Dalam lanskap interaksi satu lawan satu dengan pelanggan saat ini untuk melakukan pemesanan, praktik yang berlaku terus bergantung pada petugas manusia, bahkan di tempat seperti kedai kopi drive-thru dan perusahaan makanan cepat saji. Pendekatan tradisional ini menimbulkan beberapa tantangan: pendekatan ini sangat bergantung pada proses manual, kesulitan untuk melakukan penskalaan secara efisien seiring meningkatnya permintaan pelanggan, menimbulkan potensi kesalahan manusia, dan beroperasi dalam jam-jam tertentu setelah ketersediaan. Selain itu, dalam pasar yang kompetitif, bisnis yang hanya mengikuti proses manual mungkin akan kesulitan memberikan layanan yang efisien dan kompetitif. Meskipun ada kemajuan teknologi, model yang berpusat pada manusia masih tertanam kuat dalam pemrosesan pesanan, sehingga menyebabkan keterbatasan ini.
Prospek pemanfaatan teknologi untuk bantuan pemrosesan pesanan satu-satu telah tersedia selama beberapa waktu. Namun, solusi yang ada sering kali terbagi dalam dua kategori: sistem berbasis aturan yang memerlukan banyak waktu dan upaya untuk penyiapan dan pemeliharaan, atau sistem kaku yang tidak memiliki fleksibilitas yang diperlukan untuk interaksi manusiawi dengan pelanggan. Akibatnya, dunia usaha dan organisasi menghadapi tantangan dalam menerapkan solusi tersebut dengan cepat dan efisien. Untungnya, dengan munculnya AI generatif dan model bahasa besar (LLM), kini dimungkinkan untuk membuat sistem otomatis yang dapat menangani bahasa alami secara efisien, dan dengan garis waktu yang dipercepat.
Batuan Dasar Amazon adalah layanan terkelola sepenuhnya yang menawarkan pilihan model fondasi (FM) berperforma tinggi dari perusahaan AI terkemuka seperti AI21 Labs, Anthropic, Cohere, Meta, Stability AI, dan Amazon melalui satu API, bersama dengan serangkaian kemampuan yang luas untuk Anda perlu membangun aplikasi AI generatif dengan keamanan, privasi, dan AI yang bertanggung jawab. Selain Amazon Bedrock, Anda dapat menggunakan layanan AWS lain seperti Mulai Lompatan Amazon SageMaker dan AmazonLex untuk membuat agen pemrosesan pesanan AI generatif yang sepenuhnya otomatis dan mudah beradaptasi.
Dalam postingan ini, kami menunjukkan kepada Anda cara membangun agen pemrosesan pesanan yang mampu berbicara menggunakan Amazon Lex, Amazon Bedrock, dan AWS Lambda.
Ikhtisar solusi
Diagram berikut menggambarkan arsitektur solusi kami.
Alur kerja terdiri dari langkah-langkah berikut:
- Pelanggan melakukan pemesanan menggunakan Amazon Lex.
- Bot Amazon Lex menafsirkan maksud pelanggan dan memicu a
DialogCodeHook
. - Fungsi Lambda mengambil templat perintah yang sesuai dari lapisan Lambda dan memformat perintah model dengan menambahkan input pelanggan di templat perintah terkait.
- Grafik
RequestValidation
prompt memverifikasi pesanan dengan item menu dan memberi tahu pelanggan melalui Amazon Lex jika ada sesuatu yang ingin mereka pesan yang bukan bagian dari menu dan akan memberikan rekomendasi. Prompt juga melakukan validasi awal untuk kelengkapan pesanan. - Grafik
ObjectCreator
prompt mengubah permintaan bahasa alami menjadi struktur data (format JSON). - Fungsi validator pelanggan Lambda memverifikasi atribut yang diperlukan untuk pesanan dan mengonfirmasi apakah semua informasi yang diperlukan tersedia untuk memproses pesanan.
- Fungsi Lambda pelanggan mengambil struktur data sebagai masukan untuk memproses pesanan dan meneruskan total pesanan kembali ke fungsi orkestrasi Lambda.
- Fungsi orkestrasi Lambda memanggil titik akhir Amazon Bedrock LLM untuk menghasilkan ringkasan pesanan akhir termasuk total pesanan dari sistem database pelanggan (misalnya, Amazon DynamoDB).
- Ringkasan pesanan dikomunikasikan kembali ke pelanggan melalui Amazon Lex. Setelah pelanggan mengkonfirmasi pesanan, pesanan akan diproses.
Prasyarat
Posting ini mengasumsikan bahwa Anda memiliki akun AWS aktif dan memahami konsep dan layanan berikut:
Selain itu, untuk mengakses Amazon Bedrock dari fungsi Lambda, Anda perlu memastikan runtime Lambda memiliki perpustakaan berikut:
- boto3>=1.28.57
- awscli>=1.29.57
- botocore>=1.31.57
Ini dapat dilakukan dengan a Lapisan lambda atau dengan menggunakan AMI tertentu dengan perpustakaan yang diperlukan.
Selain itu, perpustakaan ini diperlukan saat memanggil Amazon Bedrock API dari Studio Amazon SageMaker. Hal ini dapat dilakukan dengan menjalankan sel dengan kode berikut:
Terakhir, Anda membuat kebijakan berikut dan kemudian melampirkannya ke peran apa pun yang mengakses Amazon Bedrock:
Buat tabel DynamoDB
Dalam skenario spesifik kami, kami telah membuat tabel DynamoDB sebagai sistem basis data pelanggan kami, namun Anda juga dapat menggunakannya Layanan Database Relasional Amazon (Amazon RDS). Selesaikan langkah-langkah berikut untuk menyediakan tabel DynamoDB Anda (atau sesuaikan pengaturan sesuai kebutuhan untuk kasus penggunaan Anda):
- Di konsol DynamoDB, pilih Meja di panel navigasi.
- Pilih Buat tabel.
- Untuk Nama tabel, masukkan nama (misalnya,
ItemDetails
). - Untuk Kunci partisi, masukkan kunci (untuk posting ini, kami menggunakan
Item
). - Untuk Kunci pengurutan, masukkan kunci (untuk posting ini, kami menggunakan
Size
). - Pilih Buat tabel.
Sekarang Anda dapat memuat data ke dalam tabel DynamoDB. Untuk postingan ini, kami menggunakan file CSV. Anda dapat memuat data ke tabel DynamoDB menggunakan kode Python di buku catatan SageMaker.
Pertama, kita perlu menyiapkan profil bernama dev.
- Buka terminal baru di SageMaker Studio dan jalankan perintah berikut:
Perintah ini akan meminta Anda memasukkan ID access key AWS, secret access key, Wilayah AWS default, dan format output.
- Kembali ke buku catatan SageMaker dan tulis kode Python untuk menyiapkan koneksi ke DynamoDB menggunakan perpustakaan Boto3 dengan Python. Cuplikan kode ini membuat sesi menggunakan profil AWS tertentu bernama dev dan kemudian membuat klien DynamoDB menggunakan sesi tersebut. Berikut contoh kode untuk memuat data:
Atau, Anda dapat menggunakan Meja Kerja NoSQL atau alat lain untuk memuat data dengan cepat ke tabel DynamoDB Anda.
Berikut screenshot setelah contoh data dimasukkan ke dalam tabel.
Buat templat di buku catatan SageMaker menggunakan API pemanggilan Amazon Bedrock
Untuk membuat templat prompt untuk kasus penggunaan ini, kami menggunakan Amazon Bedrock. Anda dapat mengakses Amazon Bedrock dari Konsol Manajemen AWS dan melalui pemanggilan API. Dalam kasus kami, kami mengakses Amazon Bedrock melalui API dari kenyamanan notebook SageMaker Studio untuk membuat tidak hanya templat prompt kami, tetapi juga kode pemanggilan API lengkap yang nantinya dapat kami gunakan pada fungsi Lambda kami.
- Di konsol SageMaker, akses domain SageMaker Studio yang ada atau buat domain baru untuk mengakses Amazon Bedrock dari notebook SageMaker.
- Setelah Anda membuat domain dan pengguna SageMaker, pilih pengguna dan pilih Launch dan studio. Ini akan membuka lingkungan JupyterLab.
- Saat lingkungan JupyterLab sudah siap, buka buku catatan baru dan mulailah mengimpor perpustakaan yang diperlukan.
Ada banyak FM yang tersedia melalui Amazon Bedrock Python SDK. Dalam hal ini, kami menggunakan Claude V2, model dasar kuat yang dikembangkan oleh Anthropic.
Agen pemrosesan pesanan memerlukan beberapa templat berbeda. Hal ini dapat berubah tergantung pada kasus penggunaan, namun kami telah merancang alur kerja umum yang dapat diterapkan ke beberapa pengaturan. Untuk kasus penggunaan ini, templat Amazon Bedrock LLM akan melakukan hal berikut:
- Validasi niat pelanggan
- Validasi permintaan tersebut
- Buat struktur data pesanan
- Berikan ringkasan pesanan kepada pelanggan
- Untuk memanggil model, buat objek runtime batuan dasar dari Boto3.
Mari kita mulai dengan mengerjakan templat prompt validator maksud. Ini adalah proses berulang, namun berkat panduan teknik cepat Anthropic, Anda dapat dengan cepat membuat perintah yang dapat menyelesaikan tugas tersebut.
- Buat template prompt pertama bersama dengan fungsi utilitas yang akan membantu mempersiapkan isi pemanggilan API.
Berikut kode prompt_template_intent_validator.txt:
- Simpan templat ini ke dalam file untuk diunggah ke Amazon S3 dan panggil dari fungsi Lambda bila diperlukan. Simpan templat sebagai string serial JSON dalam file teks. Tangkapan layar sebelumnya menunjukkan contoh kode untuk mencapai hal ini juga.
- Ulangi langkah yang sama dengan template lainnya.
Berikut ini adalah beberapa screenshot dari template lainnya dan hasil saat memanggil Amazon Bedrock dengan beberapa di antaranya.
Berikut kode prompt_template_request_validator.txt:
Berikut respon kami dari Amazon Bedrock menggunakan template ini.
Berikut ini adalah kode untuk prompt_template_object_creator.txt
:
Berikut kode prompt_template_order_summary.txt:
Seperti yang Anda lihat, kami telah menggunakan templat cepat kami untuk memvalidasi item menu, mengidentifikasi informasi yang diperlukan yang hilang, membuat struktur data, dan meringkas pesanan. Model dasar yang tersedia di Amazon Bedrock sangat canggih, sehingga Anda dapat menyelesaikan lebih banyak tugas melalui templat ini.
Anda telah menyelesaikan rekayasa petunjuknya dan menyimpan templat ke file teks. Anda sekarang dapat mulai membuat bot Amazon Lex dan fungsi Lambda terkait.
Buat lapisan Lambda dengan templat prompt
Selesaikan langkah-langkah berikut untuk membuat lapisan Lambda Anda:
- Di SageMaker Studio, buat folder baru dengan subfolder bernama
python
. - Salin file prompt Anda ke
python
folder.
- Anda dapat menambahkan perpustakaan ZIP ke instans notebook Anda dengan menjalankan perintah berikut.
- Sekarang, jalankan perintah berikut untuk membuat file ZIP untuk diunggah ke lapisan Lambda.
- Setelah Anda membuat file ZIP, Anda dapat mengunduh file tersebut. Masuk ke Lambda, buat layer baru dengan mengunggah file secara langsung atau dengan mengunggah ke Amazon S3 terlebih dahulu.
- Kemudian lampirkan layer baru ini ke fungsi orkestrasi Lambda.
Sekarang file templat prompt Anda disimpan secara lokal di lingkungan runtime Lambda Anda. Ini akan mempercepat proses selama bot Anda berjalan.
Buat lapisan Lambda dengan perpustakaan yang diperlukan
Selesaikan langkah-langkah berikut untuk membuat lapisan Lambda Anda dengan pustaka yang diperlukan:
- Buka sebuah AWS Cloud9 lingkungan contoh, buat folder dengan subfolder bernama
python
. - Buka terminal di dalam
python
folder. - Jalankan perintah berikut dari terminal:
- Run
cd ..
dan posisikan diri Anda di dalam folder baru tempat Anda juga memilikinyapython
subfolder. - Jalankan perintah berikut:
- Setelah Anda membuat file ZIP, Anda dapat mengunduh file tersebut. Masuk ke Lambda, buat layer baru dengan mengunggah file secara langsung atau dengan mengunggah ke Amazon S3 terlebih dahulu.
- Kemudian lampirkan layer baru ini ke fungsi orkestrasi Lambda.
Buat bot di Amazon Lex v2
Untuk kasus penggunaan ini, kami membangun bot Amazon Lex yang dapat menyediakan antarmuka input/output untuk arsitektur untuk memanggil Amazon Bedrock menggunakan suara atau teks dari antarmuka apa pun. Karena LLM akan menangani bagian percakapan agen pemrosesan pesanan ini, dan Lambda akan mengatur alur kerjanya, Anda dapat membuat bot dengan tiga maksud dan tanpa slot.
- Di konsol Amazon Lex, buat bot baru dengan metode ini Buat bot kosong.
Sekarang Anda dapat menambahkan maksud dengan ucapan awal apa pun yang sesuai bagi pengguna akhir untuk memulai percakapan dengan bot. Kami menggunakan salam sederhana dan menambahkan respons bot awal sehingga pengguna akhir dapat memberikan permintaan mereka. Saat membuat bot, pastikan untuk menggunakan kait kode Lambda dengan maksud; ini akan memicu fungsi Lambda yang akan mengatur alur kerja antara pelanggan, Amazon Lex, dan LLM.
- Tambahkan niat pertama Anda, yang memicu alur kerja dan menggunakan templat permintaan validasi niat untuk memanggil Amazon Bedrock dan mengidentifikasi apa yang ingin dicapai oleh pelanggan. Tambahkan beberapa ucapan sederhana bagi pengguna akhir untuk memulai percakapan.
Anda tidak perlu menggunakan slot atau pembacaan awal apa pun di salah satu maksud bot. Sebenarnya, Anda tidak perlu menambahkan ujaran pada maksud kedua atau ketiga. Hal ini karena LLM akan memandu Lambda sepanjang proses.
- Tambahkan perintah konfirmasi. Anda dapat menyesuaikan pesan ini di fungsi Lambda nanti.
- Bawah Pengait kode, pilih Gunakan fungsi Lambda untuk inisialisasi dan validasi.
- Ciptakan niat kedua tanpa ucapan dan tanpa respons awal. Ini adalah
PlaceOrder
niat.
Ketika LLM mengidentifikasi bahwa pelanggan mencoba melakukan pemesanan, fungsi Lambda akan memicu maksud ini dan memvalidasi permintaan pelanggan terhadap menu, dan memastikan bahwa tidak ada informasi yang diperlukan yang hilang. Ingatlah bahwa semua ini ada di templat prompt, jadi Anda bisa menyesuaikan alur kerja ini untuk kasus penggunaan apa pun dengan mengubah templat prompt.
- Jangan tambahkan slot apa pun, tetapi tambahkan perintah konfirmasi dan tolak respons.
- Pilih Gunakan fungsi Lambda untuk inisialisasi dan validasi.
- Buat maksud ketiga bernama
ProcessOrder
tanpa contoh ucapan dan tanpa slot. - Tambahkan tanggapan awal, perintah konfirmasi, dan tanggapan penolakan.
Setelah LLM memvalidasi permintaan pelanggan, fungsi Lambda memicu maksud ketiga dan terakhir untuk memproses pesanan. Di sini, Lambda akan menggunakan templat pembuat objek untuk menghasilkan struktur data JSON pesanan untuk menanyakan tabel DynamoDB, dan kemudian menggunakan templat ringkasan pesanan untuk merangkum seluruh pesanan beserta totalnya sehingga Amazon Lex dapat meneruskannya ke pelanggan.
- Pilih Gunakan fungsi Lambda untuk inisialisasi dan validasi. Ini dapat menggunakan fungsi Lambda apa pun untuk memproses pesanan setelah pelanggan memberikan konfirmasi akhir.
- Setelah Anda membuat ketiga maksud, buka pembuat Visual untuk
ValidateIntent
, tambahkan langkah tujuan masuk, dan hubungkan keluaran konfirmasi positif ke langkah tersebut. - Setelah Anda menambahkan maksud masuk, edit dan pilih maksud PlaceOrder sebagai nama maksud.
- Demikian pula, untuk menggunakan pembuat Visual untuk
PlaceOrder
niat dan menghubungkan keluaran konfirmasi positif denganProcessOrder
niat masuk. Tidak diperlukan pengeditan untukProcessOrder
niat. - Anda sekarang perlu membuat fungsi Lambda yang mengatur Amazon Lex dan memanggil tabel DynamoDB, sebagaimana dirinci di bagian berikut.
Buat fungsi Lambda untuk mengatur bot Amazon Lex
Anda sekarang dapat membangun fungsi Lambda yang mengatur bot dan alur kerja Amazon Lex. Selesaikan langkah-langkah berikut:
- Buat fungsi Lambda dengan kebijakan eksekusi standar dan biarkan Lambda membuatkan peran untuk Anda.
- Di jendela kode fungsi Anda, tambahkan beberapa fungsi utilitas yang akan membantu: memformat perintah dengan menambahkan konteks lex ke templat, memanggil API Amazon Bedrock LLM, mengekstrak teks yang diinginkan dari respons, dan banyak lagi. Lihat kode berikut:
- Lampirkan lapisan Lambda yang Anda buat sebelumnya ke fungsi ini.
- Selain itu, lampirkan layer ke template prompt yang Anda buat.
- Dalam peran eksekusi Lambda, lampirkan kebijakan untuk mengakses Amazon Bedrock, yang telah dibuat sebelumnya.
Peran eksekusi Lambda harus memiliki izin berikut.
Lampirkan fungsi Orkestrasi Lambda ke bot Amazon Lex
- Setelah Anda membuat fungsi di bagian sebelumnya, kembali ke konsol Amazon Lex dan navigasikan ke bot Anda.
- Bawah Bahasa di panel navigasi, pilih Inggris.
- Untuk sumber, pilih bot pemrosesan pesanan Anda.
- Untuk Versi atau alias fungsi Lambda, pilih $TERBARU.
- Pilih Save.
Buat fungsi bantuan Lambda
Selesaikan langkah-langkah berikut untuk membuat fungsi Lambda tambahan:
- Buat fungsi Lambda untuk menanyakan tabel DynamoDB yang Anda buat sebelumnya:
- Arahkan ke folder konfigurasi tab di fungsi Lambda dan pilih izin.
- Lampirkan pernyataan kebijakan berbasis sumber daya yang mengizinkan fungsi Lambda pemrosesan pesanan untuk menjalankan fungsi ini.
- Navigasikan ke peran eksekusi IAM untuk fungsi Lambda ini dan tambahkan kebijakan untuk mengakses tabel DynamoDB.
- Buat fungsi Lambda lain untuk memvalidasi apakah semua atribut yang diperlukan telah diteruskan dari pelanggan. Dalam contoh berikut, kami memvalidasi apakah atribut size diambil untuk suatu pesanan:
- Arahkan ke folder konfigurasi tab di fungsi Lambda dan pilih izin.
- Lampirkan pernyataan kebijakan berbasis sumber daya yang mengizinkan fungsi Lambda pemrosesan pesanan untuk menjalankan fungsi ini.
Uji solusinya
Sekarang kami dapat menguji solusinya dengan contoh pesanan yang dilakukan pelanggan melalui Amazon Lex.
Untuk contoh pertama kami, pelanggan meminta frappuccino, yang tidak ada dalam menu. Model memvalidasi dengan bantuan template validator pesanan dan menyarankan beberapa rekomendasi berdasarkan menu. Setelah pelanggan mengkonfirmasi pesanannya, mereka diberitahu tentang total pesanan dan ringkasan pesanan. Pesanan akan diproses berdasarkan konfirmasi akhir pelanggan.
Dalam contoh kami berikutnya, pelanggan memesan cappuccino berukuran besar dan kemudian mengubah ukurannya dari besar menjadi sedang. Model ini menangkap semua perubahan yang diperlukan dan meminta pelanggan untuk mengonfirmasi pesanan. Model tersebut menyajikan total pesanan dan ringkasan pesanan, serta memproses pesanan berdasarkan konfirmasi akhir pelanggan.
Untuk contoh terakhir kami, pelanggan memesan beberapa item dan ukurannya hilang untuk beberapa item. Model dan fungsi Lambda akan memverifikasi apakah semua atribut yang diperlukan ada untuk memproses pesanan dan kemudian meminta pelanggan untuk memberikan informasi yang hilang. Setelah pelanggan memberikan informasi yang kurang (dalam hal ini, ukuran kopi), mereka akan diperlihatkan total pesanan dan ringkasan pesanan. Pesanan akan diproses berdasarkan konfirmasi akhir pelanggan.
Batasan LLM
Keluaran LLM bersifat stokastik, artinya hasil dari LLM yang kita buat bisa bermacam-macam formatnya, atau bahkan berupa konten yang tidak benar (halusinasi). Oleh karena itu, pengembang perlu mengandalkan logika penanganan kesalahan yang baik di seluruh kode mereka untuk menangani skenario ini dan menghindari penurunan pengalaman pengguna akhir.
Membersihkan
Jika Anda tidak lagi memerlukan solusi ini, Anda dapat menghapus sumber daya berikut:
- Fungsi Lambda
- Kotak Amazon Lex
- Tabel DynamoDB
- Ember S3
Selain itu, matikan instans SageMaker Studio jika aplikasi tidak lagi diperlukan.
Penilaian biaya
Untuk informasi harga layanan utama yang digunakan oleh solusi ini, lihat yang berikut ini:
Perhatikan bahwa Anda dapat menggunakan Claude v2 tanpa memerlukan provisi, sehingga biaya keseluruhan tetap minimum. Untuk lebih mengurangi biaya, Anda dapat mengonfigurasi tabel DynamoDB dengan pengaturan sesuai permintaan.
Kesimpulan
Postingan ini menunjukkan cara membangun agen pemrosesan pesanan AI yang mendukung ucapan menggunakan Amazon Lex, Amazon Bedrock, dan layanan AWS lainnya. Kami menunjukkan bagaimana rekayasa cepat dengan model AI generatif yang kuat seperti Claude dapat memungkinkan pemahaman bahasa alami yang kuat dan alur percakapan untuk pemrosesan pesanan tanpa memerlukan data pelatihan yang ekstensif.
Arsitektur solusi menggunakan komponen tanpa server seperti Lambda, Amazon S3, dan DynamoDB untuk memungkinkan implementasi yang fleksibel dan terukur. Menyimpan templat prompt di Amazon S3 memungkinkan Anda menyesuaikan solusi untuk berbagai kasus penggunaan.
Langkah selanjutnya dapat mencakup perluasan kemampuan agen untuk menangani permintaan pelanggan dan kasus edge yang lebih luas. Templat cepat menyediakan cara untuk meningkatkan keterampilan agen secara berulang. Penyesuaian tambahan dapat melibatkan pengintegrasian data pesanan dengan sistem backend seperti inventaris, CRM, atau POS. Terakhir, agen dapat tersedia di berbagai titik kontak pelanggan seperti aplikasi seluler, drive-thru, kios, dan lainnya menggunakan kemampuan multi-saluran Amazon Lex.
Untuk mempelajari lebih lanjut, lihat sumber daya terkait berikut:
- Menyebarkan dan mengelola bot multi-saluran:
- Rekayasa cepat untuk Claude dan model lainnya:
- Pola arsitektur tanpa server untuk asisten AI yang dapat diskalakan:
Tentang Penulis
Moumita Dutta adalah Arsitek Solusi Mitra di Amazon Web Services. Dalam perannya, dia berkolaborasi erat dengan mitra untuk mengembangkan aset yang terukur dan dapat digunakan kembali yang menyederhanakan penerapan cloud dan meningkatkan efisiensi operasional. Dia adalah anggota komunitas AI/ML dan pakar AI Generatif di AWS. Di waktu senggangnya, ia senang berkebun dan bersepeda.
Fernando Lammoglia adalah Arsitek Solusi Mitra di Amazon Web Services, yang bekerja sama dengan mitra AWS dalam mempelopori pengembangan dan penerapan solusi AI mutakhir di seluruh unit bisnis. Pemimpin strategis dengan keahlian dalam arsitektur cloud, AI generatif, pembelajaran mesin, dan analisis data. Ia berspesialisasi dalam melaksanakan strategi masuk ke pasar dan memberikan solusi AI yang berdampak dan selaras dengan tujuan organisasi. Di waktu luangnya dia suka menghabiskan waktu bersama keluarganya dan jalan-jalan ke negara lain.
Mitul Patel adalah Arsitek Solusi Senior di Amazon Web Services. Dalam perannya sebagai penggerak teknologi cloud, dia bekerja dengan pelanggan untuk memahami tujuan dan tantangan mereka, dan memberikan panduan preskriptif untuk mencapai tujuan mereka dengan penawaran AWS. Dia adalah anggota komunitas AI/ML dan duta AI Generatif di AWS. Di waktu luangnya, dia menikmati hiking dan bermain sepak bola.
- Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
- PlatoData.Jaringan Vertikal Generatif Ai. Berdayakan Diri Anda. Akses Di Sini.
- PlatoAiStream. Intelijen Web3. Pengetahuan Diperkuat. Akses Di Sini.
- PlatoESG. Karbon, teknologi bersih, energi, Lingkungan Hidup, Tenaga surya, Penanganan limbah. Akses Di Sini.
- PlatoHealth. Kecerdasan Uji Coba Biotek dan Klinis. Akses Di Sini.
- Sumber: https://aws.amazon.com/blogs/machine-learning/transform-one-on-one-customer-interactions-build-speech-capable-order-processing-agents-with-aws-and-generative-ai/
- :memiliki
- :adalah
- :bukan
- :Di mana
- $3
- $NAIK
- 1
- 10
- 100
- 11
- 12
- 13
- 15%
- 173
- 200
- 24
- 250
- 28
- 29
- 31
- 320
- 385
- 40
- 400
- 500
- 7
- 75
- 8
- 9
- 900
- a
- atas
- dipercepat
- Setuju
- mengakses
- mengakses
- menyelesaikan
- Menurut
- Akun
- Mencapai
- di seluruh
- Tindakan
- aktif
- menyesuaikan
- menambahkan
- menambahkan
- menambahkan
- tambahan
- Tambahan
- Selain itu
- mengikuti
- menyesuaikan
- Adopsi
- kemajuan
- kedatangan
- Setelah
- lagi
- terhadap
- Agen
- agen
- AI
- AI / ML
- selaras
- Semua
- mengizinkan
- Membiarkan
- memungkinkan
- sepanjang
- juga
- selalu
- am
- Amazon
- AmazonLex
- Amazon RDS
- Amazon Web Services
- Duta besar
- an
- analisis
- dan
- Lain
- Antropik
- Apa pun
- api
- Aplikasi
- aplikasi
- Mendaftar
- pendekatan
- sesuai
- tepat
- aplikasi
- arsitektur
- arsitektur
- ADALAH
- AS
- meminta
- Aktiva
- Bantuan
- Asisten
- asisten
- membantu
- terkait
- mengasumsikan
- At
- melampirkan
- Petugas
- atribut
- Otomatis
- tersedianya
- tersedia
- menghindari
- AWS
- kembali
- Backend
- berdasarkan
- BE
- karena
- menjadi
- mulai
- antara
- tubuh
- Bot
- kedua
- bot
- luas
- membangun
- pembangun
- bisnis
- bisnis
- tapi
- by
- menghitung
- panggilan
- bernama
- panggilan
- Panggilan
- CAN
- kemampuan
- ditangkap
- menangkap
- kasus
- kasus
- kategori
- sel
- tantangan
- menantang
- perubahan
- Perubahan
- mengubah
- karakter
- memeriksa
- pilihan
- Pilih
- klien
- Penyelesaian
- rapat
- awan
- TEKNOLOGI AWAN
- kode
- Tanaman
- berkolaborasi
- mengumpulkan
- dikomunikasikan
- masyarakat
- Perusahaan
- kompetitif
- lengkap
- Lengkap
- menyelesaikan
- penyelesaian
- komponen
- konsep
- Memastikan
- konfirmasi
- DIKONFIRMASI
- Terhubung
- koneksi
- terdiri
- konsul
- Konten
- konteks
- terus
- kenyamanan
- Percakapan
- mengubah
- benar
- Biaya
- bisa
- negara
- sepasang
- membuat
- dibuat
- menciptakan
- membuat
- penciptaan
- pencipta
- CRM
- terbaru
- adat
- pelanggan
- pelanggan
- menyesuaikan
- canggih
- data
- Data Analytics
- Struktur data
- Basis Data
- Tolak
- sangat
- Default
- menetapkan
- menyampaikan
- mengantarkan
- Permintaan
- tuntutan
- menunjukkan
- ditolak
- Tergantung
- tergantung
- penyebaran
- dirancang
- diinginkan
- Meskipun
- terperinci
- dev
- mengembangkan
- dikembangkan
- pengembang
- Pengembangan
- diagram
- MELAKUKAN
- berbeda
- langsung
- pengiriman
- do
- tidak
- domain
- don
- dilakukan
- Dont
- turun
- Download
- selama
- e
- setiap
- Terdahulu
- mudah
- Tepi
- efek
- efisiensi
- efisien
- efisien
- usaha
- lain
- aktif
- enabler
- Titik akhir
- Teknik
- mempertinggi
- Enter
- Lingkungan Hidup
- kesalahan
- kesalahan
- Bahkan
- Acara
- contoh
- contoh
- Kecuali
- pengecualian
- mengeksekusi
- eksekusi
- ada
- Keluar
- memperluas
- pengalaman
- ahli
- keahlian
- luas
- ekstrak
- Menghadapi
- fakta
- Jatuh
- Keakraban
- keluarga
- beberapa
- File
- File
- terakhir
- menyelesaikan
- Menemukan
- Pertama
- keluwesan
- fleksibel
- Mengalir
- berikut
- Untuk
- bentuk
- format
- Untung
- ditemukan
- Prinsip Dasar
- dasar
- Gratis
- dari
- sepenuhnya
- fungsi
- fungsi
- lebih lanjut
- Umum
- menghasilkan
- generatif
- AI generatif
- mendapatkan
- Memberikan
- diberikan
- Go
- Pergi ke pasar
- Anda
- baik
- mendapat
- agung
- besar
- salam
- Salam pembuka
- bimbingan
- membimbing
- menangani
- Penanganan
- Memiliki
- memiliki
- he
- mendengar
- berat
- membantu
- dia
- di sini
- hi
- berkinerja tinggi
- -nya
- Madu
- JAM
- Seterpercayaapakah Olymp Trade? Kesimpulan
- How To
- Namun
- HTML
- http
- HTTPS
- manusia
- i
- ID
- mengidentifikasi
- mengenali
- mengidentifikasi
- if
- menggambarkan
- berdampak
- implementasi
- mengimplementasikan
- mengimpor
- pengimporan
- memperbaiki
- in
- memasukkan
- Termasuk
- masuk
- meningkatkan
- indeks
- informasi
- mendarah daging
- mulanya
- memasukkan
- input
- dalam
- install
- contoh
- sebagai gantinya
- instruksi
- Mengintegrasikan
- maksud
- interaksi
- Antarmuka
- ke
- Memperkenalkan
- inventaris
- melibatkan
- IT
- item
- jpg
- json
- hanya
- Menjaga
- kunci
- kios
- Tahu
- Labs
- Kekurangan
- pemandangan
- bahasa
- besar
- Terakhir
- akhirnya
- kemudian
- lapisan
- pemimpin
- terkemuka
- BELAJAR
- pengetahuan
- limun
- membiarkan
- Lets
- perpustakaan
- Perpustakaan
- 'like'
- keterbatasan
- Daftar
- LLM
- memuat
- lokal
- penebangan
- logika
- lagi
- TERLIHAT
- mencintai
- mesin
- Mesin belajar
- terbuat
- Utama
- membuat
- berhasil
- pengelolaan
- pelaksana
- panduan
- banyak
- ditandai
- pasar
- me
- cara
- medium
- anggota
- menu
- pesan
- pesan
- meta
- metode
- mungkin
- susu
- minimum
- terjawab
- hilang
- mobil
- ponsel-apps
- model
- model
- dimodifikasi
- memodifikasi
- saat
- lebih
- beberapa
- my
- nama
- Bernama
- Alam
- Alam
- Arahkan
- Navigasi
- perlu
- Perlu
- dibutuhkan
- kebutuhan
- New
- berikutnya
- tidak
- None
- buku catatan
- sekarang
- obyek
- tujuan
- terjadi
- of
- Penawaran
- Penawaran
- sering
- Oke
- on
- Sesuai Permintaan
- ONE
- hanya
- Buka
- beroperasi
- operasional
- pilihan
- Opsi
- or
- mengatur
- teknik mengatur musik
- urutan
- perintah
- organisatoris
- organisasi
- Lainnya
- kami
- keluaran
- output
- secara keseluruhan
- pane
- parameter
- bagian
- pasangan
- rekan
- lulus
- Lulus
- melewati
- path
- pola
- pembayaran
- persen
- melakukan
- mungkin
- Izin
- bagian
- Tempat
- Tempat
- penempatan
- plato
- Kecerdasan Data Plato
- Data Plato
- bermain
- silahkan
- poin
- kebijaksanaan
- PoS
- pose
- posisi
- positif
- mungkin
- Pos
- potensi
- kuat
- praktek
- pendahuluan
- Mempersiapkan
- Mempersiapkan
- mempersiapkan
- menyajikan
- hadiah
- sebelumnya
- harga pompa cor beton mini
- di harga
- pribadi
- memproses
- proses
- Diproses
- proses
- pengolahan
- Profil
- meminta
- prospek
- memberikan
- disediakan
- pemberi
- menyediakan
- ketentuan
- Menarik
- menempatkan
- Ular sanca
- pertanyaan
- segera
- R
- menaikkan
- jarak
- Mentah
- RE
- Baca
- Bacaan
- siap
- sarankan
- rekomendasi
- menurunkan
- lihat
- wilayah
- reguler
- terkait
- mengandalkan
- tinggal
- sisa
- ingat
- menghapus
- penggantian
- permintaan
- permintaan
- wajib
- sumber
- Sumber
- Menanggapi
- tanggapan
- tanggapan
- tanggung jawab
- mengakibatkan
- Hasil
- kembali
- Pengembalian
- dapat digunakan kembali
- kaku
- kuat
- Peran
- Rute
- BARIS
- Run
- berjalan
- berjalan
- runtime
- s
- pembuat bijak
- sama
- mencicipi
- Save
- disimpan
- mengatakan
- terukur
- Skala
- skenario
- skenario
- screenshot
- SDK
- Kedua
- Rahasia
- Bagian
- keamanan
- melihat
- memilih
- senior
- Tanpa Server
- layanan
- Layanan
- Sidang
- set
- pengaturan
- pengaturan
- penyiapan
- beberapa
- dia
- Kulit
- toko
- harus
- Menunjukkan
- menunjukkan
- ditunjukkan
- Pertunjukkan
- menutup
- menutup
- Sederhana
- tunggal
- Ukuran
- keterampilan
- celah
- slot
- kecil
- potongan
- So
- Sepak bola
- semata-mata
- larutan
- Solusi
- beberapa
- Seseorang
- sesuatu
- berbicara
- ujung tombak
- khusus
- spesialisasi
- tertentu
- kecepatan
- menghabiskan
- Stabilitas
- standar
- awal
- Mulai
- Negara
- Pernyataan
- Langkah
- Tangga
- tersimpan
- menyimpan
- Strategis
- strategi
- mempersingkat
- struktur
- Perjuangan
- studio
- besar
- berhasil
- seperti itu
- gula
- menyarankan
- Menyarankan
- meringkaskan
- RINGKASAN
- Didukung
- yakin
- dengan cepat
- sistem
- sistem
- tabel
- MENANDAI
- Dibutuhkan
- tugas
- tugas
- rasa
- teknologi
- Teknologi
- Template
- template
- terminal
- uji
- teks
- Terima kasih
- bahwa
- Grafik
- informasi
- mereka
- Mereka
- kemudian
- Sana.
- karena itu
- Ini
- mereka
- hal
- Ketiga
- ini
- tiga
- Melalui
- di seluruh
- waktu
- waktu
- untuk
- hari ini
- hari ini
- alat
- Total
- tradisional
- Pelatihan
- Mengubah
- perjalanan
- memicu
- kesulitan
- mencoba
- mencoba
- dua
- mengetik
- memahami
- pemahaman
- unit
- Mengunggah
- menggunakan
- gunakan case
- bekas
- Pengguna
- kegunaan
- menggunakan
- kegunaan
- Memanfaatkan
- sah
- MENGESAHKAN
- divalidasi
- pengesahan
- Validator
- nilai
- Nilai - Nilai
- variabel
- berbagai
- berbeda
- memeriksa
- versi
- sangat
- melalui
- visual
- Suara
- ingin
- ingin
- adalah
- Cara..
- we
- jaringan
- layanan web
- BAIK
- adalah
- Apa
- ketika
- yang
- sementara
- seluruh
- lebih luas
- akan
- jendela
- dengan
- dalam
- tanpa
- alur kerja
- kerja
- bekerja
- akan
- menulis
- XML
- iya nih
- Kamu
- Anda
- diri
- zephyrnet.dll
- Zip