Ezt a bejegyzést Greg Benson főtudóssal közösen írták; Aaron Kesler, idősebb termékmenedzser; és Rich Dill, a SnapLogic vállalati megoldások építésze.
Sok ügyfél generatív AI-alkalmazásokat épít rá Amazon alapkőzet és a Amazon Code Whisperer természetes nyelven alapuló kódtermékek létrehozására. Ez a használati eset rávilágít arra, hogy a nagy nyelvi modellek (LLM-ek) hogyan képesek fordítói lenni emberi nyelvek (angol, spanyol, arab stb.) és gépileg értelmezhető nyelvek (Python, Java, Scala, SQL stb.) között a kifinomult belső érvelés. Ez az LLM-ekben megjelenő képesség arra kényszerítette a szoftverfejlesztőket, hogy az LLM-eket olyan automatizálási és UX-bővítő eszközként használják, amely a természetes nyelvet tartomány-specifikus nyelvvé (DSL) alakítja át: rendszerutasítások, API-kérések, kódtermékek stb. Ebben a bejegyzésben megmutatjuk, hogyan SnapLogic, egy AWS-ügyfél, az Amazon Bedrock-ot használta az áramellátáshoz SnapGPT termék ezen összetett DSL-termékek emberi nyelvből történő automatikus létrehozásával.
Amikor az ügyfelek LLM-ekből DSL-objektumokat hoznak létre, az eredményül kapott DSL vagy egy létező interfészadatok és séma pontos replikája vagy származéka, amely szerződést képez a felhasználói felület és a háttérszolgáltatás üzleti logikája között. Ez a minta különösen felkapott a független szoftvergyártók (ISV) és a szoftver, mint szolgáltatás (SaaS) ISV-k esetében, mivel egyedi módon jelenítik meg a konfigurációkat kódon keresztül, és az a vágy, hogy egyszerűsítsék ügyfeleik felhasználói élményét. Példa a használati esetekre:
A legegyszerűbb módja az AWS-en lévő LLM-ekkel szöveg-csővezeték-alkalmazások létrehozásának és méretezésének az Amazon Bedrock használata. Az Amazon Bedrock a legegyszerűbb módja a generatív AI-alkalmazások létrehozásának és méretezésének alapmodellekkel (FM). Ez egy teljesen felügyelt szolgáltatás, amely egyetlen API-n keresztül hozzáférést biztosít a vezető mesterséges intelligencia vezetőitől származó nagy teljesítményű FM-ekhez, valamint számos olyan képességet, amelyre szükség van generatív mesterséges intelligencia-alkalmazások felépítéséhez adatvédelemmel és biztonsággal. Az Anthropic, egy megbízható, értelmezhető és irányítható mesterségesintelligencia-rendszereket építő mesterséges intelligencia biztonsági és kutatólaboratóriuma az egyik vezető mesterséges intelligencia-vállalat, amely hozzáférést biztosít a legmodernebb LLM-hez, a Claude-hoz az Amazon Bedrockon. Claude egy LLM, aki a feladatok széles skálájában jeleskedik, kezdve az átgondolt párbeszédtől, a tartalomkészítéstől a komplex érvelésig, a kreativitásig és a kódolásig. Az Anthropic Claude és Claude Instant modelleket is kínál, amelyek mindegyike elérhető az Amazon Bedrockon. A Claude gyorsan népszerűvé vált ezekben a text-to-pipeline alkalmazásokban, javított érvelési képessége miatt, amely lehetővé teszi számára, hogy kitűnjön a kétértelmű technikai problémamegoldásban. Az Amazon Bedrock Claude 2 egy 100,000 200 tokenből álló kontextusablakot támogat, ami körülbelül XNUMX oldalnyi angol szövegnek felel meg. Ez egy különösen fontos funkció, amelyre támaszkodhat olyan szöveg-folyamat alkalmazások készítésekor, amelyek összetett érvelést, részletes utasításokat és átfogó példákat igényelnek.
SnapLogic háttér
A SnapLogic egy AWS-ügyfél, amelynek küldetése, hogy a vállalati automatizálást világgá vigye. A SnapLogic Intelligent Integration Platform (IIP) lehetővé teszi a szervezetek számára, hogy az egész vállalatra kiterjedő automatizálást valósítsanak meg azáltal, hogy az alkalmazások, adatbázisok, big data, gépek és eszközök, API-k és egyebek teljes ökoszisztémáját összekapcsolják előre beépített, intelligens, Snaps nevű csatlakozókkal. A SnapLogic nemrégiben kiadott egy funkciót, az úgynevezett SnapGPT, amely egy szöveges felületet biztosít, ahol egyszerű emberi nyelven beírhatja a kívánt integrációs folyamatot. A SnapGPT az Anthropic Claude-modelljét használja az Amazon Bedrockon keresztül, hogy automatizálja ezeknek az integrációs folyamatoknak a kódként történő létrehozását, amelyeket aztán a SnapLogic zászlóshajó integrációs megoldása használ fel. A SnapLogic SnapGPT-hez vezető útja azonban az AI-térben végzett sok év betetőzése volt.
A SnapLogic AI utazása
Az integrációs platformok területén a SnapLogic folyamatosan az élen jár, kihasználva a mesterséges intelligencia átalakító erejét. Az évek során nyilvánvalóvá vált a vállalat elkötelezettsége a mesterséges innovatív innováció iránt, különösen, ha nyomon követjük az utat Írisz nak nek Automatikus link.
A szerény kezdetek Irisszel
2017-ben a SnapLogic bemutatta az Irist, az iparág első AI-alapú integrációs asszisztensét. Az Irist úgy tervezték, hogy gépi tanulási (ML) algoritmusokat használjon az adatfolyam felépítésének következő lépéseinek előrejelzésére. A metaadatelemek és adatfolyamok millióinak elemzésével az Iris intelligens javaslatokat tehet a felhasználóknak, demokratizálja az adatintegrációt, és lehetővé teszi még a mély technikai háttérrel nem rendelkezők számára is, hogy összetett munkafolyamatokat hozzanak létre.
AutoLink: Lendület építése
Az Iris sikerére és tanulságaira építve a SnapLogic bemutatta az AutoLink funkciót, amely az adatleképezési folyamat további egyszerűsítését célozza. A forrás- és célrendszerek közötti mezők manuális leképezésének fárasztó feladata az AutoLink segítségével gyerekjáték lett. Az AI használatával az AutoLink automatikusan azonosította és javasolta a lehetséges egyezéseket. Az egykor órákig tartó integrációkat percek alatt le lehetett futtatni.
A generatív ugrás a SnapGPT-vel
A SnapLogic legújabb kísérlete a mesterséges intelligencia terén elhozza nekünk a SnapGPT-t, amelynek célja az integráció további forradalmasítása. A SnapGPT segítségével a SnapLogic bemutatja a világ első generatív integrációs megoldását. Ez nem csak a meglévő folyamatok egyszerűsítéséről szól, hanem az integrációk tervezésének teljes újragondolásáról. A generatív mesterséges intelligencia ereje teljes integrációs folyamatokat hozhat létre a semmiből, optimalizálva a munkafolyamatot a kívánt eredmény és adatjellemzők alapján.
A SnapGPT rendkívül nagy hatással van a SnapLogic ügyfeleire, mert képesek drasztikusan csökkenteni az első SnapLogic folyamat létrehozásához szükséges időt. Hagyományosan a SnapLogic-ügyfeleknek napokat vagy heteket kellett tölteniük azzal, hogy a semmiből konfigurálják az integrációs folyamatokat. Most ezek az ügyfelek egyszerűen megkérhetik a SnapGPT-t, hogy például „hozzon létre egy folyamatot, amely az összes aktív SFDC ügyfelemet áthelyezi a WorkDay-re”. Ennek az ügyfélnek automatikusan létrejön a folyamat első működő vázlata, ami drasztikusan lecsökkenti az integrációs folyamat alapjának létrehozásához szükséges fejlesztési időt. Ez lehetővé teszi a végfelhasználó számára, hogy több időt tölthessen azzal, hogy az integrációs folyamat konfigurációja helyett arra összpontosítson, ami valódi üzleti hatást gyakorol rá. A következő példa bemutatja, hogyan írhat be egy SnapLogic-ügyfél leírást a SnapGPT szolgáltatásba, hogy gyorsan generáljon folyamatot a természetes nyelv használatával.
Az AWS és a SnapLogic szorosan együttműködött a termékfejlesztés során, és sokat tanultak az út során. A bejegyzés további része az AWS és a SnapLogic műszaki ismereteire fog összpontosítani, amelyeket az LLM-ek szöveg-csővezeték alkalmazásokhoz való használata során szerzett.
Megoldás áttekintése
Ennek a text-to-pipeline probléma megoldására az AWS és a SnapLogic átfogó megoldást tervezett, amely a következő architektúrában látható.
A SnapGPT-nek küldött kérés a következő munkafolyamaton megy keresztül:
- A felhasználó leírást küld az alkalmazáshoz.
- A SnapLogic a Retrieval Augmented Generation (RAG) megközelítést használja a SnapLogic folyamatok releváns példáinak lekéréséhez, amelyek hasonlóak a felhasználó kérésére.
- Ezeket a kivonatolt releváns példákat kombinálják a felhasználói bevitellel, és bizonyos szöveg-előfeldolgozáson mennek keresztül, mielőtt elküldik őket Claude-nak az Amazon Bedrockon.
- Claude egy JSON-műterméket hoz létre, amely egy SnapLogic folyamatot képvisel.
- A JSON melléktermék közvetlenül integrálva van az alapvető SnapLogic integrációs platformba.
- A SnapLogic folyamat a felhasználó számára vizuálisan barátságos módon jelenik meg.
Az AWS és a SnapLogic közötti különféle kísérletek során azt találtuk, hogy a megoldásdiagram azonnali tervezési lépése rendkívül fontos a kiváló minőségű kimenetek létrehozásához ezekhez a szöveg-csővezeték-kimenetekhez. A következő rész tovább foglalkozik néhány speciális technikával, amelyet Claude-dal ezen a téren használtak.
Gyors kísérletezés
A SnapGPT fejlesztési szakasza során az AWS és a SnapLogic úgy találta, hogy a Claude-nak küldött promptok gyors iterációja kritikus fejlesztési feladat volt a SnapLogic kimeneteiben található szöveg-folyamat kimenetek pontosságának és relevanciájának javítása érdekében. Használva Amazon SageMaker Studio Az interaktív notebookok segítségével az AWS és a SnapLogic csapata gyorsan át tudta dolgozni a promptok különböző verzióit a Boto3 SDK csatlakozás az Amazon Bedrockhoz. A notebook-alapú fejlesztés lehetővé tette a csapatok számára, hogy gyorsan kliensoldali kapcsolatokat hozzanak létre az Amazon Bedrock-kal, szöveges leírásokat helyezzenek el a Python-kód mellett az Amazon Bedrock-nak szóló promptok küldéséhez, és közös kérdőíves mérnöki munkameneteket tartsanak, ahol gyorsan iterációt hajtottak végre több személy között.
Antropikus Claude gyors mérnöki módszerek
Ebben a részben leírunk néhány iteratív technikát, amellyel egy szemléltető felhasználói kérés alapján nagy teljesítményű promptot hoztunk létre: „Készítsen egy folyamatot, amely az ExampleCompany adatbázist használja, és lekéri az összes aktív ügyfelet.” Ne feledje, hogy ez a példa nem az a séma, amelyet a SnapGPT működtet, és csak egy szöveg-csővezeték alkalmazás szemléltetésére szolgál.
Az azonnali tervezés alapjaként a következő eredeti promptot használjuk:
Készítsen egy folyamatot, amely az ExampleCompany adatbázist használja, és lekéri az összes aktív ügyfelet
A várható kimenet a következő:
{ "database": "ExampleCompany", "query": "SELECT * FROM ec_prod.customers WHERE status = 'active'" }
1. fejlesztés: Az Emberi és Asszisztens megjegyzések használata
Claude képzési eljárása megtanítja az FM-et, hogy megértse az ember és az asszisztens közötti párbeszédet annak gyors szerkezetében. A Claude-felhasználók kihasználhatják ezt a struktúrát, ha leállítják a promptot az Assistant:-ben, ami arra készteti Claude-ot, hogy az ember által elmondottak alapján elkezdje generálni a választ egy lekérdezésre. Ne feledje, hogy mivel a Claude addig folytatja a szöveg generálását, amíg meg nem mondja a leállítást, ügyeljen arra, hogy az nnHuman: stop szekvenciát használja az Amazon Bedrock API-kérésben a Claude használatakor. Ez biztosítja, hogy csak az asszisztenstől kapja meg a választ, a párbeszédláncban résztvevő embertől pedig nem. Ezek az nnHuman és nnAssistant indikátorok nemcsak abban segítenek, hogy korlátozzák Claude válaszát a releváns információkra, hanem abban is, hogy egyértelmű határvonalat biztosítsanak az elsődleges emberi bemenetek és az egyéb interakciókból származó asszisztensi válaszok között. Ez különösen a néhány lépéses prompt beállításnál segít, ahol több lekérdezést és választ kaphat az nnHuman címkével és az nnAssistant címkével megjelölt korábbi válaszokkal. Nézzük meg a továbbfejlesztett promptot és a kapcsolódó szemléltető API-hívást az Amazon Bedrock számára a Boto3 SDK-n keresztül.
A következő promptot használjuk:
Ember: Készítsen egy folyamatot, amely az ExampleCompany adatbázist használja, és lekéri az összes aktív ügyfelet
Helyettes:
A kimenet a következő:
Itt van egy MongoDB-folyamat az összes aktív ügyfél lekéréséhez az ExampleCompany adatbázisból:
pipeline = [ { '$match': { 'database': 'ExampleCompany', 'status': 'active' } } ] db.customers.aggregate(pipeline)
A legfontosabb lépések a következők:
– „$match” a dokumentumok szűréséhez csak az ExampleCompany adatbázisban lévőkre, amelyek állapota „aktív”.
– A `db.customers.aggregate()` futtatja a folyamatot az ügyfelek gyűjteményén, és visszaadja a szűrt eredményeket.
Tehát ez visszaadja az összes ügyféldokumentumot az ExampleCompany adatbázisból, ahol az állapotmező „aktív”-ra van állítva.
Figyeljük meg, hogy a kimenetben Claude minden összefüggés nélkül választ ad kérdésünkre. A válasz potenciálisan hasznos, de nem kifejezetten a megoldani kívánt problémára vonatkozik, mert nincs elég kontextusa. Azt is fontos megjegyezni, hogy az Anthropic ezt az emberi és asszisztensi formátumot igényli a Claude-modellek használatakor; ha nem adja meg ezt a lépést, az Amazon Bedrock hibát ad vissza.
2. fejlesztés: Adjon meg hiperspecifikus kontextust Claude számára, mielőtt megmondaná, mit kell tennie
Claude akkor teljesít a legjobban, ha megfelelő kontextust kap arról, hogy mit kell végrehajtania, valamint azt, hogy hogyan kell elvégeznie a feladatot. Íme néhány példa azokra a dolgokra, amelyeket kontextusként kell megadni Claude számára, mielőtt elmondaná neki a feladatot:
- Írja le azt a munkakört, amelyet Claude-nak szeretne betölteni. Ezzel arra készteti Claude-ot, hogy az adott munkakörben dolgozó valaki szerepében gondolkodjon, vagy inkább úgy, mintha valakit csak felvesznek az adott munkakörbe. Ez segít Claude-nak megfogalmazni a választ az adott munkakör szempontjából, csökkentve a hallucinációkat és a véletlenszerűséget a válaszban.
- Adja meg a kimeneti formátum technikai részleteit. Az alapmodellek általában jók a műveletek követésében, ezért ha megkérjük Claude-ot, hogy egy vagy néhány példával állítsa elő a kimenetet egy adott formátumban vagy sémában, az segít Claude-nak a megfelelő formátumban történő válaszadásban, csökkentve a szűrés és a kimenet utófeldolgozásának szükségességét. A következő prompt példája egy fiktív sémát mutat be, amely megfelel a várt kimenetnek.
Kombináljuk ezeket a javaslatokat, hogy javítsuk az eredeti kérésünket:
Ember: Az Ön feladata az ETL-csővezetékek szakértőjeként tevékenykedni. Pontosabban, az Ön feladata egy ETL-folyamat JSON-ábrázolásának létrehozása, amely megoldja az Ön számára biztosított felhasználói kérést.
A JSON kimenetnek a következő formátumot kell követnie:
Íme a te feladatod: készíts egy folyamatot, amely az ExampleCompany adatbázist használja, és lekéri az összes aktív ügyfelet
Helyettes:
A kimenet a következő:
Íme egy ETL-folyamat JSON-ábrázolása az összes aktív ügyfél lekéréséhez az ExampleCompany adatbázisból:
Ez a folyamat az ExampleCompany adatbázist és egy SQL-lekérdezést használja, hogy kiválassza az összes olyan rekordot az ügyfelek táblájából, amelyek állapota „aktív”.
A kontextus hozzáadásával a modell immár a válaszunk nagy részét elérheti. Most már tudja, hogyan kell felépíteni a kimenetet, és megérti, hogy a feladat megoldásához SQL utasítást kell írnia. Azonban észre fogja venni, hogy a modell nem megfelelően használja az általunk várt ec_prod.customers nómenklatúrát. Javítási lehetőség! Vegye figyelembe azt is, hogy a gyakorlatban lényegesen több kontextust kell megadnia, mint amit ebben a példában megadtunk, hogy jó minőségű eredményeket kaphasson szöveg-csővezeték felhasználási esetekben.
3. fejlesztés: Példák XML címkékbe zárása
A néhány lépésből álló tanulás népszerű módja az FM-ek pontosságának növelésének, ahol releváns példák mutatják az FM-et a feladatuk elvégzésére. Ez különösen akkor fontos, ha szöveg-folyamat alkalmazásokban dolgozik, mivel ezek a hiperspecifikus folyamat kimenetek általában nem szerepelnek egyetlen nyilvános adatkészletben sem, mivel az egyedi ügyfél adatábrázolására vonatkoznak. A Claude használatakor kihasználhatja a tetszőleges XML-címkékre vonatkozó veleszületett tudását, hogy ezeket a példákat néhány lépésben megadhassa. A következő továbbfejlesztett promptban figyelje meg az XML-címkékbe zárt példák hozzáadását. Ezenkívül használhatja az ember és az asszisztens rövidítéseit H és A-val, hogy kontextust biztosítson Claude-nak anélkül, hogy azt gondolná, hogy ezek a párbeszéd bizonyos részei, amelyek már megtörténtek.
A következő promptot használjuk:
Ember: Az Ön feladata az ETL-csővezetékek szakértőjeként tevékenykedni. Pontosabban, az Ön feladata egy ETL-folyamat JSON-ábrázolásának létrehozása, amely megoldja az Ön számára biztosított felhasználói kérést.
A JSON kimenetnek a következő formátumot kell követnie:
Íme néhány példa a felhasználói kérésekre és a kapcsolódó kimeneti JSON-termékekre, amelyek megfelelően megoldják a megadott feladatot. Ügyeljen arra, hogy ugyanazt a nómenklatúrát használja, mint a példákban, ha ugyanazokat az adatbázisokat használja.
H: lekérdezheti az ExampleCompany adatbázist a 1234-es számú ügyfél aktív rendeléseiről
A:
Ennek a lekérdezésnek az az oka, hogy a 1234-es ügyfél szűrve van, és az „aktív” szűrő után a „rendelések” táblában keresünk minden létező rekordot.
H: távolítsa el az ExampleCompany adatbázisból az összes olyan ügyfelet, amely az elmúlt hónapban nem volt aktív
A:
Ennek a lekérdezésnek az az oka, hogy az „ec_prod.customers” tábla az egyetlen olyan tábla az ExampleCompany adatbázisban, amely ügyfélrekordokat tartalmaz.
Íme a te feladatod: készíts egy folyamatot, amely az ExampleCompany adatbázist használja, és lekéri az összes aktív ügyfelet.
Helyettes:
A kimenet a következő:
Íme egy ETL-folyamat JSON-ábrázolása az összes aktív ügyfél lekéréséhez az ExampleCompany adatbázisból:
Az indoklás a következő:
Az ExampleCompany adatbázis van megadva használandó adatbázisként
Az ec_prod.customers tábla tartalmazza az ügyféladatokat
Az állapotmező jelzi, ha egy ügyfél aktív, így a lekérdezés csak az aktív ügyfelekre szűr
Ennek le kell kérnie az összes aktív ügyfélrekordot az ExampleCompany adatbázisból. Értesítsen, ha pontosításra van szüksége, vagy további követelményei vannak az ETL-csővezetékkel kapcsolatban!
A JSON-kimenet most a megfelelő adatbázis-nómenklatúrával rendelkezik, amelyet Claude tudott használni az általunk megadott példák miatt. Az emberi és asszisztens indikátorok XML-címkékkel való összekapcsolása megkönnyíti Claude számára, hogy megértse, mi a feladat, és mi volt a válasz a hasonló példákban, nagyon világosan elválasztva a több, néhány képből álló példát. Minél könnyebben érti meg Claude, annál jobb és relevánsabb lesz a válasz, ami tovább csökkenti annak esélyét, hogy a modell hallucináljon és véletlenszerű irreleváns válaszokat adjon.
4. fejlesztés: A Claude elindítása a JSON generálás megkezdéséhez XML-címkékkel
Kis kihívást jelent az FM-eket használó szöveg-csővezeték-alkalmazások esetében az, hogy pontosan kell elemezni a kimenetet az eredményül kapott szövegből, hogy az egy későbbi alkalmazásban kódként értelmezhető legyen. Ennek egyik módja a Claude megoldásának, ha kihasználja az XML címke megértését, és kombinálja ezt egy egyéni leállítási szekvenciával. A következő promptban utasítottuk Claude-ot, hogy a kimenetet XML-címkékbe foglalja. Ezután hozzáadtuk a címkét a prompt végéhez. Ez biztosítja, hogy a Claude-ból elsőként megjelenő szöveg legyen a JSON-kimenet eleje. Ha ezt nem teszi meg, Claude gyakran valamilyen társalgási szöveggel válaszol, majd a valódi kódválaszra. Ha utasítja Claude-ot, hogy azonnal kezdje meg a kimenet generálását, könnyen leállíthatja a generálást, amikor megjelenik a záró címke. Ez a frissített Boto3 API-hívásban látható. Ennek a technikának kettős előnyei vannak. Először is pontosan elemezheti a Claude-tól kapott kódválaszt. Másodszor, csökkentheti a költségeket, mivel a Claude csak kódkimeneteket generál, extra szöveget nem. Ez csökkenti az Amazon Bedrock költségeit, mivel minden egyes FM-ből előállított tokenért fizetni kell.
A következő promptot használjuk:
Ember: Az Ön feladata az ETL-csővezetékek szakértőjeként tevékenykedni. Pontosabban, az Ön feladata egy ETL-folyamat JSON-ábrázolásának létrehozása, amely megoldja az Ön számára biztosított felhasználói kérést.
A JSON kimenetnek a következő formátumot kell követnie:
Íme néhány példa a felhasználói kérésekre és a kapcsolódó kimeneti JSON-termékekre, amelyek megfelelően megoldják a megadott feladatot. Ügyeljen arra, hogy ugyanazt a nómenklatúrát használja, mint a példákban, ha ugyanazokat az adatbázisokat használja.
H: lekérdezheti az ExampleCompany adatbázist a 1234-es számú ügyfél aktív rendeléseiről
A:
Ennek a lekérdezésnek az az oka, hogy a 1234-es ügyfél szűrve van, és az „aktív” szűrő után a „rendelések” táblában keresünk minden létező rekordot.
H: távolítsa el az ExampleCompany adatbázisból az összes olyan ügyfelet, amely az elmúlt hónapban nem volt aktív
A:
Ennek a lekérdezésnek az az oka, hogy az „ec_prod.customers” tábla az egyetlen olyan tábla az ExampleCompany adatbázisban, amely ügyfélrekordokat tartalmaz.
Mindig ne felejtse el a JSON-kimeneteket címkék közé zárni.
Íme a te feladatod: készíts egy folyamatot, amely az ExampleCompany adatbázist használja, és lekéri az összes aktív ügyfelet.
Helyettes:
A következő kódot használjuk:
body = json.dumps({"prompt": prompt, "stop_sequences": ['nnHuman:', '</json>']})
response = bedrock.invoke_model( body=body, modelId='anthropic.claude-v2'
)
A kimenet a következő:
{ "database": "ExampleCompany", "query": "SELECT * FROM ec_prod.customers WHERE status = 'active'" }
Most megérkeztünk a várt kimenethez, csak a JSON objektum tért vissza! Ezzel a módszerrel képesek vagyunk azonnal használható műszaki műterméket generálni, valamint a kimeneti tokenek csökkentésével csökkenteni a generálás költségeit.
Következtetés
A SnapGPT használatának megkezdéséhez kérjen a a SnapLogic ingyenes próbaverziója or kérjen bemutatót a termékről. Ha ma szeretné ezeket a fogalmakat használni az épületgépészeti alkalmazásokhoz, javasoljuk gyakorlatias kísérletezés a bejegyzés gyors mérnöki szakaszával, ugyanazt a folyamatot használva egy másik DSL-generációs használati eseten, amely megfelel az Ön vállalkozásának, és mélyebbre merül a Az Amazon Bedrockon keresztül elérhető RAG-funkciók.
A SnapLogic és az AWS hatékonyan együttműködve fejlett fordítót építettek ki az emberi nyelv és az Amazon Bedrock által működtetett SnapLogic integrációs folyamatok összetett sémája között. Az út során láthattuk, hogyan lehet javítani a Claude-al generált kimenetet a text-to-pipeline alkalmazásokban speciális azonnali tervezési technikák segítségével. Az AWS és a SnapLogic izgatottan várják, hogy folytathassák ezt a partnerséget a Generative AI területén, és várakozással tekintenek a jövőbeli együttműködés és innováció elé ezen a gyorsan változó területen.
A szerzőkről
Greg Benson a San Francisco-i Egyetem számítástechnika professzora és a SnapLogic vezető tudósa. 1998-ban csatlakozott az USF Számítástudományi Tanszékéhez, és egyetemi és posztgraduális kurzusokat tanított, beleértve az operációs rendszereket, a számítógép-architektúrát, a programozási nyelveket, az elosztott rendszereket és a bevezető programozást. Greg kutatásokat publikált az operációs rendszerek, a párhuzamos számítástechnika és az elosztott rendszerek területén. Amióta 2010-ben csatlakozott a SnapLogichoz, Greg számos kulcsfontosságú platformfunkció tervezésében és megvalósításában segített, beleértve a fürtfeldolgozást, a nagy adatfeldolgozást, a felhőarchitektúrát és a gépi tanulást. Jelenleg a Generative AI-n dolgozik az adatintegrációért.
Aaron Kesler Aaron a SnapLogic mesterséges intelligencia termékekért és szolgáltatásokért felelős vezető termékmenedzsere. Aaron több mint tíz éves termékmenedzsment szakértelmét alkalmazza az AI/ML termékfejlesztés úttörőjeként és a szolgáltatások evangelizálására a szervezeten belül. Ő a szerzője a hamarosan megjelenő „What’s Your Problem?” című könyvnek. célja, hogy az új termékmenedzsereket végigvezesse a termékmenedzseri pályán. Vállalkozói útja főiskolai startupjával, a STAK-kal kezdődött, amelyet később a Carvertise felvásárolt, Aaron pedig jelentősen hozzájárult az Év Tech Startup 2015-ös elismeréséhez Delaware-ben. Aaron szakmai elfoglaltságai mellett örömét leli az apjával golfozásban, utazásai során új kultúrák és ételek felfedezésében, valamint az ukulele gyakorlásában.
Gazdag kapor a vezető megoldások építészmérnöke, akinek tapasztalata széleskörűen kiterjedt a szakterületekre. A többplatformos vállalati szoftvereken és a SaaS-en átívelő sikertörténet. Jól ismert arról, hogy az ügyfelek érdekképviseletét (az ügyfél hangjaként szolgáló) bevételt generáló új funkciókká és termékekké alakítja. Bizonyított képesség a legkorszerűbb termékek piacra juttatására, valamint a projektek ütemezett és költségkeret alatti befejezésére gyors tempójú szárazföldi és tengeri környezetben. Egyszerűen jellemezhetek engem: egy tudós elméje, egy felfedező szíve és egy művész lelke.
Clay Elmore AI/ML Specialist Solutions Architect az AWS-nél. Miután sok órát eltöltött egy anyagkutató laborban, vegyészmérnöki hátterét gyorsan lemaradt a gépi tanulás iránti érdeklődése iránt. Az energiakereskedelemtől a vendéglátás marketingjéig számos különböző iparágban dolgozott ML-alkalmazásokon. Clay jelenlegi munkája az AWS-nél arra összpontosul, hogy segítse az ügyfeleket a szoftverfejlesztési gyakorlatoknak az ML és a generatív mesterséges intelligencia munkaterhelésében való megvalósításában, lehetővé téve az ügyfelek számára, hogy megismételhető, méretezhető megoldásokat építsenek ezekben az összetett környezetekben. Szabadidejében Clay szeret síelni, Rubik-kockákat megoldani, olvasni és főzni.
Sina Sojoodi technológiai vezető, rendszermérnök, termékvezető, volt alapító és indítási tanácsadó. 2021 márciusában csatlakozott az AWS-hez, mint vezető megoldások építésze. Sina jelenleg az USA-Nyugat ISV terület vezető Solutions Architectje. SaaS- és B2B-szoftvercégekkel dolgozik, hogy az AWS-en építsék ki és fejlesszék vállalkozásukat. Az Amazonnál betöltött szerepét megelőzően Sina a VMware és a Pivotal Software technológiai vezetője volt (IPO 2018-ban, VMware M&A 2020-ban), és számos vezető szerepet töltött be, beleértve az Xtreme Labs alapító mérnökét (2013-ban a Pivotal felvásárlása). Sina az elmúlt 15 évnyi munkatapasztalatát arra fordította, hogy szoftverplatformokat és gyakorlatokat építsen a vállalatok, szoftvervállalkozások és a közszféra számára. Iparági vezető, aki rajong az innovációért. Sina a Waterloo Egyetemen szerzett BA diplomát, ahol villamosmérnököt és pszichológiát tanult.
Sandeep Rohilla az AWS vezető megoldási építésze, aki az USA nyugati régiójában lévő ISV ügyfeleket támogatja. Arra összpontosít, hogy segítse ügyfeleit olyan megoldások kidolgozásában, amelyek konténereket és generatív mesterséges intelligenciát alkalmaznak az AWS felhőben. A Sandeep szenvedélyesen törekszik arra, hogy megértse az ügyfelek üzleti problémáit, és segítse őket céljaik elérésében a technológia segítségével. Több mint egy évtizedes megoldástervezői munkája után csatlakozott az AWS-hez, és 17 éves tapasztalatát kamatoztatta. Sandeep MSc diplomával rendelkezik. Szoftvermérnöki szakon a Nyugat-Anglia Egyetemen Bristolban, Egyesült Királyságban.
Dr. Farooq Sabir az AWS mesterséges intelligenciával és gépi tanulással foglalkozó megoldásokkal foglalkozó vezető építésze. Az austini Texasi Egyetemen szerzett PhD és MS fokozatot villamosmérnöki szakon, valamint MS fokozatot számítástechnikából a Georgia Institute of Technology-n. Több mint 15 éves munkatapasztalattal rendelkezik, és szeret főiskolai hallgatókat tanítani és mentorálni. Az AWS-nél segít az ügyfeleknek üzleti problémáik megfogalmazásában és megoldásában az adattudomány, a gépi tanulás, a számítógépes látás, a mesterséges intelligencia, a numerikus optimalizálás és a kapcsolódó területeken. A texasi Dallasban él, és családjával szeretnek utazni és hosszú utazásokra mennek.
- 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/how-snaplogic-built-a-text-to-pipeline-application-with-amazon-bedrock-to-translate-business-intent-into-action/
- :van
- :is
- :nem
- :ahol
- $ UP
- 10
- 100
- 121
- 14
- 15 év
- 15%
- 150
- 17
- 1998
- 200
- 2013
- 2015
- 2017
- 2018
- 2020
- 2021
- 31
- 33
- 7
- 8
- 9
- a
- Aaron
- képesség
- Képes
- Rólunk
- hozzáférés
- elérni
- pontosság
- Elérése
- szerzett
- beszerzés
- át
- törvény
- Akció
- cselekvések
- aktív
- hozzáadott
- mellett
- További
- fejlett
- Előny
- tanácsadó
- érdekképviseleti
- Után
- AI
- AI rendszerek
- AI-hajtású
- AI / ML
- célzó
- célok
- algoritmusok
- Minden termék
- megengedett
- lehetővé téve
- lehetővé teszi, hogy
- mentén
- mellett
- már
- Is
- amazon
- Az Amazon Web Services
- összeg
- an
- elemzése
- és a
- válasz
- válaszok
- Antropikus
- bármilyen
- api
- API-k
- Alkalmazás
- alkalmazások
- alkalmazandó
- megközelítés
- alkalmazások
- arab
- építészet
- VANNAK
- TERÜLET
- területek
- körül
- megérkezett
- Művészet
- mesterséges
- mesterséges intelligencia
- Mesterséges intelligencia és gépi tanulás
- művész
- AS
- kérdez
- kér
- Helyettes
- társult
- At
- bővített
- Austin
- szerző
- automatizált
- Automatizált
- automatikusan
- Automatizálás
- elérhető
- AWS
- AWS Ügyfél
- B2B
- háttér
- támogatás
- bázis
- alapján
- kiindulási
- BE
- Viselik
- lett
- mert
- válik
- óta
- előtt
- kezdődött
- kezdődik
- mögött
- hogy
- Előnyök
- BEST
- Jobb
- között
- Túl
- Nagy
- Big adatok
- könyv
- mindkét
- szellő
- hoz
- Bringing
- Bring
- Bristol
- széles
- nagyjából
- költségvetés
- épít
- Épület
- épít
- épült
- üzleti
- vállalkozások
- de
- by
- hívás
- hívott
- TUD
- képességek
- Karrier
- eset
- esetek
- Centers
- lánc
- kihívás
- esély
- jellemzők
- töltött
- kémiai
- fő
- választás
- világos
- szorosan
- záró
- felhő
- Fürt
- kód
- Kódolás
- együtt
- együttműködés
- gyűjtemény
- Főiskola
- össze
- kombinált
- jön
- elkötelezettség
- Companies
- Társaságé
- kénytelen
- befejezés
- bonyolult
- átfogó
- számítógép
- Computer Science
- Számítógépes látás
- számítástechnika
- fogalmak
- konfigurálása
- Csatlakozó
- kapcsolat
- kapcsolatok
- következetesen
- Konténerek
- tartalmaz
- tartalom
- tartalomalkotás
- kontextus
- folytatódik
- szerződés
- hozzájáruló
- társalgó
- Mag
- kijavítására
- helyesen
- Költség
- tudott
- tanfolyamok
- teremt
- készítette
- teremtés
- kreativitás
- kritikai
- Jelenlegi
- Jelenleg
- szokás
- vevő
- Ügyfelek
- vágás
- élvonalbeli
- Dallas
- dátum
- adatfeldolgozás
- adat-tudomány
- adatbázis
- adatbázisok
- Nap
- évtized
- csökkenés
- elszánt
- mély
- mélyebb
- Delaware
- demó
- demokratizálásának
- osztály
- derivált
- leírni
- leírás
- Design
- tervezett
- vágy
- kívánatos
- részletes
- részletek
- fejlesztők
- Fejlesztés
- Eszközök
- Párbeszéd
- különböző
- közvetlenül
- megosztott
- elosztott rendszerek
- búvárkodás
- do
- dokumentumok
- Nem
- Ennek
- domainek
- ne
- le-
- vázlat
- drasztikusan
- hajtás
- két
- minden
- könnyebb
- legegyszerűbb
- könnyen
- ökoszisztéma
- hatékonyan
- bármelyik
- elemek
- lehetővé teszi
- végén
- befejező
- energia
- mérnök
- Mérnöki
- Anglia
- Angol
- elég
- biztosítására
- biztosítja
- belép
- Vállalkozás
- vállalati szoftver
- Vállalatok
- Egész
- teljesen
- vállalkozói
- környezetek
- egyenlő
- Egyenértékű
- hiba
- különösen
- Még
- nyilvánvaló
- pontosan
- példa
- példák
- Excel
- izgatott
- végrehajtó
- létező
- várható
- vár
- tapasztalat
- szakértő
- szakvélemény
- felfedező
- Feltárása
- külön-
- rendkívüli módon
- család
- gyorsan mozgó
- pörgős
- Funkció
- Jellemzők
- kevés
- mező
- Fields
- szűrő
- szűrő
- Szűrők
- leletek
- vezetéknév
- zászlóshajó
- áramlási
- flow
- Összpontosít
- koncentrál
- összpontosítás
- következik
- következő
- következik
- élelmiszerek
- A
- Fosztogat
- Forefront
- formátum
- formák
- Előre
- talált
- Alapítvány
- alapító
- Francisco
- barátságos
- ból ből
- eleget tesz
- teljesen
- funkció
- további
- jövő
- szerzett
- általában
- generál
- generált
- generál
- generáló
- generáció
- nemző
- Generatív AI
- Grúzia
- kap
- gif
- adott
- Go
- Célok
- Goes
- jó
- diplomás
- Nő
- útmutató
- kellett
- kéz
- hasznosítása
- Legyen
- he
- Szív
- segít
- segített
- hasznos
- segít
- segít
- itt
- nagy teljesítményű
- jó minőségű
- kiemeli
- övé
- tart
- tart
- vendégszeretet
- NYITVATARTÁS
- Hogyan
- How To
- azonban
- HTML
- HTTPS
- emberi
- szerény
- azonosított
- if
- ábrázol
- azonnal
- Hatás
- hatásos
- végre
- fontos
- javul
- javított
- javuló
- in
- tartalmaz
- beleértve
- Beleértve
- Növelje
- független
- jelzi
- mutatók
- egyéni
- iparágak
- ipar
- információ
- veleszületett
- újító
- Innováció
- bemenet
- bemenet
- azonnali
- helyette
- Intézet
- utasítás
- integrált
- integráció
- integrációk
- Intelligencia
- Intelligens
- A szándék
- kölcsönhatások
- interaktív
- kamat
- Felület
- belső
- bele
- Bevezetett
- Bemutatja
- bevezető
- IPO
- isv
- IT
- ismétlés
- iterációk
- ITS
- Jáva
- Munka
- csatlakozott
- csatlakozott
- közös
- utazás
- öröm
- jpg
- json
- éppen
- Kulcs
- Ismer
- tudás
- ismert
- tudja
- labor
- Labs
- nyelv
- Nyelvek
- nagy
- keresztnév
- a későbbiekben
- legutolsó
- vezet
- vezető
- Vezetés
- vezető
- Ugrás
- tanult
- tanulás
- balra
- hadd
- erőfölény
- mint
- Kedvencek
- korlátozó
- LLM
- logika
- Hosszú
- néz
- Sok
- szerelem
- M & A
- gép
- gépi tanulás
- gép
- készült
- csinál
- KÉSZÍT
- Gyártás
- sikerült
- vezetés
- menedzser
- Menedzserek
- mód
- kézzel
- sok
- térképészet
- március
- piacára
- Marketing
- gyufa
- anyagok
- me
- mentor
- mers
- Metaadatok
- módszer
- Több millió
- bánja
- Perc
- Küldetés
- ML
- modell
- modellek
- MongoDB
- több
- a legtöbb
- mozog
- MS
- Többplatformos
- többszörös
- my
- név
- Természetes
- Szükség
- igények
- Új
- Új funkciók
- új termék
- következő
- nem
- megjegyezni
- Értesítés..
- Most
- tárgy
- objektumok
- történt
- of
- Ajánlatok
- gyakran
- on
- egyszer
- ONE
- csak
- üzemeltetési
- operációs rendszer
- optimalizálás
- optimalizálása
- or
- érdekében
- rendelés
- szervezet
- szervezetek
- eredeti
- Más
- mi
- ki
- Eredmény
- teljesítmény
- kimenetek
- felett
- oldalak
- Párhuzamos
- különösen
- partner
- Létrehozása
- szenvedély
- szenvedélyes
- múlt
- Mintás
- Előadja
- perspektíva
- fázis
- phd
- darabok
- úttörő
- csővezeték
- döntő
- Hely
- emelvény
- Platformok
- Plató
- Platón adatintelligencia
- PlatoData
- Népszerű
- népszerűség
- állás
- potenciális
- potenciálisan
- hatalom
- powered
- gyakorlat
- gyakorlat
- előre
- jósolt
- előző
- elsődleges
- Fő
- magánélet
- Adatvédelem és biztonság
- Probléma
- problémák
- eljárás
- folyamat
- Folyamatok
- feldolgozás
- Készült
- termel
- Termékek
- termékfejlesztés
- termékmenedzsment
- termék menedzser
- Termékek
- szakmai
- Egyetemi tanár
- Programozás
- programozási nyelvek
- projektek
- utasításokat
- igazolt
- ad
- feltéve,
- biztosít
- amely
- Pszichológia
- nyilvános
- közzétett
- folytatni
- Piton
- lekérdezések
- kérdés
- gyorsan
- véletlen
- véletlenszerűség
- hatótávolság
- kezdve
- gyors
- Olvasás
- észre
- birodalom
- kap
- nemrég
- elismerés
- ajánl
- rekord
- nyilvántartások
- csökkenteni
- csökkenti
- csökkentő
- tekintettel
- vidék
- újragondolás
- összefüggő
- felszabaduló
- megbízható
- támaszkodnak
- eszébe jut
- eltávolítása
- kiolvasztott
- megismételhető
- válasz
- képviselet
- képviselő
- jelentése
- kérni
- kéri
- szükség
- kötelező
- követelmények
- megköveteli,
- kutatás
- válasz
- válaszok
- REST
- kapott
- Eredmények
- visszatérés
- Visszatér
- forradalmasítani
- Gazdag
- jobb
- út
- Szerep
- szerepek
- Szoba
- futás
- fut
- SaaS
- Biztonság
- sagemaker
- Mondott
- azonos
- San
- San Francisco
- skálázható
- Skála
- menetrend
- Tudomány
- Tudós
- kaparni
- sdk
- keres
- Második
- Rész
- szektor
- biztonság
- lát
- látott
- válasszuk
- elküldés
- idősebb
- küldött
- Sorozat
- szolgált
- szolgáltatás
- Szolgáltatások
- szolgáló
- ülések
- készlet
- beállítás
- számos
- kellene
- előadás
- mutatott
- Műsorok
- jelentősen
- hasonló
- Egyszerű
- egyszerűsítése
- egyszerűsítése
- egyszerűen
- óta
- egyetlen
- kicsi
- So
- szoftver
- szoftver mint szolgáltatás
- Szoftverfejlesztők
- szoftverfejlesztés
- szoftverfejlesztés
- megoldások
- Megoldások
- SOLVE
- Megoldása
- néhány
- Valaki
- kifinomult
- forrás
- Hely
- spanyol
- feszültség
- szakember
- különleges
- kifejezetten
- meghatározott
- költ
- Költési
- kezdet
- kezdődött
- indítás
- nyilatkozat
- Állapot
- Lépés
- Lépései
- megáll
- egyértelmű
- struktúra
- Diákok
- tanult
- siker
- Támogató
- Támogatja
- feltételezett
- biztos
- rendszer
- Systems
- táblázat
- TAG
- Vesz
- cél
- Feladat
- feladatok
- tanított
- csapat
- csapat
- tech
- tech indítás
- Műszaki
- technika
- technikák
- Technológia
- mondd
- tíz
- Texas
- szöveg
- mint
- hogy
- A
- A nyugat
- a világ
- azok
- Őket
- akkor
- Ezek
- ők
- dolgok
- Szerintem
- ezt
- azok
- Keresztül
- egész
- idő
- nak nek
- Ma
- jelképes
- tokenek
- mondta
- vett
- szerszám
- Nyom
- vágány
- múlttal
- Kereskedés
- hagyományosan
- Képzések
- átalakító
- transzformáció
- fordít
- utazás
- utazik
- trend
- próba
- kiváltó
- kioldás
- igaz
- Igaz kód
- próbál
- Turning
- típus
- ui
- Uk
- alatt
- megért
- megértés
- megérti
- egyedi
- egyetemi
- -ig
- bemutatta
- közelgő
- frissítve
- upon
- us
- használható
- használ
- használati eset
- használt
- használó
- User Experience
- Felhasználók
- használ
- segítségével
- rendszerint
- ux
- különféle
- gyártók
- verzió
- nagyon
- keresztül
- látomás
- vizuális
- vmware
- Hang
- akar
- volt
- Út..
- we
- háló
- webes szolgáltatások
- Hetek
- JÓL
- voltak
- Nyugati
- Mit
- Mi
- amikor
- ami
- széles
- Széleskörű
- lesz
- ablak
- val vel
- nélkül
- Munka
- Munkanap
- dolgozott
- munkafolyamat
- munkafolyamatok
- dolgozó
- művek
- világ
- világ
- lenne
- ír
- XML
- év
- év
- te
- A te
- youtube
- zephyrnet