Model bahasa besar (LLM) dengan pengetahuannya yang luas, dapat menghasilkan teks mirip manusia di hampir semua topik. Namun, pelatihan mereka mengenai kumpulan data besar juga membatasi kegunaannya untuk tugas-tugas khusus. Tanpa pembelajaran berkelanjutan, model-model ini tidak akan menyadari data dan tren baru yang muncul setelah pelatihan awal. Selain itu, biaya untuk melatih LLM baru terbukti menjadi penghalang bagi banyak lingkungan perusahaan. Namun, dimungkinkan untuk melakukan referensi silang jawaban model dengan konten khusus asli, sehingga menghindari kebutuhan untuk melatih model LLM baru, menggunakan Retrieval-Augmented Generation (RAG).
RAG memberdayakan LLM dengan memberi mereka kemampuan untuk mengambil dan menggabungkan pengetahuan eksternal. Daripada hanya mengandalkan pengetahuan terlatih, RAG memungkinkan model untuk mengambil data dari dokumen, database, dan banyak lagi. Model tersebut kemudian dengan terampil mengintegrasikan informasi luar ini ke dalam teks yang dihasilkannya. Dengan mencari data yang relevan dengan konteks, model ini dapat memberikan respons yang terinformasi dan terkini yang disesuaikan dengan kasus penggunaan Anda. Augmentasi pengetahuan juga mengurangi kemungkinan halusinasi dan teks yang tidak akurat atau tidak masuk akal. Dengan RAG, model dasar menjadi pakar yang mudah beradaptasi dan berkembang seiring pertumbuhan basis pengetahuan Anda.
Hari ini, kami sangat bersemangat untuk mengungkap tiga demo AI generatif, yang dilisensikan di bawah Lisensi MIT-0:
- Amazon Kendra dengan LLM dasar โ Memanfaatkan kemampuan pencarian mendalam AmazonKendra dikombinasikan dengan pengetahuan LLM yang luas. Integrasi ini memberikan jawaban yang tepat dan peka konteks terhadap pertanyaan kompleks dengan memanfaatkan beragam sumber.
- Model penyematan dengan LLM dasar โ Menggabungkan kekuatan embeddingsโsebuah teknik untuk menangkap makna semantik kata dan frasaโdengan basis pengetahuan LLM yang luas. Sinergi ini memungkinkan pemodelan topik, rekomendasi konten, dan kemampuan pencarian semantik yang lebih akurat.
- Generator Iklan Farmasi Model Dasar โ Aplikasi khusus yang dirancang untuk industri farmasi. Memanfaatkan kemampuan generatif model dasar, alat ini menciptakan iklan farmasi yang meyakinkan dan patuh, memastikan konten mematuhi standar dan peraturan industri.
Demo ini dapat diterapkan dengan lancar di akun AWS Anda, menawarkan wawasan dan panduan dasar dalam memanfaatkan layanan AWS untuk membuat bot tanya jawab AI generatif LLM yang canggih dan pembuatan konten.
Dalam postingan ini, kami mengeksplorasi bagaimana RAG yang dikombinasikan dengan Amazon Kendra atau penyematan khusus dapat mengatasi tantangan ini dan memberikan respons yang lebih baik terhadap kueri bahasa alami.
Ikhtisar solusi
Dengan mengadopsi solusi ini, Anda dapat memperoleh manfaat berikut:
- Peningkatan akses informasi โ RAG memungkinkan model untuk mengambil informasi dari sumber eksternal yang luas, yang sangat berguna ketika pengetahuan model yang telah dilatih sebelumnya sudah ketinggalan zaman atau tidak lengkap.
- Skalabilitas โ Daripada melatih model berdasarkan semua data yang tersedia, RAG memungkinkan model mengambil informasi relevan dengan cepat. Artinya, saat data baru tersedia, data tersebut dapat ditambahkan ke database pengambilan tanpa perlu melatih ulang seluruh model.
- Efisiensi memori โ LLM memerlukan memori yang signifikan untuk menyimpan parameter. Dengan RAG, modelnya bisa lebih kecil karena tidak perlu mengingat semua detail; itu dapat mengambilnya saat dibutuhkan.
- Pembaruan pengetahuan dinamis โ Tidak seperti model konvensional dengan titik akhir pengetahuan yang ditetapkan, database eksternal RAG dapat mengalami pembaruan rutin, sehingga memberikan model akses ke informasi terkini. Fungsi pengambilan dapat disesuaikan untuk tugas-tugas berbeda. Misalnya, tugas diagnostik medis dapat mengambil data dari jurnal medis, memastikan model tersebut mendapatkan wawasan yang ahli dan relevan.
- Mitigasi bias โ Kemampuan untuk mengambil data dari database yang dikurasi dengan baik menawarkan potensi untuk meminimalkan bias dengan memastikan sumber eksternal yang seimbang dan tidak memihak.
Sebelum mendalami integrasi Amazon Kendra dengan LLM dasar, penting untuk melengkapi diri Anda dengan alat dan persyaratan sistem yang diperlukan. Memiliki pengaturan yang tepat adalah langkah pertama menuju penerapan demo yang lancar.
Prasyarat
Anda harus memiliki prasyarat berikut:
Meskipun dimungkinkan untuk menyiapkan dan menerapkan infrastruktur yang dirinci dalam tutorial ini dari komputer lokal Anda, AWS Cloud9 menawarkan alternatif yang nyaman. Dilengkapi dengan alat seperti AWS CLI, AWS CDK, dan Docker, AWS Cloud9 dapat berfungsi sebagai stasiun kerja penerapan Anda. Untuk menggunakan layanan ini, cukup mengatur lingkungan melalui Konsol AWS Cloud9.
Dengan tidak adanya prasyarat, mari selami fitur dan kemampuan Amazon Kendra dengan LLM dasar.
Amazon Kendra dengan LLM dasar
Amazon Kendra adalah layanan pencarian perusahaan tingkat lanjut yang ditingkatkan dengan pembelajaran mesin (ML) yang menyediakan kemampuan pencarian semantik yang unik. Memanfaatkan pemrosesan bahasa alami (NLP), Amazon Kendra memahami konten dokumen dan maksud yang mendasari kueri pengguna, memposisikannya sebagai alat pengambilan konten untuk solusi berbasis RAG. Dengan menggunakan konten pencarian akurasi tinggi dari Kendra sebagai payload RAG, Anda bisa mendapatkan respons LLM yang lebih baik. Penggunaan Amazon Kendra dalam solusi ini juga memungkinkan pencarian yang dipersonalisasi dengan memfilter respons berdasarkan izin akses konten pengguna akhir.
Diagram berikut menunjukkan arsitektur aplikasi AI generatif menggunakan pendekatan RAG.
Dokumen diproses dan diindeks oleh Amazon Kendra melalui Layanan Penyimpanan Sederhana Amazon (Amazon S3) penyambung. Permintaan pelanggan dan data kontekstual dari Amazon Kendra diarahkan ke Batuan Dasar Amazon model pondasi. Demo ini memungkinkan Anda memilih antara model Amazon Titan, Jurassic AI21, dan model Claude Anthropic yang didukung oleh Amazon Bedrock. Riwayat percakapan disimpan di Amazon DynamoDB, menawarkan konteks tambahan bagi LLM untuk menghasilkan tanggapan.
Kami telah menyediakan demo ini di GitHub repo. Lihat instruksi penerapan dalam file readme untuk menerapkannya ke akun AWS Anda.
Langkah-langkah berikut menguraikan proses saat pengguna berinteraksi dengan aplikasi AI generatif:
- Pengguna masuk ke aplikasi web yang diautentikasi oleh Amazon Kognito.
- Pengguna mengunggah satu atau lebih dokumen ke Amazon S3.
- Pengguna menjalankan tugas sinkronisasi Amazon Kendra untuk menyerap dokumen S3 ke dalam indeks Amazon Kendra.
- Pertanyaan pengguna dirutekan melalui WebSocket API aman yang dihosting Gerbang API Amazon didukung oleh AWS Lambda fungsi.
- Fungsi Lambda, diberdayakan oleh LangChain frameworkโalat serbaguna yang dirancang untuk membuat aplikasi yang didorong oleh model bahasa AIโterhubung ke titik akhir Amazon Bedrock untuk menyusun ulang pertanyaan pengguna berdasarkan riwayat obrolan. Setelah disusun ulang, pertanyaan diteruskan ke Amazon Kendra menggunakan Retrieve API. Sebagai tanggapan, indeks Amazon Kendra menampilkan hasil pencarian, memberikan kutipan dari dokumen terkait yang bersumber dari data yang diserap perusahaan.
- Pertanyaan pengguna beserta data yang diambil dari indeks dikirim sebagai konteks dalam prompt LLM. Respons dari LLM disimpan sebagai riwayat obrolan dalam DynamoDB.
- Terakhir, respon dari LLM dikirim kembali ke pengguna.
Alur kerja pengindeksan dokumen
Berikut tata cara pengolahan dan pengindeksan dokumen:
- Pengguna mengirimkan dokumen melalui antarmuka pengguna (UI).
- Dokumen ditransfer ke bucket S3 menggunakan Amplifikasi AWS API.
- Amazon Kendra mengindeks dokumen baru di bucket S3 melalui konektor Amazon Kendra S3.
manfaat
Daftar berikut menyoroti keuntungan dari solusi ini:
- Pengambilan tingkat perusahaan โ Amazon Kendra dirancang untuk pencarian perusahaan, sehingga cocok untuk organisasi dengan data terstruktur dan tidak terstruktur dalam jumlah besar.
- Pemahaman semantik โ Kemampuan ML Amazon Kendra memastikan bahwa pengambilan didasarkan pada pemahaman semantik yang mendalam dan bukan hanya pencocokan kata kunci.
- Skalabilitas โ Amazon Kendra dapat menangani sumber data berskala besar dan memberikan hasil pencarian yang cepat dan relevan.
- keluwesan โ Model dasar dapat menghasilkan jawaban berdasarkan konteks yang luas, memastikan sistem tetap serbaguna.
- Kemampuan integrasi โ Amazon Kendra dapat diintegrasikan dengan berbagai layanan AWS dan sumber data, sehingga dapat beradaptasi untuk berbagai kebutuhan organisasi.
Model penyematan dengan LLM dasar
An embedding adalah vektor numerik yang mewakili esensi inti dari beragam tipe data, termasuk teks, gambar, audio, dan dokumen. Representasi ini tidak hanya menangkap makna intrinsik data, namun juga menyesuaikannya untuk berbagai aplikasi praktis. Menyematkan model, salah satu cabang ML, mengubah data kompleks, seperti kata atau frasa, menjadi ruang vektor berkelanjutan. Vektor-vektor ini secara inheren memahami hubungan semantik antar data, sehingga memungkinkan perbandingan yang lebih dalam dan mendalam.
RAG secara mulus menggabungkan kekuatan model dasar, seperti transformator, dengan ketepatan penyematan untuk menyaring database yang luas untuk mendapatkan informasi terkait. Setelah menerima kueri, sistem menggunakan penyematan untuk mengidentifikasi dan mengekstrak bagian yang relevan dari sejumlah besar data. Model dasar kemudian merumuskan respons yang tepat secara kontekstual berdasarkan informasi yang diekstraksi ini. Sinergi sempurna antara pengambilan data dan pembuatan respons memungkinkan sistem memberikan jawaban menyeluruh, memanfaatkan pengetahuan luas yang disimpan dalam database besar.
Dalam tata letak arsitektur, berdasarkan pilihan UI mereka, pengguna dipandu ke Amazon Bedrock atau Mulai Lompatan Amazon SageMaker model pondasi. Dokumen menjalani pemrosesan, dan penyematan vektor dihasilkan oleh model penyematan. Penyematan ini kemudian diindeks menggunakan FAISS untuk mengaktifkan pencarian semantik yang efisien. Riwayat percakapan disimpan di DynamoDB, memperkaya konteks LLM untuk menyusun tanggapan.
Diagram berikut mengilustrasikan arsitektur solusi dan alur kerja.
Kami telah menyediakan demo ini di GitHub repo. Lihat instruksi penerapan dalam file readme untuk menerapkannya ke akun AWS Anda.
Model penyematan
Tanggung jawab model embeddings adalah sebagai berikut:
- Model ini bertanggung jawab untuk mengubah teks (seperti dokumen atau bagian) menjadi representasi vektor padat, yang umumnya dikenal sebagai embeddings.
- Penyematan ini menangkap makna semantik teks, memungkinkan perbandingan yang efisien dan bermakna secara semantik antara berbagai bagian teks.
- Model penyematan dapat dilatih pada korpus besar yang sama dengan model dasar atau dapat dikhususkan untuk domain tertentu.
Alur kerja Tanya Jawab
Langkah-langkah berikut menjelaskan alur kerja menjawab pertanyaan atas dokumen:
- Pengguna masuk ke aplikasi web yang diautentikasi oleh Amazon Cognito.
- Pengguna mengunggah satu atau lebih dokumen ke Amazon S3.
- Setelah transfer dokumen, pemberitahuan peristiwa S3 memicu fungsi Lambda, yang kemudian memanggil titik akhir model penyematan SageMaker untuk menghasilkan penyematan untuk dokumen baru. Model embeddings mengubah pertanyaan menjadi representasi vektor padat (embedding). File vektor yang dihasilkan disimpan dengan aman di dalam bucket S3.
- Pengambil FAISS membandingkan penyematan pertanyaan ini dengan penyematan semua dokumen atau bagian dalam database untuk menemukan bagian yang paling relevan.
- Bagian-bagian tersebut, bersama dengan pertanyaan pengguna, disediakan sebagai konteks model dasar. Fungsi Lambda menggunakan perpustakaan LangChain dan terhubung ke titik akhir Amazon Bedrock atau SageMaker JumpStart dengan kueri yang diisi konteks.
- Respons dari LLM disimpan di DynamoDB bersama dengan kueri pengguna, stempel waktu, pengidentifikasi unik, dan pengidentifikasi arbitrer lainnya untuk item seperti kategori pertanyaan. Menyimpan pertanyaan dan jawaban sebagai item terpisah memungkinkan fungsi Lambda dengan mudah membuat ulang riwayat percakapan pengguna berdasarkan waktu ketika pertanyaan diajukan.
- Terakhir, respons dikirim kembali ke pengguna melalui permintaan HTTPs melalui respons integrasi API Gateway WebSocket API.
manfaat
Daftar berikut menjelaskan manfaat dari solusi ini:
- Pemahaman semantik โ Model embeddings memastikan bahwa retriever memilih bagian berdasarkan pemahaman semantik yang mendalam, bukan hanya pencocokan kata kunci.
- Skalabilitas โ Penyematan memungkinkan perbandingan kesamaan yang efisien, sehingga memungkinkan untuk mencari database dokumen yang luas dengan cepat.
- keluwesan โ Model dasar dapat menghasilkan jawaban berdasarkan konteks yang luas, memastikan sistem tetap serbaguna.
- Kemampuan beradaptasi domain โ Model embeddings dapat dilatih atau disesuaikan untuk domain tertentu, sehingga sistem dapat diadaptasi untuk berbagai aplikasi.
Generator Iklan Farmasi Model Dasar
Dalam industri farmasi yang bergerak cepat saat ini, periklanan yang efisien dan terlokalisasi menjadi lebih penting dari sebelumnya. Di sinilah solusi inovatif berperan, menggunakan kekuatan AI generatif untuk membuat iklan farmasi yang dilokalkan dari gambar sumber dan PDF. Selain mempercepat proses pembuatan iklan, pendekatan ini menyederhanakan proses Tinjauan Hukum Medis (MLR). MLR adalah mekanisme peninjauan yang ketat di mana tim medis, hukum, dan peraturan mengevaluasi materi promosi dengan cermat untuk menjamin keakuratan, dukungan ilmiah, dan kepatuhan terhadap peraturan. Metode pembuatan konten tradisional bisa jadi rumit, seringkali memerlukan penyesuaian manual dan tinjauan ekstensif untuk memastikan keselarasan dengan kepatuhan dan relevansi regional. Namun, dengan hadirnya AI generatif, kini kami dapat mengotomatiskan pembuatan iklan yang benar-benar disukai pemirsa lokal, sambil tetap menjunjung standar dan pedoman yang ketat.
Diagram berikut menggambarkan arsitektur solusi.
Dalam tata letak arsitektural, berdasarkan model pilihan dan preferensi iklan, pengguna dipandu dengan lancar ke model fondasi Amazon Bedrock. Pendekatan yang disederhanakan ini memastikan bahwa iklan baru dihasilkan secara tepat sesuai dengan konfigurasi yang diinginkan. Sebagai bagian dari proses, dokumen ditangani secara efisien oleh Teks Amazon, dengan teks yang dihasilkan disimpan dengan aman di DynamoDB. Fitur yang menonjol adalah desain modular untuk pembuatan gambar dan teks, memberi Anda fleksibilitas untuk membuat ulang komponen apa pun secara mandiri sesuai kebutuhan.
Kami telah menyediakan demo ini di GitHub repo. Lihat instruksi penerapan dalam file readme untuk menerapkannya ke akun AWS Anda.
Alur kerja pembuatan konten
Langkah-langkah berikut menguraikan proses pembuatan konten:
- Pengguna memilih dokumen, gambar sumber, penempatan iklan, bahasa, dan gaya gambar.
- Akses aman ke aplikasi web dipastikan melalui autentikasi Amazon Cognito.
- Front end aplikasi web dihosting melalui Amplify.
- WebSocket API, yang dikelola oleh API Gateway, memfasilitasi permintaan pengguna. Permintaan ini diautentikasi melalui Identitas AWS dan Manajemen Akses (SAYA).
- Integrasi dengan Amazon Bedrock mencakup langkah-langkah berikut:
- Fungsi Lambda menggunakan perpustakaan LangChain untuk terhubung ke titik akhir Amazon Bedrock menggunakan kueri kaya konteks.
- Model dasar teks-ke-teks membuat iklan yang sesuai konteks berdasarkan konteks dan pengaturan tertentu.
- Model dasar text-to-image menciptakan gambar yang disesuaikan, dipengaruhi oleh gambar sumber, gaya yang dipilih, dan lokasi.
- Pengguna menerima respons melalui permintaan HTTPS melalui API Gateway WebSocket API terintegrasi.
Alur kerja pemrosesan dokumen dan gambar
Berikut tata cara pengolahan dokumen dan gambar:
- Pengguna mengunggah aset melalui UI yang ditentukan.
- Amplify API mentransfer dokumen ke bucket S3.
- Setelah aset ditransfer ke Amazon S3, salah satu tindakan berikut terjadi:
- Jika berupa dokumen, fungsi Lambda menggunakan Amazon Textract untuk memproses dan mengekstrak teks untuk pembuatan iklan.
- Jika berupa gambar, fungsi Lambda akan mengonversinya ke format base64, cocok untuk model Difusi Stabil untuk membuat gambar baru dari sumbernya.
- Teks yang diekstraksi atau string gambar base64 disimpan dengan aman di DynamoDB.
manfaat
Daftar berikut menjelaskan manfaat dari solusi ini:
- Efisiensi โ Penggunaan AI generatif secara signifikan mempercepat proses pembuatan iklan, sehingga menghilangkan kebutuhan penyesuaian manual.
- kepatuhan kepatuhan โ Solusi ini memastikan bahwa iklan yang dihasilkan mematuhi panduan dan peraturan tertentu, seperti pedoman pemasaran FDA.
- Hemat biaya โ Dengan mengotomatiskan pembuatan iklan yang disesuaikan, perusahaan dapat mengurangi biaya yang terkait dengan produksi dan revisi iklan secara signifikan.
- Proses MLR yang disederhanakan โ Solusi ini menyederhanakan proses MLR, mengurangi titik gesekan dan memastikan peninjauan lebih lancar.
- Resonansi lokal โ AI Generatif menghasilkan iklan yang sesuai dengan audiens lokal, memastikan relevansi dan dampak di berbagai wilayah.
- Standardisasi โ Solusi ini mempertahankan standar dan pedoman yang diperlukan, memastikan konsistensi di seluruh iklan yang dihasilkan.
- Skalabilitas โ Pendekatan berbasis AI dapat menangani database gambar sumber dan PDF yang sangat besar, sehingga memungkinkan untuk pembuatan iklan berskala besar.
- Mengurangi intervensi manual โ Otomatisasi mengurangi kebutuhan intervensi manusia, meminimalkan kesalahan, dan memastikan konsistensi.
Anda dapat menerapkan infrastruktur dalam tutorial ini dari komputer lokal Anda atau Anda dapat menggunakan AWS Cloud9 sebagai stasiun kerja penerapan Anda. AWS Cloud9 dilengkapi dengan AWS CLI, AWS CDK, dan Docker. Jika Anda memilih AWS Cloud9, menciptakan lingkungan dari Konsol AWS Cloud9.
Membersihkan
Untuk menghindari biaya yang tidak perlu, bersihkan semua infrastruktur yang dibuat melalui konsol AWS CloudFormation atau dengan menjalankan perintah berikut di stasiun kerja Anda:
Selain itu, ingatlah untuk menghentikan titik akhir SageMaker yang Anda mulai melalui konsol SageMaker. Ingat, menghapus indeks Amazon Kendra tidak menghapus dokumen asli dari penyimpanan Anda.
Kesimpulan
AI generatif, yang dicontohkan oleh LLM, menandai perubahan paradigma dalam cara kita mengakses dan menghasilkan informasi. Model-model ini, meskipun kuat, sering kali dibatasi oleh keterbatasan data pelatihannya. RAG mengatasi tantangan ini, memastikan bahwa pengetahuan luas dalam model-model ini secara konsisten dilengkapi dengan wawasan terkini dan relevan.
Demo berbasis RAG kami memberikan bukti nyata akan hal ini. Mereka menampilkan sinergi yang mulus antara Amazon Kendra, penyematan vektor, dan LLM, menciptakan sistem di mana informasi tidak hanya luas namun juga akurat dan tepat waktu. Saat mempelajari demo ini, Anda akan mengeksplorasi secara langsung potensi transformasional dari penggabungan pengetahuan yang telah dilatih sebelumnya dengan kemampuan dinamis RAG, sehingga menghasilkan keluaran yang dapat dipercaya dan disesuaikan dengan konten perusahaan.
Meskipun AI generatif yang didukung oleh LLM membuka cara baru untuk memperoleh wawasan informasi, wawasan ini harus dapat dipercaya dan terbatas pada konten perusahaan yang menggunakan pendekatan RAG. Demo berbasis RAG ini memungkinkan Anda dibekali dengan wawasan yang akurat dan terkini. Kualitas wawasan ini bergantung pada relevansi semantik, yang diaktifkan dengan menggunakan Amazon Kendra dan penyematan vektor.
Jika Anda siap untuk mengeksplorasi lebih jauh dan memanfaatkan kekuatan AI generatif, berikut langkah Anda selanjutnya:
- Terlibat dengan demo kami โ Pengalaman langsung sangat berharga. Jelajahi fungsinya, pahami integrasinya, dan kenali antarmukanya.
- Perdalam pengetahuan Anda โ Manfaatkan sumber daya yang tersedia. AWS menawarkan dokumentasi mendalam, tutorial, dan dukungan komunitas untuk membantu perjalanan AI Anda.
- Memulai proyek percontohan โ Pertimbangkan untuk memulai dengan penerapan AI generatif skala kecil di perusahaan Anda. Hal ini akan memberikan wawasan tentang kepraktisan dan kemampuan beradaptasi sistem dalam konteks spesifik Anda.
Untuk informasi selengkapnya tentang aplikasi AI generatif di AWS, lihat yang berikut:
Ingat, lanskap AI terus berkembang. Tetap update, tetap penasaran, dan selalu siap beradaptasi dan berinovasi.
Tentang Penulis
Jin Tanruan adalah Pengembang Prototyping dalam tim AWS Industries Prototyping and Customer Engineering (PACE), yang berspesialisasi dalam NLP dan AI generatif. Dengan latar belakang pengembangan perangkat lunak dan sembilan sertifikasi AWS, Jin membawa segudang pengalaman untuk membantu pelanggan AWS dalam mewujudkan visi AI/ML dan AI generatif mereka menggunakan platform AWS. Beliau meraih gelar master di bidang Ilmu Komputer & Rekayasa Perangkat Lunak dari Universitas Syracuse. Di luar pekerjaan, Jin menikmati bermain video game dan membenamkan dirinya dalam dunia film horor yang mendebarkan.
Aravind Kodandaramaiah adalah pembuat solusi tumpukan penuh Senior Prototyping dalam tim AWS Industries Prototyping and Customer Engineering (PACE). Dia fokus membantu pelanggan AWS mengubah ide-ide inovatif menjadi solusi dengan hasil yang terukur dan menyenangkan. Dia sangat tertarik dengan berbagai topik, termasuk keamanan cloud, DevOps, dan AI/ML, dan biasanya terlihat mengutak-atik teknologi ini.
Arjun Shakdher adalah Pengembang di tim AWS Industries Prototyping (PACE) yang bersemangat memadukan teknologi ke dalam tatanan kehidupan. Memegang gelar master dari Universitas Purdue, peran Arjun saat ini berkisar pada merancang dan membangun prototipe mutakhir yang menjangkau berbagai domain, yang saat ini secara menonjol menampilkan bidang AI/ML dan IoT. Saat tidak tenggelam dalam kode dan lanskap digital, Anda akan menemukan Arjun terlibat dalam dunia kopi, menjelajahi mekanisme horologi yang rumit, atau menikmati seni mobil.
- 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/harnessing-the-power-of-enterprise-data-with-generative-ai-insights-from-amazon-kendra-langchain-and-large-language-models/
- :adalah
- :bukan
- :Di mana
- $NAIK
- 100
- 150
- 7
- a
- kemampuan
- Tentang Kami
- mempercepat
- mengakses
- Menurut
- Akun
- ketepatan
- tepat
- di seluruh
- tindakan
- Ad
- menyesuaikan
- beradaptasi
- menambahkan
- alamat
- mengikuti
- penyesuaian
- Mengadopsi
- iklan
- maju
- Keuntungan
- keuntungan
- kedatangan
- pengiklanan
- Setelah
- AI
- AI / ML
- Membantu
- penjajaran
- Semua
- mengizinkan
- Membiarkan
- memungkinkan
- hampir
- sepanjang
- juga
- alternatif
- selalu
- Amazon
- Amazon Kognito
- AmazonKendra
- Teks Amazon
- Amazon Web Services
- jumlah
- memperkuat
- an
- dan
- menjawab
- jawaban
- Apa pun
- api
- aplikasi
- Aplikasi
- aplikasi
- pendekatan
- sesuai
- arsitektur
- arsitektur
- ADALAH
- sekitar
- susunan
- kesenian
- AS
- aset
- Aktiva
- membantu
- terkait
- dengar pendapat
- audio
- dikonfirmasi
- Otentikasi
- mengotomatisasikan
- mengotomatisasi
- Otomatisasi
- tersedia
- menghindari
- menghindari
- AWS
- AWS Cloud9
- Formasi AWS Cloud
- kembali
- bersandaran
- latar belakang
- beking
- mendasarkan
- berdasarkan
- BE
- karena
- menjadi
- menjadi
- Manfaat
- Lebih baik
- antara
- Luar
- bias
- blending
- tubuh
- Bot
- kedua
- Cabang
- Membawa
- luas
- pembangun
- Bangunan
- tapi
- by
- Panggilan
- CAN
- Bisa Dapatkan
- kemampuan
- menangkap
- menangkap
- kasus
- Kategori
- sertifikasi
- menantang
- tantangan
- Pilih
- terpilih
- membersihkan
- awan
- Cloud Security
- Cloud9
- kode
- Tanaman
- bergabung
- menggabungkan
- datang
- umum
- masyarakat
- Perusahaan
- perbandingan
- kompleks
- pemenuhan
- compliant
- komponen
- memahami
- komputer
- Komputer Ilmu
- konfigurasi
- Terhubung
- Koneksi
- menghubungkan
- Mempertimbangkan
- secara konsisten
- konsul
- terus-menerus
- Konten
- Pembuatan Konten
- pembuatan konten
- konteks
- Konteks
- kontekstual
- terus
- kontinu
- Mudah
- konvensional
- Percakapan
- mengkonversi
- Core
- Biaya
- Biaya
- kerajinan
- membuat
- dibuat
- menciptakan
- membuat
- penciptaan
- sangat penting
- rumit
- ingin tahu
- terbaru
- adat
- pelanggan
- pelanggan
- canggih
- data
- Basis Data
- database
- kumpulan data
- Tanggal
- mendalam
- lebih dalam
- Derajat
- menyenangkan
- demo
- Demo
- tergantung
- menyebarkan
- dikerahkan
- penggelaran
- penyebaran
- menggambarkan
- Mendesain
- dirancang
- diinginkan
- menghancurkan
- terperinci
- rincian
- Pengembang
- Pengembangan
- diagnostik
- berbeda
- Difusi
- digital
- diarahkan
- menampilkan
- berbeda
- menyelam
- beberapa
- penyelaman
- Buruh pelabuhan
- dokumen
- dokumentasi
- dokumen
- Tidak
- domain
- seri
- gambar
- didorong
- dinamis
- mudah
- efisiensi
- efisien
- efisien
- antara
- menghilangkan
- embedding
- muncul
- mempekerjakan
- diberdayakan
- memberdayakan
- aktif
- diaktifkan
- memungkinkan
- memungkinkan
- akhir
- Titik akhir
- Teknik
- ditingkatkan
- memperkaya
- memastikan
- memastikan
- Memastikan
- memastikan
- Enterprise
- Seluruh
- lengkap
- kesalahan
- terutama
- esensi
- mengevaluasi
- Acara
- pERNAH
- berkembang
- berkembang
- contoh
- gembira
- ekspansif
- pengalaman
- ahli
- ahli
- menyelidiki
- Menjelajahi
- luas
- luar
- ekstrak
- kain
- memfasilitasi
- membiasakan diri
- serba cepat
- FB
- layak
- Fitur
- Fitur
- Menampilkan
- File
- penyaringan
- Menemukan
- Pertama
- keluwesan
- berfokus
- berikut
- berikut
- Untuk
- format
- ditemukan
- Prinsip Dasar
- gesekan
- dari
- depan
- Ujung depan
- penuh
- Tumpukan Penuh
- fungsi
- fungsionalitas
- lebih lanjut
- Selanjutnya
- Mendapatkan
- mendapatkan
- Games
- pintu gerbang
- menghasilkan
- dihasilkan
- generasi
- generatif
- AI generatif
- generator
- mendapatkan
- diberikan
- Pemberian
- pemberian
- memahami
- tumbuh
- menjamin
- bimbingan
- kendali
- pedoman
- menangani
- hands-on
- memanfaatkan
- Memanfaatkan
- Memiliki
- memiliki
- he
- membantu
- pemberita
- di sini
- highlight
- diri
- sejarah
- sejarah
- memegang
- memegang
- kengerian
- host
- Seterpercayaapakah Olymp Trade? Kesimpulan
- Namun
- HTML
- http
- HTTPS
- manusia
- ide-ide
- identifier
- pengidentifikasi
- mengenali
- identitas
- if
- menggambarkan
- gambar
- gambar
- terbenam
- Dampak
- implementasi
- in
- secara mendalam
- tidak akurat
- termasuk
- Termasuk
- menggabungkan
- secara mandiri
- indeks
- diindeks
- indeks
- industri
- industri
- standar industri
- terpengaruh
- informasi
- informasi
- Infrastruktur
- secara inheren
- mulanya
- dimulai
- berinovasi
- inovatif
- berwawasan luas
- wawasan
- sebagai gantinya
- instruksi
- terpadu
- Terintegrasi
- integrasi
- integrasi
- maksud
- interaktif
- Antarmuka
- intervensi
- ke
- hakiki
- tak ternilai
- idiot
- IT
- item
- NYA
- Pekerjaan
- perjalanan
- jpg
- hanya
- pengetahuan
- dikenal
- pemandangan
- bahasa
- besar
- besar-besaran
- tata ruang
- pengetahuan
- Informasi
- Lets
- Perpustakaan
- Izin
- Hidup
- 'like'
- kemungkinan
- Terbatas
- batas
- Daftar
- LLM
- lokal
- tempat
- mesin
- Mesin belajar
- mempertahankan
- Membuat
- berhasil
- panduan
- banyak
- Marketing
- besar-besaran
- tuan
- korek api
- bahan
- makna
- berarti
- makna
- cara
- mekanika
- mekanisme
- medis
- Memori
- hanya
- bergabung
- penggabungan
- metode
- dengan cermat
- meminimalkan
- mitigasi
- ML
- model
- pemodelan
- model
- modular
- lebih
- paling
- bioskop
- harus
- Alam
- Pengolahan Bahasa alami
- perlu
- Perlu
- dibutuhkan
- membutuhkan
- kebutuhan
- New
- berikutnya
- sembilan
- nLP
- pemberitahuan
- sekarang
- of
- menawarkan
- Penawaran
- sering
- on
- ONE
- hanya
- membuka
- or
- organisatoris
- organisasi
- asli
- Lainnya
- kami
- di luar
- hasil
- garis besar
- output
- di luar
- lebih
- Mengatasi
- Perdamaian
- pola pikir
- parameter
- bagian
- bergairah
- sempurna
- Izin
- Personalized
- Pharma
- farmasi
- frase
- potongan-potongan
- pilot
- proyek percontohan
- Tempat
- penempatan
- Platform
- plato
- Kecerdasan Data Plato
- Data Plato
- Bermain
- bermain
- poin
- posisi
- mungkin
- Pos
- potensi
- kekuasaan
- didukung
- kuat
- Praktis
- perlu
- tepat
- Ketelitian
- preferensi
- prasyarat
- sekarang
- Prosedur
- proses
- Diproses
- pengolahan
- Diproduksi
- menghasilkan
- Produksi
- proyek
- promosional
- prototipe
- prototyping
- Rasakan itu
- memberikan
- disediakan
- menyediakan
- menyediakan
- kualitas
- query
- pertanyaan
- Pertanyaan
- Cepat
- segera
- jarak
- siap
- alam
- menerima
- menerima
- Rekomendasi
- menurunkan
- mengurangi
- mengurangi
- lihat
- halus
- daerah
- daerah
- reguler
- peraturan
- regulator
- Kepatuhan terhadap Regulasi
- relevansi
- relevan
- mengandalkan
- tinggal
- sisa
- ingat
- menghapus
- ulang
- perwakilan
- merupakan
- permintaan
- permintaan
- membutuhkan
- wajib
- Persyaratan
- Beresonansi
- Sumber
- tanggapan
- tanggapan
- tanggung jawab
- tanggung jawab
- resultan
- dihasilkan
- Hasil
- ulasan
- Review
- revisi
- berputar
- benar
- keras
- Peran
- berjalan
- berjalan
- pembuat bijak
- sama
- disimpan
- Ilmu
- ilmiah
- mulus
- mulus
- Pencarian
- bagian
- aman
- aman
- keamanan
- terpilih
- seleksi
- senior
- mengirim
- layanan
- Layanan
- set
- pengaturan
- penyiapan
- bergeser
- menampilkan
- Pertunjukkan
- Menyaring
- penting
- signifikan
- Sederhana
- hanya
- lebih kecil
- lebih halus
- Perangkat lunak
- pengembangan perangkat lunak
- rekayasa Perangkat Lunak
- semata-mata
- larutan
- Solusi
- sumber
- bersumber
- sumber
- Sourcing
- spasi
- merentang
- khusus
- mengkhususkan diri
- tertentu
- ditentukan
- stabil
- tumpukan
- standar
- Mulai
- state-of-the-art
- tinggal
- Langkah
- Tangga
- berhenti
- penyimpanan
- menyimpan
- tersimpan
- menyimpan
- efisien
- kekuatan
- Tali
- ketat
- tersusun
- gaya
- menyerahkan
- seperti itu
- cocok
- mendukung
- Didukung
- sinergi
- sistem
- disesuaikan
- Mengambil
- Dibutuhkan
- nyata
- tugas
- tugas
- tim
- tim
- teknik
- Teknologi
- Teknologi
- Perjanjian
- teks
- dari
- bahwa
- Grafik
- Pemandangan
- Sumber
- Dunia
- mereka
- Mereka
- kemudian
- dengan demikian
- Ini
- mereka
- ini
- tiga
- mendebarkan
- Melalui
- waktu
- tepat waktu
- timestamp
- titan
- untuk
- hari ini
- alat
- alat
- tema
- Topik
- terhadap
- tradisional
- Pelatihan VE
- terlatih
- Pelatihan
- transfer
- ditransfer
- transfer
- Mengubah
- transformasional
- transformer
- Tren
- benar-benar
- terpercaya
- MENGHIDUPKAN
- tutorial
- tutorial
- jenis
- ui
- menjalani
- pokok
- memahami
- pemahaman
- unik
- universitas
- tidak seperti
- tidak perlu
- menyingkap
- mutakhir
- Memperbarui
- diperbarui
- Pembaruan
- menegakkan
- atas
- menggunakan
- gunakan case
- Pengguna
- User Interface
- Pengguna
- kegunaan
- menggunakan
- biasanya
- memanfaatkan
- Memanfaatkan
- berbagai
- Luas
- serba guna
- melalui
- Video
- Video game
- visi
- Cara..
- we
- Kekayaan
- jaringan
- aplikasi web
- layanan web
- soket web
- adalah
- ketika
- yang
- sementara
- SIAPA
- lebar
- Rentang luas
- akan
- dengan
- dalam
- tanpa
- kata
- Kerja
- alur kerja
- workstation
- dunia
- Kamu
- Anda
- diri
- zephyrnet.dll