בנוף המתפתח של הייצור, הכוח הטרנספורמטיבי של בינה מלאכותית ולמידת מכונה (ML) ניכרת, המניעה מהפכה דיגיטלית המייעלת את הפעילות ומגבירה את הפרודוקטיביות. עם זאת, התקדמות זו מציגה אתגרים ייחודיים עבור ארגונים הניווטים בפתרונות מונעי נתונים. מתקנים תעשייתיים מתמודדים עם כמויות עצומות של נתונים לא מובנים, שמקורם בחיישנים, מערכות טלמטריה וציוד המפוזרים על פני קווי ייצור. נתונים בזמן אמת הם קריטיים עבור יישומים כמו תחזוקה חזויה וזיהוי חריגות, ובכל זאת פיתוח מודלים מותאמים אישית של ML לכל מקרה שימוש תעשייתי עם נתוני סדרות זמן כאלה דורשים זמן ומשאבים רבים ממדעני נתונים, מה שמפריע לאימוץ נרחב.
AI Generative באמצעות מודלים גדולים של בסיס מאומנים מראש (FMs) כגון קלוד יכול ליצור במהירות מגוון תוכן מטקסט שיחה ועד קוד מחשב המבוסס על הנחיות טקסט פשוטות, המכונה הנחיה לירי אפס. זה מבטל את הצורך של מדעני נתונים לפתח באופן ידני מודלים ספציפיים של ML לכל מקרה שימוש, ולכן הופך את הגישה ל-AI לדמוקרטיזציה, ותורמת אפילו ליצרנים קטנים. עובדים משיגים פרודוקטיביות באמצעות תובנות שנוצרו על ידי בינה מלאכותית, מהנדסים יכולים לזהות חריגות באופן יזום, מנהלי שרשרת אספקה מייעלים את המלאי, והנהגת המפעל מקבלת החלטות מושכלות ומבוססות נתונים.
עם זאת, FM עצמאיים עומדים בפני מגבלות בטיפול בנתונים תעשייתיים מורכבים עם אילוצי גודל הקשר (בדרך כלל פחות מ-200,000 אסימונים), מה שמציב אתגרים. כדי לטפל בזה, אתה יכול להשתמש ביכולת של ה-FM ליצור קוד בתגובה לשאילתות שפה טבעית (NLQs). סוכנים אוהבים PandasAI נכנסים לפעולה, מפעילים את הקוד הזה על נתוני סדרות זמן ברזולוציה גבוהה וטיפול בשגיאות באמצעות FMs. PandasAI היא ספריית Python שמוסיפה יכולות בינה מלאכותית מחוללות לפנדות, כלי הניתוח והמניפולציה הפופולרי של הנתונים.
עם זאת, NLQs מורכבים, כגון עיבוד נתונים של סדרות זמן, צבירה מרובת רמות ופעולות ציר או טבלה משותפת, עלולים להניב דיוק סקריפט לא עקבי של Python עם הנחיה אפסית.
כדי לשפר את דיוק יצירת הקוד, אנו מציעים בנייה דינמית הנחיות מרובות יריות עבור NLQs. הנחיה מרובה צילום מספקת הקשר נוסף ל-FM על ידי הצגתו מספר דוגמאות של פלטים רצויים עבור הנחיות דומות, מה שמגביר את הדיוק והעקביות. בפוסט זה, הנחיות ריבוי יריות מאוחזרות מהטמעה המכילה קוד Python מוצלח המופעל על סוג נתונים דומה (לדוגמה, נתוני סדרות זמן ברזולוציה גבוהה ממכשירי Internet of Things). ההנחיה הנבנית באופן דינמי מרובת יריות מספקת את ההקשר הרלוונטי ביותר ל-FM, ומגבירה את יכולת ה-FM בחישוב מתמטי מתקדם, עיבוד נתוני סדרות זמן והבנת ראשי תיבות של נתונים. תגובה משופרת זו מאפשרת לעובדי הארגון ולצוותים התפעוליים לעסוק בנתונים, להפיק תובנות מבלי להידרש למיומנויות נרחבות של מדעי הנתונים.
מעבר לניתוח נתונים של סדרות זמן, FMs מתגלים כבעלי ערך ביישומים תעשייתיים שונים. צוותי תחזוקה מעריכים את בריאות הנכס, מצלמים תמונות עבור אמזוןסיכומי פונקציונליות מבוססים, וניתוח שורש חריגות באמצעות חיפושים חכמים עם אחזור דור מוגבר (סְמַרטוּט). כדי לפשט את זרימות העבודה הללו, AWS הציגה סלע אמזון, המאפשר לך לבנות ולהרחיב יישומי בינה מלאכותית מחוללת עם אנשי FM מאומנים מראש כמו קלוד v2. עם בסיסי ידע עבור Amazon Bedrock, אתה יכול לפשט את תהליך הפיתוח של RAG כדי לספק ניתוח שורש חריגות מדויק יותר עבור עובדי המפעל. הפוסט שלנו מציג עוזר אינטליגנטי למקרי שימוש תעשייתי המופעל על ידי Amazon Bedrock, מטפל באתגרי NLQ, הפקת סיכומי חלקים מתמונות ומשפר תגובות FM לאבחון ציוד באמצעות גישת RAG.
סקירת פתרונות
התרשים הבא ממחיש את ארכיטקטורת הפתרונות.
זרימת העבודה כוללת שלושה מקרי שימוש ברורים:
מקרה שימוש 1: NLQ עם נתוני סדרות זמן
זרימת העבודה עבור NLQ עם נתוני סדרות זמן מורכבת מהשלבים הבאים:
- אנו משתמשים במערכת ניטור מצב עם יכולות ML לזיהוי אנומליות, כגון אמזון מוניטרון, כדי לפקח על בריאות הציוד התעשייתי. אמזון מוניטרון מסוגלת לזהות כשלים פוטנציאליים בציוד ממדידות הרטט והטמפרטורה של הציוד.
- אנו אוספים נתוני סדרות זמן על ידי עיבוד אמזון מוניטרון נתונים דרך זרמי נתונים של אמזון קינסי ו Amazon Data Firehose, המרתו לפורמט CSV טבלאי ושמירתו ב- שירות אחסון פשוט של אמזון (אמזון S3) דלי.
- משתמש הקצה יכול להתחיל לשוחח עם נתוני סדרת הזמן שלו באמזון S3 על ידי שליחת שאילתת שפה טבעית לאפליקציית Streamlit.
- אפליקציית Streamlit מעבירה שאילתות משתמשים אל Amazon Bedrock Titan דגם הטבעת טקסט להטביע שאילתה זו, ומבצע חיפוש דמיון בתוך שירות חיפוש פתוח של אמזון אינדקס, המכיל NLQs קודמים וקודים לדוגמה.
- לאחר חיפוש הדמיון, הדוגמאות הדומות המובילות, כולל שאלות NLQ, סכימת נתונים וקודי Python, מוכנסות בהודעה מותאמת אישית.
- PandasAI שולח את ההנחיה המותאמת אישית הזו לדגם Amazon Bedrock Claude v2.
- האפליקציה משתמשת בסוכן PandasAI כדי ליצור אינטראקציה עם מודל Amazon Bedrock Claude v2, ויוצרת קוד Python לניתוח נתונים של Amazon Monitron ותגובות NLQ.
- לאחר שמודל Amazon Bedrock Claude v2 מחזיר את קוד Python, PandasAI מריץ את שאילתת Python על נתוני Amazon Monitron שהועלו מהאפליקציה, אוספת פלטי קוד ומתייחסת לכל נסיונות חוזרים הנדרשים עבור ריצות כושלות.
- אפליקציית Streamlit אוספת את התגובה באמצעות PandasAI, ומספקת את הפלט למשתמשים. אם הפלט משביע רצון, המשתמש יכול לסמן אותו כמועיל, לשמור את קוד ה-NLQ וה-Python שנוצר על ידי קלוד ב-OpenSearch Service.
מקרה שימוש 2: יצירת סיכום של חלקים לא תקינים
מקרה השימוש שלנו ליצירת סיכום מורכב מהשלבים הבאים:
- לאחר שהמשתמש יודע איזה נכס תעשייתי מראה התנהגות חריגה, הוא יכול להעלות תמונות של החלק התקול כדי לזהות אם יש משהו פיזי לא בסדר עם החלק הזה לפי המפרט הטכני ומצב הפעולה שלו.
- המשתמש יכול להשתמש ב- Amazon Recognition DetectText API כדי לחלץ נתוני טקסט מהתמונות האלה.
- נתוני הטקסט שחולצו כלולים בהנחיה עבור מודל Amazon Bedrock Claude v2, מה שמאפשר למודל ליצור סיכום של 200 מילים של החלק התקול. המשתמש יכול להשתמש במידע זה כדי לבצע בדיקה נוספת של החלק.
מקרה שימוש 3: אבחון שורש
מקרה השימוש באבחון גורם השורש שלנו מורכב מהשלבים הבאים:
- המשתמש משיג נתונים ארגוניים בפורמטים שונים של מסמכים (PDF, TXT וכן הלאה) הקשורים לנכסים לא תקינים, ומעלה אותם ל-S3 bucket.
- בסיס ידע של קבצים אלה נוצר באמזון Bedrock עם מודל הטמעת טקסט Titan וחנות וקטורית של OpenSearch Service המוגדרת כברירת מחדל.
- המשתמש מציב שאלות הקשורות לאבחון השורש לציוד פגום. התשובות נוצרות באמצעות בסיס הידע של Amazon Bedrock בגישת RAG.
תנאים מוקדמים
כדי לעקוב אחר הפוסט הזה, עליך לעמוד בדרישות הקדם הבאות:
פרוס את תשתית הפתרון
כדי להגדיר את משאבי הפתרון שלך, בצע את השלבים הבאים:
- פרוס את AWS CloudFormation תבנית opensearchsagemaker.yml, שיוצר אוסף ואינדקס של שירות OpenSearch, אמזון SageMaker מופע מחברת, ודלי S3. אתה יכול לתת שם למחסנית AWS CloudFormation זו:
genai-sagemaker
. - פתח את מופע המחברת של SageMaker ב-JupyterLab. תמצא את הדברים הבאים GitHub ריפו הורד כבר במופע הזה: פתיחת-הפוטנציאל-של-הינרטיבי-איי-בפעולות-תעשייתיות.
- הפעל את המחברת מהספרייה הבאה במאגר זה: פתיחת-הפוטנציאל-של-generative-ai-in-industrial-operations/SagemakerNotebook/nlq-vector-rag-embedding.ipynb. מחברת זו תטען את אינדקס OpenSearch Service באמצעות מחברת SageMaker כדי לאחסן צמדי מפתח-ערך מה- קיימות 23 דוגמאות NLQ.
- העלה מסמכים מתיקיית הנתונים assetpartdoc במאגר GitHub לדלי S3 הרשום בפלטי המחסנית של CloudFormation.
לאחר מכן, אתה יוצר את בסיס הידע עבור המסמכים באמזון S3.
- בקונסולת Amazon Bedrock, בחר בסיס ידע בחלונית הניווט.
- בחרו צור בסיס ידע.
- בעד שם מאגר הידע, הכנס שם.
- בעד תפקיד זמן ריצה, בחר צור תפקיד שירות חדש והשתמש בו.
- בעד שם מקור הנתונים, הזן את השם של מקור הנתונים שלך.
- בעד S3 URI, הזן את הנתיב S3 של הדלי שבו העלית את מסמכי סיבת השורש.
- בחרו הַבָּא.
דגם הטבעת Titan נבחר באופן אוטומטי. - בחר צור במהירות חנות וקטורית חדשה.
- סקור את ההגדרות שלך וצור את בסיס הידע על ידי בחירה צור בסיס ידע.
- לאחר שבסיס הידע נוצר בהצלחה, בחר לסנכרן לסנכרן את דלי S3 עם בסיס הידע.
- לאחר שתגדיר את בסיס הידע, תוכל לבדוק את גישת RAG לאבחון גורם שורש על ידי שאילת שאלות כמו "המפעיל שלי נוסע לאט, מה יכולה להיות הבעיה?"
השלב הבא הוא לפרוס את האפליקציה עם חבילות הספרייה הנדרשות במחשב האישי או במופע EC2 (Ubuntu Server 22.04 LTS).
- הגדר את אישורי AWS שלך עם AWS CLI במחשב המקומי שלך. למען הפשטות, אתה יכול להשתמש באותו תפקיד אדמין שבו השתמשת כדי לפרוס את מחסנית CloudFormation. אם אתה משתמש באמזון EC2, לצרף תפקיד IAM מתאים למופע.
- שיבוט GitHub ריפו:
- שנה את הספרייה ל
unlocking-the-potential-of-generative-ai-in-industrial-operations/src
ולהפעיל אתsetup.sh
סקריפט בתיקייה זו כדי להתקין את החבילות הנדרשות, כולל LangChain ו-PandasAI:cd unlocking-the-potential-of-generative-ai-in-industrial-operations/src chmod +x ./setup.sh ./setup.sh
- הפעל את אפליקציית Streamlit עם הפקודה הבאה:
source monitron-genai/bin/activate python3 -m streamlit run app_bedrock.py <REPLACE WITH YOUR BEDROCK KNOWLEDGEBASE ARN>
ספק את אוסף שירות OpenSearch ARN שיצרת ב-Amazon Bedrock מהשלב הקודם.
צ'אט עם עוזר בריאות הנכסים שלך
לאחר שתשלים את הפריסה מקצה לקצה, תוכל לגשת לאפליקציה דרך localhost ביציאה 8501, אשר פותחת חלון דפדפן עם ממשק האינטרנט. אם פרסת את האפליקציה במופע EC2, אפשר גישה ליציאה 8501 באמצעות כלל קבוצת האבטחה הנכנס. אתה יכול לנווט לכרטיסיות שונות עבור מקרי שימוש שונים.
חקור מקרה שימוש 1
כדי לחקור את מקרה השימוש הראשון, בחר תובנות ותרשים נתונים. התחל בהעלאת נתוני סדרת הזמן שלך. אם אין לך קובץ נתוני סדרת זמן קיים לשימוש, תוכל להעלות את הקובץ הבא קובץ CSV לדוגמה עם נתוני פרויקט אנונימיים של Amazon Monitron. אם כבר יש לך פרויקט אמזון מוניטרון, עיין ב הפק תובנות ניתנות לפעולה לניהול תחזוקה חזוי עם Amazon Monitron ו- Amazon Kinesis כדי להזרים את נתוני Amazon Monitron שלך לאמזון S3 ולהשתמש בנתונים שלך עם יישום זה.
כשההעלאה תושלם, הזן שאילתה כדי להתחיל שיחה עם הנתונים שלך. סרגל הצד השמאלי מציע מגוון שאלות לדוגמה לנוחיותך. צילומי המסך הבאים ממחישים את התגובה וקוד הפייתון שנוצרו על ידי ה-FM בעת הזנת שאלה כגון "אמור לי את המספר הייחודי של חיישנים עבור כל אתר המוצג כאזהרה או אזעקה בהתאמה?" (שאלה ברמה קשה) או "עבור חיישנים המוצגים אות טמפרטורה לא בריא, האם אתה יכול לחשב את משך הזמן בימים עבור כל חיישן המוצג אות רטט חריג?" (שאלה ברמת האתגר). האפליקציה תענה על השאלה שלך, ותציג גם את סקריפט Python של ניתוח הנתונים שהיא ביצעה כדי ליצור תוצאות כאלה.
אם אתה מרוצה מהתשובה, אתה יכול לסמן אותה בתור מוֹעִיל, שמירת קוד ה-NLQ ו-Python שנוצר על ידי קלוד באינדקס OpenSearch Service.
חקור מקרה שימוש 2
כדי לחקור את מקרה השימוש השני, בחר את סיכום תמונה מצולמת לשונית באפליקציית Streamlit. אתה יכול להעלות תמונה של הנכס התעשייתי שלך, והאפליקציה תפיק סיכום של 200 מילים של המפרט הטכני ומצב הפעולה שלו על סמך מידע התמונה. צילום המסך הבא מציג את הסיכום שנוצר מתמונה של כונן מנוע רצועה. כדי לבדוק תכונה זו, אם חסרה לך תמונה מתאימה, תוכל להשתמש בתכונה הבאה תמונה לדוגמא.
תווית מנוע מעלית הידראולית" מאת קלרנס רישר מורשה תחת CC BY-SA 2.0.
חקור מקרה שימוש 3
כדי לחקור את מקרה השימוש השלישי, בחר את אבחון שורש לשונית. הזן שאילתה הקשורה לנכס התעשייתי השבור שלך, כגון, "המפעיל שלי נוסע לאט, מה יכולה להיות הבעיה?" כפי שמתואר בצילום המסך הבא, האפליקציה מספקת תגובה עם קטע מסמך המקור המשמש ליצירת התשובה.
מקרה שימוש 1: פרטי עיצוב
בסעיף זה, אנו דנים בפרטי העיצוב של זרימת העבודה של היישום עבור מקרה השימוש הראשון.
בניית הזמנה אישית
שאילתת השפה הטבעית של המשתמש מגיעה עם רמות קשות שונות: קל, קשה ואתגר.
שאלות פשוטות עשויות לכלול את הבקשות הבאות:
- בחר ערכים ייחודיים
- סופרים את המספרים הכוללים
- מיון ערכים
עבור שאלות אלה, PandasAI יכול ליצור אינטראקציה ישירה עם ה-FM כדי ליצור סקריפטים של Python לעיבוד.
שאלות קשות דורשות פעולת צבירה בסיסית או ניתוח סדרות זמן, כגון:
- בחר תחילה ערך וקבץ את התוצאות בצורה היררכית
- בצע נתונים סטטיסטיים לאחר בחירת רשומה ראשונית
- ספירת חותמות זמן (לדוגמה, מינימום ומקסימום)
לשאלות קשות, תבנית מהירה עם הוראות מפורטות שלב אחר שלב מסייעת ל-FM במתן תשובות מדויקות.
שאלות ברמת האתגר זקוקות לחישוב מתמטי מתקדם ועיבוד סדרות זמן, כגון:
- חשב את משך האנומליה עבור כל חיישן
- חשב חיישני אנומליה לאתר על בסיס חודשי
- השווה קריאות חיישנים בפעולה רגילה ובתנאים חריגים
עבור שאלות אלה, תוכל להשתמש בתמונות מרובות בהנחיה מותאמת אישית כדי לשפר את דיוק התגובה. צילומי ריבוי כאלה מציגים דוגמאות של עיבוד סדרות זמן מתקדם וחישוב מתמטי, ויספקו הקשר ל-FM לבצע הסקה רלוונטית על ניתוח דומה. הכנסה דינמית של הדוגמאות הרלוונטיות ביותר ממאגר שאלות NLQ לתוך ההנחיה יכולה להיות אתגר. פתרון אחד הוא לבנות הטמעות מדגימות שאלות קיימות של NLQ ולשמור את ההטמעות הללו בחנות וקטורית כמו OpenSearch Service. כששאלה נשלחת לאפליקציית Streamlit, השאלה תסובב על ידי Bedrock Embeddings. ה-N ההטבעות המובילות ביותר לשאלה זו מאוחזרות באמצעות opensearch_vector_search.similarity_search והוכנס לתבנית ההנחיה כהנחיה מרובה יריות.
התרשים הבא ממחיש זרימת עבודה זו.
שכבת ההטבעה בנויה באמצעות שלושה כלים מרכזיים:
- דגם הטבעות - אנו משתמשים בהטבעות של Amazon Titan הזמינות דרך Amazon Bedrock (amazon.titan-embed-text-v1) כדי ליצור ייצוגים מספריים של מסמכים טקסטואליים.
- חנות וקטור – עבור החנות הווקטורית שלנו, אנו משתמשים ב-OpenSearch Service דרך מסגרת LangChain, מייעלים את האחסון של ההטמעות שנוצרו מדוגמאות NLQ במחברת זו.
- מדד – אינדקס OpenSearch Service ממלא תפקיד מרכזי בהשוואת הטמעות קלט להטמעות מסמכים ומקל על שליפה של מסמכים רלוונטיים. מכיוון שהקודים לדוגמה של Python נשמרו כקובץ JSON, הם נוספו לאינדקס ב-OpenSearch Service בתור וקטורים באמצעות פתח אתSearchVevtorSearch.fromtexts שיחת API.
איסוף רציף של דוגמאות שנבדקו על ידי אדם באמצעות Streamlit
בתחילת פיתוח האפליקציה, התחלנו עם רק 23 דוגמאות שמורות באינדקס OpenSearch Service כהטמעות. כשהאפליקציה עולה לאוויר בשטח, משתמשים מתחילים להזין את ה-NLQ שלהם דרך האפליקציה. עם זאת, בשל הדוגמאות המצומצמות הזמינות בתבנית, ייתכן שחלק מה-NLQ לא ימצאו הנחיות דומות. כדי להעשיר ללא הרף את ההטמעות הללו ולהציע הנחיות רלוונטיות יותר למשתמש, אתה יכול להשתמש באפליקציית Streamlit לאיסוף דוגמאות שנבדקו על ידי אדם.
בתוך האפליקציה, הפונקציה הבאה משרתת מטרה זו. כאשר משתמשי קצה מוצאים את הפלט מועיל ובוחרים מוֹעִיל, היישום מבצע את השלבים הבאים:
- השתמש בשיטת ה-callback מ-PandasAI כדי לאסוף את הסקריפט של Python.
- פורמט מחדש את הסקריפט של Python, שאלת הקלט ומטא נתונים של CSV למחרוזת.
- בדוק אם דוגמה זו של NLQ כבר קיימת באינדקס OpenSearch Service הנוכחי באמצעות opensearch_vector_search.similarity_search_with_score.
- אם אין דוגמה דומה, ה-NLQ הזה מתווסף לאינדקס OpenSearch Service באמצעות opensearch_vector_search.add_texts.
במקרה שמשתמש בוחר לא עוזר, לא ננקטת כל פעולה. תהליך איטרטיבי זה מוודא שהמערכת משתפרת ללא הרף על ידי שילוב דוגמאות של משתמשים.
def addtext_opensearch(input_question, generated_chat_code, df_column_metadata, opensearch_vector_search,similarity_threshold,kexamples, indexname):
#######build the input_question and generated code the same format as existing opensearch index##########
reconstructed_json = {}
reconstructed_json["question"]=input_question
reconstructed_json["python_code"]=str(generated_chat_code)
reconstructed_json["column_info"]=df_column_metadata
json_str = ''
for key,value in reconstructed_json.items():
json_str += key + ':' + value
reconstructed_raw_text =[]
reconstructed_raw_text.append(json_str)
results = opensearch_vector_search.similarity_search_with_score(str(reconstructed_raw_text[0]), k=kexamples) # our search query # return 3 most relevant docs
if (dumpd(results[0][1])<similarity_threshold): ###No similar embedding exist, then add text to embedding
response = opensearch_vector_search.add_texts(texts=reconstructed_raw_text, engine="faiss", index_name=indexname)
else:
response = "A similar embedding is already exist, no action."
return response
על ידי שילוב ביקורת אנושית, כמות הדוגמאות בשירות OpenSearch הזמינה להטמעה מיידית גדלה ככל שהאפליקציה צוברת שימוש. מערך הנתונים המורחב של ההטמעה מביא לדיוק חיפוש משופר לאורך זמן. באופן ספציפי, עבור NLQs מאתגרים, דיוק התגובה של ה-FM מגיע לכ-90% כאשר מוסיפים דוגמאות דומות באופן דינמי לבניית הנחיות מותאמות אישית עבור כל שאלה של NLQ. זה מייצג עלייה בולטת של 28% בהשוואה לתרחישים ללא הנחיות ריבוי יריות.
מקרה שימוש 2: פרטי עיצוב
באפליקציית Streamlit סיכום תמונה מצולמת לשונית, אתה יכול להעלות ישירות קובץ תמונה. זה יוזם את ה-Amazon Rekognition API (detect_text API), חילוץ טקסט מתווית התמונה המפרט את מפרטי המכונה. לאחר מכן, נתוני הטקסט שחולצו נשלחים למודל Amazon Bedrock Claude כהקשר של הנחיה, וכתוצאה מכך סיכום של 200 מילים.
מנקודת מבט של חווית משתמש, הפעלת פונקציונליות סטרימינג עבור משימת סיכום טקסט היא חשיבות עליונה, המאפשרת למשתמשים לקרוא את הסיכום שנוצר על ידי FM בנתחים קטנים יותר במקום לחכות לכל הפלט. Amazon Bedrock מאפשר זרימה דרך ה-API שלה (bedrock_runtime.invoke_model_with_response_stream).
מקרה שימוש 3: פרטי עיצוב
בתרחיש זה, פיתחנו אפליקציית צ'טבוט המתמקדת בניתוח שורש, תוך שימוש בגישת RAG. צ'אט בוט זה שואב ממספר מסמכים הקשורים לציוד נושאות כדי להקל על ניתוח סיבת השורש. צ'אטבוט לניתוח סיבת שורש מבוסס RAG משתמש בבסיסי ידע ליצירת ייצוגי טקסט וקטוריים, או הטמעות. Base Knowledge for Amazon Bedrock היא יכולת מנוהלת במלואה המסייעת לך ליישם את כל זרימת העבודה של RAG, החל מהטמעה ועד אחזור והגדלה מהירה, ללא צורך בבניית אינטגרציות מותאמות אישית למקורות נתונים או לנהל זרימות נתונים ופרטי הטמעת RAG.
כאשר אתה מרוצה מתגובת בסיס הידע מאמזון Bedrock, אתה יכול לשלב את תגובת השורש מבסיס הידע לאפליקציית Streamlit.
לנקות את
כדי לחסוך בעלויות, מחק את המשאבים שיצרת בפוסט הזה:
- מחק את בסיס הידע מאמזון Bedrock.
- מחק את אינדקס שירות OpenSearch.
- מחק את ערימת CloudFormation של genai-sagemaker.
- עצור את מופע EC2 אם השתמשת במופע EC2 כדי להפעיל את אפליקציית Streamlit.
סיכום
יישומי AI גנרטיביים כבר שינו תהליכים עסקיים שונים, והגבירו את הפרודוקטיביות של העובדים ואת מערכי המיומנויות. עם זאת, המגבלות של FM בטיפול בניתוח נתוני סדרות זמן הפריעו לניצול מלא שלהם על ידי לקוחות תעשייתיים. אילוץ זה הפריע ליישום של בינה מלאכותית גנרטיבית לסוג הנתונים העיקרי המעובד מדי יום.
בפוסט זה, הצגנו פתרון יישומי AI גנרטיבי שנועד להקל על האתגר הזה עבור משתמשים תעשייתיים. יישום זה משתמש בסוכן קוד פתוח, PandasAI, כדי לחזק את יכולת ניתוח סדרות הזמן של FM. במקום לשלוח נתוני סדרות זמן ישירות ל-FM, האפליקציה משתמשת ב-PandasAI כדי ליצור קוד Python לניתוח נתוני סדרות זמן לא מובנות. כדי לשפר את הדיוק של יצירת קוד Python, יושמה זרימת עבודה מותאמת אישית של יצירת הנחיות עם ביקורת אנושית.
מוסמכים עם תובנות לגבי בריאות הנכסים שלהם, עובדי תעשייה יכולים לרתום באופן מלא את הפוטנציאל של AI יצירתי על פני מקרי שימוש שונים, כולל אבחון שורש ותכנון החלפת חלקים. עם Base Knowledge for Amazon Bedrock, פתרון RAG הוא פשוט עבור מפתחים לבנות ולנהל.
המסלול של ניהול ותפעול נתונים ארגוניים נע ללא ספק לעבר אינטגרציה עמוקה יותר עם AI גנרטיבי לתובנות מקיפות לגבי בריאות תפעולית. השינוי הזה, בראשות אמזון Bedrock, מוגבר באופן משמעותי על ידי החוסן והפוטנציאל הגדלים של תכניות לימודים כמו אמזון יסוד קלוד 3 כדי להעלות עוד יותר את הפתרונות. למידע נוסף, בקר עיין ב תיעוד אמזון, ולהתעסק עם ה סדנת סלע אמזון.
על המחברים
ג'וליה הו הוא Sr. AI/ML Solutions Architect ב- Amazon Web Services. היא מתמחה ב-AI Generative, Applied Data Science וארכיטקטורת IoT. כיום היא חלק מצוות אמזון Q, וחברה/מנטור פעיל בקהילת השדה הטכני של למידת מכונה. היא עובדת עם לקוחות, החל מסטארט-אפים ועד ארגונים, לפיתוח פתרונות AI גנרטיביים של AWSome. היא נלהבת במיוחד למינוף מודלים של שפה גדולה לניתוח נתונים מתקדם ולחקור יישומים מעשיים הנותנים מענה לאתגרים בעולם האמיתי.
סודאש ססידהארן הוא אדריכל פתרונות בכיר ב-AWS, בתוך צוות האנרגיה. Sudeesh אוהבת להתנסות בטכנולוגיות חדשות ולבנות פתרונות חדשניים הפותרים אתגרים עסקיים מורכבים. כשהוא לא מעצב פתרונות או מתעסק בטכנולוגיות החדישות ביותר, אפשר למצוא אותו על מגרש הטניס עובד על הבקהנד שלו.
ניל דסאי הוא בכיר בטכנולוגיה עם למעלה מ-20 שנות ניסיון בבינה מלאכותית (AI), מדעי נתונים, הנדסת תוכנה וארכיטקטורה ארגונית. ב-AWS, הוא מוביל צוות של ארכיטקטים מומחים לפתרונות בינה מלאכותית ברחבי העולם, המסייעים ללקוחות לבנות פתרונות חדשניים המונעים בינה מלאכותית, לחלוק שיטות עבודה מומלצות עם לקוחות ולהניע את מפת הדרכים של המוצר. בתפקידיו הקודמים ב-Vestas, Honeywell ו-Quest Diagnostics, ניל מילא תפקידי מנהיגות בפיתוח והשקת מוצרים ושירותים חדשניים שסייעו לחברות לשפר את פעילותן, להפחית עלויות ולהגדיל הכנסות. הוא נלהב משימוש בטכנולוגיה כדי לפתור בעיות בעולם האמיתי והוא הוגה דעות אסטרטגי עם רקורד מוכח של הצלחה.
- 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/unlock-the-potential-of-generative-ai-in-industrial-operations/
- :יש ל
- :הוא
- :לֹא
- :איפה
- $ למעלה
- 000
- 1
- 100
- 125
- 150
- 16
- 20
- שנים 20
- 200
- 22
- 23
- 7
- 8
- a
- יכולת
- יכול
- לֹא נוֹרמָלִי
- אודות
- גישה
- פי
- דיוק
- מדויק
- לרוחב
- פעולה
- ניתן לפעולה
- פעיל
- להוסיף
- הוסיף
- נוסף
- כתובת
- פְּנִיָה
- מוסיף
- מנהל
- אימוץ
- מתקדם
- לאחר
- סוֹכֵן
- סוכנים
- - צבירה
- AI
- שירותי AI
- מונע AI
- AI / ML
- אזעקה
- להקל
- מאפשר
- לאורך
- כְּבָר
- גם
- אמזון בעברית
- אמזון
- אמזון
- אמזון שירותי אינטרנט
- מוגבר
- an
- אנליזה
- ניתוח
- ו
- חריגויות
- גילוי חריגות
- אנונימי
- לענות
- תשובות
- אנתרופי
- כל
- API
- האפליקציה
- פיתוח אפליקציות
- בקשה
- יישומים
- יישומית
- גישה
- בערך
- אדריכלים
- ארכיטקטורה
- ARE
- מלאכותי
- בינה מלאכותית
- בינה מלאכותית (AI)
- AS
- לשאול
- לְהַעֲרִיך
- נכס
- נכסים
- עוזר
- אסיסטים
- At
- ביקורת
- מוגבר
- באופן אוטומטי
- זמין
- AWS
- AWS CloudFormation
- בנק
- בסיס
- מבוסס
- בסיסי
- BE
- כי
- היה
- החל
- להתחיל
- התנהגות
- מרוויח
- הטוב ביותר
- שיטות עבודה מומלצות
- חיזוק
- מגביר
- שבור
- דפדפן
- לִבנוֹת
- בִּניָן
- עסקים
- by
- לחשב
- חישוב
- שיחה
- CAN
- יכולות
- יכולת
- ללכוד
- מקרה
- מקרים
- לגרום
- שרשרת
- לאתגר
- האתגרים
- אתגר
- chatbot
- משוחח
- בחרו
- בחירה
- קלי
- לקוחות
- קוד
- קודים
- לגבות
- איסוף
- אוסף
- איך
- מגיע
- קהילה
- חברות
- לעומת
- השוואה
- להשלים
- מורכב
- מַקִיף
- המחשב
- מצב
- רב
- מורכב
- קונסול
- אילוצים
- לבנות
- בנוי
- בנייה
- להתייעץ
- מכיל
- תוכן
- הקשר
- תמיד
- ברציפות
- נוחות
- שיחה
- שיחה
- המרת
- עלויות
- לספור
- בית דין
- לִיצוֹר
- נוצר
- יוצר
- קריטי
- נוֹכְחִי
- כיום
- מנהג
- לקוחות
- יומי
- נתונים
- ניתוח נתונים
- ניתוח נתונים
- ניהול נתונים
- עיבוד נתונים
- מדע נתונים
- נתונים מונחים
- ימים
- החלטות
- עמוק יותר
- בְּרִירַת מֶחדָל
- מספק
- דרישות
- דמוקרטיזציה
- מתואר
- לפרוס
- פרס
- פריסה
- עיצוב
- מעוצב
- תכנון
- רצוי
- מְפוֹרָט
- טיפוח לרכב
- פרטים
- לאתר
- איתור
- לפתח
- מפותח
- מפתחים
- מתפתח
- צעצועי התפתחות
- התקנים
- אבחון
- אבחון
- תרשים
- אחר
- קשה
- דיגיטלי
- מהפכה דיגיטלית
- ישירות
- בספרייה
- לדון
- מפוזרים
- מובהק
- Docs
- מסמך
- מסמכים
- לא
- הוריד
- מצייר
- נהיגה
- נהיגה
- ראוי
- משך
- באופן דינמי
- כל אחד
- קל
- או
- הרם
- מבטל
- אחר
- שבץ
- הטבעה
- העסקת
- מעסיקה
- מה שמאפשר
- מקצה לקצה
- אנרגיה
- מרתק
- הנדסה
- מהנדסים
- להגביר את
- משופר
- שיפור
- להעשיר
- זן
- מִפְעָל
- חברות
- שלם
- ציוד
- שגיאות
- אֲפִילוּ
- אירוע
- ברור
- מתפתח
- דוגמה
- דוגמאות
- מנהלים
- להתקיים
- קיימים
- קיים
- מורחב
- ניסיון
- ניסויים
- לחקור
- היכרות
- נרחב
- תמצית
- פָּנִים
- לְהַקֵל
- מקל
- הקלה
- מתקנים
- נכשל
- כישלונות
- מאפיין
- שדה
- שלח
- קבצים
- ראשון
- זורם
- מרוכז
- לעקוב
- הבא
- כדלקמן
- בעד
- פוּרמָט
- קרן
- מסגרת
- החל מ-
- מלא
- לגמרי
- פונקציה
- פונקציונלי
- נוסף
- לְהַשִׂיג
- רווחים
- איסוף
- ליצור
- נוצר
- יצירת
- דור
- גנרטטיבית
- AI Generative
- לקבל
- GitHub
- Goes
- קְבוּצָה
- גדל
- גדל
- טיפול
- ידות על
- קשה
- רתמת
- יש
- יש
- he
- בְּרִיאוּת
- בריא
- הוחזק
- לעזור
- עזר
- מועיל
- עוזר
- רזולוציה גבוהה
- לו
- התערער
- שֶׁלוֹ
- Honeywell
- אולם
- HTML
- http
- HTTPS
- בן אנוש
- לזהות
- if
- להמחיש
- מדגים
- תמונה
- תמונות
- ליישם
- הפעלה
- יושם
- לשפר
- משופר
- משפר
- in
- לכלול
- כלול
- כולל
- כולל
- שילוב
- להגדיל
- מדד
- -
- התעשייה
- מידע
- הודעה
- בתחילה
- ליזום
- יוזם
- חדשני
- קלט
- קלט
- תובנה
- תובנות
- להתקין
- למשל
- הוראות
- לשלב
- השתלבות
- ואינטגרציות
- מוֹדִיעִין
- אינטליגנטי
- אינטראקציה
- מִמְשָׁק
- אינטרנט
- אינטרנט של דברים
- אל תוך
- הציג
- מציג
- IOT
- סוגיה
- IT
- שֶׁלָה
- משותף
- jpeg
- jpg
- ג'סון
- מפתח
- ידע
- ידוע
- יודע
- תווית
- חוסר
- נוף
- שפה
- גָדוֹל
- האחרון
- השקה
- שכבה
- מנהיגות
- מוביל
- לִלמוֹד
- למידה
- עזבו
- רמות
- מינוף
- סִפְרִיָה
- מורשה
- כמו
- מגבלות
- מוגבל
- קווים
- ברשימה
- לחיות
- לִטעוֹן
- מקומי
- אוהב
- מכונה
- למידת מכונה
- תחזוקה
- עושה
- לנהל
- הצליח
- ניהול
- מנהלים
- מניפולציה
- באופן ידני
- התעשיינים
- ייצור
- סימן
- מתמטיקה
- מקסימום
- מאי..
- me
- מידות
- לִפְגוֹשׁ
- מידע נוסף
- שיטה
- יכול
- דקות
- ML
- מודל
- מודלים
- צג
- ניטור
- אחת לחודש
- יותר
- רוב
- מָנוֹעַ
- נע
- מספר
- שם
- טבעי
- נווט
- מנווט
- ניווט
- הכרחי
- צורך
- חדש
- טכנולוגיות חדשות
- הבא
- לא
- נוֹרמָלִי
- יַקִיר
- מחברה
- מספר
- משיג
- of
- הַצָעָה
- המיוחדות שלנו
- on
- ONE
- רק
- לפתוח
- קוד פתוח
- נפתח
- מבצע
- מבצעי
- תפעול
- מטב
- or
- שלנו
- תפוקה
- פלטים
- יותר
- חבילות
- זוגות
- דובי פנדה
- זגוגית
- הגדול ביותר
- חלק
- במיוחד
- לוהט
- נתיב
- PC
- לְבַצֵעַ
- ביצעתי
- מבצע
- פרספקטיבה
- PHP
- פיזית
- Pivot
- מכריע
- תכנון
- אפלטון
- מודיעין אפלטון
- אפלטון נתונים
- לְשַׂחֵק
- משחק
- פופולרי
- תנוחות
- הודעה
- פוטנציאל
- כּוֹחַ
- מופעל
- מעשי
- פרקטיקות
- תנאים מוקדמים
- קודם
- קודם
- בעיות
- תהליך
- מעובד
- תהליכים
- תהליך
- המוצר
- הפקה
- פִּריוֹן
- מוצרים
- התקדמות
- פּרוֹיֶקט
- נתוני הפרויקט
- הנחיות
- להציע
- להוכיח
- מוכח
- לספק
- מספק
- מתן
- מטרה
- פיתון
- כמות
- שאילתות
- שאלה
- לחקור
- שאלה
- שאלות
- סמרטוט
- רכס
- טִוּוּחַ
- מהר
- במקום
- מגיע
- חומר עיוני
- עולם אמיתי
- זמן אמת
- נתונים בזמן אמת
- הכרה
- שיא
- להפחית
- להתייחס
- קָשׁוּר
- רלוונטי
- להחליף
- תַחֲלִיף
- מאגר
- מייצג
- בקשות
- לדרוש
- נדרש
- משאבים
- בהתאמה
- תגובה
- תגובות
- וכתוצאה מכך
- תוצאות
- שליפה
- לַחֲזוֹר
- החזרות
- הכנסה
- מַהְפֵּכָה
- מפת דרכים
- איתנות
- תפקיד
- תפקידים
- שורש
- הפעלה
- ריצה
- פועל
- בעל חכמים
- אותו
- מרוצה
- מרוצה מ
- שמור
- הציל
- חסכת
- סולם
- תרחיש
- תרחישים
- מדע
- מדענים
- צילומי מסך
- תסריט
- סקריפטים
- חיפוש
- חיפושים
- שְׁנִיָה
- סעיף
- אבטחה
- בחר
- נבחר
- שליחה
- שולח
- לחצני מצוקה לפנסיונרים
- חיישן
- חיישנים
- נשלח
- סדרה
- שרת
- משמש
- שרות
- שירותים
- סט
- סטים
- הגדרות
- כמה
- שיתוף
- היא
- משמרת
- צריך
- לְהַצִיג
- הצגה
- הראה
- הופעות
- לאותת
- באופן משמעותי
- דומה
- פָּשׁוּט
- פשטות
- לפשט
- אתר
- מידה
- מְיוּמָנוּת
- מיומנויות
- להאט
- קטן
- קטן יותר
- So
- תוכנה
- הנדסת תוכנה
- פִּתָרוֹן
- פתרונות
- לפתור
- כמה
- משהו
- מָקוֹר
- מקור
- מקורות
- חוד החנית
- מומחה
- מיוחד
- ספציפי
- במיוחד
- מפרט
- מפרטים
- לערום
- עצמאי
- התחלה
- חברות סטארט-אפ
- מדינה-of-the-art
- סטטיסטיקה
- שלב
- צעדים
- אחסון
- חנות
- פשוט
- אסטרטגי
- זרם
- נהירה
- מייעלת
- התייעלות
- לחזק
- מחרוזת
- כתוצאה מכך
- הצלחה
- מוצלח
- בהצלחה
- כזה
- מַתְאִים
- סיכום
- לספק
- שרשרת אספקה
- בטוח
- סינכרון.
- מערכת
- מערכות
- שולחן
- משימות
- המשימות
- נבחרת
- צוותי
- טכני
- טכנולוגיות
- טכנולוגיה
- תבנית
- טֶנִיס
- מבחן
- טֶקסט
- טקסטואלית
- מֵאֲשֶׁר
- זֶה
- השמיים
- המקור
- שֶׁלָהֶם
- אותם
- אז
- שם.
- לכן
- אלה
- הֵם
- דברים
- הוגה
- שְׁלִישִׁי
- זֶה
- שְׁלוֹשָׁה
- דרך
- זמן
- סדרת זמן
- עֲנָק
- ל
- כלי
- כלים
- חלק עליון
- סה"כ
- לקראת
- לעקוב
- לעקוב אחר
- מסלול
- טרנספורמטיבית
- טרנספורמציה
- נוסע
- סוג
- בדרך כלל
- אובונטו
- תחת
- הבנה
- ייחודי
- לפתוח
- לא מובנה
- נטען
- העלאה
- נוֹהָג
- להשתמש
- במקרה להשתמש
- מְשׁוּמָשׁ
- משתמש
- חוויית משתמש
- משתמשים
- שימושים
- באמצעות
- בעל ערך
- ערך
- מגוון
- שונים
- Vast
- באמצעות
- לְבַקֵר
- כרכים
- הַמתָנָה
- אזהרה
- we
- אינטרנט
- שירותי אינטרנט
- היו
- מה
- מתי
- אם
- אשר
- מי
- נָפוֹץ
- יצטרך
- חלון
- עם
- בתוך
- לְלֹא
- עובד
- עובדים
- זרימת עבודה
- זרימות עבודה
- עובד
- עובד
- עולמי
- טעות
- שנים
- עוד
- תְשׁוּאָה
- אתה
- זפירנט