जनरेटिव एआई मूलभूत मॉडल (एफएम) द्वारा संचालित एप्लिकेशन ग्राहक अनुभव, उत्पादकता, प्रक्रिया अनुकूलन और नवाचारों में महत्वपूर्ण व्यावसायिक मूल्य वाले संगठनों को सक्षम कर रहे हैं। हालाँकि, इन एफएम को अपनाने में कुछ प्रमुख चुनौतियों का समाधान शामिल है, जिनमें गुणवत्ता आउटपुट, डेटा गोपनीयता, सुरक्षा, संगठन डेटा के साथ एकीकरण, लागत और वितरित करने के कौशल शामिल हैं।
इस पोस्ट में, हम जेनरेटिव एआई का उपयोग करने वाले एप्लिकेशन बनाते समय आपके द्वारा अपनाए जाने वाले विभिन्न दृष्टिकोणों का पता लगाएंगे। एफएम की तीव्र प्रगति के साथ, यह उनकी शक्ति का दोहन करने का एक रोमांचक समय है, लेकिन यह समझना भी महत्वपूर्ण है कि व्यावसायिक परिणाम प्राप्त करने के लिए उनका उचित उपयोग कैसे किया जाए। हम त्वरित इंजीनियरिंग, रिट्रीवल ऑगमेंटेड जेनरेशन (आरएजी), और मॉडल अनुकूलन सहित प्रमुख जेनरेटिव एआई दृष्टिकोणों का अवलोकन प्रदान करते हैं। इन दृष्टिकोणों को लागू करते समय, हम संभावित मतिभ्रम, उद्यम डेटा के साथ एकीकरण, आउटपुट गुणवत्ता और लागत के आसपास प्रमुख विचारों पर चर्चा करते हैं। अंत तक, आपके पास अपने स्वयं के एफएम-संचालित अनुप्रयोगों को विकसित करने की सर्वोत्तम विधि निर्धारित करने के लिए ठोस दिशानिर्देश और एक सहायक प्रवाह चार्ट होगा, जो वास्तविक जीवन के उदाहरणों पर आधारित होगा। चाहे चैटबॉट बनाना हो या सारांशीकरण उपकरण, आप अपनी आवश्यकताओं के अनुरूप शक्तिशाली एफएम को आकार दे सकते हैं।
AWS के साथ जनरेटिव AI
एफएम का उद्भव इन प्रौद्योगिकियों का उपयोग करने वाले संगठनों के लिए अवसर और चुनौतियां दोनों पैदा कर रहा है। एक प्रमुख चुनौती उच्च-गुणवत्ता, सुसंगत आउटपुट सुनिश्चित करना है जो मतिभ्रम या झूठी जानकारी के बजाय व्यावसायिक आवश्यकताओं के अनुरूप हो। संगठनों को एफएम के साथ मालिकाना डेटा संसाधित करने से उत्पन्न होने वाले डेटा गोपनीयता और सुरक्षा जोखिमों का भी सावधानीपूर्वक प्रबंधन करना चाहिए। मौजूदा सिस्टम और डेटा के भीतर एफएम को उचित रूप से एकीकृत, अनुकूलित और मान्य करने के लिए आवश्यक कौशल की कमी है। शुरुआत से बड़े भाषा मॉडल (एलएलएम) बनाने या पूर्व-प्रशिक्षित मॉडल को अनुकूलित करने के लिए पर्याप्त गणना संसाधनों, विशेषज्ञ डेटा वैज्ञानिकों और महीनों के इंजीनियरिंग कार्य की आवश्यकता होती है। हजारों जीपीयू या टीपीयू का उपयोग करके बड़े पैमाने पर डेटासेट पर सैकड़ों अरब मापदंडों के साथ मॉडल को प्रशिक्षित करने के लिए अकेले कम्प्यूटेशनल लागत आसानी से लाखों डॉलर तक पहुंच सकती है। हार्डवेयर से परे, डेटा सफाई और प्रसंस्करण, मॉडल आर्किटेक्चर डिजाइन, हाइपरपैरामीटर ट्यूनिंग और प्रशिक्षण पाइपलाइन विकास विशेष मशीन लर्निंग (एमएल) कौशल की मांग करते हैं। अपेक्षित बुनियादी ढांचे और प्रतिभा निवेश के बिना अधिकांश संगठनों के लिए शुरू से अंत तक की प्रक्रिया जटिल, समय लेने वाली और अत्यधिक महंगी है। जो संगठन इन जोखिमों को पर्याप्त रूप से संबोधित करने में विफल रहते हैं, उन्हें अपनी ब्रांड प्रतिष्ठा, ग्राहक विश्वास, संचालन और राजस्व पर नकारात्मक प्रभाव का सामना करना पड़ सकता है।
अमेज़ॅन बेडरॉक एक पूरी तरह से प्रबंधित सेवा है जो एक ही एपीआई के माध्यम से एआई21 लैब्स, एंथ्रोपिक, कोहेरे, मेटा, मिस्ट्रल एआई, स्टेबिलिटी एआई और अमेज़ॅन जैसी प्रमुख एआई कंपनियों से उच्च प्रदर्शन वाले फाउंडेशन मॉडल (एफएम) का विकल्प प्रदान करती है। अमेज़ॅन बेडरॉक सर्वर रहित अनुभव के साथ, आप जल्दी से शुरुआत कर सकते हैं, निजी तौर पर अपने डेटा के साथ एफएम को अनुकूलित कर सकते हैं, और किसी भी बुनियादी ढांचे को प्रबंधित किए बिना एडब्ल्यूएस टूल का उपयोग करके उन्हें अपने अनुप्रयोगों में एकीकृत और तैनात कर सकते हैं। अमेज़ॅन बेडरॉक HIPAA योग्य है, और आप जीडीपीआर के अनुपालन में अमेज़ॅन बेडरॉक का उपयोग कर सकते हैं। अमेज़ॅन बेडरॉक के साथ, आपकी सामग्री का उपयोग बेस मॉडल को बेहतर बनाने के लिए नहीं किया जाता है और इसे तीसरे पक्ष के मॉडल प्रदाताओं के साथ साझा नहीं किया जाता है। अमेज़ॅन बेडरॉक में आपका डेटा हमेशा ट्रांज़िट और आराम के दौरान एन्क्रिप्ट किया जाता है, और आप वैकल्पिक रूप से अपनी स्वयं की कुंजी का उपयोग करके संसाधनों को एन्क्रिप्ट कर सकते हैं। आप उपयोग कर सकते हैं एडब्ल्यूएस प्राइवेटलिंक इंटरनेट पर आपके ट्रैफ़िक को उजागर किए बिना आपके एफएम और आपके वीपीसी के बीच निजी कनेक्टिविटी स्थापित करने के लिए अमेज़ॅन बेडरॉक के साथ। साथ अमेज़ॅन बेडरॉक के लिए ज्ञानकोष, आप अधिक प्रासंगिक, सटीक और अनुकूलित प्रतिक्रियाएं देने के लिए आरएजी के लिए एफएम और एजेंटों को अपनी कंपनी के निजी डेटा स्रोतों से प्रासंगिक जानकारी दे सकते हैं। आप किसी भी कोड को लिखे बिना विज़ुअल इंटरफ़ेस के माध्यम से अपने स्वयं के डेटा के साथ एफएम को निजी तौर पर अनुकूलित कर सकते हैं। पूरी तरह से प्रबंधित सेवा के रूप में, अमेज़ॅन बेडरॉक उच्च प्रदर्शन वाले एफएम की एक विस्तृत श्रृंखला के साथ काम करने के लिए एक सीधा डेवलपर अनुभव प्रदान करता है।
2017 में शुरू की, अमेज़न SageMaker एक पूरी तरह से प्रबंधित सेवा है जो एमएल मॉडल बनाने, प्रशिक्षित करने और तैनात करने को आसान बनाती है। अधिक से अधिक ग्राहक सेजमेकर का उपयोग करके अपने स्वयं के एफएम का निर्माण कर रहे हैं, जिसमें स्टेबिलिटी एआई, एआई 21 लैब्स, हगिंग फेस, पर्प्लेक्सिटी एआई, हिप्पोक्रेटिक एआई, एलजी एआई रिसर्च और टेक्नोलॉजी इनोवेशन इंस्टीट्यूट शामिल हैं। आपको शीघ्रता से आरंभ करने में सहायता के लिए, अमेज़न SageMaker जम्पस्टार्ट एक एमएल हब प्रदान करता है जहां आप मिस्ट्रल मॉडल, लाइटऑन मॉडल, रेडपाजामा, मोसियाक एमपीटी-7बी, एफएलएएन-टी5/यूएल2, जीपीटी-जे-6बी/नियोक्स-20बी जैसे सार्वजनिक एफएम के विस्तृत चयन का पता लगा सकते हैं, प्रशिक्षित कर सकते हैं और तैनात कर सकते हैं। , और ब्लूम/ब्लूमजेड, प्रयोग और पाइपलाइन जैसे उद्देश्य-निर्मित सेजमेकर टूल का उपयोग करते हुए।
सामान्य जनरेटिव एआई दृष्टिकोण
इस अनुभाग में, हम प्रभावी जेनरेटर एआई समाधानों को लागू करने के लिए सामान्य दृष्टिकोण पर चर्चा करते हैं। हम लोकप्रिय प्रॉम्प्ट इंजीनियरिंग तकनीकों का पता लगाते हैं जो आपको एफएम के साथ अधिक जटिल और दिलचस्प कार्य करने की अनुमति देती हैं। हम इस बात पर भी चर्चा करते हैं कि कैसे आरएजी और मॉडल अनुकूलन जैसी तकनीकें एफएम की क्षमताओं को और बढ़ा सकती हैं और सीमित डेटा और कम्प्यूटेशनल बाधाओं जैसी चुनौतियों को दूर कर सकती हैं। सही तकनीक से, आप शक्तिशाली और प्रभावशाली जेनरेटिव एआई समाधान बना सकते हैं।
शीघ्र इंजीनियरिंग
प्रॉम्प्ट इंजीनियरिंग एफएम की क्षमताओं का कुशलतापूर्वक उपयोग करने के लिए संकेतों को सावधानीपूर्वक डिजाइन करने का अभ्यास है। इसमें संकेतों का उपयोग शामिल है, जो पाठ के छोटे टुकड़े हैं जो मॉडल को अधिक सटीक और प्रासंगिक प्रतिक्रियाएं उत्पन्न करने के लिए मार्गदर्शन करते हैं। शीघ्र इंजीनियरिंग के साथ, आप एफएम के प्रदर्शन में सुधार कर सकते हैं और उन्हें विभिन्न अनुप्रयोगों के लिए अधिक प्रभावी बना सकते हैं। इस खंड में, हम शून्य-शॉट और कुछ-शॉट प्रॉम्प्टिंग जैसी तकनीकों का पता लगाते हैं, जो एफएम को केवल कुछ उदाहरणों के साथ नए कार्यों के लिए तेजी से अनुकूलित करती है, और चेन-ऑफ-थॉट प्रॉम्प्टिंग, जो जटिल तर्क को मध्यवर्ती चरणों में तोड़ देती है। ये विधियाँ प्रदर्शित करती हैं कि कैसे त्वरित इंजीनियरिंग मॉडल पुनर्प्रशिक्षण की आवश्यकता के बिना जटिल कार्यों पर एफएम को अधिक प्रभावी बना सकती है।
शून्य-शॉट संकेत
शून्य-शॉट प्रॉम्प्ट तकनीक के लिए एफएम को वांछित व्यवहार का कोई स्पष्ट उदाहरण दिए बिना, केवल इसके पूर्व-प्रशिक्षण पर निर्भर होकर उत्तर उत्पन्न करने की आवश्यकता होती है। निम्नलिखित स्क्रीनशॉट अमेज़ॅन बेडरॉक कंसोल पर एंथ्रोपिक क्लाउड 2.1 मॉडल के साथ शून्य-शॉट प्रॉम्प्ट का एक उदाहरण दिखाता है।
इन निर्देशों में, हमने कोई उदाहरण नहीं दिया। हालाँकि, मॉडल कार्य को समझ सकता है और उचित आउटपुट उत्पन्न कर सकता है। आपके उपयोग के मामले के लिए एफएम का मूल्यांकन करते समय शून्य-शॉट संकेत सबसे सरल संकेत तकनीक है। हालाँकि, हालांकि एफएम शून्य-शॉट संकेतों के साथ उल्लेखनीय हैं, यह हमेशा अधिक जटिल कार्यों के लिए सटीक या वांछित परिणाम नहीं दे सकता है। जब शून्य-शॉट संकेत कम पड़ जाते हैं, तो संकेत में कुछ उदाहरण (कुछ-शॉट संकेत) प्रदान करने की अनुशंसा की जाती है।
कुछ-शॉट संकेत
कुछ-शॉट प्रॉम्प्ट तकनीक एफएम को प्रॉम्प्ट में उदाहरणों से संदर्भ में सीखने और कार्य को अधिक सटीकता से करने की अनुमति देती है। केवल कुछ उदाहरणों के साथ, आप बड़े प्रशिक्षण सेटों के बिना एफएम को नए कार्यों के लिए तेजी से अनुकूलित कर सकते हैं और उन्हें वांछित व्यवहार के लिए मार्गदर्शन कर सकते हैं। अमेज़ॅन बेडरॉक कंसोल पर कोहेयर कमांड मॉडल के साथ कुछ-शॉट प्रॉम्प्ट का एक उदाहरण निम्नलिखित है।
पिछले उदाहरण में, एफएम इनपुट टेक्स्ट (समीक्षाओं) से संस्थाओं की पहचान करने और संबंधित भावनाओं को निकालने में सक्षम था। कुछ-शॉट संकेत इनपुट-आउटपुट जोड़े के कुछ उदाहरण प्रदान करके जटिल कार्यों से निपटने का एक प्रभावी तरीका है। सीधे कार्यों के लिए, आप एक उदाहरण (1-शॉट) दे सकते हैं, जबकि अधिक कठिन कार्यों के लिए, आपको तीन (3-शॉट) से पांच (5-शॉट) उदाहरण प्रदान करने चाहिए। मिन एट अल. (2022) संदर्भ में सीखने के बारे में प्रकाशित निष्कर्ष जो कुछ-शॉट प्रॉम्प्टिंग तकनीक के प्रदर्शन को बढ़ा सकते हैं। आप विभिन्न प्रकार के कार्यों के लिए कुछ-शॉट प्रॉम्प्टिंग का उपयोग कर सकते हैं, जैसे भावना विश्लेषण, इकाई पहचान, प्रश्न उत्तर, अनुवाद और कोड निर्माण।
विचार शृंखला प्रेरणादायक
इसकी क्षमता के बावजूद, कुछ-शॉट प्रॉम्प्टिंग की सीमाएं हैं, खासकर जब जटिल तर्क कार्यों (जैसे अंकगणित या तार्किक कार्यों) से निपटते हैं। इन कार्यों के लिए समस्या को चरणों में विभाजित करना और फिर उसका समाधान करना आवश्यक है। वेई एट अल. (2022) मध्यवर्ती तर्क चरणों के माध्यम से जटिल तर्क समस्याओं को हल करने के लिए चेन-ऑफ-थॉट (सीओटी) प्रोत्साहन तकनीक की शुरुआत की। आप जटिल कार्यों पर परिणामों को बेहतर बनाने के लिए सीओटी को कुछ-शॉट प्रॉम्प्टिंग के साथ जोड़ सकते हैं। निम्नलिखित अमेज़ॅन बेडरॉक कंसोल पर एंथ्रोपिक क्लाउड 2 मॉडल के साथ कुछ-शॉट सीओटी प्रॉम्प्टिंग का उपयोग करके एक तर्क कार्य का एक उदाहरण है।
कोजिमा एट अल. (2022) एफएम की अप्रयुक्त शून्य-शॉट क्षमताओं का उपयोग करके शून्य-शॉट सीओटी का विचार पेश किया। उनके शोध से संकेत मिलता है कि शून्य-शॉट सीओटी, एक ही एकल-प्रॉम्प्ट टेम्पलेट का उपयोग करते हुए, विभिन्न बेंचमार्क तर्क कार्यों पर शून्य-शॉट एफएम प्रदर्शन से बेहतर प्रदर्शन करता है। आप मूल संकेत में "आइए चरण दर चरण सोचें" जोड़कर सरल तर्क कार्यों के लिए शून्य-शॉट सीओटी संकेत का उपयोग कर सकते हैं।
प्रतिक्रिया
सीओटी प्रॉम्प्टिंग एफएम की तर्क क्षमताओं को बढ़ा सकती है, लेकिन यह अभी भी मॉडल के आंतरिक ज्ञान पर निर्भर करती है और अधिक जानकारी इकट्ठा करने के लिए किसी बाहरी ज्ञान आधार या वातावरण पर विचार नहीं करती है, जिससे मतिभ्रम जैसे मुद्दे हो सकते हैं। रिएक्ट (तर्क और अभिनय) दृष्टिकोण सीओटी का विस्तार करके और बाहरी वातावरण (जैसे विकिपीडिया) का उपयोग करके गतिशील तर्क की अनुमति देकर इस अंतर को संबोधित करता है।
एकीकरण
एफएम में अपने पूर्व-प्रशिक्षित ज्ञान का उपयोग करके प्रश्नों को समझने और उत्तर प्रदान करने की क्षमता होती है। हालाँकि, उनके पास किसी संगठन के निजी डेटा तक पहुंच या स्वायत्त रूप से कार्यों को पूरा करने की क्षमता की आवश्यकता वाले प्रश्नों का जवाब देने की क्षमता का अभाव है। आरएजी और एजेंट इन जेनरेटिव एआई-संचालित अनुप्रयोगों को एंटरप्राइज़ डेटासेट से जोड़ने के तरीके हैं, जो उन्हें संगठनात्मक जानकारी के लिए जिम्मेदार प्रतिक्रियाएं देने और अनुरोधों के आधार पर चलने वाली कार्रवाइयों को सक्षम करने के लिए सशक्त बनाते हैं।
पुनर्प्राप्ति संवर्धित पीढ़ी
जब आप चाहते हैं कि मॉडल नए ज्ञान या अद्यतन जानकारी पर विचार करे तो रिट्रीवल ऑगमेंटेड जेनरेशन (आरएजी) आपको मॉडल की प्रतिक्रियाओं को अनुकूलित करने की अनुमति देता है। जब आपका डेटा बार-बार बदलता है, जैसे इन्वेंट्री या मूल्य निर्धारण, तो उपयोगकर्ता के प्रश्नों को प्रस्तुत करते समय मॉडल को ठीक करना और अपडेट करना व्यावहारिक नहीं है। एफएम को नवीनतम मालिकाना जानकारी से लैस करने के लिए, संगठन आरएजी की ओर रुख करते हैं, एक ऐसी तकनीक जिसमें कंपनी डेटा स्रोतों से डेटा प्राप्त करना और अधिक प्रासंगिक और सटीक प्रतिक्रिया देने के लिए उस डेटा के साथ प्रॉम्प्ट को समृद्ध करना शामिल है।
ऐसे कई उपयोग मामले हैं जहां RAG एफएम प्रदर्शन को बेहतर बनाने में मदद कर सकता है:
- सवाल जवाब - आरएजी मॉडल प्रश्न उत्तर देने वाले अनुप्रयोगों को उच्च गुणवत्ता वाले उत्तर उत्पन्न करने के लिए दस्तावेजों या ज्ञान स्रोतों से जानकारी का पता लगाने और एकीकृत करने में मदद करते हैं। उदाहरण के लिए, एक प्रश्न उत्तर देने वाला एप्लिकेशन सारांशित उत्तर उत्पन्न करने से पहले किसी विषय के बारे में अंश पुनः प्राप्त कर सकता है।
- चैटबॉट और संवादी एजेंट - RAG चैटबॉट्स को बड़े बाहरी ज्ञान स्रोतों से प्रासंगिक जानकारी तक पहुंचने की अनुमति देता है। यह चैटबॉट की प्रतिक्रियाओं को अधिक जानकारीपूर्ण और स्वाभाविक बनाता है।
- लेखन सहायता - RAG आपको लेख, रिपोर्ट और ईमेल जैसे दस्तावेज़ों को अधिक कुशलता से लिखने में मदद करने के लिए प्रासंगिक सामग्री, तथ्य और बातचीत के बिंदु सुझा सकता है। पुनर्प्राप्त जानकारी उपयोगी संदर्भ और विचार प्रदान करती है।
- संक्षिप्तीकरण - आरएजी किसी विषय के सारांश मॉडल की समझ को बढ़ाने के लिए प्रासंगिक स्रोत दस्तावेज़, अनुच्छेद या तथ्य ढूंढ सकता है, जिससे यह बेहतर सारांश उत्पन्न कर सके।
- रचनात्मक लेखन और कहानी सुनाना - आरएजी एआई कहानी निर्माण मॉडल को प्रेरित करने के लिए मौजूदा कहानियों से कथानक विचारों, पात्रों, सेटिंग्स और रचनात्मक तत्वों को खींच सकता है। यह आउटपुट को अधिक रोचक और जमीनी बनाता है।
- अनुवाद करें - RAG उदाहरण पा सकता है कि भाषाओं के बीच कुछ वाक्यांशों का अनुवाद कैसे किया जाता है। यह अनुवाद मॉडल को संदर्भ प्रदान करता है, जिससे अस्पष्ट वाक्यांशों के अनुवाद में सुधार होता है।
- निजीकरण - चैटबॉट्स और अनुशंसा अनुप्रयोगों में, RAG प्रतिक्रियाओं को अधिक वैयक्तिकृत और प्रासंगिक बनाने के लिए पिछली बातचीत, प्रोफ़ाइल जानकारी और प्राथमिकताओं जैसे व्यक्तिगत संदर्भ खींच सकता है।
RAG ढांचे का उपयोग करने के कई फायदे हैं:
- मतिभ्रम में कमी - प्रासंगिक जानकारी प्राप्त करने से उत्पन्न पाठ को भ्रामक पाठ के बजाय तथ्यों और वास्तविक दुनिया के ज्ञान पर आधारित करने में मदद मिलती है। यह अधिक सटीक, तथ्यात्मक और भरोसेमंद प्रतिक्रियाओं को बढ़ावा देता है।
- व्याप्ति - पुनर्प्राप्ति एक एफएम को बाहरी जानकारी खींचकर अपने प्रशिक्षण डेटा से परे विषयों और परिदृश्यों की एक विस्तृत श्रृंखला को कवर करने की अनुमति देती है। इससे सीमित कवरेज संबंधी समस्याओं का समाधान करने में मदद मिलती है.
- दक्षता - पुनर्प्राप्ति मॉडल को अपनी पीढ़ी को खरोंच से सब कुछ उत्पन्न करने के बजाय सबसे प्रासंगिक जानकारी पर ध्यान केंद्रित करने देती है। इससे दक्षता में सुधार होता है और बड़े संदर्भों का उपयोग करने की अनुमति मिलती है।
- सुरक्षा - आवश्यक और अनुमत डेटा स्रोतों से जानकारी प्राप्त करने से प्रशासन में सुधार हो सकता है और हानिकारक और गलत सामग्री निर्माण पर नियंत्रण हो सकता है। यह सुरक्षित गोद लेने का समर्थन करता है।
- अनुमापकता - बड़े कॉर्पोरा से अनुक्रमण और पुनर्प्राप्ति पीढ़ी के दौरान पूर्ण कॉर्पस का उपयोग करने की तुलना में दृष्टिकोण को बेहतर पैमाने पर करने की अनुमति देती है। यह आपको अधिक संसाधन-बाधित वातावरण में एफएम अपनाने में सक्षम बनाता है।
वेक्टरकृत डेटा स्टोर से सीधे उपयोग के मामले-विशिष्ट संदर्भ को बढ़ाने के कारण, आरएजी गुणवत्तापूर्ण परिणाम उत्पन्न करता है। त्वरित इंजीनियरिंग की तुलना में, यह मतिभ्रम की बहुत कम संभावना के साथ काफी बेहतर परिणाम देता है। आप इसका उपयोग करके अपने एंटरप्राइज़ डेटा पर RAG-संचालित एप्लिकेशन बना सकते हैं अमेज़ॅन केंद्र. आरएजी में प्रॉम्प्ट इंजीनियरिंग की तुलना में अधिक जटिलता है क्योंकि इस समाधान को लागू करने के लिए आपके पास कोडिंग और आर्किटेक्चर कौशल होना आवश्यक है। हालाँकि, अमेज़ॅन बेडरॉक के लिए नॉलेज बेस पूरी तरह से प्रबंधित आरएजी अनुभव प्रदान करता है और अमेज़ॅन बेडरॉक में आरएजी के साथ शुरुआत करने का सबसे सीधा तरीका प्रदान करता है। अमेज़ॅन बेडरॉक के लिए नॉलेज बेस अंत-टू-एंड आरएजी वर्कफ़्लो को स्वचालित करता है, जिसमें अंतर्ग्रहण, पुनर्प्राप्ति और त्वरित वृद्धि शामिल है, जिससे डेटा स्रोतों को एकीकृत करने और प्रश्नों को प्रबंधित करने के लिए कस्टम कोड लिखने की आवश्यकता समाप्त हो जाती है। सत्र संदर्भ प्रबंधन अंतर्निहित है ताकि आपका ऐप मल्टी-टर्न वार्तालापों का समर्थन कर सके। पारदर्शिता में सुधार और मतिभ्रम को कम करने के लिए ज्ञान आधारित प्रतिक्रियाएं स्रोत उद्धरणों के साथ आती हैं। जेनरेटिव-एआई संचालित सहायक बनाने का सबसे सीधा तरीका इसका उपयोग करना है अमेज़न प्र, जिसमें एक अंतर्निहित RAG प्रणाली है।
जब वास्तुकला में बदलाव की बात आती है तो आरएजी में लचीलेपन की उच्चतम डिग्री होती है। आप अन्य घटकों पर न्यूनतम से मध्यम प्रभाव के साथ एम्बेडिंग मॉडल, वेक्टर स्टोर और एफएम को स्वतंत्र रूप से बदल सकते हैं। आरएजी दृष्टिकोण के बारे में अधिक जानने के लिए अमेज़न ओपन सर्च सर्विस और अमेज़ॅन बेडरॉक, देखें अमेज़ॅन ओपनसर्च सर्वरलेस और अमेज़ॅन बेडरॉक क्लाउड मॉडल के लिए वेक्टर इंजन के साथ स्केलेबल और सर्वर रहित आरएजी वर्कफ़्लो बनाएं. अमेज़ॅन केंद्र के साथ आरएजी को कैसे लागू किया जाए, इसके बारे में जानने के लिए देखें जेनरेटिव एआई के साथ एंटरप्राइज़ डेटा की शक्ति का उपयोग करना: अमेज़ॅन केंद्र, लैंगचेन और बड़े भाषा मॉडल से अंतर्दृष्टि.
एजेंटों
एफएम अपने पूर्व-प्रशिक्षित ज्ञान के आधार पर प्रश्नों को समझ सकते हैं और उनका जवाब दे सकते हैं। हालाँकि, वे वास्तविक दुनिया के किसी भी कार्य को पूरा करने में असमर्थ हैं, जैसे उड़ान बुक करना या खरीद ऑर्डर संसाधित करना, अपने दम पर। ऐसा इसलिए है क्योंकि ऐसे कार्यों के लिए संगठन-विशिष्ट डेटा और वर्कफ़्लो की आवश्यकता होती है जिसके लिए आमतौर पर कस्टम प्रोग्रामिंग की आवश्यकता होती है। फ्रेमवर्क जैसे लैंगचैन और क्लाउड मॉडल जैसे कुछ एफएम एपीआई और टूल के साथ इंटरैक्ट करने के लिए फ़ंक्शन-कॉलिंग क्षमताएं प्रदान करते हैं। तथापि, अमेज़ॅन बेडरॉक के लिए एजेंट, AWS की एक नई और पूरी तरह से प्रबंधित AI क्षमता, का लक्ष्य डेवलपर्स के लिए अगली पीढ़ी के एफएम का उपयोग करके एप्लिकेशन बनाना अधिक सरल बनाना है। बस कुछ ही क्लिक के साथ, यह स्वचालित रूप से कार्यों को तोड़ सकता है और मैन्युअल कोडिंग की आवश्यकता के बिना आवश्यक ऑर्केस्ट्रेशन तर्क उत्पन्न कर सकता है। एजेंट एपीआई के माध्यम से कंपनी के डेटाबेस से सुरक्षित रूप से जुड़ सकते हैं, मशीन की खपत के लिए डेटा को ग्रहण और संरचना कर सकते हैं, और अधिक सटीक प्रतिक्रिया देने और अनुरोधों को पूरा करने के लिए इसे प्रासंगिक विवरण के साथ बढ़ा सकते हैं। क्योंकि यह एकीकरण और बुनियादी ढांचे को संभालता है, अमेज़ॅन बेडरॉक के एजेंट आपको व्यावसायिक उपयोग के मामलों के लिए जेनरेटिव एआई का पूरी तरह से उपयोग करने की अनुमति देते हैं। डेवलपर्स अब नियमित प्लंबिंग के बजाय अपने मुख्य अनुप्रयोगों पर ध्यान केंद्रित कर सकते हैं। स्वचालित डेटा प्रोसेसिंग और एपीआई कॉलिंग एफएम को मालिकाना ज्ञान का उपयोग करके अद्यतन, अनुकूलित उत्तर देने और वास्तविक कार्य करने में भी सक्षम बनाती है।
मॉडल अनुकूलन
फाउंडेशन मॉडल बेहद सक्षम हैं और कुछ बेहतरीन अनुप्रयोगों को सक्षम करते हैं, लेकिन जो चीज आपके व्यवसाय को चलाने में मदद करेगी वह जेनरेटर एआई है जो जानती है कि आपके ग्राहकों, आपके उत्पादों और आपकी कंपनी के लिए क्या महत्वपूर्ण है। और यह तभी संभव है जब आप अपने डेटा से मॉडलों को सुपरचार्ज करेंगे। डेटा सामान्य अनुप्रयोगों से अनुकूलित जेनेरिक एआई अनुप्रयोगों की ओर बढ़ने की कुंजी है जो आपके ग्राहकों और आपके व्यवसाय के लिए वास्तविक मूल्य बनाते हैं।
इस अनुभाग में, हम आपके एफएम को अनुकूलित करने की विभिन्न तकनीकों और लाभों पर चर्चा करते हैं। हम कवर करते हैं कि कैसे मॉडल अनुकूलन में इसके प्रदर्शन को बढ़ाने के लिए आगे का प्रशिक्षण और मॉडल के वजन को बदलना शामिल है।
फ़ाइन ट्यूनिंग
फाइन-ट्यूनिंग एक पूर्व-प्रशिक्षित एफएम लेने की प्रक्रिया है, जैसे कि लामा 2, और उस कार्य के लिए विशिष्ट डेटासेट के साथ डाउनस्ट्रीम कार्य पर इसे आगे प्रशिक्षित करना। पूर्व-प्रशिक्षित मॉडल सामान्य भाषाई ज्ञान प्रदान करता है, और फाइन-ट्यूनिंग इसे पाठ वर्गीकरण, प्रश्न उत्तर या पाठ निर्माण जैसे किसी विशेष कार्य पर विशेषज्ञता और प्रदर्शन में सुधार करने की अनुमति देता है। फाइन-ट्यूनिंग के साथ, आप विशिष्ट कार्यों पर मॉडल को प्रशिक्षित करने के लिए लेबल किए गए डेटासेट प्रदान करते हैं - जिन्हें अतिरिक्त संदर्भ के साथ एनोटेट किया जाता है। फिर आप अपने व्यावसायिक संदर्भ के आधार पर विशिष्ट कार्य के लिए मॉडल मापदंडों को अनुकूलित कर सकते हैं।
आप एफएम पर फाइन-ट्यूनिंग लागू कर सकते हैं अमेज़न SageMaker जम्पस्टार्ट और अमेज़ॅन बेडरॉक। अधिक जानकारी के लिए देखें कोड की दो पंक्तियों के साथ अमेज़ॅन सेजमेकर जम्पस्टार्ट में फाउंडेशन मॉडल को तैनात और फाइन-ट्यून करें और फ़ाइन-ट्यूनिंग और निरंतर पूर्व-प्रशिक्षण का उपयोग करके अपने स्वयं के डेटा के साथ अमेज़ॅन बेडरॉक में मॉडल को अनुकूलित करें.
पूर्व प्रशिक्षण जारी रखा
अमेज़ॅन बेडरॉक में निरंतर पूर्व-प्रशिक्षण आपको पहले से प्रशिक्षित मॉडल को उसके मूल डेटा के समान अतिरिक्त डेटा पर सिखाने में सक्षम बनाता है। यह मॉडल को किसी एकल एप्लिकेशन पर ध्यान केंद्रित करने के बजाय अधिक सामान्य भाषाई ज्ञान प्राप्त करने में सक्षम बनाता है। निरंतर पूर्व-प्रशिक्षण के साथ, आप मॉडल मापदंडों में बदलाव के माध्यम से अपने डोमेन के लिए फाउंडेशन मॉडल की सटीकता में सुधार करने के लिए अपने गैर-लेबल वाले डेटासेट या कच्चे डेटा का उपयोग कर सकते हैं। उदाहरण के लिए, एक स्वास्थ्य सेवा कंपनी उद्योग शब्दावली पर अधिक जानकार बनाने के लिए चिकित्सा पत्रिकाओं, लेखों और शोध पत्रों का उपयोग करके अपने मॉडल को पूर्व-प्रशिक्षित करना जारी रख सकती है। अधिक जानकारी के लिए देखें अमेज़ॅन बेडरॉक डेवलपर अनुभव.
मॉडल अनुकूलन के लाभ
मॉडल अनुकूलन के कई फायदे हैं और इससे संगठनों को निम्नलिखित में मदद मिल सकती है:
- डोमेन-विशिष्ट अनुकूलन - आप एक सामान्य-उद्देश्य वाले एफएम का उपयोग कर सकते हैं, और फिर इसे एक विशिष्ट डोमेन (जैसे बायोमेडिकल, कानूनी या वित्तीय) के डेटा पर प्रशिक्षित कर सकते हैं। यह मॉडल को उस डोमेन की शब्दावली, शैली इत्यादि के अनुसार अनुकूलित करता है।
- कार्य-विशिष्ट फ़ाइन-ट्यूनिंग - आप एक पूर्व-प्रशिक्षित एफएम ले सकते हैं और इसे किसी विशिष्ट कार्य (जैसे भावना विश्लेषण या प्रश्न उत्तर) के लिए डेटा पर फाइन-ट्यून कर सकते हैं। यह उस विशेष कार्य के लिए मॉडल को विशेषज्ञ बनाता है।
- निजीकरण - मॉडल को उनकी अनूठी शैली के अनुरूप ढालने के लिए आप किसी व्यक्ति के डेटा (ईमेल, टेक्स्ट, उनके द्वारा लिखे गए दस्तावेज़) पर एक एफएम को अनुकूलित कर सकते हैं। यह अधिक व्यक्तिगत अनुप्रयोगों को सक्षम कर सकता है।
- कम संसाधन वाली भाषा ट्यूनिंग - आप बहुभाषी एफएम की केवल शीर्ष परतों को कम संसाधन वाली भाषा में फिर से प्रशिक्षित कर सकते हैं ताकि इसे उस भाषा में बेहतर ढंग से अनुकूलित किया जा सके।
- खामियों को ठीक करना - यदि किसी मॉडल में कुछ अनपेक्षित व्यवहार पाए जाते हैं, तो उपयुक्त डेटा पर अनुकूलन उन खामियों को कम करने के लिए मॉडल को अपडेट करने में मदद कर सकता है।
मॉडल अनुकूलन निम्नलिखित एफएम अपनाने की चुनौतियों से निपटने में मदद करता है:
- नए डोमेन और कार्यों के लिए अनुकूलन - सामान्य टेक्स्ट कॉर्पोरा पर पूर्व-प्रशिक्षित एफएम को डाउनस्ट्रीम अनुप्रयोगों के लिए अच्छी तरह से काम करने के लिए अक्सर कार्य-विशिष्ट डेटा को ठीक करने की आवश्यकता होती है। फ़ाइन-ट्यूनिंग मॉडल को नए डोमेन या कार्यों के लिए अनुकूलित करती है जिन पर इसे मूल रूप से प्रशिक्षित नहीं किया गया था।
- पूर्वाग्रह पर काबू पाना - एफएम अपने मूल प्रशिक्षण डेटा से पूर्वाग्रह प्रदर्शित कर सकते हैं। नए डेटा पर किसी मॉडल को अनुकूलित करने से मॉडल के आउटपुट में अवांछित पूर्वाग्रह कम हो सकते हैं।
- कम्प्यूटेशनल दक्षता में सुधार - पूर्व-प्रशिक्षित एफएम अक्सर बहुत बड़े और कम्प्यूटेशनल रूप से महंगे होते हैं। मॉडल अनुकूलन महत्वहीन मापदंडों को काटकर मॉडल को छोटा करने की अनुमति दे सकता है, जिससे तैनाती अधिक व्यवहार्य हो जाती है।
- सीमित लक्ष्य डेटा से निपटना - कुछ मामलों में, लक्ष्य कार्य के लिए वास्तविक दुनिया का सीमित डेटा उपलब्ध होता है। मॉडल अनुकूलन इस डेटा की कमी को दूर करने के लिए बड़े डेटासेट पर सीखे गए पूर्व-प्रशिक्षित वजन का उपयोग करता है।
- कार्य निष्पादन में सुधार - मूल पूर्व-प्रशिक्षित वजन का उपयोग करने की तुलना में फाइन-ट्यूनिंग लगभग हमेशा लक्ष्य कार्यों पर प्रदर्शन में सुधार करती है। अपने इच्छित उपयोग के लिए मॉडल का यह अनुकूलन आपको वास्तविक अनुप्रयोगों में एफएम को सफलतापूर्वक तैनात करने की अनुमति देता है।
मॉडल अनुकूलन में प्रॉम्प्ट इंजीनियरिंग और आरएजी की तुलना में अधिक जटिलता है क्योंकि मॉडल का वजन और पैरामीटर ट्यूनिंग स्क्रिप्ट के माध्यम से बदले जा रहे हैं, जिसके लिए डेटा विज्ञान और एमएल विशेषज्ञता की आवश्यकता होती है। हालाँकि, अमेज़ॅन बेडरॉक आपको मॉडलों को अनुकूलित करने के लिए एक प्रबंधित अनुभव प्रदान करके इसे सरल बनाता है फ़ाइन ट्यूनिंग or पूर्व प्रशिक्षण जारी रखा. मॉडल अनुकूलन RAG की तुलना में तुलनीय गुणवत्ता आउटपुट के साथ अत्यधिक सटीक परिणाम प्रदान करता है। क्योंकि आप डोमेन-विशिष्ट डेटा पर मॉडल भार अपडेट कर रहे हैं, मॉडल अधिक प्रासंगिक प्रतिक्रियाएँ उत्पन्न करता है। आरएजी की तुलना में, उपयोग के मामले के आधार पर गुणवत्ता थोड़ी बेहतर हो सकती है। इसलिए, दोनों तकनीकों के बीच एक व्यापार-बंद विश्लेषण करना महत्वपूर्ण है। आप संभावित रूप से एक अनुकूलित मॉडल के साथ आरएजी को लागू कर सकते हैं।
खरोंच से पुनः प्रशिक्षण या प्रशिक्षण
केवल पूर्व-प्रशिक्षित सार्वजनिक मॉडल का उपयोग करने के बजाय अपना खुद का फाउंडेशन एआई मॉडल बनाने से आपके संगठन के विशिष्ट उपयोग के मामलों और डेटा पर अधिक नियंत्रण, बेहतर प्रदर्शन और अनुकूलन की अनुमति मिलती है। एक अनुकूलित एफएम बनाने में निवेश करने से बेहतर अनुकूलन क्षमता, उन्नयन और क्षमताओं पर नियंत्रण मिल सकता है। वितरित प्रशिक्षण कई मशीनों में बड़े पैमाने पर डेटासेट पर बहुत बड़े एफएम को प्रशिक्षित करने के लिए आवश्यक स्केलेबिलिटी को सक्षम बनाता है। यह समानांतरीकरण खरबों टोकन पर प्रशिक्षित सैकड़ों अरब मापदंडों वाले मॉडल को व्यवहार्य बनाता है। बड़े मॉडलों में सीखने और सामान्यीकरण करने की अधिक क्षमता होती है।
स्क्रैच से प्रशिक्षण उच्च गुणवत्ता वाले परिणाम दे सकता है क्योंकि मॉडल स्क्रैच से उपयोग के मामले-विशिष्ट डेटा पर प्रशिक्षण दे रहा है, मतिभ्रम की संभावना दुर्लभ है, और आउटपुट की सटीकता उच्चतम हो सकती है। हालाँकि, यदि आपका डेटासेट लगातार विकसित हो रहा है, तो भी आप मतिभ्रम की समस्याओं में पड़ सकते हैं। आरंभ से प्रशिक्षण में कार्यान्वयन जटिलता और लागत सबसे अधिक होती है। इसके लिए सबसे अधिक प्रयास की आवश्यकता होती है क्योंकि इसमें बड़ी मात्रा में डेटा एकत्र करने, उसे क्यूरेट करने और संसाधित करने और एक बड़े एफएम को प्रशिक्षित करने की आवश्यकता होती है, जिसके लिए गहन डेटा विज्ञान और एमएल विशेषज्ञता की आवश्यकता होती है। यह दृष्टिकोण समय लेने वाला है (इसमें आम तौर पर हफ्तों से लेकर महीनों तक का समय लग सकता है)।
आपको एक एफएम को शुरू से प्रशिक्षित करने पर विचार करना चाहिए जब कोई भी अन्य दृष्टिकोण आपके लिए काम नहीं करता है, और आपके पास बड़ी मात्रा में अच्छी तरह से क्यूरेटेड टोकन डेटा, एक परिष्कृत बजट और अत्यधिक कुशल एमएल विशेषज्ञों की एक टीम के साथ एक एफएम बनाने की क्षमता है। . एडब्ल्यूएस जीपीयू और उद्देश्य-निर्मित एमएल प्रशिक्षण चिप द्वारा संचालित एलएलएम और अन्य एफएम को प्रशिक्षित करने और चलाने के लिए सबसे उन्नत क्लाउड इंफ्रास्ट्रक्चर प्रदान करता है। एडब्ल्यूएस ट्रेनियम, और एमएल अनुमान त्वरक, एडब्ल्यूएस इन्फेंटेंटिया. सेजमेकर पर एलएलएम प्रशिक्षण के बारे में अधिक जानकारी के लिए देखें अमेज़ॅन सैजमेकर पर बड़े भाषा मॉडल का प्रशिक्षण: सर्वोत्तम अभ्यास और सेजमेकर हाइपरपॉड.
जेनेरिक एआई अनुप्रयोगों को विकसित करने के लिए सही दृष्टिकोण का चयन करना
जेनेरिक एआई अनुप्रयोगों को विकसित करते समय, संगठनों को अपनी आवश्यकताओं को पूरा करने के लिए सबसे उपयुक्त मॉडल का चयन करने से पहले कई प्रमुख कारकों पर सावधानीपूर्वक विचार करना चाहिए। विभिन्न पहलुओं पर विचार किया जाना चाहिए, जैसे लागत (यह सुनिश्चित करने के लिए कि चयनित मॉडल बजट बाधाओं के साथ संरेखित हो), गुणवत्ता (सुसंगत और तथ्यात्मक रूप से सटीक आउटपुट देने के लिए), वर्तमान उद्यम प्लेटफार्मों और वर्कफ़्लो के साथ निर्बाध एकीकरण, और मतिभ्रम को कम करना या गलत जानकारी उत्पन्न करना . कई विकल्प उपलब्ध होने के साथ, इन पहलुओं का गहन मूल्यांकन करने के लिए समय निकालने से संगठनों को जेनेरिक एआई मॉडल चुनने में मदद मिलेगी जो उनकी विशिष्ट आवश्यकताओं और प्राथमिकताओं को सर्वोत्तम रूप से पूरा करता है। आपको निम्नलिखित कारकों की बारीकी से जांच करनी चाहिए:
- उद्यम प्रणालियों के साथ एकीकरण - उद्यम के संदर्भ में एफएम को वास्तव में उपयोगी बनाने के लिए, उन्हें मौजूदा व्यावसायिक प्रणालियों और वर्कफ़्लो के साथ एकीकृत और इंटरऑपरेट करने की आवश्यकता है। इसमें डेटाबेस, एंटरप्राइज रिसोर्स प्लानिंग (ईआरपी), और ग्राहक संबंध प्रबंधन (सीआरएम) से डेटा तक पहुंच के साथ-साथ कार्रवाई और वर्कफ़्लो को ट्रिगर करना शामिल हो सकता है। उचित एकीकरण के बिना, एफएम के एक पृथक उपकरण होने का जोखिम है। ईआरपी जैसे एंटरप्राइज सिस्टम में प्रमुख व्यावसायिक डेटा (ग्राहक, उत्पाद, ऑर्डर) होते हैं। एफएम को अपने स्वयं के ज्ञान ग्राफ पर काम करने के बजाय एंटरप्राइज़ डेटा का उपयोग करने के लिए इन प्रणालियों से कनेक्ट होने की आवश्यकता है, जो गलत या पुराना हो सकता है। यह सटीकता और सत्य का एकल स्रोत सुनिश्चित करता है।
- मतिभ्रम – मतिभ्रम तब होता है जब कोई एआई एप्लिकेशन गलत जानकारी उत्पन्न करता है जो तथ्यात्मक प्रतीत होती है। एफएम को व्यापक रूप से अपनाने से पहले इन पर सावधानीपूर्वक ध्यान देने की आवश्यकता है। उदाहरण के लिए, निदान सुझाव प्रदान करने के लिए डिज़ाइन किया गया एक मेडिकल चैटबॉट किसी मरीज के लक्षणों या चिकित्सा इतिहास के बारे में विवरण को भ्रमित कर सकता है, जिससे यह गलत निदान का प्रस्ताव दे सकता है। तकनीकी समाधानों और डेटासेट क्यूरेशन के माध्यम से इस तरह के हानिकारक मतिभ्रम को रोकना यह सुनिश्चित करने के लिए महत्वपूर्ण होगा कि इन एफएम पर स्वास्थ्य देखभाल, वित्त और कानूनी जैसे संवेदनशील अनुप्रयोगों के लिए भरोसा किया जा सके। एफएम के प्रशिक्षण डेटा और शेष खामियों के बारे में गहन परीक्षण और पारदर्शिता की तैनाती के साथ आवश्यकता होगी।
- कौशल और संसाधन - एफएम को सफलतापूर्वक अपनाना काफी हद तक प्रौद्योगिकी का प्रभावी ढंग से उपयोग करने के लिए उचित कौशल और संसाधनों पर निर्भर करेगा। संगठनों को अपनी विशिष्ट आवश्यकताओं के अनुरूप एफएम को ठीक से लागू करने, अनुकूलित करने और बनाए रखने के लिए मजबूत तकनीकी कौशल वाले कर्मचारियों की आवश्यकता होती है। जटिल एफएम चलाने के लिए उन्हें उन्नत हार्डवेयर और क्लाउड कंप्यूटिंग क्षमताओं जैसे पर्याप्त कम्प्यूटेशनल संसाधनों की भी आवश्यकता होती है। उदाहरण के लिए, एक मार्केटिंग टीम जो विज्ञापन कॉपी और सोशल मीडिया पोस्ट तैयार करने के लिए एफएम का उपयोग करना चाहती है, उसे सिस्टम को एकीकृत करने के लिए कुशल इंजीनियरों, संकेत प्रदान करने और आउटपुट गुणवत्ता का आकलन करने के लिए क्रिएटिव और मॉडल को लागत प्रभावी ढंग से तैनात करने के लिए पर्याप्त क्लाउड कंप्यूटिंग शक्ति की आवश्यकता होती है। विशेषज्ञता और तकनीकी बुनियादी ढांचे के विकास में निवेश करने से संगठनों को एफएम लागू करने से वास्तविक व्यावसायिक मूल्य प्राप्त करने में मदद मिलेगी।
- आउटपुट गुणवत्ता - एफएम द्वारा उत्पादित आउटपुट की गुणवत्ता उनके अपनाने और उपयोग को निर्धारित करने में महत्वपूर्ण होगी, खासकर चैटबॉट जैसे उपभोक्ता-सामना वाले अनुप्रयोगों में। यदि एफएम द्वारा संचालित चैटबॉट गलत, निरर्थक या अनुचित प्रतिक्रियाएँ प्रदान करते हैं, तो उपयोगकर्ता जल्दी ही निराश हो जाएंगे और उनसे जुड़ना बंद कर देंगे। इसलिए, चैटबॉट तैनात करने की इच्छुक कंपनियों को उन एफएम का कठोरता से परीक्षण करने की आवश्यकता है जो उन्हें संचालित करते हैं ताकि यह सुनिश्चित हो सके कि वे लगातार उच्च गुणवत्ता वाली प्रतिक्रियाएं उत्पन्न करते हैं जो एक अच्छा उपयोगकर्ता अनुभव प्रदान करने के लिए सहायक, प्रासंगिक और उपयुक्त हैं। आउटपुट गुणवत्ता में प्रासंगिकता, सटीकता, सुसंगतता और उपयुक्तता जैसे कारक शामिल हैं, जो समग्र उपयोगकर्ता संतुष्टि में योगदान करते हैं और चैटबॉट्स के लिए उपयोग किए जाने वाले एफएम की तरह एफएम को अपनाने में योगदान देंगे या तोड़ देंगे।
- लागत - एफएम जैसे बड़े एआई मॉडल को प्रशिक्षित करने और चलाने के लिए आवश्यक उच्च कम्प्यूटेशनल शक्ति में पर्याप्त लागत आ सकती है। कई संगठनों में ऐसे विशाल मॉडलों का उपयोग करने के लिए आवश्यक वित्तीय संसाधनों या क्लाउड बुनियादी ढांचे की कमी हो सकती है। इसके अतिरिक्त, विशिष्ट उपयोग के मामलों के लिए एफएम को एकीकृत और अनुकूलित करने से इंजीनियरिंग लागत बढ़ जाती है। एफएम का उपयोग करने के लिए आवश्यक काफी खर्च, विशेष रूप से छोटी कंपनियों और सीमित बजट वाले स्टार्टअप के बीच, व्यापक रूप से अपनाने में बाधा उत्पन्न कर सकता है। निवेश पर संभावित रिटर्न का मूल्यांकन करना और एफएम की लागत बनाम लाभ का आकलन करना संगठनों के लिए उनके आवेदन और उपयोगिता पर विचार करना महत्वपूर्ण है। लागत-दक्षता संभवतः यह निर्धारित करने में एक निर्णायक कारक होगी कि क्या और कैसे इन शक्तिशाली लेकिन संसाधन-गहन मॉडलों को संभवतः तैनात किया जा सकता है।
डिजाइन निर्णय
जैसा कि हमने इस पोस्ट में बताया है, वर्तमान में कई अलग-अलग एआई तकनीकें उपलब्ध हैं, जैसे प्रॉम्प्ट इंजीनियरिंग, आरएजी और मॉडल अनुकूलन। विकल्पों की यह विस्तृत श्रृंखला कंपनियों के लिए अपने विशेष उपयोग के मामले के लिए इष्टतम दृष्टिकोण निर्धारित करना चुनौतीपूर्ण बनाती है। तकनीकों के सही सेट का चयन विभिन्न कारकों पर निर्भर करता है, जिसमें बाहरी डेटा स्रोतों तक पहुंच, वास्तविक समय डेटा फ़ीड और इच्छित एप्लिकेशन की डोमेन विशिष्टता शामिल है। उपयोग के मामले और इसमें शामिल विचारों के आधार पर सबसे उपयुक्त तकनीक की पहचान करने में सहायता के लिए, हम निम्नलिखित प्रवाह चार्ट पर चलते हैं, जो उचित तरीकों के साथ विशिष्ट आवश्यकताओं और बाधाओं के मिलान के लिए सिफारिशों की रूपरेखा तैयार करता है।
स्पष्ट समझ हासिल करने के लिए, आइए कुछ उदाहरणात्मक उदाहरणों का उपयोग करके डिज़ाइन निर्णय प्रवाह चार्ट देखें:
- उद्यम खोज - एक कर्मचारी अपने संगठन से छुट्टी का अनुरोध करना चाह रहा है। संगठन की मानव संसाधन नीतियों के अनुरूप प्रतिक्रिया प्रदान करने के लिए, एफएम को अपने ज्ञान और क्षमताओं से परे अधिक संदर्भ की आवश्यकता है। विशेष रूप से, एफएम को बाहरी डेटा स्रोतों तक पहुंच की आवश्यकता होती है जो प्रासंगिक मानव संसाधन दिशानिर्देश और नीतियां प्रदान करते हैं। कर्मचारी अनुरोध के इस परिदृश्य को देखते हुए जिसमें बाहरी डोमेन-विशिष्ट डेटा को संदर्भित करने की आवश्यकता होती है, प्रवाह चार्ट के अनुसार अनुशंसित दृष्टिकोण आरएजी के साथ त्वरित इंजीनियरिंग है। आरएजी एफएम के संदर्भ में बाहरी डेटा स्रोतों से प्रासंगिक डेटा प्रदान करने में मदद करेगा।
- संगठन-विशिष्ट आउटपुट के साथ एंटरप्राइज़ खोज - मान लीजिए कि आपके पास इंजीनियरिंग चित्र हैं और आप उद्योग मानकों के अनुसार आउटपुट को प्रारूपित करते हुए, उनमें से सामग्रियों का बिल निकालना चाहते हैं। ऐसा करने के लिए, आप एक ऐसी तकनीक का उपयोग कर सकते हैं जो शीघ्र इंजीनियरिंग को RAG और एक सुव्यवस्थित भाषा मॉडल के साथ जोड़ती है। इनपुट के रूप में इंजीनियरिंग चित्र दिए जाने पर परिष्कृत मॉडल को सामग्रियों के बिल तैयार करने के लिए प्रशिक्षित किया जाएगा। आरएजी एफएम के संदर्भ में फ़ीड करने के लिए संगठन के डेटा स्रोतों से सबसे प्रासंगिक इंजीनियरिंग चित्र ढूंढने में मदद करता है। कुल मिलाकर, यह दृष्टिकोण इंजीनियरिंग ड्राइंग से सामग्रियों के बिल निकालता है और इंजीनियरिंग डोमेन के लिए आउटपुट को उचित रूप से तैयार करता है।
- सामान्य खोज - कल्पना कीजिए कि आप संयुक्त राज्य अमेरिका के 30वें राष्ट्रपति की पहचान खोजना चाहते हैं। आप एफएम से उत्तर प्राप्त करने के लिए त्वरित इंजीनियरिंग का उपयोग कर सकते हैं। क्योंकि इन मॉडलों को कई डेटा स्रोतों पर प्रशिक्षित किया जाता है, वे अक्सर इस तरह के तथ्यात्मक प्रश्नों के सटीक उत्तर प्रदान कर सकते हैं।
- हाल की घटनाओं के साथ सामान्य खोज - यदि आप अमेज़ॅन के लिए मौजूदा स्टॉक मूल्य निर्धारित करना चाहते हैं, तो आप एक एजेंट के साथ शीघ्र इंजीनियरिंग के दृष्टिकोण का उपयोग कर सकते हैं। एजेंट एफएम को नवीनतम स्टॉक मूल्य प्रदान करेगा ताकि वह तथ्यात्मक प्रतिक्रिया उत्पन्न कर सके।
निष्कर्ष
जेनरेटिव एआई विभिन्न अनुप्रयोगों में नवाचार को बढ़ावा देने और उत्पादकता को बढ़ावा देने के लिए संगठनों के लिए जबरदस्त क्षमता प्रदान करता है। हालाँकि, इन उभरती एआई प्रौद्योगिकियों को सफलतापूर्वक अपनाने के लिए एकीकरण, आउटपुट गुणवत्ता, कौशल, लागत और हानिकारक मतिभ्रम या सुरक्षा कमजोरियों जैसे संभावित जोखिमों के आसपास महत्वपूर्ण विचारों को संबोधित करने की आवश्यकता है। एफएम को अपनाने और लागू करने के लिए सबसे उपयुक्त तकनीकों का निर्धारण करने के लिए संगठनों को अपने उपयोग के मामले की आवश्यकताओं और बाधाओं का मूल्यांकन करने के लिए एक व्यवस्थित दृष्टिकोण अपनाने की आवश्यकता है। जैसा कि इस पोस्ट में बताया गया है, शीघ्र इंजीनियरिंग, आरएजी और कुशल मॉडल अनुकूलन विधियों में से प्रत्येक की अपनी ताकत और कमजोरियां हैं जो विभिन्न परिदृश्यों के अनुरूप हैं। एक संरचित ढांचे का उपयोग करके एआई क्षमताओं के लिए व्यवसाय की जरूरतों को मैप करके, संगठन कार्यान्वयन में आने वाली बाधाओं को दूर कर सकते हैं और जोखिमों को प्रबंधित करने के लिए रेलिंग का निर्माण करते हुए एफएम से लाभ प्राप्त करना शुरू कर सकते हैं। वास्तविक दुनिया के उदाहरणों पर आधारित विचारशील योजना के साथ, हर उद्योग में व्यवसाय जेनरेटर एआई की इस नई लहर से अपार मूल्य प्राप्त करने के लिए तैयार हैं। के बारे में जानना AWS पर जेनरेटिव AI.
लेखक के बारे में
जय राव AWS में प्रिंसिपल सॉल्यूशंस आर्किटेक्ट हैं। वह जेनरेटिव एआई और कंप्यूटर विजन में गहरी रुचि के साथ एआई/एमएल प्रौद्योगिकियों पर ध्यान केंद्रित करते हैं। AWS में, उन्हें ग्राहकों को तकनीकी और रणनीतिक मार्गदर्शन प्रदान करने और व्यावसायिक परिणामों को आगे बढ़ाने वाले समाधानों को डिजाइन और कार्यान्वित करने में मदद करने में आनंद आता है। वह एक पुस्तक लेखक (AWS पर कंप्यूटर विज़न) हैं, नियमित रूप से ब्लॉग और कोड नमूने प्रकाशित करते हैं, और AWS re:Invent जैसे तकनीकी सम्मेलनों में भाषण देते हैं।
बाबू करियादेन परंबथ AWS में एक वरिष्ठ AI/ML विशेषज्ञ हैं। AWS में, उन्हें व्यावसायिक मूल्य के साथ सही व्यावसायिक उपयोग के मामले की पहचान करने और AWS AI/ML समाधानों और सेवाओं का उपयोग करके इसे हल करने में ग्राहकों की मदद करने में ग्राहकों के साथ काम करने में आनंद आता है। AWS में शामिल होने से पहले, बाबू 20 वर्षों के विविध उद्योग अनुभव के साथ एक AI प्रचारक थे, जो ग्राहकों के लिए AI संचालित व्यावसायिक मूल्य प्रदान करते थे।
- एसईओ संचालित सामग्री और पीआर वितरण। आज ही प्रवर्धित हो जाओ।
- प्लेटोडेटा.नेटवर्क वर्टिकल जेनरेटिव एआई। स्वयं को शक्तिवान बनाएं। यहां पहुंचें।
- प्लेटोआईस्ट्रीम। Web3 इंटेलिजेंस। ज्ञान प्रवर्धित। यहां पहुंचें।
- प्लेटोईएसजी. कार्बन, क्लीनटेक, ऊर्जा, पर्यावरण, सौर, कचरा प्रबंधन। यहां पहुंचें।
- प्लेटोहेल्थ। बायोटेक और क्लिनिकल परीक्षण इंटेलिजेंस। यहां पहुंचें।
- स्रोत: https://aws.amazon.com/blogs/machine-learning/best-practices-to-build-generative-ai-applications-on-aws/
- :हैस
- :है
- :नहीं
- :कहाँ
- 1
- 100
- 116
- 20
- 20 साल
- 2017
- 2022
- 30th
- 7
- a
- क्षमता
- योग्य
- About
- त्वरक
- पहुँच
- तक पहुँचने
- के साथ
- अनुसार
- लेखा
- शुद्धता
- सही
- सही रूप में
- पाना
- के पार
- अभिनय
- कार्रवाई
- वास्तविक
- अनुकूलन
- अनुकूलन
- अनुकूल ढालने
- अनुकूलन
- जोड़ने
- अतिरिक्त
- इसके अतिरिक्त
- पता
- संबोधित
- पतों
- को संबोधित
- जोड़ता है
- पर्याप्त रूप से
- अपनाना
- दत्तक
- अपनाने
- दत्तक ग्रहण
- उन्नत
- उन्नति
- फायदे
- विज्ञापन
- एजेंट
- एजेंटों
- AI
- एआई मॉडल
- ai शोध
- ऐ संचालित
- ऐ / एमएल
- सहायता
- करना
- AL
- संरेखित करें
- गठबंधन
- संरेखित करता है
- सब
- अनुमति देना
- की अनुमति दे
- की अनुमति देता है
- लगभग
- अकेला
- भी
- हालांकि
- हमेशा
- वीरांगना
- अमेज़ॅन केंद्र
- अमेज़न SageMaker
- अमेज़न SageMaker जम्पस्टार्ट
- अमेज़ॅन वेब सेवा
- के बीच में
- बीच में
- राशि
- an
- विश्लेषण
- और
- और बुनियादी ढांचे
- जवाब
- जवाब दे
- जवाब
- anthropic
- कोई
- एपीआई
- एपीआई
- अनुप्रयोग
- प्रकट होता है
- आवेदन
- अनुप्रयोगों
- लागू
- दृष्टिकोण
- दृष्टिकोण
- उपयुक्त
- उचित रूप से
- स्थापत्य
- हैं
- उठता
- चारों ओर
- लेख
- AS
- पहलुओं
- आकलन
- सहायक
- जुड़े
- At
- बढ़ाना
- संवर्धित
- लेखक
- स्वचालित
- ऑटोमेटा
- स्वतः
- स्वायत्त
- उपलब्ध
- एडब्ल्यूएस
- AWS re: आविष्कार
- आधार
- आधारित
- BE
- क्योंकि
- बन
- से पहले
- शुरू करना
- व्यवहार
- व्यवहार
- जा रहा है
- बेंचमार्क
- लाभ
- BEST
- सर्वोत्तम प्रथाओं
- बेहतर
- के बीच
- परे
- पूर्वाग्रहों
- बिल
- अरबों
- विधेयकों
- बायोमेडिकल
- ब्लॉग
- किताब
- बुकिंग
- बढ़ावा
- के छात्रों
- ब्रांड
- टूटना
- तोड़कर
- टूट जाता है
- विस्तृत
- व्यापक
- बजट
- बजट
- निर्माण
- इमारत
- बनाया गया
- में निर्मित
- व्यापार
- व्यवसायों
- लेकिन
- by
- बुला
- कर सकते हैं
- पा सकते हैं
- क्षमताओं
- क्षमता
- सक्षम
- क्षमता
- सावधानी से
- ले जाना
- मामला
- मामलों
- कुछ
- चुनौती
- चुनौतियों
- चुनौतीपूर्ण
- संभावना
- परिवर्तन
- बदल
- परिवर्तन
- बदलना
- अक्षर
- चार्ट
- chatbot
- chatbots
- टुकड़ा
- चुनाव
- विकल्प
- चुनें
- वर्गीकरण
- सफाई
- स्पष्ट
- निकट से
- बादल
- बादल कंप्यूटिंग
- क्लाउड इन्फ्रास्ट्रक्चर
- कोड
- कोडन
- सुसंगत
- एकत्रित
- गठबंधन
- जोड़ती
- कैसे
- आता है
- सामान्य
- कंपनियों
- कंपनी
- कंपनी का है
- तुलनीय
- तुलना
- पूरा
- जटिल
- जटिलता
- अनुपालन
- घटकों
- समझना
- कम्प्यूटेशनल
- कम्प्यूटेशनल शक्ति
- कम्प्यूटेशनल रूप से
- गणना करना
- कंप्यूटर
- Computer Vision
- कंप्यूटिंग
- संगणन शक्ति
- आचरण
- सम्मेलनों
- जुडिये
- जुड़ा हुआ
- कनेक्टिविटी
- विचार करना
- काफी
- विचार
- माना
- पर विचार
- लगातार
- कंसोल
- निरंतर
- की कमी
- खपत
- शामिल
- सामग्री
- सामग्री पीढ़ी
- प्रसंग
- संदर्भों
- प्रासंगिक
- जारी रखने के
- निरंतर
- योगदान
- नियंत्रण
- संवादी
- बातचीत
- प्रतिलिपि
- मूल
- लागत
- लागत
- सका
- आवरण
- व्याप्ति
- कवर
- बनाना
- बनाना
- क्रिएटिव
- क्रिएटिव
- महत्वपूर्ण
- सीआरएम
- महत्वपूर्ण
- क्यूरेटिंग
- क्यूरेशन
- वर्तमान
- वर्तमान में
- रिवाज
- ग्राहक
- ग्राहक अनुभव
- ग्राहक
- अनुकूलन
- अनुकूलित
- अनुकूलित
- तिथि
- गोपनीय आँकड़ा
- डेटा गोपनीयता और सुरक्षा
- डेटा संसाधन
- डेटा विज्ञान
- डेटाबेस
- डेटासेट
- व्यवहार
- निर्णय लेने से
- निर्णय
- गहरा
- डिग्री
- उद्धार
- दिया गया
- पहुंचाने
- मांग
- दिखाना
- निर्भर
- निर्भर करता है
- निर्भर करता है
- तैनात
- तैनात
- तैनाती
- तैनाती
- डिज़ाइन
- बनाया गया
- डिज़ाइन बनाना
- वांछित
- विवरण
- निर्धारित करना
- निर्धारित करने
- विकसित करना
- डेवलपर
- डेवलपर्स
- विकासशील
- विकास
- निदान
- विभिन्न
- मुश्किल
- सीधे
- की खोज
- चर्चा करना
- वितरित
- वितरित प्रशिक्षण
- कई
- do
- दस्तावेजों
- नहीं करता है
- डॉलर
- डोमेन
- डोमेन
- नीचे
- आरेखण
- ड्राइव
- संचालित
- दो
- दौरान
- गतिशील
- ई एंड टी
- से प्रत्येक
- आसानी
- प्रभावी
- प्रभावी रूप से
- दक्षता
- कुशल
- कुशलता
- प्रयास
- तत्व
- पात्र
- नष्ट
- ईमेल
- embedding
- उद्भव
- कस्र्न पत्थर
- कर्मचारी
- कर्मचारियों
- सशक्त बनाने के लिए
- सक्षम
- सक्षम बनाता है
- समर्थकारी
- अंतर्गत कई
- एन्क्रिप्ट
- एन्क्रिप्टेड
- समाप्त
- शुरू से अंत तक
- मनोहन
- इंजन
- अभियांत्रिकी
- इंजीनियर्स
- बढ़ाना
- समृद्ध
- सुनिश्चित
- सुनिश्चित
- सुनिश्चित
- उद्यम
- संस्थाओं
- सत्ता
- वातावरण
- वातावरण
- लैस करना
- ईआरपी (ERP)
- विशेष रूप से
- स्थापित करना
- मूल्यांकन करें
- का मूल्यांकन
- इंजीलवादी
- प्रत्येक
- सब कुछ
- उद्विकासी
- की जांच
- उदाहरण
- उदाहरण
- उत्तेजक
- एक्ज़िबिट
- मौजूदा
- खर्च
- महंगा
- अनुभव
- प्रयोगों
- विशेषज्ञ
- विशेषज्ञता
- विशेषज्ञों
- का पता लगाने
- का विस्तार
- बाहरी
- उद्धरण
- अर्क
- अत्यंत
- चेहरा
- कारक
- कारकों
- तथ्यों
- असफल
- काफी
- गिरना
- असत्य
- संभव
- कुछ
- वित्त
- वित्तीय
- खोज
- निष्कर्ष
- पांच
- खामियां
- लचीलापन
- उड़ान
- प्रवाह
- फोकस
- केंद्रित
- निम्नलिखित
- के लिए
- बुनियाद
- मूलभूत
- ढांचा
- चौखटे
- अक्सर
- से
- निराश
- पूरा
- पूर्ण
- पूरी तरह से
- आगे
- लाभ
- अन्तर
- इकट्ठा
- GDPR
- सामान्य जानकारी
- सामान्य उद्देश्य
- उत्पन्न
- उत्पन्न
- उत्पन्न करता है
- सृजन
- पीढ़ी
- उत्पादक
- जनरेटिव एआई
- मिल
- देना
- दी
- Go
- अच्छा
- शासन
- GPUs
- ग्राफ
- महान
- अधिक से अधिक
- जमीन
- जमीन
- मार्गदर्शन
- गाइड
- दिशा निर्देशों
- हैंडल
- हार्डवेयर
- हानिकारक
- साज़
- है
- होने
- he
- स्वास्थ्य सेवा
- भारी
- मदद
- सहायक
- मदद
- मदद करता है
- हाई
- उच्च कार्य - निष्पादन
- उच्च गुणवत्ता
- उच्चतर
- उच्चतम
- उच्चतम डिग्री
- हाइलाइट
- अत्यधिक
- इतिहास
- कैसे
- How To
- तथापि
- hr
- एचटीएमएल
- HTTPS
- हब
- सैकड़ों
- टट्टी कुदने की घुड़ौड़
- हाइपरपरमेटर ट्यूनिंग
- विचार
- विचारों
- पहचान करना
- पहचान
- पहचान
- if
- कल्पना करना
- अत्यधिक
- प्रभाव
- प्रभावपूर्ण
- Impacts
- लागू करने के
- कार्यान्वयन
- महत्वपूर्ण
- में सुधार
- उन्नत
- सुधार
- में सुधार लाने
- in
- ग़लत
- सहित
- स्वतंत्र रूप से
- इंगित करता है
- उद्योग
- उद्योग के मानकों
- करें-
- इंफ्रास्ट्रक्चर
- नवोन्मेष
- नवाचारों
- निवेश
- अंतर्दृष्टि
- प्रेरित
- संस्थान
- निर्देश
- एकीकृत
- घालमेल
- एकीकरण
- इरादा
- बातचीत
- ब्याज
- दिलचस्प
- इंटरफेस
- आंतरिक
- इंटरनेट
- परस्पर क्रिया करना
- में
- शुरू की
- सूची
- निवेश करना
- निवेश
- शामिल करना
- शामिल
- शामिल
- पृथक
- मुद्दों
- IT
- आईटी इस
- शामिल होने
- केवल
- इच्छुक
- कुंजी
- Instagram पर
- ज्ञान
- ज्ञान ग्राफ
- जानता है
- लैब्स
- रंग
- भाषा
- भाषाऐं
- बड़ा
- बड़ा
- परतों
- नेतृत्व
- प्रमुख
- जानें
- सीखा
- सीख रहा हूँ
- छोड़ना
- कानूनी
- चलें
- LG
- पसंद
- संभावित
- सीमाओं
- सीमित
- पंक्तियां
- लामा
- तर्क
- तार्किक
- देख
- निम्न
- मशीन
- यंत्र अधिगम
- मशीनें
- बनाए रखना
- बनाना
- बनाता है
- निर्माण
- प्रबंधन
- कामयाब
- प्रबंध
- गाइड
- बहुत
- मानचित्रण
- विपणन (मार्केटिंग)
- विशाल
- बड़े पैमाने पर
- मिलान
- सामग्री
- मई..
- मीडिया
- मेडिकल
- मिलना
- मेटा
- तरीका
- तरीकों
- हो सकता है
- लाखों
- कम से कम
- ML
- आदर्श
- मॉडल
- महीने
- अधिक
- अधिकांश
- चलती
- चाहिए
- प्राकृतिक
- आवश्यक
- आवश्यकता
- जरूरत
- ज़रूरत
- की जरूरत है
- नकारात्मक
- नया
- अगली पीढ़ी
- कोई नहीं
- अभी
- of
- बंद
- ऑफर
- अक्सर
- on
- ONE
- केवल
- संचालन
- अवसर
- इष्टतम
- इष्टतमीकरण
- ऑप्शंस
- or
- आर्केस्ट्रा
- आदेश
- आदेशों
- संगठन
- संगठनात्मक
- संगठनों
- मूल
- मौलिक रूप से
- अन्य
- आउट
- परिणामों
- रगड़ा हुआ
- रूपरेखा
- Outperforms
- उत्पादन
- outputs के
- के ऊपर
- कुल
- काबू
- सिंहावलोकन
- अपना
- जोड़े
- कागजात
- पैरामीटर
- विशेष
- विशेष रूप से
- मार्ग
- अतीत
- निष्पादन
- प्रदर्शन
- प्रदर्शन
- स्टाफ़
- निजीकृत
- मुहावरों
- टुकड़े
- पाइपलाइन
- की योजना बना
- प्लेटफार्म
- प्लेटो
- प्लेटो डेटा इंटेलिजेंस
- प्लेटोडाटा
- भूखंड
- अंक
- नीतियाँ
- लोकप्रिय
- संभव
- पद
- पोस्ट
- संभावित
- संभावित
- बिजली
- संचालित
- शक्तिशाली
- व्यावहारिक
- अभ्यास
- प्रथाओं
- पूर्ववर्ती
- वरीयताओं
- अध्यक्ष
- रोकने
- पहले से
- मूल्य
- कीमत निर्धारण
- प्रिंसिपल
- पूर्व
- एकांत
- गोपनीयता और सुरक्षा
- निजी
- मुसीबत
- समस्याओं
- प्रक्रिया
- प्रसंस्करण
- उत्पादन
- प्रस्तुत
- पैदा करता है
- उत्पादकता
- उत्पाद
- प्रोफाइल
- प्रोग्रामिंग
- को बढ़ावा देता है
- संकेतों
- उचित
- अच्छी तरह
- प्रस्ताव
- मालिकाना
- प्रदान करना
- प्रदाताओं
- प्रदान करता है
- प्रदान कर
- सार्वजनिक
- प्रकाशित
- प्रकाशित करती है
- खींच
- क्रय
- खरीद आदेश
- गुणवत्ता
- प्रश्नों
- प्रश्न
- प्रशन
- जल्दी से
- खपरैल
- रेंज
- उपवास
- तेजी
- दुर्लभ
- बल्कि
- कच्चा
- RE
- प्रतिक्रिया
- वास्तविक
- वास्तविक मूल्य
- असली दुनिया
- वास्तविक समय
- वास्तविक समय डाटा
- साकार
- हाल
- मान्यता
- सिफारिश
- सिफारिशें
- की सिफारिश की
- को कम करने
- को कम करने
- उल्लेख
- नियमित तौर पर
- संबंध
- प्रासंगिकता
- प्रासंगिक
- भरोसा
- शेष
- असाधारण
- रिपोर्ट
- ख्याति
- का अनुरोध
- अनुरोधों
- की आवश्यकता होती है
- अपेक्षित
- आवश्यकताएँ
- की आवश्यकता होती है
- अपेक्षित
- अनुसंधान
- संसाधन
- गहन संसाधन
- उपयुक्त संसाधन चुनें
- प्रतिक्रिया
- प्रतिक्रिया
- प्रतिक्रियाएं
- बाकी
- परिणाम
- बहाली
- वापसी
- राजस्व
- समीक्षा
- सही
- जोखिम
- सामान्य
- रन
- दौड़ना
- सुरक्षित
- sagemaker
- वही
- संतोष
- अनुमापकता
- स्केलेबल
- स्केल
- कमी
- परिदृश्य
- परिदृश्यों
- विज्ञान
- वैज्ञानिकों
- खरोंच
- लिपियों
- निर्बाध
- Search
- अनुभाग
- सुरक्षित रूप से
- सुरक्षा
- सुरक्षा जोखिम
- चयनित
- का चयन
- चयन
- वरिष्ठ
- संवेदनशील
- भावुकता
- भावनाओं
- serverless
- कार्य करता है
- सेवा
- सेवाएँ
- सेवारत
- सत्र
- सेट
- सेट
- सेटिंग्स
- कई
- आकार
- साझा
- कम
- चाहिए
- दिखाता है
- महत्वपूर्ण
- काफी
- समान
- सरल
- एक
- कुशल
- कौशल
- छोटे
- So
- सोशल मीडिया
- सोशल मीडिया
- सोशल मीडिया पोस्ट
- केवल
- ठोस
- समाधान
- समाधान ढूंढे
- हल
- सुलझाने
- कुछ
- परिष्कृत
- स्रोत
- सूत्रों का कहना है
- विशेषज्ञ
- विशेषज्ञ
- विशेषीकृत
- माहिर
- विशिष्ट
- विशेष रूप से
- विशेषता
- स्थिरता
- स्टैंड
- मानकों
- प्रारंभ
- शुरू
- स्टार्टअप
- राज्य
- कदम
- कदम
- फिर भी
- स्टॉक
- रुकें
- की दुकान
- भंडार
- कहानियों
- कहानी
- सरल
- सामरिक
- ताकत
- मजबूत
- संरचना
- संरचित
- संरचनाओं
- अंदाज
- पर्याप्त
- सफल
- सफलतापूर्वक
- ऐसा
- पर्याप्त
- सुझाव
- सूट
- उपयुक्त
- अत्यधिक प्रभावी बनाएं
- आपूर्ति
- समर्थन
- समर्थन करता है
- निश्चित
- लक्षण
- प्रणाली
- सिस्टम
- पकड़ना
- अनुरूप
- लेना
- ले जा
- प्रतिभा
- में बात कर
- बाते
- नल
- लक्ष्य
- कार्य
- कार्य
- टीम
- तकनीक
- तकनीकी
- तकनीकी कौशल
- तकनीक
- तकनीक
- टेक्नोलॉजीज
- टेक्नोलॉजी
- प्रौद्योगिकी नवाचार
- टेम्पलेट
- शब्दावली
- परीक्षण
- परीक्षण
- टेक्स्ट
- पाठ वर्गीकरण
- से
- कि
- RSI
- जानकारी
- लेकिन हाल ही
- उन
- फिर
- वहाँ।
- इसलिये
- इन
- वे
- सोचना
- तीसरे दल
- इसका
- संपूर्ण
- बिलकुल
- उन
- हजारों
- तीन
- यहाँ
- पहर
- बहुत समय लगेगा
- सेवा मेरे
- tokenized
- टोकन
- साधन
- उपकरण
- ऊपर का
- विषय
- विषय
- की ओर
- यातायात
- रेलगाड़ी
- प्रशिक्षित
- प्रशिक्षण
- पारगमन
- अनुवाद करें
- ट्रांसपेरेंसी
- भयानक
- ट्रिगर
- अरबों
- वास्तव में
- ट्रस्ट
- विश्वस्त
- भरोसेमंद
- सच
- ट्यूनिंग
- मोड़
- tweaking
- दो
- आम तौर पर
- असमर्थ
- समझना
- समझ
- अद्वितीय
- यूनाइटेड
- संयुक्त राज्य अमेरिका
- अनलॉक
- अप्रयुक्त
- अवांछित
- आधुनिकतम
- अपडेट
- अद्यतन
- अद्यतन
- उन्नयन
- उपयोग
- उदाहरण
- प्रयुक्त
- उपयोगी
- उपयोगकर्ता
- उपयोगकर्ता अनुभव
- उपयोगकर्ताओं
- का उपयोग करता है
- का उपयोग
- उपयोगिता
- सत्यापित करें
- मूल्य
- विविधता
- विभिन्न
- व्यापक
- बेहद
- बहुत
- के माध्यम से
- दृष्टि
- दृश्य
- vs
- कमजोरियों
- चलना
- करना चाहते हैं
- चाहने
- था
- लहर
- मार्ग..
- we
- कमजोरियों
- वेब
- वेब सेवाओं
- सप्ताह
- वजन
- भार
- कुंआ
- क्या
- कब
- जहाँ तक
- या
- कौन कौन से
- जब
- चौड़ा
- विस्तृत श्रृंखला
- व्यापक रूप से
- बड़े पैमाने पर
- विकिपीडिया
- मर्जी
- साथ में
- अंदर
- बिना
- काम
- वर्कफ़्लो
- workflows
- काम कर रहे
- होगा
- लिखना
- लिख रहे हैं
- लिखा हुआ
- साल
- प्राप्ति
- आप
- आपका
- जेफिरनेट