Sodobni chatboti lahko služijo kot digitalni agenti, ki zagotavljajo novo pot za zagotavljanje 24/7 storitev za stranke in podpore v številnih panogah. Njihova priljubljenost izvira iz zmožnosti odgovarjanja na poizvedbe strank v realnem času in obravnavanja več poizvedb hkrati v različnih jezikih. Klepetalni roboti ponujajo tudi dragocene vpoglede v vedenje strank, ki temeljijo na podatkih, medtem ko se z rastjo baze uporabnikov brez napora prilagajajo; zato predstavljajo stroškovno učinkovito rešitev za privabljanje strank. Klepetalni roboti uporabljajo napredne zmožnosti naravnega jezika velikih jezikovnih modelov (LLM) za odgovarjanje na vprašanja strank. Lahko razumejo pogovorni jezik in se odzovejo naravno. Vendar imajo klepetalni roboti, ki odgovarjajo le na osnovna vprašanja, omejeno uporabnost. Če želite postati zaupanja vredni svetovalci, morajo chatboti zagotoviti premišljene in prilagojene odgovore.
Eden od načinov za omogočanje bolj kontekstualnih pogovorov je povezovanje chatbota z internimi bazami znanja in informacijskimi sistemi. Vključevanje lastniških podatkov podjetja iz notranjih baz znanja omogoča chatbotom, da kontekstualizirajo svoje odzive na posamezne potrebe in interese vsakega uporabnika. Klepetalni robot bi lahko na primer predlagal izdelke, ki ustrezajo kupčevim željam in preteklim nakupom, razložil podrobnosti v jeziku, prilagojenem ravni strokovnega znanja uporabnika, ali zagotovil podporo za račun z dostopom do strankinih specifičnih zapisov. Sposobnost inteligentnega vključevanja informacij, razumevanja naravnega jezika in zagotavljanja prilagojenih odgovorov v pogovornem toku omogoča klepetalnim robotom zagotavljanje prave poslovne vrednosti v različnih primerih uporabe.
Priljubljeni arhitekturni vzorec Povečana generacija pridobivanja (RAG) se pogosto uporablja za razširitev konteksta uporabniške poizvedbe in odgovorov. RAG združuje zmožnosti LLM z utemeljitvijo na dejstvih in znanju iz resničnega sveta, ki izhaja iz pridobivanja ustreznih besedil in odlomkov iz korpusa podatkov. Ta pridobljena besedila se nato uporabijo za informiranje in ozemljitev izhoda, kar zmanjša halucinacije in izboljša relevantnost.
V tej objavi ponazarjamo kontekstualno izboljšanje chatbota z uporabo Baze znanja za Amazon Bedrock, popolnoma upravljana storitev brez strežnika. Baze znanja za integracijo Amazon Bedrock omogočajo našemu klepetalnemu robotu, da zagotovi ustreznejše, prilagojene odgovore s povezovanjem uporabniških poizvedb s povezanimi informacijskimi podatkovnimi točkami. interno, Amazon Bedrock uporablja vdelave, shranjene v vektorski zbirki podatkov, da poveča kontekst uporabniške poizvedbe med izvajanjem in omogoči upravljano rešitev arhitekture RAG. Uporabljamo Amazonova pisma delničarjem nabor podatkov za razvoj te rešitve.
Povečana generacija pridobivanja
RAG je pristop k generiranju naravnega jezika, ki vključuje iskanje informacij v procesu generiranja. Arhitektura RAG vključuje dva ključna delovna toka: predhodno obdelavo podatkov z vnosom in ustvarjanje besedila z uporabo izboljšanega konteksta.
Potek dela za vnos podatkov uporablja LLM za ustvarjanje vdelanih vektorjev, ki predstavljajo semantični pomen besedil. Vdelave so ustvarjene za dokumente in vprašanja uporabnikov. Vdelave dokumentov so razdeljene na dele in shranjene kot indeksi v vektorski bazi podatkov. Potek dela za generiranje besedila nato vzame vdelani vektor vprašanja in ga uporabi za pridobitev najbolj podobnih delov dokumenta na podlagi vektorske podobnosti. Poveča pozive s temi ustreznimi kosi za ustvarjanje odgovora z uporabo LLM. Za več podrobnosti glejte Primer za generiranje razširjenega pridobivanja, vdelave in vektorske baze podatkov oddelek v Predogled – Povežite temeljne modele z viri podatkov vašega podjetja z agenti za Amazon Bedrock.
Naslednji diagram ponazarja visokonivojsko arhitekturo RAG.
Čeprav ima arhitektura RAG veliko prednosti, vključuje več komponent, vključno z bazo podatkov, mehanizmom za iskanje, pozivom in generativnim modelom. Upravljanje teh soodvisnih delov lahko povzroči zapletenost pri razvoju in uvajanju sistema. Integracija pridobivanja in generiranja zahteva tudi dodatne inženirske napore in računalniške vire. Nekatere odprtokodne knjižnice ponujajo ovoje za zmanjšanje teh stroškov; vendar lahko spremembe knjižnic povzročijo napake in dodajo dodatne stroške vodenja različic. Tudi pri odprtokodnih knjižnicah je potrebno veliko truda za pisanje kode, določanje optimalne velikosti kosov, ustvarjanje vdelav in več. Samo ta namestitev lahko traja tedne, odvisno od količine podatkov.
Zato bi lahko upravljana rešitev, ki obravnava te nediferencirane naloge, racionalizirala in pospešila proces izvajanja in upravljanja aplikacij RAG.
Baze znanja za Amazon Bedrock
Baze znanja za Amazon Bedrock je brezstrežniška možnost za izgradnjo zmogljivih pogovornih sistemov umetne inteligence z uporabo RAG. Ponuja popolnoma upravljane poteke dela za vnos podatkov in ustvarjanje besedila.
Za vnos podatkov samodejno ureja ustvarjanje, shranjevanje, upravljanje in posodabljanje besedilnih vdelav podatkov dokumentov v vektorski bazi podatkov. Dokumente razdeli na obvladljive dele za učinkovito iskanje. Kosi se nato pretvorijo v vdelave in zapišejo v vektorski indeks, hkrati pa vam omogočajo ogled izvornih dokumentov, ko odgovarjate na vprašanje.
Za ustvarjanje besedila ponuja Amazon Bedrock RetrieveAndGenerate API za ustvarjanje vdelav uporabniških poizvedb in pridobivanje ustreznih kosov iz vektorske baze podatkov za ustvarjanje natančnih odgovorov. Podpira tudi dodeljevanje vira in kratkoročni pomnilnik, potreben za aplikacije RAG.
To vam omogoča, da se osredotočite na vaše osnovne poslovne aplikacije in odpravite nediferencirano dvigovanje težkega dela.
Pregled rešitev
Rešitev, predstavljena v tej objavi, uporablja chatbota, ustvarjenega z uporabo a Poenostavljeno aplikacijo in vključuje naslednje storitve AWS:
Naslednji diagram je običajen arhitekturni vzorec rešitve, ki ga lahko uporabite za integracijo katere koli aplikacije chatbot v zbirke znanja za Amazon Bedrock.
Ta arhitektura vključuje naslednje korake:
- Uporabnik komunicira z vmesnikom Streamlit chatbot in odda poizvedbo v naravnem jeziku
- To sproži funkcijo Lambda, ki prikliče baze znanja
RetrieveAndGenerate
API. Notranje zbirke znanja uporabljajo an Amazon Titan model vdelave in pretvori uporabniško poizvedbo v vektor ter najde dele, ki so pomensko podobni uporabniški poizvedbi. Uporabniški poziv je nato razširjen s kosi, ki so pridobljeni iz baze znanja. Poziv skupaj z dodatnim kontekstom se nato pošlje LLM za generiranje odgovora. V tej rešitvi uporabljamo Antropični Claude Instant kot naš LLM za ustvarjanje odzivov uporabnikov z uporabo dodatnega konteksta. Upoštevajte, da je ta rešitev podprta v regijah, kjer je Anthropic Claude on Amazon Bedrock Na voljo. - Kontekstualno relevanten odgovor se pošlje nazaj aplikaciji chatbot in uporabniku.
Predpogoji
Uporabniki Amazon Bedrock morajo zahtevati dostop do temeljnih modelov, preden so na voljo za uporabo. To je enkratno dejanje in traja manj kot minuto. Za to rešitev boste morali omogočiti dostop do modela Titan Embeddings G1 – Text in Claude Instant – v1.2 v storitvi Amazon Bedrock. Za več informacij glejte Dostop do modela.
Klonirajte repo GitHub
Rešitev, predstavljena v tej objavi, je na voljo v nadaljevanju GitHub repo. Repozitorij GitHub morate klonirati na vaš lokalni računalnik. Odprite terminalsko okno in zaženite naslednji ukaz. Upoštevajte, da je to en sam ukaz git clone.
Naložite svoj nabor podatkov znanja v Amazon S3
Prenesemo nabor podatkov za našo bazo znanja in ga naložimo v vedro S3. Ta nabor podatkov bo hranil in napajal bazo znanja. Izvedite naslednje korake:
- Pomaknite se na Letna poročila, pooblastila in pisma delničarjem repozitorij podatkov in prenesite pisma delničarjem Amazona zadnjih nekaj let.
- Na konzoli Amazon S3 izberite Žlice v podoknu za krmarjenje.
- Izberite Ustvari vedro.
- Poimenujte vedro
knowledgebase-<your-awsaccount-number>
. - Vse druge nastavitve vedra pustite privzete in izberite ustvarjanje.
- Pomaknite se na
knowledgebase-<your-awsaccount-number>
vedro. - Izberite Ustvari mapo in ga poimenujte nabor podatkov.
- Vse druge nastavitve mape pustite privzete in izberite ustvarjanje.
- Pomaknite se nazaj do vedra domov in izberite Ustvari mapo ustvarite novo mapo in jo poimenujte
lambdalayer
. - Vse druge nastavitve pustite privzete in izberite ustvarjanje.
- Pomaknite se na
dataset
mapa. - Naložite letna poročila, pooblastila in datoteke nabora podatkov delničarjev, ki ste jih prenesli prej, v to vedro in izberite Pošiljanje.
- Pomaknite se na
lambdalayer
mapa. - Naložite
knowledgebase-lambdalayer.zip
datoteka je na voljo pod/lambda/layer
v repo GitHub, ki ste ga prej klonirali, in izberite Pošiljanje. To kodo sloja Lambda boste pozneje uporabili za ustvarjanje funkcije Lambda.
Ustvarite bazo znanja
V tem koraku ustvarimo bazo znanja z uporabo nabora podatkov o pismih delničarjev Amazona, ki smo ga naložili v naše vedro S3 v prejšnjem koraku.
- Na konzoli Amazon Bedrock pod Orkestracija v podoknu za krmarjenje izberite Baza znanja.
- Izberite Ustvarite bazo znanja.
- v Podrobnosti baze znanja vnesite ime in opis po želji.
- v IAM dovoljenja izberite, izberite Ustvarite in uporabite novo storitveno vlogo in vnesite ime za vlogo.
- Po potrebi dodajte oznake.
- Izberite Naslednji.
- pustite Ime vira podatkov kot privzeto ime.
- za S3 URI, izberite Prebrskaj S3 da izberete vedro S3
knowledgebase-<your-account-number>/dataset/
.Pokazati morate na mapo vedra in nabora podatkov, ki ste jo ustvarili v prejšnjih korakih. - v Napredne nastavitve pustite privzete vrednosti (če želite, lahko spremenite privzeto strategijo razčlenjevanja in določite velikost in prekrivanje v odstotkih).
- Izberite Naslednji.
- za Model vdelavtako, da izberete Titan Embedding G1 – Besedilo.
- za Vektorska baza podatkov, lahko izberete Hitro ustvarite novo vektorsko trgovino or Izberite vektorsko trgovino, ki ste jo ustvarili. Upoštevajte, da morate za uporabo vektorske shrambe po vaši izbiri imeti vnaprej konfigurirano vektorsko shrambo. Trenutno podpiramo štiri vrste vektorskih mehanizmov: vektorski mehanizem za Amazon OpenSearch Serverless, Amazon Aurora, Pinecone in Redis Enterprise Cloud. Za to objavo smo izbrali Hitro ustvarjanje nove vektorske shrambe, ki privzeto ustvari novo vektorsko shrambo OpenSearch Serverless v vašem računu.
- Izberite Naslednji.
- o Preglejte in ustvarite strani, preglejte vse informacije ali izberite Prejšnja da spremenite morebitne možnosti.
- Izberite Ustvarite bazo znanja.Upoštevajte, da se začne postopek ustvarjanja baze znanja in status V teku. Ustvarjanje vektorske shrambe in baze znanja bo trajalo nekaj minut. Ne zapuščajte strani, sicer ustvarjanje ne bo uspelo.
- Ko je stanje baze znanja v
Ready
stanja, zabeležite ID baze znanja. Uporabili ga boste v naslednjih korakih za konfiguracijo funkcije Lambda. - Zdaj, ko je baza znanja pripravljena, moramo z njo sinhronizirati podatke o pismih delničarjev Amazona. V Vir podatkov na strani s podrobnostmi baze znanja izberite Sinhronizacija za sprožitev postopka vnosa podatkov iz vedra S3 v bazo znanja.
Ta postopek sinhronizacije razdeli datoteke dokumenta na manjše dele prej določene velikosti, ustvari vektorske vdelave z uporabo izbranega modela vdelave besedila in jih shrani v vektorsko shrambo, ki jo upravljajo zbirke znanja za Amazon Bedrock.
Ko je sinhronizacija nabora podatkov končana, se status vira podatkov spremeni v Ready
država. Upoštevajte, da če dodate dodatne dokumente v podatkovno mapo S3, morate znova sinhronizirati bazo znanja.
Čestitamo, vaša baza znanja je pripravljena.
Upoštevajte, da lahko uporabite tudi baze znanja za API-je storitev Amazon Bedrock in Vmesnik ukazne vrstice AWS (AWS CLI) za programsko ustvarjanje baze znanja. Zagnati boste morali različne razdelke zvezka Jupyter, ki je na voljo pod /notebook
mapo v repo GitHub.
Ustvarite funkcijo Lambda
Ta funkcija Lambda je uvedena z uporabo Oblikovanje oblaka AWS predloga, ki je na voljo v repo GitHub pod /cfn
mapo. Predloga zahteva dva parametra: ime vedra S3 in ID baze znanja.
- Na domači strani storitve AWS CloudFormation izberite Ustvari sklad da ustvarite nov sklad.
- Izberite Predloga je pripravljena za Pripravite predlogo.
- Izberite Naložite datoteko predloge za Vir predloge.
- Izberite Izberite datoteko, poiščite repo GitHub, ki ste ga prej klonirali, in izberite datoteko .yaml pod
/cfn
mapa. - Izberite Naslednji.
- za Ime skladovnice, vnesite ime.
- v parametri vnesite ID baze znanja in ime vedra S3, ki ste si ga zapisali prej.
- Izberite Naslednji.
- Pustite vse privzete možnosti, kot so, izberite Naslednji, in izberite Prijave se.
- Preverite, ali je predloga CloudFormation uspešno delovala in ni nobenih napak.
Čestitamo, uspešno ste ustvarili funkcijo Lambda, povezane vloge in politike.
Preizkusite kontekstualno aplikacijo chatbot
Če želite preizkusiti svojo aplikacijo chatbot, izvedite naslednje korake:
- Odprite nov terminal ali okno ukazne vrstice na vašem računalniku.
- Zaženite naslednji ukaz, da namestite AWS SDK za Python (Boto3). Boto3 omogoča enostavno integracijo aplikacije, knjižnice ali skripta Python s storitvami AWS.
- Zaženite naslednji ukaz za namestitev in nastavitev lokalnega razvojnega okolja Python za zagon aplikacije Streamlit:
- Pomaknite se na
/streamlit
mapo v mapi repozitorija GitHub, ki ste jo prej klonirali. - Zaženite naslednji ukaz, da ustvarite aplikacijo chatbot:
To bi moralo odpreti spletno aplikacijo za klepet, ki jo poganja Streamlit, v vašem privzetem spletnem brskalniku.
- Uporabite to aplikacijo Streamlit chatbot za objavo vprašanj v naravnem jeziku in začnite pogovore, ki jih poganjajo baze znanja za Amazon Bedrock.
Ko oddate poziv, aplikacija Streamlit sproži funkcijo Lambda, ki prikliče baze znanja RetrieveAndGenerate
API za iskanje in ustvarjanje odgovorov.
Naslednja tabela vključuje nekaj vzorčnih vprašanj in povezanih odgovorov baze znanja. Preizkusite nekaj od teh vprašanj z uporabo pozivov.
vprašanja | Odgovori |
Kaj počne Amazon na področju generativne umetne inteligence? | Amazon dela na lastnih velikih jezikovnih modelih (LLM) za generativno umetno inteligenco in verjame, da bo preoblikoval in izboljšal izkušnjo vsake stranke. Načrtujejo, da bodo še naprej veliko vlagali v te modele v vseh svojih izkušnjah potrošnikov, prodajalcev, blagovnih znamk in ustvarjalcev. |
Kakšen je medletni prihodek AWS v letu 2022? | Prihodki AWS so se v letu 29 medletno povečali za 2022 % na osnovi prihodkov v višini 62 milijard USD. |
Koliko dni je Amazon svoje zaposlene pozval, naj pridejo na delo v pisarno? | Amazon je zaposlene v podjetju pozval, naj se od maja 2022 vrnejo v pisarno vsaj tri dni na teden. |
Za koliko odstotkov so se leta 2022 prihodki AWS medletno povečali? | AWS je imel leta 29 2022-odstotni prihodek medletno ('YoY'). |
Kakšno izboljšanje zmogljivosti so čipi Graviton2 v primerjavi s procesorji Graviton3 zagotovili glede na prehod? | Leta 2022 je AWS dostavil svoje čipe Graviton3, ki zagotavljajo 25 % boljšo zmogljivost kot procesorji Graviton2. |
Kateri je bil prvi sklepni čip, ki ga je lansiral AWS glede na prehod? | AWS je svoje prve sklepne čipe (»Inferentia«) lansiral leta 2019 in podjetjem, kot je Amazon, so prihranili več kot sto milijonov dolarjev kapitalskih stroškov. |
Glede na kontekst, v katerem letu se je Amazonov letni prihodek povečal z 245 milijard dolarjev na 434 milijard dolarjev? | Amazonov letni prihodek se je povečal z 245 milijard dolarjev leta 2019 na 434 milijard dolarjev leta 2022. |
Povejte mi še enkrat, kakšni so bili prihodki v letu 2019? | Prihodki Amazona so leta 2019 znašali 245 milijard dolarjev. |
in 2021? | Prihodki Amazona so leta 2021 znašali 469.8 milijarde dolarjev, kar je 22 % več kot leta 2020. |
In še enkrat me spomnite, kdaj je bil lansiran prvi sklepni čip? | Amazonov prvi sklepni čip je bil Inferentia, ki je bil predstavljen leta 2019. |
Med prvim klicem funkcije Lambda je RetrieveAndGenerate
API vrne a sessionId
, ki ga nato posreduje aplikacija Streamlit skupaj z naslednjim uporabniškim pozivom kot vhod v API RetrieveAndGenerate za nadaljevanje pogovora v isti seji. The RetrieveAndGenerate
API upravlja kratkoročni pomnilnik in uporablja zgodovino klepetov, dokler je isti sessionId posredovan kot vnos v zaporednih klicih.
Čestitamo, uspešno ste ustvarili in preizkusili aplikacijo chatbot z uporabo zbirk znanja za Amazon Bedrock.
Čiščenje
Če virov, kot so vedro S3, zbirka brez strežnika OpenSearch in baza znanja, ne izbrišete, boste morali plačati stroške. Če želite počistiti te vire, izbrišite sklad CloudFormation, izbrišite vedro S3 (vključno z vsemi mapami dokumentov in datotekami, shranjenimi v tem vedru), izbrišite zbirko OpenSearch Serverless, izbrišite bazo znanja in izbrišite vse vloge, pravilnike in dovoljenja, ki jih ustvarjen prej.
zaključek
V tej objavi smo podali pregled kontekstualnih chatbotov in pojasnili, zakaj so pomembni. Opisali smo zapletenost vnosa podatkov in delovnih tokov generiranja besedila za arhitekturo RAG. Nato smo predstavili, kako baze znanja za Amazon Bedrock ustvarijo popolnoma upravljan sistem RAG brez strežnika, vključno z vektorsko trgovino. Na koncu smo zagotovili arhitekturo rešitve in vzorčno kodo v a GitHub repo za pridobivanje in ustvarjanje kontekstualnih odgovorov za aplikacijo klepetalnega robota z uporabo baze znanja.
Z razlago vrednosti kontekstualnih chatbotov, izzivov sistemov RAG in kako baze znanja za Amazon Bedrock obravnavajo te izzive, je ta objava želela predstaviti, kako vam Amazon Bedrock omogoča izgradnjo sofisticiranih pogovornih aplikacij AI z minimalnim naporom.
Za več informacij si oglejte Vodnik za razvijalce Amazon Bedrock in API-ji baze znanja.
O avtorjih
Manish Chugh je glavni arhitekt rešitev pri AWS s sedežem v San Franciscu v Kaliforniji. Specializiran je za strojno učenje in generativno umetno inteligenco. Pri težavah, povezanih s strojnim učenjem, sodeluje z organizacijami, od velikih podjetij do zagonskih podjetij v zgodnji fazi. Njegova vloga vključuje pomoč tem organizacijam pri oblikovanju razširljivih, varnih in stroškovno učinkovitih delovnih obremenitev na AWS. Redno se predstavlja na AWS konferencah in drugih partnerskih dogodkih. Zunaj službe uživa v pohodništvu po poteh East Bay, cestnem kolesarjenju in gledanju (in igranju) kriketa.
Mani Khanuja je Tech Lead – Generative AI Specialists, avtorica knjige Applied Machine Learning and High Performance Computing on AWS in članica upravnega odbora Foundation Board of Women in Manufacturing Education Foundation. Vodi projekte strojnega učenja na različnih področjih, kot so računalniški vid, obdelava naravnega jezika in generativna umetna inteligenca. Govori na internih in zunanjih konferencah, kot so AWS re:Invent, Women in Manufacturing West, YouTube spletni seminarji in GHC 23. V prostem času se rada odpravi na dolge teke ob plaži.
Pallavi Nargund je glavni arhitekt rešitev pri AWS. V svoji vlogi podpornice za tehnologijo v oblaku sodeluje s strankami, da bi razumela njihove cilje in izzive ter dala predpisane smernice za doseganje njihovih ciljev s ponudbami AWS. Navdušena je nad ženskami v tehnologiji in je osrednja članica organizacije Women in AI/ML pri Amazonu. Govori na notranjih in zunanjih konferencah, kot so AWS re:Invent, AWS Summits in spletni seminarji. Poleg dela se ukvarja s prostovoljstvom, vrtnarstvom, kolesarjenjem in pohodništvom.
- Distribucija vsebine in PR s pomočjo SEO. Okrepite se še danes.
- PlatoData.Network Vertical Generative Ai. Opolnomočite se. Dostopite tukaj.
- PlatoAiStream. Web3 Intelligence. Razširjeno znanje. Dostopite tukaj.
- PlatoESG. Ogljik, CleanTech, Energija, Okolje, sončna energija, Ravnanje z odpadki. Dostopite tukaj.
- PlatoHealth. Obveščanje o biotehnologiji in kliničnih preskušanjih. Dostopite tukaj.
- vir: https://aws.amazon.com/blogs/machine-learning/build-a-contextual-chatbot-application-using-knowledge-bases-for-amazon-bedrock/
- :ima
- : je
- :kje
- $GOR
- 100
- 125
- 2019
- 2020
- 2021
- 2022
- 23
- 27
- 500
- 7
- 8
- 9
- a
- sposobnost
- O meni
- pospeši
- dostop
- Dostop
- Po
- Račun
- natančna
- Doseči
- čez
- Ukrep
- dodajte
- Dodatne
- naslovi
- napredno
- Prednosti
- svetovalci
- spet
- agenti
- AI
- AI sistemi
- AI / ML
- Namerjen
- vsi
- Dovoli
- omogoča
- sam
- skupaj
- skupaj
- Prav tako
- Amazon
- Amazon Web Services
- an
- in
- letno
- LETNI PRIHODEK
- odgovor
- odgovor
- Antropično
- kaj
- API
- API-ji
- aplikacija
- uporaba
- aplikacije
- uporabna
- pristop
- Arhitektura
- SE
- AS
- At
- povečanje
- Povečana
- razširitve
- aurora
- Avtor
- samodejno
- Na voljo
- Avenue
- stran
- AWS
- Oblikovanje oblaka AWS
- AWS re: Izum
- nazaj
- baza
- temeljijo
- Osnovni
- zaliv
- Beach
- postanejo
- bilo
- pred
- Začetek
- se začne
- vedenje
- meni
- Boljše
- Billion
- svet
- uprava
- Knjiga
- blagovne znamke
- brskalnik
- izgradnjo
- poslovni
- Poslovne aplikacije
- by
- CA
- klic
- poziva
- CAN
- Zmogljivosti
- Kapital
- primeri
- CD
- izzivi
- spremenite
- Spremembe
- Stroški
- klepet
- chatbot
- klepetalnice
- Na blagajno
- čip
- čipi
- izbira
- Izberite
- čiščenje
- cli
- Cloud
- TEHNOLOGIJA V OBLAKU
- Koda
- zbirka
- združuje
- kako
- prihaja
- Skupno
- Podjetja
- podjetje
- dokončanje
- zapletenosti
- deli
- računalniški
- računalnik
- Računalniška vizija
- računalništvo
- konference
- Connect
- Konzole
- Potrošnik
- ozadje
- kontekstualno
- kontekstualizirati
- naprej
- Pogovor
- pogovorni
- pogovorni AI
- pogovorov
- pretvori
- Core
- Corporate
- stroškovno učinkovito
- bi
- ustvarjajo
- ustvaril
- ustvari
- Ustvarjanje
- Oblikovanje
- kreator
- kriket
- Trenutno
- stranka
- vedenje kupcev
- Izkušnje s strankami
- Za stranke
- Stranke, ki so
- meri
- datum
- podatkovne točke
- Podatkov usmerjenih
- Baze podatkov
- Dnevi
- privzeto
- poda
- dostavi
- dostavo
- Odvisno
- razporejeni
- uvajanje
- opisano
- opis
- Podrobnosti
- Ugotovite,
- Razvoj
- Razvojni
- Razvoj
- diagram
- DID
- drugačen
- digitalni
- Direktorji
- razne
- dokument
- Dokumenti
- tem
- dolarjev
- domen
- dont
- navzdol
- prenesi
- vsak
- prej
- v zgodnji fazi
- East
- Izobraževanje
- učinkovite
- prizadevanje
- truda
- bodisi
- vdelava
- Zaposleni
- omogočajo
- omogočevalec
- omogoča
- angažiran
- Motor
- Inženiring
- okrepljeno
- izboljšanje
- Vnesite
- Podjetje
- podjetja
- okolje
- napake
- Tudi
- dogodki
- Tudi vsak
- Primer
- izkušnje
- Doživetja
- strokovno znanje
- Pojasnite
- razložiti
- pojasnjujejo
- zunanja
- dejstva
- FAIL
- Nekaj
- Polje
- file
- datoteke
- končno
- najdbe
- prva
- Pretok
- Osredotočite
- po
- za
- Fundacija
- štiri
- Francisco
- brezplačno
- iz
- v celoti
- funkcija
- g1
- ustvarjajo
- ustvarja
- generacija
- generativno
- Generativna AI
- git
- GitHub
- Daj
- Go
- Cilji
- zrasla
- Igrišče
- Grow
- raste
- Navodila
- imel
- ročaj
- Ročaji
- Imajo
- he
- težka
- težko dvigovanje
- pomoč
- jo
- visoka
- na visoki ravni
- njegov
- zgodovina
- Domov
- Kako
- Vendar
- HTML
- http
- HTTPS
- sto
- ID
- if
- ilustrirajte
- ponazarja
- izvajanja
- Pomembno
- izboljšanje
- Izboljšanje
- izboljšanju
- in
- vključuje
- Vključno
- vključi
- vključuje
- Povečajte
- povečal
- Indeks
- indekse
- individualna
- industrij
- obvesti
- Podatki
- Informacijski sistemi
- vhod
- Poizvedbe
- vpogledi
- namestitev
- instant
- integrirati
- Povezovanje
- integracija
- interaktivni
- interesi
- vmesnik
- notranji
- interno
- v
- uvesti
- Uvedeno
- vlaganjem
- prikliče
- vključeni
- vključuje
- IT
- jpg
- Ključne
- znanje
- jezik
- jeziki
- velika
- Velika podjetja
- Zadnja
- pozneje
- začela
- plast
- vodi
- Interesenti
- učenje
- vsaj
- pustite
- manj
- pismo
- Stopnja
- knjižnice
- Knjižnica
- dviganje
- kot
- všeč mi je
- Limited
- vrstica
- povezovanje
- LLM
- lokalna
- Long
- stroj
- strojno učenje
- Glavne
- IZDELA
- obvladljiv
- upravlja
- upravlja
- upravljanje
- proizvodnja
- več
- Stave
- Maj ..
- me
- kar pomeni,
- Mehanizem
- član
- Spomin
- zgolj
- milijonov
- milijonov dolarjev
- minimalna
- min
- Minute
- Model
- modeli
- spremenite
- več
- Najbolj
- več
- Ime
- naravna
- Obdelava Natural Language
- Krmarjenje
- ostalo
- Nimate
- potrebna
- potrebe
- Novo
- Naslednja
- št
- Noben
- Upoštevajte
- prenosnik
- opozoriti
- Cilj
- of
- ponudba
- Ponudbe
- Ponudbe
- Office
- pogosto
- on
- ONE
- odprite
- open source
- optimalna
- Možnost
- možnosti
- or
- organizacije
- Ostalo
- drugače
- naši
- ven
- izhod
- zunaj
- več
- režijske
- pregled
- lastne
- Stran
- podokno
- parametri
- partner
- deli
- Prehod
- odlomki
- opravil
- strastno
- preteklosti
- Vzorec
- odstotek
- performance
- Dovoljenja
- Prilagojene
- Načrt
- platon
- Platonova podatkovna inteligenca
- PlatoData
- igranje
- Točka
- točke
- politike
- Popular
- Priljubljenost
- Prispevek
- moč
- poganja
- močan
- nastavitve
- predstaviti
- predstavljeni
- darila
- prejšnja
- , ravnateljica
- Težave
- Postopek
- obravnavati
- procesorji
- Izdelki
- Napredek
- projekti
- pozove
- lastniško
- zagotavljajo
- če
- zagotavlja
- zagotavljanje
- nakupi
- Python
- poizvedbe
- poizvedba
- vprašanje
- vprašanja
- Hitri
- krpa
- obsegu
- RE
- pripravljen
- pravo
- resnični svet
- v realnem času
- evidence
- zmanjša
- zmanjšanje
- glejte
- regije
- redno
- povezane
- ustreznost
- pomembno
- odstrani
- Poročila
- Skladišče
- predstavljajo
- zahteva
- obvezna
- zahteva
- viri
- Odzove
- Odgovor
- odgovorov
- iskanje
- vrne
- prihodki
- pregleda
- cesta
- vloga
- vloge
- Run
- deluje
- runtime
- Enako
- Vzorec
- San
- San Francisco
- shranjena
- razširljive
- skaliranje
- script
- SDK
- Iskalnik
- Oddelek
- oddelki
- zavarovanje
- glej
- izberite
- izbran
- pomensko
- poslan
- služijo
- Brez strežnika
- Storitev
- Storitve
- Zasedanje
- nastavite
- nastavitve
- nastavitev
- delničarja
- Delničarji
- je
- kratkoročno
- shouldnt
- predstavitev
- pomemben
- Podoben
- hkrati
- sam
- Velikosti
- manj
- Rešitev
- rešitve
- nekaj
- prefinjeno
- vir
- Viri
- Govori
- strokovnjaki
- specializirano
- specifična
- določeno
- po delih
- Razcepi
- sveženj
- Začetek
- Ustanavljanjem
- Država
- Status
- stebla
- Korak
- Koraki
- trgovina
- shranjeni
- trgovine
- shranjevanje
- naravnost
- Strategija
- racionalizirati
- predloži
- kasneje
- v bistvu
- Uspešno
- taka
- predlagajte
- Vrhovi
- podpora
- Podprti
- Podpira
- sinhronizacijo.
- sistem
- sistemi
- miza
- prilagojene
- Bodite
- meni
- Naloge
- tech
- Tehnologija
- Predloga
- terminal
- Test
- Testiran
- besedilo
- kot
- da
- O
- informacije
- Vir
- njihove
- Njih
- POTEM
- Tukaj.
- zato
- te
- jih
- ta
- tisti,
- 3
- skozi
- čas
- titan
- do
- Transform
- sprožijo
- zaupa
- poskusite
- dva
- Vrste
- pod
- razumeli
- posodabljanje
- naložili
- uporaba
- Rabljeni
- uporabnik
- Uporabniki
- uporablja
- uporabo
- pripomoček
- v1
- dragocene
- vrednost
- Vrednote
- različnih
- Vizija
- Obseg
- želeli
- je
- gledanju
- način..
- we
- web
- spletni brskalnik
- spletne storitve
- Web-Based
- Webinars
- teden
- Weeks
- West
- Kaj
- kdaj
- ki
- medtem
- zakaj
- bo
- okno
- z
- Ženske
- ženske v tehnologiji
- delo
- potek dela
- delovnih tokov
- deluje
- deluje
- pisati
- napisati kodo
- pisni
- yaml
- leto
- let
- Vi
- Vaša rutina za
- youtube
- zefirnet