Napjainkban, amikor a rendelések leadása során az ügyfelek személyesen lépnek kapcsolatba, az uralkodó gyakorlat továbbra is emberi kísérőkre támaszkodik, még az olyan helyszíneken is, mint az autós kávézók és a gyorséttermek. Ez a hagyományos megközelítés számos kihívást vet fel: nagymértékben függ a manuális folyamatoktól, küzd a hatékony méretezésért a növekvő vevői igények mellett, bevezeti az emberi hibák lehetőségét, és a rendelkezésre állástól számított meghatározott órákon belül működik. Ezenkívül a versenypiacokon a kizárólag manuális folyamatokat alkalmazó vállalkozások számára kihívást jelenthet hatékony és versenyképes szolgáltatás nyújtása. A technológiai fejlődés ellenére az emberközpontú modell továbbra is mélyen beépült a rendelésfeldolgozásba, ami ezekhez a korlátokhoz vezet.
A technológia egy-egy rendelésfeldolgozási segítségnyújtásra való felhasználásának lehetősége már egy ideje rendelkezésre áll. A meglévő megoldások azonban gyakran két kategóriába sorolhatók: szabályalapú rendszerek, amelyek telepítése és karbantartása jelentős időt és erőfeszítést igényel, vagy merev rendszerek, amelyekből hiányzik az ügyfelekkel való emberszerű interakciókhoz szükséges rugalmasság. Ennek eredményeként a vállalkozások és szervezetek kihívásokkal néznek szembe az ilyen megoldások gyors és hatékony megvalósítása során. Szerencsére az Advent a generatív AI és a nagy nyelvi modellek (LLM), most már lehetőség nyílik olyan automatizált rendszerek létrehozására, amelyek hatékonyan képesek kezelni a természetes nyelvet, gyorsított ütemezéssel.
Amazon alapkőzet egy teljesen felügyelt szolgáltatás, amely egyetlen API-n keresztül számos nagy teljesítményű alapozó modellt (FM-eket) kínál vezető mesterséges intelligencia-cégektől, mint például az AI21 Labs, az Anthropic, a Cohere, a Meta, a Stability AI és az Amazon, egyetlen API-n keresztül, valamint a lehetőségek széles skáláját. generatív mesterségesintelligencia-alkalmazásokat kell létrehoznia biztonsággal, adatvédelemmel és felelős AI-val. Az Amazon Bedrock mellett más AWS-szolgáltatásokat is használhat, mint pl Amazon SageMaker JumpStart és a Amazon Lex teljesen automatizált és könnyen adaptálható generatív mesterséges intelligencia rendelésfeldolgozó ügynökök létrehozásához.
Ebben a bejegyzésben bemutatjuk, hogyan építhetsz beszédképes rendelésfeldolgozó ügynököt az Amazon Lex, az Amazon Bedrock és AWS Lambda.
Megoldás áttekintése
Az alábbi ábra szemlélteti megoldásunk architektúráját.
A munkafolyamat a következő lépésekből áll:
- Az ügyfél az Amazon Lex segítségével adja le a rendelést.
- Az Amazon Lex bot értelmezi az ügyfél szándékait, és kiváltja a
DialogCodeHook
. - A Lambda függvény lekéri a megfelelő prompt sablont a Lambda rétegből, és formázza a modell promptokat úgy, hogy hozzáadja az ügyfél bevitelét a kapcsolódó prompt sablonhoz.
- A
RequestValidation
A prompt a menüelem segítségével ellenőrzi a rendelést, és az Amazon Lexen keresztül értesíti az ügyfelet, ha valamit szeretne megrendelni, ami nem része a menünek, és ajánlásokat fog adni. A prompt a megrendelés teljességének előzetes ellenőrzését is elvégzi. - A
ObjectCreator
prompt konvertálja a természetes nyelvi kéréseket adatstruktúrává (JSON formátum). - Az ügyfél-ellenőrző Lambda funkció ellenőrzi a megrendelés szükséges attribútumait, és megerősíti, hogy minden szükséges információ rendelkezésre áll-e a megrendelés feldolgozásához.
- Az ügyfél Lambda függvénye bemenetként veszi az adatstruktúrát a rendelés feldolgozásához, és visszaadja a rendelés végösszegét az irányító Lambda függvénynek.
- A hangszerelő Lambda függvény meghívja az Amazon Bedrock LLM végpontot, hogy létrehozzon egy végső rendelési összesítést, amely tartalmazza a rendelés végösszegét az ügyfél adatbázis rendszeréből (például Amazon DynamoDB).
- A megrendelés összefoglalóját az Amazon Lexen keresztül továbbítják az ügyfélnek. Miután az ügyfél visszaigazolta a rendelést, a rendelés feldolgozásra kerül.
Előfeltételek
Ez a bejegyzés feltételezi, hogy aktív AWS-fiókkal rendelkezik, és ismeri a következő fogalmakat és szolgáltatásokat:
Ezenkívül az Amazon Bedrock Lambda funkciókból való eléréséhez meg kell győződnie arról, hogy a Lambda futtatókörnyezet rendelkezik a következő könyvtárakkal:
- boto3>=1.28.57
- awscli>=1.29.57
- botocore>=1.31.57
Ez megtehető a Lambda réteg vagy egy adott AMI használatával a szükséges könyvtárakkal.
Ezenkívül ezekre a könyvtárakra szükség van az Amazon Bedrock API meghívásakor Amazon SageMaker Studio. Ez megtehető egy cella futtatásával a következő kóddal:
Végül létrehozza a következő házirendet, és később csatolja az Amazon Bedrockhoz hozzáférő bármely szerepkörhöz:
Hozzon létre egy DynamoDB táblát
Sajátos forgatókönyvünkben létrehoztunk egy DynamoDB táblát ügyféladatbázis-rendszerünkként, de Ön is használhatja Amazon Relációs adatbázis-szolgáltatás (Amazon RDS). Hajtsa végre a következő lépéseket a DynamoDB tábla létrehozásához (vagy a beállítások testreszabásához az adott használati esetnek megfelelően):
- A DynamoDB konzolon válassza a lehetőséget Asztalok a navigációs ablaktáblában.
- A pop-art design, négy időzóna kijelzése egyszerre és méretének arányai azok az érvek, amelyek a NeXtime Time Zones-t kiváló választássá teszik. Válassza a Táblázat létrehozása.
- A Tábla neve, írjon be egy nevet (például
ItemDetails
). - A Partíciókulcs, írjon be egy kulcsot (ebben a bejegyzésben használjuk
Item
). - A Rendezési kulcs, írjon be egy kulcsot (ebben a bejegyzésben használjuk
Size
). - A pop-art design, négy időzóna kijelzése egyszerre és méretének arányai azok az érvek, amelyek a NeXtime Time Zones-t kiváló választássá teszik. Válassza a Táblázat létrehozása.
Most betöltheti az adatokat a DynamoDB táblába. Ehhez a bejegyzéshez CSV-fájlt használunk. Az adatokat egy SageMaker jegyzetfüzetben lévő Python kóddal töltheti be a DynamoDB táblába.
Először is be kell állítanunk egy dev nevű profilt.
- Nyisson meg egy új terminált a SageMaker Studio-ban, és futtassa a következő parancsot:
Ez a parancs kéri az AWS hozzáférési kulcs azonosítójának, titkos hozzáférési kulcsának, az alapértelmezett AWS régiónak és a kimeneti formátumnak a megadását.
- Térjen vissza a SageMaker jegyzetfüzethez, és írjon egy Python-kódot a DynamoDB-vel való kapcsolat beállításához a Python Boto3 könyvtárának használatával. Ez a kódrészlet létrehoz egy munkamenetet egy adott dev nevű AWS-profil használatával, majd létrehoz egy DynamoDB-ügyfelet a munkamenet használatával. A következő kódminta az adatok betöltéséhez:
Alternatív megoldásként használhatja NoSQL Workbench vagy más eszközökkel az adatok gyors betöltéséhez a DynamoDB táblába.
Az alábbi képernyőkép a mintaadatok táblázatba történő beillesztése után látható.
Hozzon létre sablonokat egy SageMaker jegyzetfüzetben az Amazon Bedrock invocation API segítségével
Az ehhez a használati esethez szükséges prompt sablon létrehozásához az Amazon Bedrockot használjuk. Az Amazon Bedrock-ot a AWS felügyeleti konzol és API-hívásokon keresztül. Esetünkben egy SageMaker Studio notebookból API-n keresztül érjük el az Amazon Bedrock-ot, hogy ne csak a prompt sablonunkat hozzuk létre, hanem a teljes API meghívó kódunkat, amelyet később a Lambda funkciónkon is felhasználhatunk.
- A SageMaker konzolon nyissa meg a meglévő SageMaker Studio tartományt, vagy hozzon létre egy újat az Amazon Bedrock eléréséhez egy SageMaker notebookból.
- Miután létrehozta a SageMaker tartományt és felhasználót, válassza ki a felhasználót, majd válassza ki Indít és a tanulmány. Ezzel megnyílik egy JupyterLab környezet.
- Amikor a JupyterLab környezet készen áll, nyisson meg egy új jegyzetfüzetet, és kezdje meg a szükséges könyvtárak importálását.
Az Amazon Bedrock Python SDK-n keresztül számos FM érhető el. Ebben az esetben a Claude V2-t használjuk, az Anthropic által kifejlesztett erőteljes alapmodellt.
A rendelésfeldolgozó ügynöknek néhány különböző sablonra van szüksége. Ez a használati esettől függően változhat, de kialakítottunk egy általános munkafolyamatot, amely több beállításra is vonatkozhat. Ebben a felhasználási esetben az Amazon Bedrock LLM sablon a következőket hajtja végre:
- Erősítse meg az ügyfél szándékát
- Érvényesítse a kérést
- Hozza létre a rendelési adatszerkezetet
- Adja át a megrendelés összegzését az ügyfélnek
- A modell meghívásához hozzon létre egy alapkőzet-futási objektumot a Boto3-ból.
Kezdjük az intent validator prompt sablonnal. Ez egy iteratív folyamat, de az Anthropic gyors mérnöki útmutatójának köszönhetően gyorsan létrehozhat egy promptot, amely képes elvégezni a feladatot.
- Hozza létre az első prompt sablont egy segédfunkcióval együtt, amely felkészíti a törzset az API-hívásokra.
A következő a prompt_template_intent_validator.txt kódja:
- Mentse ezt a sablont egy fájlba, hogy feltölthesse az Amazon S3-ba, és szükség esetén hívja a Lambda funkciót. Mentse el a sablonokat JSON-soros karakterláncként egy szövegfájlban. Az előző képernyőképen látható a kódminta ennek megvalósításához is.
- Ismételje meg ugyanezeket a lépéseket a többi sablonnal.
Az alábbiakban néhány képernyőképet mutatunk be a többi sablonról és az eredményekről, amikor némelyikükkel felhívja az Amazon Bedrock-ot.
A következő a prompt_template_request_validator.txt kódja:
A következő az Amazon Bedrock válasza, amely ezt a sablont használja.
A következő a kódja prompt_template_object_creator.txt
:
A következő a prompt_template_order_summary.txt kódja:
Mint látható, prompt sablonjainkat a menüpontok érvényesítésére, a hiányzó szükséges információk azonosítására, az adatstruktúra létrehozására és a rendelés összegzésére használtuk. Az Amazon Bedrock-on elérhető alapmodellek nagyon erősek, így még több feladatot hajthat végre ezekkel a sablonokkal.
Befejezte a promptok tervezését, és elmentette a sablonokat szöveges fájlokba. Most megkezdheti az Amazon Lex bot és a kapcsolódó Lambda-funkciók létrehozását.
Hozzon létre egy Lambda réteget a prompt sablonokkal
A Lambda réteg létrehozásához hajtsa végre a következő lépéseket:
- A SageMaker Studio alkalmazásban hozzon létre egy új mappát egy almappával
python
. - Másolja a prompt fájlokat a
python
mappát.
- A ZIP-könyvtárat a következő parancs futtatásával adhatja hozzá a jegyzetfüzet-példányhoz.
- Most futtassa a következő parancsot a ZIP-fájl létrehozásához a lambda rétegre való feltöltéshez.
- A ZIP-fájl létrehozása után letöltheti a fájlt. Nyissa meg a Lambdát, és hozzon létre egy új réteget a fájl közvetlen feltöltésével vagy először az Amazon S3-ra való feltöltésével.
- Ezután csatolja ezt az új réteget a hangszerelési lambda függvényhez.
Mostantól a prompt sablonfájlok helyileg a Lambda futási környezetében vannak tárolva. Ez felgyorsítja a folyamatot a robot futtatása során.
Hozzon létre egy Lambda réteget a szükséges könyvtárakkal
Hajtsa végre a következő lépéseket a Lambda réteg létrehozásához a szükséges könyvtárakkal:
- Nyisson meg egy AWS Cloud9 példány környezetben, hozzon létre egy mappát a nevű almappával
python
. - Nyisson meg egy terminált a belsejében
python
mappát. - Futtassa a következő parancsokat a terminálról:
- futás
cd ..
és helyezze el magát az új mappában, ahol apython
almappát. - Futtassa a következő parancsot:
- A ZIP-fájl létrehozása után letöltheti a fájlt. Nyissa meg a Lambdát, és hozzon létre egy új réteget a fájl közvetlen feltöltésével vagy először az Amazon S3-ra való feltöltésével.
- Ezután csatolja ezt az új réteget a hangszerelési lambda függvényhez.
Hozd létre a robotot az Amazon Lex v2-ben
Erre a felhasználási esetre építünk egy Amazon Lex botot, amely bemeneti/kimeneti interfészt biztosít az architektúra számára, hogy bármilyen interfészről hanggal vagy szöveggel hívhassa az Amazon Bedrock-ot. Mivel az LLM kezeli ennek a rendelésfeldolgozó ügynöknek a beszélgetési részét, és a Lambda irányítja a munkafolyamatot, létrehozhat egy robotot három szándékkal, és nincs rés.
- Az Amazon Lex konzolon hozzon létre egy új botot a módszerrel Hozzon létre egy üres robotot.
Mostantól bármilyen megfelelő kezdeti kijelentéssel felvehet egy szándékot, amellyel a végfelhasználók elkezdhetik a beszélgetést a bottal. Egyszerű üdvözléseket használunk, és egy kezdeti bot-választ adunk hozzá, hogy a végfelhasználók teljesíthessék kéréseiket. A bot létrehozásakor ügyeljen arra, hogy Lambda kódhorgot használjon a szándékkal; ez elindít egy Lambda funkciót, amely megszervezi a munkafolyamatot az ügyfél, az Amazon Lex és az LLM között.
- Adja hozzá az első szándékot, amely elindítja a munkafolyamatot, és a szándékérvényesítési prompt sablon segítségével hívja fel az Amazon Bedrockot, és azonosítja, mit próbál elérni az ügyfél. Adjon hozzá néhány egyszerű kijelentést a végfelhasználók számára a beszélgetés megkezdéséhez.
Nincs szükség nyílásokra vagy kezdeti olvasásra a bot egyik szándékában sem. Valójában nem kell a második vagy harmadik szándékhoz kijelentéseket hozzáadni. Ennek az az oka, hogy az LLM végigvezeti a Lambdát a folyamat során.
- Adjon hozzá egy megerősítő üzenetet. Ezt az üzenetet később személyre szabhatja a Lambda funkcióban.
- Alatt Kód horgokválassza Használjon Lambda függvényt az inicializáláshoz és az érvényesítéshez.
- Hozzon létre egy második szándékot kimondás és kezdeti válasz nélkül. Ez a
PlaceOrder
elszánt.
Amikor az LLM azt észleli, hogy az ügyfél rendelést próbál feladni, a Lambda funkció elindítja ezt a szándékot, és ellenőrzi a vevő kérését a menüben, és megbizonyosodik arról, hogy semmilyen szükséges információ nem hiányzik. Ne feledje, hogy mindez a prompt sablonokon található, így ezt a munkafolyamatot bármilyen felhasználási esethez hozzáigazíthatja a prompt sablonok módosításával.
- Ne adjon hozzá helyet, hanem adjon hozzá egy megerősítést kérő üzenetet, és elutasítsa a választ.
- választ Használjon Lambda függvényt az inicializáláshoz és az érvényesítéshez.
- Hozzon létre egy harmadik szándékot, melynek neve
ProcessOrder
minta megnyilatkozások és helyek nélkül. - Adjon hozzá egy kezdeti választ, egy megerősítő üzenetet és egy elutasító választ.
Miután az LLM érvényesítette az ügyfél kérését, a Lambda funkció elindítja a harmadik és egyben utolsó szándékot a megrendelés feldolgozására. Itt a Lambda az objektumkészítő sablont használja a rendelési JSON-adatstruktúra létrehozásához a DynamoDB tábla lekérdezéséhez, majd a rendelés-összefoglaló sablon segítségével összegzi a teljes rendelést a végösszeggel együtt, hogy az Amazon Lex át tudja adni azt az ügyfélnek.
- választ Használjon Lambda függvényt az inicializáláshoz és az érvényesítéshez. Ez bármely Lambda funkciót használhat a megrendelés feldolgozásához, miután az ügyfél megadta a végső visszaigazolást.
- Miután létrehozta mindhárom szándékot, nyissa meg a Visual Buildert
ValidateIntent
, adjon hozzá egy továbblépési szándék lépést, és csatlakoztassa a pozitív megerősítés kimenetét ehhez a lépéshez. - Miután hozzáadta a go-to szándékot, szerkessze azt, és válassza ki a PlaceOrder szándékot intent névként.
- Hasonlóképpen, a Visual Builder használatához a
PlaceOrder
szándékot, és csatlakoztassa a pozitív megerősítés kimenetét aProcessOrder
megy a szándék. Nincs szükség szerkesztésre aProcessOrder
elszánt. - Most létre kell hoznia a Lambda függvényt, amely levezényli az Amazon Lex-et és meghívja a DynamoDB táblát, a következő szakaszban részletezettek szerint.
Hozzon létre egy Lambda függvényt az Amazon Lex bot hangszereléséhez
Most már létrehozhatja a Lambda funkciót, amely az Amazon Lex robotot és a munkafolyamatot irányítja. Hajtsa végre a következő lépéseket:
- Hozzon létre egy Lambda-függvényt a szabvány végrehajtási szabályzattal, és hagyja, hogy a Lambda hozzon létre egy szerepet az Ön számára.
- A függvény kódablakában adjon hozzá néhány segédfunkciót, amelyek segítenek: formázza a promptokat a lex kontextusnak a sablonhoz való hozzáadásával, hívja meg az Amazon Bedrock LLM API-t, bontsa ki a kívánt szöveget a válaszokból, és így tovább. Lásd a következő kódot:
- Csatlakoztassa a korábban létrehozott Lambda réteget ehhez a függvényhez.
- Ezenkívül csatolja a réteget a létrehozott prompt sablonokhoz.
- A Lambda végrehajtási szerepkörben csatolja a korábban létrehozott Amazon Bedrock eléréséhez szükséges házirendet.
A Lambda végrehajtási szerepkörnek a következő engedélyekkel kell rendelkeznie.
Csatlakoztassa az Orchestration Lambda funkciót az Amazon Lex bothoz
- Miután létrehozta a funkciót az előző részben, térjen vissza az Amazon Lex konzolra, és navigáljon a botjához.
- Alatt Nyelvek a navigációs ablakban válassza a lehetőséget Angol.
- A forrás, válassza ki a rendelésfeldolgozó robotot.
- A Lambda funkció verziója vagy álneve, választ $LEGÚJABB.
- A pop-art design, négy időzóna kijelzése egyszerre és méretének arányai azok az érvek, amelyek a NeXtime Time Zones-t kiváló választássá teszik. Válassza a Megtakarítás.
Hozzon létre segítő lambda-funkciókat
További lambda-funkciók létrehozásához hajtsa végre a következő lépéseket:
- Hozzon létre egy Lambda függvényt a korábban létrehozott DynamoDB tábla lekérdezéséhez:
- Navigáljon a Configuration fület a Lambda funkcióban, és válassza ki Engedélyek.
- Csatoljon egy erőforrás-alapú házirend-utasítást, amely lehetővé teszi, hogy a rendelésfeldolgozó Lambda függvény meghívja ezt a függvényt.
- Keresse meg a Lambda-függvény IAM-végrehajtási szerepkörét, és adjon hozzá egy házirendet a DynamoDB tábla eléréséhez.
- Hozzon létre egy másik Lambda-függvényt annak ellenőrzésére, hogy az összes szükséges attribútumot átadta-e az ügyfél. A következő példában ellenőrizzük, hogy a size attribútum rögzítve van-e egy rendelésnél:
- Navigáljon a Configuration fület a Lambda funkcióban, és válassza ki Engedélyek.
- Csatoljon egy erőforrás-alapú házirend-utasítást, amely lehetővé teszi, hogy a rendelésfeldolgozó Lambda függvény meghívja ezt a függvényt.
Tesztelje az oldatot
Most tesztelhetjük a megoldást olyan példamegrendelésekkel, amelyeket az ügyfelek az Amazon Lexen keresztül adnak le.
Első példánkban a vásárló frappuccinót kért, ami nem szerepel az étlapon. A modell a rendelésérvényesítő sablon segítségével érvényesít, és a menü alapján javasol néhány javaslatot. Miután a vásárló visszaigazolta megrendelését, értesítést kap a rendelés végösszegéről és a rendelés összesítéséről. A megrendelés feldolgozása az ügyfél végső visszaigazolása alapján történik.
Következő példánkban az ügyfél nagy cappuccinót rendel, majd a méretet nagyról közepesre módosítja. A modell rögzíti az összes szükséges változtatást, és felkéri az ügyfelet a rendelés megerősítésére. A modell a rendelés végösszegét és a rendelés összesítését mutatja be, és a megrendelést a vevő végső visszaigazolása alapján dolgozza fel.
Utolsó példánkban az ügyfél több tételre adott le rendelést, és néhány tételnél hiányzik a méret. A modell és a Lambda funkció ellenőrzi, hogy minden szükséges attribútum rendelkezésre áll-e a megrendelés feldolgozásához, majd felkéri az ügyfelet a hiányzó adatok megadására. Miután az ügyfél megadta a hiányzó adatokat (jelen esetben a kávé méretét), megjelenik a rendelés végösszege és a rendelés összesítése. A megrendelés feldolgozása az ügyfél végső visszaigazolása alapján történik.
LLM korlátozások
Az LLM-kimenetek természetüknél fogva sztochasztikusak, ami azt jelenti, hogy az LLM-ünk eredményei változhatnak formátumban, vagy akár valótlan tartalom (hallucinációk) formájában is. Ezért a fejlesztőknek jó hibakezelési logikára kell hagyatkozniuk a kódjukban, hogy kezelni tudják ezeket a forgatókönyveket, és elkerüljék a leromlott végfelhasználói élményt.
Tisztítsuk meg
Ha már nincs szüksége erre a megoldásra, törölheti a következő erőforrásokat:
- Lambda funkciók
- Amazon Lex doboz
- DynamoDB tábla
- S3 vödör
Ezenkívül állítsa le a SageMaker Studio példányt, ha az alkalmazásra már nincs szükség.
Költségbecslés
A megoldás által használt főbb szolgáltatások árára vonatkozó információkért tekintse meg a következőket:
Vegye figyelembe, hogy a Claude v2-t kiépítés nélkül is használhatja, így az általános költségek minimálisak maradnak. A költségek további csökkentése érdekében konfigurálhatja a DynamoDB táblát az igény szerinti beállítással.
Következtetés
Ez a bejegyzés bemutatta, hogyan hozhat létre beszéd-kompatibilis mesterséges intelligencia rendelésfeldolgozó ügynököt az Amazon Lex, az Amazon Bedrock és más AWS-szolgáltatások használatával. Megmutattuk, hogy a gyors tervezés egy olyan erőteljes generatív AI-modellel, mint a Claude, milyen robusztus természetes nyelvértést és beszélgetési folyamatokat tesz lehetővé a rendelések feldolgozásához anélkül, hogy kiterjedt képzési adatokra lenne szükség.
A megoldás architektúrája olyan szerver nélküli komponenseket használ, mint a Lambda, Amazon S3 és DynamoDB a rugalmas és méretezhető megvalósítás érdekében. A prompt sablonok Amazon S3-ban való tárolása lehetővé teszi a megoldás testreszabását a különböző használati esetekhez.
A következő lépések közé tartozhat az ügynök képességeinek bővítése az ügyfelek kérésének és szélsőséges eseteinek szélesebb körének kezelésére. A prompt sablonok módot adnak az ügynök készségeinek iteratív fejlesztésére. További testreszabások magukban foglalhatják a rendelési adatok integrálását olyan háttérrendszerekkel, mint a készlet, a CRM vagy a POS. Végül az ügynököt különféle ügyfélkapcsolati pontokon, például mobilalkalmazásokon, áthajtókon, kioszkon és még sok máson is elérhetővé teheti az Amazon Lex többcsatornás képességeinek felhasználásával.
További információért tekintse meg a következő kapcsolódó forrásokat:
- Többcsatornás robotok telepítése és kezelése:
- Gyors tervezés Claude és más modellek számára:
- Szerver nélküli építészeti minták méretezhető AI-asszisztensekhez:
A szerzőkről
Moumita Dutta az Amazon Web Services partner megoldástervezője. Munkájában szorosan együttműködik partnereivel, hogy olyan méretezhető és újrafelhasználható eszközöket fejlesszenek ki, amelyek egyszerűsítik a felhőbevezetést és növelik a működési hatékonyságot. Tagja az AI/ML közösségnek, és az AWS Generative AI szakértője. Szabadidejében szeret kertészkedni és kerékpározni.
Fernando Lammoglia az Amazon Web Services Partner Solutions Architect-je, aki szorosan együttműködik az AWS-partnerekkel a legmodernebb mesterségesintelligencia-megoldások fejlesztésének és bevezetésének élén az üzleti egységekben. Stratégiai vezető, aki a felhőarchitektúra, a generatív AI, a gépi tanulás és az adatelemzés terén jártas. Szakterülete a piacra lépési stratégiák végrehajtása és a szervezeti célokhoz igazodó hatásos mesterségesintelligencia-megoldások szállítása. Szabadidejében szívesen tölt időt a családjával és más országokba utazik.
Mitul Patel az Amazon Web Services vezető megoldástervezője. Felhőtechnológia-segítőként dolgozik az ügyfelekkel, hogy megértsék céljaikat és kihívásaikat, és előíró útmutatást ad a cél eléréséhez az AWS-ajánlatokkal. Az AI/ML közösség tagja és az AWS Generative AI nagykövete. Szabadidejében szeret kirándulni és focizni.
- SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
- PlatoData.Network Vertical Generative Ai. Erősítse meg magát. Hozzáférés itt.
- PlatoAiStream. Web3 Intelligence. Felerősített tudás. Hozzáférés itt.
- PlatoESG. Carbon, CleanTech, Energia, Környezet, Nap, Hulladékgazdálkodás. Hozzáférés itt.
- PlatoHealth. Biotechnológiai és klinikai vizsgálatok intelligencia. Hozzáférés itt.
- Forrás: https://aws.amazon.com/blogs/machine-learning/transform-one-on-one-customer-interactions-build-speech-capable-order-processing-agents-with-aws-and-generative-ai/
- :van
- :is
- :nem
- :ahol
- $3
- $ UP
- 1
- 10
- 100
- 11
- 12
- 13
- 15%
- 173
- 200
- 24
- 250
- 28
- 29
- 31
- 320
- 385
- 40
- 400
- 500
- 7
- 75
- 8
- 9
- 900
- a
- felett
- felgyorsult
- Elfogad!
- hozzáférés
- Hozzáférés
- elérni
- Szerint
- Fiók
- Elérése
- át
- Akció
- aktív
- alkalmazkodni
- hozzá
- hozzáadott
- hozzáadásával
- mellett
- További
- Ezen kívül
- ragaszkodva
- állítsa
- Örökbefogadás
- fejlesztések
- megérkezés
- Után
- újra
- ellen
- Ügynök
- szerek
- AI
- AI / ML
- igazított
- Minden termék
- lehetővé
- lehetővé téve
- lehetővé teszi, hogy
- mentén
- Is
- mindig
- am
- amazon
- Amazon Lex
- Amazon RDS
- Az Amazon Web Services
- Nagykövet
- an
- analitika
- és a
- Másik
- Antropikus
- bármilyen
- api
- Alkalmazás
- alkalmazások
- alkalmaz
- megközelítés
- megfelelő
- megfelelő
- alkalmazások
- építészeti
- építészet
- VANNAK
- AS
- kérdez
- Eszközök
- Támogatás
- Helyettes
- asszisztensek
- segítő
- társult
- feltételezi
- At
- csatolja
- Kisérők
- attribútumok
- Automatizált
- elérhetőség
- elérhető
- elkerülése érdekében
- AWS
- vissza
- háttér
- alapján
- BE
- mert
- óta
- kezdődik
- között
- test
- Bot
- mindkét
- botok
- széles
- épít
- építész
- üzleti
- vállalkozások
- de
- by
- számít
- hívás
- hívott
- hívás
- kéri
- TUD
- képességek
- rögzített
- fogások
- eset
- esetek
- kategóriák
- sejt
- kihívások
- kihívást
- változik
- Változások
- változó
- karakter
- ellenőrizze
- választás
- A pop-art design, négy időzóna kijelzése egyszerre és méretének arányai azok az érvek, amelyek a NeXtime Time Zones-t kiváló választássá teszik. Válassza a
- vásárló
- közel
- szorosan
- felhő
- FELHŐTECHNOLÓGIA
- kód
- Kávé
- működik együtt
- gyűjt
- közölni
- közösség
- Companies
- versenyképes
- teljes
- Befejezett
- kitöltésével
- befejezés
- alkatrészek
- fogalmak
- megerősít
- megerősítés
- MEGERŐSÍTETT
- Csatlakozás
- kapcsolat
- áll
- Konzol
- tartalom
- kontextus
- tovább
- kényelem
- Beszélgetés
- megtérít
- kijavítására
- kiadások
- tudott
- országok
- Pár
- teremt
- készítette
- teremt
- létrehozása
- teremtés
- Teremtő
- CRM
- Jelenlegi
- szokás
- vevő
- Ügyfelek
- testre
- élvonalbeli
- dátum
- Adatelemzés
- Adatszerkezet
- adatbázis
- Elutasítása
- mélyen
- alapértelmezett
- meghatározott
- szállít
- átadó
- Kereslet
- igények
- igazolták
- tiltott
- attól
- függ
- bevetések
- tervezett
- kívánatos
- Ellenére
- részletes
- Dev
- Fejleszt
- fejlett
- fejlesztők
- Fejlesztés
- diagram
- DID
- különböző
- közvetlenül
- Elküldés
- do
- nem
- domain
- Don
- csinált
- ne
- le-
- letöltés
- alatt
- e
- minden
- Korábban
- könnyen
- él
- hatás
- hatékonyság
- hatékony
- eredményesen
- erőfeszítés
- más
- lehetővé
- engedélyező
- Endpoint
- Mérnöki
- növelése
- belép
- Környezet
- hiba
- hibák
- Még
- esemény
- példa
- példák
- Kivéve
- kivétel
- végrehajtó
- végrehajtás
- létező
- Kilépés
- bővülő
- tapasztalat
- szakértő
- szakvélemény
- kiterjedt
- kivonat
- Arc
- tény
- Esik
- bizalmasság
- család
- kevés
- filé
- Fájlok
- utolsó
- véglegesítése
- Találjon
- vezetéknév
- Rugalmasság
- rugalmas
- flow
- következő
- A
- forma
- formátum
- szerencsére
- talált
- Alapítvány
- alapítványi
- Ingyenes
- ból ből
- teljesen
- funkció
- funkciók
- további
- általános
- generál
- nemző
- Generatív AI
- kap
- Ad
- adott
- Go
- Piacra megy
- Célok
- jó
- kapott
- nagy
- nagy
- üdvözlet
- Üdvözlet
- útmutatást
- útmutató
- fogantyú
- Kezelés
- Legyen
- tekintettel
- he
- hall
- súlyosan
- segít
- neki
- itt
- hi
- nagy teljesítményű
- övé
- Méz
- NYITVATARTÁS
- Hogyan
- How To
- azonban
- HTML
- http
- HTTPS
- emberi
- i
- ID
- azonosítja
- azonosítani
- azonosító
- if
- illusztrálja
- hatásos
- végrehajtás
- végrehajtási
- importál
- importáló
- javul
- in
- tartalmaz
- Beleértve
- Bejövő
- növekvő
- index
- információ
- beleivódott
- kezdetben
- bemenet
- bemenet
- belső
- telepíteni
- példa
- helyette
- utasítás
- integrálása
- A szándék
- kölcsönhatások
- Felület
- bele
- Bemutatja
- leltár
- vonja
- IT
- tételek
- jpg
- json
- éppen
- Tart
- Kulcs
- kioszkok
- Ismer
- Labs
- hiány
- táj
- nyelv
- nagy
- keresztnév
- végül
- a későbbiekben
- réteg
- vezető
- vezető
- TANUL
- tanulás
- limonádé
- hadd
- Lets
- könyvtárak
- könyvtár
- mint
- korlátozások
- Lista
- LLM
- kiszámításának
- helyileg
- fakitermelés
- logika
- hosszabb
- MEGJELENÉS
- szeret
- gép
- gépi tanulás
- készült
- Fő
- csinál
- sikerült
- vezetés
- kezelése
- kézikönyv
- sok
- megjelölt
- piacok
- me
- eszközök
- közepes
- tag
- Menü
- üzenet
- üzenetek
- meta
- módszer
- esetleg
- Tej
- minimum
- megszakított
- hiányzó
- Mobil
- mobil-alkalmazásokat
- modell
- modellek
- módosított
- módosítása
- pillanat
- több
- többszörös
- my
- név
- Nevezett
- Természetes
- Természet
- Keresse
- Navigáció
- elengedhetetlen
- Szükség
- szükséges
- igények
- Új
- következő
- nem
- Egyik sem
- jegyzetfüzet
- Most
- tárgy
- célkitűzés
- történt
- of
- Ajánlat
- Ajánlatok
- gyakran
- Rendben
- on
- Igény szerint
- ONE
- csak
- nyitva
- működik
- operatív
- opció
- Opciók
- or
- hangszerelésben
- hangszerelés
- érdekében
- rendelés
- szervezeti
- szervezetek
- Más
- mi
- teljesítmény
- kimenetek
- átfogó
- üvegtábla
- paraméterek
- rész
- partner
- partnerek
- elhalad
- Elmúlt
- bérletek
- ösvény
- minták
- fizetés
- százalék
- Előadja
- talán
- engedélyek
- darab
- Hely
- Helyek
- forgalomba
- Plató
- Platón adatintelligencia
- PlatoData
- játék
- kérem
- pont
- politika
- POS
- pózok
- pozíció
- pozitív
- lehetséges
- állás
- potenciális
- erős
- gyakorlat
- előzetes
- Készít
- Előkészíti
- előkészítése
- be
- ajándékot
- előző
- ár
- árazás
- magánélet
- folytassa
- folyamat
- Feldolgozott
- Folyamatok
- feldolgozás
- profil
- utasításokat
- kilátás
- ad
- feltéve,
- ellátó
- biztosít
- ellátás
- Húz
- tesz
- Piton
- kérdés
- gyorsan
- R
- emel
- hatótávolság
- Nyers
- RE
- Olvass
- Olvasás
- kész
- ajánl
- ajánlások
- csökkenteni
- utal
- vidék
- szabályos
- összefüggő
- támaszkodnak
- marad
- maradványok
- eszébe jut
- eltávolítása
- csere
- kérni
- kéri
- kötelező
- forrás
- Tudástár
- Reagálni
- válasz
- válaszok
- felelős
- eredményez
- Eredmények
- visszatérés
- Visszatér
- újrahasználható
- merev
- erős
- Szerep
- Útvonal
- SOR
- futás
- futás
- fut
- futásidejű
- s
- sagemaker
- azonos
- minta
- Megtakarítás
- mentett
- azt mondják
- skálázható
- Skála
- forgatókönyv
- forgatókönyvek
- screenshotok
- sdk
- Második
- Titkos
- Rész
- biztonság
- lát
- válasszuk
- idősebb
- vagy szerver
- szolgáltatás
- Szolgáltatások
- ülés
- készlet
- beállítás
- beállítások
- felépítés
- számos
- ő
- Héj
- üzletek
- kellene
- előadás
- kimutatta,
- mutatott
- Műsorok
- becsuk
- Állítsa le
- Egyszerű
- egyetlen
- Méret
- készségek
- rés
- nyílások
- kicsi
- töredék
- So
- Futball
- Kizárólag
- megoldások
- Megoldások
- néhány
- Valaki
- valami
- beszél
- vezetőiként
- speciális
- specializálódott
- különleges
- sebesség
- költ
- Stabilitás
- standard
- kezdet
- Kezdve
- Állami
- nyilatkozat
- Lépés
- Lépései
- memorizált
- tárolása
- Stratégiai
- stratégiák
- áramvonal
- struktúra
- küzdelmek
- stúdió
- lényeges
- sikeresen
- ilyen
- cukor
- javasol
- javasolja,
- összegez
- ÖSSZEFOGLALÓ
- Támogatott
- biztos
- gyorsan
- rendszer
- Systems
- táblázat
- TAG
- tart
- Feladat
- feladatok
- íz
- technikai
- Technológia
- sablon
- sablonok
- terminál
- teszt
- szöveg
- Kösz
- hogy
- A
- az információ
- azok
- Őket
- akkor
- Ott.
- ebből adódóan
- Ezek
- ők
- dolog
- Harmadik
- ezt
- három
- Keresztül
- egész
- idő
- időrendben
- nak nek
- Ma
- mai
- szerszámok
- Végösszeg
- hagyományos
- Képzések
- Átalakítás
- utazás
- kiváltó
- baj
- megpróbál
- próbál
- kettő
- típus
- megért
- megértés
- egységek
- Feltöltés
- használ
- használati eset
- használt
- használó
- használ
- segítségével
- hasznosság
- kihasználva
- érvényes
- ÉRVÉNYESÍT
- érvényesített
- érvényesítés
- érvényesítő
- érték
- Értékek
- változó
- különféle
- változik
- ellenőrzése
- változat
- nagyon
- keresztül
- vizuális
- Hang
- akar
- akar
- volt
- Út..
- we
- háló
- webes szolgáltatások
- JÓL
- voltak
- Mit
- amikor
- ami
- míg
- egész
- szélesebb
- lesz
- ablak
- val vel
- belül
- nélkül
- munkafolyamat
- dolgozó
- művek
- lenne
- ír
- XML
- Igen
- te
- A te
- magad
- zephyrnet
- Postai irányítószám