A modern chatbotok digitális ügynökként szolgálhatnak, új utat kínálva a hét minden napján 24 órában elérhető ügyfélszolgálathoz és támogatáshoz számos iparágban. Népszerűségük abból fakad, hogy valós időben tudnak válaszolni az ügyfelek megkereséseire, és több lekérdezést egyszerre kezelnek különböző nyelveken. A chatbotok értékes adatvezérelt betekintést nyújtanak az ügyfelek viselkedésébe, miközben a felhasználói bázis növekedésével könnyedén skálázhatók; ezért költséghatékony megoldást kínálnak az ügyfelek bevonására. A chatbotok a nagy nyelvi modellek (LLM) fejlett természetes nyelvi képességeit használják az ügyfelek kérdéseinek megválaszolására. Megértik a társalgási nyelvet, és természetesen reagálnak. Azok a chatbotok azonban, amelyek csupán alapvető kérdésekre válaszolnak, korlátozottan használhatók. Ahhoz, hogy megbízható tanácsadókká váljanak, a chatbotoknak átgondolt, személyre szabott válaszokat kell adniuk.
A kontextus szerinti beszélgetések egyik módja a chatbot összekapcsolása belső tudásbázisokkal és információs rendszerekkel. A belső tudásbázisokból származó, védett vállalati adatok integrálása lehetővé teszi a chatbotok számára, hogy válaszaikat az egyes felhasználók egyéni szükségleteihez és érdeklődési köreihez igazítsák. Például egy chatbot javasolhat olyan termékeket, amelyek megfelelnek a vásárló preferenciáinak és korábbi vásárlásainak, elmagyarázhatja a részleteket a felhasználó szakértelmének megfelelő nyelven, vagy fióktámogatást nyújthat az ügyfél konkrét nyilvántartásaihoz való hozzáféréssel. Az információk intelligens beépítésének, a természetes nyelv megértésének és a társalgási folyamat során testreszabott válaszok biztosításának képessége lehetővé teszi, hogy a chatbotok valódi üzleti értéket biztosítsanak a különféle felhasználási esetekben.
A népszerű építészeti minta Visszakeresés kiterjesztett generáció (RAG) gyakran használják a felhasználói lekérdezési kontextus és válaszok kiegészítésére. A RAG egyesíti az LLM-ek képességeit a tények megalapozásával és a valós tudással, amely a releváns szövegek és részek adatkorpuszból való előhívásából származik. Ezeket a visszakeresett szövegeket azután a kimenet tájékoztatására és megalapozására használják, csökkentve a hallucinációkat és javítva a relevanciát.
Ebben a bejegyzésben bemutatjuk, hogyan lehet kontextus szerint javítani a chatbot használatával Tudásbázisok az Amazon Bedrock számára, egy teljesen felügyelt szerver nélküli szolgáltatás. Az Amazon Bedrock integrációjának tudásbázisai lehetővé teszik chatbotunk számára, hogy relevánsabb, személyre szabott válaszokat adjon azáltal, hogy a felhasználói lekérdezéseket kapcsolódó információs adatpontokhoz kapcsolja. Belsőleg, Amazon alapkőzet vektoros adatbázisban tárolt beágyazásokat használ a felhasználói lekérdezési kontextus bővítésére futás közben, és lehetővé teszi a felügyelt RAG architektúra megoldást. Használjuk a Amazon levelek a részvényeseknek adatkészletet a megoldás fejlesztéséhez.
Visszakeresés kiterjesztett generáció
A RAG a természetes nyelvgenerálás olyan megközelítése, amely az információ-visszakeresést beépíti a generálási folyamatba. A RAG-architektúra két kulcsfontosságú munkafolyamatot foglal magában: a feldolgozáson keresztüli adat-előfeldolgozást és a továbbfejlesztett kontextus használatával történő szöveggenerálást.
Az adatfeldolgozási munkafolyamat LLM-eket használ a szövegek szemantikai jelentését képviselő beágyazási vektorok létrehozására. A beágyazások dokumentumokhoz és felhasználói kérdésekhez jönnek létre. A dokumentumbeágyazások darabokra vannak osztva, és indexekként tárolódnak egy vektoros adatbázisban. A szöveggeneráló munkafolyamat ezután felveszi a kérdés beágyazási vektorát, és a vektorhasonlóság alapján lekéri a leginkább hasonló dokumentumdarabokat. Ezekkel a releváns darabokkal kiegészíti a promptokat, hogy az LLM segítségével választ generáljon. További részletekért lásd a Primer a kiterjesztett generálási, beágyazási és vektoros adatbázisok visszakereséséhez szakaszban Előnézet – Csatlakoztassa az alapozó modelleket a vállalati adatforrásokhoz az Amazon Bedrock ügynökeivel.
A következő ábra a magas szintű RAG architektúrát mutatja be.
Bár a RAG architektúra számos előnnyel rendelkezik, több összetevőt foglal magában, beleértve az adatbázist, a visszakeresési mechanizmust, a prompt és a generatív modellt. Ezeknek a kölcsönösen függő részek kezelése bonyolultságot okozhat a rendszerfejlesztésben és telepítésben. A visszakeresés és generálás integrálása további mérnöki erőfeszítéseket és számítási erőforrásokat is igényel. Egyes nyílt forráskódú könyvtárak wrappereket biztosítanak ennek a többletköltségnek a csökkentése érdekében; azonban a könyvtárak módosításai hibákat okozhatnak, és további többletköltséget jelenthetnek a verziókezeléshez. Még a nyílt forráskódú könyvtárak esetében is jelentős erőfeszítésekre van szükség a kódíráshoz, az optimális darabméret meghatározásához, a beágyazások generálásához stb. Ez a beállítási munka önmagában hetekig is eltarthat az adatmennyiségtől függően.
Ezért egy felügyelt megoldás, amely kezeli ezeket a differenciálatlan feladatokat, egyszerűsítheti és felgyorsíthatja a RAG-alkalmazások megvalósításának és kezelésének folyamatát.
Tudásbázisok az Amazon Bedrock számára
A Knowledge Bases for Amazon Bedrock egy szerver nélküli lehetőség a hatékony párbeszédes AI-rendszerek RAG segítségével történő felépítéséhez. Teljesen felügyelt adatfeldolgozási és szöveggenerálási munkafolyamatokat kínál.
Adatfeldolgozás esetén automatikusan kezeli a vektoradatbázisban lévő dokumentumadatok szöveges beágyazásának létrehozását, tárolását, kezelését és frissítését. A hatékony visszakeresés érdekében kezelhető darabokra osztja a dokumentumokat. A darabokat ezután beágyazásokká alakítják, és vektorindexbe írják, miközben lehetővé teszik a forrásdokumentumok megtekintését a kérdés megválaszolásakor.
Szöveggeneráláshoz az Amazon Bedrock biztosítja a RetrieveAndGenerate API a felhasználói lekérdezések beágyazásainak létrehozásához, valamint a releváns darabok lekéréséhez a vektoradatbázisból, hogy pontos válaszokat generáljon. Támogatja a forrás-hozzárendelést és a RAG-alkalmazásokhoz szükséges rövid távú memóriát is.
Ez lehetővé teszi, hogy az alapvető üzleti alkalmazásaira összpontosítson, és kiküszöböli a megkülönböztethetetlen nehéz teherbírást.
Megoldás áttekintése
Az ebben a bejegyzésben bemutatott megoldás egy chatbotot használ, amelyet a Áramlatos alkalmazás, és a következő AWS-szolgáltatásokat tartalmazza:
Az alábbi diagram egy általános megoldás-architektúra minta, amellyel bármilyen chatbot-alkalmazást integrálhat az Amazon Bedrock tudásbázisaiba.
Ez az architektúra a következő lépéseket tartalmazza:
- A felhasználó kapcsolatba lép a Streamlit chatbot felületével, és természetes nyelven küld le lekérdezést
- Ez elindít egy Lambda függvényt, amely meghívja a tudásbázisokat
RetrieveAndGenerate
API. Belsőleg a Tudásbázisok egy Amazon Titan beágyazási modellt, és a felhasználói lekérdezést vektorrá alakítja, és olyan darabokat talál, amelyek szemantikailag hasonlóak a felhasználói lekérdezéshez. A felhasználói prompt ezután kibővül a tudásbázisból beolvasott darabokkal. A prompt a további kontextus mellett ezután elküldésre kerül egy LLM-nek válaszgenerálás céljából. Ebben a megoldásban használjuk Antropikus Claude Instant mint LLM-ünk, hogy további kontextus felhasználásával felhasználói válaszokat generáljon. Vegye figyelembe, hogy ez a megoldás támogatott azokban a régiókban, ahol az Anthropic Claude az Amazon Bedrockon található elérhető. - A kontextus szempontjából releváns válasz visszaküldésre kerül a chatbot alkalmazásnak és a felhasználónak.
Előfeltételek
Az Amazon Bedrock felhasználóinak hozzáférést kell kérniük az alapozási modellekhez, mielőtt azok használhatók lesznek. Ez egy egyszeri művelet, és kevesebb mint egy percet vesz igénybe. Ehhez a megoldáshoz engedélyeznie kell a Titan Embeddings G1 – Text és Claude Instant – v1.2 modellhez való hozzáférést az Amazon Bedrockban. További információkért lásd: Modell hozzáférés.
Klónozza a GitHub repót
Az ebben a bejegyzésben bemutatott megoldás az alábbiakban érhető el GitHub repo. A GitHub-tárat klónoznia kell a helyi gépre. Nyisson meg egy terminálablakot, és futtassa a következő parancsot. Vegye figyelembe, hogy ez egyetlen git klón parancs.
Töltse fel tudásadatkészletét az Amazon S3-ra
Letöltjük az adatkészletet tudásbázisunkhoz, és feltöltjük egy S3 vödörbe. Ez az adatkészlet táplálja és táplálja a tudásbázist. Hajtsa végre a következő lépéseket:
- Navigáljon a Éves jelentések, meghatalmazások és részvényesi levelek adattárat, és töltse le az elmúlt néhány év Amazon részvényesi leveleit.
- Az Amazon S3 konzolon válassza a lehetőséget Kanalak 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 Vödör létrehozása.
- Nevezze el a vödröt
knowledgebase-<your-awsaccount-number>
. - Hagyja az összes többi vödörbeállítást alapértelmezettként, és válassza ki Teremt.
- Navigáljon a
knowledgebase-<your-awsaccount-number>
vödör. - 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 Mappa létrehozása és nevezze el az adatkészletet.
- Hagyja az összes többi mappabeállítást alapértelmezettként, és válassza ki Teremt.
- Navigáljon vissza a vödörhöz, és válasszon Mappa létrehozása új mappa létrehozásához és elnevezéséhez
lambdalayer
. - Hagyja az összes többi beállítást alapértelmezettként, és válassza ki Teremt.
- Navigáljon a
dataset
mappát. - Töltse fel a korábban letöltött éves jelentéseket, meghatalmazottakat és részvényesi levelek adatkészlet fájljait ebbe a tárolóba, és válassza Feltöltés.
- Navigáljon a
lambdalayer
mappát. - Töltse fel a
knowledgebase-lambdalayer.zip
alatt elérhető fájl/lambda/layer
mappát a korábban klónozott GitHub-tárban, és válassza ki Feltöltés. Ezt a Lambda rétegkódot fogja később használni a Lambda függvény létrehozásához.
Hozzon létre egy tudásbázist
Ebben a lépésben tudásbázist hozunk létre az Amazon részvényesi levelek adatkészletének felhasználásával, amelyet az előző lépésben feltöltöttünk az S3 tárolóba.
- Az Amazon Bedrock konzolon, alatt hangszerelés a navigációs ablakban válassza a lehetőséget Blog.
- 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 Tudásbázis létrehozása.
- A Tudásbázis részletei szakaszban adja meg a nevet és az opcionális leírást.
- A IAM engedélyek válasszon Hozzon létre és használjon új szolgáltatási szerepet és adja meg a szerep nevét.
- Adjon hozzá címkéket, ha szükséges.
- 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 Következő.
- Szabadság Adatforrás neve alapértelmezett névként.
- A S3 URI, választ Böngésszen az S3-ban hogy válassza ki az S3 vödröt
knowledgebase-<your-account-number>/dataset/
.Az előző lépésekben létrehozott vödör és adatkészlet mappára kell mutatnia. - A Speciális beállítások szakaszban hagyja meg az alapértelmezett értékeket (ha akarja, módosíthatja az alapértelmezett darabolási stratégiát, és megadhatja a darabméretet és a fedvényt százalékban).
- 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 Következő.
- A Beágyazási modellválassza Titan Embedding G1 – Szöveg.
- A Vektoros adatbázis, választhat Hozzon létre gyorsan egy új vektortárat or Válasszon egy vektortárat, amelyet létrehozott. Ne feledje, hogy a választott vektortár használatához rendelkeznie kell egy vektortárral, amelyet előre be kell állítani. Jelenleg négy vektormotor-típust támogatunk: az Amazon OpenSearch Serverless vektormotorját, az Amazon Aurora-t, a Pinecone-t és a Redis Enterprise Cloud-ot. Ehhez a bejegyzéshez az Új vektortár gyors létrehozása lehetőséget választjuk, amely alapértelmezés szerint egy új OpenSearch szerver nélküli vektortárat hoz létre a fiókjában.
- 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 Következő.
- A Tekintse át és hozzon létre oldalt, tekintse át az összes információt, vagy válasszon Előző az opciók módosításához.
- 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 Tudásbázis létrehozása.Vegye figyelembe, hogy a tudásbázis létrehozási folyamat elkezdődik, és az állapot Folyamatban van. A vektortár és a tudásbázis létrehozása néhány percet vesz igénybe. Ne lépjen el az oldalról, különben a létrehozás sikertelen lesz.
- Amikor a tudásbázis állapota a
Ready
állapot, jegyezze fel a tudásbázis azonosítóját. Ezt a következő lépésekben fogja használni a Lambda funkció konfigurálásához. - Most, hogy a tudásbázis készen áll, szinkronizálnunk kell vele az Amazon részvényeseinek leveleit. Ban,-ben Adatforrás szakaszában válassza ki a tudásbázis részleteit tartalmazó oldalt Szinkronizálás hogy elindítsa az adatfeldolgozási folyamatot az S3 tárolóból a tudásbázisba.
Ez a szinkronizálási folyamat a dokumentumfájlokat a korábban meghatározott darabméret kisebb darabjaira bontja, a kiválasztott szövegbeágyazási modell segítségével vektorbeágyazásokat hoz létre, és az Amazon Bedrock tudásbázisai által kezelt vektortárban tárolja azokat.
Amikor az adatkészlet szinkronizálása befejeződött, az adatforrás állapota a következőre változik Ready
állapot. Vegye figyelembe, hogy ha további dokumentumokat ad hozzá az S3 adatmappához, újra kell szinkronizálnia a tudásbázist.
Gratulálunk, tudásbázisa készen áll.
Vegye figyelembe, hogy tudásbázisokat is használhat az Amazon Bedrock szolgáltatás API-khoz és a AWS parancssori interfész (AWS CLI) programozott tudásbázis létrehozásához. Futtatnia kell a Jupyter jegyzetfüzet különböző szakaszait, amelyeket a /notebook
mappát a GitHub-tárban.
Hozzon létre egy lambda függvényt
Ez a lambda funkció egy AWS felhőképződés sablon elérhető a GitHub repóban a alatt /cfn
mappát. A sablonhoz két paraméterre van szükség: az S3 csoport nevére és a tudásbázis azonosítójára.
- Az AWS CloudFormation szolgáltatás kezdőlapján válassza a lehetőséget Verem létrehozása új verem létrehozásához.
- választ A sablon készen áll mert Készítsen sablont.
- választ Töltse fel a sablonfájlt mert Sablon forrása.
- 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 Válassz fájlt, keresse meg a korábban klónozott GitHub-tárat, és válassza ki a .yaml fájlt a
/cfn
mappát. - 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 Következő.
- A Verem neve, írjon be egy nevet.
- A paraméterek szakaszban adja meg a tudásbázis azonosítóját és az S3 csoport nevét, amelyet korábban feljegyzett.
- 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 Következő.
- Hagyja meg az összes alapértelmezett beállítást, válassza a lehetőséget Következő, és válasszon Küld.
- Ellenőrizze, hogy a CloudFormation-sablon sikeresen futott-e, és nincs-e hiba.
Gratulálunk, sikeresen létrehozta a Lambda funkciót, a kapcsolódó szerepköröket és irányelveket.
Tesztelje a kontextuális chatbot alkalmazást
A chatbot alkalmazás teszteléséhez hajtsa végre a következő lépéseket:
- Nyisson meg egy új terminált vagy egy parancssori ablakot a gépen.
- Futtassa a következő parancsot a telepítéséhez AWS SDK Pythonhoz (Boto3). A Boto3 egyszerűvé teszi Python-alkalmazások, -könyvtárak vagy -szkriptek integrálását az AWS-szolgáltatásokkal.
- Futtassa a következő parancsot egy helyi Python fejlesztői környezet telepítéséhez és beállításához a Streamlit alkalmazás futtatásához:
- Navigáljon a
/streamlit
mappát a korábban klónozott GitHub-tárház mappájában. - Futtassa a következő parancsot a chatbot alkalmazás példányosításához:
Ennek meg kell nyitnia egy webalapú csevegőalkalmazást, amelyet a Streamlit működtet az alapértelmezett webböngészőben.
- Használja ezt a Streamlit chatbot-alkalmazást természetes nyelvű kérdések közzétételéhez, és indítsa el az Amazon Bedrock tudásbázisain alapuló beszélgetéseket.
Amikor elküld egy felszólítást, a Streamlit alkalmazás elindítja a Lambda funkciót, amely meghívja a tudásbázisokat RetrieveAndGenerate
API a válaszok kereséséhez és generálásához.
A következő táblázat néhány mintakérdést és kapcsolódó tudásbázis-válaszokat tartalmaz. Próbáljon ki néhány kérdést ezek közül a kérdések segítségével.
Kérdések | válaszok |
Mit csinál az Amazon a generatív AI területén? | Az Amazon saját nagy nyelvi modelljein (LLM) dolgozik a generatív mesterséges intelligencia számára, és úgy gondolja, hogy ez átalakítja és javítja minden ügyfélélményt. Azt tervezik, hogy továbbra is jelentős mértékben fektetnek be ezekbe a modellekbe, minden fogyasztói, eladói, márkás és alkotói élményben. |
Mennyi az AWS éves bevétele 2022-ben? | Az AWS bevétele 29%-kal nőtt az előző év azonos időszakához képest 2022-ben 62 milliárd dolláros bevételi alap mellett. |
Hány napig kérte az Amazon az alkalmazottakat, hogy jöjjenek dolgozni az irodába? | Az Amazon arra kérte a vállalati alkalmazottakat, hogy 2022 májusától hetente legalább három napon térjenek vissza az irodába. |
Hány százalékkal nőtt az AWS bevétele 2022-ben az előző év azonos időszakához képest? | Az AWS 29%-os éves ("YoY") bevételt ért el 2022-ben. |
A Graviton2 processzorokhoz képest milyen teljesítménynövekedést produkáltak a Graviton3 chipek a passzus szerint? | 2022-ben az AWS szállította a Graviton3 chipjeit, amelyek 25%-kal jobb teljesítményt nyújtottak, mint a Graviton2 processzorok. |
Melyik volt az első következtetési chip, amelyet az AWS indított el a szövegrész szerint? | Az AWS 2019-ben dobta piacra első következtetési chipjeit („Inferentia”), és több mint százmillió dolláros tőkekiadást takarítottak meg az olyan cégeknek, mint az Amazon. |
A kontextus szerint melyik évben nőtt az Amazon éves bevétele 245 milliárd dollárról 434 milliárd dollárra? | Az Amazon éves bevétele a 245-es 2019 milliárd dollárról 434-re 2022 milliárd dollárra nőtt. |
Mondja el még egyszer, mennyi volt a bevétel 2019-ben? | Az Amazon bevétele 2019-ben 245 milliárd dollár volt. |
és 2021? | Az Amazon bevétele 2021-ben 469.8 milliárd dollár volt, ami 22%-os növekedést jelent 2020-hoz képest. |
És emlékeztessen még egyszer, mikor indult az első következtetési chip? | Az Amazon első következtetési chipje az Inferentia volt, amely 2019-ben indult. |
A Lambda funkció első hívása során a RetrieveAndGenerate
API visszaadja a sessionId
, amelyet aztán a Streamlit alkalmazás a következő felhasználói prompttal együtt továbbít a RetrieveAndGenerate API bemeneteként a beszélgetés folytatásához ugyanabban a munkamenetben. A RetrieveAndGenerate
Az API kezeli a rövid távú memóriát, és használja a csevegési előzményeket mindaddig, amíg ugyanazt a sessionId-t adják át bemenetként az egymást követő hívásokban.
Gratulálunk, sikeresen létrehozott és tesztelt egy chatbot alkalmazást a Knowledge Bases for Amazon Bedrock segítségével.
Tisztítsuk meg
Az olyan erőforrások törlésének elmulasztása, mint az S3 tároló, az OpenSearch Serverless gyűjtemény és a tudásbázis, költségekkel jár. Az erőforrások megtisztításához törölje a CloudFormation veremét, törölje az S3 tárolót (beleértve az abban tárolt dokumentummappákat és fájlokat), törölje az OpenSearch Serverless gyűjteményt, törölje a tudásbázist, és törölje az Ön által megadott szerepköröket, házirendeket és engedélyeket. korábban létrehozott.
Következtetés
Ebben a bejegyzésben áttekintést adtunk a kontextuális chatbotokról, és elmagyaráztuk, miért fontosak. Leírtuk a RAG architektúra adatfeldolgozási és szöveggenerálási munkafolyamatainak bonyolultságát. Ezután bemutattuk, hogy a Knowledge Bases for Amazon Bedrock hogyan hoz létre egy teljesen felügyelt szerver nélküli RAG-rendszert, beleértve a vektortárolót is. Végül egy megoldás architektúrát és mintakódot adtunk meg a GitHub repo kontextuális válaszok lekérésére és generálására egy chatbot-alkalmazáshoz tudásbázis segítségével.
A kontextuális chatbotok értékének, a RAG-rendszerek kihívásainak, valamint az Amazon Bedrock tudásbázisainak megválaszolásának elmagyarázásával ennek a bejegyzésnek az volt a célja, hogy bemutassa, hogyan teszi lehetővé az Amazon Bedrock, hogy minimális erőfeszítéssel készítsen kifinomult társalgási AI-alkalmazásokat.
További információkért lásd a Amazon Bedrock fejlesztői útmutató és a Tudásbázis API-k.
A szerzőkről
Manish Chugh a San Francisco-i székhelyű AWS vezető megoldások építésze. Szakterülete a gépi tanulás és a generatív mesterséges intelligencia. A gépi tanulással kapcsolatos problémákon a nagyvállalatoktól a korai szakaszban induló vállalkozásokig szervezetekkel dolgozik együtt. Feladata abban áll, hogy segítse ezeket a szervezeteket méretezhető, biztonságos és költséghatékony munkaterhelések kialakításában az AWS-en. Rendszeresen előad az AWS konferenciákon és egyéb partnerrendezvényeken. Munkán kívül szeret túrázni az East Bay ösvényein, országúti kerékpározni, és krikettet néz (és játszik).
Mani Khanuja Tech Lead – Generative AI Specialists, az Applied Machine Learning and High Performance Computing on AWS című könyv szerzője, valamint a Nők a Gyártási Oktatásban Alapítvány igazgatótanácsának tagja. Gépi tanulási projekteket vezet különböző területeken, mint például a számítógépes látás, a természetes nyelvi feldolgozás és a generatív mesterséges intelligencia. Belső és külső konferenciákon beszél, mint például az AWS re:Invent, a Women in Manufacturing West, a YouTube webináriumokon és a GHC 23-on. Szabadidejében szeret hosszasan futni a tengerparton.
Pallavi Nargund az AWS vezető megoldási építésze. Felhőtechnológia-segítőként dolgozik az ügyfelekkel annak érdekében, hogy megértsék céljaikat és kihívásaikat, és előíró útmutatást adjon a céljuk eléréséhez az AWS-ajánlatokkal. Szenvedélyesen rajong a nőkért a technológiában, és az Amazonnál a Women in AI/ML alaptagja. Felszólal olyan belső és külső konferenciákon, mint az AWS re:Invent, az AWS Summits és a webináriumok. A munkán kívül szívesen vállal önkéntes munkát, kertészkedik, kerékpároz és túrázik.
- 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/build-a-contextual-chatbot-application-using-knowledge-bases-for-amazon-bedrock/
- :van
- :is
- :ahol
- $ UP
- 100
- 125
- 2019
- 2020
- 2021
- 2022
- 23
- 27
- 500
- 7
- 8
- 9
- a
- képesség
- Rólunk
- gyorsul
- hozzáférés
- Hozzáférés
- Szerint
- Fiók
- pontos
- Elérése
- át
- Akció
- hozzá
- További
- címek
- fejlett
- előnyei
- tanácsadók
- újra
- szerek
- AI
- AI rendszerek
- AI / ML
- célzó
- Minden termék
- lehetővé téve
- lehetővé teszi, hogy
- kizárólag
- mentén
- mellett
- Is
- amazon
- Az Amazon Web Services
- an
- és a
- évi
- ÉVES BEVÉTEL
- válasz
- üzenetrögzítő
- Antropikus
- bármilyen
- api
- API-k
- app
- Alkalmazás
- alkalmazások
- alkalmazott
- megközelítés
- építészet
- VANNAK
- AS
- At
- fokozza
- bővített
- gyarapítja
- Sárgásvörös
- szerző
- automatikusan
- elérhető
- Sugárút
- el
- AWS
- AWS felhőképződés
- AWS re:Invent
- vissza
- bázis
- alapján
- alapvető
- öböl
- strand
- válik
- óta
- előtt
- Kezdet
- elkezdődik
- viselkedés
- úgy gondolja,
- Jobb
- Billió
- bizottság
- Igazgatóság
- könyv
- márka
- böngésző
- épít
- üzleti
- Üzleti alkalmazások
- by
- CA
- hívás
- kéri
- TUD
- képességek
- tőke
- esetek
- CD
- kihívások
- változik
- Változások
- díjak
- csevegés
- chatbot
- chatbots
- Megrendelés
- csip
- játékpénz
- 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
- ragadozó ölyv
- cli
- felhő
- FELHŐTECHNOLÓGIA
- kód
- gyűjtemény
- kombájnok
- hogyan
- jön
- Közös
- Companies
- vállalat
- teljes
- bonyodalmak
- alkatrészek
- számítási
- számítógép
- Számítógépes látás
- számítástechnika
- konferenciák
- Csatlakozás
- Konzol
- fogyasztó
- kontextus
- szövegre vonatkozó
- kontextualizálni
- folytatódik
- Beszélgetés
- társalgó
- társalgási AI
- beszélgetések
- átalakított
- Mag
- Társasági
- költséghatékony
- tudott
- teremt
- készítette
- teremt
- létrehozása
- teremtés
- Teremtő
- krikett
- Jelenleg
- vevő
- vevői viselkedés
- Vásárlói élmény
- Vevőszolgálat
- Ügyfelek
- szabott
- dátum
- adat pontok
- adatalapú
- adatbázis
- Nap
- alapértelmezett
- szállít
- szállított
- átadó
- attól
- telepített
- bevetés
- leírt
- leírás
- részletek
- Határozzuk meg
- Fejleszt
- Fejlesztő
- Fejlesztés
- diagram
- DID
- különböző
- digitális
- igazgatók
- számos
- dokumentum
- dokumentumok
- Ennek
- dollár
- domainek
- ne
- le-
- letöltés
- minden
- Korábban
- korai fázis
- Keleti
- Oktatás
- hatékony
- erőfeszítés
- erőfeszítés nélkül
- bármelyik
- beágyazás
- alkalmazottak
- lehetővé
- engedélyező
- lehetővé teszi
- vonzó
- Motor
- Mérnöki
- fokozott
- fokozása
- belép
- Vállalkozás
- Vállalatok
- Környezet
- hibák
- Még
- események
- Minden
- példa
- tapasztalat
- Tapasztalatok
- szakvélemény
- Magyarázza
- magyarázható
- magyarázó
- külső
- tények
- FAIL
- kevés
- mező
- filé
- Fájlok
- Végül
- leletek
- vezetéknév
- áramlási
- Összpontosít
- következő
- A
- Alapítvány
- négy
- Francisco
- Ingyenes
- ból ből
- teljesen
- funkció
- g1
- generál
- generál
- generáció
- nemző
- Generatív AI
- megy
- GitHub
- Ad
- Go
- Célok
- nőtt
- Földi
- Nő
- növekszik
- útmutatást
- kellett
- fogantyú
- Fogantyúk
- Legyen
- he
- nehéz
- súlyemelés
- segít
- neki
- Magas
- magas szinten
- övé
- történelem
- Kezdőlap
- Hogyan
- azonban
- HTML
- http
- HTTPS
- száz
- ID
- if
- ábrázol
- illusztrálja
- végrehajtási
- fontos
- javul
- javulás
- javuló
- in
- magában foglalja a
- Beleértve
- bele
- magában
- Növelje
- <p></p>
- index
- indexek
- egyéni
- iparágak
- tájékoztat
- információ
- Információs Rendszerek
- bemenet
- Érdeklődés
- meglátások
- telepíteni
- azonnali
- integrálni
- integrálása
- integráció
- kölcsönhatásba lép
- érdekek
- Felület
- belső
- belsőleg
- bele
- bevezet
- Bevezetett
- befektetés
- behívja
- részt
- jár
- IT
- jpg
- Kulcs
- tudás
- nyelv
- Nyelvek
- nagy
- Nagy vállalkozások
- keresztnév
- a későbbiekben
- indított
- réteg
- vezet
- vezetékek
- tanulás
- legkevésbé
- Szabadság
- kevesebb
- levél
- szint
- könyvtárak
- könyvtár
- emelő
- mint
- Kedvencek
- Korlátozott
- vonal
- Összekapcsolása
- LLM
- helyi
- Hosszú
- gép
- gépi tanulás
- Fő
- KÉSZÍT
- kezelhető
- sikerült
- kezeli
- kezelése
- gyártási
- sok
- Mérkőzés
- Lehet..
- me
- jelenti
- mechanizmus
- tag
- Memory design
- csupán
- millió
- millió dollár
- minimális
- perc
- Perc
- modell
- modellek
- módosítása
- több
- a legtöbb
- többszörös
- név
- Természetes
- Természetes nyelvi feldolgozás
- Keresse
- Navigáció
- Szükség
- szükséges
- igények
- Új
- következő
- nem
- Egyik sem
- megjegyezni
- jegyzetfüzet
- neves
- célkitűzés
- of
- ajánlat
- Ajánlat
- Ajánlatok
- Office
- gyakran
- on
- ONE
- nyitva
- nyílt forráskódú
- optimálisan
- opció
- Opciók
- or
- szervezetek
- Más
- másképp
- mi
- ki
- teljesítmény
- kívül
- felett
- felső
- áttekintés
- saját
- oldal
- üvegtábla
- paraméterek
- partner
- alkatrészek
- átjáró
- szakaszok
- Elmúlt
- szenvedélyes
- múlt
- Mintás
- százalék
- teljesítmény
- engedélyek
- Személyre
- terv
- Plató
- Platón adatintelligencia
- PlatoData
- játék
- pont
- pont
- Politikák
- Népszerű
- népszerűség
- állás
- hatalom
- powered
- erős
- preferenciák
- be
- bemutatott
- ajándékot
- előző
- Fő
- problémák
- folyamat
- feldolgozás
- processzorok
- Termékek
- Haladás
- projektek
- utasításokat
- szabadalmazott
- ad
- feltéve,
- biztosít
- amely
- vásárlások
- Piton
- lekérdezések
- kérdés
- kérdés
- Kérdések
- Quick
- rongy
- kezdve
- RE
- kész
- igazi
- való Világ
- real-time
- nyilvántartások
- csökkenteni
- csökkentő
- utal
- régiók
- rendszeresen
- összefüggő
- relevancia
- elmozdít
- Jelentések
- raktár
- képvisel
- kérni
- kötelező
- megköveteli,
- Tudástár
- Reagálni
- válasz
- válaszok
- visszakeresés
- Visszatér
- jövedelem
- Kritika
- út
- Szerep
- szerepek
- futás
- fut
- futásidejű
- azonos
- minta
- San
- San Francisco
- mentett
- skálázható
- skálázás
- forgatókönyv
- sdk
- Keresés
- Rész
- szakaszok
- biztonság
- lát
- válasszuk
- kiválasztott
- szemantikus
- küldött
- szolgál
- vagy szerver
- szolgáltatás
- Szolgáltatások
- ülés
- készlet
- beállítások
- felépítés
- részvényes
- Részvényesek
- ő
- rövid időszak
- kellene
- kirakat
- jelentős
- hasonló
- egyszerre
- egyetlen
- Méret
- kisebb
- megoldások
- Megoldások
- néhány
- kifinomult
- forrás
- Források
- beszél
- szakemberek
- specializálódott
- különleges
- meghatározott
- osztott
- szakadások
- verem
- kezdet
- Startups
- Állami
- Állapot
- szárak
- Lépés
- Lépései
- tárolni
- memorizált
- árnyékolók
- tárolása
- egyértelmű
- Stratégia
- áramvonal
- beküldése
- későbbi
- lényegesen
- sikeresen
- ilyen
- javasol
- Csúcstalálkozók
- támogatás
- Támogatott
- Támogatja
- szinkronizál.
- rendszer
- Systems
- táblázat
- szabott
- Vesz
- tart
- feladatok
- tech
- Technológia
- sablon
- terminál
- teszt
- kipróbált
- szöveg
- mint
- hogy
- A
- az információ
- The Source
- azok
- Őket
- akkor
- Ott.
- ebből adódóan
- Ezek
- ők
- ezt
- azok
- három
- Keresztül
- idő
- titán-
- nak nek
- Átalakítás
- kiváltó
- Megbízható
- megpróbál
- kettő
- típusok
- alatt
- megért
- frissítése
- feltöltve
- használ
- használt
- használó
- Felhasználók
- használ
- segítségével
- hasznosság
- v1
- Értékes
- érték
- Értékek
- különféle
- látomás
- kötet
- akar
- volt
- őrzés
- Út..
- we
- háló
- webböngésző
- webes szolgáltatások
- web-alapú
- Webinárium
- hét
- Hetek
- Nyugati
- Mit
- amikor
- ami
- míg
- miért
- lesz
- ablak
- val vel
- Női
- nők a technológiában
- Munka
- munkafolyamat
- munkafolyamatok
- dolgozó
- művek
- ír
- kódot írni
- írott
- yaml
- év
- év
- te
- A te
- youtube
- zephyrnet