Nykyaikaiset chatbotit voivat toimia digitaalisina agentteina, jotka tarjoavat uuden tavan tarjota ympärivuorokautista asiakaspalvelua ja tukea monilla toimialoilla. Niiden suosio johtuu kyvystä vastata asiakkaiden tiedusteluihin reaaliajassa ja käsitellä useita kyselyitä samanaikaisesti eri kielillä. Chatbotit tarjoavat myös arvokkaita tietopohjaisia näkemyksiä asiakkaiden käyttäytymisestä samalla kun ne skaalautuvat vaivattomasti käyttäjäkunnan kasvaessa; siksi ne tarjoavat kustannustehokkaan ratkaisun asiakkaiden sitouttamiseen. Chatbotit käyttävät suurten kielimallien (LLM) kehittyneitä luonnollisen kielen ominaisuuksia vastatakseen asiakkaiden kysymyksiin. He ymmärtävät keskustelukieltä ja reagoivat luonnollisesti. Kuitenkin chatbotit, jotka vastaavat vain peruskysymyksiin, ovat hyödyllisiä. Tullakseen luotetuiksi neuvonantajiksi chatbottien on tarjottava harkittuja ja räätälöityjä vastauksia.
Yksi tapa mahdollistaa kontekstuaalisemmat keskustelut on linkittää chatbot sisäisiin tietokantoihin ja tietojärjestelmiin. Integroimalla omat yritystiedot sisäisistä tietokannoista, chatbotit voivat kontekstualisoida vastauksensa kunkin käyttäjän yksilöllisten tarpeiden ja kiinnostuksen kohteiden mukaan. Chatbot voi esimerkiksi ehdottaa tuotteita, jotka vastaavat ostajan mieltymyksiä ja aiempia ostoksia, selittää yksityiskohdat käyttäjän asiantuntemustasoon mukautetulla kielellä tai tarjota tilitukea käyttämällä asiakkaan erityisiä tietueita. Kyky sisällyttää älykkäästi tietoa, ymmärtää luonnollista kieltä ja tarjota räätälöityjä vastauksia keskustelun aikana antaa chatboteille mahdollisuuden tarjota todellista liikearvoa erilaisissa käyttötilanteissa.
Suosittu arkkitehtuurimalli Haku laajennettu sukupolvi (RAG) käytetään usein lisäämään käyttäjän kyselyn kontekstia ja vastauksia. RAG yhdistää LLM:n kyvyt tosiasioihin ja todelliseen tietoon, joka saadaan haettaessa asiaankuuluvia tekstejä ja kohtia datakorpuksesta. Näitä haettuja tekstejä käytetään sitten tiedottamaan ja maadoittamaan tulos, mikä vähentää hallusinaatioita ja parantaa merkitystä.
Tässä viestissä havainnollistamme chatbotin parantamista kontekstuaalisesti käyttämällä Amazon Bedrockin tietokannat, täysin hallittu palvelimeton palvelu. Amazon Bedrock -integraation Knowledge Bases -sovelluksen avulla chatbotimme voi tarjota osuvampia, yksilöllisempiä vastauksia linkittämällä käyttäjien kyselyt asiaan liittyviin tietopisteisiin. Sisäisesti, Amazonin kallioperä käyttää vektoritietokantaan tallennettuja upotuksia lisätäkseen käyttäjän kyselykontekstia ajon aikana ja mahdollistaakseen hallitun RAG-arkkitehtuuriratkaisun. Käytämme Amazonin kirjeet osakkeenomistajille tietojoukko tämän ratkaisun kehittämiseksi.
Haku laajennettu sukupolvi
RAG on lähestymistapa luonnollisen kielen luomiseen, joka yhdistää tiedonhaun sukupolviprosessiin. RAG-arkkitehtuuri sisältää kaksi keskeistä työnkulkua: tietojen esikäsittelyn käsittelyn kautta ja tekstin luominen parannetun kontekstin avulla.
Tietojen käsittelyn työnkulku käyttää LLM:itä luodakseen upotusvektoreita, jotka edustavat tekstien semanttista merkitystä. Upotukset luodaan asiakirjoille ja käyttäjien kysymyksiin. Asiakirjan upotukset jaetaan osiin ja tallennetaan indekseinä vektoritietokantaan. Tekstin luomisen työnkulku ottaa sitten kysymyksen upotusvektorin ja hakee sen avulla samankaltaisimmat asiakirjapalat vektorien samankaltaisuuden perusteella. Se täydentää kehotteita näillä asiaankuuluvilla paloilla tuottaakseen vastauksen LLM:n avulla. Katso lisätietoja osoitteesta Pohjustus lisätyn sukupolven, upotusten ja vektoritietokantojen noutoon osassa Esikatselu – Yhdistä perusmallit yrityksesi tietolähteisiin Amazon Bedrockin agenttien avulla.
Seuraava kaavio havainnollistaa korkean tason RAG-arkkitehtuuria.
Vaikka RAG-arkkitehtuurilla on monia etuja, se sisältää useita komponentteja, kuten tietokannan, hakumekanismin, kehotteen ja generatiivisen mallin. Näiden toisistaan riippuvaisten osien hallinta voi monimutkaistaa järjestelmän kehitystä ja käyttöönottoa. Haun ja generoinnin integrointi vaatii myös ylimääräistä suunnittelutyötä ja laskentaresursseja. Jotkut avoimen lähdekoodin kirjastot tarjoavat kääreitä tämän yleiskustannusten vähentämiseksi; Kirjastojen muutokset voivat kuitenkin aiheuttaa virheitä ja lisätä versiointiin liittyviä lisäkustannuksia. Jopa avoimen lähdekoodin kirjastoissa tarvitaan paljon vaivaa koodin kirjoittamiseen, optimaalisen kappalekoon määrittämiseen, upotusten luomiseen ja paljon muuta. Pelkästään tämä asennustyö voi kestää viikkoja datamäärästä riippuen.
Tästä syystä hallittu ratkaisu, joka hoitaa nämä eriyttämättömät tehtävät, voisi virtaviivaistaa ja nopeuttaa RAG-sovellusten käyttöönotto- ja hallintaprosessia.
Amazon Bedrockin tietokannat
Knowledge Bases for Amazon Bedrock on palvelimeton vaihtoehto tehokkaiden keskustelupohjaisten tekoälyjärjestelmien rakentamiseen RAG:n avulla. Se tarjoaa täysin hallittuja tiedonkeruun ja tekstin luomisen työnkulkuja.
Tietojen käsittelyä varten se käsittelee automaattisesti vektoritietokannan dokumenttidatan tekstin upotusten luomisen, tallentamisen, hallinnan ja päivittämisen. Se jakaa asiakirjat hallittaviin osiin tehokkaan haun takaamiseksi. Palat muunnetaan sitten upotuksiksi ja kirjoitetaan vektorihakemistoon, jolloin voit nähdä lähdeasiakirjat, kun vastaat kysymykseen.
Tekstin luomiseen Amazon Bedrock tarjoaa RetrieveAndGenerate API luoda upotuksia käyttäjien kyselyistä ja hakea osuvia osia vektoritietokannasta tarkkojen vastausten luomiseksi. Se tukee myös RAG-sovelluksissa tarvittavaa lähteen määritystä ja lyhytaikaista muistia.
Näin voit keskittyä ydinliiketoimintasi sovelluksiin ja poistaa erottumattoman raskasnostotyön.
Ratkaisun yleiskatsaus
Tässä viestissä esitetty ratkaisu käyttää chatbotia, joka on luotu käyttämällä a Virtaviivainen sovellus ja sisältää seuraavat AWS-palvelut:
Seuraava kaavio on yleinen ratkaisuarkkitehtuurimalli, jonka avulla voit integroida minkä tahansa chatbot-sovelluksen Amazon Bedrockin tietokantoihin.
Tämä arkkitehtuuri sisältää seuraavat vaiheet:
- Käyttäjä on vuorovaikutuksessa Streamlit chatbotin käyttöliittymän kanssa ja lähettää kyselyn luonnollisella kielellä
- Tämä laukaisee Lambda-toiminnon, joka kutsuu tietokannat
RetrieveAndGenerate
API. Sisäisesti Knowledge Bases käyttää Amazon Titan upotusmalli ja muuntaa käyttäjän kyselyn vektoriksi ja löytää paloja, jotka ovat semanttisesti samanlaisia kuin käyttäjän kysely. Käyttäjäkehotetta täydennetään tietokannasta haetuilla paloilla. Lisäkontekstin rinnalla oleva kehote lähetetään sitten LLM:lle vastauksen luomista varten. Tässä ratkaisussa käytämme Antrooppinen Claude Instant LLM:nämme luodaksemme käyttäjien vastauksia lisäkontekstin avulla. Huomaa, että tätä ratkaisua tuetaan alueilla, joilla Anthropic Claude on Amazon Bedrock on saatavissa. - Asiayhteyteen liittyvä vastaus lähetetään takaisin chatbot-sovellukselle ja käyttäjälle.
Edellytykset
Amazon Bedrockin käyttäjien on pyydettävä pääsyä perustusmalleihin ennen kuin ne ovat käytettävissä. Tämä on kertaluonteinen toimenpide ja kestää alle minuutin. Tätä ratkaisua varten sinun on sallittava pääsy Titan Embeddings G1 – Text ja Claude Instant – v1.2 -malliin Amazon Bedrockissa. Lisätietoja on kohdassa Mallin käyttöoikeus.
Kloonaa GitHub-repo
Tässä viestissä esitetty ratkaisu on saatavilla seuraavassa GitHub repo. Sinun on kloonattava GitHub-arkisto paikalliselle koneellesi. Avaa pääteikkuna ja suorita seuraava komento. Huomaa, että tämä on yksi git clone -komento.
Lataa tietoaineistosi Amazon S3:een
Lataamme tietojoukon tietokantaamme varten ja lataamme sen S3-ämpäriin. Tämä tietojoukko ruokkii ja tehostaa tietokantaa. Suorita seuraavat vaiheet:
- Siirry Vuosikertomukset, valtakirjat ja osakkeenomistajien kirjeet tietovarastoon ja lataa Amazonin osakkeenomistajien viimeisten vuosien kirjeet.
- Valitse Amazon S3 -konsolissa kauhat navigointipaneelissa.
- Valita Luo ämpäri.
- Nimeä ämpäri
knowledgebase-<your-awsaccount-number>
. - Jätä kaikki muut ämpäriasetukset oletusasetuksiksi ja valitse luoda.
- Siirry
knowledgebase-<your-awsaccount-number>
ämpäri. - Valita luo kansio ja nimeä se tietojoukko.
- Jätä kaikki muut kansion asetukset oletusarvoiksi ja valitse luoda.
- Navigoi takaisin kauhan kotiin ja valitse luo kansio luodaksesi uuden kansion ja nimetäksesi sen
lambdalayer
. - Jätä kaikki muut asetukset oletusasetuksiksi ja valitse luoda.
- Siirry
dataset
kansio. - Lataa aiemmin lataamasi vuosikertomukset, valtakirjat ja osakkeenomistajien kirjetiedostot tähän lokeroon ja valitse Lataa.
- Siirry
lambdalayer
kansio. - Lataa
knowledgebase-lambdalayer.zip
tiedosto löytyy alla/lambda/layer
kansio aiemmin kloonatussa GitHub-varastossa ja valitse Lataa. Käytät tätä Lambda-kerroskoodia myöhemmin Lambda-funktion luomiseen.
Luo tietokanta
Tässä vaiheessa luomme tietokannan käyttämällä Amazon shareholders letters -tietoaineistoa, jonka latasimme S3-säilöimme edellisessä vaiheessa.
- Amazon Bedrock -konsolissa, alla orkestrointi valitse siirtymisruudussa Tietoa.
- Valita Luo tietopohja.
- In Tietokannan tiedot -osiossa, anna nimi ja valinnainen kuvaus.
- In IAM-oikeudet , valitse Luo uusi palvelurooli ja käytä sitä ja anna roolille nimi.
- Lisää tunnisteita tarpeen mukaan.
- Valita seuraava.
- jättää Tietolähteen nimi oletusnimenä.
- varten S3 URI, valitse Selaa S3: ta valitaksesi S3-kauhan
knowledgebase-<your-account-number>/dataset/
.Sinun on osoitettava edellisissä vaiheissa luomaasi ämpäri- ja tietojoukkokansioon. - In Lisäasetukset -osiossa, jätä oletusarvot (jos haluat, voit muuttaa oletusarvoista lohkomisstrategiaa ja määrittää kappaleen koon ja peiton prosentteina).
- Valita seuraava.
- varten Upotusmallivalitse Titan Embedding G1 – Teksti.
- varten Vektoritietokanta, voit joko valita Luo nopeasti uusi vektorikauppa or Valitse luomasi vektorikauppa. Huomaa, että käyttääksesi valitsemaasi vektorivarastoa, sinulla on oltava valmiiksi määritetty vektorivarasto käytettäväksi. Tuemme tällä hetkellä neljää vektorimoottorityyppiä: vektorimoottori Amazon OpenSearch Serverlessille, Amazon Aurora, Pinecone ja Redis Enterprise Cloud. Tässä viestissä valitsemme Pikaluo uusi vektorikauppa, joka luo tilillesi oletuksena uuden OpenSearch-palvelimettoman vektorikaupan.
- Valita seuraava.
- On Tarkista ja luo sivu, tarkista kaikki tiedot tai valitse Edellinen muuttaaksesi vaihtoehtoja.
- Valita Luo tietopohja.Huomaa, että tietokannan luontiprosessi alkaa ja tila on käynnissä. Vektorivaraston ja tietokannan luominen kestää muutaman minuutin. Älä siirry pois sivulta, muuten luominen epäonnistuu.
- Kun tietokannan tila on
Ready
kirjaa muistiin tietokannan tunnus. Käytät sitä seuraavissa vaiheissa lambda-toiminnon määrittämiseen. - Nyt kun tietokanta on valmis, meidän on synkronoitava Amazonin osakkeenomistajien kirjetiedot siihen. Vuonna Tietolähde osaa tietokannan tietosivulta, valitse Synkronoi käynnistää tietojen käsittelyprosessin S3-alueesta tietokantaan.
Tämä synkronointiprosessi jakaa asiakirjatiedostot pienemmiksi paloiksi, joiden osien koko on aiemmin määritelty, luo vektori upotukset käyttämällä valittua tekstin upotusmallia ja tallentaa ne vektorisäilöön, jota hallitsee Knowledge Bases for Amazon Bedrock.
Kun tietojoukon synkronointi on valmis, tietolähteen tilaksi tulee Ready
osavaltio. Huomaa, että jos lisäät muita asiakirjoja S3-tietokansioon, sinun on synkronoitava tietokanta uudelleen.
Onnittelut, tietopohjasi on valmis.
Huomaa, että voit myös käyttää Knowledge Bases -tietokantoja Amazon Bedrock -palvelusovellusliittymille ja AWS-komentoriviliitäntä (AWS CLI) luodaksesi ohjelmallisesti tietopohjan. Sinun on suoritettava useita osia alla toimitetusta Jupyter-muistikirjasta /notebook
kansio GitHub-varastossa.
Luo Lambda-toiminto
Tämä lambda-toiminto otetaan käyttöön käyttämällä AWS-pilven muodostuminen malli, joka on saatavilla GitHub-reposissa alla /cfn
kansio. Malli vaatii kaksi parametria: S3-säilön nimen ja tietokannan tunnuksen.
- Valitse AWS CloudFormation -palvelun kotisivulta Luo pino luodaksesi uuden pinon.
- valita Malli on valmis varten Valmistele malli.
- valita Lataa mallitiedosto varten Mallin lähde.
- Valita Valitse tiedosto, siirry aiemmin kloonaamasi GitHub-varastoon ja valitse .yaml-tiedosto
/cfn
kansio. - Valita seuraava.
- varten Pino nimi, kirjoita nimi.
- In parametrit -osiossa, kirjoita tietokannan tunnus ja S3-säilön nimi, jonka muistit aiemmin.
- Valita seuraava.
- Jätä kaikki oletusasetukset ennalleen, valitse seuraava, ja valitse Lähetä.
- Varmista, että CloudFormation-mallia suoritettiin onnistuneesti ja että virheitä ei ole.
Onnittelut, olet luonut Lambda-toiminnon, siihen liittyvät roolit ja käytännöt onnistuneesti.
Testaa kontekstuaalista chatbot-sovellusta
Voit testata chatbot-sovelluksesi suorittamalla seuraavat vaiheet:
- Avaa koneellesi uusi pääte tai komentorivi-ikkuna.
- Suorita seuraava komento asentaaksesi AWS SDK Pythonille (Boto3). Boto3 tekee Python-sovelluksen, kirjaston tai komentosarjan integroimisesta AWS-palveluihin yksinkertaista.
- Suorita seuraava komento asentaaksesi ja määrittääksesi paikallinen Python-kehitysympäristö Streamlit-sovelluksen suorittamista varten:
- Siirry
/streamlit
kansio aiemmin kloonaamasi GitHub-arkistokansiossa. - Suorita seuraava komento luodaksesi chatbot-sovelluksen:
Tämän pitäisi avata Web-pohjainen chat-sovellus, joka toimii Streamlitin oletusselaimessa.
- Käytä tätä Streamlit-chatbot-sovellusta lähettääksesi luonnollisen kielen kysymyksiä aloittaaksesi Amazon Bedrockin Knowledge Bases -tietokannan tuottamat keskustelut.
Kun lähetät kehotteen, Streamlit-sovellus käynnistää Lambda-toiminnon, joka kutsuu tietokantoja RetrieveAndGenerate
API hakea ja luoda vastauksia.
Seuraava taulukko sisältää joitakin esimerkkikysymyksiä ja niihin liittyviä tietopohjan vastauksia. Kokeile joitain näistä kysymyksistä käyttämällä kehotteita.
kysymykset | vastaukset |
Mitä Amazon tekee generatiivisen tekoälyn alalla? | Amazon on työskennellyt omia suuria kielimallejaan (LLM) generatiiviselle tekoälylle ja uskoo, että se muuttaa ja parantaa jokaisen asiakaskokemuksen. He aikovat jatkaa merkittäviä investointeja näihin malleihin kaikissa kuluttajien, myyjien, brändien ja sisällöntuottajien kokemuksissa. |
Mikä on AWS:n vuositulot vuonna 2022? | AWS:n liikevaihto kasvoi 29 % vuoden 2022 vastaavaan ajanjaksoon verrattuna 62 miljardin dollarin tulopohjalla. |
Kuinka monta päivää Amazon on pyytänyt työntekijöitä tulemaan töihin toimistoon? | Amazon on pyytänyt yritysten työntekijöitä palaamaan toimistoon vähintään kolmena päivänä viikossa toukokuusta 2022 alkaen. |
Kuinka monta prosenttia AWS:n liikevaihto kasvoi edellisvuodesta vuonna 2022? | AWS:n liikevaihto oli 29 % vuoden 2022 vastaavaan ajanjaksoon verrattuna. |
Mitä Graviton2-sirujen suorituskyvyn parannusta saavutettiin Graviton3-prosessoreihin verrattuna? | Vuonna 2022 AWS toimitti Graviton3-sirunsa, jotka tarjoavat 25 % paremman suorituskyvyn kuin Graviton2-prosessorit. |
Mikä oli ensimmäinen päättelysiru, jonka AWS julkaisi kohdan mukaan? | AWS julkaisi ensimmäiset päättelypiirinsä ("Inferentia") vuonna 2019, ja ne ovat säästäneet Amazonin kaltaisille yrityksille yli sata miljoonaa dollaria pääomakustannuksissa. |
Kontekstin mukaan minä vuonna Amazonin vuotuinen liikevaihto kasvoi 245 miljardista dollarista 434 miljardiin dollariin? | Amazonin vuotuinen liikevaihto kasvoi 245 miljardista dollarista vuonna 2019 434 miljardiin dollariin vuonna 2022. |
Kerro vielä, mikä oli vuoden 2019 liikevaihto? | Amazonin liikevaihto vuonna 2019 oli 245 miljardia dollaria. |
ja 2021? | Amazonin liikevaihto vuonna 2021 oli 469.8 miljardia dollaria, mikä on 22 % kasvua vuoteen 2020 verrattuna. |
Ja muistuta minua uudelleen, milloin ensimmäinen päättelysiru lanseerattiin? | Amazonin ensimmäinen päättelysiru oli Inferentia, joka lanseerattiin vuonna 2019. |
Ensimmäisen lambda-toiminnon kutsun aikana RetrieveAndGenerate
API palauttaa a sessionId
, jonka Streamlit-sovellus sitten välittää yhdessä seuraavan käyttäjän kehotteen kanssa syötteenä RetrieveAndGenerate API:lle keskustelun jatkamiseksi samassa istunnossa. The RetrieveAndGenerate
API hallitsee lyhytaikaista muistia ja käyttää keskusteluhistoriaa niin kauan kuin sama sessionId välitetään syötteenä peräkkäisissä kutsuissa.
Onnittelut, olet onnistuneesti luonut ja testannut chatbot-sovelluksen Amazon Bedrockin Knowledge Bases -sovelluksen avulla.
Puhdistaa
Jos resursseja, kuten S3-säilöä, OpenSearch Serverless -kokoelmaa ja tietokantaa, ei voida poistaa, veloitetaan. Jos haluat puhdistaa nämä resurssit, poista CloudFormation-pino, poista S3-säilö (mukaan lukien kaikki siihen tallennetut asiakirjakansiot ja tiedostot), poista OpenSearch Serverless -kokoelma, poista tietokanta ja poista kaikki roolit, käytännöt ja käyttöoikeudet. luotu aiemmin.
Yhteenveto
Tässä viestissä annoimme yleiskatsauksen kontekstuaalisista chatboteista ja selitimme, miksi ne ovat tärkeitä. Kuvasimme RAG-arkkitehtuurin tiedonkeruun ja tekstin luomisen työnkulkujen monimutkaisuutta. Sitten esittelimme, kuinka Knowledge Bases for Amazon Bedrock luo täysin hallitun palvelimettoman RAG-järjestelmän, joka sisältää vektorivaraston. Lopuksi tarjosimme ratkaisuarkkitehtuurin ja mallikoodin a GitHub repo hakea ja luoda kontekstuaalisia vastauksia chatbot-sovellukselle tietokannan avulla.
Selittämällä kontekstuaalisten chatbottien arvoa, RAG-järjestelmien haasteita ja sitä, kuinka Knowledge Bases for Amazon Bedrock vastaa näihin haasteisiin, tämän postauksen tarkoituksena oli esitellä, kuinka Amazon Bedrockin avulla voit rakentaa kehittyneitä keskustelupohjaisia tekoälysovelluksia pienellä vaivalla.
Lisätietoja, katso Amazon Bedrockin kehittäjäopas ja Knowledge Base -sovellusliittymät.
Tietoja Tekijät
Manish Chugh on pääratkaisuarkkitehti AWS:ssä San Franciscossa, Kaliforniassa. Hän on erikoistunut koneoppimiseen ja generatiiviseen tekoälyyn. Hän työskentelee organisaatioiden kanssa suurista yrityksistä alkuvaiheen startup-yrityksiin koneoppimiseen liittyvien ongelmien parissa. Hänen tehtävänsä on auttaa näitä organisaatioita suunnittelemaan skaalautuvaa, turvallista ja kustannustehokasta AWS-työkuormaa. Hän esiintyy säännöllisesti AWS-konferensseissa ja muissa kumppanitapahtumissa. Työn ulkopuolella hän nauttii vaeltamisesta East Bayn poluilla, maantiepyöräilystä ja kriketin katsomisesta (ja pelaamisesta).
Mani Khanuja on tekninen johtaja – Generative AI Specialists, kirjoittanut kirjan Applied Machine Learning and High Performance Computing on AWS ja hallituksen jäsen naisten tuotantokoulutuksessa säätiön hallituksessa. Hän johtaa koneoppimisprojekteja eri aloilla, kuten tietokonenäön, luonnollisen kielen käsittelyn ja generatiivisen tekoälyn aloilla. Hän puhuu sisäisissä ja ulkoisissa konferensseissa, kuten AWS re:Invent, Women in Manufacturing West, YouTube webinaareissa ja GHC 23:ssa. Vapaa-ajallaan hän tykkää käydä pitkillä lenkillä rannalla.
Pallavi Nargund on AWS:n pääratkaisuarkkitehti. Pilviteknologian mahdollistajana hän työskentelee asiakkaiden kanssa ymmärtääkseen heidän tavoitteitaan ja haasteitaan sekä antaakseen ohjeellisia ohjeita saavuttaakseen tavoitteensa AWS-tarjousten avulla. Hän on intohimoinen naisiin teknologiassa ja on Amazonin Women in AI/ML -järjestön ydinjäsen. Hän puhuu sisäisissä ja ulkoisissa konferensseissa, kuten AWS re:Invent, AWS Summits ja webinaareissa. Työn ulkopuolella hän harrastaa vapaaehtoistyötä, puutarhanhoitoa, pyöräilyä ja patikointia.
- 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/build-a-contextual-chatbot-application-using-knowledge-bases-for-amazon-bedrock/
- :on
- :On
- :missä
- $ YLÖS
- 100
- 125
- 2019
- 2020
- 2021
- 2022
- 23
- 27
- 500
- 7
- 8
- 9
- a
- kyky
- Meistä
- kiihdyttää
- pääsy
- Pääsy
- Mukaan
- Tili
- tarkka
- Saavuttaa
- poikki
- Toiminta
- lisätä
- lisä-
- osoitteet
- kehittynyt
- etuja
- neuvonantajat
- uudelleen
- aineet
- AI
- AI-järjestelmät
- AI / ML
- jonka tarkoituksena
- Kaikki
- Salliminen
- mahdollistaa
- yksin
- pitkin
- rinnalla
- Myös
- Amazon
- Amazon Web Services
- an
- ja
- vuotuinen
- VUOSITULOT
- vastaus
- puhelinvastaaja
- Antropinen
- Kaikki
- api
- API
- sovelluksen
- Hakemus
- sovellukset
- sovellettu
- lähestymistapa
- arkkitehtuuri
- OVAT
- AS
- At
- lisätä
- täydennetty
- augments
- aamurusko
- kirjoittaja
- automaattisesti
- saatavissa
- Katu
- pois
- AWS
- AWS-pilven muodostuminen
- AWS uudelleen: keksintö
- takaisin
- pohja
- perustua
- perustiedot
- Lahti
- Ranta
- tulevat
- ollut
- ennen
- Alku
- alkaa
- käyttäytyminen
- uskoo
- Paremmin
- Miljardi
- hallitus
- hallitus
- kirja
- merkki
- selain
- rakentaa
- liiketoiminta
- Business Applications
- by
- CA
- soittaa
- Puhelut
- CAN
- kyvyt
- pääoma
- tapauksissa
- CD
- haasteet
- muuttaa
- Muutokset
- maksut
- jutella
- chatbot
- chatbots
- Kassa
- siru
- sirut
- valinta
- Valita
- puhdas
- cli
- pilvi
- PILVITEKNOLOGIA
- koodi
- kokoelma
- yhdistää
- Tulla
- tulee
- Yhteinen
- Yritykset
- yritys
- täydellinen
- monimutkaisuus
- osat
- laskennallinen
- tietokone
- Tietokoneen visio
- tietojenkäsittely
- konferenssit
- kytkeä
- Console
- kuluttaja
- tausta
- asiayhteyteen
- asiayhteyteen
- jatkaa
- Keskustelu
- puhekielen
- keskusteleva AI
- keskustelut
- muunnetaan
- Ydin
- Yrityksen
- kustannustehokas
- voisi
- luoda
- luotu
- luo
- Luominen
- luominen
- luoja
- kriketti
- Tällä hetkellä
- asiakas
- asiakkaan käyttäytyminen
- asiakaskokemus
- Asiakaspalvelu
- Asiakkaat
- räätälöityjä
- tiedot
- datapisteet
- data-driven
- tietokanta
- päivää
- oletusarvo
- toimittaa
- toimitettu
- tuottaa
- Riippuen
- käyttöön
- käyttöönotto
- on kuvattu
- kuvaus
- yksityiskohdat
- Määrittää
- kehittää
- Kehittäjä
- Kehitys
- kaavio
- DID
- eri
- digitaalinen
- Ohjaajat
- useat
- asiakirja
- asiakirjat
- tekee
- dollaria
- verkkotunnuksia
- Dont
- alas
- download
- kukin
- Aikaisemmin
- aikainen vaihe
- Itään
- koulutus
- tehokas
- vaivaa
- vaivattomasti
- myöskään
- upottamisen
- työntekijää
- mahdollistaa
- mahdollistaja
- mahdollistaa
- harjoittaa
- Moottori
- Tekniikka
- tehostettu
- parantaa
- enter
- yritys
- yrityksille
- ympäristö
- virheet
- Jopa
- Tapahtumat
- Joka
- esimerkki
- experience
- Elämykset
- asiantuntemus
- Selittää
- selitti
- selitetään
- ulkoinen
- tosiasiat
- FAIL
- harvat
- ala
- filee
- Asiakirjat
- Vihdoin
- löydöt
- Etunimi
- virtaus
- Keskittää
- jälkeen
- varten
- perusta
- neljä
- Francisco
- Ilmainen
- alkaen
- täysin
- toiminto
- g1
- tuottaa
- synnyttää
- sukupolvi
- generatiivinen
- Generatiivinen AI
- mennä
- GitHub
- Antaa
- Go
- Tavoitteet
- kasvoi
- Maa
- Kasvaa
- kasvaa
- ohjaus
- HAD
- kahva
- Vetimet
- Olla
- he
- raskas
- raskas nosto
- auttaa
- hänen
- Korkea
- korkean tason
- hänen
- historia
- Etusivu
- Miten
- Kuitenkin
- HTML
- http
- HTTPS
- sata
- ID
- if
- valaista
- havainnollistaa
- täytäntöönpanosta
- tärkeä
- parantaa
- parannus
- parantaminen
- in
- sisältää
- Mukaan lukien
- sisällyttää
- sisältää
- Kasvaa
- kasvoi
- indeksi
- indeksit
- henkilökohtainen
- teollisuuden
- ilmoittaa
- tiedot
- Tietojärjestelmä
- panos
- Kyselyt
- oivalluksia
- asentaa
- välitön
- yhdistää
- Integrointi
- integraatio
- vuorovaikutuksessa
- etu
- liitäntä
- sisäinen
- sisäisesti
- tulee
- esitellä
- käyttöön
- investoimalla
- vedotaan
- osallistuva
- liittyy
- IT
- jpg
- avain
- tuntemus
- Kieli
- kielet
- suuri
- Suuret yritykset
- Sukunimi
- myöhemmin
- käynnistettiin
- kerros
- johtaa
- Liidit
- oppiminen
- vähiten
- jättää
- vähemmän
- kirjain
- Taso
- kirjastot
- Kirjasto
- nosto
- pitää
- tykkää
- rajallinen
- linja
- yhdistää
- OTK
- paikallinen
- Pitkät
- kone
- koneoppiminen
- tärkein
- TEE
- hallittavissa
- onnistui
- hallinnoi
- toimitusjohtaja
- valmistus
- monet
- ottelu
- Saattaa..
- me
- merkitys
- mekanismi
- jäsen
- Muisti
- vain
- miljoona
- miljoona dollaria
- minimi
- minuutti
- minuuttia
- malli
- mallit
- muokata
- lisää
- eniten
- moninkertainen
- nimi
- Luonnollinen
- Luonnollinen kielen käsittely
- Navigoida
- suunnistus
- Tarve
- tarvitaan
- tarpeet
- Uusi
- seuraava
- Nro
- Ei eristetty
- huomata
- muistikirja
- huomattava
- tavoite
- of
- kampanja
- tarjoukset
- Tarjoukset
- Office
- usein
- on
- ONE
- avata
- avoimen lähdekoodin
- optimaalinen
- Vaihtoehto
- Vaihtoehdot
- or
- organisaatioiden
- Muut
- muuten
- meidän
- ulos
- ulostulo
- ulkopuolella
- yli
- yläpuolella
- yleiskatsaus
- oma
- sivulla
- lasi
- parametrit
- kumppani
- osat
- kulku
- kanavat
- Hyväksytty
- intohimoinen
- Ohi
- Kuvio
- osuus
- suorituskyky
- Oikeudet
- yksilöllinen
- suunnitelma
- Platon
- Platonin tietotieto
- PlatonData
- pelaa
- Kohta
- pistettä
- politiikkaa
- Suosittu
- suosio
- Kirje
- teho
- powered
- voimakas
- mieltymykset
- esittää
- esitetty
- lahjat
- edellinen
- Pääasiallinen
- ongelmia
- prosessi
- käsittely
- prosessorit
- Tuotteemme
- Edistyminen
- hankkeet
- ohjeita
- patentoitu
- toimittaa
- mikäli
- tarjoaa
- tarjoamalla
- ostot
- Python
- kyselyt
- kysymys
- kysymys
- kysymykset
- nopea
- rätti
- alainen
- RE
- valmis
- todellinen
- todellinen maailma
- reaaliaikainen
- asiakirjat
- vähentää
- vähentämällä
- katso
- alueet
- säännöllisesti
- liittyvä
- Merkitys
- merkityksellinen
- Poistaa
- Raportit
- säilytyspaikka
- edustaa
- pyyntö
- tarvitaan
- Vaatii
- Esittelymateriaalit
- Vastata
- vastaus
- vasteet
- haku
- Tuotto
- tulot
- arviot
- tie
- Rooli
- roolit
- ajaa
- toimii
- runtime
- sama
- näyte
- San
- San Francisco
- tallennettu
- skaalautuva
- skaalaus
- käsikirjoitus
- sdk
- Haku
- Osa
- osiot
- turvallinen
- nähdä
- valita
- valittu
- semanttinen
- lähetetty
- palvella
- serverless
- palvelu
- Palvelut
- Istunto
- setti
- settings
- setup
- osakas
- Osakkeenomistajat
- hän
- Lyhytaikainen
- shouldnt
- näyteikkuna
- merkittävä
- samankaltainen
- samanaikaisesti
- single
- Koko
- pienempiä
- ratkaisu
- Ratkaisumme
- jonkin verran
- hienostunut
- lähde
- Lähteet
- puhuu
- asiantuntijat
- erikoistunut
- erityinen
- määritelty
- jakaa
- splits
- pino
- Alkaa
- Startups
- Osavaltio
- Tila
- varret
- Vaihe
- Askeleet
- verkkokaupasta
- tallennettu
- varastot
- tallentamiseksi
- suora
- Strategia
- tehostaa
- antaa
- myöhempi
- merkittävästi
- Onnistuneesti
- niin
- ehdottaa
- Huippukokouksissa
- tuki
- Tuetut
- Tukee
- synkronointi.
- järjestelmä
- järjestelmät
- taulukko
- Räätälöity
- ottaa
- vie
- tehtävät
- teknologia
- Elektroniikka
- sapluuna
- terminaali
- testi
- testattu
- teksti
- kuin
- että
- -
- tiedot
- Lähde
- heidän
- Niitä
- sitten
- Siellä.
- siksi
- Nämä
- ne
- tätä
- ne
- kolmella
- Kautta
- aika
- Titaani
- että
- Muuttaa
- laukaista
- luotettu
- yrittää
- kaksi
- tyypit
- varten
- ymmärtää
- päivittäminen
- ladattu
- käyttää
- käytetty
- käyttäjä
- Käyttäjät
- käyttötarkoituksiin
- käyttämällä
- hyödyllisyys
- v1
- arvokas
- arvo
- arvot
- eri
- visio
- tilavuus
- haluta
- oli
- katsomassa
- Tapa..
- we
- verkko
- Web-selain
- verkkopalvelut
- Web-pohjainen
- Webinaarit
- viikko
- viikkoa
- Länsi
- Mitä
- kun
- joka
- vaikka
- miksi
- tulee
- ikkuna
- with
- Naiset
- naiset tekniikassa
- Referenssit
- työnkulku
- työnkulkuja
- työskentely
- toimii
- kirjoittaa
- kirjoita koodi
- kirjallinen
- yaml
- vuosi
- vuotta
- Voit
- Sinun
- youtube
- zephyrnet