צ'אטבוטים מודרניים יכולים לשמש כסוכנים דיגיטליים, ומספקים דרך חדשה למתן שירות לקוחות 24/7 ותמיכה בתעשיות רבות. הפופולריות שלהם נובעת מהיכולת לענות לפניות לקוחות בזמן אמת ולטפל במספר שאילתות בו זמנית בשפות שונות. צ'אטבוטים מציעים גם תובנות חשובות מונעות נתונים לגבי התנהגות לקוחות תוך התאמה ללא מאמץ ככל שבסיס המשתמשים גדל; לכן, הם מציגים פתרון חסכוני לגיוס לקוחות. צ'אטבוטים משתמשים ביכולות המתקדמות של שפה טבעית של מודלים של שפה גדולה (LLMs) כדי להגיב לשאלות של לקוחות. הם יכולים להבין שפת שיחה ולהגיב באופן טבעי. עם זאת, לצ'אטבוטים שרק עונים על שאלות בסיסיות יש שימוש מוגבל. כדי להפוך ליועצים מהימנים, צ'אטבוטים צריכים לספק תשובות מתחשבות ומותאמות.
אחת הדרכים לאפשר שיחות הקשריות יותר היא על ידי קישור הצ'אט בוט למאגרי ידע פנימיים ומערכות מידע. שילוב נתונים ארגוניים קנייניים מבסיסי ידע פנימיים מאפשר לצ'אטבוטים להקשר את תגובותיהם לצרכים ולאינטרסים האישיים של כל משתמש. לדוגמה, צ'אט בוט יכול להציע מוצרים התואמים להעדפות של הקונה ולרכישות קודמות, להסביר פרטים בשפה המותאמת לרמת המומחיות של המשתמש, או לספק תמיכה בחשבון על ידי גישה לרשומות הספציפיות של הלקוח. היכולת לשלב מידע בצורה חכמה, להבין שפה טבעית ולספק תשובות מותאמות אישית בזרימת שיחה מאפשרת לצ'אטבוטים לספק ערך עסקי אמיתי על פני מקרי שימוש מגוונים.
דפוס האדריכלות הפופולרי של אחזור דור מוגבר (RAG) משמש לעתים קרובות כדי להגדיל את ההקשר והתגובות של שאילתות המשתמש. RAG משלבת את היכולות של LLMs עם הבסיס בעובדות ובידע בעולם האמיתי שמקורו באחזור טקסטים וקטעים רלוונטיים מקורפוס של נתונים. טקסטים אלה שאוחזרו משמשים לאחר מכן כדי להודיע ולקרקע את הפלט, להפחית את ההזיה ולשפר את הרלוונטיות.
בפוסט זה, אנו ממחישים שיפור הקשר בצ'אטבוט באמצעות שימוש בסיסי ידע עבור Amazon Bedrock, שירות ללא שרתים מנוהל במלואו. בסיס הידע לאינטגרציה של Amazon Bedrock מאפשר לצ'אטבוט שלנו לספק תגובות רלוונטיות יותר מותאמות אישית על ידי קישור שאילתות משתמשים לנקודות מידע קשורות. כְּלַפֵּי פְּנִים, סלע אמזון משתמש בהטמעות המאוחסנות במסד נתונים וקטורי כדי להגדיל את הקשר שאילתת המשתמש בזמן ריצה ולאפשר פתרון ארכיטקטורת RAG מנוהל. אנו משתמשים ב- מכתבי אמזון לבעלי המניות מערך נתונים לפיתוח פתרון זה.
אחזור דור מוגבר
RAG היא גישה ליצירת שפה טבעית המשלבת אחזור מידע בתהליך היצירה. ארכיטקטורת RAG כוללת שני זרימות עבודה מרכזיות: עיבוד מוקדם של נתונים באמצעות הטמעה, ויצירת טקסט באמצעות הקשר משופר.
זרימת העבודה להטמעת נתונים משתמשת ב-LLMs כדי ליצור וקטורים הטמעים המייצגים משמעות סמנטית של טקסטים. הטבעות נוצרות עבור מסמכים ושאלות משתמשים. הטבעות המסמכים מפוצלות לנתחים ומאוחסנות כאינדקסים במסד נתונים וקטורי. לאחר מכן, זרימת העבודה של יצירת הטקסט לוקחת את וקטור ההטמעה של שאלה ומשתמשת בו כדי לאחזר את נתחי המסמך הדומים ביותר בהתבסס על דמיון וקטור. זה מגדיל את ההנחיות עם הנתחים הרלוונטיים האלה כדי ליצור תשובה באמצעות ה-LLM. לפרטים נוספים, עיין ב פריימר על אחזור יצור מוגבר, הטמעות ומסדי נתונים וקטוריים קטע ב תצוגה מקדימה - חבר מודלים של בסיס למקורות הנתונים של החברה שלך עם סוכנים עבור Amazon Bedrock.
התרשים הבא ממחיש את ארכיטקטורת RAG ברמה גבוהה.
למרות שלארכיטקטורת RAG יש יתרונות רבים, היא כוללת רכיבים מרובים, כולל מסד נתונים, מנגנון אחזור, הנחיה ומודל מחולל. ניהול חלקים תלויים זה בזה יכול להכניס מורכבות בפיתוח ופריסה של מערכות. השילוב של אחזור ויצירת דורש גם מאמץ הנדסי ומשאבים חישוביים נוספים. מספר ספריות קוד פתוח מספקות עטיפות כדי להפחית את התקורה הזו; עם זאת, שינויים בספריות עלולים להציג שגיאות ולהוסיף תקורה נוספת של ניהול גרסאות. גם עם ספריות קוד פתוח, נדרש מאמץ משמעותי לכתיבת קוד, קביעת גודל chunk אופטימלי, יצירת הטמעות ועוד. עבודת הגדרה זו לבדה יכולה להימשך שבועות בהתאם לנפח הנתונים.
לכן, פתרון מנוהל המטפל במשימות הבלתי מובחנות הללו יכול לייעל ולהאיץ את תהליך ההטמעה והניהול של יישומי RAG.
בסיסי ידע עבור Amazon Bedrock
Base Knowledge for Amazon Bedrock הוא אפשרות ללא שרת לבניית מערכות בינה מלאכותית לשיחות באמצעות RAG. הוא מציע זרימות עבודה של קליטת נתונים מנוהלת במלואה ויצירת טקסט.
להטמעת נתונים, הוא מטפל ביצירה, אחסון, ניהול ועדכון של הטבעות טקסט של נתוני מסמכים במסד הנתונים הווקטוריים באופן אוטומטי. הוא מפצל את המסמכים לנתחים ניתנים לניהול לאחזור יעיל. לאחר מכן, הנתחים מומרים להטמעות ונכתבים לאינדקס וקטור, תוך שהם מאפשרים לך לראות את מסמכי המקור בעת תשובה לשאלה.
ליצירת טקסט, Amazon Bedrock מספקת את RetrieveAndGenerate API ליצירת הטמעות של שאילתות משתמש, ומחזיר נתחים רלוונטיים ממסד הנתונים הווקטוריים ליצירת תגובות מדויקות. זה תומך גם בייחוס מקור וזיכרון לטווח קצר הדרושים ליישומי RAG.
זה מאפשר לך להתמקד ביישומי הליבה העסקיים שלך ומסיר את ההרמה הכבדה הבלתי מובחנת.
סקירת פתרונות
הפתרון המוצג בפוסט זה משתמש בצ'אטבוט שנוצר באמצעות a מוארת האפליקציה וכוללת את שירותי ה-AWS הבאים:
הדיאגרמה הבאה היא תבנית ארכיטקטורת פתרון נפוצה שבה אתה יכול להשתמש כדי לשלב כל יישום צ'טבוט ב- Knowledge Bases for Amazon Bedrock.
ארכיטקטורה זו כוללת את השלבים הבאים:
- משתמש מקיים אינטראקציה עם ממשק הצ'אטבוט של Streamlit ושולח שאילתה בשפה טבעית
- זה מפעיל פונקציית Lambda, אשר מפעילה את בסיסי הידע
RetrieveAndGenerate
ממשק API. באופן פנימי, Knowledge Bases משתמש ב-an אמזון טיטאן הטמעת מודל וממירה את שאילתת המשתמש לוקטור ומוצאת נתחים הדומים מבחינה סמנטית לשאילתת המשתמש. ההנחיה של המשתמש מתוגברת עם הנתחים שנשלפים ממאגר הידע. ההנחיה לצד ההקשר הנוסף נשלחת ל-LLM ליצירת תגובה. בפתרון זה, אנו משתמשים האנתרופי קלוד אינסטנט בתור LLM שלנו כדי ליצור תגובות משתמשים תוך שימוש בהקשר נוסף. שים לב שפתרון זה נתמך באזורים שבהם נמצא קלוד האנתרופי באמזון זמין. - תגובה רלוונטית מבחינה הקשר נשלחת חזרה לאפליקציית הצ'אטבוט ולמשתמש.
תנאים מוקדמים
משתמשי Amazon Bedrock צריכים לבקש גישה לדגמי יסוד לפני שהם יהיו זמינים לשימוש. זוהי פעולה חד פעמית ואורכת פחות מדקה. עבור פתרון זה, תצטרך לאפשר גישה לדגם Titan Embeddings G1 – Text ו-Claude Instant – v1.2 ב- Amazon Bedrock. למידע נוסף, עיין ב גישה לדגם.
שיבט את ריפו של GitHub
הפתרון המוצג בפוסט זה זמין בהמשך GitHub ריפו. עליך לשכפל את מאגר GitHub למחשב המקומי שלך. פתח חלון מסוף והפעל את הפקודה הבאה. שימו לב שזוהי פקודה אחת של שיבוט git.
העלה את מערך הידע שלך לאמזון S3
אנו מורידים את מערך הנתונים עבור בסיס הידע שלנו ומעלים אותו לדלי S3. מערך נתונים זה יזין ויספק בסיס ידע. השלם את השלבים הבאים:
- נווט אל דוחות שנתיים, ייפוי כוח ומכתבי בעלי מניות מאגר נתונים והורד את השנים האחרונות של מכתבי בעלי המניות של אמזון.
- במסוף S3 של אמזון בחר דליים בחלונית הניווט.
- בחרו צור דלי.
- תן שם לדלי
knowledgebase-<your-awsaccount-number>
. - השאר את כל שאר הגדרות הדלי כברירת מחדל ובחר צור.
- נווט אל
knowledgebase-<your-awsaccount-number>
דְלִי. - בחרו צור תיקיה ותן שם מערך נתונים.
- השאר את כל שאר הגדרות התיקיה כברירת מחדל ובחר צור.
- נווט חזרה אל הדלי הביתה ובחר צור תיקיה כדי ליצור תיקיה חדשה ולתת לה שם
lambdalayer
. - השאר את כל שאר ההגדרות כברירת מחדל ובחר צור.
- נווט אל
dataset
תיקייה. - העלה לדלי זה את הדוחות השנתיים, קובצי הנתונים ומכתבי בעלי המניות שהורדת קודם לכן ובחר העלה.
- נווט אל
lambdalayer
תיקייה. - העלה את ה-
knowledgebase-lambdalayer.zip
קובץ זמין תחת/lambda/layer
תיקיה במאגר GitHub ששבטת קודם לכן ובחר העלה. אתה תשתמש בקוד שכבת Lambda זה מאוחר יותר כדי ליצור את פונקציית Lambda.
צור בסיס ידע
בשלב זה, אנו יוצרים בסיס ידע באמצעות מערך מכתבי בעלי המניות של אמזון שהעלינו לדלי S3 שלנו בשלב הקודם.
- בקונסולת Amazon Bedrock, מתחת תזמורת בחלונית הניווט, בחר בסיס ידע.
- בחרו צור בסיס ידע.
- ב פרטי מאגר הידע מקטע, הזן שם ותיאור אופציונלי.
- ב הרשאות IAM בחר, בחר צור תפקיד שירות חדש והשתמש בו והזן שם לתפקיד.
- הוסף תגים לפי הצורך.
- בחרו הַבָּא.
- יציאה שם מקור הנתונים כשם ברירת המחדל.
- בעד S3 URI, בחר דפדף ב- S3 כדי לבחור את הדלי S3
knowledgebase-<your-account-number>/dataset/
.עליך להצביע על תיקיית הדלי ותיקיית הנתונים שיצרת בשלבים הקודמים. - ב הגדרות מתקדמות השאירו את ערכי ברירת המחדל (אם תרצו, תוכלו לשנות את אסטרטגיית החתכים המוגדרים כברירת מחדל ולציין את גודל הנתח ושכבת העל באחוזים).
- בחרו הַבָּא.
- בעד דגם הטבעות, בחר Titan Embedding G1 – טקסט.
- בעד מסד נתונים וקטורי, אתה יכול לבחור צור במהירות חנות וקטורית חדשה or בחר חנות וקטורית שיצרת. שים לב שכדי להשתמש במאגר הווקטור לבחירתך, עליך להגדיר מראש מאגר וקטור לשימוש. כרגע אנו תומכים בארבעה סוגי מנועי וקטור: המנוע הווקטורי של Amazon OpenSearch Serverless, Amazon Aurora, Pinecone ו-Redis Enterprise Cloud. עבור פוסט זה, אנו בוחרים באפשרות צור חנות וקטורית חדשה, אשר כברירת מחדל יוצרת חנות וקטורית חדשה ללא שרת OpenSearch בחשבונך.
- בחרו הַבָּא.
- על סקור וצור עמוד, סקור את כל המידע או בחר הקודם כדי לשנות את כל האפשרויות.
- בחרו צור בסיס ידע.שימו לב שתהליך יצירת בסיס הידע מתחיל והסטטוס נמצא בתהליך. ייקח כמה דקות ליצור את חנות הווקטור ומאגר הידע. אל תנווט הרחק מהדף, אחרת היצירה תיכשל.
- כאשר סטטוס בסיס הידע נמצא ב-
Ready
מצב, רשום את מזהה בסיס הידע. אתה תשתמש בו בשלבים הבאים כדי להגדיר את פונקציית Lambda. - כעת, כשבסיס הידע מוכן, עלינו לסנכרן אליו את נתוני המכתבים של בעלי המניות באמזון. בתוך ה מקור מידע בדף הפרטים של בסיס הידע, בחר לסנכרן כדי להפעיל את תהליך קליטת הנתונים מ-S3 bucket לבסיס הידע.
תהליך הסנכרון הזה מפצל את קבצי המסמכים לנתחים קטנים יותר בגודל הנתח שצוין קודם לכן, יוצר הטמעות וקטוריות באמצעות מודל הטבעת הטקסט שנבחר, ומאחסן אותם בחנות הווקטורית המנוהלת על ידי Knowledge Bases עבור Amazon Bedrock.
כאשר סנכרון מערך הנתונים הושלם, הסטטוס של מקור הנתונים ישתנה ל- Ready
מדינה. שים לב שאם אתה מוסיף מסמכים נוספים בתיקיית הנתונים S3, עליך לסנכרן מחדש את בסיס הידע.
מזל טוב, בסיס הידע שלך מוכן.
שים לב שאתה יכול להשתמש גם בבסיסי ידע עבור ממשקי API של שירות אמזון Bedrock ו- ממשק שורת הפקודה של AWS (AWS CLI) ליצירת בסיס ידע באופן פרוגרמטי. יהיה עליך להפעיל חלקים שונים של מחברת Jupyter המסופקת תחת /notebook
תיקיה ב-Repo GitHub.
צור פונקציית למבדה
פונקציית Lambda זו נפרסת באמצעות an AWS CloudFormation תבנית זמינה בריפו של GitHub תחת /cfn
תיקייה. התבנית דורשת שני פרמטרים: שם הדלי S3 ומזהה בסיס הידע.
- בדף הבית של שירות AWS CloudFormation, בחר צור ערימה כדי ליצור מחסנית חדשה.
- בחר התבנית מוכנה ל הכן תבנית.
- בחר העלה את קובץ התבנית ל מקור התבנית.
- בחרו בחר קובץ, נווט אל מאגר GitHub ששבטת קודם לכן, ובחר את קובץ ה-.yaml תחת הקובץ
/cfn
תיקייה. - בחרו הַבָּא.
- בעד שם ערימה, הכנס שם.
- ב פרמטרים בקטע, הזן את מזהה בסיס הידע ואת שם הדלי S3 שציינת קודם לכן.
- בחרו הַבָּא.
- השאר את כל אפשרויות ברירת המחדל כפי שהן, בחר הַבָּא, ולבחור חפש.
- ודא שתבנית CloudFormation רצה בהצלחה, ואין שגיאות.
מזל טוב, יצרת בהצלחה פונקציית Lambda, תפקידים קשורים ומדיניות.
בדוק את אפליקציית הצ'אטבוט ההקשרית
כדי לבדוק את אפליקציית הצ'אטבוט שלך, בצע את השלבים הבאים:
- פתח מסוף חדש או חלון שורת פקודה במחשב שלך.
- הפעל את הפקודה הבאה כדי להתקין את AWS SDK עבור Python (Boto3). Boto3 עושה את זה פשוט לשלב יישום, ספרייה או סקריפט של Python עם שירותי AWS.
- הפעל את הפקודה הבאה כדי להתקין ולהגדיר סביבת פיתוח מקומית של Python להפעלת יישום Streamlit:
- נווט אל
/streamlit
תיקיה בתיקיית מאגר GitHub ששבטת קודם לכן. - הפעל את הפקודה הבאה כדי להפעיל את יישום הצ'אטבוט:
זה אמור לפתוח יישום צ'אט מבוסס אינטרנט המופעל על ידי Streamlit בדפדפן האינטרנט המוגדר כברירת מחדל.
- השתמש באפליקציית צ'אטבוט זו של Streamlit כדי לפרסם שאלות בשפה טבעית כדי להתחיל את השיחות המופעלות על ידי Knowledge Bases עבור Amazon Bedrock.
כאשר אתה שולח בקשה, אפליקציית Streamlit מפעילה את פונקציית Lambda, אשר מפעילה את בסיסי הידע RetrieveAndGenerate
API לחיפוש ויצירת תגובות.
הטבלה הבאה כוללת כמה שאלות לדוגמה ותשובות מאגר ידע קשורות. נסה כמה מהשאלות האלה באמצעות הנחיות.
שאלות | תשובות |
מה עושה אמזון בתחום הבינה המלאכותית הגנרטיבית? | אמזון עבדה על מודלים של שפה גדולה (LLM) משלהם עבור AI גנראטיבי ומאמינה שזה ישנה וישפר כל חווית לקוח. הם מתכננים להמשיך ולהשקיע באופן משמעותי במודלים אלה בכל חוויות הצרכנים, המוכרים, המותגים והיוצרים שלהם. |
מהן ההכנסות של AWS משנה לשנה בשנת 2022? | הכנסות AWS צמחו ב-29% משנה לשנה בשנת 2022 על בסיס הכנסות של 62 מיליארד דולר. |
כמה ימים ביקשה אמזון מעובדים להגיע לעבודה במשרד? | אמזון ביקשה מעובדי החברה לחזור למשרד לפחות שלושה ימים בשבוע החל ממאי 2022. |
באיזה אחוז צמחו הכנסות AWS משנה לשנה בשנת 2022? | ל-AWS היו הכנסות של 29% משנה לשנה ('YoY') בשנת 2022. |
בהשוואה למעבדי Graviton2, איזה שיפור ביצועים סיפקו שבבי Graviton3 לפי הקטע? | בשנת 2022, AWS סיפקו את שבבי Graviton3 שלהם, וסיפקו ביצועים טובים יותר ב-25% ממעבדי Graviton2. |
מי היה שבב ההסקה הראשון שהשיק AWS לפי הקטע? | AWS השיקה את שבבי ההסקה הראשונים שלהם ("Inferentia") ב-2019, והם חסכו לחברות כמו אמזון יותר ממאה מיליון דולר בהוצאות הון. |
לפי ההקשר, באיזו שנה עלו ההכנסות השנתיות של אמזון מ-$245B ל-$434B? | ההכנסות השנתיות של אמזון גדלו מ-245 מיליארד דולר ב-2019 ל-434 מיליארד דולר ב-2022. |
ספר לי שוב מה היו ההכנסות ב-2019? | ההכנסות של אמזון ב-2019 היו 245 מיליארד דולר. |
וכן, 2021? | ההכנסות של אמזון ב-2021 היו 469.8 מיליארד דולר, עלייה של 22% לעומת 2020. |
ותזכירו לי שוב מתי הושק שבב ההסקה הראשון? | שבב ההסקה הראשון של אמזון היה Inferentia, שהושק ב-2019. |
במהלך הקריאה הראשונה לפונקציית Lambda, ה- RetrieveAndGenerate
API מחזיר א sessionId
, אשר מועבר לאחר מכן על ידי אפליקציית Streamlit יחד עם הנחיית המשתמש הבאה כקלט ל-RetrieveAndGenerate API כדי להמשיך את השיחה באותה הפעלה. ה RetrieveAndGenerate
API מנהל את הזיכרון לטווח קצר ומשתמש בהיסטוריית הצ'אט כל עוד אותו sessionId מועבר כקלט בקריאות עוקבות.
מזל טוב, יצרת ובדקת בהצלחה אפליקציית צ'טבוט באמצעות בסיס ידע עבור Amazon Bedrock.
לנקות את
אי מחיקת משאבים כגון דלי S3, אוסף OpenSearch Serverless ומאגר ידע יגרור חיובים. כדי לנקות משאבים אלה, מחק את מחסנית CloudFormation, מחק את דלי S3 (כולל כל תיקיות מסמכים וקבצים המאוחסנים בדלי זה), מחק את אוסף OpenSearch Serverless, מחק את בסיס הידע ומחק את כל התפקידים, המדיניות וההרשאות שאתה נוצר קודם לכן.
סיכום
בפוסט זה, סיפקנו סקירה כללית של צ'אטבוטים הקשריים והסברנו מדוע הם חשובים. תיארנו את המורכבות הכרוכה בהטמעת נתונים ותהליכי עבודה של יצירת טקסט עבור ארכיטקטורת RAG. לאחר מכן הצגנו כיצד Bases Knowledge for Amazon Bedrock יוצר מערכת RAG ללא שרת מנוהלת במלואה, כולל חנות וקטורית. לבסוף, סיפקנו ארכיטקטורת פתרון וקוד לדוגמה ב-a GitHub ריפו לאחזר ולייצר תגובות הקשריות עבור אפליקציית צ'טבוט באמצעות בסיס ידע.
על ידי הסבר הערך של צ'אטבוטים הקשריים, האתגרים של מערכות RAG, וכיצד בסיסי הידע עבור Amazon Bedrock מתמודדים עם האתגרים הללו, פוסט זה נועד להראות כיצד Amazon Bedrock מאפשר לך לבנות יישומי AI מתוחכמים לשיחה במינימום מאמץ.
לקבלת מידע נוסף, ראה Amazon Bedrock מדריך למפתחים ו ממשקי API של Knowledge Base.
על הכותבים
מאניש צ'וג הוא אדריכל פתרונות ראשי ב-AWS שבסיסו בסן פרנסיסקו, קליפורניה. הוא מתמחה בלמידת מכונה ובינה מלאכותית גנרטיבית. הוא עובד עם ארגונים החל מארגונים גדולים ועד סטארט-אפים בשלבים מוקדמים על בעיות הקשורות ללמידת מכונה. תפקידו כרוך בסיוע לארגונים אלה לתכנן עומסי עבודה מדרגיים, מאובטחים וחסכוניים ב-AWS. הוא מציג בקביעות בכנסים של AWS ובאירועי שותפים אחרים. מחוץ לעבודה, הוא נהנה לטייל בשבילים באיסט ביי, לרכוב על אופני כביש ולצפות (ולשחק) בקריקט.
מני חנוג'ה היא מובילה טכנולוגית - מומחי בינה מלאכותית, מחברת הספר Applied Machine Learning and High Performance Computing on AWS, וחברה במועצת המנהלים של קרן החינוך לנשים בייצור. היא מובילה פרויקטים של למידת מכונה בתחומים שונים כגון ראייה ממוחשבת, עיבוד שפה טבעית ובינה מלאכותית יצירתית. היא מדברת בכנסים פנימיים וחיצוניים כגון AWS re:Invent, Women in Manufacturing West, סמינרים מקוונים של YouTube ו-GHC 23. בזמנה הפנוי היא אוהבת לצאת לריצות ארוכות לאורך החוף.
פאלאווי נרגונד הוא אדריכל פתרונות ראשי ב-AWS. בתפקידה כמאפשרת טכנולוגיית ענן, היא עובדת עם לקוחות כדי להבין את המטרות והאתגרים שלהם, ולתת הדרכה מרשימה להשגת המטרה שלהם עם הצעות AWS. היא נלהבת מנשים בטכנולוגיה והיא חברת ליבה של Women in AI/ML באמזון. היא מדברת בכנסים פנימיים וחיצוניים כמו AWS re:Invent, AWS Summits וסמינרים מקוונים. מחוץ לעבודה היא נהנית מהתנדבות, גינון, רכיבה על אופניים וטיולים.
- הפצת תוכן ויחסי ציבור מופעל על ידי SEO. קבל הגברה היום.
- PlatoData.Network Vertical Generative Ai. העצים את עצמך. גישה כאן.
- PlatoAiStream. Web3 Intelligence. הידע מוגבר. גישה כאן.
- PlatoESG. פחמן, קלינטק, אנרגיה, סביבה, שמש, ניהול פסולת. גישה כאן.
- PlatoHealth. מודיעין ביוטכנולוגיה וניסויים קליניים. גישה כאן.
- מקור: https://aws.amazon.com/blogs/machine-learning/build-a-contextual-chatbot-application-using-knowledge-bases-for-amazon-bedrock/
- :יש ל
- :הוא
- :איפה
- $ למעלה
- 100
- 125
- 2019
- 2020
- 2021
- 2022
- 23
- 27
- 500
- 7
- 8
- 9
- a
- יכולת
- אודות
- להאיץ
- גישה
- גישה
- פי
- חֶשְׁבּוֹן
- מדויק
- להשיג
- לרוחב
- פעולה
- להוסיף
- נוסף
- כתובות
- מתקדם
- יתרונות
- יועצים
- שוב
- סוכנים
- AI
- מערכות AI
- AI / ML
- מכוון
- תעשיות
- מאפשר
- מאפשר
- לבד
- לאורך
- בַּצַד
- גם
- אמזון בעברית
- אמזון שירותי אינטרנט
- an
- ו
- שנתי
- הכנסה שנתית
- לענות
- מענה
- אנתרופי
- כל
- API
- ממשקי API
- האפליקציה
- בקשה
- יישומים
- יישומית
- גישה
- ארכיטקטורה
- ARE
- AS
- At
- לְהַגדִיל
- מוגבר
- תוספות
- כּוֹכָב הַשַׁחַר
- מחבר
- באופן אוטומטי
- זמין
- שדרה
- רָחוֹק
- AWS
- AWS CloudFormation
- AWS re: המצאה
- בחזרה
- בסיס
- מבוסס
- בסיסי
- מִפרָץ
- חוף
- להיות
- היה
- לפני
- ההתחלה
- מתחיל
- התנהגות
- מאמין
- מוטב
- B
- לוּחַ
- דירקטוריון
- ספר
- מותג
- דפדפן
- לִבנוֹת
- עסקים
- יישומים עסקיים
- by
- CA
- שיחה
- שיחות
- CAN
- יכולות
- הון
- מקרים
- CD
- האתגרים
- שינוי
- שינויים
- חיובים
- צ'אט
- chatbot
- chatbots
- לתשלום
- שבב
- שבבי
- בחירה
- בחרו
- לְנַקוֹת
- קלי
- ענן
- טכנולוגיית ענן
- קוד
- אוסף
- משלב
- איך
- מגיע
- Common
- חברות
- חברה
- להשלים
- מורכבות
- רכיבים
- חישובית
- המחשב
- ראייה ממוחשבת
- מחשוב
- כנסים
- לְחַבֵּר
- קונסול
- צרכן
- הקשר
- קשר
- להתמקד
- להמשיך
- שיחה
- שיחה
- AI שיחה
- שיחות
- הומר
- ליבה
- משותף
- עלות תועלת
- יכול
- לִיצוֹר
- נוצר
- יוצר
- יוצרים
- יצירה
- יוצר
- קריקט
- כיום
- לקוח
- התנהגות ל קוח
- חווית לקוח
- שירות לקוחות
- לקוחות
- אישית
- נתונים
- נקודות מידע
- נתונים מונחים
- מסד נתונים
- ימים
- בְּרִירַת מֶחדָל
- למסור
- נתן
- אספקה
- תלוי
- פרס
- פריסה
- מְתוּאָר
- תיאור
- פרטים
- לקבוע
- לפתח
- מפתח
- צעצועי התפתחות
- תרשים
- DID
- אחר
- דיגיטלי
- דירקטורים
- שונה
- מסמך
- מסמכים
- עושה
- דולר
- תחומים
- לא
- מטה
- להורדה
- כל אחד
- מוקדם יותר
- בשלב מוקדם
- מזרח
- חינוך
- יעיל
- מאמץ
- ללא מאמץ
- או
- הטבעה
- עובדים
- לאפשר
- המאפשר
- מאפשר
- מרתק
- מנוע
- הנדסה
- משופר
- שיפור
- זן
- מִפְעָל
- חברות
- סביבה
- שגיאות
- אֲפִילוּ
- אירועים
- כל
- דוגמה
- ניסיון
- חוויות
- מומחיות
- להסביר
- מוסבר
- המסביר
- חיצוני
- עובדות
- FAIL
- מעטים
- שדה
- שלח
- קבצים
- בסופו של דבר
- ממצאים
- ראשון
- תזרים
- להתמקד
- הבא
- בעד
- קרן
- ארבע
- פרנסיסקו
- חופשי
- החל מ-
- לגמרי
- פונקציה
- g1
- ליצור
- מייצר
- דור
- גנרטטיבית
- AI Generative
- Git
- GitHub
- לתת
- Go
- שערים
- גדלתי
- קרקע
- לגדול
- גדל
- הדרכה
- היה
- לטפל
- מטפל
- יש
- he
- כבד
- הרמת כבד
- עזרה
- לה
- גָבוֹהַ
- ברמה גבוהה
- שֶׁלוֹ
- היסטוריה
- עמוד הבית
- איך
- אולם
- HTML
- http
- HTTPS
- חמישים ק"ג
- ID
- if
- להמחיש
- מדגים
- יישום
- חשוב
- לשפר
- השבחה
- שיפור
- in
- כולל
- כולל
- בע"מ
- משלבת
- להגדיל
- גדל
- מדד
- אינדקסים
- בנפרד
- תעשיות
- לְהוֹדִיעַ
- מידע
- מערכות מידע
- קלט
- פניות
- תובנות
- להתקין
- מיידי
- לשלב
- שילוב
- השתלבות
- אינטראקטיבי
- אינטרסים
- מִמְשָׁק
- פנימי
- כלפי פנים
- אל תוך
- מבוא
- הציג
- השקעה
- מעורר
- מעורב
- כרוך
- IT
- jpg
- מפתח
- ידע
- שפה
- שפות
- גָדוֹל
- מפעלים גדולים
- אחרון
- מאוחר יותר
- הושק
- שכבה
- עוֹפֶרֶת
- מוביל
- למידה
- הכי פחות
- יציאה
- פחות
- מכתב
- רמה
- ספריות
- סִפְרִיָה
- רמה
- כמו
- אוהב
- מוגבל
- קו
- מְקַשֵׁר
- LLM
- מקומי
- ארוך
- מכונה
- למידת מכונה
- ראשי
- עושה
- ניתן לניהול
- הצליח
- מצליח
- ניהול
- ייצור
- רב
- להתאים
- מאי..
- me
- משמעות
- מנגנון
- חבר
- זכרון
- רק
- מִילִיוֹן
- מיליון דולר
- מינימלי
- דקה
- דקות
- מודל
- מודלים
- לשנות
- יותר
- רוב
- מספר
- שם
- טבעי
- עיבוד שפה טבעית
- נווט
- ניווט
- צורך
- נחוץ
- צרכי
- חדש
- הבא
- לא
- ללא חתימה
- הערות
- מחברה
- ציין
- מטרה
- of
- הַצָעָה
- הצעות
- המיוחדות שלנו
- Office
- לעתים קרובות
- on
- ONE
- לפתוח
- קוד פתוח
- אופטימלי
- אפשרות
- אפשרויות
- or
- ארגונים
- אחר
- אַחֶרֶת
- שלנו
- הַחוּצָה
- תפוקה
- בחוץ
- יותר
- ממעל
- סקירה
- שֶׁלוֹ
- עמוד
- זגוגית
- פרמטרים
- שותף
- חלקים
- מעבר
- קטעים
- עבר
- לוהט
- עבר
- תבנית
- אחוזים
- ביצועים
- הרשאות
- אישית
- תכנית
- אפלטון
- מודיעין אפלטון
- אפלטון נתונים
- משחק
- נקודה
- נקודות
- מדיניות
- פופולרי
- פופולריות
- הודעה
- כּוֹחַ
- מופעל
- חזק
- העדפות
- להציג
- מוצג
- מתנות
- קודם
- מנהל
- בעיות
- תהליך
- תהליך
- מעבדים
- מוצרים
- התקדמות
- פרויקטים
- הנחיות
- קניינית
- לספק
- ובלבד
- מספק
- מתן
- רכישות
- פיתון
- שאילתות
- שאלה
- שאלה
- שאלות
- מָהִיר
- סמרטוט
- טִוּוּחַ
- RE
- מוכן
- ממשי
- עולם אמיתי
- זמן אמת
- רשום
- להפחית
- הפחתה
- להתייחס
- אזורים
- באופן קבוע
- קָשׁוּר
- הרלוונטיות
- רלוונטי
- מסיר
- דוחות לדוגמא
- מאגר
- לייצג
- לבקש
- נדרש
- דורש
- משאבים
- להגיב
- תגובה
- תגובות
- שליפה
- החזרות
- הכנסה
- סקירה
- כביש
- תפקיד
- תפקידים
- הפעלה
- פועל
- זמן ריצה
- אותו
- לִטעוֹם
- סן
- סן פרנסיסקו
- הציל
- להרחבה
- דרוג
- תסריט
- Sdk
- חיפוש
- סעיף
- סעיפים
- לבטח
- לִרְאוֹת
- בחר
- נבחר
- סמנטי
- נשלח
- לשרת
- ללא שרת
- שרות
- שירותים
- מושב
- סט
- הגדרות
- התקנה
- בעל מניות
- בעלי המניות
- היא
- טווח קצר
- צריך
- ראווה
- משמעותי
- דומה
- בו זמנית
- יחיד
- מידה
- קטן יותר
- פִּתָרוֹן
- פתרונות
- כמה
- מתוחכם
- מָקוֹר
- מקורות
- מדבר
- מומחים
- מתמחה
- ספציפי
- מפורט
- לפצל
- פיצולים
- לערום
- התחלה
- חברות סטארט
- מדינה
- מצב
- גבעולים
- שלב
- צעדים
- חנות
- מאוחסן
- חנויות
- אחסון
- פשוט
- אִסטרָטֶגִיָה
- לייעל
- להגיש
- לאחר מכן
- באופן משמעותי
- בהצלחה
- כזה
- להציע
- פסגות
- תמיכה
- נתמך
- תומך
- סינכרון.
- מערכת
- מערכות
- שולחן
- מותאם
- לקחת
- לוקח
- משימות
- טק
- טכנולוגיה
- תבנית
- מסוף
- מבחן
- נבדק
- טֶקסט
- מֵאֲשֶׁר
- זֶה
- השמיים
- המידע
- המקור
- שֶׁלָהֶם
- אותם
- אז
- שם.
- לכן
- אלה
- הֵם
- זֶה
- אלה
- שְׁלוֹשָׁה
- דרך
- זמן
- עֲנָק
- ל
- לשנות
- להפעיל
- מהימן
- לנסות
- שתיים
- סוגים
- תחת
- להבין
- עדכון
- נטען
- להשתמש
- מְשׁוּמָשׁ
- משתמש
- משתמשים
- שימושים
- באמצעות
- תועלת
- v1
- בעל ערך
- ערך
- ערכים
- שונים
- חזון
- כֶּרֶך
- רוצה
- היה
- צופה
- דֶרֶך..
- we
- אינטרנט
- דפדפן אינטרנט
- שירותי אינטרנט
- המבוסס על האינטרנט
- סמינרים
- שבוע
- שבועות
- מערב
- מה
- מתי
- אשר
- בזמן
- למה
- יצטרך
- חלון
- עם
- נשים
- נשים בטכנולוגיה
- תיק עבודות
- זרימת עבודה
- זרימות עבודה
- עובד
- עובד
- לכתוב
- לכתוב קוד
- כתוב
- יאמל
- שנה
- שנים
- אתה
- YouTube
- זפירנט