Suuret kielimallit (LLM) voivat laajalla tietämyksensä avulla luoda ihmisen kaltaista tekstiä melkein mistä tahansa aiheesta. Heidän koulutusnsa massiivisten tietojoukkojen parissa rajoittaa kuitenkin myös niiden hyödyllisyyttä erikoistehtävissä. Ilman jatkuvaa oppimista nämä mallit ovat tietämättömiä uusista tiedoista ja suuntauksista, jotka tulevat esiin niiden peruskoulutuksen jälkeen. Lisäksi uusien LLM:ien kouluttamisesta aiheutuvat kustannukset voivat osoittautua kohtuuttomiksi monissa yritysympäristöissä. On kuitenkin mahdollista viitata mallivastaukseen alkuperäisen erikoissisällön kanssa, jolloin vältetään tarve kouluttaa uutta LLM-mallia käyttämällä Retrieval-Augmented Generation (RAG) -tekniikkaa.
RAG antaa LLM:ille mahdollisuuden hankkia ja sisällyttää ulkoista tietoa. Sen sijaan, että luottaisivat pelkästään esikoulutettuun tietoonsa, RAG sallii mallien poimia tietoja asiakirjoista, tietokannoista ja muusta. Malli sitten integroi tämän ulkopuolisen tiedon taitavasti luomaansa tekstiin. Hankkimalla kontekstirelevanttia dataa malli voi tarjota tietoon perustuvia, ajantasaisia vastauksia, jotka on räätälöity käyttötapaukseesi. Tietojen lisääminen vähentää myös hallusinaatioiden ja epätarkan tai järjettömän tekstin todennäköisyyttä. RAG:n avulla perustusmalleista tulee mukautuvia asiantuntijoita, jotka kehittyvät tietopohjasi kasvaessa.
Tänään olemme innoissamme voidessamme julkistaa kolme generatiivista tekoälydemoa, jotka on lisensoitu alla MIT-0 lisenssi:
- Amazon Kendra ja perustavanlaatuinen LLM - Hyödyntää syvähakuominaisuuksia Amazon Kendra yhdistettynä laajaan LLM-tietoon. Tämä integrointi tarjoaa tarkat ja kontekstitietoiset vastaukset monimutkaisiin kyselyihin hyödyntämällä useista eri lähteistä.
- Upotusmalli perustavan LLM:n kanssa – Yhdistää upotusten voiman – tekniikan, jolla vangitaan sanojen ja lauseiden semanttiset merkitykset – LLM:n laajaan tietopohjaan. Tämä synergia mahdollistaa tarkemman aiheen mallintamisen, sisältösuosituksen ja semanttiset hakuominaisuudet.
- Foundation Models Pharma Ad Generator – Erikoissovellus, joka on räätälöity lääketeollisuudelle. Tämä työkalu hyödyntää perusmallien luovia ominaisuuksia ja luo vakuuttavia ja vaatimustenmukaisia lääkemainoksia ja varmistaa, että sisältö noudattaa alan standardeja ja määräyksiä.
Nämä demot voidaan ottaa saumattomasti käyttöön AWS-tililläsi, ja ne tarjoavat perustavanlaatuisia näkemyksiä ja ohjeita AWS-palvelujen käyttämiseen huippuluokan LLM:n luovan tekoälyn kysymys- ja vastausbottien ja sisällön luomiseen.
Tässä viestissä tutkimme, kuinka RAG yhdistettynä Amazon Kendraan tai mukautettuihin upotuksiin voi voittaa nämä haasteet ja tarjota hienostuneita vastauksia luonnollisen kielen kyselyihin.
Ratkaisun yleiskatsaus
Ottamalla tämän ratkaisun käyttöön voit saada seuraavat edut:
- Parannettu tiedon saanti – RAG antaa malleille mahdollisuuden saada tietoa laajoista ulkoisista lähteistä, mikä voi olla erityisen hyödyllistä, kun esikoulutetun mallin tieto on vanhentunutta tai puutteellista.
- skaalautuvuus – Sen sijaan, että mallin kouluttauduttaisiin kaikkeen saatavilla olevaan tietoon, RAG sallii mallien hakea oleellista tietoa lennossa. Tämä tarkoittaa, että kun uutta tietoa tulee saataville, se voidaan lisätä hakutietokantaan ilman, että koko mallia tarvitsee kouluttaa uudelleen.
- Muistin tehokkuus – LLM:t vaativat paljon muistia parametrien tallentamiseen. RAG:n avulla malli voi olla pienempi, koska sen ei tarvitse muistaa kaikkia yksityiskohtia; se voi hakea ne tarvittaessa.
- Dynaaminen tiedon päivitys – Toisin kuin perinteisissä malleissa, joissa on asetettu tietopäätepiste, RAG:n ulkoinen tietokanta voidaan päivittää säännöllisesti, mikä antaa mallille pääsyn ajantasaiseen tietoon. Hakutoimintoa voidaan hienosäätää eri tehtäviin. Esimerkiksi lääketieteellinen diagnostinen tehtävä voi saada tietoja lääketieteellisistä aikakauslehdistä, mikä varmistaa, että malli kerää asiantuntevia ja asiaankuuluvia oivalluksia.
- Biasin lieventäminen – Mahdollisuus hyödyntää hyvin kuratoidusta tietokannasta tarjoaa mahdollisuuden minimoida harhoja varmistamalla tasapainoiset ja puolueettomat ulkoiset lähteet.
Ennen kuin sukeltaa Amazon Kendran integrointiin perustavanlaatuisten LLM-yritysten kanssa, on erittäin tärkeää varustaa itsesi tarvittavilla työkaluilla ja järjestelmävaatimuksilla. Oikeat asetukset ovat ensimmäinen askel kohti demojen saumatonta käyttöönottoa.
Edellytykset
Sinulla tulee olla seuraavat edellytykset:
Vaikka tässä opetusohjelmassa kuvattu infrastruktuuri on mahdollista määrittää ja ottaa käyttöön paikalliselta tietokoneeltasi, AWS-pilvi9 tarjoaa kätevän vaihtoehdon. Esivarustettu työkaluilla, kuten AWS CLI, AWS CDK ja Docker, AWS Cloud9 voi toimia käyttöönottotyöasemana. Voit käyttää tätä palvelua yksinkertaisesti perustaa ympäristöä kautta AWS Cloud9 -konsoli.
Kun edellytykset ovat poissa tieltä, sukeltakaamme Amazon Kendran ominaisuuksiin ja ominaisuuksiin perustavanlaatuisten LLM:ien kanssa.
Amazon Kendra ja perustavanlaatuinen LLM
Amazon Kendra on edistynyt yrityshakupalvelu, jota on tehostettu koneoppimisella (ML), joka tarjoaa valmiita semanttisia hakuominaisuuksia. Luonnollisen kielen prosessointia (NLP) hyödyntäen Amazon Kendra ymmärtää sekä asiakirjojen sisällön että käyttäjien kyselyiden taustalla olevat tarkoitukset ja sijoittaa sen sisällönhakutyökaluksi RAG-pohjaisille ratkaisuille. Käyttämällä Kendran erittäin tarkkaa hakusisältöä RAG-hyötykuormana voit saada parempia LLM-vastauksia. Amazon Kendran käyttö tässä ratkaisussa mahdollistaa myös yksilöllisen haun suodattamalla vastaukset loppukäyttäjien sisällön käyttöoikeuksien mukaan.
Seuraava kaavio esittää RAG-lähestymistapaa käyttävän generatiivisen tekoälysovelluksen arkkitehtuurin.
Amazon Kendra käsittelee ja indeksoi asiakirjat -palvelun kautta Amazonin yksinkertainen tallennuspalvelu (Amazon S3) liitin. Amazon Kendran asiakaspyynnöt ja kontekstuaaliset tiedot ohjataan osoitteeseen Amazonin kallioperä pohjamalli. Demon avulla voit valita Amazonin Titan-, AI21:n Jurassic- ja Anthropicin Claude-mallien välillä, joita Amazon Bedrock tukee. Keskusteluhistoria tallennetaan sisään Amazon DynamoDB, joka tarjoaa lisäkontekstia LLM:lle vastausten luomiseen.
Olemme toimittaneet tämän esittelyn GitHub repo. Katso readme-tiedoston käyttöönotto-ohjeet sen käyttöönotosta AWS-tilillesi.
Seuraavat vaiheet kuvaavat prosessia, kun käyttäjä on vuorovaikutuksessa generatiivisen tekoälysovelluksen kanssa:
- Käyttäjä kirjautuu sisään verkkosovellukseen, jonka todennus on tehnyt Amazon Cognito.
- Käyttäjä lataa yhden tai useamman asiakirjan Amazon S3:een.
- Käyttäjä suorittaa Amazon Kendra -synkronointityön S3-asiakirjojen syöttämiseksi Amazon Kendra -hakemistoon.
- Käyttäjän kysymys reititetään suojatun WebSocket API:n kautta Amazon API -yhdyskäytävä jota tukee a AWS Lambda toiminto.
- Lambda-toiminto, jonka voimanlähteenä on LangChain framework – monipuolinen työkalu, joka on suunniteltu tekoälyn kielimallien ohjaamien sovellusten luomiseen – muodostaa yhteyden Amazon Bedrockin päätepisteeseen ja muotoilee käyttäjän kysymyksen uudelleen keskusteluhistorian perusteella. Uudelleenmuotoilun jälkeen kysymys välitetään Amazon Kendralle Retrieve API:n avulla. Vastauksena Amazon Kendra -hakemisto näyttää hakutulokset ja tarjoaa otteita asiaankuuluvista asiakirjoista, jotka on peräisin yrityksen syötetyistä tiedoista.
- Käyttäjän kysymys sekä hakemistosta haetut tiedot lähetetään kontekstina LLM-kehotteessa. LLM:n vastaus tallennetaan chat-historiana DynamoDB:hen.
- Lopuksi vastaus LLM:ltä lähetetään takaisin käyttäjälle.
Asiakirjojen indeksoinnin työnkulku
Asiakirjojen käsittely- ja indeksointimenettely on seuraava:
- Käyttäjät lähettävät asiakirjoja käyttöliittymän (UI) kautta.
- Asiakirjat siirretään S3-ämpäriin käyttämällä AWS vahvistaa API.
- Amazon Kendra indeksoi uudet asiakirjat S3-ämpäriin Amazon Kendra S3 -liittimen kautta.
Hyödyt
Seuraava luettelo korostaa tämän ratkaisun etuja:
- Yritystason haku – Amazon Kendra on suunniteltu yrityshakuun, joten se sopii organisaatioille, joilla on valtava määrä strukturoitua ja strukturoimatonta dataa.
- Semanttinen ymmärrys – Amazon Kendran ML-ominaisuudet varmistavat, että haku perustuu syvään semanttiseen ymmärrykseen eikä vain avainsanaosuuksiin.
- skaalautuvuus – Amazon Kendra pystyy käsittelemään suuria tietolähteitä ja tarjoaa nopeita ja osuvia hakutuloksia.
- Joustavuus – Perusmalli voi tuottaa vastauksia monenlaisiin konteksteihin, mikä varmistaa järjestelmän monipuolisuuden.
- Integrointimahdollisuudet – Amazon Kendra voidaan integroida erilaisiin AWS-palveluihin ja tietolähteisiin, mikä tekee siitä mukautuvan erilaisiin organisaation tarpeisiin.
Upotusmalli perustavan LLM:n kanssa
An upottamisen on numeerinen vektori, joka edustaa erilaisten tietotyyppien ydintä, mukaan lukien tekstiä, kuvia, ääntä ja asiakirjoja. Tämä esitys ei ainoastaan kaappaa tietojen luontaista merkitystä, vaan myös mukauttaa sen monenlaisiin käytännön sovelluksiin. Mallien, ML:n haaran, upottaminen muuntaa monimutkaisia tietoja, kuten sanoja tai lauseita, jatkuviin vektoriavaruuksiin. Nämä vektorit ymmärtävät luonnostaan datan väliset semanttiset yhteydet, mikä mahdollistaa syvemmän ja oivaltavamman vertailun.
RAG yhdistää saumattomasti perustavanlaatuisten mallien, kuten muuntajien, vahvuudet upotusten tarkkuuteen, jotta se voi seuloa olennaisia tietoja laajoista tietokannoista. Kun järjestelmä vastaanottaa kyselyn, se käyttää upotuksia tunnistaakseen ja poimiakseen asiaankuuluvat osiot laajasta tietojoukosta. Perusmalli muotoilee sitten kontekstuaalisesti tarkan vastauksen näiden poimittujen tietojen perusteella. Tämä täydellinen synergia tiedonhaun ja vastausten luomisen välillä antaa järjestelmän tarjota perusteellisia vastauksia laajoihin tietokantoihin tallennetun laajan tiedon pohjalta.
Arkkitehtonisessa asettelussa käyttäjät ohjataan käyttöliittymävalintansa perusteella joko Amazonin kallioperään tai Amazon SageMaker JumpStart perusmallit. Asiakirjat käsitellään, ja vektori upotukset tuotetaan upotusmallilla. Nämä upotukset indeksoidaan sitten käyttämällä FAISS mahdollistaa tehokkaan semanttisen haun. Keskusteluhistoriat säilytetään DynamoDB:ssä, mikä rikastuttaa LLM:n kontekstia vastausten laatimiseen.
Seuraava kaavio havainnollistaa ratkaisun arkkitehtuuria ja työnkulkua.
Olemme toimittaneet tämän esittelyn GitHub repo. Katso readme-tiedoston käyttöönotto-ohjeet sen käyttöönotosta AWS-tilillesi.
Upotusmalli
Upotusmallin vastuut ovat seuraavat:
- Tämä malli vastaa tekstin (kuten asiakirjojen tai kohtien) muuntamisesta tiheiksi vektoriesitysiksi, jotka tunnetaan yleisesti upotuksina.
- Nämä upotukset vangitsevat tekstin semanttisen merkityksen, mikä mahdollistaa tehokkaan ja semanttisesti merkityksellisen vertailun eri tekstiosien välillä.
- Upotusmallia voidaan kouluttaa samalle laajalle aineistolle kuin perusmalli, tai se voi olla erikoistunut tietyille aloille.
Q&A-työnkulku
Seuraavat vaiheet kuvaavat asiakirjoihin vastaamisen työnkulkua:
- Käyttäjä kirjautuu sisään Amazon Cogniton todennettuun verkkosovellukseen.
- Käyttäjä lataa yhden tai useamman asiakirjan Amazon S3:een.
- Asiakirjan siirron yhteydessä S3-tapahtumailmoitus laukaisee Lambda-toiminnon, joka sitten kutsuu SageMakerin upotusmallin päätepistettä luodakseen upotuksia uudelle asiakirjalle. Upotusmalli muuntaa kysymyksen tiheäksi vektoriesitykseen (upotus). Tuloksena oleva vektoritiedosto tallennetaan turvallisesti S3-ämpäriin.
- FAISS-noutaja vertaa tätä kysymyksen upottamista tietokannan kaikkien asiakirjojen tai kohtien upotuksiin löytääkseen tärkeimmät kohdat.
- Kohdat sekä käyttäjän kysymys tarjotaan kontekstina perusmallille. Lambda-funktio käyttää LangChain-kirjastoa ja muodostaa yhteyden Amazon Bedrock- tai SageMaker JumpStart -päätepisteeseen kontekstilla täytetyllä kyselyllä.
- LLM:n vastaus tallennetaan DynamoDB:hen yhdessä käyttäjän kyselyn, aikaleiman, yksilöllisen tunnisteen ja muiden mielivaltaisten kohteen tunnisteiden, kuten kysymysluokan, kanssa. Kun kysymys ja vastaus tallennetaan erillisinä kohteina, Lambda-toiminto voi helposti luoda uudelleen käyttäjän keskusteluhistorian kysymysten esittämisajankohdan perusteella.
- Lopuksi vastaus lähetetään takaisin käyttäjälle HTTPs-pyynnön kautta API Gateway WebSocket API -integraatiovastauksen kautta.
Hyödyt
Seuraava luettelo kuvaa tämän ratkaisun edut:
- Semanttinen ymmärrys – Upotusmalli varmistaa, että noutaja valitsee kohdat syvän semanttisen ymmärryksen perusteella, ei vain avainsanahakujen perusteella.
- skaalautuvuus – Upotukset mahdollistavat tehokkaan samankaltaisuuden vertailun, mikä mahdollistaa nopean haun laajasta asiakirjatietokannasta.
- Joustavuus – Perusmalli voi tuottaa vastauksia monenlaisiin konteksteihin, mikä varmistaa järjestelmän monipuolisuuden.
- Verkkoalueen sopeutumiskyky – Upotusmallia voidaan kouluttaa tai hienosäätää tietyille alueille, jolloin järjestelmä voidaan mukauttaa erilaisiin sovelluksiin.
Foundation Models Pharma Ad Generator
Nykypäivän nopeatempoisessa lääketeollisuudessa tehokas ja lokalisoitu mainonta on tärkeämpää kuin koskaan. Tässä tulee esiin innovatiivinen ratkaisu, joka käyttää generatiivisen tekoälyn voimaa paikallisten lääkemainosten luomiseen lähdekuvista ja PDF-tiedostoista. Mainosten luontiprosessin nopeuttamisen lisäksi tämä lähestymistapa virtaviivaistaa Medical Legal Review (MLR) -prosessia. MLR on tiukka tarkistusmekanismi, jossa lääketieteelliset, laki- ja sääntelyryhmät arvioivat huolellisesti mainosmateriaalia varmistaakseen niiden tarkkuuden, tieteellisen tuen ja säädöstenmukaisuuden. Perinteiset sisällönluontimenetelmät voivat olla hankalia, ja ne vaativat usein manuaalisia säätöjä ja laajoja tarkastuksia varmistaakseen yhdenmukaisuuden alueellisten vaatimusten ja osuvuuden kanssa. Luovan tekoälyn myötä voimme kuitenkin nyt automatisoida sellaisten mainosten luomisen, jotka todella resonoivat paikallisten yleisöjen kanssa, noudattaen samalla tiukkoja standardeja ja ohjeita.
Seuraava kaavio kuvaa ratkaisuarkkitehtuuria.
Arkkitehtonisessa asettelussa käyttäjät ohjataan saumattomasti Amazon Bedrock -perustusmalleihin valitun mallin ja mainosasetusten perusteella. Tämä virtaviivainen lähestymistapa varmistaa, että uudet mainokset luodaan tarkasti halutun kokoonpanon mukaan. Osana prosessia asiakirjoja käsitellään tehokkaasti Amazonin teksti, jolloin tuloksena oleva teksti on tallennettu turvallisesti DynamoDB:hen. Erottuva ominaisuus on modulaarinen rakenne kuvien ja tekstin luomiseen, mikä antaa sinulle joustavuuden luoda itsenäisesti mitä tahansa komponenttia tarpeen mukaan.
Olemme toimittaneet tämän esittelyn GitHub repo. Katso readme-tiedoston käyttöönotto-ohjeet sen käyttöönotosta AWS-tilillesi.
Sisällön luomisen työnkulku
Seuraavat vaiheet kuvaavat sisällön luomisprosessia:
- Käyttäjä valitsee asiakirjansa, lähdekuvansa, mainoksen sijoittelunsa, kielensä ja kuvatyylinsä.
- Suojattu pääsy verkkosovellukseen varmistetaan Amazon Cognito -todennuksen avulla.
- Verkkosovelluksen käyttöliittymää isännöi Amplify.
- API Gatewayn hallinnoima WebSocket API helpottaa käyttäjien pyyntöjä. Nämä pyynnöt todennetaan kautta AWS-henkilöllisyyden ja käyttöoikeuksien hallinta (OLEN).
- Integrointi Amazon Bedrockin kanssa sisältää seuraavat vaiheet:
- Lambda-funktio käyttää LangChain-kirjastoa yhteyden muodostamiseen Amazon Bedrockin päätepisteeseen kontekstirikkaalla kyselyllä.
- Tekstistä tekstiksi -perusmalli luo asiayhteyteen sopivan mainoksen annetun kontekstin ja asetusten perusteella.
- Tekstistä kuvaksi -perusmalli luo räätälöidyn kuvan, johon vaikuttavat lähdekuva, valittu tyyli ja sijainti.
- Käyttäjä saa vastauksen HTTPS-pyynnön kautta integroidun API Gateway WebSocket API:n kautta.
Asiakirjojen ja kuvien käsittelyn työnkulku
Asiakirjojen ja kuvien käsittely tapahtuu seuraavasti:
- Käyttäjä lataa sisältöä määritetyn käyttöliittymän kautta.
- Amplify API siirtää asiakirjat S3-ämpäriin.
- Kun omaisuus on siirretty Amazon S3:lle, tapahtuu jokin seuraavista toimista:
- Jos kyseessä on asiakirja, Lambda-funktio käyttää Amazon Textractia tekstin käsittelemiseen ja poimimiseen mainosten luomista varten.
- Jos se on kuva, Lambda-funktio muuntaa sen base64-muotoon, joka sopii Stable Diffusion -malliin uuden kuvan luomiseksi lähteestä.
- Purettu teksti tai base64-kuvamerkkijono tallennetaan turvallisesti DynamoDB:hen.
Hyödyt
Seuraava luettelo kuvaa tämän ratkaisun edut:
- Tehokkuus – Generatiivisen tekoälyn käyttö nopeuttaa merkittävästi mainosten luontiprosessia, jolloin manuaalisia säätöjä ei tarvita.
- Vaatimusten noudattaminen – Ratkaisu varmistaa, että luodut mainokset noudattavat tiettyjä ohjeita ja määräyksiä, kuten FDA:n markkinointiohjeita.
- Kustannustehokas – Automatisoimalla räätälöityjen mainosten luominen yritykset voivat vähentää merkittävästi mainosten tuotantoon ja versioihin liittyviä kustannuksia.
- Virtaviivainen MLR-prosessi – Ratkaisu yksinkertaistaa MLR-prosessia, vähentää kitkapisteitä ja varmistaa sujuvamman tarkastelun.
- Paikallinen resonanssi – Generatiivinen tekoäly tuottaa mainoksia, jotka resonoivat paikallisten yleisöjen kanssa ja varmistavat osuvuuden ja vaikutuksen eri alueilla.
- Standardointi – Ratkaisu ylläpitää tarvittavat standardit ja ohjeet, mikä varmistaa johdonmukaisuuden kaikissa luoduissa mainoksissa.
- skaalautuvuus – Tekoälyyn perustuva lähestymistapa pystyy käsittelemään laajoja tietokantoja lähdekuvista ja PDF-tiedostoista, mikä tekee siitä mahdollisen laajamittaiseen mainosten luomiseen.
- Vähentynyt manuaalinen interventio – Automaatio vähentää ihmisen toiminnan tarvetta, minimoi virheet ja varmistaa johdonmukaisuuden.
Voit ottaa tämän opetusohjelman infrastruktuurin käyttöön paikalliselta tietokoneeltasi tai voit käyttää AWS Cloud9:ää käyttöönottotyöasemana. AWS Cloud9 on valmiiksi ladattu AWS CLI:n, AWS CDK:n ja Dockerin kanssa. Jos valitset AWS Cloud9:n, luoda ympäristöä mistä AWS Cloud9 -konsoli.
Puhdistaa
Vältä tarpeettomat kustannukset puhdistamalla kaikki AWS CloudFormation -konsolin kautta luotu infrastruktuuri tai suorittamalla seuraava komento työasemallasi:
Muista myös pysäyttää kaikki SageMaker-päätepisteet, jotka aloitit SageMaker-konsolin kautta. Muista, että Amazon Kendra -hakemiston poistaminen ei poista alkuperäisiä asiakirjoja tallennustilastasi.
Yhteenveto
Generatiivinen tekoäly, jota LLM:t edustavat, ennakoi paradigman muutosta tavoissamme käyttää ja tuottaa tietoa. Vaikka nämä mallit ovat tehokkaita, niitä rajoittavat usein niiden harjoitustietojen rajat. RAG vastaa tähän haasteeseen varmistaen, että näiden mallien laaja tietämys on johdonmukaisesti täytetty asiaankuuluvilla, ajankohtaisilla oivalluksilla.
RAG-pohjaiset demomme ovat konkreettinen osoitus tästä. Ne esittelevät saumatonta synergiaa Amazon Kendran, vektori-upotusten ja LLM:ien välillä luoden järjestelmän, jossa tiedot eivät ole pelkästään laaja-alaisia, vaan myös tarkkoja ja ajankohtaisia. Kun sukellat näihin demoihin, tutkit omakohtaisesti muutospotentiaalia, joka liittyy esikoulutetun tiedon yhdistämiseen RAG:n dynaamisiin ominaisuuksiin, jolloin tuloksena on luotettavia ja yrityssisältöön räätälöityjä tuloksia.
Vaikka LLM:ien tuottama generatiivinen tekoäly avaa uuden tavan saada tietoa oivalluksista, näiden oivallusten on oltava luotettavia ja rajoituttava yrityssisältöön RAG-lähestymistapaa käyttäen. Näiden RAG-pohjaisten demojen avulla saat tarkkoja ja ajantasaisia oivalluksia. Näiden oivallusten laatu riippuu semanttisesta relevanssista, joka on mahdollista käyttämällä Amazon Kendraa ja vektori upotuksia.
Jos olet valmis tutkimaan ja hyödyntämään generatiivisen tekoälyn tehoa, tässä on seuraavat vaiheet:
- Ota osaa esittelyihimme – Käytännön kokemus on korvaamaton. Tutustu toimintoihin, ymmärrä integraatiot ja tutustu käyttöliittymään.
- Syvennä tietosi – Hyödynnä käytettävissä olevat resurssit. AWS tarjoaa syvällistä dokumentaatiota, opetusohjelmia ja yhteisön tukea tekoälymatkallesi.
- Aloita pilottiprojekti – Harkitse generatiivisen tekoälyn pienimuotoista käyttöönottoa yrityksessäsi. Tämä antaa näkemyksiä järjestelmän käytännöllisyydestä ja mukautuvuudesta omassa kontekstissasi.
Lisätietoja generatiivisista tekoälysovelluksista AWS:ssä on seuraavassa:
Muista, että tekoälyn maisema kehittyy jatkuvasti. Pysy ajan tasalla, pysy utelias ja aina valmis mukautumaan ja innovoimaan.
Tietoja kirjoittajista
Jin Tan Ruan on prototyyppien kehittäjä AWS Industries Prototyping and Customer Engineering (PACE) -tiimissä, joka on erikoistunut NLP:hen ja generatiiviseen tekoälyyn. Ohjelmistokehitystaustalla ja yhdeksällä AWS-sertifioinnilla Jin tuo mukanaan runsaasti kokemusta auttaakseen AWS-asiakkaita toteuttamaan AI/ML- ja generatiivisia tekoälyvisioitaan AWS-alustan avulla. Hän on suorittanut tietojenkäsittelytieteen ja ohjelmistotekniikan maisterin tutkinnon Syracusen yliopistosta. Työn ulkopuolella Jin nauttii videopelien pelaamisesta ja uppoutumisesta kauhuelokuvien jännittävään maailmaan.
Aravind Kodandaramaiah on Senior Prototyping Full Stack -ratkaisujen rakentaja AWS Industries Prototyping and Customer Engineering (PACE) -tiimissä. Hän keskittyy auttamaan AWS-asiakkaita muuttamaan innovatiivisia ideoita ratkaisuiksi, joilla on mitattavissa olevia ja ilahduttavia tuloksia. Hän on intohimoinen monista aiheista, kuten pilviturvallisuudesta, DevOpsista ja AI/ML:stä, ja hänet voidaan yleensä löytää näiden tekniikoiden parissa.
Arjun Shakdher on AWS Industries Prototyping (PACE) -tiimin kehittäjä, joka on intohimoinen teknologian yhdistämisestä elämän kankaaseen. Purduen yliopistosta maisterin tutkinnon suorittaneen Arjunin nykyinen rooli keskittyy uusimpien prototyyppien arkkitehtuuriin ja rakentamiseen, jotka kattavat joukon toimialueita, ja tällä hetkellä niissä on näkyvästi esillä AI/ML ja IoT. Kun et ole uppoutunut koodiin ja digitaalisiin maisemiin, löydät Arjunin nauttivan kahvin maailmasta, tutkivan kellon monimutkaista mekaniikkaa tai ihailevan autojen taiteellisuutta.
- 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. hiili, CleanTech, energia, ympäristö, Aurinko, Jätehuolto. Pääsy tästä.
- PlatonHealth. Biotekniikan ja kliinisten kokeiden älykkyys. Pääsy tästä.
- Lähde: 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/
- :On
- :ei
- :missä
- $ YLÖS
- 100
- 150
- 7
- a
- kyky
- Meistä
- kiihdyttää
- pääsy
- Mukaan
- Tili
- tarkkuus
- tarkka
- poikki
- toimet
- Ad
- sopeuttaa
- mukautuu
- lisä-
- osoitteet
- noudattaa
- oikaisut
- hyväksymällä
- mainokset
- kehittynyt
- Etu
- etuja
- tulo
- mainonta
- Jälkeen
- AI
- AI / ML
- Tuki
- suuntaus
- Kaikki
- sallia
- Salliminen
- mahdollistaa
- melkein
- pitkin
- Myös
- vaihtoehto
- aina
- Amazon
- Amazon Cognito
- Amazon Kendra
- Amazonin teksti
- Amazon Web Services
- määrät
- vahvistaa
- an
- ja
- vastaus
- vastauksia
- Kaikki
- api
- sovelluksen
- Hakemus
- sovellukset
- lähestymistapa
- sopiva
- arkkitehtuurin
- arkkitehtuuri
- OVAT
- noin
- Ryhmä
- taiteellisuus
- AS
- etu
- Varat
- auttaa
- liittyvä
- kuulemiset
- audio-
- todennettu
- Authentication
- automatisoida
- automatisointi
- Automaatio
- saatavissa
- välttää
- välttämällä
- AWS
- AWS-pilvi9
- AWS-pilven muodostuminen
- takaisin
- Tukena
- tausta
- tausta
- pohja
- perustua
- BE
- koska
- tulevat
- tulee
- Hyödyt
- Paremmin
- välillä
- Jälkeen
- harhat
- sekoittaminen
- elin
- Bot
- sekä
- Sivuliike
- Tuo
- laaja
- rakentaja
- Rakentaminen
- mutta
- by
- Puhelut
- CAN
- Voi saada
- kyvyt
- kaapata
- kaappaa
- tapaus
- Kategoria
- sertifikaatit
- haaste
- haasteet
- Valita
- valittu
- puhdas
- pilvi
- Pilvisuojaus
- Cloud9
- koodi
- kahvi
- yhdistetty
- yhdistää
- tulee
- yleisesti
- yhteisö
- Yritykset
- vertailuja
- monimutkainen
- noudattaminen
- mukautuva
- komponentti
- ymmärtää
- tietokone
- Tietojenkäsittelyoppi
- Konfigurointi
- kytkeä
- Liitännät
- Yhdistää
- Harkita
- johdonmukaisesti
- Console
- alituisesti
- pitoisuus
- Sisällön luominen
- sisällön luominen
- tausta
- yhteyksissä
- asiayhteyteen
- jatkui
- jatkuva
- Mukava
- tavanomainen
- Keskustelu
- muuntaminen
- Ydin
- Hinta
- kustannukset
- veneet
- luoda
- luotu
- luo
- Luominen
- luominen
- ratkaiseva
- hankala
- utelias
- Nykyinen
- asiakassuhde
- asiakas
- Asiakkaat
- leikkaamisreuna
- tiedot
- tietokanta
- tietokannat
- aineistot
- Päivämäärä
- syvä
- syvempää
- Aste
- ihana
- esittely
- Demos
- riippuvainen
- sijoittaa
- käyttöön
- levityspinnalta
- käyttöönotto
- kuvata
- Malli
- suunniteltu
- haluttu
- tuhota
- yksityiskohtainen
- yksityiskohdat
- Kehittäjä
- Kehitys
- diagnostinen
- eri
- Diffuusio
- digitaalinen
- suunnattu
- näytöt
- selvä
- sukellus
- useat
- sukellus
- Satamatyöläinen
- asiakirja
- dokumentointi
- asiakirjat
- ei
- verkkotunnuksia
- piirtää
- piirustus
- ajanut
- dynaaminen
- helposti
- tehokkuus
- tehokas
- tehokkaasti
- myöskään
- poistamalla
- upottamisen
- ilmaantua
- työllistää
- valtuudet
- valtuutetaan
- mahdollistaa
- käytössä
- mahdollistaa
- mahdollistaa
- loppu
- päätepiste
- Tekniikka
- tehostettu
- rikastuttava
- varmistaa
- varmistettu
- varmistaa
- varmistamalla
- yritys
- Koko
- varustettu
- virheet
- erityisesti
- ydin
- arvioida
- tapahtuma
- EVER
- kehittää
- kehittyvä
- esimerkki
- innoissaan
- laaja
- experience
- asiantuntija
- asiantuntijat
- tutkia
- Tutkiminen
- laaja
- ulkoinen
- uute
- kangas
- Helpottaa
- perehdyttää
- nopeatempoinen
- FB
- mahdollinen
- Ominaisuus
- Ominaisuudet
- Featuring
- filee
- suodatus
- Löytää
- Etunimi
- Joustavuus
- keskittyy
- jälkeen
- seuraa
- varten
- muoto
- löytyi
- perusta
- kitka
- alkaen
- etuosa
- etupään
- koko
- Täysi pino
- toiminto
- toiminnallisuudet
- edelleen
- Lisäksi
- Saada
- saamassa
- Pelit
- portti
- tuottaa
- syntyy
- sukupolvi
- generatiivinen
- Generatiivinen AI
- generaattori
- saada
- tietty
- Antaminen
- myöntäminen
- ymmärtää
- kasvaa
- taata
- ohjaus
- opastettu
- suuntaviivat
- kahva
- käytännön
- valjaat
- valjastaminen
- Olla
- ottaa
- he
- auttaa
- saarnaajat
- tätä
- raidat
- hän itse
- historiaa
- historia
- pito
- pitää
- kauhu
- isännöi
- Miten
- Kuitenkin
- HTML
- http
- HTTPS
- ihmisen
- ideoita
- tunniste
- tunnisteet
- tunnistaa
- Identiteetti
- if
- havainnollistaa
- kuva
- kuvien
- upotettu
- Vaikutus
- täytäntöönpano
- in
- perusteellinen
- epätarkka
- sisältää
- Mukaan lukien
- sisällyttää
- itsenäisesti
- indeksi
- indeksoitu
- indeksit
- teollisuuden
- teollisuus
- alan standardit
- vaikuttaneet
- tiedot
- tietoa
- Infrastruktuuri
- luonnostaan
- ensimmäinen
- aloitettu
- innovoida
- innovatiivinen
- oivaltava
- oivalluksia
- sen sijaan
- ohjeet
- integroitu
- integroi
- integraatio
- integraatiot
- tahallisuus
- vuorovaikutuksessa
- liitäntä
- interventio
- tulee
- luontainen
- korvaamaton
- Esineiden internet
- IT
- kohdetta
- SEN
- Job
- matka
- jpg
- vain
- tuntemus
- tunnettu
- Landschaft
- Kieli
- suuri
- laaja
- Layout
- oppiminen
- juridinen
- Lets
- Kirjasto
- Licensed
- elämä
- pitää
- todennäköisyys
- rajallinen
- rajat
- Lista
- OTK
- paikallinen
- sijainti
- kone
- koneoppiminen
- ylläpitää
- Tekeminen
- onnistui
- manuaalinen
- monet
- Marketing
- massiivinen
- maisterin
- tulitikut
- tarvikkeet
- merkitys
- mielekäs
- merkityksiä
- välineet
- mekaniikka
- mekanismi
- lääketieteellinen
- Muisti
- vain
- yhdistämisiä
- sulautuvan
- menetelmät
- pikkutarkasti
- minimointia
- lieventäminen
- ML
- malli
- mallintaminen
- mallit
- modulaarinen
- lisää
- eniten
- Elokuvat
- täytyy
- Luonnollinen
- Luonnollinen kielen käsittely
- välttämätön
- Tarve
- tarvitaan
- tarvitsevat
- tarpeet
- Uusi
- seuraava
- yhdeksän
- NLP
- ilmoituksen
- nyt
- of
- tarjoamalla
- Tarjoukset
- usein
- on
- ONE
- vain
- avautuu
- or
- organisatorinen
- organisaatioiden
- alkuperäinen
- Muut
- meidän
- ulos
- tuloksiin
- ääriviivat
- lähdöt
- ulkopuolella
- yli
- Voittaa
- Rauha
- paradigma
- parametrit
- osa
- intohimoinen
- täydellinen
- Oikeudet
- yksilöllinen
- Pharma
- Lääkealan
- lausekkeet
- kappaletta
- lentäjä
- pilottiprojekti
- Paikka
- sijoitus
- foorumi
- Platon
- Platonin tietotieto
- PlatonData
- Pelaa
- pelaa
- pistettä
- paikannus
- mahdollinen
- Kirje
- mahdollinen
- teho
- powered
- voimakas
- Käytännön
- tarkka
- tarkasti
- Tarkkuus
- mieltymykset
- edellytyksiä
- parhaillaan
- menettelyt
- prosessi
- Käsitelty
- käsittely
- valmistettu
- tuottaa
- tuotanto
- projekti
- myynninedistämis-
- prototyyppejä
- prototyyppien
- todistaa
- toimittaa
- mikäli
- tarjoaa
- tarjoamalla
- laatu
- kyselyt
- kysymys
- kysymykset
- nopea
- nopeasti
- alue
- valmis
- ulottuvuuksia
- vastaanottaa
- vastaanottava
- Suositus
- vähentää
- vähentää
- vähentämällä
- katso
- puhdistettu
- alueellinen
- alueet
- säännöllinen
- määräykset
- sääntelyn
- Sääntelyn noudattaminen
- Merkitys
- merkityksellinen
- luottaen
- jäädä
- jäännökset
- muistaa
- poistaa
- muotoilemalla uudelleen
- edustus
- edustaa
- pyyntö
- pyynnöt
- edellyttää
- tarvitaan
- vaatimukset
- resonaattori
- Esittelymateriaalit
- vastaus
- vasteet
- vastuut
- vastuullinen
- Tuloksena
- Saatu ja
- tulokset
- arviot
- Arvostelut
- tarkistuksia
- pyörii
- oikein
- tiukka
- Rooli
- juoksu
- toimii
- sagemaker
- sama
- tallennettu
- tiede
- tieteellinen
- saumaton
- saumattomasti
- Haku
- osiot
- turvallinen
- turvallisesti
- turvallisuus
- valittu
- valinta
- vanhempi
- lähetetty
- palvelu
- Palvelut
- setti
- settings
- setup
- siirtää
- näyteikkuna
- Näytä
- Seuloa
- merkittävä
- merkittävästi
- Yksinkertainen
- yksinkertaisesti
- pienempiä
- tasaisempi
- Tuotteemme
- ohjelmistokehitys
- ohjelmistotuotanto
- Yksin
- ratkaisu
- Ratkaisumme
- lähde
- hankitaan
- Lähteet
- Sourcing
- tilat
- jänneväli
- erikoistunut
- erikoistunut
- erityinen
- määritelty
- vakaa
- pino
- standardit
- Aloita
- huippu-
- pysyä
- Vaihe
- Askeleet
- stop
- Levytila
- verkkokaupasta
- tallennettu
- tallentamiseksi
- virtaviivainen
- vahvuudet
- jono
- tiukka
- jäsennelty
- tyyli
- antaa
- niin
- sopiva
- tuki
- Tuetut
- synergia
- järjestelmä
- Räätälöity
- ottaa
- vie
- konkreettinen
- Tehtävä
- tehtävät
- joukkue-
- tiimit
- tekniikka
- Technologies
- Elektroniikka
- testamentti
- teksti
- kuin
- että
- -
- Maisema
- Lähde
- maailma
- heidän
- Niitä
- sitten
- siten
- Nämä
- ne
- tätä
- kolmella
- jännittävä
- Kautta
- aika
- ajankohtainen
- aikaleima
- Titaani
- että
- tämän päivän
- työkalu
- työkalut
- aihe
- Aiheet
- kohti
- perinteinen
- Juna
- koulutettu
- koulutus
- siirtää
- siirretty
- siirrot
- Muuttaa
- muutosjohtaminen
- muuntajat
- Trendit
- todella
- luotettava
- VUORO
- oppitunti
- opetusohjelmat
- tyypit
- ui
- läpikäydä
- taustalla oleva
- ymmärtää
- ymmärtäminen
- unique
- yliopisto
- toisin kuin
- tarpeeton
- paljastaa
- ajanmukainen
- Päivitykset
- päivitetty
- Päivitykset
- puolustaminen
- päälle
- käyttää
- käyttölaukku
- käyttäjä
- Käyttöliittymä
- Käyttäjät
- käyttötarkoituksiin
- käyttämällä
- yleensä
- hyödyntää
- Hyödyntämällä
- eri
- valtava
- monipuolinen
- kautta
- Video
- Videopelit
- visioita
- Tapa..
- we
- Rikkaus
- verkko
- Web-sovellus
- verkkopalvelut
- verkkopistorasia
- olivat
- kun
- joka
- vaikka
- KUKA
- leveä
- Laaja valikoima
- tulee
- with
- sisällä
- ilman
- sanoja
- Referenssit
- työnkulku
- työasema
- maailman-
- Voit
- Sinun
- itse
- zephyrnet