A dokumentumok automatikus összegzésének technikái nyelvi modellek segítségével | Amazon webszolgáltatások

Az összegzés a nagy mennyiségű információ kompakt és értelmes formába sűrítésének technikája, és információban gazdag korunkban a hatékony kommunikáció sarokköve. Az adatokkal teli világban a hosszú szövegek rövid összefoglalókba történő összefoglalása időt takarít meg, és segít a megalapozott döntések meghozatalában. Az összefoglaló tömöríti a tartalmat, időt takarít meg és javítja az áttekinthetőséget azáltal, hogy tömören és koherensen mutatja be az információkat. Az összegzés felbecsülhetetlen a döntéshozatalban és a nagy mennyiségű tartalom kezelésében.

Az összegzési módszerek széles körben alkalmazhatók, különféle célokat szolgálva, mint például:

• Hírek összesítése - Hírek összesítése magában foglalja a hírcikkek összefoglalását a médiaipar hírlevelébe
• Jogi dokumentumok összefoglalása - Jogi dokumentumok összefoglalása segít a jogi szakembereknek kulcsfontosságú jogi információkat kinyerni hosszú dokumentumokból, például feltételekből és szerződésekből
• Akadémiai kutatás – Az összegzés jegyzetekkel látja el, indexeli, tömöríti és leegyszerűsíti a tudományos dolgozatokból származó fontos információkat
• Tartalom gondozása blogokhoz és webhelyekhez – Lebilincselő és eredeti tartalmi összefoglalókat készíthet az olvasók számára, különösen a marketing területén
• Pénzügyi jelentések és piacelemzés – Ki tudod bontani pénzügyi meglátások jelentésekből és vezetői összefoglalókat készíthet a pénzügyi szektor befektetői prezentációihoz

A természetes nyelvi feldolgozás (NLP), a nyelvi modellek és a generatív mesterséges intelligencia fejlődésével a változó hosszúságú szövegek összefoglalása könnyebben hozzáférhetővé vált. Olyan eszközök, mint LangChain, egy nagy nyelvi modellel (LLM) kombinálva, amelyet a Amazon alapkőzet or Amazon SageMaker JumpStart, leegyszerűsíti a végrehajtási folyamatot.

Ez a bejegyzés a következő összegzési technikákkal foglalkozik:

• Kivonatos összegzés a BERT kivonatoló összegző segítségével
• Absztrakt összefoglalás speciális összegzési modellek és LLM-ek segítségével
• Két többszintű összegzési technika:
  • Kivonat-absztrakciós összefoglalás a kivonat-absztrakciós tartalomösszegzési stratégia (EACSS) használatával
  • Absztrakt-absztrakt összefoglalás a Map Reduce és a Map ReRank segítségével

A teljes kódminta megtalálható a GitHub repo. Tudod indítsa el ezt a megoldást in Amazon SageMaker Studio.

Kattintson ide az AWS konzol megnyitásához, és kövesse a lépést.

Az összegzés típusai

Számos technika létezik a szöveg összefoglalására, amelyek nagyjából két fő megközelítésre oszthatók: kitermelő és a elvont összegzése. Ezenkívül a többszintű összegzési módszerek egy sor lépést foglalnak magukban, amelyek kombinálják az extrakciós és az absztrakciós technikákat. Ezek a többszintű megközelítések akkor előnyösek, ha olyan szövegekkel foglalkozunk, amelyeknél hosszabb az LLM korlátja, lehetővé téve az összetett narratívák megértését.

Kivonatoló összefoglalás

A kivonatoló összegzés egy olyan technika, amelyet az NLP-ben és a szövegelemzésben használnak összefoglalás létrehozására kulcsmondatok kivonásával. Ahelyett, hogy új mondatokat vagy tartalmat generálna, mint az absztrakciós összefoglalásnál, a kivonatoló összefoglalás az eredeti szöveg legrelevánsabb és leginformatívabb részeinek azonosításán és kihúzásán alapul, hogy létrehozza a tömörített változatot.

A kivonatoló összefoglalás, bár előnyös az eredeti tartalom megőrzése és a jó olvashatóság biztosítása szempontjából, mivel a fontos mondatokat közvetlenül a forrásszövegből vonja ki, vannak korlátai. Hiányzik belőle a kreativitás, nem tud újszerű mondatokat generálni, és figyelmen kívül hagyhatja az árnyalt részleteket, esetleg fontos információkat. Sőt, hosszadalmas összefoglalókat is készíthet, néha túlzott és nem kívánt információkkal dúlva el az olvasókat. Számos kivonatoló összegzési technika létezik, mint pl TextRank és a LexRank. Ebben a bejegyzésben a BERT kivonatoló összefoglalójára összpontosítunk.

BERT kivonatoló összefoglaló

A BERT kivonatoló összefoglaló egy olyan kivonatoló összefoglaló modell, amely a BERT nyelvi modellt használja a legfontosabb mondatok szövegből való kiemelésére. BERTI egy előre betanított nyelvi modell, amely számos feladatra finomhangolható, beleértve a szöveges összegzést is. Úgy működik, hogy először a BERT segítségével beágyazza a mondatokat a szövegbe. Ez minden mondathoz egy vektoros reprezentációt hoz létre, amely rögzíti a jelentését és a kontextust. A modell ezután egy klaszterező algoritmus segítségével csoportosítja a mondatokat klaszterekbe. Az egyes klaszterek közepéhez legközelebb eső mondatok kerülnek kiválasztásra az összefoglaló létrehozásához.

Az LLM-ekkel összehasonlítva a BERT kivonatoló összefoglaló előnye, hogy viszonylag egyszerű a modell betanítása és bevezetése, és jobban megmagyarázható. Hátránya, hogy az összefoglalás nem kreatív és nem generál mondatokat. Csak mondatokat választ ki az eredeti szövegből. Ez korlátozza az összetett vagy árnyalt szövegek összefoglalásának képességét.

Absztrakt összefoglaló

Az absztrakciós összegzés az NLP-ben és a szövegelemzésben használt technika olyan összefoglalás létrehozására, amely túlmutat a mondatok vagy kifejezések forrásszövegből való puszta kivonatolásán. A meglévő tartalom kiválasztása és átszervezése helyett az absztrakt összegzés új mondatokat vagy kifejezéseket generál, amelyek sűrítettebb és koherensebb formában ragadják meg az eredeti szöveg lényegét és fő gondolatait. Ez a megközelítés megköveteli, hogy a modell megértse a szöveg tartalmát, és azt olyan módon fejezze ki, ami nem feltétlenül szerepel a forrásanyagban.

Speciális összegzési modellek

Ezek az előre betanított természetes nyelvi modellek, mint pl BART és a PEGAZUS, kifejezetten szövegösszegzési feladatokra lettek szabva. Kódoló-dekódoló architektúrákat alkalmaznak, és paramétereikben kisebbek társaikhoz képest. Ez a csökkentett méret lehetővé teszi a finomhangolást és a kisebb példányokon történő üzembe helyezést. Fontos azonban megjegyezni, hogy ezek az összegző modellek kisebb bemeneti és kimeneti token méretekkel is rendelkeznek. Általánosabb célú társaikkal ellentétben ezeket a modelleket kizárólag összegzési feladatokra tervezték. Ennek eredményeként ezekhez a modellekhez csak az összefoglalandó szöveg szükséges.

Nagy nyelvi modellek

A nagy nyelvi modell A kifejezés minden olyan modellre vonatkozik, amely kiterjedt és változatos adatkészleteken megy keresztül, jellemzően nagy léptékű önfelügyelt tanuláson keresztül, és képes finomhangolni, hogy megfeleljen a speciális downstream feladatok széles skálájának. Ezek a modellek nagyobb paramétermérettel rendelkeznek, és jobban teljesítenek a feladatokban. Figyelemre méltó, hogy lényegesen nagyobb bemeneti token méretűek, némelyikük megy akár 100,000, mint például az Anthropic-é Claude. Ezen modellek egyikének használatához az AWS az Amazon Bedrock teljes körűen felügyelt szolgáltatását kínálja. Ha nagyobb ellenőrzésre van szüksége a modellfejlesztési életciklus felett, telepítheti az LLM-eket a SageMakeren keresztül.

Sokoldalú jellegükből adódóan ezek a modellek speciális feladatutasításokat igényelnek beviteli szövegen keresztül, ezt a gyakorlatot ún gyors tervezés. Ez a kreatív folyamat a modell típusától és a bemeneti szövegtől függően változó eredményeket hoz. Mind a modell teljesítményének, mind a prompt minőségének hatékonysága jelentősen befolyásolja a modell kimeneteinek végső minőségét. Az alábbiakban néhány tippet adunk, amikor a mérnök összefoglalást kér:

• Szerelje be az összefoglaló szöveget – Írja be az összefoglalni kívánt szöveget. Ez szolgál az összefoglaló forrásanyagaként.
• Határozza meg a feladatot – Világosan fogalmazza meg, hogy a cél a szöveges összefoglalás. Például: „Összefoglalja a következő szöveget: [szövegbevitel].”
• Adja meg a kontextust – Ajánljon fel egy rövid bevezetőt vagy szövegkörnyezetet az adott szöveghez, amelyet össze kell foglalni. Ez segít a modellnek megérteni a tartalmat és a kontextust. Például: „A következő cikket kapja a mesterséges intelligenciáról és az egészségügyben betöltött szerepéről: [beviteli szöveg].”
• Az összefoglaló kérése – Kérje meg a modellt, hogy készítsen összefoglalót a megadott szövegből. Tisztázza az összefoglaló kívánt hosszát vagy formátumát. Például: „Kérjük, készítsen tömör összefoglalót a mesterséges intelligenciáról és az egészségügyben betöltött szerepéről szóló cikkről: [bemeneti szöveg].”
• Állítson be korlátozásokat vagy hosszirányelveket – Opcionálisan beállíthatja az összefoglaló hosszát a kívánt szószám, mondatszám vagy karakterkorlát megadásával. Például: „Kérjük, készítsen egy 50 szónál nem hosszabb összefoglalót: [szövegbevitel].”

A hatékony azonnali tervezés kritikus fontosságú annak biztosításához, hogy a generált összefoglalók pontosak, relevánsak és igazodjanak a tervezett összegzési feladathoz. Finomítsa a prompt az optimális összegzési eredményhez kísérletekkel és iterációkkal. Miután megállapította az utasítások hatékonyságát, újra felhasználhatja őket a használatával prompt sablonok.

Többszintű összegzés

A kivonatoló és absztrakciós összefoglalások rövidebb szövegeknél hasznosak. Ha azonban a bemeneti szöveg meghaladja a modell maximális token-korlátját, többszintű összegzés válik szükségessé. A többszintű összegzés különféle összegzési technikák, például kivonatoló és absztrakciós módszerek kombinációját foglalja magában, hogy hatékonyan tömörítse a hosszabb szövegeket az összegzési folyamatok több rétegének alkalmazásával. Ebben a részben két többszintű összegzési technikát tárgyalunk: az extrakciós-absztrakciós összegzést és az absztrakciós-absztrakciós összegzést.

Kivonat-absztrakciós összefoglalás

A kivonatoló-absztrakciós összefoglalás úgy működik, hogy először létrehoz egy kivonatoló összefoglalást a szövegről. Ezután absztrakt összefoglaló rendszert használ a kivonatoló összefoglalás finomításához, tömörebbé és informatívabbá téve azt. Ez növeli a pontosságot azáltal, hogy informatívabb összefoglalásokat ad az egyedüli kitermelési módszerekhez képest.

Kivonat-absztrakciós tartalomösszegzési stratégia

Az EACSS technika két hatékony technika erősségeit egyesíti: a BERT kivonatoló összefoglalóját az extrakciós fázishoz és az LLM-eket az absztrakciós fázishoz, amint azt a következő diagram szemlélteti.

Az EACSS számos előnnyel jár, beleértve a döntő fontosságú információk megőrzését, a jobb olvashatóságot és az alkalmazkodóképességet. Az EACSS megvalósítása azonban számítási szempontból költséges és bonyolult. Fennáll az információvesztés veszélye, és az összegzés minősége nagymértékben függ az alapul szolgáló modellek teljesítményétől, így a gondos modellválasztás és hangolás elengedhetetlen az optimális eredmények eléréséhez. A megvalósítás a következő lépéseket tartalmazza:

1. Első lépésként a nagy dokumentumot, például egy könyvet kisebb részekre bontjuk, ill darabok. Ezek a darabok mondatok, bekezdések vagy akár fejezetekként vannak definiálva, attól függően, hogy az összefoglaló milyen részletességgel rendelkezik.
2. Az extrakciós fázishoz a BERT kivonatoló összefoglalót használjuk. Ez az összetevő úgy működik, hogy beágyazza a mondatokat az egyes csonkokba, majd egy klaszterezési algoritmust alkalmaz a klaszter súlypontjaihoz legközelebb eső mondatok azonosítására. Ez a kivonatoló lépés segít megőrizni a legfontosabb és legfontosabb tartalmat az egyes darabokból.
3. Miután minden egyes darabhoz kivonatoló összefoglalókat generáltunk, áttérünk az absztrakciós összegzési fázisra. Itt olyan LLM-eket használunk, amelyek arról ismertek, hogy képesek koherens és kontextus szempontjából releváns összefoglalókat generálni. Ezek a modellek a kivont összefoglalókat veszik bemenetként, és absztrakt összefoglalókat készítenek, amelyek megragadják az eredeti dokumentum lényegét, miközben biztosítják az olvashatóságot és a koherenciát.

A kivonatoló és az absztrakciós összefoglalási technikák kombinálásával ez a megközelítés hatékony és átfogó módszert kínál a hosszú dokumentumok, például könyvek összefoglalására. Biztosítja a fontos információk kinyerését, miközben lehetővé teszi tömör és ember által olvasható összefoglalók készítését, így értékes eszközzé válik a dokumentum-összegzés területén alkalmazott különféle alkalmazásokhoz.

Absztrakt-absztrakt összefoglaló

Az absztrakciós-absztrakciós összegzés egy olyan megközelítés, ahol absztrakciós módszereket használnak az összefoglalók kinyerésére és generálására. Figyelemre méltó előnyöket kínál, beleértve a jobb olvashatóságot, koherenciát, valamint az összefoglaló hosszának és részletességének beállításához szükséges rugalmasságot. Kiváló a nyelvgenerálásban, lehetővé teszi az átfogalmazást és a redundancia elkerülését. Vannak azonban hátrányai. Például számításigényes és erőforrás-igényes, minősége pedig nagymértékben függ az alapul szolgáló modellek hatékonyságától, amelyek, ha nem jól képzettek vagy nem sokoldalúak, hatással lehetnek a generált összefoglalók minőségére. A modellek kiválasztása kulcsfontosságú e kihívások mérséklése és a kiváló minőségű absztrakt összefoglalók biztosítása érdekében. Az absztrakciós-absztrakciós összefoglaláshoz két stratégiát tárgyalunk: a Map Reduce és a Map ReRank.

Térképcsökkentés a LangChain segítségével

Ez a kétlépéses folyamat magában foglalja a Térképlépés és egy Lépéscsökkentés, ahogy az a következő ábrán látható. Ez a technika lehetővé teszi egy olyan bemenet összegzését, amely hosszabb, mint a modell bemeneti token korlátja.

A folyamat három fő lépésből áll:

1. A korpusz kisebb darabokra van osztva, amelyek beleférnek az LLM token limitjébe.
2. Egy Map lépést használunk egy LLM-lánc egyedi alkalmazására, amely minden egyes szakaszból kivonja az összes fontos információt, és a kimenetét új szakaszként használjuk fel. A korpuszok méretétől és szerkezetétől függően ez lehet átfogó témák vagy rövid összefoglalók formájában.
3. A Reduce lépés kombinálja a leképezési lépésből vagy a csökkentési lépésből származó kimeneti szakaszokat úgy, hogy illeszkedjen a jogkivonat-korláthoz, és betáplálja az LLM-be. Ezt a folyamatot addig ismételjük, amíg a végső kimenet egyetlen szövegrész lesz.

A technika használatának előnye, hogy nagymértékben méretezhető és párhuzamosítható. Az egyes lépésekben végzett összes feldolgozás egymástól független, ami kihasználja az elosztott rendszereket vagy a szerver nélküli szolgáltatásokat és az alacsonyabb számítási időt.

Térkép ReRank a LangChain segítségével

Ez a lánc minden dokumentumon futtat egy kezdeti promptot, amely nem csak egy feladatot próbál végrehajtani, hanem pontozást is ad arra vonatkozóan, hogy mennyire biztos a válaszában. A legmagasabb pontszámot elérő válasz érkezik vissza.

Ez a technika nagyon hasonlít a Map Reduce-hoz, de azzal az előnnyel, hogy kevesebb általános hívást igényel, és egyszerűsíti az összegzési folyamatot. Ennek korlátja azonban abban rejlik, hogy képtelen egyesíteni az információkat több dokumentum között. Ez a korlátozás azokban a forgatókönyvekben teszi a leghatékonyabbá, ahol egyetlen, egyértelmű választ várnak egy egyedi dokumentumtól, így kevésbé alkalmas összetettebb vagy sokrétűbb, több forrásból származó információ-visszakeresési feladatokra. A kontextus és az adatok természetének gondos mérlegelése elengedhetetlen annak meghatározásához, hogy ez a módszer alkalmas-e az egyes összegzési igényekre.

A Cohere ReRank egy szemantikai alapú átsorolási rendszert használ, amely a kulcsszórelevánsságon túlmenően kontextusba helyezi a felhasználó lekérdezésének jelentését. Használható vektortároló rendszerekkel, valamint kulcsszóalapú keresőmotorokkal, így rugalmasságot biztosít.

Összefoglaló technikák összehasonlítása

Minden összegzési technikának megvannak a maga egyedi előnyei és hátrányai:

• A kivonatoló összefoglalás megőrzi az eredeti tartalmat és jó olvashatóságot biztosít, de hiányzik belőle a kreativitás, és hosszadalmas összefoglalókat eredményezhet.
• Az absztrakt összefoglalás, miközben kreativitást kínál, és tömör, gördülékeny összefoglalókat generál, magában hordozza a nem szándékos tartalommódosítás kockázatát, a nyelvi pontosság kihívásait és az erőforrás-igényes fejlesztést.
• A kivonat-absztrakciós többszintű összegzés hatékonyan összegzi a nagy dokumentumokat, és nagyobb rugalmasságot biztosít a modellek kivonatoló részének finomhangolásában. Ez azonban drága, időigényes, és hiányzik a párhuzamosítás, így a paraméterek hangolása kihívást jelent.
• Az absztrakciós-absztrakciós többszintű összegzés hatékonyan összegzi a nagy dokumentumokat, és kiemelkedik a jobb olvashatóság és koherencia terén. Ez azonban számításigényes és erőforrás-igényes, mivel nagymértékben támaszkodik az alapul szolgáló modellek hatékonyságára.

A gondos modellválasztás alapvető fontosságú a kihívások mérséklése és a kiváló minőségű absztrakt összefoglalók biztosítása érdekében ebben a megközelítésben. Az alábbi táblázat összefoglalja az egyes összegzéstípusok lehetőségeit.

Szempont	Kivonatoló összefoglalás	Absztrakt összefoglaló	Többszintű összegzés
Készítsen kreatív és lebilincselő összefoglalókat	Nem	Igen	Igen
Az eredeti tartalom megőrzése	Igen	Nem	Nem
Az információmegőrzés és a kreativitás egyensúlyban van	Nem	Igen	Igen
Alkalmas rövid, tárgyilagos szöveghez (a beviteli szöveg hossza kisebb, mint a modell maximális tokenje)	Igen	Igen	Nem
Hatékony hosszabb, összetett dokumentumokhoz, például könyvekhez (a bemeneti szöveg hossza nagyobb, mint a modell maximális tokenjei)	Nem	Nem	Igen
Egyesíti a kinyerést és a tartalomgenerálást	Nem	Nem	Igen

A többszintű összegzési technikák olyan hosszú és összetett dokumentumokhoz alkalmasak, ahol a bemeneti szöveg hossza meghaladja a modell token korlátját. Az alábbi táblázat összehasonlítja ezeket a technikákat.

Technika	Előnyök	Hátrányok
EACSS (kivonat-absztrakt)	Megőrzi a lényeges információkat, lehetőséget ad a modellek kivonatoló részének finomhangolására.	Számításilag költséges, potenciális információvesztés, és nincs párhuzamosítás.
Térkép kicsinyítése (absztrakt-absztrakt)	Skálázható és párhuzamosítható, kevesebb számítási idővel. A legjobb technika kreatív és tömör összefoglalók készítéséhez.	Memória-intenzív folyamat.
Térkép ReRank (absztrakt-absztrakt)	Áramvonalas összefoglalás szemantikai alapú rangsorolással.	Korlátozott információegyesítés.

Tippek a szöveg összefoglalásához

A szöveg összefoglalásakor vegye figyelembe a következő bevált módszereket:

• Ügyeljen a token teljes méretére – Készüljön fel a szöveg felosztására, ha az meghaladja a modell token korlátait, vagy alkalmazzon több szintű összegzést LLM-ek használatakor.
• Legyen tisztában az adatforrások típusával és számával – A több forrásból származó információk kombinálása átalakításokat, világos szervezést és integrációs stratégiákat igényelhet. LangChain cuccok sokféle adatforrással rendelkezik integrációval és dokumentumtípusok. E technika használatával leegyszerűsíti a különböző dokumentumokból és adatforrásokból származó szövegek kombinálásának folyamatát.
• Legyen tisztában a modell specializációval – Egyes modellek bizonyos típusú tartalmak terén kiválóak lehetnek, de másokkal küzdenek. Lehetnek olyan finomhangolt modellek, amelyek jobban megfelelnek az Ön szövegtartományának.
• Használjon többszintű összegzést nagy szövegrészekhez – Azoknál a szövegeknél, amelyek túllépik a token korlátokat, fontolja meg a többszintű összegzési megközelítést. Kezdje egy magas szintű összefoglalóval, hogy megragadja a főbb gondolatokat, majd fokozatosan foglalja össze az alfejezeteket vagy fejezeteket a részletesebb betekintés érdekében.
• Foglalja össze a szöveget témák szerint – Ez a megközelítés segít fenntartani a logikai áramlást és csökkenteni az információvesztést, és előtérbe helyezi a kulcsfontosságú információk megőrzését. Ha LLM-eket használ, készítsen világos és konkrét utasításokat, amelyek a teljes szöveg helyett egy adott téma összefoglalására irányítják a modellt.

Következtetés

Az összegzés létfontosságú eszköz információban gazdag korunkban, amely lehetővé teszi a kiterjedt információk tömör és értelmes formákba történő hatékony desztillálását. Különböző területeken kulcsszerepet játszik, számos előnnyel jár. Az összegzés időt takarít meg azáltal, hogy gyorsan átadja a lényeges tartalmat a hosszadalmas dokumentumokból, segíti a döntéshozatalt a kritikus információk kinyerésével, és javítja a megértést az oktatásban és a tartalomgondozásban.

Ez a bejegyzés átfogó áttekintést adott a különféle összegzési technikákról, beleértve az extrakciós, absztrakciós és többszintű megközelítéseket. Az olyan eszközökkel, mint a LangChain és a nyelvi modellek, kihasználhatja az összegzés erejét a kommunikáció egyszerűsítésére, a döntéshozatal javítására és a hatalmas információtárak teljes potenciáljának kiaknázására. Az ebben a bejegyzésben található összehasonlító táblázat segíthet azonosítani a projektjeihez legmegfelelőbb összegzési technikákat. Ezenkívül a bejegyzésben megosztott tippek értékes iránymutatásként szolgálnak az ismétlődő hibák elkerülésére, amikor szövegösszegzés céljából LLM-ekkel kísérletezik. Ez a gyakorlati tanács feljogosítja Önt a megszerzett ismeretek alkalmazására, biztosítva a sikeres és hatékony összegzést a projektekben.

Referenciák

---

A szerzőkről

Nick Biso az AWS Professional Services gépi tanulási mérnöke. Komplex szervezési és technikai kihívásokat old meg az adattudomány és a mérnöki technikák segítségével. Emellett AI/ML modelleket épít és telepít az AWS Cloudon. Szenvedélye kiterjed az utazásra és a változatos kulturális élményekre való hajlamára.

Suhas chowdary Jonnalagadda az AWS Global Services adattudósa. Szenvedélyesen segíti a vállalati ügyfeleket legösszetettebb problémáik megoldásában az AI/ML erejével. Segített ügyfeleinek üzleti megoldásaik átalakításában a különböző iparágakban, beleértve a pénzügyet, az egészségügyet, a bankszektort, az e-kereskedelmet, a médiát, a reklámozást és a marketinget.

Tabby Ward vezető felhőépítész/stratégiai műszaki tanácsadó, aki széleskörű tapasztalattal rendelkezik az ügyfelek migrálásában, valamint az alkalmazások munkaterhelésének és szolgáltatásainak AWS-re való korszerűsítésében. Több mint 25 éves szoftverfejlesztési és -tervezési tapasztalatával elismert mélyreható képességeiért, valamint ügyesen kivívta ügyfelei és partnerei bizalmát, hogy architektúrákat és megoldásokat tervezzen több technológiai stack és felhőszolgáltató között.

Shyam Desai felhőmérnök az AWS big data és gépi tanulási szolgáltatásaiért. Támogatja a vállalati szintű big data alkalmazásokat és ügyfeleket a szoftvermérnöki szakértelem és az adattudomány kombinációjával. Széles körű ismeretekkel rendelkezik a mesterséges intelligencia számítógépes látás és képalkotó alkalmazásaiban, valamint orvosbiológiai és bioinformatikai alkalmazásokban.

• 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/techniques-for-automatic-summarization-of-documents-using-language-models/