
- ارزیابی
- واقعه
- تا کنون
- تکامل یابد
- در حال تحول
- مثال
- برانگیخته
- گستردگی
- تجربه
- کارشناس
- کارشناسان
- اکتشاف
- بررسی
- وسیع
- خارجی
- عصاره
- پارچه
- تسهیل می کند
- آشنا کردن
- سریع گام
- FB
- امکان پذیر است
- ویژگی
- امکانات
- ویژگی های
- پرونده
- فیلتر
- پیدا کردن
- نام خانوادگی
- انعطاف پذیری
- تمرکز
- پیروی
- به دنبال آن است
- برای
- قالب
- یافت
- پایه
- اصطکاک
- از جانب
- جلو
- پایان جلو
- کامل
- پشته کامل
- تابع
- ویژگی های
- بیشتر
- بعلاوه
- افزایش
- به دست آوردن
- بازیها
- دروازه
- تولید می کنند
- تولید
- نسل
- مولد
- هوش مصنوعی مولد
- ژنراتور
- دریافت کنید
- داده
- دادن
- اعطای
- فهم
- رشد می کند
- ضمانت
- راهنمایی
- هدایت شده
- دستورالعمل ها
- دسته
- دست
- دهنه
- بهره برداری
- آیا
- داشتن
- he
- کمک
- گله داران
- اینجا کلیک نمایید
- های لایت
- خود
- تاریخچه
- تاریخ
- برگزاری
- دارای
- وحشت
- میزبانی
- چگونه
- اما
- HTML
- HTTP
- HTTPS
- انسان
- ایده ها
- شناسه
- شناسه ها
- شناسایی
- هویت
- if
- نشان می دهد
- تصویر
- تصاویر
- غوطه ور شدن
- تأثیر
- پیاده سازی
- in
- در عمق
- نادرست
- شامل
- از جمله
- ترکیب کردن
- به طور مستقل
- شاخص
- نمایه شده
- فهرستها
- لوازم
- صنعت
- استانداردهای صنعت
- تحت تاثیر قرار گرفت
- اطلاعات
- اطلاع
- شالوده
- ذاتا
- اول
- آغاز
- نوآوری
- ابتکاری
- بصیرت
- بینش
- در عوض
- دستورالعمل
- یکپارچه
- ادغام
- ادغام
- یکپارچگی
- قصد
- در ارتباط بودن
- رابط
- مداخله
- به
- ذاتی
- فوق العاده گرانبها
- اینترنت اشیا
- IT
- اقلام
- ITS
- کار
- سفر
- JPG
- تنها
- دانش
- شناخته شده
- چشم انداز
- زبان
- بزرگ
- در مقیاس بزرگ
- طرح
- یادگیری
- قانونی
- اجازه می دهد تا
- کتابخانه
- مجاز
- زندگی
- پسندیدن
- احتمال
- محدود شده
- محدودیت
- فهرست
- LLM
- محلی
- محل
- دستگاه
- فراگیری ماشین
- حفظ
- ساخت
- اداره می شود
- کتابچه راهنمای
- بسیاری
- بازار یابی (Marketing)
- عظیم
- کارشناسی ارشد
- کبریت
- مصالح
- معنی
- معنی دار
- معانی
- به معنی
- مکانیک
- مکانیزم
- پزشکی
- حافظه
- صرفا - فقط
- ادغام می شود
- ادغام
- روش
- با دقت
- به حداقل رساندن
- کاهش
- ML
- مدل
- مدل سازی
- مدل
- پیمانهای
- بیش
- اکثر
- فیلم ها
- باید
- طبیعی
- پردازش زبان طبیعی
- لازم
- نیاز
- ضروری
- نیازمند
- نیازهای
- جدید
- بعد
- نه نفر
- nlp
- اخطار
- اکنون
- of
- ارائه
- پیشنهادات
- غالبا
- on
- ONE
- فقط
- باز می شود
- or
- سازمانی
- سازمان های
- اصلی
- دیگر
- ما
- خارج
- نتایج
- طرح کلی
- خروجی
- خارج از
- روی
- غلبه بر
- سرعت
- نمونه
- پارامترهای
- بخش
- احساساتی
- کامل
- مجوز
- شخصی
- مواد و محصولات دارویی
- دارویی
- عبارات
- قطعات
- خلبان
- پروژه آزمایشی
- محل
- کاریابی
- سکو
- افلاطون
- هوش داده افلاطون
- PlatoData
- بازی
- بازی
- نقطه
- تثبیت موقعیت
- ممکن
- پست
- پتانسیل
- قدرت
- صفحه اصلی
- قوی
- عملی
- دقیق
- دقیقا
- دقت
- تنظیمات
- پیش نیازها
- فعلا
- روش
- روند
- فرآوری شده
- در حال پردازش
- ساخته
- تولید می کند
- تولید
- پروژه
- تبلیغاتی
- نمونه
- نمونه سازی
- ثابت كردن
- ارائه
- ارائه
- فراهم می کند
- ارائه
- کیفیت
- نمایش ها
- سوال
- سوالات
- سریع
- به سرعت
- محدوده
- اماده
- قلمروها
- دریافت
- دریافت
- توصیه
- كاهش دادن
- را کاهش می دهد
- کاهش
- مراجعه
- پالوده
- منطقهای
- مناطق
- منظم
- مقررات
- تنظیم کننده
- پیروی از مقررات
- ربط
- مربوط
- تکیه بر
- ماندن
- بقایای
- به یاد داشته باشید
- برداشتن
- بازنویسی
- نمایندگی
- نشان دهنده
- درخواست
- درخواست
- نیاز
- ضروری
- مورد نیاز
- رونوشت
- منابع
- پاسخ
- پاسخ
- مسئولیت
- مسئوليت
- حاصل
- نتیجه
- نتایج
- این فایل نقد می نویسید:
- بررسی
- تجدید نظر
- می چرخد
- راست
- دقیق
- نقش
- در حال اجرا
- اجرا می شود
- حکیم ساز
- همان
- نگهداری می شود
- علم
- علمی
- بدون درز
- یکپارچه
- جستجو
- بخش
- امن
- ایمن
- تیم امنیت لاتاری
- انتخاب شد
- انتخاب
- ارشد
- فرستاده
- سرویس
- خدمات
- تنظیم
- تنظیمات
- برپایی
- تغییر
- نمایشگاه
- نشان می دهد
- الک کن
- قابل توجه
- به طور قابل توجهی
- ساده
- به سادگی
- کوچکتر
- صاف تر
- نرم افزار
- توسعه نرم افزار
- مهندسی نرم افزار
- فقط
- راه حل
- مزایا
- منبع
- منبع
- منابع
- سپارش
- فضاها
- محدوده
- تخصصی
- متخصص
- خاص
- مشخص شده
- پایدار
- پشته
- استانداردهای
- راه افتادن
- وضعیت هنر
- ماندن
- گام
- مراحل
- توقف
- ذخیره سازی
- opbevare
- ذخیره شده
- ذخیره سازی
- ساده
- نقاط قوت
- رشته
- دقیق
- ساخت یافته
- سبک
- ارسال
- چنین
- مناسب
- پشتیبانی
- پشتیبانی
- همکاری
- سیستم
- طراحی شده
- گرفتن
- طول می کشد
- محسوس
- کار
- وظایف
- تیم
- تیم ها
- تکنیک
- فن آوری
- پیشرفته
- اراده
- متن
- نسبت به
- که
- La
- منظره
- منبع
- جهان
- شان
- آنها
- سپس
- در نتیجه
- اینها
- آنها
- این
- سه
- هیجان انگیز
- از طریق
- زمان
- بموقع
- برچسب زمان
- تیتان
- به
- امروز
- ابزار
- ابزار
- موضوع
- تاپیک
- طرف
- سنتی
- قطار
- آموزش دیده
- آموزش
- انتقال
- منتقل
- نقل و انتقالات
- دگرگون کردن
- تحول آمیز
- ترانسفورماتور
- روند
- صادقانه
- قابل اعتماد
- دور زدن
- آموزش
- آموزش
- انواع
- ui
- تحت تاثیر قرار می گیرد
- اساسی
- فهمیدن
- درک
- منحصر به فرد
- دانشگاه
- بر خلاف
- غیر ضروری
- پرده برداری
- در جریان روز
- بروزرسانی
- به روز شده
- به روز رسانی
- حمایت
- بر
- استفاده کنید
- مورد استفاده
- کاربر
- رابط کاربری
- کاربران
- استفاده
- با استفاده از
- معمولا
- استفاده می کند
- با استفاده از
- مختلف
- وسیع
- همه کاره
- از طريق
- تصویری
- بازی های ویدئویی
- سند چشم انداز
- مسیر..
- we
- ثروت
- وب
- برنامه تحت وب
- خدمات وب
- سوکت وب
- بود
- چه زمانی
- که
- در حین
- WHO
- وسیع
- دامنه گسترده
- اراده
- با
- در داخل
- بدون
- کلمات
- مهاجرت کاری
- گردش کار
- ایستگاه های کاری
- جهان
- شما
- شما
- خودت
- زفیرنت