عامل های مدل زبان بزرگ (LLM) برنامه هایی هستند که قابلیت های LLM های مستقل را با 1) دسترسی به ابزارهای خارجی (API ها، توابع، هوک ها، پلاگین ها و غیره) و 2) توانایی برنامه ریزی و اجرای وظایف به صورت شخصی گسترش می دهند. مد کارگردانی شده اغلب، LLM ها برای انجام کارهای پیچیده نیاز به تعامل با سایر نرم افزارها، پایگاه های داده یا API ها دارند. به عنوان مثال، یک ربات چت اداری که جلسات را برنامه ریزی می کند، نیاز به دسترسی به تقویم و ایمیل کارمندان دارد. با دسترسی به ابزار، عوامل LLM می توانند قدرتمندتر شوند - به قیمت پیچیدگی بیشتر.
در این پست، ما عوامل LLM را معرفی می کنیم و نحوه ساخت و استقرار یک عامل تجارت الکترونیکی LLM را با استفاده از آن نشان می دهیم. Amazon SageMaker JumpStart و AWS Lambda. نماینده از ابزارهایی برای ارائه قابلیتهای جدید استفاده میکند، مانند پاسخ دادن به سؤالات مربوط به بازده («آیا بازگشت من است rtn001
پردازش شد؟») و ارائه بهروزرسانیهای مربوط به سفارشها («آیا میتوانید به من بگویید اگر سفارش بدهم 123456
حمل کرده است؟"). این قابلیتهای جدید نیازمند LLMها برای واکشی دادهها از چندین منبع داده است (orders
, returns
) و بازیابی نسل افزوده (RAG) را انجام دهید.
برای تامین انرژی عامل LLM از a استفاده می کنیم Flan-UL2
مدل مستقر شده به عنوان یک نقطه پایانی SageMaker و از ابزارهای بازیابی اطلاعات ساخته شده با AWS Lambda استفاده کنید. عامل می تواند متعاقباً با آن ادغام شود آمازون لکس و به عنوان چت بات در داخل وب سایت ها یا استفاده می شود AWS Connect. ما این پست را با مواردی که باید قبل از استقرار عوامل LLM در تولید در نظر بگیریم، به پایان میرسانیم. برای یک تجربه کاملاً مدیریت شده برای ساخت عوامل LLM، AWS همچنین این موارد را فراهم می کند عوامل برای ویژگی Amazon Bedrock (در پیش نمایش).
مروری کوتاه بر معماری عامل LLM
عوامل LLM برنامه هایی هستند که از LLM برای تصمیم گیری در مورد زمان و نحوه استفاده از ابزارها در صورت لزوم برای تکمیل وظایف پیچیده استفاده می کنند. با ابزارها و تواناییهای برنامهریزی کار، عوامل LLM میتوانند با سیستمهای بیرونی تعامل داشته باشند و بر محدودیتهای سنتی LLMها، مانند بریدگی دانش، توهمات و محاسبات نادرست غلبه کنند. ابزارها می توانند اشکال مختلفی داشته باشند، مانند فراخوانی API، توابع پایتون یا افزونه های مبتنی بر وب هوک. به عنوان مثال، یک LLM میتواند از «افزونه بازیابی» برای واکشی زمینه مرتبط و اجرای RAG استفاده کند.
بنابراین انتخاب ابزار و برنامه ریزی وظایف برای یک LLM به چه معناست؟ رویکردهای متعددی وجود دارد (مانند واکنش نشان دادن, MRKL, سازنده ابزار، HuggingGPTو عامل ترانسفورماتورs) استفاده از LLM با ابزار، و پیشرفت ها به سرعت در حال رخ دادن است. اما یک راه ساده این است که از یک LLM فهرستی از ابزارها را درخواست کنید و از آن بخواهید 1) آیا ابزاری برای برآورده کردن درخواست کاربر نیاز است یا خیر، و اگر چنین است، 2) ابزار مناسب را انتخاب کنید. چنین اعلانی معمولاً شبیه مثال زیر است و ممکن است شامل چند نمونه عکس برای بهبود قابلیت اطمینان LLM در انتخاب ابزار مناسب باشد.
رویکردهای پیچیدهتر شامل استفاده از یک LLM تخصصی است که میتواند مستقیماً «تماسهای API» یا «استفاده از ابزار» را رمزگشایی کند، مانند GorillaLLM. چنین LLM های تنظیم شده بر روی مجموعه داده های مشخصات API برای تشخیص و پیش بینی فراخوانی های API بر اساس دستورالعمل آموزش دیده اند. اغلب، این LLM ها به برخی فراداده در مورد ابزارهای موجود (توضیحات، طرح واره یامل یا JSON برای پارامترهای ورودی خود) نیاز دارند تا فراخوانی ابزار را خروجی بگیرند. این رویکرد توسط نمایندگان Amazon Bedrock و فراخوانی تابع OpenAI. توجه داشته باشید که LLM ها معمولاً باید به اندازه کافی بزرگ و پیچیده باشند تا توانایی انتخاب ابزار را نشان دهند.
با فرض انتخاب مکانیسم های برنامه ریزی کار و انتخاب ابزار، یک برنامه عامل LLM معمولی به ترتیب زیر کار می کند:
- درخواست کاربر - برنامه یک ورودی کاربر مانند «سفارش من کجاست
123456
؟" از برخی از برنامه های مشتری - اقدام(های) بعدی را برنامه ریزی کنید و ابزار(های) مورد استفاده را انتخاب کنید – در مرحله بعد، برنامه از یک اعلان استفاده می کند تا LLM اقدام بعدی را ایجاد کند، به عنوان مثال، «جدول سفارشات را با استفاده از آن جستجو کنید.
OrdersAPI
" از LLM خواسته می شود تا نام ابزاری مانندOrdersAPI
از فهرست از پیش تعریف شده ابزارهای موجود و توضیحات آنها. از طرف دیگر، می توان به LLM دستور داد که مستقیماً یک فراخوانی API با پارامترهای ورودی مانندOrdersAPI(12345)
.- توجه داشته باشید که اقدام بعدی ممکن است شامل استفاده از یک ابزار یا API باشد یا نباشد. در غیر این صورت، LLM به ورودی کاربر بدون ترکیب کردن زمینه اضافی از ابزارها پاسخ میدهد یا به سادگی یک پاسخ ثابت مانند «نمیتوانم به این سؤال پاسخ دهم» برمیگرداند.
- درخواست ابزار تجزیه – در مرحله بعد، باید پیشبینی ابزار/عمل پیشنهادی LLM را تجزیه و اعتبارسنجی کنیم. برای اطمینان از عدم توهم نام ابزار، APIها و پارامترهای درخواست و اینکه ابزارها طبق مشخصات به درستی فراخوانی شده اند، اعتبارسنجی لازم است. این تجزیه ممکن است به یک تماس LLM جداگانه نیاز داشته باشد.
- ابزار فراخوانی – هنگامی که نام(های) ابزار و پارامتر(های) معتبر اطمینان حاصل شد، ابزار را فراخوانی می کنیم. این می تواند یک درخواست HTTP، فراخوانی تابع و غیره باشد.
- خروجی را تجزیه کنید - پاسخ از ابزار ممکن است نیاز به پردازش اضافی داشته باشد. به عنوان مثال، یک تماس API ممکن است منجر به پاسخ طولانی JSON شود، که در آن تنها زیر مجموعه ای از فیلدها مورد توجه LLM هستند. استخراج اطلاعات در قالبی تمیز و استاندارد می تواند به LLM کمک کند تا نتیجه را با اطمینان بیشتری تفسیر کند.
- خروجی را تفسیر کنید - با توجه به خروجی ابزار، از LLM دوباره خواسته می شود تا آن را معنا کند و تصمیم بگیرد که آیا می تواند پاسخ نهایی را به کاربر بازگرداند یا اقدامات اضافی لازم است.
- مرحله 2 را خاتمه دهید یا به آن ادامه دهید – در صورت بروز خطا یا وقفه، پاسخ نهایی یا پاسخ پیش فرض را برگردانید.
فریم ورک های عامل مختلف، جریان برنامه قبلی را متفاوت اجرا می کنند. مثلا، واکنش نشان دادن انتخاب ابزار و تولید پاسخ نهایی را در یک اعلان واحد ترکیب می کند، برخلاف استفاده از اعلان های جداگانه برای انتخاب ابزار و تولید پاسخ. همچنین، این منطق می تواند در یک پاس واحد اجرا شود یا در یک دستور while اجرا شود ("حلقه عامل")، که زمانی که پاسخ نهایی تولید می شود، یک استثنا پرتاب می شود، یا مهلت زمانی رخ می دهد پایان می یابد. چیزی که ثابت می ماند این است که عوامل از LLM به عنوان محور اصلی برای هماهنگی برنامه ریزی و فراخوانی ابزار تا پایان کار استفاده می کنند. در مرحله بعد، نحوه پیاده سازی یک حلقه عامل ساده با استفاده از خدمات AWS را نشان می دهیم.
بررسی اجمالی راه حل
برای این پست وبلاگ، ما یک عامل پشتیبانی تجارت الکترونیکی LLM را پیادهسازی میکنیم که دو عملکرد را با ابزارها ارائه میکند:
- ابزار بازیابی وضعیت بازگشت - به سؤالاتی در مورد وضعیت بازگشت پاسخ دهید، مانند: «چه اتفاقی برای بازگشت من می افتد
rtn001
؟ " - ابزار بازیابی وضعیت سفارش – پیگیری وضعیت سفارشهایی مانند «وضعیت سفارش من چیست
123456
؟ "
عامل به طور موثر از LLM به عنوان یک مسیریاب پرس و جو استفاده می کند. با دادن یک پرس و جو («وضعیت سفارش چگونه است 123456
?”)، ابزار بازیابی مناسب را برای پرس و جو در چندین منبع داده (یعنی برگرداندن و سفارش) انتخاب کنید. ما مسیریابی پرس و جو را با انتخاب LLM از میان چندین ابزار بازیابی، که مسئول تعامل با منبع داده و واکشی زمینه هستند، انجام می دهیم. این الگوی ساده RAG را گسترش می دهد که یک منبع داده واحد را فرض می کند.
هر دو ابزار بازیابی توابع Lambda هستند که یک شناسه (orderId
or returnId
) به عنوان ورودی، یک شی JSON را از منبع داده واکشی می کند و JSON را به یک رشته نمایش دوستدار انسان تبدیل می کند که برای استفاده توسط LLM مناسب است. منبع داده در یک سناریوی دنیای واقعی می تواند یک پایگاه داده NoSQL بسیار مقیاس پذیر باشد مانند DynamoDB، اما این راه حل از پایتون ساده استفاده می کند Dict
با داده های نمونه برای اهداف آزمایشی.
با افزودن Retrieval Tools و اصلاح دستورات بر این اساس، می توان عملکردهای اضافی را به عامل اضافه کرد. این عامل را می توان یک سرویس مستقل آزمایش کرد که با هر UI از طریق HTTP یکپارچه می شود، که می تواند به راحتی با آمازون لکس.
در اینجا برخی از جزئیات اضافی در مورد اجزای اصلی آورده شده است:
- نقطه پایان استنتاج LLM – هسته برنامه عامل یک LLM است. ما از هاب مدل پایه SageMaker JumpStart برای استقرار آسان استفاده خواهیم کرد
Flan-UL2
مدل. SageMaker JumpStart استقرار نقاط پایانی استنتاج LLM را برای اختصاصی آسان می کند SageMaker مصادیق - عامل ارکستراتور – Agent Orchestrator تعاملات بین LLM، ابزارها و برنامه مشتری را هماهنگ می کند. برای راه حل خود، از یک تابع AWS Lambda برای هدایت این جریان استفاده می کنیم و از توابع زیر به عنوان توابع کمکی استفاده می کنیم.
- برنامه ریز وظیفه (ابزار) – Task Planner از LLM برای پیشنهاد یکی از 1) استعلام برمیگرداند، 2) استعلام سفارش، یا 3) بدون ابزار استفاده میکند. ما فقط از مهندسی سریع استفاده می کنیم و
Flan-UL2
مدل همانطور که هست بدون تنظیم دقیق - تجزیه کننده ابزار - تجزیه کننده ابزار اطمینان می دهد که پیشنهاد ابزار از برنامه ریز وظیفه معتبر است. قابل ذکر است، ما اطمینان حاصل می کنیم که یک تک
orderId
orreturnId
قابل تجزیه است. در غیر این صورت با یک پیام پیش فرض پاسخ می دهیم. - توزیع کننده ابزار - توزیع کننده ابزار ابزارها (توابع لامبدا) را با استفاده از پارامترهای معتبر فراخوانی می کند.
- تجزیه کننده خروجی - تجزیه کننده خروجی موارد مربوطه را از JSON به یک رشته قابل خواندن توسط انسان تمیز و استخراج می کند. این کار هم توسط هر ابزار بازیابی و هم در داخل ارکستر انجام می شود.
- مترجم خروجی – مسئولیت مترجم خروجی 1) تفسیر خروجی از فراخوانی ابزار و 2) تعیین اینکه آیا درخواست کاربر می تواند برآورده شود یا مراحل اضافی مورد نیاز است. اگر مورد دوم باشد، یک پاسخ نهایی به طور جداگانه ایجاد می شود و به کاربر بازگردانده می شود.
- برنامه ریز وظیفه (ابزار) – Task Planner از LLM برای پیشنهاد یکی از 1) استعلام برمیگرداند، 2) استعلام سفارش، یا 3) بدون ابزار استفاده میکند. ما فقط از مهندسی سریع استفاده می کنیم و
اکنون، بیایید کمی عمیقتر به اجزای کلیدی بپردازیم: تنظیمکننده عامل، برنامهریز وظایف، و توزیعکننده ابزار.
عامل ارکستراتور
در زیر یک نسخه کوتاه شده از حلقه عامل در داخل تابع لامبدا ارکستراتور عامل آمده است. حلقه از توابع کمکی مانند task_planner
or tool_parser
، برای مدولار کردن وظایف. حلقه در اینجا به گونه ای طراحی شده است که حداکثر دو بار اجرا شود تا از گیر افتادن LLM در یک حلقه بی جهت طولانی جلوگیری کند.
برنامه ریز وظیفه (پیش بینی ابزار)
ارکستراتور عامل استفاده می کند task planner
برای پیش بینی ابزار بازیابی بر اساس ورودی کاربر. برای نماینده LLM خود، ما به سادگی از مهندسی سریع و چند دستور شات برای آموزش این کار در زمینه به LLM استفاده خواهیم کرد. عوامل پیچیده تر می توانند از یک LLM تنظیم شده برای پیش بینی ابزار استفاده کنند، که خارج از محدوده این پست است. اعلان به شرح زیر است:
توزیع کننده ابزار
مکانیسم ارسال ابزار از طریق if/else
منطقی برای فراخوانی توابع لامبدا مناسب بسته به نام ابزار. زیر است tool_dispatch
پیاده سازی تابع کمکی در داخل استفاده می شود agent
حلقه و پاسخ خام را از تابع Lambda برمی گرداند، که سپس توسط یک پاک می شود output_parser
تابع.
راه حل را مستقر کنید
پیش نیازهای مهم - برای شروع استقرار، باید پیش نیازهای زیر را برآورده کنید:
- دسترسی به کنسول مدیریت AWS از طریق کاربری که می تواند راه اندازی شود پشته های AWS CloudFormation
- آشنایی با پیمایش در AWS لامبدا و آمازون لکس کنسول
Flan-UL2
نیاز به یک واحد داردml.g5.12xlarge
برای استقرار، که ممکن است نیاز به افزایش محدودیت منابع از طریق a بلیط پشتیبانی. در مثال خود ما استفاده می کنیمus-east-1
به عنوان منطقه، بنابراین لطفاً مطمئن شوید که سهمیه خدمات (در صورت نیاز) را افزایش دهیدus-east-1
.
استقرار با استفاده از CloudFormation – شما می توانید راه حل را برای us-east-1
با کلیک بر روی دکمه زیر:
استقرار راه حل حدود 20 دقیقه طول می کشد و ایجاد یک LLMAgentStack
پشته، که:
- نقطه پایانی SageMaker را با استفاده از آن مستقر می کند
Flan-UL2
مدل از SageMaker JumpStart. - سه تابع لامبدا را به کار می گیرد:
LLMAgentOrchestrator
,LLMAgentReturnsTool
,LLMAgentOrdersTool
و - یک را مستقر می کند AWS Lex رباتی که می تواند برای آزمایش عامل استفاده شود:
Sagemaker-Jumpstart-Flan-LLM-Agent-Fallback-Bot
.
محلول را تست کنید
پشته یک ربات آمازون لکس را با نام مستقر می کند Sagemaker-Jumpstart-Flan-LLM-Agent-Fallback-Bot
. ربات را می توان برای آزمایش انتها به انتها عامل استفاده کرد. در اینجا یک راهنمای جامع اضافی برای آزمایش رباتهای AWS Amazon Lex با ادغام Lambda و نحوه عملکرد یکپارچهسازی در سطح بالا آورده شده است. اما به طور خلاصه، ربات آمازون Lex منبعی است که یک رابط کاربری سریع برای چت کردن با عامل LLM در حال اجرا در داخل یک تابع Lambda که ما ساخته ایم، فراهم می کند.LLMAgentOrchestrator
).
نمونه موارد آزمایشی که باید در نظر گرفته شود به شرح زیر است:
- استعلام سفارش معتبر (به عنوان مثال، "برای کدام مورد سفارش داده شده است
123456
؟ ")- سفارش "123456" یک سفارش معتبر است، بنابراین باید منتظر پاسخ منطقی باشیم (به عنوان مثال "صابون دستی گیاهی")
- استعلام بازگشت معتبر برای بازگشت (به عنوان مثال، "بازگشت من کی است
rtn003
فرآوری شده؟")- ما باید منتظر پاسخ معقول در مورد وضعیت بازگشت باشیم.
- بی ربط به هر دو بازگشت یا سفارش (به عنوان مثال، "در حال حاضر آب و هوا در اسکاتلند چگونه است؟")
- یک سؤال نامربوط به بازگرداندن یا سفارشها، بنابراین یک پاسخ پیشفرض باید برگردانده شود («متأسفم، نمیتوانم به آن سؤال پاسخ دهم.»)
- استعلام سفارش نامعتبر است (به عنوان مثال، "برای کدام مورد سفارش داده شده است
383833
؟ ")- شناسه 383832 در مجموعه دادههای سفارشها وجود ندارد و بنابراین باید بهخوبی شکست بخوریم (به عنوان مثال، «سفارش پیدا نشد. لطفاً شناسه سفارش خود را بررسی کنید.»)
- استعلام بازگشت نامعتبر (به عنوان مثال، "چه زمانی بازگشت من است
rtn123
فرآوری شده؟")- به طور مشابه، id
rtn123
در مجموعه داده بازگشتی وجود ندارد، و از این رو باید به خوبی از کار بیفتد.
- به طور مشابه، id
- استعلام بازگشت نامربوط (به عنوان مثال، «تأثیر بازگشت چیست؟
rtn001
در مورد صلح جهانی؟")- این سؤال، در حالی که به نظر می رسد مربوط به یک دستور معتبر است، بی ربط است. LLM برای فیلتر کردن سوالات با زمینه نامربوط استفاده می شود.
برای اینکه خودتان این تست ها را اجرا کنید، در اینجا دستورالعمل وجود دارد.
- در کنسول آمازون لکس (کنسول AWS > آمازون لکس، به ربات تحت عنوان بروید
Sagemaker-Jumpstart-Flan-LLM-Agent-Fallback-Bot
. این ربات قبلاً برای فراخوانی پیکربندی شده استLLMAgentOrchestrator
عملکرد لامبدا هر زمان کهFallbackIntent
تحریک می شود - در صفحه پیمایش، را انتخاب کنید اهداف.
- را انتخاب کنید ساختن در گوشه بالا سمت راست
- 4. منتظر بمانید تا فرآیند ساخت کامل شود. وقتی کار تمام شد، همانطور که در تصویر زیر نشان داده شده است، یک پیام موفقیت آمیز دریافت می کنید.
- با وارد کردن موارد تست ربات را تست کنید.
پاک کردن
برای جلوگیری از هزینه های اضافی، منابع ایجاد شده توسط راه حل ما را با دنبال کردن این مراحل حذف کنید:
- بر AWS CloudFormation کنسول، پشته نامگذاری شده را انتخاب کنید
LLMAgentStack
(یا نام سفارشی که انتخاب کردید). - را انتخاب کنید حذف
- بررسی کنید که پشته از کنسول CloudFormation حذف شده باشد.
مهم: با اطمینان از اینکه پشته با موفقیت حذف شده است، دوبار بررسی کنید Flan-UL2
نقطه پایان استنتاج حذف می شود.
- برای بررسی، به کنسول AWS > Sagemaker > Endpoints > Inference احتمال برد مراجعه کنید.
- صفحه باید تمام نقاط پایانی فعال را فهرست کند.
- مطمئن شو
sm-jumpstart-flan-bot-endpoint
مانند تصویر زیر وجود ندارد.
ملاحظات تولید
استقرار عوامل LLM در تولید مستلزم انجام اقدامات اضافی برای اطمینان از قابلیت اطمینان، عملکرد و نگهداری است. در اینجا برخی از ملاحظات قبل از استقرار عوامل در تولید وجود دارد:
- انتخاب مدل LLM برای تغذیه حلقه عامل: برای راه حل مورد بحث در این پست، از a استفاده کردیم
Flan-UL2
مدل بدون تنظیم دقیق برای انجام برنامه ریزی کار یا انتخاب ابزار. در عمل، استفاده از یک LLM که برای خروجی مستقیم ابزار یا درخواستهای API تنظیم شده است، میتواند قابلیت اطمینان و عملکرد را افزایش داده و همچنین توسعه را سادهتر کند. ما میتوانیم یک LLM را روی وظایف انتخاب ابزار تنظیم کنیم یا از مدلی استفاده کنیم که مستقیماً نشانههای ابزار مانند Toolformer را رمزگشایی میکند.- استفاده از مدلهای تنظیمشده میتواند افزودن، حذف و بهروزرسانی ابزارهای موجود برای یک نماینده را نیز ساده کند. با رویکردهای مبتنی بر سریع، بهروزرسانی ابزارها مستلزم اصلاح هر فرمانی در داخل سازماندهنده عامل است، مانند مواردی که برای برنامهریزی کار، تجزیه ابزار و ارسال ابزار وجود دارد. این می تواند دست و پا گیر باشد و اگر ابزارهای زیادی در زمینه LLM ارائه شود، عملکرد ممکن است کاهش یابد.
- قابلیت اطمینان و عملکرد: عوامل LLM می توانند غیرقابل اعتماد باشند، به خصوص برای کارهای پیچیده ای که نمی توانند در چند حلقه تکمیل شوند. افزودن اعتبارسنجی خروجی، تلاشهای مجدد، ساختاربندی خروجیهای LLM به JSON یا yaml، و اعمال وقفههای زمانی برای ایجاد دریچههای فرار برای LLMهایی که در حلقهها گیر کردهاند، میتواند قابلیت اطمینان را افزایش دهد.
نتیجه
در این پست، نحوه ساخت یک عامل LLM را بررسی کردیم که می تواند از چندین ابزار از پایه استفاده کند، با استفاده از مهندسی سریع سطح پایین، توابع AWS Lambda و SageMaker JumpStart به عنوان بلوک های سازنده. ما در مورد معماری عوامل LLM و حلقه عامل به تفصیل بحث کردیم. مفاهیم و معماری راه حل معرفی شده در این پست وبلاگ ممکن است برای عواملی مناسب باشد که از تعداد کمی از مجموعه ای از ابزارهای از پیش تعریف شده استفاده می کنند. ما همچنین چندین استراتژی برای استفاده از عوامل در تولید مورد بحث قرار دادیم. Agents for Bedrock که در پیش نمایش است، همچنین یک تجربه مدیریت شده برای ساخت عوامل با پشتیبانی بومی برای فراخوانی ابزار عامل فراهم می کند.
درباره نویسنده
جان هوانگ یک معمار هوش مصنوعی مولد در AWS با تمرکز ویژه بر برنامههای کاربردی مدل زبان بزرگ (LLM)، پایگاههای داده برداری و استراتژی محصول هوش مصنوعی مولد است. او مشتاق کمک به شرکتها در زمینه توسعه محصول AI/ML و آینده نمایندگان و خلبانان LLM است. قبل از پیوستن به AWS، او یک مدیر محصول در الکسا بود، جایی که به آوردن هوش مصنوعی مکالمه به دستگاه های تلفن همراه کمک کرد، و همچنین یک معامله گر مشتقات در مورگان استنلی بود. او دارای لیسانس علوم کامپیوتر از دانشگاه استنفورد است.
- 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.
- PlatoHealth. هوش بیوتکنولوژی و آزمایشات بالینی. دسترسی به اینجا.
- ChartPrime. بازی معاملاتی خود را با ChartPrime ارتقا دهید. دسترسی به اینجا.
- BlockOffsets. نوسازی مالکیت افست زیست محیطی. دسترسی به اینجا.
- منبع: https://aws.amazon.com/blogs/machine-learning/learn-how-to-build-and-deploy-tool-using-llm-agents-using-aws-sagemaker-jumpstart-foundation-models/
- : دارد
- :است
- :نه
- :جایی که
- $UP
- 1
- 100
- ٪۱۰۰
- 19
- 20
- 200
- 24
- 27
- 500
- 7
- 9
- a
- توانایی
- توانایی
- درباره ما
- دسترسی
- انجام دادن
- مطابق
- بر این اساس
- در میان
- عمل
- اقدامات
- فعال
- اضافه
- اضافه کردن
- اضافی
- اداری
- پیشرفت
- پس از
- از نو
- عامل
- عاملان
- AI
- AI / ML
- چک
- معرفی
- قبلا
- همچنین
- آمازون
- آمازون لکس
- آمازون خدمات وب
- در میان
- مقدار
- an
- و
- پاسخ
- هر
- API
- رابط های برنامه کاربردی
- نرم افزار
- کاربرد
- برنامه های کاربردی
- روش
- رویکردها
- مناسب
- معماری
- هستند
- AS
- پرسیدن
- فرض می کند
- At
- افزوده شده
- در دسترس
- اجتناب از
- AWS
- AWS لامبدا
- به عقب
- مستقر
- BE
- شدن
- بوده
- قبل از
- بودن
- در زیر
- برکلی
- خارج از
- بیت
- بلاک ها
- بلاگ
- بدن
- ربات
- هر دو
- رباتها
- به ارمغان بیاورد
- ساختن
- بنا
- ساخته
- کسب و کار
- اما
- دکمه
- by
- محاسبات
- تقویم
- صدا
- تماس ها
- CAN
- نمی توان
- قابلیت های
- مورد
- موارد
- بار
- chatbot
- بررسی
- را انتخاب کنید
- برگزیده
- مشتری
- ترکیب
- شرکت
- کامل
- تکمیل شده
- پیچیده
- پیچیدگی
- اجزاء
- جامع
- کامپیوتر
- علم کامپیوتر
- مفاهیم
- نتیجه گیری
- پیکربندی
- در نظر بگیرید
- ملاحظات
- کنسول
- ثابت
- زمینه
- ادامه دادن
- محاورهای
- هوش مصنوعی محاوره ای
- هسته
- هزینه
- میتوانست
- ایجاد
- ایجاد شده
- سنگین
- سفارشی
- داده ها
- پایگاه داده
- پایگاه های داده
- مجموعه داده ها
- روز
- تصمیم گیری
- اختصاصی
- عمیق تر
- به طور پیش فرض
- تعاریف
- نسخه ی نمایشی
- نشان دادن
- بستگی دارد
- گسترش
- مستقر
- استقرار
- گسترش
- مستقر می کند
- مشتقات
- طراحی
- جزئیات
- جزئیات
- مشخص کردن
- پروژه
- دستگاه ها
- مستقیما
- بحث کردیم
- شیرجه رفتن
- do
- میکند
- انجام شده
- راندن
- e
- تجارت الکترونیک
- هر
- به آسانی
- ساده
- به طور موثر
- هر دو
- دیگر
- پست الکترونیک
- کار می کند
- پشت سر هم
- نقطه پایانی
- اجرای قانون
- مهندسی
- بالا بردن
- اطمینان حاصل شود
- تضمین
- تضمین می کند
- حصول اطمینان از
- وارد شدن
- محق
- خطا
- خطاهای
- فرار
- به خصوص
- و غیره
- واقعه
- هر
- مثال
- مثال ها
- جز
- استثنا
- اجرا کردن
- وجود داشته باشد
- انتظار
- تجربه
- کشف
- گسترش
- گسترش می یابد
- خارجی
- اضافی
- عصاره ها
- FAIL
- غلط
- روش
- ویژگی
- کمی از
- زمینه
- فیلتر
- نهایی
- جریان
- تمرکز
- پیروی
- به دنبال آن است
- برای
- قالب
- اشکال
- یافت
- پایه
- چارچوب
- دوستانه
- از جانب
- تکمیل کنید
- کاملا
- تابع
- ویژگی های
- توابع
- آینده
- عموما
- تولید می کنند
- تولید
- نسل
- مولد
- هوش مصنوعی مولد
- دریافت کنید
- داده
- Go
- زمین
- راهنمایی
- اتفاق می افتد
- دریچه
- آیا
- داشتن
- he
- کمک
- کمک کرد
- کمک
- از این رو
- اینجا کلیک نمایید
- hi
- زیاد
- خیلی
- دارای
- ساعت ها
- چگونه
- چگونه
- HTML
- HTTP
- HTTPS
- قطب
- انسان
- قابل خواندن انسان است
- i
- ID
- if
- تأثیر
- انجام
- پیاده سازی
- واردات
- بهبود
- in
- شامل
- گنجاندن
- افزایش
- افزایش
- اطلاعات
- ورودی
- پرس و جو
- داخل
- دستورالعمل
- یکپارچه
- ادغام
- ادغام
- قصد
- تعامل
- تعامل
- فعل و انفعالات
- علاقه
- به
- معرفی
- معرفی
- استناد کرد
- فراخوانی میکند
- شامل
- IT
- اقلام
- تکرار
- پیوستن
- JPG
- json
- کلید
- دانش
- زبان
- بزرگ
- راه اندازی
- یاد گرفتن
- سطح
- پسندیدن
- محدودیت
- محدودیت
- فهرست
- LLM
- منطق
- طولانی
- مطالب
- ساخت
- باعث می شود
- اداره می شود
- مدیریت
- مدیر
- بسیاری
- ممکن است..
- me
- متوسط
- مکانیزم
- مکانیسم
- جلسات
- پیام
- متاداده
- دقیقه
- موبایل
- دستگاه های تلفن همراه
- مدل
- مدل
- بیش
- مورگان
- مورگان استنلی
- اکثر
- چندگانه
- my
- نام
- تحت عنوان
- نام
- بومی
- هدایت
- پیمایش
- جهت یابی
- لازم
- نیاز
- ضروری
- جدید
- بعد
- نه
- هیچ
- به ویژه
- اکنون
- عدد
- متعدد
- هدف
- of
- غالبا
- on
- یک بار
- ONE
- فقط
- مخالف
- or
- سفارش
- سفارشات
- دیگر
- در غیر این صورت
- ما
- خارج
- تولید
- خارج از
- روی
- غلبه بر
- مروری
- با ما
- قطعه
- پارامترهای
- عبور
- احساساتی
- الگو
- صلح
- انتظار
- انجام
- کارایی
- انتخاب کنید
- برگزیده
- برنامه
- برنامه ریزی
- افلاطون
- هوش داده افلاطون
- PlatoData
- لطفا
- پلاگین ها
- سیاست
- پست
- قدرت
- صفحه اصلی
- تمرین
- پیش بینی
- پیش گویی
- پیش نیازها
- جلوگیری از
- پیش نمایش
- قبلی
- قبلا
- روند
- فرآوری شده
- در حال پردازش
- محصول
- توسعه محصول
- مدیر تولید
- تولید
- برنامه
- برنامه ها
- به درستی
- ارائه
- ارائه
- فراهم می کند
- ارائه
- اهداف
- پــایتــون
- سوال
- سوالات
- سریع
- بالا بردن
- سریعا
- خام
- دنیای واقعی
- معقول
- شناختن
- استرداد
- منطقه
- مربوط
- قابلیت اطمینان
- بقایای
- حذف شده
- از بین بردن
- نمایندگی
- درخواست
- درخواست
- نیاز
- ضروری
- نیاز
- منابع
- منابع
- پاسخ
- پاسخ
- مسئوليت
- مسئوليت
- نتیجه
- برگشت
- عودت
- بازده
- راست
- روتر
- مسیریابی
- دویدن
- در حال اجرا
- s
- حکیم ساز
- راضی
- مقیاس پذیر
- سناریو
- علم
- حوزه
- جستجو
- به نظر می رسد
- انتخاب شد
- انتخاب
- خود کارگردانی
- حس
- جداگانه
- دنباله
- سرویس
- خدمات
- تنظیم
- چند
- حمل
- حمل
- کوتاه
- عکس
- باید
- نشان
- نشان داده شده
- ساده
- ساده کردن
- به سادگی
- تنها
- کوچک
- So
- نرم افزار
- راه حل
- برخی از
- مصنوعی
- منبع
- منابع
- ویژه
- تخصصی
- خاص
- مشخصات
- پشته
- مستقل
- استنفورد
- دانشگاه استنفورد
- استنلی
- شروع
- آغاز شده
- بیانیه
- وضعیت
- گام
- مراحل
- توقف
- opbevare
- استراتژی ها
- استراتژی
- رشته
- ساختار
- متعاقبا
- موفقیت
- موفقیت
- چنین
- نشان می دهد
- مناسب
- پشتیبانی
- مطمئن
- سیستم های
- جدول
- گرفتن
- صورت گرفته
- طول می کشد
- مصرف
- کار
- وظایف
- گفتن
- آزمون
- آزمایش
- تست
- تست
- که
- La
- آینده
- شان
- سپس
- آنجا.
- اینها
- این
- کسانی که
- سه
- بدین ترتیب
- بار
- به
- نشانه
- هم
- ابزار
- ابزار
- بالا
- جمع
- مسیر
- بازرگان
- سنتی
- آموزش دیده
- باعث شد
- امتحان
- دو
- نوعی
- به طور معمول
- ui
- دانشگاه
- بدون نیاز
- تا
- به روز رسانی
- به روز رسانی
- استفاده کنید
- استفاده
- کاربر
- استفاده
- با استفاده از
- استفاده کنید
- تصدیق
- اعتبار سنجی
- تنوع
- نسخه
- از طريق
- صبر کنيد
- بود
- مسیر..
- we
- هوا
- وب
- خدمات وب
- وب سایت
- خوب
- چی
- چه شده است
- چه زمانی
- هر زمان که
- چه
- که
- در حین
- WHO
- اراده
- با
- در داخل
- بدون
- با این نسخهها کار
- جهان
- خواهد بود
- یامل
- شما
- شما
- خودت
- زفیرنت