Large Language Model (LLM) -agentit ovat ohjelmia, jotka laajentavat itsenäisten LLM:ien ominaisuuksia 1) pääsyllä ulkoisiin työkaluihin (API:t, toiminnot, webhookit, laajennukset ja niin edelleen) ja 2) kyvyllä suunnitella ja suorittaa tehtäviä itsenäisesti. -ohjattua muotia. Usein LLM:n on oltava vuorovaikutuksessa muiden ohjelmistojen, tietokantojen tai API:iden kanssa monimutkaisten tehtävien suorittamiseksi. Esimerkiksi kokouksia ajoittava hallinnollinen chatbot vaatisi pääsyn työntekijöiden kalentereihin ja sähköpostiin. Työkalujen avulla LLM-agentit voivat tulla tehokkaammiksi – lisämonimutkaisuuden kustannuksella.
Tässä viestissä esittelemme LLM-agentteja ja esittelemme kuinka luoda ja ottaa käyttöön verkkokaupan LLM-agentti käyttämällä Amazon SageMaker JumpStart ja AWS lambda. Agentti käyttää työkaluja tarjotakseen uusia ominaisuuksia, kuten vastatakseen palautuksia koskeviin kysymyksiin ("Onko palautukseni rtn001
käsitelty?”) ja päivityksiä tilauksista ("Voisitko kertoa minulle, jos tilaus 123456
on lähetetty?"). Nämä uudet ominaisuudet edellyttävät, että LLM:t hakevat tietoja useista tietolähteistä (orders
, returns
) ja suorittaa haun lisätyn sukupolven (RAG).
LLM-agentin tehostamiseksi käytämme a Flan-UL2
mallia käytetään a SageMaker-päätepiste ja käyttää AWS Lambdalla rakennettuja tiedonhakutyökaluja. Agentti voidaan myöhemmin integroida Amazon-Lex ja sitä käytetään chatbotina verkkosivustoilla tai AWS Connect. Päätämme postauksen asioihin, jotka on otettava huomioon ennen LLM-agenttien käyttöönottoa tuotantoon. AWS tarjoaa myös täysin hallitun kokemuksen LLM-agenttien rakentamisesta Amazon Bedrock -ominaisuuden agentit (esikatselussa).
Lyhyt katsaus LLM-agenttiarkkitehtuureihin
LLM-agentit ovat ohjelmia, jotka käyttävät LLM:itä päättääkseen, milloin ja miten työkaluja käytetään tarpeen mukaan monimutkaisten tehtävien suorittamiseen. Työkalujen ja tehtävien suunnittelukykyjen avulla LLM-agentit voivat olla vuorovaikutuksessa ulkopuolisten järjestelmien kanssa ja voittaa LLM:ien perinteiset rajoitukset, kuten tiedon katkaisut, hallusinaatiot ja epätarkat laskelmat. Työkaluilla voi olla erilaisia muotoja, kuten API-kutsuja, Python-funktioita tai webhook-pohjaisia laajennuksia. Esimerkiksi LLM voi käyttää "hakulaajennusta" hakeakseen asiaankuuluvan kontekstin ja suorittaakseen RAG:n.
Mitä sitten tarkoittaa, että LLM valitsee työkalut ja suunnittelee tehtäviä? Lähestymistapoja on monia (esim suhtautua, MRKL, työkalun muotoilija, HuggingGPTja Muuntajan agenttis) käyttää LLM:itä työkalujen kanssa, ja edistysaskel tapahtuu nopeasti. Mutta yksi yksinkertainen tapa on kysyä LLM:ltä luettelo työkaluista ja pyytää sitä määrittämään 1) tarvitaanko työkalua käyttäjän kyselyn tyydyttämiseen, ja jos tarvitaan, 2) valitse sopiva työkalu. Tällainen kehote näyttää tyypillisesti seuraavalta esimerkiltä ja voi sisältää muutamia esimerkkejä parantaakseen LLM:n luotettavuutta oikean työkalun valinnassa.
Monimutkaisempiin lähestymistapoihin kuuluu erikoistuneen LLM:n käyttö, joka voi purkaa suoraan "API-kutsut" tai "työkalun käytön", kuten esim. GorillaLLM. Tällaiset hienosäädetyt LLM:t on koulutettu API-määrittelytietosarjoihin tunnistamaan ja ennustamaan API-kutsut ohjeiden perusteella. Usein nämä LLM:t vaativat metatietoja käytettävissä olevista työkaluista (kuvaukset, yaml- tai JSON-skeema syöttöparametreilleen) työkalukutsujen tulostamiseksi. Tätä lähestymistapaa noudattaa Amazon Bedrockin edustajat ja OpenAI-funktiokutsut. Huomaa, että LLM:ien on yleensä oltava riittävän suuria ja monimutkaisia näyttääkseen työkalunvalintakyvyn.
Olettaen, että tehtävän suunnittelu ja työkalun valintamekanismit valitaan, tyypillinen LLM-agenttiohjelma toimii seuraavassa järjestyksessä:
- Käyttäjän pyyntö – Ohjelma ottaa käyttäjän syötteen, kuten "Missä on tilaukseni
123456
?” jostain asiakassovelluksesta. - Suunnittele seuraavat toimet ja valitse käytettävät työkalut – Seuraavaksi ohjelma käyttää kehotetta saadakseen LLM:n luomaan seuraavan toiminnon, esimerkiksi "Hae tilaustaulukko käyttämällä
OrdersAPI
.” LLM:tä pyydetään ehdottamaan työkalun nimeä, kutenOrdersAPI
ennalta määritetystä luettelosta käytettävissä olevista työkaluista ja niiden kuvauksista. Vaihtoehtoisesti LLM voidaan ohjeistaa generoimaan suoraan API-kutsu syöttöparametreilla, kutenOrdersAPI(12345)
.- Huomaa, että seuraavaan toimintoon saattaa liittyä työkalun tai API:n käyttö tai ei. Jos ei, LLM vastaa käyttäjän syötteisiin sisällyttämättä lisäkontekstia työkaluista tai palauttaa yksinkertaisesti valmiin vastauksen, kuten "En voi vastata tähän kysymykseen."
- Jäsennystyökalupyyntö – Seuraavaksi meidän on jäsennettävä ja vahvistettava LLM:n ehdottama työkalu/toimintoennuste. Validointia tarvitaan sen varmistamiseksi, että työkalujen nimet, API:t ja pyyntöparametrit eivät ole hallusinoituja ja että työkaluja kutsutaan oikein spesifikaatioiden mukaisesti. Tämä jäsentäminen saattaa vaatia erillisen LLM-kutsun.
- Kutsu työkalu – Kun työkalun oikeat nimet ja parametrit on varmistettu, käynnistämme työkalun. Tämä voi olla HTTP-pyyntö, toimintokutsu ja niin edelleen.
- Jäsennä tulos – Työkalun vastaus saattaa vaatia lisäkäsittelyä. Esimerkiksi API-kutsu voi johtaa pitkään JSON-vastaukseen, jossa vain osa kentistä kiinnostaa LLM:ää. Tietojen purkaminen puhtaassa, standardoidussa muodossa voi auttaa LLM:ää tulkitsemaan tuloksen luotettavammin.
- Tulkitse tulos – Työkalun tulosten perusteella LLM:tä pyydetään uudelleen ymmärtämään se ja päättämään, voiko se tuottaa lopullisen vastauksen takaisin käyttäjälle vai tarvitaanko lisätoimenpiteitä.
- Lopeta tai jatka vaiheeseen 2 – Palauta joko lopullinen vastaus tai oletusvastaus virheiden tai aikakatkaisujen sattuessa.
Eri agenttikehykset suorittavat edellisen ohjelmavirran eri tavalla. Esimerkiksi, suhtautua yhdistää työkalun valinnan ja lopullisen vastauksen luomisen yhdeksi kehotteeksi, toisin kuin erillisten kehotteiden käyttäminen työkalun valintaan ja vastausten luomiseen. Tämä logiikka voidaan myös suorittaa yhdellä kertaa tai ajaa while-lauseessa ("agenttisilmukka"), joka päättyy, kun lopullinen vastaus luodaan, poikkeus heitetään tai aikakatkaisu tapahtuu. Vakiintumatonta on se, että agentit käyttävät LLM:ää keskipisteenä suunnittelun ja työkalun kutsujen järjestämiseen, kunnes tehtävä päättyy. Seuraavaksi näytämme, kuinka yksinkertainen agenttisilmukka toteutetaan AWS-palveluiden avulla.
Ratkaisun yleiskatsaus
Tässä blogiviestissä otamme käyttöön verkkokaupan tuki LLM-agentin, joka tarjoaa kaksi työkaluilla toimivaa toimintoa:
- Palautustilan hakutyökalu – Vastaa palautusten tilaa koskeviin kysymyksiin, kuten "Mitä palautukselleni tapahtuu
rtn001
? " - Tilauksen tilan hakutyökalu – Seuraa tilausten tilaa, kuten "Mikä on tilaukseni tila
123456
? "
Agentti käyttää tehokkaasti LLM:ää kyselyreitittimenä. Annettu kysely ("Mikä on tilauksen tila 123456
?”), valitse sopiva hakutyökalu tehdäksesi kyselyitä useista tietolähteistä (eli palautuksista ja tilauksista). Suoritamme kyselyn reitityksen antamalla LLM:n valita useiden hakutyökalujen joukosta, jotka vastaavat vuorovaikutuksesta tietolähteen kanssa ja kontekstin hakemisesta. Tämä laajentaa yksinkertaista RAG-kuviota, joka olettaa yhden tietolähteen.
Molemmat hakutyökalut ovat Lambda-funktioita, jotka ottavat tunnuksen (orderId
or returnId
) syötteenä, hakee JSON-objektin tietolähteestä ja muuntaa JSONin ihmisystävälliseksi esitysmerkkijonoksi, joka sopii LLM:n käytettäväksi. Tietolähde todellisessa skenaariossa voisi olla erittäin skaalautuva NoSQL-tietokanta, kuten DynamoDB, mutta tämä ratkaisu käyttää yksinkertaista Pythonia Dict
näytetiedoilla esittelytarkoituksiin.
Muita toimintoja voidaan lisätä agenttiin lisäämällä hakutyökalut ja muokkaamalla kehotteita vastaavasti. Tämä agentti voidaan testata erillisenä palveluna, joka integroituu mihin tahansa käyttöliittymään HTTP:n kautta, mikä voidaan tehdä helposti Amazon-Lex.
Tässä on joitain lisätietoja avainkomponenteista:
- LLM-päätelmäpäätepiste – Agenttiohjelman ydin on LLM. Käytämme SageMaker JumpStart -säätiön mallikeskitintä ottaaksesi käyttöön helposti
Flan-UL2
malli. SageMaker JumpStartin avulla on helppoa ottaa käyttöön LLM-päätelmäpäätepisteet omistettuihin SageMaker tapauksissa. - Agenttiorkesteri - Agent orchestrator ohjaa vuorovaikutusta LLM:n, työkalujen ja asiakassovelluksen välillä. Ratkaisussamme käytämme AWS Lambda -toimintoa ohjaamaan tätä virtaa ja käytämme seuraavia aputoimintoina.
- Tehtävien (työkalujen) suunnittelija - Tehtäväsuunnittelija käyttää LLM:ää ehdottaakseen yhtä seuraavista: 1) palauttaa kyselyn, 2) tilauskyselyn tai 3) ei työkalua. Käytämme vain nopeaa suunnittelua ja
Flan-UL2
malli sellaisenaan ilman hienosäätöä. - työkalun jäsentäjä - Työkalun jäsentäjä varmistaa, että tehtäväsuunnittelijan työkaluehdotus on kelvollinen. Varsinkin varmistamme, että yksi
orderId
orreturnId
voidaan jäsentää. Muussa tapauksessa vastaamme oletusviestillä. - Työkalujen välittäjä - Työkalunvälittäjä kutsuu työkaluja (Lambda-funktioita) kelvollisilla parametreilla.
- Lähtö jäsennin - Lähtöjäsentäjä puhdistaa ja purkaa olennaiset kohteet JSONista ihmisen luettavaksi merkkijonoksi. Tämä tehtävä suoritetaan sekä kunkin hakutyökalun että orkestraattorin sisällä.
- Tulostulkki - Tulostulkin vastuulla on 1) tulkita työkalun kutsun tulos ja 2) määrittää, voidaanko käyttäjän pyyntö täyttää vai tarvitaanko lisätoimenpiteitä. Jos jälkimmäinen, lopullinen vastaus luodaan erikseen ja palautetaan käyttäjälle.
- Tehtävien (työkalujen) suunnittelija - Tehtäväsuunnittelija käyttää LLM:ää ehdottaakseen yhtä seuraavista: 1) palauttaa kyselyn, 2) tilauskyselyn tai 3) ei työkalua. Käytämme vain nopeaa suunnittelua ja
Sukellaanpa nyt hieman syvemmälle tärkeimpiin osiin: agenttiorkesteriin, tehtäväsuunnittelijaan ja työkalujen lähettäjiin.
Agenttiorkesteri
Alla on lyhennetty versio agenttisilmukasta agenttiorchestrator Lambda -funktion sisällä. Silmukka käyttää aputoimintoja, kuten task_planner
or tool_parser
, modularisoida tehtävät. Tässä oleva silmukka on suunniteltu toimimaan enintään kaksi kertaa, jotta LLM ei juuttuisi tarpeettoman pitkäksi silmukkaan.
Tehtävien suunnittelija (työkalun ennakointi)
Agenttiorkesteri käyttää task planner
ennustaa hakutyökalu käyttäjän syötteen perusteella. LLM-agenttimme tapauksessa käytämme yksinkertaisesti nopeaa suunnittelua ja muutamia pikakehotteita opettaaksemme LLM:lle tämän tehtävän kontekstissa. Kehittyneemmät agentit voisivat käyttää hienosäädettyä LLM:ää työkalujen ennustamiseen, mikä ei kuulu tämän viestin piiriin. Kehote on seuraava:
Työkalujen lähettäjä
Työkalun lähetysmekanismi toimii if/else
logiikka kutsua sopivia Lambda-funktioita työkalun nimestä riippuen. Seuraava on tool_dispatch
aputoiminnon toteutus. Sitä käytetään sisällä agent
silmukan ja palauttaa työkalun lambda-funktion raakavasteen, jonka sitten puhdistaa an output_parser
toiminto.
Ota ratkaisu käyttöön
Tärkeät edellytykset – Jotta voit aloittaa käyttöönoton, sinun on täytettävä seuraavat edellytykset:
- Pääsy AWS-hallintakonsoli sellaisen käyttäjän kautta, joka voi käynnistää AWS CloudFormation -pinot
- Navigointiin perehtyminen AWS Lambda ja Amazon-Lex konsolit
Flan-UL2
vaatii yhdenml.g5.12xlarge
käyttöönottoa varten, mikä saattaa edellyttää resurssirajojen lisäämistä a lipputuki. Esimerkissämme käytämmeus-east-1
alueena, joten muista lisätä palvelukiintiötä (tarvittaessa).us-east-1
.
Ota käyttöön CloudFormationin avulla – Voit ottaa ratkaisun käyttöön us-east-1
klikkaamalla alla olevaa painiketta:
Ratkaisun käyttöönotto kestää noin 20 minuuttia ja luo a LLMAgentStack
pino, joka:
- ottaa käyttöön SageMaker-päätepisteen käyttämällä
Flan-UL2
malli SageMaker JumpStartilta; - käyttää kolmea lambdatoimintoa:
LLMAgentOrchestrator
,LLMAgentReturnsTool
,LLMAgentOrdersTool
, Ja - ottaa käyttöön an AWS Lex botti, jota voidaan käyttää agentin testaamiseen:
Sagemaker-Jumpstart-Flan-LLM-Agent-Fallback-Bot
.
Testaa ratkaisu
Pino ottaa käyttöön Amazon Lex -botin, jolla on nimi Sagemaker-Jumpstart-Flan-LLM-Agent-Fallback-Bot
. Bottia voidaan käyttää agentin testaamiseen päästä päähän. Tässä on kattava lisäopas AWS Amazon Lex -bottien testaamiseen Lambda-integraatiolla ja kuinka integraatio toimii korkealla tasolla. Mutta lyhyesti sanottuna Amazon Lex -botti on resurssi, joka tarjoaa nopean käyttöliittymän keskustellaksesi LLM-agentin kanssa, joka toimii rakentamassamme Lambda-toiminnossa (LLMAgentOrchestrator
).
Harkittavat esimerkkitestitapaukset ovat seuraavat:
- Voimassa oleva tilauskysely (esimerkiksi "Mikä tuote tilattiin
123456
? ”)- Tilaus “123456” on kelvollinen tilaus, joten odotamme järkevää vastausta (esim. “Yrttikäsisaippua”)
- Voimassa oleva palautuskysely palautusta varten (esimerkiksi "Milloin palaan
rtn003
käsitelty?")- Meidän pitäisi odottaa kohtuullista vastausta palautuksen tilasta.
- Ei merkitystä palautuksille tai tilauksille (esimerkiksi "Kuinka on sää Skotlannissa juuri nyt?")
- Epäolennainen kysymys palautuksille tai tilauksille, joten oletusvastaus tulee palauttaa ("Anteeksi, en voi vastata tähän kysymykseen.")
- Virheellinen tilauskysely (esimerkiksi "Mikä tuote tilattiin
383833
? ”)- Tunnusta 383832 ei ole tilaustietojoukossa, joten meidän pitäisi epäonnistua sulavasti (esimerkiksi "Tilausta ei löydy. Tarkista tilaustunnuksesi.")
- Virheellinen palautuskysely (esimerkiksi "Milloin palaan
rtn123
käsitelty?")- Samoin id
rtn123
ei ole palautustietojoukossa, joten sen pitäisi epäonnistua sulavasti.
- Samoin id
- Asiaton palautuskysely (esimerkiksi "Mikä on tuoton vaikutus?
rtn001
maailmanrauhasta?")- Tämä kysymys, vaikka se näyttää liittyvän pätevään järjestykseen, on merkityksetön. LLM:ää käytetään suodattamaan kysymyksiä, joilla ei ole merkitystä.
Jos haluat suorittaa nämä testit itse, tässä ovat ohjeet.
- Amazon Lex -konsolissa (AWS-konsoli > Amazon Lex), siirry bottiin, jonka otsikko on
Sagemaker-Jumpstart-Flan-LLM-Agent-Fallback-Bot
. Tämä botti on jo määritetty soittamaanLLMAgentOrchestrator
Lambda toimii ainaFallbackIntent
käynnistyy. - Valitse siirtymisruudussa intents.
- Valita Rakentaa oikeassa yläkulmassa
- 4. Odota, että rakennusprosessi on valmis. Kun se on valmis, saat onnistumisviestin, kuten seuraavassa kuvakaappauksessa näkyy.
- Testaa botti syöttämällä testitapaukset.
Uudelleenjärjestäminen
Vältä lisäkuluja poistamalla ratkaisumme luomat resurssit seuraavasti:
- On AWS-pilven muodostuminen konsoli, valitse pino nimeltä
LLMAgentStack
(tai valitsemasi mukautettu nimi). - Valita Poista
- Tarkista, että pino on poistettu CloudFormation-konsolista.
Tärkeää: tarkista, että pino on poistettu onnistuneesti varmistamalla, että Flan-UL2
päätelmäpäätepiste poistetaan.
- Tarkistaaksesi, siirry osoitteeseen AWS-konsoli > Sagemaker > Päätepisteet > Päätelmä sivu.
- Sivulla tulee luetella kaikki aktiiviset päätepisteet.
- Varmistaa
sm-jumpstart-flan-bot-endpoint
ei ole olemassa kuten alla oleva kuvakaappaus.
Tuotannon huomioitavaa
LLM-agenttien käyttöönotto tuotannossa edellyttää lisätoimenpiteitä luotettavuuden, suorituskyvyn ja ylläpidettävyyden varmistamiseksi. Tässä muutamia huomioita ennen agenttien käyttöönottoa tuotannossa:
- LLM-mallin valitseminen agenttisilmukan tehostamiseksi: Tässä viestissä käsiteltyä ratkaisua varten käytimme a
Flan-UL2
malli ilman hienosäätöä tehtävien suunnittelua tai työkalujen valintaa varten. Käytännössä suoraan työkalu- tai API-pyyntöihin hienosäädetyn LLM:n käyttäminen voi lisätä luotettavuutta ja suorituskykyä sekä yksinkertaistaa kehitystä. Voisimme hienosäätää LLM:ää työkalunvalintatehtävissä tai käyttää mallia, joka purkaa suoraan työkalutunnisteet, kuten Toolformer.- Hienosäädettyjen mallien käyttäminen voi myös yksinkertaistaa agentin käytettävissä olevien työkalujen lisäämistä, poistamista ja päivittämistä. Pelkästään kehotteisiin perustuvissa lähestymistavoissa työkalujen päivitys edellyttää kaikkien agenttiorganisaattorin sisällä olevien kehotteiden muokkaamista, kuten tehtävien suunnittelua, työkalun jäsentämistä ja työkalujen lähettämistä koskevia kehotteita. Tämä voi olla hankalaa, ja suorituskyky voi heikentyä, jos LLM:n yhteydessä tarjotaan liian monta työkalua.
- Luotettavuus ja suorituskyky: LLM-agentit voivat olla epäluotettavia, etenkin monimutkaisissa tehtävissä, joita ei voida suorittaa muutamassa silmukassa. Tuotteiden vahvistusten, uudelleenyritysten lisääminen, LLM-tulosteiden strukturointi JSON- tai yaml-muotoon ja aikakatkaisujen pakottaminen, jotta silmukoissa juuttuneet LLM:t voidaan tarjota, voidaan parantaa luotettavuutta.
Yhteenveto
Tässä viestissä tutkimme, kuinka rakentaa LLM-agentti, joka voi hyödyntää useita työkaluja alusta alkaen käyttämällä rakennuspalikoina matalan tason ohjesuunnittelua, AWS Lambda -toimintoja ja SageMaker JumpStartia. Keskustelimme LLM-agenttien arkkitehtuurista ja agenttisilmukasta yksityiskohtaisesti. Tässä blogiviestissä esitellyt käsitteet ja ratkaisuarkkitehtuuri voivat sopia agenteille, jotka käyttävät pientä määrää ennalta määritettyjä työkaluja. Keskustelimme myös useista strategioista aineiden käyttämiseksi tuotannossa. Agents for Bedrock, joka on esikatselussa, tarjoaa myös hallitun kokemuksen agenttien rakentamiseen, joka tukee agenttityökalujen kutsuja.
kirjailijasta
John Hwang on AWS:n generatiivinen tekoälyarkkitehti, joka keskittyy erityisesti Large Language Model (LLM) -sovelluksiin, vektoritietokantoihin ja generatiiviseen AI-tuotestrategiaan. Hän on intohimoinen auttaa yrityksiä AI/ML-tuotekehityksessä sekä LLM-agenttien ja perämiesten tulevaisuudessa. Ennen AWS:ään liittymistään hän oli tuotepäällikkönä Alexassa, jossa hän auttoi tuomaan keskustelupohjaista tekoälyä mobiililaitteisiin, sekä johdannaiskauppiaana Morgan Stanleyssä. Hän on suorittanut tietojenkäsittelytieteen BS:n Stanfordin yliopistosta.
- SEO-pohjainen sisällön ja PR-jakelu. Vahvista jo tänään.
- PlatoData.Network Vertical Generatiivinen Ai. Vahvista itseäsi. Pääsy tästä.
- PlatoAiStream. Web3 Intelligence. Tietoa laajennettu. Pääsy tästä.
- PlatoESG. Autot / sähköautot, hiili, CleanTech, energia, ympäristö, Aurinko, Jätehuolto. Pääsy tästä.
- PlatonHealth. Biotekniikan ja kliinisten kokeiden älykkyys. Pääsy tästä.
- ChartPrime. Nosta kaupankäyntipeliäsi ChartPrimen avulla. Pääsy tästä.
- BlockOffsets. Ympäristövastuun omistuksen nykyaikaistaminen. Pääsy tästä.
- Lähde: https://aws.amazon.com/blogs/machine-learning/learn-how-to-build-and-deploy-tool-using-llm-agents-using-aws-sagemaker-jumpstart-foundation-models/
- :on
- :On
- :ei
- :missä
- $ YLÖS
- 1
- 100
- 15%
- 19
- 20
- 200
- 24
- 27
- 500
- 7
- 9
- a
- kyvyt
- kyky
- Meistä
- pääsy
- suorittaa
- Mukaan
- sen mukaisesti
- poikki
- Toiminta
- toimet
- aktiivinen
- lisä-
- lisää
- lisä-
- hallinnollinen
- edistysaskeleet
- Jälkeen
- uudelleen
- Agentti
- aineet
- AI
- AI / ML
- Alexa
- Kaikki
- jo
- Myös
- Amazon
- Amazon-Lex
- Amazon Web Services
- keskuudessa
- määrä
- an
- ja
- vastaus
- Kaikki
- api
- API
- sovelluksen
- Hakemus
- sovellukset
- lähestymistapa
- lähestymistavat
- sopiva
- arkkitehtuuri
- OVAT
- AS
- kysyä
- olettaa
- At
- täydennetty
- saatavissa
- välttää
- AWS
- AWS Lambda
- takaisin
- perustua
- BE
- tulevat
- ollut
- ennen
- ovat
- alle
- Berkeley
- Jälkeen
- Bitti
- Blocks
- Uutiset ja media
- elin
- Bot
- sekä
- botit
- tuoda
- rakentaa
- Rakentaminen
- rakennettu
- liiketoiminta
- mutta
- nappia
- by
- laskelmat
- kalenterit
- soittaa
- Puhelut
- CAN
- ei voi
- kyvyt
- tapaus
- tapauksissa
- maksut
- chatbot
- tarkastaa
- Valita
- valittu
- asiakas
- yhdistää
- Yritykset
- täydellinen
- Valmistunut
- monimutkainen
- monimutkaisuus
- osat
- kattava
- tietokone
- Tietojenkäsittelyoppi
- käsitteet
- päättelee
- määritetty
- Harkita
- näkökohdat
- Console
- vakio
- tausta
- jatkaa
- puhekielen
- keskusteleva AI
- Ydin
- Hinta
- voisi
- luoda
- luotu
- hankala
- asiakassuhde
- tiedot
- tietokanta
- tietokannat
- aineistot
- päivää
- päättää
- omistautunut
- syvempää
- oletusarvo
- määritelmät
- esittely
- osoittaa
- Riippuen
- sijoittaa
- käyttöön
- levityspinnalta
- käyttöönotto
- lauennut
- Johdannaiset
- suunniteltu
- yksityiskohta
- yksityiskohdat
- Määrittää
- Kehitys
- Laitteet
- suoraan
- keskusteltiin
- sukellus
- do
- ei
- tehty
- ajaa
- e
- verkkokaupan
- kukin
- helposti
- helppo
- tehokkaasti
- myöskään
- muu
- työllistää
- päittäin
- päätepiste
- täytäntöön
- Tekniikka
- parantaa
- varmistaa
- varmistettu
- varmistaa
- varmistamalla
- kirjoittamalla
- oikeus
- virhe
- virheet
- paeta
- erityisesti
- jne.
- tapahtuma
- Joka
- esimerkki
- Esimerkit
- Paitsi
- poikkeus
- suorittaa
- olla
- odottaa
- experience
- tutkitaan
- laajentaa
- ulottuu
- ulkoinen
- lisää
- otteet
- FAIL
- väärä
- Muoti
- Ominaisuus
- harvat
- Fields
- suodattaa
- lopullinen
- virtaus
- Keskittää
- jälkeen
- seuraa
- varten
- muoto
- lomakkeet
- löytyi
- perusta
- puitteet
- ystävällinen
- alkaen
- Täyttää
- täysin
- toiminto
- toiminnallisuudet
- tehtävät
- tulevaisuutta
- yleensä
- tuottaa
- syntyy
- sukupolvi
- generatiivinen
- Generatiivinen AI
- saada
- tietty
- Go
- Maa
- ohjaavat
- Happening
- luukut
- Olla
- ottaa
- he
- auttaa
- auttanut
- auttaa
- siten
- tätä
- hi
- Korkea
- erittäin
- pitää
- TUNTIA
- Miten
- Miten
- HTML
- http
- HTTPS
- Napa
- ihmisen
- luettavaan
- i
- ID
- if
- Vaikutus
- toteuttaa
- täytäntöönpano
- tuonti
- parantaa
- in
- sisältää
- sisältävät
- Kasvaa
- lisää
- tiedot
- panos
- tutkimus
- sisällä
- ohjeet
- integroitu
- integroi
- integraatio
- tahallisuus
- olla vuorovaikutuksessa
- vuorovaikutuksessa
- vuorovaikutukset
- korko
- tulee
- esitellä
- käyttöön
- kutsuttuihin
- vedotaan
- aiheuttaa
- IT
- kohdetta
- toistojen
- tuloaan
- jpg
- json
- avain
- tuntemus
- Kieli
- suuri
- käynnistää
- OPPIA
- Taso
- pitää
- rajoitukset
- rajat
- Lista
- OTK
- logiikka
- Pitkät
- ulkonäkö
- tehdä
- TEE
- onnistui
- johto
- johtaja
- monet
- Saattaa..
- me
- tarkoittaa
- mekanismi
- mekanismit
- kokoukset
- viesti
- Metadata
- minuuttia
- Puhelinnumero
- mobiililaitteet
- malli
- mallit
- lisää
- Morgan
- morgan stanley
- eniten
- moninkertainen
- my
- nimi
- nimetty
- nimet
- syntyperäinen
- Navigoida
- navigointi
- suunnistus
- välttämätön
- Tarve
- tarvitaan
- Uusi
- seuraava
- Nro
- Ei eristetty
- etenkin
- nyt
- numero
- useat
- objekti
- of
- usein
- on
- kerran
- ONE
- vain
- vastakkainen
- or
- tilata
- määräys
- Muut
- muuten
- meidän
- ulos
- ulostulo
- ulkopuolella
- yli
- Voittaa
- yleiskatsaus
- sivulla
- lasi
- parametrit
- kulkea
- intohimoinen
- Kuvio
- rauha
- odotettaessa
- Suorittaa
- suorituskyky
- poimia
- poimitaan
- suunnitelma
- suunnittelu
- Platon
- Platonin tietotieto
- PlatonData
- Ole hyvä
- liitännäiset
- politiikka
- Kirje
- teho
- powered
- harjoitusta.
- ennustaa
- ennustus
- edellytyksiä
- estää
- preview
- edellinen
- Aikaisempi
- prosessi
- Käsitelty
- käsittely
- Tuotteet
- tuotekehitys
- tuotepäällikkö
- tuotanto
- Ohjelma
- Ohjelmat
- asianmukaisesti
- toimittaa
- mikäli
- tarjoaa
- tarjoamalla
- tarkoituksiin
- Python
- kysymys
- kysymykset
- nopea
- nostaa
- nopeasti
- raaka
- todellinen maailma
- kohtuullinen
- tunnistaa
- palauttaa
- alue
- merkityksellinen
- luotettavuus
- jäännökset
- poistettu
- poistamalla
- edustus
- pyyntö
- pyynnöt
- edellyttää
- tarvitaan
- Vaatii
- resurssi
- Esittelymateriaalit
- Vastata
- vastaus
- vastuu
- vastuullinen
- johtua
- palata
- palaavat
- Tuotto
- oikein
- reititin
- reititys
- ajaa
- juoksu
- s
- sagemaker
- vakuuttunut
- skaalautuva
- skenaario
- tiede
- laajuus
- Haku
- näyttää
- valittu
- valinta
- itseohjautuvaa
- tunne
- erillinen
- Järjestys
- palvelu
- Palvelut
- setti
- useat
- toimitetaan
- Lähetys
- Lyhyt
- laukaus
- shouldnt
- näyttää
- esitetty
- Yksinkertainen
- yksinkertaistaa
- yksinkertaisesti
- single
- pieni
- So
- Tuotteemme
- ratkaisu
- jonkin verran
- hienostunut
- lähde
- Lähteet
- erityinen
- erikoistunut
- erityinen
- määrittely
- pino
- itsenäinen
- Stanford
- Stanfordin yliopisto
- Stanley
- Alkaa
- alkoi
- Lausunto
- Tila
- Vaihe
- Askeleet
- stop
- verkkokaupasta
- strategiat
- Strategia
- jono
- jäsentäminen
- Myöhemmin
- menestys
- Onnistuneesti
- niin
- ehdottaa
- sopiva
- tuki
- varma
- järjestelmät
- taulukko
- ottaa
- otettava
- vie
- ottaen
- Tehtävä
- tehtävät
- kertoa
- testi
- testattu
- Testaus
- testit
- että
- -
- Tulevaisuus
- heidän
- sitten
- Siellä.
- Nämä
- tätä
- ne
- kolmella
- Näin
- kertaa
- että
- tokens
- liian
- työkalu
- työkalut
- ylin
- Yhteensä
- raita
- kauppias
- perinteinen
- koulutettu
- laukeaa
- yrittää
- kaksi
- tyypillinen
- tyypillisesti
- ui
- yliopisto
- turhaan
- asti
- Päivitykset
- päivittäminen
- käyttää
- käytetty
- käyttäjä
- käyttötarkoituksiin
- käyttämällä
- käyttää
- VAHVISTA
- validointi
- lajike
- versio
- kautta
- odottaa
- oli
- Tapa..
- we
- Sää
- verkko
- verkkopalvelut
- sivustot
- HYVIN
- Mitä
- Mikä on
- kun
- aina kun
- onko
- joka
- vaikka
- KUKA
- tulee
- with
- sisällä
- ilman
- toimii
- maailman-
- olisi
- yaml
- Voit
- Sinun
- itse
- zephyrnet