AI generatif aplikasi yang didorong oleh model dasar (FM) memungkinkan organisasi memiliki nilai bisnis yang signifikan dalam pengalaman pelanggan, produktivitas, optimalisasi proses, dan inovasi. Namun, penerapan FM ini memerlukan penyelesaian beberapa tantangan utama, termasuk kualitas keluaran, privasi data, keamanan, integrasi dengan data organisasi, biaya, dan keterampilan untuk melaksanakannya.
Dalam postingan ini, kami mengeksplorasi berbagai pendekatan yang dapat Anda ambil saat membangun aplikasi yang menggunakan AI generatif. Dengan pesatnya kemajuan FM, ini adalah saat yang tepat untuk memanfaatkan kekuatan mereka, namun juga penting untuk memahami bagaimana menggunakannya dengan benar untuk mencapai hasil bisnis. Kami memberikan ikhtisar tentang pendekatan AI generatif utama, termasuk rekayasa cepat, Retrieval Augmented Generation (RAG), dan penyesuaian model. Saat menerapkan pendekatan ini, kami membahas pertimbangan utama seputar potensi halusinasi, integrasi dengan data perusahaan, kualitas keluaran, dan biaya. Pada akhirnya, Anda akan memiliki pedoman yang kuat dan diagram alur yang berguna untuk menentukan metode terbaik untuk mengembangkan aplikasi Anda yang didukung FM, berdasarkan contoh kehidupan nyata. Baik membuat chatbot atau alat ringkasan, Anda dapat membentuk FM yang canggih untuk memenuhi kebutuhan Anda.
AI Generatif dengan AWS
Munculnya FM menciptakan peluang dan tantangan bagi organisasi yang ingin menggunakan teknologi ini. Tantangan utamanya adalah memastikan keluaran yang berkualitas tinggi dan koheren, selaras dengan kebutuhan bisnis, dan bukan sekadar halusinasi atau informasi palsu. Organisasi juga harus secara hati-hati mengelola risiko privasi dan keamanan data yang timbul dari pemrosesan data kepemilikan dengan FM. Keterampilan yang dibutuhkan untuk mengintegrasikan, menyesuaikan, dan memvalidasi FM dengan benar dalam sistem dan data yang ada masih terbatas. Membangun model bahasa besar (LLM) dari awal atau menyesuaikan model terlatih memerlukan sumber daya komputasi yang besar, ilmuwan data ahli, dan pekerjaan teknis selama berbulan-bulan. Biaya komputasi saja dapat mencapai jutaan dolar untuk melatih model dengan ratusan miliar parameter pada kumpulan data besar menggunakan ribuan GPU atau TPU. Selain perangkat keras, pembersihan dan pemrosesan data, desain arsitektur model, penyetelan hyperparameter, dan pengembangan pipeline pelatihan memerlukan keterampilan pembelajaran mesin (ML) khusus. Proses end-to-end rumit, memakan waktu, dan sangat mahal bagi sebagian besar organisasi yang tidak memiliki infrastruktur dan investasi sumber daya manusia yang diperlukan. Organisasi yang gagal mengatasi risiko ini secara memadai dapat menghadapi dampak negatif terhadap reputasi merek, kepercayaan pelanggan, operasional, dan pendapatan mereka.
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, Mistral AI, Stability AI, dan Amazon melalui satu API. Dengan pengalaman tanpa server Amazon Bedrock, Anda dapat memulai dengan cepat, menyesuaikan FM secara pribadi dengan data Anda sendiri, dan mengintegrasikan serta menerapkannya ke dalam aplikasi Anda menggunakan alat AWS tanpa harus mengelola infrastruktur apa pun. Amazon Bedrock memenuhi syarat HIPAA, dan Anda dapat menggunakan Amazon Bedrock sesuai dengan GDPR. Dengan Amazon Bedrock, konten Anda tidak digunakan untuk meningkatkan model dasar dan tidak dibagikan dengan penyedia model pihak ketiga. Data Anda di Amazon Bedrock selalu dienkripsi saat transit dan saat istirahat, dan Anda dapat mengenkripsi sumber daya secara opsional menggunakan kunci Anda sendiri. Anda dapat gunakan Tautan Pribadi AWS dengan Amazon Bedrock untuk membangun konektivitas pribadi antara FM dan VPC Anda tanpa memaparkan lalu lintas Anda ke internet. Dengan Basis Pengetahuan untuk Batuan Dasar Amazon, Anda dapat memberikan informasi kontekstual kepada FM dan agen dari sumber data pribadi perusahaan Anda agar RAG dapat memberikan respons yang lebih relevan, akurat, dan disesuaikan. Anda dapat menyesuaikan FM secara pribadi dengan data Anda sendiri melalui antarmuka visual tanpa menulis kode apa pun. Sebagai layanan yang terkelola sepenuhnya, Amazon Bedrock menawarkan pengalaman pengembang yang mudah untuk bekerja dengan berbagai FM berperforma tinggi.
Diluncurkan pada 2017, Amazon SageMaker adalah layanan terkelola sepenuhnya yang memudahkan pembuatan, pelatihan, dan penerapan model ML. Semakin banyak pelanggan yang membangun FM mereka sendiri menggunakan SageMaker, termasuk Stability AI, AI21 Labs, Hugging Face, Perplexity AI, Hippocratic AI, LG AI Research, dan Technology Innovation Institute. Untuk membantu Anda memulai dengan cepat, Mulai Lompatan Amazon SageMaker menawarkan hub ML tempat Anda dapat menjelajahi, melatih, dan menerapkan berbagai pilihan FM publik, seperti model Mistral, model LightOn, RedPajama, Mosiac MPT-7B, FLAN-T5/UL2, GPT-J-6B/Neox-20B , dan Bloom/BloomZ, menggunakan alat SageMaker yang dibuat khusus seperti eksperimen dan saluran pipa.
Pendekatan AI generatif yang umum
Pada bagian ini, kami membahas pendekatan umum untuk menerapkan solusi AI generatif yang efektif. Kami mengeksplorasi teknik rekayasa cepat populer yang memungkinkan Anda mencapai tugas yang lebih kompleks dan menarik dengan FM. Kami juga membahas bagaimana teknik seperti RAG dan penyesuaian model dapat lebih meningkatkan kemampuan FM dan mengatasi tantangan seperti keterbatasan data dan kendala komputasi. Dengan teknik yang tepat, Anda dapat membangun solusi AI generatif yang kuat dan berdampak.
Rekayasa cepat
Rekayasa cepat adalah praktik merancang petunjuk secara hati-hati untuk memanfaatkan kemampuan FM secara efisien. Ini melibatkan penggunaan petunjuk, yaitu potongan teks pendek yang memandu model untuk menghasilkan respons yang lebih akurat dan relevan. Dengan rekayasa cepat, Anda dapat meningkatkan kinerja FM dan menjadikannya lebih efektif untuk berbagai aplikasi. Pada bagian ini, kami mengeksplorasi teknik-teknik seperti zero-shot dan some-shot prompting, yang dengan cepat mengadaptasi FM ke tugas-tugas baru hanya dengan beberapa contoh, dan chain-of-thinking prompting, yang memecah penalaran kompleks menjadi langkah-langkah perantara. Metode ini menunjukkan bagaimana rekayasa cepat dapat membuat FM lebih efektif pada tugas-tugas kompleks tanpa memerlukan pelatihan ulang model.
Perintah zero-shot
Teknik zero-shot prompt mengharuskan FM menghasilkan jawaban tanpa memberikan contoh eksplisit apa pun tentang perilaku yang diinginkan, dan hanya mengandalkan pra-pelatihannya. Tangkapan layar berikut menunjukkan contoh prompt zero-shot dengan model Anthropic Claude 2.1 di konsol Amazon Bedrock.
Dalam petunjuk ini, kami tidak memberikan contoh apa pun. Namun, model tersebut dapat memahami tugas dan menghasilkan keluaran yang sesuai. Perintah zero-shot adalah teknik cepat yang paling mudah untuk memulai ketika mengevaluasi FM untuk kasus penggunaan Anda. Namun, meskipun FM luar biasa dengan perintah zero-shot, FM mungkin tidak selalu memberikan hasil yang akurat atau diinginkan untuk tugas yang lebih kompleks. Ketika perintah zero-shot gagal, disarankan untuk memberikan beberapa contoh dalam prompt (perintah beberapa tembakan).
Dorongan beberapa kali
Teknik beberapa langkah cepat memungkinkan FM melakukan pembelajaran dalam konteks dari contoh-contoh dalam petunjuknya dan melakukan tugas dengan lebih akurat. Hanya dengan beberapa contoh, Anda dapat dengan cepat mengadaptasi FM ke tugas-tugas baru tanpa rangkaian pelatihan yang besar dan membimbing mereka menuju perilaku yang diinginkan. Berikut ini adalah contoh prompt beberapa langkah dengan model Cohere Command di konsol Amazon Bedrock.
Dalam contoh sebelumnya, FM mampu mengidentifikasi entitas dari teks masukan (ulasan) dan mengekstrak sentimen terkait. Perintah beberapa kali adalah cara efektif untuk menangani tugas-tugas kompleks dengan memberikan beberapa contoh pasangan input-output. Untuk tugas yang mudah, Anda dapat memberikan satu contoh (1-shot), sedangkan untuk tugas yang lebih sulit, Anda harus memberikan tiga (3-shot) hingga lima (5-shot) contoh. Min dkk. (2022) temuan yang dipublikasikan tentang pembelajaran dalam konteks yang dapat meningkatkan kinerja teknik dorongan beberapa langkah. Anda dapat menggunakan prompt beberapa langkah untuk berbagai tugas, seperti analisis sentimen, pengenalan entitas, menjawab pertanyaan, penerjemahan, dan pembuatan kode.
Dorongan rantai pemikiran
Meskipun potensinya, beberapa-shot prompting memiliki keterbatasan, terutama ketika berhadapan dengan tugas-tugas penalaran yang kompleks (seperti tugas-tugas aritmatika atau logika). Tugas-tugas ini memerlukan pemecahan masalah menjadi beberapa langkah dan kemudian menyelesaikannya. Wei dkk. (2022) memperkenalkan teknik dorongan rantai pemikiran (CoT) untuk memecahkan masalah penalaran yang kompleks melalui langkah-langkah penalaran perantara. Anda dapat menggabungkan CoT dengan beberapa langkah untuk meningkatkan hasil pada tugas yang kompleks. Berikut ini adalah contoh tugas penalaran menggunakan perintah CoT beberapa kali dengan model Anthropic Claude 2 di konsol Amazon Bedrock.
Kojima dkk. (2022) memperkenalkan gagasan CoT zero-shot dengan menggunakan kemampuan zero-shot FM yang belum dimanfaatkan. Penelitian mereka menunjukkan bahwa CoT zero-shot, dengan menggunakan template single-prompt yang sama, secara signifikan mengungguli kinerja zero-shot FM pada beragam tugas penalaran benchmark. Anda dapat menggunakan perintah CoT zero-shot untuk tugas penalaran sederhana dengan menambahkan โMari berpikir langkah demi langkahโ ke perintah asli.
Reaksi
Dorongan CoT dapat meningkatkan kemampuan penalaran FM, namun tetap bergantung pada pengetahuan internal model dan tidak mempertimbangkan basis pengetahuan atau lingkungan eksternal untuk mengumpulkan lebih banyak informasi, yang dapat menyebabkan masalah seperti halusinasi. Pendekatan ReAct (penalaran dan tindakan) mengatasi kesenjangan ini dengan memperluas CoT dan memungkinkan penalaran dinamis menggunakan lingkungan eksternal (seperti Wikipedia).
integrasi
FM memiliki kemampuan untuk memahami pertanyaan dan memberikan jawaban menggunakan pengetahuan mereka yang telah dilatih sebelumnya. Namun, mereka tidak memiliki kapasitas untuk menanggapi pertanyaan yang memerlukan akses ke data pribadi organisasi atau kemampuan untuk melaksanakan tugas secara mandiri. RAG dan agen adalah metode untuk menghubungkan aplikasi generatif yang didukung AI ini ke kumpulan data perusahaan, memberdayakan mereka untuk memberikan respons yang memperhitungkan informasi organisasi dan memungkinkan tindakan yang berjalan berdasarkan permintaan.
Pengambilan Augmented Generation
Retrieval Augmented Generation (RAG) memungkinkan Anda menyesuaikan respons model saat Anda ingin model mempertimbangkan pengetahuan baru atau informasi terkini. Jika data Anda sering berubah, seperti inventaris atau harga, tidak praktis untuk menyempurnakan dan memperbarui model saat model sedang melayani kueri pengguna. Untuk melengkapi FM dengan informasi kepemilikan terkini, organisasi beralih ke RAG, sebuah teknik yang melibatkan pengambilan data dari sumber data perusahaan dan memperkaya informasi dengan data tersebut untuk memberikan respons yang lebih relevan dan akurat.
Ada beberapa kasus penggunaan dimana RAG dapat membantu meningkatkan kinerja FM:
- Menjawab pertanyaan โ Model RAG membantu aplikasi penjawab pertanyaan menemukan dan mengintegrasikan informasi dari dokumen atau sumber pengetahuan untuk menghasilkan jawaban berkualitas tinggi. Misalnya, aplikasi penjawab pertanyaan dapat mengambil bagian tentang suatu topik sebelum menghasilkan jawaban yang diringkas.
- Chatbots dan agen percakapan โ RAG memungkinkan chatbot mengakses informasi relevan dari sumber pengetahuan eksternal yang besar. Hal ini membuat respons chatbot lebih berpengetahuan dan alami.
- Bantuan menulis โ RAG dapat menyarankan konten, fakta, dan pokok pembicaraan yang relevan untuk membantu Anda menulis dokumen seperti artikel, laporan, dan email dengan lebih efisien. Informasi yang diambil memberikan konteks dan ide yang berguna.
- Peringkasan โ RAG dapat menemukan dokumen sumber, bagian, atau fakta yang relevan untuk menambah pemahaman model peringkasan terhadap suatu topik, sehingga memungkinkannya menghasilkan ringkasan yang lebih baik.
- Menulis kreatif dan bercerita โ RAG dapat menarik ide plot, karakter, latar, dan elemen kreatif dari cerita yang ada untuk menginspirasi model pembuatan cerita AI. Hal ini membuat keluarannya lebih menarik dan membumi.
- Terjemahan โ RAG dapat menemukan contoh bagaimana frasa tertentu diterjemahkan antarbahasa. Hal ini memberikan konteks pada model penerjemahan, sehingga meningkatkan penerjemahan frasa yang ambigu.
- Personalisasi โ Dalam chatbots dan aplikasi rekomendasi, RAG dapat menarik konteks pribadi seperti percakapan masa lalu, informasi profil, dan preferensi untuk membuat respons lebih personal dan relevan.
Ada beberapa keuntungan menggunakan framework RAG:
- Mengurangi halusinasi โ Mengambil informasi yang relevan membantu mendasarkan teks yang dihasilkan pada fakta dan pengetahuan dunia nyata, dibandingkan teks yang berhalusinasi. Hal ini mendorong tanggapan yang lebih akurat, faktual, dan dapat dipercaya.
- Liputan โ Pengambilan memungkinkan FM untuk mencakup topik dan skenario yang lebih luas di luar data pelatihannya dengan menarik informasi eksternal. Hal ini membantu mengatasi masalah cakupan yang terbatas.
- Efisiensi โ Pengambilan memungkinkan model memfokuskan pembuatannya pada informasi yang paling relevan, dibandingkan menghasilkan semuanya dari awal. Hal ini meningkatkan efisiensi dan memungkinkan penggunaan konteks yang lebih luas.
- Safety/keselamatan โ Mengambil informasi dari sumber data yang diwajibkan dan diizinkan dapat meningkatkan tata kelola dan kontrol terhadap pembuatan konten yang berbahaya dan tidak akurat. Hal ini mendukung adopsi yang lebih aman.
- Skalabilitas โ Pengindeksan dan pengambilan dari korpus besar memungkinkan pendekatan ini melakukan penskalaan yang lebih baik dibandingkan dengan menggunakan korpus penuh selama pembuatan. Hal ini memungkinkan Anda untuk mengadopsi FM di lingkungan dengan sumber daya terbatas.
RAG menghasilkan hasil yang berkualitas, karena menambah konteks spesifik kasus penggunaan langsung dari penyimpanan data yang divektorkan. Dibandingkan dengan rekayasa cepat, ini memberikan hasil yang jauh lebih baik dengan kemungkinan halusinasi yang sangat rendah. Anda dapat membangun aplikasi yang didukung RAG pada data perusahaan Anda menggunakan AmazonKendra. RAG memiliki kompleksitas yang lebih tinggi daripada rekayasa cepat karena Anda harus memiliki keterampilan pengkodean dan arsitektur untuk mengimplementasikan solusi ini. Namun, Basis Pengetahuan untuk Amazon Bedrock memberikan pengalaman RAG yang terkelola sepenuhnya dan cara paling mudah untuk memulai RAG di Amazon Bedrock. Basis Pengetahuan untuk Amazon Bedrock mengotomatiskan alur kerja RAG end-to-end, termasuk penyerapan, pengambilan, dan augmentasi cepat, sehingga Anda tidak perlu menulis kode khusus untuk mengintegrasikan sumber data dan mengelola kueri. Manajemen konteks sesi sudah terpasang sehingga aplikasi Anda dapat mendukung percakapan multi-turn. Respons basis pengetahuan dilengkapi dengan kutipan sumber untuk meningkatkan transparansi dan meminimalkan halusinasi. Cara paling mudah untuk membuat asisten bertenaga AI generatif adalah dengan menggunakan Amazon Q, yang memiliki sistem RAG bawaan.
RAG memiliki tingkat fleksibilitas tertinggi dalam hal perubahan arsitektur. Anda dapat mengubah model penyematan, penyimpanan vektor, dan FM secara mandiri dengan dampak minimal hingga sedang pada komponen lainnya. Untuk mempelajari lebih lanjut tentang pendekatan RAG dengan Layanan Pencarian Terbuka Amazon dan Amazon Bedrock, lihat Bangun alur kerja RAG yang dapat diskalakan dan tanpa server dengan mesin vektor untuk model Amazon OpenSearch Tanpa Server dan Amazon Bedrock Claude. Untuk mempelajari tentang cara mengimplementasikan RAG dengan Amazon Kendra, lihat Memanfaatkan kekuatan data perusahaan dengan AI generatif: Wawasan dari Amazon Kendra, LangChain, dan model bahasa besar.
Agen
FM dapat memahami dan menanggapi pertanyaan berdasarkan pengetahuan mereka yang telah dilatih sebelumnya. Namun, mereka tidak dapat menyelesaikan tugas apa pun di dunia nyata, seperti memesan penerbangan atau memproses pesanan pembelian, sendiri. Hal ini karena tugas tersebut memerlukan data dan alur kerja khusus organisasi yang biasanya memerlukan pemrograman khusus. Kerangka kerja seperti LangChain dan FM tertentu seperti model Claude menyediakan kemampuan pemanggilan fungsi untuk berinteraksi dengan API dan alat. Namun, Agen untuk Amazon Bedrock, kemampuan AI baru dan terkelola sepenuhnya dari AWS, bertujuan untuk mempermudah pengembang dalam membangun aplikasi menggunakan FM generasi berikutnya. Hanya dengan beberapa klik, secara otomatis dapat memecah tugas dan menghasilkan logika orkestrasi yang diperlukan, tanpa memerlukan pengkodean manual. Agen dapat terhubung dengan aman ke database perusahaan melalui API, menyerap dan menyusun data untuk konsumsi mesin, dan melengkapinya dengan detail kontekstual untuk menghasilkan respons yang lebih akurat dan memenuhi permintaan. Karena menangani integrasi dan infrastruktur, Agen untuk Amazon Bedrock memungkinkan Anda memanfaatkan AI generatif sepenuhnya untuk kasus penggunaan bisnis. Pengembang sekarang dapat fokus pada aplikasi inti mereka daripada pipa ledeng rutin. Pemrosesan data otomatis dan panggilan API juga memungkinkan FM memberikan jawaban yang diperbarui dan disesuaikan serta melakukan tugas aktual dengan menggunakan pengetahuan kepemilikan.
Kustomisasi model
Model fondasi sangat mumpuni dan memungkinkan beberapa aplikasi hebat, namun yang akan membantu mendorong bisnis Anda adalah AI generatif yang mengetahui apa yang penting bagi pelanggan, produk, dan perusahaan Anda. Dan itu hanya mungkin terjadi jika Anda melengkapi model dengan data Anda. Data adalah kunci untuk beralih dari aplikasi generik ke aplikasi AI generatif khusus yang menciptakan nilai nyata bagi pelanggan dan bisnis Anda.
Di bagian ini, kami membahas berbagai teknik dan manfaat menyesuaikan FM Anda. Kami membahas bagaimana penyesuaian model melibatkan pelatihan lebih lanjut dan mengubah bobot model untuk meningkatkan kinerjanya.
Mencari setelan
Penyempurnaan adalah proses mengambil FM yang telah dilatih sebelumnya, seperti Llama 2, dan melatihnya lebih lanjut pada tugas hilir dengan kumpulan data khusus untuk tugas tersebut. Model terlatih memberikan pengetahuan linguistik umum, dan penyesuaian memungkinkannya mengkhususkan dan meningkatkan performa pada tugas tertentu seperti klasifikasi teks, menjawab pertanyaan, atau pembuatan teks. Dengan penyesuaian, Anda menyediakan kumpulan data berlabelโyang dianotasi dengan konteks tambahanโuntuk melatih model pada tugas tertentu. Anda kemudian dapat menyesuaikan parameter model untuk tugas tertentu berdasarkan konteks bisnis Anda.
Anda dapat menerapkan penyesuaian pada FM dengan Mulai Lompatan Amazon SageMaker dan Batuan Dasar Amazon. Untuk lebih jelasnya, lihat Terapkan dan sempurnakan model fondasi di Amazon SageMaker JumpStart dengan dua baris kode dan Sesuaikan model di Amazon Bedrock dengan data Anda sendiri menggunakan penyesuaian dan pra-pelatihan lanjutan.
Pra-pelatihan lanjutan
Pra-pelatihan lanjutan di Amazon Bedrock memungkinkan Anda mengajarkan model yang telah dilatih sebelumnya tentang data tambahan yang serupa dengan data aslinya. Hal ini memungkinkan model untuk memperoleh pengetahuan linguistik yang lebih umum daripada fokus pada satu aplikasi. Dengan pra-pelatihan yang berkelanjutan, Anda dapat menggunakan kumpulan data yang tidak berlabel, atau data mentah, untuk meningkatkan akurasi model dasar untuk domain Anda melalui penyesuaian parameter model. Misalnya, sebuah perusahaan layanan kesehatan dapat terus melatih modelnya menggunakan jurnal medis, artikel, dan makalah penelitian agar lebih memahami terminologi industri. Untuk lebih jelasnya, lihat Pengalaman Pengembang Batuan Dasar Amazon.
Manfaat penyesuaian model
Kustomisasi model memiliki beberapa keuntungan dan dapat membantu organisasi dalam hal berikut:
- Adaptasi khusus domain โ Anda dapat menggunakan FM tujuan umum, dan kemudian melatihnya lebih lanjut pada data dari domain tertentu (seperti biomedis, hukum, atau keuangan). Ini menyesuaikan model dengan kosakata, gaya, dan sebagainya pada domain tersebut.
- Penyempurnaan khusus tugas โ Anda dapat menggunakan FM terlatih dan menyempurnakannya pada data untuk tugas tertentu (seperti analisis sentimen atau menjawab pertanyaan). Ini mengkhususkan model untuk tugas tertentu.
- Personalisasi โ Anda dapat menyesuaikan FM pada data individu (email, teks, dokumen yang mereka tulis) untuk menyesuaikan model dengan gaya unik mereka. Ini dapat mengaktifkan aplikasi yang lebih personal.
- Penyetelan bahasa dengan sumber daya rendah โ Anda hanya dapat melatih ulang lapisan atas FM multibahasa pada bahasa dengan sumber daya rendah agar lebih dapat beradaptasi dengan bahasa tersebut.
- Memperbaiki kekurangan โ Jika perilaku tertentu yang tidak diinginkan ditemukan dalam suatu model, penyesuaian pada data yang sesuai dapat membantu memperbarui model untuk mengurangi kelemahan tersebut.
Penyesuaian model membantu mengatasi tantangan penerapan FM berikut:
- Adaptasi ke domain dan tugas baru โ FM yang telah dilatih sebelumnya tentang korpora teks umum sering kali perlu menyempurnakan data tugas spesifik agar dapat bekerja dengan baik pada aplikasi hilir. Penyempurnaan akan mengadaptasi model ke domain atau tugas baru yang awalnya tidak dilatih.
- Mengatasi bias โ FM mungkin menunjukkan bias dari data pelatihan aslinya. Menyesuaikan model pada data baru dapat mengurangi bias yang tidak diinginkan pada keluaran model.
- Meningkatkan efisiensi komputasi โ FM yang telah dilatih sebelumnya seringkali berukuran sangat besar dan mahal secara komputasi. Kustomisasi model dapat memperkecil ukuran model dengan memangkas parameter yang tidak penting, sehingga penerapan lebih layak dilakukan.
- Berurusan dengan data target yang terbatas โ Dalam beberapa kasus, data dunia nyata yang tersedia untuk tugas target terbatas. Penyesuaian model menggunakan bobot terlatih yang dipelajari pada kumpulan data yang lebih besar untuk mengatasi kelangkaan data ini.
- Meningkatkan kinerja tugas โ Penyempurnaan hampir selalu meningkatkan kinerja pada tugas target dibandingkan dengan menggunakan beban asli yang telah dilatih sebelumnya. Optimalisasi model untuk tujuan penggunaannya memungkinkan Anda menerapkan FM dengan sukses dalam aplikasi nyata.
Penyesuaian model memiliki kompleksitas yang lebih tinggi dibandingkan rekayasa cepat dan RAG karena bobot dan parameter model diubah melalui skrip penyetelan, yang memerlukan ilmu data dan keahlian ML. Namun, Amazon Bedrock mempermudahnya dengan memberi Anda pengalaman terkelola untuk menyesuaikan model mencari setelan or melanjutkan pra-pelatihan. Kustomisasi model memberikan hasil yang sangat akurat dengan kualitas keluaran yang sebanding dibandingkan RAG. Karena Anda memperbarui bobot model pada data khusus domain, model tersebut menghasilkan respons yang lebih kontekstual. Dibandingkan dengan RAG, kualitasnya mungkin sedikit lebih baik tergantung pada kasus penggunaannya. Oleh karena itu, penting untuk melakukan analisis trade-off antara kedua teknik tersebut. Anda berpotensi dapat mengimplementasikan RAG dengan model yang disesuaikan.
Pelatihan ulang atau pelatihan dari awal
Membangun model AI dasar Anda sendiri, bukan hanya menggunakan model publik yang telah dilatih sebelumnya, akan memungkinkan kontrol yang lebih besar, peningkatan performa, dan penyesuaian pada kasus penggunaan dan data spesifik organisasi Anda. Berinvestasi dalam menciptakan FM yang disesuaikan dapat memberikan kemampuan beradaptasi, peningkatan, dan kontrol yang lebih baik atas kemampuan. Pelatihan terdistribusi memungkinkan skalabilitas yang diperlukan untuk melatih FM yang sangat besar pada kumpulan data yang sangat besar di banyak mesin. Paralelisasi ini membuat model dengan ratusan miliar parameter yang dilatih pada triliunan token menjadi layak dilakukan. Model yang lebih besar memiliki kapasitas lebih besar untuk belajar dan menggeneralisasi.
Pelatihan dari awal dapat memberikan hasil berkualitas tinggi karena model melatih data spesifik kasus penggunaan dari awal, kemungkinan halusinasi jarang terjadi, dan keakuratan keluaran termasuk yang tertinggi. Namun, jika kumpulan data Anda terus berkembang, Anda masih bisa mengalami masalah halusinasi. Pelatihan dari awal memiliki kompleksitas dan biaya implementasi tertinggi. Hal ini memerlukan upaya paling besar karena memerlukan pengumpulan data dalam jumlah besar, kurasi dan pemrosesan, serta pelatihan FM yang cukup besar, yang memerlukan ilmu data yang mendalam dan keahlian ML. Pendekatan ini memakan waktu (biasanya memakan waktu berminggu-minggu hingga berbulan-bulan).
Anda harus mempertimbangkan untuk melatih FM dari awal ketika tidak ada pendekatan lain yang berhasil untuk Anda, dan Anda memiliki kemampuan untuk membangun FM dengan sejumlah besar data token yang dikurasi dengan baik, anggaran yang canggih, dan tim yang terdiri dari pakar ML yang sangat terampil . AWS menyediakan infrastruktur cloud tercanggih untuk melatih dan menjalankan LLM dan FM lainnya yang didukung oleh GPU dan chip pelatihan ML yang dibuat khusus, Pelatihan AWS, dan akselerator inferensi ML, Inferensi AWS. Untuk detail lebih lanjut tentang pelatihan LLM di SageMaker, lihat Melatih model bahasa besar di Amazon SageMaker: Praktik terbaik dan SageMaker HyperPod.
Memilih pendekatan yang tepat untuk mengembangkan aplikasi AI generatif
Saat mengembangkan aplikasi AI generatif, organisasi harus mempertimbangkan beberapa faktor utama dengan cermat sebelum memilih model yang paling sesuai untuk memenuhi kebutuhan mereka. Berbagai aspek harus dipertimbangkan, seperti biaya (untuk memastikan model yang dipilih selaras dengan batasan anggaran), kualitas (untuk memberikan keluaran yang koheren dan akurat secara faktual), integrasi yang lancar dengan platform dan alur kerja perusahaan saat ini, dan mengurangi halusinasi atau menghasilkan informasi palsu. . Dengan banyaknya pilihan yang tersedia, meluangkan waktu untuk mengevaluasi aspek-aspek ini secara menyeluruh akan membantu organisasi memilih model AI generatif yang paling sesuai dengan kebutuhan dan prioritas spesifik mereka. Anda harus memeriksa faktor-faktor berikut dengan cermat:
- Integrasi dengan sistem perusahaan โ Agar FM benar-benar berguna dalam konteks perusahaan, mereka perlu berintegrasi dan berinteroperasi dengan sistem bisnis dan alur kerja yang ada. Hal ini dapat melibatkan akses data dari database, perencanaan sumber daya perusahaan (ERP), dan manajemen hubungan pelanggan (CRM), serta memicu tindakan dan alur kerja. Tanpa integrasi yang tepat, FM berisiko menjadi alat yang terisolasi. Sistem perusahaan seperti ERP berisi data bisnis utama (pelanggan, produk, pesanan). FM perlu terhubung ke sistem ini untuk menggunakan data perusahaan daripada menggunakan grafik pengetahuannya sendiri, yang mungkin tidak akurat atau ketinggalan jaman. Hal ini memastikan keakuratan dan satu sumber kebenaran.
- Halusinasi โ Halusinasi adalah ketika aplikasi AI menghasilkan informasi palsu yang tampak faktual. Hal ini perlu ditangani secara hati-hati sebelum FM diadopsi secara luas. Misalnya, chatbot medis yang dirancang untuk memberikan saran diagnosis dapat berhalusinasi secara detail tentang gejala atau riwayat kesehatan pasien, sehingga menyebabkan diagnosis yang tidak akurat. Mencegah halusinasi berbahaya seperti ini melalui solusi teknis dan kurasi kumpulan data sangat penting untuk memastikan FM dapat dipercaya untuk aplikasi sensitif seperti layanan kesehatan, keuangan, dan hukum. Pengujian menyeluruh dan transparansi tentang data pelatihan FM dan kelemahan yang tersisa perlu menyertai penerapannya.
- Keterampilan dan sumber daya โ Keberhasilan penerapan FM akan sangat bergantung pada keterampilan dan sumber daya yang tepat untuk menggunakan teknologi tersebut secara efektif. Organisasi membutuhkan karyawan dengan keterampilan teknis yang kuat untuk menerapkan, menyesuaikan, dan memelihara FM dengan benar agar sesuai dengan kebutuhan spesifik mereka. Mereka juga memerlukan sumber daya komputasi yang besar seperti perangkat keras canggih dan kemampuan komputasi awan untuk menjalankan FM yang kompleks. Misalnya, tim pemasaran yang ingin menggunakan FM untuk menghasilkan salinan iklan dan postingan media sosial memerlukan insinyur yang terampil untuk mengintegrasikan sistem, tenaga kreatif untuk memberikan petunjuk dan menilai kualitas keluaran, dan kekuatan komputasi awan yang memadai untuk menerapkan model dengan biaya yang efektif. Berinvestasi dalam pengembangan keahlian dan infrastruktur teknis akan memungkinkan organisasi memperoleh nilai bisnis nyata dari penerapan FM.
- Kualitas keluaran โ Kualitas keluaran yang dihasilkan oleh FM akan sangat penting dalam menentukan adopsi dan penggunaannya, khususnya dalam aplikasi yang berhubungan dengan konsumen seperti chatbots. Jika chatbot yang didukung oleh FM memberikan tanggapan yang tidak akurat, tidak masuk akal, atau tidak pantas, pengguna akan cepat frustrasi dan berhenti berinteraksi dengan mereka. Oleh karena itu, perusahaan yang ingin menerapkan chatbot perlu menguji secara ketat FM yang mendorongnya untuk memastikan FM secara konsisten menghasilkan respons berkualitas tinggi yang bermanfaat, relevan, dan sesuai untuk memberikan pengalaman pengguna yang baik. Kualitas keluaran mencakup faktor-faktor seperti relevansi, akurasi, koherensi, dan kesesuaian, yang semuanya berkontribusi terhadap kepuasan pengguna secara keseluruhan dan akan menentukan keberhasilan atau kegagalan penerapan FM seperti yang digunakan pada chatbots.
- Biaya โ Daya komputasi tinggi yang diperlukan untuk melatih dan menjalankan model AI besar seperti FM dapat menimbulkan biaya yang besar. Banyak organisasi mungkin kekurangan sumber daya keuangan atau infrastruktur cloud yang diperlukan untuk menggunakan model sebesar itu. Selain itu, mengintegrasikan dan menyesuaikan FM untuk kasus penggunaan tertentu menambah biaya teknis. Biaya besar yang diperlukan untuk menggunakan FM dapat menghalangi penerapannya secara luas, terutama di kalangan perusahaan kecil dan startup dengan anggaran terbatas. Mengevaluasi potensi laba atas investasi dan mempertimbangkan biaya vs. manfaat FM sangat penting bagi organisasi dalam mempertimbangkan penerapan dan kegunaannya. Efisiensi biaya kemungkinan besar akan menjadi faktor penentu dalam menentukan apakah dan bagaimana model yang kuat namun intensif sumber daya ini dapat diterapkan.
Keputusan desain
Seperti yang kami bahas di postingan ini, banyak teknik AI berbeda yang saat ini tersedia, seperti rekayasa cepat, RAG, dan penyesuaian model. Beragamnya pilihan ini menyulitkan perusahaan untuk menentukan pendekatan optimal untuk kasus penggunaan khusus mereka. Pemilihan rangkaian teknik yang tepat bergantung pada berbagai faktor, termasuk akses ke sumber data eksternal, umpan data real-time, dan kekhususan domain dari aplikasi yang dimaksud. Untuk membantu mengidentifikasi teknik yang paling sesuai berdasarkan kasus penggunaan dan pertimbangan yang terlibat, kami menelusuri diagram alur berikut, yang menguraikan rekomendasi untuk mencocokkan kebutuhan dan kendala spesifik dengan metode yang tepat.
Untuk mendapatkan pemahaman yang jelas, mari kita lihat diagram alur keputusan desain menggunakan beberapa contoh ilustratif:
- Pencarian perusahaan โ Seorang karyawan ingin meminta cuti dari organisasinya. Untuk memberikan respons yang selaras dengan kebijakan SDM organisasi, FM memerlukan lebih banyak konteks di luar pengetahuan dan kemampuannya. Secara khusus, FM memerlukan akses ke sumber data eksternal yang memberikan pedoman dan kebijakan SDM yang relevan. Mengingat skenario permintaan karyawan yang memerlukan rujukan ke data khusus domain eksternal, pendekatan yang disarankan menurut diagram alur adalah rekayasa cepat dengan RAG. RAG akan membantu menyediakan data yang relevan dari sumber data eksternal sesuai konteks FM.
- Pencarian perusahaan dengan keluaran spesifik organisasi โ Misalkan Anda memiliki gambar teknik dan ingin mengekstrak bill of material dari gambar tersebut, memformat output sesuai dengan standar industri. Untuk melakukan ini, Anda dapat menggunakan teknik yang menggabungkan rekayasa cepat dengan RAG dan model bahasa yang disempurnakan. Model yang telah disempurnakan akan dilatih untuk menghasilkan bill of material ketika diberikan gambar teknik sebagai masukan. RAG membantu menemukan gambar teknik yang paling relevan dari sumber data organisasi untuk dimasukkan dalam konteks FM. Secara keseluruhan, pendekatan ini mengekstraksi tagihan material dari gambar teknik dan menyusun keluarannya dengan tepat untuk domain teknik.
- Pencarian umum โ Bayangkan Anda ingin mencari identitas Presiden Amerika Serikat ke-30. Anda dapat menggunakan teknik cepat untuk mendapatkan jawaban dari FM. Karena model ini dilatih pada banyak sumber data, model ini sering kali dapat memberikan respons akurat terhadap pertanyaan faktual seperti ini.
- Pencarian umum dengan kejadian terkini โ Jika Anda ingin menentukan harga saham Amazon saat ini, Anda dapat menggunakan pendekatan rekayasa cepat dengan agen. Agen akan memberikan FM harga saham terkini sehingga dapat menghasilkan respon faktual.
Kesimpulan
AI Generatif menawarkan potensi luar biasa bagi organisasi untuk mendorong inovasi dan produktivitas di berbagai aplikasi. Namun, keberhasilan penerapan teknologi AI yang baru ini memerlukan pertimbangan utama seputar integrasi, kualitas keluaran, keterampilan, biaya, dan potensi risiko seperti halusinasi berbahaya atau kerentanan keamanan. Organisasi perlu mengambil pendekatan sistematis untuk mengevaluasi persyaratan dan batasan kasus penggunaan mereka untuk menentukan teknik yang paling tepat untuk mengadaptasi dan menerapkan FM. Seperti yang disorot dalam postingan ini, metode rekayasa cepat, RAG, dan penyesuaian model yang efisien masing-masing memiliki kekuatan dan kelemahannya sendiri yang sesuai dengan skenario yang berbeda. Dengan memetakan kebutuhan bisnis terhadap kemampuan AI menggunakan kerangka terstruktur, organisasi dapat mengatasi hambatan dalam implementasi dan mulai menyadari manfaat dari FM sekaligus membangun pagar pembatas untuk mengelola risiko. Dengan perencanaan yang matang dan didasarkan pada contoh-contoh di dunia nyata, bisnis di setiap industri dapat memperoleh manfaat besar dari gelombang baru AI generatif ini. Belajar tentang AI generatif di AWS.
Tentang Penulis
Jay Rao adalah Arsitek Solusi Utama di AWS. Dia berfokus pada teknologi AI/ML dengan minat yang besar pada AI Generatif dan Computer Vision. Di AWS, dia senang memberikan panduan teknis dan strategis kepada pelanggan serta membantu mereka merancang dan menerapkan solusi yang mendorong hasil bisnis. Dia adalah seorang penulis buku (Computer Vision on AWS), secara teratur menerbitkan blog dan contoh kode, dan telah menyampaikan ceramah di konferensi teknologi seperti AWS re:Invent.
Babu Kariyaden Parambath adalah Spesialis Senior AI/ML di AWS. Di AWS, dia senang bekerja dengan pelanggan dalam membantu mereka mengidentifikasi kasus penggunaan bisnis yang tepat dengan nilai bisnis dan menyelesaikannya menggunakan solusi dan layanan AWS AI/ML. Sebelum bergabung dengan AWS, Babu adalah seorang penginjil AI dengan 20 tahun pengalaman industri yang beragam dalam memberikan nilai bisnis berbasis AI bagi pelanggan.
- 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/best-practices-to-build-generative-ai-applications-on-aws/
- :memiliki
- :adalah
- :bukan
- :Di mana
- 1
- 100
- 116
- 20
- 20 tahun
- 2017
- 2022
- 30th
- 7
- a
- kemampuan
- Sanggup
- Tentang Kami
- akselerator
- mengakses
- mengakses
- menemani
- Menurut
- Akun
- ketepatan
- tepat
- akurat
- Mencapai
- di seluruh
- akting
- tindakan
- sebenarnya
- menyesuaikan
- adaptasi
- beradaptasi
- beradaptasi
- menambahkan
- Tambahan
- Selain itu
- alamat
- dialamatkan
- alamat
- menangani
- Menambahkan
- cukup
- mengambil
- diadopsi
- Mengadopsi
- Adopsi
- maju
- kemajuan
- keuntungan
- pengiklanan
- Agen
- agen
- AI
- Model AI
- ai penelitian
- Bertenaga AI
- AI / ML
- Membantu
- bertujuan
- AL
- meluruskan
- selaras
- Rata
- Semua
- mengizinkan
- Membiarkan
- memungkinkan
- hampir
- sendirian
- juga
- Meskipun
- selalu
- Amazon
- AmazonKendra
- Amazon SageMaker
- Mulai Lompatan Amazon SageMaker
- Amazon Web Services
- antara
- diantara
- jumlah
- an
- analisis
- dan
- dan infrastruktur
- menjawab
- menjawab
- jawaban
- Antropik
- Apa pun
- api
- Lebah
- aplikasi
- muncul
- Aplikasi
- aplikasi
- Menerapkan
- pendekatan
- pendekatan
- sesuai
- tepat
- arsitektur
- ADALAH
- timbul
- sekitar
- artikel
- AS
- aspek
- menilai
- Asisten
- terkait
- At
- menambah
- ditambah
- penulis
- Otomatis
- mengotomatiskan
- secara otomatis
- secara mandiri
- tersedia
- AWS
- AWS re: Temukan
- mendasarkan
- berdasarkan
- BE
- karena
- menjadi
- sebelum
- mulai
- laku
- perilaku
- makhluk
- patokan
- Manfaat
- TERBAIK
- Praktik Terbaik
- Lebih baik
- antara
- Luar
- bias
- tagihan
- miliaran
- Uang kertas
- biomedis
- blog
- Book
- pemesanan
- mendorong
- kedua
- merek
- Istirahat
- Melanggar
- istirahat
- luas
- lebih luas
- anggaran belanja
- Anggaran
- membangun
- Bangunan
- dibangun di
- built-in
- bisnis
- bisnis
- tapi
- by
- panggilan
- CAN
- Bisa Dapatkan
- kemampuan
- kemampuan
- mampu
- Kapasitas
- hati-hati
- membawa
- kasus
- kasus
- tertentu
- menantang
- tantangan
- menantang
- kesempatan
- perubahan
- berubah
- Perubahan
- mengubah
- karakter
- Grafik
- ChatBot
- chatbots
- keping
- pilihan
- pilihan
- Pilih
- klasifikasi
- Pembersihan
- jelas
- rapat
- awan
- komputasi awan
- infrastruktur cloud
- kode
- Pengkodean
- KOHEREN
- Mengumpulkan
- menggabungkan
- menggabungkan
- bagaimana
- datang
- Umum
- Perusahaan
- perusahaan
- Perusahaan
- sebanding
- dibandingkan
- lengkap
- kompleks
- kompleksitas
- pemenuhan
- komponen
- memahami
- komputasi
- kekuatan komputasi
- secara komputasi
- menghitung
- komputer
- Visi Komputer
- komputasi
- daya komputasi
- Mengadakan
- konferensi
- Terhubung
- terhubung
- Konektivitas
- Mempertimbangkan
- besar
- pertimbangan
- dianggap
- mengingat
- secara konsisten
- konsul
- terus-menerus
- kendala
- konsumsi
- mengandung
- Konten
- Pembuatan Konten
- konteks
- Konteks
- kontekstual
- terus
- terus
- menyumbang
- kontrol
- percakapan
- percakapan
- salinan
- Core
- Biaya
- Biaya
- bisa
- menutupi
- liputan
- tercakup
- membuat
- membuat
- Kreatif
- materi iklan
- kritis
- CRM
- sangat penting
- kurasi
- kurasi
- terbaru
- Sekarang
- adat
- pelanggan
- pengalaman pelanggan
- pelanggan
- kustomisasi
- menyesuaikan
- disesuaikan
- data
- privasi data
- Privasi dan Keamanan Data
- pengolahan data
- ilmu data
- database
- kumpulan data
- berurusan
- Memutuskan
- keputusan
- mendalam
- Derajat
- menyampaikan
- disampaikan
- mengantarkan
- Permintaan
- mendemonstrasikan
- tergantung
- Tergantung
- tergantung
- menyebarkan
- dikerahkan
- penyebaran
- penyebaran
- Mendesain
- dirancang
- merancang
- diinginkan
- rincian
- Menentukan
- menentukan
- mengembangkan
- Pengembang
- pengembang
- berkembang
- Pengembangan
- diagnosa
- berbeda
- sulit
- langsung
- ditemukan
- membahas
- didistribusikan
- pelatihan terdistribusi
- beberapa
- do
- dokumen
- Tidak
- dolar
- domain
- domain
- turun
- Gambar
- mendorong
- didorong
- dua
- selama
- dinamis
- E&T
- setiap
- mudah
- Efektif
- efektif
- efisiensi
- efisien
- efisien
- usaha
- elemen
- berhak
- menghilangkan
- embedding
- munculnya
- muncul
- Karyawan
- karyawan
- memberdayakan
- aktif
- memungkinkan
- memungkinkan
- meliputi
- mengenkripsi
- terenkripsi
- akhir
- ujung ke ujung
- menarik
- Mesin
- Teknik
- Insinyur
- mempertinggi
- memperkaya
- memastikan
- Memastikan
- memastikan
- Enterprise
- entitas
- entitas
- Lingkungan Hidup
- lingkungan
- melengkapi
- ERP
- terutama
- menetapkan
- mengevaluasi
- mengevaluasi
- Pengabar Injil
- Setiap
- segala sesuatu
- berkembang
- memeriksa
- contoh
- contoh
- menarik
- menunjukkan
- ada
- biaya
- mahal
- pengalaman
- eksperimen
- ahli
- keahlian
- ahli
- menyelidiki
- memperpanjang
- luar
- ekstrak
- Ekstrak
- sangat
- Menghadapi
- faktor
- faktor
- fakta
- GAGAL
- hampir
- Jatuh
- palsu
- layak
- beberapa
- keuangan
- keuangan
- Menemukan
- Temuan
- lima
- kekurangan
- keluwesan
- penerbangan
- aliran
- Fokus
- berfokus
- berikut
- Untuk
- Prinsip Dasar
- dasar
- Kerangka
- kerangka
- sering
- dari
- frustrasi
- Memenuhi
- penuh
- sepenuhnya
- lebih lanjut
- Mendapatkan
- celah
- mengumpulkan
- GDPR
- Umum
- tujuan umum
- menghasilkan
- dihasilkan
- menghasilkan
- menghasilkan
- generasi
- generatif
- AI generatif
- mendapatkan
- Memberikan
- diberikan
- Go
- baik
- pemerintahan
- GPU
- grafik
- besar
- lebih besar
- Tanah
- membumi
- bimbingan
- membimbing
- pedoman
- Menangani
- Perangkat keras
- berbahaya
- memanfaatkan
- Memiliki
- memiliki
- he
- kesehatan
- berat
- membantu
- bermanfaat
- membantu
- membantu
- High
- berkinerja tinggi
- berkualitas tinggi
- lebih tinggi
- paling tinggi
- tingkatan tertinggi
- Disorot
- sangat
- sejarah
- Seterpercayaapakah Olymp Trade? Kesimpulan
- How To
- Namun
- hr
- HTML
- HTTPS
- Pusat
- Ratusan
- Lari gawang
- Penyesuaian Hyperparameter
- ide
- ide-ide
- mengenali
- mengidentifikasi
- identitas
- if
- membayangkan
- besar
- Dampak
- berdampak
- dampak
- melaksanakan
- implementasi
- penting
- memperbaiki
- ditingkatkan
- meningkatkan
- meningkatkan
- in
- tidak akurat
- Termasuk
- secara mandiri
- menunjukkan
- industri
- standar industri
- informasi
- Infrastruktur
- Innovation
- inovasi
- memasukkan
- wawasan
- mengilhami
- Lembaga
- instruksi
- mengintegrasikan
- Mengintegrasikan
- integrasi
- dimaksudkan
- berinteraksi
- bunga
- menarik
- Antarmuka
- intern
- Internet
- bekerja sama
- ke
- diperkenalkan
- inventaris
- investasi
- investasi
- melibatkan
- terlibat
- melibatkan
- terpencil
- masalah
- IT
- NYA
- bergabung
- hanya
- Tajam
- kunci
- kunci-kunci
- pengetahuan
- Pengetahuan Grafik
- tahu
- Labs
- Kekurangan
- bahasa
- Bahasa
- besar
- lebih besar
- lapisan
- memimpin
- terkemuka
- BELAJAR
- belajar
- pengetahuan
- Meninggalkan
- Informasi
- Lets
- LG
- 'like'
- Mungkin
- keterbatasan
- Terbatas
- baris
- Llama
- logika
- logis
- mencari
- Rendah
- mesin
- Mesin belajar
- Mesin
- memelihara
- membuat
- MEMBUAT
- Membuat
- mengelola
- berhasil
- pengelolaan
- panduan
- banyak
- pemetaan
- Marketing
- besar-besaran
- secara besar-besaran
- sesuai
- bahan
- Mungkin..
- Media
- medis
- Pelajari
- meta
- metode
- metode
- mungkin
- jutaan
- memperkecil
- ML
- model
- model
- bulan
- lebih
- paling
- bergerak
- harus
- Alam
- perlu
- Perlu
- dibutuhkan
- membutuhkan
- kebutuhan
- negatif
- New
- generasi selanjutnya
- None
- sekarang
- of
- lepas
- Penawaran
- sering
- on
- ONE
- hanya
- Operasi
- Peluang
- optimal
- optimasi
- Opsi
- or
- teknik mengatur musik
- urutan
- perintah
- organisasi
- organisatoris
- organisasi
- asli
- semula
- Lainnya
- di luar
- hasil
- usang
- menguraikan
- Mengungguli
- keluaran
- output
- lebih
- secara keseluruhan
- Mengatasi
- ikhtisar
- sendiri
- pasang
- dokumen
- parameter
- tertentu
- khususnya
- bagian
- lalu
- Melakukan
- prestasi
- pertunjukan
- pribadi
- Personalized
- frase
- potongan-potongan
- pipa saluran
- perencanaan
- Platform
- plato
- Kecerdasan Data Plato
- Data Plato
- alur
- poin
- Kebijakan
- Populer
- mungkin
- Pos
- Posts
- potensi
- berpotensi
- kekuasaan
- didukung
- kuat
- Praktis
- praktek
- praktek
- mendahului
- preferensi
- presiden
- mencegah
- sebelumnya
- harga pompa cor beton mini
- di harga
- Utama
- Sebelumnya
- pribadi
- Keamanan dan Privasi
- swasta
- Masalah
- masalah
- proses
- pengolahan
- menghasilkan
- Diproduksi
- menghasilkan
- produktifitas
- Produk
- Profil
- Pemrograman
- mempromosikan
- meminta
- tepat
- tepat
- mengusulkan
- hak milik
- memberikan
- penyedia
- menyediakan
- menyediakan
- publik
- diterbitkan
- Terbit
- menarik
- membeli
- pesanan pembelian
- kualitas
- query
- pertanyaan
- Pertanyaan
- segera
- lap
- jarak
- cepat
- cepat
- LANGKA
- agak
- Mentah
- RE
- Bereaksi
- nyata
- nilai sesungguhnya
- dunia nyata
- real-time
- data waktu nyata
- mewujudkan
- baru
- pengakuan
- Rekomendasi
- rekomendasi
- direkomendasikan
- menurunkan
- mengurangi
- lihat
- secara teratur
- hubungan
- relevansi
- relevan
- mengandalkan
- yang tersisa
- luar biasa
- laporan
- reputasi
- permintaan
- permintaan
- membutuhkan
- wajib
- Persyaratan
- membutuhkan
- syarat
- penelitian
- sumber
- intensif sumber daya
- Sumber
- Menanggapi
- tanggapan
- tanggapan
- ISTIRAHAT
- Hasil
- pengambilan
- kembali
- pendapatan
- Review
- benar
- risiko
- rutin
- Run
- berjalan
- lebih aman
- pembuat bijak
- sama
- kepuasan
- Skalabilitas
- terukur
- Skala
- Kelangkaan
- skenario
- skenario
- Ilmu
- ilmuwan
- menggaruk
- script
- mulus
- Pencarian
- Bagian
- aman
- keamanan
- risiko keamanan
- terpilih
- memilih
- seleksi
- senior
- peka
- sentimen
- perasaan
- Tanpa Server
- melayani
- layanan
- Layanan
- porsi
- Sidang
- set
- set
- pengaturan
- beberapa
- Bentuknya
- berbagi
- Pendek
- harus
- Pertunjukkan
- penting
- signifikan
- mirip
- Sederhana
- tunggal
- terampil
- keterampilan
- lebih kecil
- So
- Sosial
- media sosial
- Posting Media Sosial
- semata-mata
- padat
- larutan
- Solusi
- MEMECAHKAN
- Memecahkan
- beberapa
- mutakhir
- sumber
- sumber
- spesialis
- mengkhususkan
- khusus
- spesialisasi
- tertentu
- Secara khusus
- kekhususan
- Stabilitas
- berdiri
- standar
- awal
- mulai
- Startups
- Negara
- Langkah
- Tangga
- Masih
- saham
- berhenti
- menyimpan
- toko
- cerita
- Cerita
- mudah
- Strategis
- kekuatan
- kuat
- struktur
- tersusun
- struktur
- gaya
- besar
- sukses
- berhasil
- seperti itu
- cukup
- menyarankan
- setelan
- cocok
- memperlengkapi secara keterlaluan
- menyediakan
- mendukung
- Mendukung
- yakin
- Gejala
- sistem
- sistem
- memecahkan
- disesuaikan
- Mengambil
- pengambilan
- Bakat
- pembicaraan
- Pembicaraan
- Tap
- target
- tugas
- tugas
- tim
- tech
- Teknis
- keterampilan teknis
- teknik
- teknik
- Teknologi
- Teknologi
- Inovasi Teknologi
- Template
- terminologi
- uji
- pengujian
- teks
- Klasifikasi Teks
- dari
- bahwa
- Grafik
- informasi
- mereka
- Mereka
- kemudian
- Sana.
- karena itu
- Ini
- mereka
- berpikir
- pihak ketiga
- ini
- teliti
- sepenuhnya
- itu
- ribuan
- tiga
- Melalui
- waktu
- membuang-buang waktu
- untuk
- dipatok
- Token
- alat
- alat
- puncak
- tema
- Topik
- terhadap
- lalu lintas
- Pelatihan VE
- terlatih
- Pelatihan
- transit
- Terjemahan
- Transparansi
- dahsyat
- memicu
- triliunan
- benar-benar
- Kepercayaan
- Terpercaya
- terpercaya
- kebenaran
- menyetel
- MENGHIDUPKAN
- tweaking
- dua
- khas
- tidak mampu
- memahami
- pemahaman
- unik
- Serikat
- Amerika Serikat
- membuka kunci
- belum dimanfaatkan
- tidak diinginkan
- mutakhir
- Memperbarui
- diperbarui
- memperbarui
- upgrade
- menggunakan
- gunakan case
- bekas
- berguna
- Pengguna
- Pengguna Pengalaman
- Pengguna
- kegunaan
- menggunakan
- kegunaan
- MENGESAHKAN
- nilai
- variasi
- berbagai
- Luas
- sangat
- sangat
- melalui
- penglihatan
- visual
- vs
- Kerentanan
- berjalan
- ingin
- menginginkan
- adalah
- Gelombang
- Cara..
- we
- kelemahan
- jaringan
- layanan web
- minggu
- berat
- berat
- BAIK
- Apa
- ketika
- sedangkan
- apakah
- yang
- sementara
- lebar
- Rentang luas
- sangat
- tersebar luas
- Wikipedia
- akan
- dengan
- dalam
- tanpa
- Kerja
- alur kerja
- Alur kerja
- kerja
- akan
- menulis
- penulisan
- tertulis
- tahun
- Menghasilkan
- Kamu
- Anda
- zephyrnet.dll