V današnji pokrajini interakcije ena na ena s strankami pri oddaji naročil se prevladujoča praksa še naprej zanaša na človeško pomoč, tudi v okoljih, kot so kavarne z avtomobilom in restavracije s hitro prehrano. Ta tradicionalni pristop predstavlja več izzivov: močno je odvisen od ročnih procesov, težko se učinkovito prilagaja z naraščajočimi zahtevami strank, uvaja možnost človeških napak in deluje v določenih urah razpoložljivosti. Poleg tega se lahko na konkurenčnih trgih podjetjem, ki se držijo izključno ročnih postopkov, zdi izziv zagotoviti učinkovite in konkurenčne storitve. Kljub tehnološkemu napredku ostaja model, osredotočen na človeka, globoko zakoreninjen v obdelavi naročil, kar vodi do teh omejitev.
Že nekaj časa je na voljo možnost uporabe tehnologije za pomoč pri obdelavi naročil ena na ena. Vendar lahko obstoječe rešitve pogosto spadajo v dve kategoriji: sistemi, ki temeljijo na pravilih in zahtevajo precej časa in truda za nastavitev in vzdrževanje, ali togi sistemi, ki nimajo prožnosti, potrebne za človeške interakcije s strankami. Posledično se podjetja in organizacije soočajo z izzivi pri hitri in učinkoviti implementaciji takšnih rešitev. Na srečo s prihodom generativni AI in veliki jezikovni modeli (LLM), je zdaj mogoče ustvariti avtomatizirane sisteme, ki lahko učinkovito obravnavajo naravni jezik, in s pospešeno časovno osjo.
Amazon Bedrock je popolnoma upravljana storitev, ki ponuja izbiro visoko zmogljivih temeljnih modelov (FM) vodilnih podjetij z umetno inteligenco, kot so AI21 Labs, Anthropic, Cohere, Meta, Stability AI in Amazon prek enega samega API-ja, skupaj s širokim naborom zmogljivosti, ki jih potrebo po izdelavi generativnih aplikacij umetne inteligence z varnostjo, zasebnostjo in odgovorno umetno inteligenco. Poleg storitve Amazon Bedrock lahko uporabljate tudi druge storitve AWS, npr Amazon SageMaker JumpStart in Amazon Lex za ustvarjanje popolnoma avtomatiziranih in enostavno prilagodljivih generativnih agentov za obdelavo naročil z umetno inteligenco.
V tej objavi vam pokažemo, kako z uporabo Amazon Lex, Amazon Bedrock in AWS Lambda.
Pregled rešitev
Naslednji diagram ponazarja našo arhitekturo rešitev.
Potek dela je sestavljen iz naslednjih korakov:
- Stranka odda naročilo z uporabo Amazon Lex.
- Bot Amazon Lex interpretira kupčeve namere in sproži a
DialogCodeHook
. - Funkcija Lambda potegne ustrezno predlogo poziva iz plasti Lambda in oblikuje pozive modela tako, da doda vnos stranke v povezano predlogo poziva.
- O
RequestValidation
prompt preveri naročilo z menijsko postavko in stranko prek Amazon Lex obvesti, če želi naročiti nekaj, kar ni del menija, in bo zagotovil priporočila. Poziv izvede tudi predhodno preverjanje popolnosti naročila. - O
ObjectCreator
prompt pretvori zahteve naravnega jezika v podatkovno strukturo (format JSON). - Funkcija validatorja stranke Lambda preveri zahtevane atribute za naročilo in potrdi, ali so prisotne vse potrebne informacije za obdelavo naročila.
- Funkcija Lambda stranke vzame podatkovno strukturo kot vhod za obdelavo naročila in posreduje skupno vrednost naročila nazaj funkciji Lambda za orkestracijo.
- Funkcija orkestriranja Lambda pokliče končno točko Amazon Bedrock LLM, da ustvari končni povzetek naročila, vključno s skupno vrednostjo naročila iz sistema baze podatkov strank (npr. Amazon DynamoDB).
- Povzetek naročila se stranki sporoči nazaj prek storitve Amazon Lex. Ko kupec potrdi naročilo, bo naročilo obdelano.
Predpogoji
Ta objava predvideva, da imate aktiven račun AWS in poznate naslednje koncepte in storitve:
Če želite dostopati do Amazon Bedrock iz funkcij Lambda, se morate prepričati, da ima izvajalno okolje Lambda naslednje knjižnice:
- boto3>=1.28.57
- awscli>=1.29.57
- botocore>=1.31.57
To lahko storite z Lambda plast ali z uporabo določenega AMI z zahtevanimi knjižnicami.
Poleg tega so te knjižnice potrebne pri klicu API-ja Amazon Bedrock iz Amazon SageMaker Studio. To lahko storite tako, da zaženete celico z naslednjo kodo:
Na koncu ustvarite naslednji pravilnik in ga pozneje pripnete kateri koli vlogi, ki dostopa do Amazon Bedrock:
Ustvari tabelo DynamoDB
V našem specifičnem scenariju smo ustvarili tabelo DynamoDB kot naš sistem baze podatkov o strankah, lahko pa jo uporabite tudi vi Služba za relacijske baze podatkov Amazon (Amazon RDS). Izvedite naslednje korake, da zagotovite svojo tabelo DynamoDB (ali prilagodite nastavitve, kot je potrebno za vaš primer uporabe):
- Na konzoli DynamoDB izberite Mize v podoknu za krmarjenje.
- Izberite Ustvari tabelo.
- za Ime tabele, vnesite ime (npr.
ItemDetails
). - za Particijski ključ, vnesite ključ (za to objavo uporabljamo
Item
). - za Razvrsti ključ, vnesite ključ (za to objavo uporabljamo
Size
). - Izberite Ustvari tabelo.
Zdaj lahko naložite podatke v tabelo DynamoDB. Za to objavo uporabljamo datoteko CSV. Podatke lahko naložite v tabelo DynamoDB s kodo Python v zvezku SageMaker.
Najprej moramo nastaviti profil z imenom dev.
- Odprite nov terminal v SageMaker Studio in zaženite naslednji ukaz:
Ta ukaz vas bo pozval, da vnesete ID ključa za dostop do AWS, skrivni ključ za dostop, privzeto regijo AWS in izhodni format.
- Vrnite se v zvezek SageMaker in napišite kodo Python za nastavitev povezave z DynamoDB z uporabo knjižnice Boto3 v Pythonu. Ta delček kode ustvari sejo z uporabo določenega profila AWS z imenom dev in nato ustvari odjemalca DynamoDB s to sejo. Sledi vzorec kode za nalaganje podatkov:
Lahko pa uporabite tudi NoSQL Workbench ali druga orodja za hitro nalaganje podatkov v tabelo DynamoDB.
Sledi posnetek zaslona po vstavitvi vzorčnih podatkov v tabelo.
Ustvarite predloge v prenosnem računalniku SageMaker z API-jem za priklic Amazon Bedrock
Za ustvarjanje naše predloge za poziv za ta primer uporabe uporabljamo Amazon Bedrock. Do Amazon Bedrock lahko dostopate iz Konzola za upravljanje AWS in prek klicev API-ja. V našem primeru dostopamo do Amazon Bedrock prek API-ja iz priročnega prenosnega računalnika SageMaker Studio, da ustvarimo ne le našo predlogo za poziv, ampak našo celotno kodo za priklic API-ja, ki jo lahko pozneje uporabimo v naši funkciji Lambda.
- Na konzoli SageMaker dostopajte do obstoječe domene SageMaker Studio ali ustvarite novo za dostop do Amazon Bedrock iz prenosnega računalnika SageMaker.
- Ko ustvarite domeno in uporabnika SageMaker, izberite uporabnika in izberite Zagon in študija. To bo odprlo okolje JupyterLab.
- Ko je okolje JupyterLab pripravljeno, odprite nov zvezek in začnite uvažati potrebne knjižnice.
Prek Amazon Bedrock Python SDK je na voljo veliko FM-jev. V tem primeru uporabljamo Claude V2, močan osnovni model, ki ga je razvil Anthropic.
Agent za obdelavo naročil potrebuje nekaj različnih predlog. To se lahko spremeni glede na primer uporabe, vendar smo oblikovali splošen potek dela, ki se lahko uporablja za več nastavitev. Za ta primer uporabe bo predloga Amazon Bedrock LLM dosegla naslednje:
- Potrdite namen stranke
- Potrdite zahtevo
- Ustvarite podatkovno strukturo naročila
- Stranki posredujte povzetek naročila
- Če želite priklicati model, iz Boto3 ustvarite objekt izvajalnega okolja.
Začnimo z delom na predlogi poziva potrjevalnika namena. To je ponavljajoč se postopek, a zahvaljujoč Anthropicovemu hitremu inženirskemu vodniku lahko hitro ustvarite poziv, ki lahko opravi nalogo.
- Ustvarite prvo predlogo poziva skupaj s pomožno funkcijo, ki bo pomagala pripraviti telo na klice API-ja.
Sledi koda za prompt_template_intent_validator.txt:
- Shranite to predlogo v datoteko, da jo naložite v Amazon S3 in po potrebi pokličete iz funkcije Lambda. Shranite predloge kot serializirane nize JSON v besedilni datoteki. Prejšnji posnetek zaslona prikazuje tudi vzorec kode za dosego tega.
- Ponovite iste korake z drugimi predlogami.
Sledi nekaj posnetkov zaslona drugih predlog in rezultatov pri klicu Amazon Bedrock z nekaterimi izmed njih.
Sledi koda za prompt_template_request_validator.txt:
Sledi naš odgovor Amazon Bedrock z uporabo te predloge.
Sledi koda za prompt_template_object_creator.txt
:
Sledi koda za prompt_template_order_summary.txt:
Kot lahko vidite, smo uporabili naše predloge pozivov za preverjanje elementov menija, prepoznavanje manjkajočih zahtevanih informacij, ustvarjanje strukture podatkov in povzetek vrstnega reda. Osnovni modeli, ki so na voljo na Amazon Bedrock, so zelo zmogljivi, tako da lahko s temi predlogami opravite še več nalog.
Dokončali ste načrtovanje pozivov in shranili predloge v besedilne datoteke. Zdaj lahko začnete ustvarjati Amazon Lex bot in povezane funkcije Lambda.
Ustvarite plast Lambda s predlogami pozivov
Izvedite naslednje korake, da ustvarite plast Lambda:
- V SageMaker Studio ustvarite novo mapo s podmapo z imenom
python
. - Kopirajte svoje datoteke pozivov v
python
mapa.
- Knjižnico ZIP lahko dodate svojemu primerku prenosnega računalnika tako, da zaženete naslednji ukaz.
- Zdaj zaženite naslednji ukaz, da ustvarite datoteko ZIP za nalaganje v sloj Lambda.
- Ko ustvarite datoteko ZIP, jo lahko prenesete. Pojdite na Lambda, ustvarite novo plast tako, da neposredno naložite datoteko ali jo najprej naložite v Amazon S3.
- Nato to novo plast pritrdite na funkcijo Lambda orkestracije.
Zdaj so vaše datoteke predlog pozivov lokalno shranjene v vašem izvajalnem okolju Lambda. To bo pospešilo postopek med izvajanjem vašega bota.
Ustvarite plast Lambda z zahtevanimi knjižnicami
Izvedite naslednje korake, da ustvarite svojo lambda plast z zahtevanimi knjižnicami:
- odpiranje AWS Cloud9 okolje primerka, ustvarite mapo s podmapo, imenovano
python
. - Odprite terminal znotraj
python
mapa. - Iz terminala zaženite naslednje ukaze:
- Run
cd ..
in se postavite v svojo novo mapo, kjer imate tudipython
podmapa. - Zaženite ta ukaz:
- Ko ustvarite datoteko ZIP, jo lahko prenesete. Pojdite na Lambda, ustvarite novo plast tako, da neposredno naložite datoteko ali jo najprej naložite v Amazon S3.
- Nato to novo plast pritrdite na funkcijo Lambda orkestracije.
Ustvarite bota v Amazon Lex v2
Za ta primer uporabe izdelamo bota Amazon Lex, ki lahko zagotovi vhodno/izhodni vmesnik za arhitekturo, da pokliče Amazon Bedrock z uporabo glasu ali besedila iz katerega koli vmesnika. Ker bo LLM obravnaval del pogovora tega agenta za obdelavo naročil, Lambda pa bo vodil potek dela, lahko ustvarite bota s tremi nameni in brez rež.
- Na konzoli Amazon Lex ustvarite novega bota z metodo Ustvarite prazen bot.
Zdaj lahko dodate namen s katero koli ustrezno začetno izjavo, da končni uporabniki začnejo pogovor z botom. Uporabljamo preproste pozdrave in dodamo začetni odgovor bota, da lahko končni uporabniki podajo svoje zahteve. Pri ustvarjanju bota se prepričajte, da uporabljate kavelj kode Lambda z nameni; to bo sprožilo funkcijo Lambda, ki bo vodila potek dela med stranko, Amazon Lex in LLM.
- Dodajte svoj prvi namen, ki sproži potek dela in uporabi predlogo poziva za preverjanje namena, da pokliče Amazon Bedrock in ugotovi, kaj stranka poskuša doseči. Dodajte nekaj preprostih izjav, da končni uporabniki začnejo pogovor.
Ni vam treba uporabiti nobenih rež ali začetnega branja v nobenem od namenov bota. Pravzaprav vam drugemu ali tretjemu namenu ni treba dodajati izjav. To je zato, ker bo LLM vodil Lambdo skozi celoten proces.
- Dodajte potrditveni poziv. To sporočilo lahko pozneje prilagodite v funkciji Lambda.
- Pod Kljuke za kodotako, da izberete Za inicializacijo in preverjanje uporabite funkcijo Lambda.
- Ustvarite drugo namero brez izjave in brez začetnega odgovora. To je
PlaceOrder
namen.
Ko LLM ugotovi, da stranka poskuša oddati naročilo, bo funkcija Lambda sprožila to namero in preverila zahtevo stranke glede na meni ter se prepričala, da ne manjka nobena zahtevana informacija. Ne pozabite, da je vse to v predlogah pozivov, tako da lahko ta potek dela prilagodite za vsak primer uporabe, tako da spremenite predloge pozivov.
- Ne dodajajte nobenih mest, dodajte pa potrditveni poziv in zavrnitev odgovora.
- Izberite Za inicializacijo in preverjanje uporabite funkcijo Lambda.
- Ustvarite tretji namen z imenom
ProcessOrder
brez vzorčnih izjav in brez slotov. - Dodajte začetni odgovor, potrditveni poziv in zavrnitveni odgovor.
Ko LLM potrdi zahtevo stranke, funkcija Lambda sproži tretjo in zadnjo namero za obdelavo naročila. Tu bo Lambda uporabil predlogo za ustvarjanje objektov za ustvarjanje podatkovne strukture naročila JSON za poizvedbo v tabeli DynamoDB in nato uporabil predlogo povzetka naročila za povzetek celotnega naročila skupaj s skupno količino, tako da ga lahko Amazon Lex posreduje stranki.
- Izberite Za inicializacijo in preverjanje uporabite funkcijo Lambda. To lahko uporabi katero koli funkcijo Lambda za obdelavo naročila, potem ko stranka poda končno potrditev.
- Ko ustvarite vse tri namere, pojdite v Visual Builder za
ValidateIntent
, dodajte korak namena pojdi na in povežite izhod pozitivne potrditve s tem korakom. - Ko dodate namen pojdi na, ga uredite in kot ime namena izberite namen PlaceOrder.
- Podobno, če želite uporabiti Visual builder za
PlaceOrder
namero in povežite izhod pozitivne potrditve zProcessOrder
go-to intent. Urejanje ni potrebno zaProcessOrder
namen. - Zdaj morate ustvariti funkcijo Lambda, ki orkestrira Amazon Lex in kliče tabelo DynamoDB, kot je podrobno opisano v naslednjem razdelku.
Ustvarite funkcijo Lambda za orkestracijo bota Amazon Lex
Zdaj lahko zgradite funkcijo Lambda, ki usklajuje bota Amazon Lex in potek dela. Izvedite naslednje korake:
- Ustvarite funkcijo Lambda s standardno politiko izvajanja in pustite, da Lambda ustvari vlogo za vas.
- V okno s kodo vaše funkcije dodajte nekaj uporabnih funkcij, ki vam bodo v pomoč: formatirajte pozive z dodajanjem konteksta lex v predlogo, pokličite Amazon Bedrock LLM API, izvlecite želeno besedilo iz odgovorov in drugo. Oglejte si naslednjo kodo:
- Tej funkciji pripnite sloj Lambda, ki ste ga prej ustvarili.
- Poleg tega pripnite plast na predloge pozivov, ki ste jih ustvarili.
- V vlogi izvajanja Lambda priložite pravilnik za dostop do Amazon Bedrock, ki je bil ustvarjen prej.
Izvajalska vloga Lambda mora imeti naslednja dovoljenja.
Priključite funkcijo Orchestration Lambda botu Amazon Lex
- Ko ustvarite funkcijo v prejšnjem razdelku, se vrnite na konzolo Amazon Lex in se pomaknite do svojega bota.
- Pod jeziki v podoknu za krmarjenje izberite Angleščina.
- za vir, izberite svojega bota za obdelavo naročil.
- za Različica ali vzdevek funkcije Lambda, izberite NAJNOVEJŠE $.
- Izberite Shrani.
Ustvarite pomožne funkcije Lambda
Izvedite naslednje korake, da ustvarite dodatne funkcije Lambda:
- Ustvarite funkcijo Lambda za poizvedbo po tabeli DynamoDB, ki ste jo ustvarili prej:
- Pomaknite se na konfiguracija zavihek v funkciji Lambda in izberite Dovoljenja.
- Priložite izjavo o pravilniku, ki temelji na virih, ki omogoča, da funkcija Lambda za obdelavo naročila prikliče to funkcijo.
- Pomaknite se do vloge izvajanja IAM za to funkcijo Lambda in dodajte pravilnik za dostop do tabele DynamoDB.
- Ustvarite drugo funkcijo Lambda za preverjanje, ali je stranka posredovala vse zahtevane atribute. V naslednjem primeru preverimo, ali je atribut velikosti zajet za naročilo:
- Pomaknite se na konfiguracija zavihek v funkciji Lambda in izberite Dovoljenja.
- Priložite izjavo o pravilniku, ki temelji na virih, ki omogoča, da funkcija Lambda za obdelavo naročila prikliče to funkcijo.
Preizkusite raztopino
Zdaj lahko preizkusimo rešitev s primeri naročil, ki jih stranke oddajo prek Amazon Lex.
Za naš prvi primer je stranka zahtevala frappuccino, ki ga ni na meniju. Model validira s pomočjo predloge validatorja naročil in na podlagi menija predlaga nekaj priporočil. Ko kupec potrdi naročilo, prejme obvestilo o skupnem znesku naročila in povzetku naročila. Naročilo bo obdelano na podlagi končne potrditve kupca.
V našem naslednjem primeru stranka naroča velik kapučino in nato spremeni velikost iz velikega v srednjega. Model zajame vse potrebne spremembe in od kupca zahteva potrditev naročila. Model prikazuje skupno naročilo in povzetek naročila ter obdela naročilo na podlagi končne potrditve stranke.
Za naš zadnji primer je stranka oddala naročilo za več predmetov, pri nekaj izdelkih pa manjka velikost. Model in funkcija Lambda bosta preverila, ali so prisotni vsi zahtevani atributi za obdelavo naročila, nato pa od stranke zahtevala, da zagotovi manjkajoče informacije. Ko stranka vnese manjkajoče podatke (v tem primeru velikost kave), se ji prikaže skupni znesek naročila in povzetek naročila. Naročilo bo obdelano na podlagi končne potrditve kupca.
LLM omejitve
Izhodi LLM so po naravi stohastični, kar pomeni, da se lahko rezultati našega LLM razlikujejo v obliki ali celo v obliki neresnične vsebine (halucinacije). Zato se morajo razvijalci zanašati na dobro logiko obravnavanja napak v celotni kodi, da lahko obravnavajo te scenarije in se izognejo poslabšani izkušnji končnega uporabnika.
Čiščenje
Če te rešitve ne potrebujete več, lahko izbrišete naslednje vire:
- Lambda funkcije
- Škatla Amazon Lex
- Tabela DynamoDB
- Vedro S3
Poleg tega zaustavite primerek SageMaker Studio, če aplikacija ni več potrebna.
Ocena stroškov
Za informacije o cenah za glavne storitve, ki jih uporablja ta rešitev, glejte naslednje:
Upoštevajte, da lahko Claude v2 uporabljate brez potrebe po zagotavljanju, tako da skupni stroški ostanejo minimalni. Za nadaljnje zmanjšanje stroškov lahko tabelo DynamoDB konfigurirate z nastavitvijo na zahtevo.
zaključek
Ta objava je pokazala, kako zgraditi agenta za obdelavo naročil z umetno inteligenco, ki podpira govor, z uporabo Amazon Lex, Amazon Bedrock in drugih storitev AWS. Pokazali smo, kako lahko hitro inženirstvo z zmogljivim generativnim modelom AI, kot je Claude, omogoči robustno razumevanje naravnega jezika in tokove pogovorov za obdelavo naročil brez potrebe po obsežnih podatkih za usposabljanje.
Arhitektura rešitve uporablja komponente brez strežnika, kot so Lambda, Amazon S3 in DynamoDB, da omogoči prilagodljivo in razširljivo izvedbo. Shranjevanje predlog pozivov v Amazon S3 vam omogoča, da prilagodite rešitev za različne primere uporabe.
Naslednji koraki bi lahko vključevali razširitev agentovih zmogljivosti za obravnavanje širšega nabora zahtev strank in robnih primerov. Predloge pozivov ponujajo način za ponavljajoče se izboljšanje veščin agenta. Dodatne prilagoditve lahko vključujejo integracijo podatkov o naročilu z zalednimi sistemi, kot so inventar, CRM ali POS. Nazadnje, agent bi lahko bil na voljo v različnih stičnih točkah strank, kot so mobilne aplikacije, drive-thru, kioski in drugo z uporabo večkanalnih zmogljivosti Amazon Lex.
Če želite izvedeti več, si oglejte naslednje povezane vire:
- Namestitev in upravljanje večkanalnih robotov:
- Hiter inženiring za Claude in druge modele:
- Arhitekturni vzorci brez strežnika za razširljive pomočnike AI:
O avtorjih
Moumita Dutta je arhitekt partnerskih rešitev pri Amazon Web Services. V svoji vlogi tesno sodeluje s partnerji pri razvoju razširljivih in večkrat uporabnih sredstev, ki poenostavljajo uvedbe v oblaku in povečujejo operativno učinkovitost. Je članica skupnosti AI/ML in strokovnjakinja za generativno umetno inteligenco pri AWS. V prostem času rada vrtnari in kolesari.
Fernando Lammoglia je arhitekt partnerskih rešitev pri Amazon Web Services, ki tesno sodeluje s partnerji AWS pri vodenju razvoja in sprejemanja najsodobnejših rešitev AI v poslovnih enotah. Strateški vodja s strokovnim znanjem in izkušnjami na področju arhitekture oblaka, generativne umetne inteligence, strojnega učenja in analitike podatkov. Specializiran je za izvajanje strategij vstopa na trg in zagotavljanje učinkovitih rešitev AI, ki so usklajene z organizacijskimi cilji. V prostem času rad preživlja čas z družino in potuje v druge države.
Mitul Patel je višji arhitekt rešitev pri Amazon Web Services. V svoji vlogi omogočevalca tehnologije v oblaku sodeluje s strankami, da bi razumel njihove cilje in izzive, ter zagotavlja predpisane smernice za doseganje njihovih ciljev s ponudbami AWS. Je član skupnosti AI/ML in ambasador generativne umetne inteligence pri AWS. V prostem času se rad pohodi in igra nogomet.
- 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/transform-one-on-one-customer-interactions-build-speech-capable-order-processing-agents-with-aws-and-generative-ai/
- :ima
- : je
- :ne
- :kje
- $3
- $GOR
- 1
- 10
- 100
- 11
- 12
- 13
- 15%
- 173
- 200
- 24
- 250
- 28
- 29
- 31
- 320
- 385
- 40
- 400
- 500
- 7
- 75
- 8
- 9
- 900
- a
- nad
- pospešeno
- Sprejmi
- dostop
- Dostop
- doseganje
- Po
- Račun
- Doseči
- čez
- Ukrep
- aktivna
- prilagodijo
- dodajte
- dodano
- dodajanje
- Poleg tega
- Dodatne
- Poleg tega
- spoštovanje
- prilagodite
- Sprejetje
- napredek
- prihod
- po
- spet
- proti
- Agent
- agenti
- AI
- AI / ML
- poravnano
- vsi
- omogočajo
- Dovoli
- omogoča
- skupaj
- Prav tako
- vedno
- am
- Amazon
- Amazon Lex
- Amazon RDS
- Amazon Web Services
- Veleposlanik
- an
- analitika
- in
- Še ena
- Antropično
- kaj
- API
- uporaba
- aplikacije
- Uporabi
- pristop
- primerno
- ustrezno
- aplikacije
- architectural
- Arhitektura
- SE
- AS
- vprašati
- Sredstva
- pomoč
- Pomočnik
- pomočniki
- pomoč
- povezan
- predpostavlja
- At
- pripisujejo
- Udeleženci
- lastnosti
- Avtomatizirano
- razpoložljivost
- Na voljo
- izogniti
- AWS
- nazaj
- Backend
- temeljijo
- BE
- ker
- bilo
- začetek
- med
- telo
- Bot
- tako
- bote
- široka
- izgradnjo
- builder
- poslovni
- podjetja
- vendar
- by
- izračun
- klic
- se imenuje
- kliče
- poziva
- CAN
- Zmogljivosti
- Zajeto
- ujame
- primeru
- primeri
- kategorije
- celica
- izzivi
- izziv
- spremenite
- Spremembe
- spreminjanje
- znaki
- preveriti
- izbira
- Izberite
- stranke
- Zapri
- tesno
- Cloud
- TEHNOLOGIJA V OBLAKU
- Koda
- Kava
- sodeluje
- zbiranje
- sporočeno
- skupnost
- Podjetja
- konkurenčno
- dokončanje
- Končana
- dokončanje
- dokončanje
- deli
- koncepti
- Potrdi
- Potrditev
- POTRJENO
- Connect
- povezava
- vsebuje
- Konzole
- vsebina
- ozadje
- se nadaljuje
- udobje
- Pogovor
- pretvorbo
- popravi
- stroški
- bi
- države
- par
- ustvarjajo
- ustvaril
- ustvari
- Ustvarjanje
- Oblikovanje
- kreator
- CRM
- Trenutna
- po meri
- stranka
- Stranke, ki so
- prilagodite
- vrhunsko
- datum
- Podatkovna analiza
- Struktura podatkov
- Baze podatkov
- Zavrni
- globoko
- privzeto
- opredeliti
- poda
- dostavo
- Povpraševanje
- zahteve
- Dokazano
- zanikal
- Odvisno
- odvisno
- razmestitve
- zasnovan
- želeno
- Kljub
- podrobno
- dev
- Razvoj
- razvili
- Razvijalci
- Razvoj
- diagram
- DID
- drugačen
- neposredno
- odpošiljanje
- do
- ne
- domena
- don
- opravljeno
- dont
- navzdol
- prenesi
- med
- e
- vsak
- prej
- enostavno
- Edge
- učinek
- učinkovitosti
- učinkovite
- učinkovito
- prizadevanje
- ostalo
- omogočajo
- omogočevalec
- Končna točka
- Inženiring
- okrepi
- Vnesite
- okolje
- Napaka
- napake
- Tudi
- Event
- Primer
- Primeri
- Razen
- izjema
- izvršitve
- izvedba
- obstoječih
- Izhod
- širi
- izkušnje
- strokovnjak
- strokovno znanje
- obsežen
- ekstrakt
- Obraz
- Dejstvo
- Padec
- Poznavanje
- družina
- Nekaj
- file
- datoteke
- končna
- dokončati
- Najdi
- prva
- prilagodljivost
- prilagodljiv
- Tokovi
- po
- za
- obrazec
- format
- Na srečo
- je pokazala,
- Fundacija
- temeljno
- brezplačno
- iz
- v celoti
- funkcija
- funkcije
- nadalje
- splošno
- ustvarjajo
- generativno
- Generativna AI
- dobili
- Daj
- dana
- Go
- Pojdi na trg
- Cilji
- dobro
- prisodil
- grand
- veliko
- pozdrav
- Lep pozdrav
- Navodila
- vodi
- ročaj
- Ravnanje
- Imajo
- ob
- he
- slišati
- močno
- pomoč
- jo
- tukaj
- hi
- visoko zmogljiv
- njegov
- Honey
- URE
- Kako
- Kako
- Vendar
- HTML
- http
- HTTPS
- človeškega
- i
- ID
- identificira
- identificirati
- identifikacijo
- if
- ponazarja
- vplivno
- Izvajanje
- izvajanja
- uvoz
- uvoz
- izboljšanje
- in
- vključujejo
- Vključno
- Dohodni
- narašča
- Indeks
- Podatki
- zakoreninjena
- začetna
- vhod
- vhodi
- v notranjosti
- namestitev
- primer
- Namesto
- Navodila
- Povezovanje
- namen
- interakcije
- vmesnik
- v
- Predstavlja
- inventar
- vključujejo
- IT
- Izdelkov
- jpg
- json
- samo
- Imejte
- Ključne
- kioski
- Vedite
- Labs
- Pomanjkanje
- Pokrajina
- jezik
- velika
- Zadnja
- nazadnje
- pozneje
- plast
- Vodja
- vodi
- UČITE
- učenje
- limonada
- Naj
- Lets
- knjižnice
- Knjižnica
- kot
- omejitve
- Seznam
- LLM
- obremenitev
- lokalno
- sečnja
- Logika
- več
- POGLEDI
- ljubi
- stroj
- strojno učenje
- je
- Glavne
- Znamka
- upravlja
- upravljanje
- upravljanje
- Navodilo
- več
- označeno
- Prisotnost
- me
- pomeni
- srednje
- član
- Meni
- Sporočilo
- sporočil
- Meta
- Metoda
- morda
- Mleko
- minimalna
- zamudili
- manjka
- Mobilni
- mobile-aplikacije
- Model
- modeli
- spremembe
- spremenite
- Trenutek
- več
- več
- my
- Ime
- Imenovan
- naravna
- Narava
- Krmarjenje
- ostalo
- potrebno
- Nimate
- potrebna
- potrebe
- Novo
- Naslednja
- št
- Noben
- prenosnik
- zdaj
- predmet
- Cilj
- zgodilo
- of
- Ponudbe
- Ponudbe
- pogosto
- Ok
- on
- Na zahtevo
- ONE
- samo
- odprite
- deluje
- operativno
- Možnost
- možnosti
- or
- orkestriranje
- orkestracijo
- Da
- naročila
- organizacijsko
- organizacije
- Ostalo
- naši
- izhod
- izhodi
- Splošni
- podokno
- parametri
- del
- partner
- partnerji
- mimo
- opravil
- vozovnice
- pot
- vzorci
- Plačilo
- odstotkov
- opravlja
- mogoče
- Dovoljenja
- kos
- Kraj
- Mesta
- dajanje
- platon
- Platonova podatkovna inteligenca
- PlatoData
- igranje
- prosim
- točke
- politika
- PoS
- pozira
- Stališče
- pozitiven
- mogoče
- Prispevek
- potencial
- močan
- praksa
- predhodno
- Pripravimo
- Pripravlja
- priprava
- predstaviti
- darila
- prejšnja
- Cena
- cenitev
- zasebnost
- nadaljujte
- Postopek
- Predelano
- Procesi
- obravnavati
- profil
- pozove
- možnosti
- zagotavljajo
- če
- Ponudnik
- zagotavlja
- zagotavljanje
- Potegne
- dal
- Python
- poizvedba
- hitro
- R
- dvigniti
- območje
- Surovi
- RE
- Preberi
- reading
- pripravljen
- Priporočamo
- Priporočila
- zmanjša
- glejte
- okolica
- redni
- povezane
- zanašajo
- ostajajo
- ostanki
- ne pozabite
- odstranjevanje
- zamenjava
- zahteva
- zahteva
- obvezna
- vir
- viri
- Odzove
- Odgovor
- odgovorov
- odgovorna
- povzroči
- Rezultati
- vrnitev
- vrne
- za večkratno uporabo
- toga
- robusten
- vloga
- Pot
- ROW
- Run
- tek
- deluje
- runtime
- s
- sagemaker
- Enako
- Vzorec
- Shrani
- shranjena
- pravijo,
- razširljive
- Lestvica
- Scenarij
- scenariji
- galerija
- SDK
- drugi
- skrivnost
- Oddelek
- varnost
- glej
- izberite
- višji
- Brez strežnika
- Storitev
- Storitve
- Zasedanje
- nastavite
- nastavitev
- nastavitve
- nastavitev
- več
- je
- Shell
- trgovin
- shouldnt
- Prikaži
- je pokazala,
- pokazale
- Razstave
- Zapri
- Zaustavite
- Enostavno
- sam
- Velikosti
- spretnosti
- reža
- reže
- majhna
- delček
- So
- Soccer
- Izključno
- Rešitev
- rešitve
- nekaj
- nekdo
- Nekaj
- govorijo
- prednjači
- posebna
- specializirano
- specifična
- hitrost
- preživeti
- Stabilnost
- standardna
- Začetek
- Začetek
- Država
- Izjava
- Korak
- Koraki
- shranjeni
- shranjevanje
- Strateško
- strategije
- racionalizirati
- Struktura
- Borbe
- studio
- precejšen
- Uspešno
- taka
- sladkorja
- predlagajte
- Predlaga
- Povzamemo
- POVZETEK
- Podprti
- Preverite
- hitro
- sistem
- sistemi
- miza
- TAG
- meni
- Naloga
- Naloge
- ključi
- tehnološki
- Tehnologija
- Predloga
- predloge
- terminal
- Test
- besedilo
- Hvala
- da
- O
- informacije
- njihove
- Njih
- POTEM
- Tukaj.
- zato
- te
- jih
- stvar
- tretja
- ta
- 3
- skozi
- vsej
- čas
- časovnica
- do
- danes
- današnje
- orodja
- Skupaj za plačilo
- tradicionalna
- usposabljanje
- Transform
- potovanja
- sprožijo
- Težava
- poskusite
- poskuša
- dva
- tip
- razumeli
- razumevanje
- enote
- Prenos
- uporaba
- primeru uporabe
- Rabljeni
- uporabnik
- uporablja
- uporabo
- pripomoček
- Uporaben
- veljavno
- POTRDI
- potrjeno
- potrjevanje
- Validator
- vrednost
- Vrednote
- spremenljivka
- različnih
- razlikujejo
- preverjanje
- različica
- zelo
- preko
- vizualna
- Voice
- želeli
- želi
- je
- način..
- we
- web
- spletne storitve
- Dobro
- so bili
- Kaj
- kdaj
- ki
- medtem
- celoti
- širše
- bo
- okno
- z
- v
- brez
- potek dela
- deluje
- deluje
- bi
- pisati
- XML
- ja
- Vi
- Vaša rutina za
- sami
- zefirnet
- Zip