در چشم انداز در حال تحول تولید، قدرت تحول هوش مصنوعی و یادگیری ماشینی (ML) مشهود است و یک انقلاب دیجیتالی را ایجاد می کند که عملیات را ساده می کند و بهره وری را افزایش می دهد. با این حال، این پیشرفت چالشهای منحصر به فردی را برای شرکتهایی که راهحلهای مبتنی بر داده را هدایت میکنند، معرفی میکند. تاسیسات صنعتی با حجم وسیعی از داده های بدون ساختار دست و پنجه نرم می کنند که از حسگرها، سیستم های تله متری و تجهیزات پراکنده در خطوط تولید به دست می آیند. دادههای بیدرنگ برای برنامههایی مانند تعمیر و نگهداری پیشبینیکننده و تشخیص ناهنجاری حیاتی هستند، با این حال توسعه مدلهای ML سفارشی برای هر مورد استفاده صنعتی با چنین دادههای سری زمانی نیازمند زمان و منابع قابلتوجهی از دانشمندان داده است که مانع پذیرش گسترده میشود.
هوش مصنوعی مولد با استفاده از مدل های بزرگ فونداسیون از قبل آموزش دیده (FMs) مانند کلود می تواند به سرعت محتویات مختلفی از متن مکالمه گرفته تا کد کامپیوتری را بر اساس اعلان های متنی ساده تولید کند که به آن معروف است درخواست ضربه صفر. این امر نیاز دانشمندان داده را برای توسعه دستی مدلهای ML خاص برای هر مورد استفاده از بین میبرد و بنابراین دسترسی به هوش مصنوعی را دموکراتیزه میکند و حتی به تولیدکنندگان کوچک نیز سود میرساند. کارگران از طریق بینش های ایجاد شده توسط هوش مصنوعی بهره وری را به دست می آورند، مهندسان می توانند به طور فعال ناهنجاری ها را شناسایی کنند، مدیران زنجیره تامین موجودی ها را بهینه می کنند و رهبری کارخانه تصمیمات آگاهانه و مبتنی بر داده را می گیرد.
با این وجود، FM های مستقل در مدیریت داده های صنعتی پیچیده با محدودیت های اندازه زمینه (معمولاً) با محدودیت هایی مواجه هستند. کمتر از 200,000 توکن) که چالش هایی را ایجاد می کند. برای رفع این مشکل، میتوانید از توانایی FM برای تولید کد در پاسخ به پرسشهای زبان طبیعی (NLQ) استفاده کنید. عوامل مانند PandasAI وارد عمل شوید، این کد را روی داده های سری زمانی با وضوح بالا اجرا کنید و با استفاده از FM خطاها را مدیریت کنید. PandasAI یک کتابخانه پایتون است که قابلیتهای هوش مصنوعی مولد را به پانداها، ابزار محبوب تجزیه و تحلیل و دستکاری دادهها، اضافه میکند.
با این حال، NLQ های پیچیده، مانند پردازش داده های سری زمانی، تجمیع چند سطحی، و عملیات جدول محوری یا مشترک، ممکن است دقت متناقض اسکریپت پایتون را با اعلان صفر شات به دست آورند.
برای افزایش دقت تولید کد، ساخت پویا را پیشنهاد می کنیم درخواست های چند شات برای NLQ ها درخواست چند شات با نشان دادن چندین نمونه از خروجیهای دلخواه برای اعلانهای مشابه، زمینه اضافی را برای FM فراهم میکند و دقت و ثبات را افزایش میدهد. در این پست، اعلانهای چند شات از یک جاسازی حاوی کد پایتون موفق اجرا شده روی یک نوع داده مشابه (به عنوان مثال، دادههای سری زمانی با وضوح بالا از دستگاههای اینترنت اشیا) بازیابی میشوند. اعلان چند شات ساخته شده به صورت پویا مرتبط ترین زمینه را برای FM فراهم می کند و توانایی FM را در محاسبات ریاضی پیشرفته، پردازش داده های سری زمانی و درک مخفف داده ها افزایش می دهد. این پاسخ بهبودیافته، کارمندان سازمانی و تیمهای عملیاتی را در تعامل با دادهها، به دست آوردن بینش بدون نیاز به مهارتهای گسترده علم داده، تسهیل میکند.
فراتر از تجزیه و تحلیل داده های سری زمانی، FM ها در کاربردهای مختلف صنعتی ارزشمند هستند. تیمهای تعمیر و نگهداری سلامت داراییها را ارزیابی میکنند، تصاویر را برای شناسایی آمازونخلاصه های عملکرد مبتنی بر، و تجزیه و تحلیل علل ناهنجاری با استفاده از جستجوهای هوشمند با بازیابی نسل افزوده (RAG). برای سادهسازی این گردشها، AWS معرفی کرده است بستر آمازون، به شما این امکان را می دهد تا برنامه های کاربردی هوش مصنوعی تولیدی را با FM های از پیش آموزش دیده پیشرفته مانند کلود نسخه 2. با پایگاه های دانش برای آمازون بستر، میتوانید فرآیند توسعه RAG را سادهتر کنید تا تجزیه و تحلیل دقیقتر علت ناهنجاری را برای کارگران کارخانه ارائه دهید. پست ما یک دستیار هوشمند برای موارد استفاده صنعتی با پشتیبانی از Amazon Bedrock را به نمایش میگذارد که به چالشهای NLQ میپردازد، خلاصههایی را از تصاویر ایجاد میکند و پاسخهای FM را برای تشخیص تجهیزات از طریق رویکرد RAG بهبود میبخشد.
بررسی اجمالی راه حل
نمودار زیر معماری راه حل را نشان می دهد.
گردش کار شامل سه مورد استفاده متمایز است:
استفاده از مورد 1: NLQ با داده های سری زمانی
گردش کار برای NLQ با داده های سری زمانی شامل مراحل زیر است:
- ما از یک سیستم نظارت بر وضعیت با قابلیت های ML برای تشخیص ناهنجاری استفاده می کنیم، مانند آمازون مونیترون، برای نظارت بر سلامت تجهیزات صنعتی. آمازون مونیترون قادر است خرابی های احتمالی تجهیزات را از طریق اندازه گیری لرزش و دمای تجهیزات تشخیص دهد.
- ما داده های سری زمانی را با پردازش جمع آوری می کنیم آمازون مونیترون داده ها از طریق آمازون کینزیس جریان داده و آمازون دیتا فایرهوز، آن را به یک فرمت CSV جدولی تبدیل کرده و آن را در یک ذخیره کنید سرویس ذخیره سازی ساده آمازون سطل (Amazon S3).
- کاربر نهایی می تواند با ارسال یک درخواست زبان طبیعی به برنامه Streamlit با داده های سری زمانی خود در آمازون S3 چت را آغاز کند.
- برنامه Streamlit سوالات کاربران را به مدل تعبیه متن Amazon Bedrock Titan برای جاسازی این پرس و جو، و جستجوی شباهت را در یک سرویس جستجوی باز آمازون ایندکس که حاوی NLQهای قبلی و کدهای نمونه است.
- پس از جستجوی شباهت، نمونههای مشابه برتر، از جمله سوالات NLQ، طرح دادهها و کدهای پایتون، در یک اعلان سفارشی درج میشوند.
- PandasAI این درخواست سفارشی را به مدل Amazon Bedrock Claude v2 ارسال می کند.
- این برنامه از عامل PandasAI برای تعامل با مدل Amazon Bedrock Claude v2 استفاده می کند و کد پایتون را برای تجزیه و تحلیل داده های Amazon Monitron و پاسخ های NLQ ایجاد می کند.
- پس از اینکه مدل Amazon Bedrock Claude v2 کد پایتون را برگرداند، PandasAI کوئری پایتون را روی دادههای Amazon Monitron آپلود شده از برنامه اجرا میکند، خروجیهای کد را جمعآوری میکند و هرگونه تلاش مجدد لازم برای اجراهای ناموفق را بررسی میکند.
- برنامه Streamlit پاسخ را از طریق PandasAI جمع آوری می کند و خروجی را در اختیار کاربران قرار می دهد. اگر خروجی رضایتبخش باشد، کاربر میتواند آن را بهعنوان مفید علامتگذاری کند و NLQ و کد پایتون تولید شده توسط کلود را در سرویس OpenSearch ذخیره کند.
مورد استفاده 2: تولید خلاصه قطعات خراب
مورد استفاده تولید خلاصه ما شامل مراحل زیر است:
- پس از اینکه کاربر متوجه شد کدام دارایی صنعتی رفتار غیرعادی نشان میدهد، میتواند تصاویری از قطعه خراب را آپلود کند تا با توجه به مشخصات فنی و شرایط عملکرد، مشکل فیزیکی این قطعه را شناسایی کند.
- کاربر می تواند از آمازون Recognition DetectText API برای استخراج داده های متنی از این تصاویر.
- دادههای متنی استخراجشده در اعلان مدل Amazon Bedrock Claude v2 گنجانده شده است، و این مدل را قادر میسازد تا خلاصهای 200 کلمهای از قسمت خراب کار کند. کاربر می تواند از این اطلاعات برای بررسی بیشتر قطعه استفاده کند.
مورد استفاده 3: تشخیص ریشه ای
مورد استفاده تشخیص علت اصلی ما شامل مراحل زیر است:
- کاربر دادههای سازمانی را در قالبهای اسناد مختلف (PDF، TXT و غیره) مربوط به داراییهای ناکارآمد به دست میآورد و آنها را در یک سطل S3 آپلود میکند.
- پایگاه دانش این فایلها در Amazon Bedrock با مدل جاسازیهای متنی Titan و یک فروشگاه بردار سرویس OpenSearch پیشفرض تولید میشود.
- کاربر سوالات مربوط به تشخیص علت اصلی تجهیزات خراب را مطرح می کند. پاسخ ها از طریق پایگاه دانش Amazon Bedrock با رویکرد RAG تولید می شوند.
پیش نیازها
برای دنبال کردن این پست، باید شرایط زیر را داشته باشید:
زیرساخت راه حل را مستقر کنید
برای تنظیم منابع راه حل خود، مراحل زیر را انجام دهید:
- مستقر کنید AWS CloudFormation قالب opensearchsagemaker.yml، که مجموعه و فهرست خدمات OpenSearch را ایجاد می کند، آمازون SageMaker نمونه نوت بوک و سطل S3. شما می توانید این پشته AWS CloudFormation را به صورت زیر نام گذاری کنید:
genai-sagemaker
. - نمونه نوت بوک SageMaker را در JupyterLab باز کنید. موارد زیر را خواهید یافت GitHub repo قبلاً در این نمونه دانلود شده است: بازگشایی-پتانسیل-های-مولد-AI-در-عملیات-صنعتی.
- نوت بوک را از دایرکتوری زیر در این مخزن اجرا کنید: باز کردن-پتانسیل-های-مولد-AI-در-عملیات-صنعتی/SagemakerNotebook/nlq-vector-rag-embedding.ipynb. این نوت بوک فهرست خدمات OpenSearch را با استفاده از نوت بوک SageMaker برای ذخیره جفت های کلید-مقدار از 23 نمونه NLQ موجود.
- اسناد را از پوشه داده آپلود کنید assetpartdoc در مخزن GitHub به سطل S3 فهرست شده در خروجی های پشته CloudFormation.
در مرحله بعد، پایگاه دانش اسناد را در آمازون S3 ایجاد می کنید.
- در کنسول بستر آمازون، انتخاب کنید دانش محور در صفحه ناوبری
- را انتخاب کنید ایجاد پایگاه دانش.
- برای نام پایگاه دانش، یک نام وارد کنید.
- برای نقش زمان اجرا، انتخاب کنید یک نقش سرویس جدید ایجاد و استفاده کنید.
- برای نام منبع داده، نام منبع داده خود را وارد کنید.
- برای S3 URI، مسیر S3 سطلی را که اسناد علت اصلی را در آن بارگذاری کرده اید وارد کنید.
- را انتخاب کنید بعدی.
مدل جاسازی Titan به طور خودکار انتخاب می شود. - انتخاب کنید سریع یک فروشگاه برداری جدید ایجاد کنید.
- تنظیمات خود را مرور کنید و با انتخاب پایگاه دانش ایجاد کنید ایجاد پایگاه دانش.
- پس از اینکه پایگاه دانش با موفقیت ایجاد شد، انتخاب کنید همگام سازی برای همگام سازی سطل S3 با پایگاه دانش.
- پس از راهاندازی پایگاه دانش، میتوانید با پرسیدن سؤالاتی مانند «محرک من کند حرکت میکند، مشکل چیست؟» برای تشخیص علت اصلی، رویکرد RAG را آزمایش کنید.
مرحله بعدی این است که برنامه را با بسته های کتابخانه مورد نیاز بر روی رایانه شخصی خود یا نمونه EC2 (اوبونتو سرور 22.04 LTS) مستقر کنید.
- اعتبارنامه AWS خود را تنظیم کنید با AWS CLI در رایانه محلی خود. برای سادگی، می توانید از همان نقش مدیری که برای استقرار پشته CloudFormation استفاده کردید استفاده کنید. اگر از Amazon EC2 استفاده می کنید، یک نقش IAM مناسب را به نمونه متصل کنید.
- کلون GitHub repo:
- دایرکتوری را به
unlocking-the-potential-of-generative-ai-in-industrial-operations/src
و اجرا کنsetup.sh
اسکریپت در این پوشه برای نصب بسته های مورد نیاز از جمله LangChain و PandasAI:cd unlocking-the-potential-of-generative-ai-in-industrial-operations/src chmod +x ./setup.sh ./setup.sh
- برنامه Streamlit را با دستور زیر اجرا کنید:
source monitron-genai/bin/activate python3 -m streamlit run app_bedrock.py <REPLACE WITH YOUR BEDROCK KNOWLEDGEBASE ARN>
مجموعه خدمات OpenSearch ARN را که از مرحله قبل در Amazon Bedrock ایجاد کردید، ارائه دهید.
با دستیار سلامت دارایی خود چت کنید
پس از تکمیل استقرار انتها به انتها، می توانید از طریق لوکال هاست در پورت 8501 به برنامه دسترسی داشته باشید که یک پنجره مرورگر با رابط وب باز می شود. اگر برنامه را در یک نمونه EC2 مستقر کرده اید، اجازه دسترسی به پورت 8501 از طریق قانون ورودی گروه امنیتی. برای موارد استفاده مختلف می توانید به برگه های مختلف بروید.
مورد استفاده 1 را کاوش کنید
برای بررسی اولین مورد استفاده، انتخاب کنید بینش داده و نمودار. با آپلود داده های سری زمانی خود شروع کنید. اگر فایل داده سری زمانی موجود برای استفاده ندارید، می توانید موارد زیر را آپلود کنید نمونه فایل CSV با داده های پروژه آمازون Monitron ناشناس. اگر قبلاً یک پروژه آمازون Monitron دارید، به آن مراجعه کنید با Amazon Monitron و Amazon Kinesis بینشهای عملی برای مدیریت نگهداری پیشبینیکننده ایجاد کنید تا داده های Amazon Monitron خود را به Amazon S3 پخش کنید و از داده های خود با این برنامه استفاده کنید.
وقتی آپلود کامل شد، یک پرس و جو برای شروع مکالمه با داده های شما وارد کنید. نوار کناری سمت چپ طیفی از نمونه سوالات را برای راحتی شما ارائه می دهد. اسکرین شات های زیر پاسخ و کد پایتون تولید شده توسط FM را هنگام وارد کردن سوالی مانند "تعداد منحصر به فرد حسگرها برای هر سایت به ترتیب به عنوان هشدار یا هشدار به من بگویید؟" (یک سوال سطح سخت) یا "برای حسگرهایی که سیگنال دما را به عنوان سالم نشان نمی دهند، آیا می توانید مدت زمان را برای هر سنسوری که سیگنال لرزش غیرعادی نشان می دهد بر حسب روز محاسبه کنید؟" (یک سوال در سطح چالش). این برنامه به سؤال شما پاسخ می دهد و همچنین اسکریپت پایتون تجزیه و تحلیل داده هایی را که برای ایجاد چنین نتایجی انجام داده است نشان می دهد.
اگر از پاسخ راضی هستید، می توانید آن را به عنوان علامت گذاری کنید مفید، NLQ و کد پایتون تولید شده توسط کلود را در فهرست سرویس OpenSearch ذخیره می کند.
مورد استفاده 2 را کاوش کنید
برای بررسی مورد استفاده دوم، مورد را انتخاب کنید خلاصه تصویر گرفته شده برگه در برنامه Streamlit. شما می توانید تصویری از دارایی صنعتی خود آپلود کنید و برنامه یک خلاصه 200 کلمه ای از مشخصات فنی و شرایط عملکرد آن را بر اساس اطلاعات تصویر ایجاد می کند. اسکرین شات زیر خلاصه تولید شده از تصویری از درایو موتور تسمه ای را نشان می دهد. برای تست این قابلیت در صورت کمبود تصویر مناسب می توانید از موارد زیر استفاده کنید تصویر نمونه.
برچسب موتور آسانسور هیدرولیک” توسط Clarence Risher تحت مجوز است CC BY-SA 2.0.
مورد استفاده 3 را کاوش کنید
برای بررسی مورد استفاده سوم، را انتخاب کنید تشخیص علت ریشه ای برگه یک درخواست مربوط به دارایی صنعتی خراب خود را وارد کنید، مانند "محرک من کند حرکت می کند، مشکل چیست؟" همانطور که در تصویر زیر نشان داده شده است، برنامه یک پاسخ با گزیده سند منبع که برای تولید پاسخ استفاده می شود، ارائه می دهد.
مورد استفاده 1: جزئیات طراحی
در این بخش، جزئیات طراحی گردش کار برنامه برای اولین مورد استفاده را مورد بحث قرار می دهیم.
ساخت سریع سفارشی
پرس و جو زبان طبیعی کاربر با سطوح دشوار مختلفی همراه است: آسان، سخت و چالش.
سوالات ساده ممکن است شامل درخواست های زیر باشد:
- مقادیر منحصر به فرد را انتخاب کنید
- تعداد کل را بشمار
- مرتب سازی مقادیر
برای این سؤالات، PandasAI میتواند مستقیماً با FM تعامل کند تا اسکریپتهای پایتون برای پردازش تولید کند.
سوالات سخت نیاز به عملیات تجمیع اولیه یا تجزیه و تحلیل سری زمانی دارند، مانند موارد زیر:
- ابتدا مقدار را انتخاب کنید و نتایج را به صورت سلسله مراتبی گروه بندی کنید
- انجام آمار پس از انتخاب رکورد اولیه
- تعداد مهر زمانی (به عنوان مثال، حداقل و حداکثر)
برای سوالات سخت، یک الگوی سریع با دستورالعمل های گام به گام دقیق به FM ها در ارائه پاسخ های دقیق کمک می کند.
سوالات در سطح چالش به محاسبات ریاضی پیشرفته و پردازش سری زمانی نیاز دارند، مانند موارد زیر:
- مدت زمان ناهنجاری را برای هر سنسور محاسبه کنید
- سنسورهای ناهنجاری سایت را به صورت ماهانه محاسبه کنید
- مقایسه قرائت سنسور در شرایط عادی و شرایط غیرعادی
برای این سؤالات، می توانید از چند عکس در یک درخواست سفارشی برای افزایش دقت پاسخ استفاده کنید. این چند شات نمونه هایی از پردازش سری های زمانی پیشرفته و محاسبات ریاضی را نشان می دهد و زمینه را برای FM فراهم می کند تا استنتاج مربوطه را بر روی تحلیل های مشابه انجام دهد. درج پویا مرتبطترین مثالها از بانک سؤال NLQ در اعلان میتواند یک چالش باشد. یک راه حل این است که از نمونه سوالات NLQ موجود، جاسازی ها را بسازید و این جاسازی ها را در یک فروشگاه برداری مانند OpenSearch Service ذخیره کنید. هنگامی که یک سوال به برنامه Streamlit ارسال می شود، سوال توسط بردار می شود Bedrock Embeddings. N مرتبطترین جاسازیهای برتر به آن سؤال با استفاده از آن بازیابی میشوند opensearch_vector_search.similarity_search و به عنوان یک درخواست چند شات در قالب prompt درج می شود.
نمودار زیر این گردش کار را نشان می دهد.
لایه جاسازی با استفاده از سه ابزار کلیدی ساخته شده است:
- مدل جاسازی - ما از Amazon Titan Embeddings استفاده می کنیم که از طریق Amazon Bedrock (amazon.titan-embed-text-v1) برای تولید نمایش عددی اسناد متنی.
- فروشگاه وکتور - برای فروشگاه برداری خود، از سرویس OpenSearch از طریق چارچوب LangChain استفاده می کنیم و ذخیره سازی جاسازی های تولید شده از نمونه های NLQ در این نوت بوک را ساده می کند.
- شاخص - نمایه سرویس جستجوی باز نقشی اساسی در مقایسه جاسازی های ورودی با جاسازی های سند و تسهیل بازیابی اسناد مربوطه ایفا می کند. از آنجایی که کدهای نمونه پایتون به عنوان یک فایل JSON ذخیره شده بودند، در سرویس OpenSearch به عنوان بردار از طریق یک ایندکس شدند. OpenSearchVevtorSearch.fromtexts تماس API.
مجموعه ای مستمر از نمونه های ممیزی شده توسط انسان از طریق Streamlit
در ابتدای توسعه برنامه، ما تنها با 23 نمونه ذخیره شده در فهرست سرویس OpenSearch به عنوان جاسازی شروع کردیم. همانطور که برنامه در این زمینه فعال می شود، کاربران شروع به وارد کردن NLQ خود از طریق برنامه می کنند. با این حال، به دلیل نمونههای محدود موجود در الگو، برخی از NLQ ممکن است اعلانهای مشابهی را پیدا نکنند. برای غنیسازی مداوم این جاسازیها و ارائه درخواستهای کاربر مرتبطتر، میتوانید از برنامه Streamlit برای جمعآوری نمونههای ممیزی شده توسط انسان استفاده کنید.
در داخل برنامه، عملکرد زیر به این منظور عمل می کند. هنگامی که کاربران نهایی خروجی را مفید می دانند و انتخاب می کنند مفید، برنامه این مراحل را دنبال می کند:
- برای جمعآوری اسکریپت پایتون از روش callback PandasAI استفاده کنید.
- اسکریپت پایتون، سؤال ورودی و ابرداده های CSV را در یک رشته قالب بندی کنید.
- بررسی کنید که آیا این مثال NLQ از قبل در فهرست سرویس جستجوی OpenSearch فعلی وجود دارد یا خیر opensearch_vector_search.similarity_search_with_score.
- اگر نمونه مشابهی وجود نداشته باشد، این NLQ با استفاده از سرویس OpenSearch به فهرست اضافه می شود opensearch_vector_search.add_texts.
در صورتی که کاربر انتخاب کند مفید نیست، اقدامی انجام نمی شود. این فرآیند تکراری باعث میشود که سیستم به طور مستمر با استفاده از نمونههای ارائهشده توسط کاربر بهبود یابد.
def addtext_opensearch(input_question, generated_chat_code, df_column_metadata, opensearch_vector_search,similarity_threshold,kexamples, indexname):
#######build the input_question and generated code the same format as existing opensearch index##########
reconstructed_json = {}
reconstructed_json["question"]=input_question
reconstructed_json["python_code"]=str(generated_chat_code)
reconstructed_json["column_info"]=df_column_metadata
json_str = ''
for key,value in reconstructed_json.items():
json_str += key + ':' + value
reconstructed_raw_text =[]
reconstructed_raw_text.append(json_str)
results = opensearch_vector_search.similarity_search_with_score(str(reconstructed_raw_text[0]), k=kexamples) # our search query # return 3 most relevant docs
if (dumpd(results[0][1])<similarity_threshold): ###No similar embedding exist, then add text to embedding
response = opensearch_vector_search.add_texts(texts=reconstructed_raw_text, engine="faiss", index_name=indexname)
else:
response = "A similar embedding is already exist, no action."
return response
با گنجاندن حسابرسی انسانی، با افزایش استفاده از برنامه، تعداد نمونههای موجود در سرویس جستجوی باز برای جاسازی سریع افزایش مییابد. این مجموعه داده های تعبیه شده گسترده منجر به افزایش دقت جستجو در طول زمان می شود. به طور خاص، برای چالش برانگیز NLQ، دقت پاسخ FM در هنگام درج پویا مثالهای مشابه برای ایجاد اعلانهای سفارشی برای هر سؤال NLQ تقریباً به 90٪ میرسد. این نشان دهنده افزایش قابل توجه 28 درصدی در مقایسه با سناریوهای بدون درخواست چند شات است.
مورد استفاده 2: جزئیات طراحی
در برنامه Streamlit خلاصه تصویر گرفته شده تب، می توانید مستقیماً یک فایل تصویری را آپلود کنید. این آمازون Rekognition API را آغاز می کند (detect_text API)، استخراج متن از برچسب تصویر جزئیات مشخصات ماشین. متعاقباً، دادههای متنی استخراجشده بهعنوان متن یک اعلان به مدل Amazon Bedrock Claude فرستاده میشود که در نتیجه یک خلاصه 200 کلمهای به دست میآید.
از دیدگاه تجربه کاربر، فعال کردن قابلیت پخش جریانی برای یک کار خلاصهسازی متن بسیار مهم است و به کاربران اجازه میدهد خلاصههای تولید شده توسط FM را در قطعات کوچکتر بخوانند نه اینکه منتظر کل خروجی باشند. Amazon Bedrock جریان را از طریق API خود تسهیل می کند (bedrock_runtime.invoke_model_with_response_stream).
مورد استفاده 3: جزئیات طراحی
در این سناریو، ما یک برنامه چت بات را توسعه دادهایم که بر تجزیه و تحلیل علت اصلی تمرکز دارد و از رویکرد RAG استفاده میکند. این ربات چت از اسناد متعدد مربوط به تجهیزات بلبرینگ برای تسهیل تجزیه و تحلیل علت اصلی استفاده می کند. این چت بات تجزیه و تحلیل ریشه مبتنی بر RAG از پایگاه های دانش برای تولید بازنمایی متن برداری یا جاسازی استفاده می کند. پایگاههای دانش برای Amazon Bedrock یک قابلیت کاملاً مدیریتشده است که به شما کمک میکند کل گردش کار RAG، از جذب گرفته تا بازیابی و افزایش سریع، را بدون نیاز به ایجاد ادغامهای سفارشی با منابع داده یا مدیریت جریانهای داده و جزئیات پیادهسازی RAG پیادهسازی کنید.
هنگامی که از پاسخ پایگاه دانش آمازون بستر راضی هستید، می توانید پاسخ علت اصلی را از پایگاه دانش در برنامه Streamlit ادغام کنید.
پاک کردن
برای صرفه جویی در هزینه ها، منابعی را که در این پست ایجاد کرده اید حذف کنید:
- پایگاه دانش را از Amazon Bedrock حذف کنید.
- فهرست سرویس OpenSearch را حذف کنید.
- پشته genai-sagemaker CloudFormation را حذف کنید.
- اگر از نمونه EC2 برای اجرای برنامه Streamlit استفاده کرده اید، نمونه EC2 را متوقف کنید.
نتیجه
برنامه های کاربردی هوش مصنوعی مولد در حال حاضر فرآیندهای مختلف کسب و کار را تغییر داده اند و بهره وری و مجموعه مهارت های کارگران را افزایش داده اند. با این حال، محدودیت های FM ها در مدیریت تجزیه و تحلیل داده های سری زمانی مانع استفاده کامل آنها توسط مشتریان صنعتی شده است. این محدودیت مانع از کاربرد هوش مصنوعی مولد برای نوع داده غالب پردازش شده روزانه شده است.
در این پست، یک راه حل مولد AI Application را معرفی کردیم که برای کاهش این چالش برای کاربران صنعتی طراحی شده است. این برنامه از یک عامل منبع باز، PandasAI، برای تقویت قابلیت تجزیه و تحلیل سری های زمانی FM استفاده می کند. این برنامه به جای ارسال مستقیم داده های سری زمانی به FM ها، از PandasAI برای تولید کد پایتون برای تجزیه و تحلیل داده های سری زمانی بدون ساختار استفاده می کند. برای افزایش دقت تولید کد پایتون، یک گردش کار تولید سریع سفارشی با ممیزی انسانی پیاده سازی شده است.
کارگران صنعتی با داشتن بینش هایی در مورد سلامت دارایی خود، می توانند به طور کامل از پتانسیل هوش مصنوعی مولد در موارد مختلف استفاده کنند، از جمله تشخیص علت اصلی و برنامه ریزی جایگزینی قطعه. با پایگاه های دانش برای Amazon Bedrock، راه حل RAG برای توسعه دهندگان برای ساخت و مدیریت ساده است.
مسیر مدیریت دادههای سازمانی و عملیات بدون تردید به سمت یکپارچگی عمیقتر با هوش مصنوعی مولد برای بینش جامع در مورد سلامت عملیاتی حرکت میکند. این تغییر، که توسط Amazon Bedrock هدایت می شود، به طور قابل توجهی با استحکام و پتانسیل رو به رشد LLM هایی مانند LLM تقویت می شود. آمازون بستر کلود 3 برای ارتقای بیشتر راه حل ها برای کسب اطلاعات بیشتر به سایت مراجعه کنید اسناد بستر آمازونو دست به کار شوید کارگاه آمازون بستر.
درباره نویسندگان
جولیا هو یک معمار راه حل های AI/ML Sr. در خدمات وب آمازون است. او در زمینه هوش مصنوعی، علم داده کاربردی و معماری اینترنت اشیا تخصص دارد. در حال حاضر او بخشی از تیم آمازون Q و یک عضو فعال/مربی در انجمن حوزه فنی یادگیری ماشین است. او با مشتریان، از استارتآپها گرفته تا شرکتها، برای توسعه راهحلهای هوش مصنوعی AWSome کار میکند. او به ویژه در مورد استفاده از مدلهای زبان بزرگ برای تجزیه و تحلیل دادههای پیشرفته و کاوش در برنامههای کاربردی که چالشهای دنیای واقعی را بررسی میکنند، علاقه دارد.
سودیش ساسیدهران یک معمار ارشد راه حل در AWS، در تیم انرژی است. Sudeesh عاشق آزمایش با فناوری های جدید و ایجاد راه حل های نوآورانه است که چالش های پیچیده تجاری را حل می کند. وقتی او در حال طراحی راهحلها یا سرهمبندی با جدیدترین فنآوریها نیست، میتوانید او را در زمین تنیس بیابید که روی بک هند کار میکند.
نیل دسای یک مدیر اجرایی فناوری با بیش از 20 سال تجربه در زمینه هوش مصنوعی (AI)، علم داده، مهندسی نرم افزار و معماری سازمانی است. در AWS، او تیمی از معماران راهحلهای تخصصی خدمات هوش مصنوعی در سراسر جهان را رهبری میکند که به مشتریان کمک میکنند راهحلهای خلاقانه مبتنی بر هوش مصنوعی تولید کنند، بهترین شیوهها را با مشتریان به اشتراک بگذارند، و نقشه راه محصول را هدایت کنند. نیل در نقشهای قبلی خود در Vestas، Honeywell و Quest Diagnostics نقشهای رهبری در توسعه و راهاندازی محصولات و خدمات نوآورانهای داشته است که به شرکتها در بهبود عملکرد، کاهش هزینهها و افزایش درآمد کمک کرده است. او مشتاق استفاده از فناوری برای حل مشکلات دنیای واقعی است و یک متفکر استراتژیک با سابقه موفقیت آمیز اثبات شده 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. 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/unlock-the-potential-of-generative-ai-in-industrial-operations/
- : دارد
- :است
- :نه
- :جایی که
- $UP
- 000
- 1
- 100
- 125
- 150
- 16
- 20
- سال 20
- 200
- 22
- 23
- 7
- 8
- a
- توانایی
- قادر
- غیر طبیعی
- درباره ما
- دسترسی
- مطابق
- دقت
- دقیق
- در میان
- عمل
- عملی
- فعال
- اضافه کردن
- اضافه
- اضافی
- نشانی
- خطاب به
- می افزاید:
- مدیر سایت
- اتخاذ
- پیشرفته
- پس از
- عامل
- عاملان
- تجمع
- AI
- خدمات هوش مصنوعی
- مجهز به هوش مصنوعی
- AI / ML
- هشدار
- کم کردن
- اجازه دادن
- در امتداد
- قبلا
- همچنین
- آمازون
- آمازون EC2
- شناسایی آمازون
- آمازون خدمات وب
- تقویت
- an
- تحلیل
- علم تجزیه و تحلیل
- و
- اختلالات
- تشخیص ناهنجاری
- ناشناس
- پاسخ
- پاسخ
- آنتروپیک
- هر
- API
- نرم افزار
- توسعه برنامه
- کاربرد
- برنامه های کاربردی
- اعمال می شود
- روش
- تقریبا
- معماران
- معماری
- هستند
- مصنوعی
- هوش مصنوعی
- هوش مصنوعی (AI)
- AS
- خواهان
- ارزیابی کنید
- دارایی
- دارایی
- دستیار
- کمک می کند
- At
- حسابرسی
- افزوده شده
- بطور خودکار
- در دسترس
- AWS
- AWS CloudFormation
- بانک
- پایه
- مستقر
- اساسی
- BE
- زیرا
- بوده
- آغاز شد
- شروع
- رفتار
- بهره مند شدن
- بهترین
- بهترین شیوه
- تقویت
- تقویت می کند
- شکسته
- مرورگر
- ساختن
- بنا
- کسب و کار
- by
- محاسبه
- محاسبه
- صدا
- CAN
- قابلیت های
- قابلیت
- گرفتن
- مورد
- موارد
- علت
- زنجیر
- به چالش
- چالش ها
- به چالش کشیدن
- chatbot
- چت
- را انتخاب کنید
- انتخاب
- Cli
- مشتریان
- رمز
- کد
- جمع آوری
- جمع آوری
- مجموعه
- بیا
- می آید
- انجمن
- شرکت
- مقایسه
- مقایسه
- کامل
- پیچیده
- جامع
- کامپیوتر
- شرط
- قابل توجه
- تشکیل شده است
- کنسول
- محدودیت ها
- ساختن
- ساخته
- ساخت
- مشاوره
- شامل
- محتوا
- زمینه
- به طور مستمر
- به طور مداوم
- راحتی
- گفتگو
- محاورهای
- تبدیل
- هزینه
- تعداد دفعات مشاهده
- دادگاه
- ایجاد
- ایجاد شده
- ایجاد
- بحرانی
- جاری
- در حال حاضر
- سفارشی
- مشتریان
- روزانه
- داده ها
- تحلیل داده ها
- تجزیه و تحلیل داده ها
- مدیریت اطلاعات
- پردازش داده ها
- علم اطلاعات
- داده محور
- روز
- تصمیم گیری
- عمیق تر
- به طور پیش فرض
- ارائه
- خواسته
- دموکراتیک می کند
- نشان داده شده است
- گسترش
- مستقر
- گسترش
- طرح
- طراحی
- طراحی
- مطلوب
- دقیق
- جزئیات
- جزئیات
- تشخیص
- کشف
- توسعه
- توسعه
- توسعه دهندگان
- در حال توسعه
- پروژه
- دستگاه ها
- تشخیص
- امکانات عیب شناسی
- نمودار
- مختلف
- مشکل
- دیجیتال
- انقلاب دیجیتال
- مستقیما
- فهرست راهنما
- بحث و تبادل نظر
- پراکنده
- متمایز
- اسناد
- سند
- اسناد و مدارک
- آیا
- دانلود
- تساوی
- راندن
- رانندگی
- دو
- مدت
- بطور پویا
- هر
- ساده
- هر دو
- بالا بردن
- حذف می شود
- دیگر
- جاسازی کردن
- تعبیه کردن
- استخدام
- کار می کند
- را قادر می سازد
- پشت سر هم
- انرژی
- جذاب
- مهندسی
- مورد تأیید
- بالا بردن
- افزایش
- افزایش
- غنی سازی
- وارد
- سرمایه گذاری
- شرکت
- تمام
- تجهیزات
- خطاهای
- حتی
- واقعه
- واضح است
- در حال تحول
- مثال
- مثال ها
- اجرایی
- وجود داشته باشد
- موجود
- وجود دارد
- منبسط
- تجربه
- تجربه
- اکتشاف
- بررسی
- وسیع
- عصاره
- چهره
- تسهیل کردن
- تسهیل می کند
- تسهیل کننده
- امکانات
- ناموفق
- شکست
- ویژگی
- رشته
- پرونده
- فایل ها
- پیدا کردن
- نام خانوادگی
- جریانها
- متمرکز شده است
- به دنبال
- پیروی
- به دنبال آن است
- برای
- قالب
- پایه
- چارچوب
- از جانب
- کامل
- کاملا
- تابع
- قابلیت
- بیشتر
- افزایش
- عایدات
- جمع آوری
- تولید می کنند
- تولید
- مولد
- نسل
- مولد
- هوش مصنوعی مولد
- دریافت کنید
- GitHub
- می رود
- گروه
- در حال رشد
- رشد می کند
- اداره
- دست
- سخت
- دهنه
- آیا
- داشتن
- he
- سلامتی
- سالم
- برگزار شد
- کمک
- کمک کرد
- مفید
- کمک می کند
- کیفیت بالا
- او را
- مانع شد
- خود را
- شرکت Honeywell
- اما
- HTML
- HTTP
- HTTPS
- انسان
- شناسایی
- if
- نشان دادن
- نشان می دهد
- تصویر
- تصاویر
- انجام
- پیاده سازی
- اجرا
- بهبود
- بهبود یافته
- را بهبود می بخشد
- in
- شامل
- مشمول
- شامل
- از جمله
- گنجاندن
- افزایش
- شاخص
- نمایه شده
- صنعتی
- اطلاعات
- اطلاع
- اول
- وارد کردن
- شروع می کند
- ابتکاری
- ورودی
- ورودی
- بینش
- بینش
- نصب
- نمونه
- دستورالعمل
- ادغام
- ادغام
- یکپارچگی
- اطلاعات
- هوشمند
- تعامل
- رابط
- اینترنت
- اینترنت از چیزهایی که
- به
- معرفی
- معرفی می کند
- اینترنت اشیا
- موضوع
- IT
- ITS
- مشترک
- JPEG
- JPG
- json
- کلید
- دانش
- شناخته شده
- می داند
- برچسب
- عدم
- چشم انداز
- زبان
- بزرگ
- آخرین
- راه اندازی
- لایه
- رهبری
- منجر می شود
- یاد گرفتن
- یادگیری
- ترک کرد
- سطح
- بهره برداری
- کتابخانه
- مجاز
- پسندیدن
- محدودیت
- محدود شده
- خطوط
- ذکر شده
- زنده
- بار
- محلی
- دوست دارد
- دستگاه
- فراگیری ماشین
- نگهداری
- باعث می شود
- مدیریت
- اداره می شود
- مدیریت
- مدیران
- دست کاری
- دستی
- تولید کنندگان
- تولید
- علامت
- ریاضی
- حداکثر
- ممکن است..
- me
- اندازه گیری
- دیدار
- متاداده
- روش
- قدرت
- دقیقه
- ML
- مدل
- مدل
- مانیتور
- نظارت بر
- ماهیانه
- بیش
- اکثر
- موتور
- متحرک
- چندگانه
- نام
- طبیعی
- هدایت
- پیمایش
- جهت یابی
- لازم
- نیاز
- جدید
- فناوری های نوین
- بعد
- نه
- طبیعی
- قابل توجه
- دفتر یادداشت
- عدد
- به دست می آورد
- of
- ارائه
- پیشنهادات
- on
- ONE
- فقط
- باز کن
- منبع باز
- باز می شود
- عمل
- قابل استفاده
- عملیات
- بهینه سازی
- or
- ما
- تولید
- خروجی
- روی
- بسته
- جفت
- پانداها
- قطعه
- برترین
- بخش
- ویژه
- احساساتی
- مسیر
- PC
- انجام
- انجام
- انجام می دهد
- چشم انداز
- پی اچ پی
- از نظر جسمی
- محور
- محوری
- برنامه ریزی
- افلاطون
- هوش داده افلاطون
- PlatoData
- بازی
- نقش
- محبوب
- به شمار
- پست
- پتانسیل
- قدرت
- صفحه اصلی
- عملی
- شیوه های
- پیش نیازها
- قبلی
- قبلا
- مشکلات
- روند
- فرآوری شده
- فرآیندهای
- در حال پردازش
- محصول
- تولید
- بهره وری
- محصولات
- پیشرفت
- پروژه
- داده های پروژه
- پرسیدن
- پیشنهادات
- ثابت كردن
- اثبات شده
- ارائه
- فراهم می کند
- ارائه
- هدف
- پــایتــون
- مقدار
- نمایش ها
- پرس و جو
- جستجو
- سوال
- سوالات
- پارچه
- محدوده
- اعم
- سریعا
- نسبتا
- می رسد
- خواندن
- دنیای واقعی
- زمان واقعی
- داده های زمان واقعی
- به رسمیت شناختن
- رکورد
- كاهش دادن
- مراجعه
- مربوط
- مربوط
- جایگزین کردن
- جایگزینی
- مخزن
- نشان دهنده
- درخواست
- نیاز
- ضروری
- منابع
- به ترتیب
- پاسخ
- پاسخ
- نتیجه
- نتایج
- بازیابی
- برگشت
- بازده
- درامد
- انقلاب
- نقشه راه
- نیرومندی
- نقش
- نقش
- ریشه
- دویدن
- در حال اجرا
- اجرا می شود
- حکیم ساز
- همان
- راضی
- راضی با
- ذخیره
- نگهداری می شود
- صرفه جویی کردن
- مقیاس
- سناریو
- سناریوها
- علم
- دانشمندان
- تصاویر
- خط
- اسکریپت
- جستجو
- جستجو
- دوم
- بخش
- تیم امنیت لاتاری
- را انتخاب کنید
- انتخاب شد
- در حال ارسال
- می فرستد
- ارشد
- حسی
- سنسور
- فرستاده
- سلسله
- سرور
- خدمت
- سرویس
- خدمات
- تنظیم
- مجموعه
- تنظیمات
- چند
- اشتراک گذاری
- او
- تغییر
- باید
- نشان
- نمایش
- نشان داده شده
- نشان می دهد
- سیگنال
- به طور قابل توجهی
- مشابه
- ساده
- سادگی
- ساده کردن
- سایت
- اندازه
- مهارت
- مهارت ها
- کند
- کوچک
- کوچکتر
- So
- نرم افزار
- مهندسی نرم افزار
- راه حل
- مزایا
- حل
- برخی از
- چیزی
- منبع
- منبع
- منابع
- رهبری کرد
- متخصص
- تخصصی
- خاص
- به طور خاص
- مشخصات
- مشخصات
- پشته
- مستقل
- شروع
- شروع یو پی اس
- وضعیت هنر
- ارقام
- گام
- مراحل
- ذخیره سازی
- opbevare
- ساده
- استراتژیک
- جریان
- جریان
- ساده سازی
- ساده
- تقویت
- رشته
- متعاقبا
- موفقیت
- موفق
- موفقیت
- چنین
- مناسب
- خلاصه
- عرضه
- زنجیره تامین
- مطمئن
- همگام سازی
- سیستم
- سیستم های
- جدول
- صورت گرفته
- کار
- تیم
- تیم ها
- فنی
- فن آوری
- پیشرفته
- قالب
- تنیس
- آزمون
- متن
- متن
- نسبت به
- که
- La
- منبع
- شان
- آنها
- سپس
- آنجا.
- از این رو
- اینها
- آنها
- اشیاء
- متفکر
- سوم
- این
- سه
- از طریق
- زمان
- سری زمانی
- تیتان
- به
- ابزار
- ابزار
- بالا
- جمع
- طرف
- مسیر
- رکورد
- مسیر
- دگرگونی
- مبدل
- سفر
- نوع
- به طور معمول
- اوبونتو
- زیر
- درک
- منحصر به فرد
- باز
- بدون ساختار
- آپلود شده
- آپلود
- استفاده
- استفاده کنید
- مورد استفاده
- استفاده
- کاربر
- سابقه کاربر
- کاربران
- استفاده
- با استفاده از
- ارزشمند
- ارزش
- تنوع
- مختلف
- وسیع
- از طريق
- بازدید
- جلد
- منتظر
- هشدار
- we
- وب
- خدمات وب
- بود
- چی
- چه زمانی
- چه
- که
- WHO
- بطور گسترده
- اراده
- پنجره
- با
- در داخل
- بدون
- کارگر
- کارگران
- گردش کار
- گردش کار
- کارگر
- با این نسخهها کار
- در سرتاسر جهان
- اشتباه
- سال
- هنوز
- بازده
- شما
- شما
- زفیرنت