แชทบอทยุคใหม่สามารถทำหน้าที่เป็นตัวแทนดิจิทัล ซึ่งเป็นช่องทางใหม่ในการให้บริการลูกค้าและการสนับสนุนตลอด 24 ชั่วโมงทุกวันในหลายอุตสาหกรรม ความนิยมเกิดขึ้นจากความสามารถในการตอบคำถามของลูกค้าแบบเรียลไทม์และจัดการกับคำถามหลายข้อพร้อมกันในภาษาต่างๆ แชทบอตยังนำเสนอข้อมูลเชิงลึกอันทรงคุณค่าเกี่ยวกับพฤติกรรมของลูกค้า ในขณะเดียวกันก็ปรับขนาดได้อย่างง่ายดายเมื่อฐานผู้ใช้เติบโตขึ้น ดังนั้นพวกเขาจึงนำเสนอโซลูชั่นที่คุ้มค่าสำหรับการดึงดูดลูกค้า Chatbots ใช้ความสามารถด้านภาษาธรรมชาติขั้นสูงของโมเดลภาษาขนาดใหญ่ (LLM) เพื่อตอบคำถามของลูกค้า พวกเขาสามารถเข้าใจภาษาสนทนาและตอบสนองอย่างเป็นธรรมชาติ อย่างไรก็ตาม แชทบอทที่เพียงแค่ตอบคำถามพื้นฐานเท่านั้นมีประโยชน์ใช้สอยจำกัด ในการเป็นที่ปรึกษาที่เชื่อถือได้ แชทบอทจำเป็นต้องให้คำตอบที่รอบคอบและปรับแต่งมาโดยเฉพาะ
วิธีหนึ่งในการเปิดใช้งานการสนทนาตามบริบทมากขึ้นคือการเชื่อมโยงแชทบอทกับฐานความรู้ภายในและระบบข้อมูล การบูรณาการข้อมูลองค์กรที่เป็นกรรมสิทธิ์จากฐานความรู้ภายในช่วยให้แชทบอทสามารถกำหนดบริบทในการตอบสนองต่อความต้องการและความสนใจของผู้ใช้แต่ละราย ตัวอย่างเช่น แชทบอทสามารถแนะนำผลิตภัณฑ์ที่ตรงกับความต้องการของนักช้อปและการซื้อในอดีต อธิบายรายละเอียดในภาษาที่ปรับให้เหมาะกับระดับความเชี่ยวชาญของผู้ใช้ หรือให้การสนับสนุนบัญชีโดยการเข้าถึงบันทึกเฉพาะของลูกค้า ความสามารถในการรวมข้อมูลอย่างชาญฉลาด เข้าใจภาษาธรรมชาติ และให้การตอบกลับที่กำหนดเองในกระแสการสนทนา ช่วยให้แชทบอทสามารถส่งมอบมูลค่าทางธุรกิจที่แท้จริงในกรณีการใช้งานที่หลากหลาย
รูปแบบสถาปัตยกรรมยอดนิยมของ การดึงข้อมูล Augmented Generation (RAG) มักใช้เพื่อเพิ่มบริบทและการตอบกลับข้อความค้นหาของผู้ใช้ RAG ผสมผสานความสามารถของ LLM เข้ากับข้อเท็จจริงและความรู้ในโลกแห่งความเป็นจริงที่มาจากการดึงข้อความและข้อความที่เกี่ยวข้องจากคลังข้อมูล ข้อความที่ดึงมาเหล่านี้จะถูกนำมาใช้เพื่อแจ้งและต่อสายดินเอาต์พุต ลดอาการประสาทหลอนและปรับปรุงความเกี่ยวข้อง
ในโพสต์นี้ เราจะสาธิตการเพิ่มประสิทธิภาพแชทบอทตามบริบทโดยใช้ ฐานความรู้สำหรับ Amazon Bedrockซึ่งเป็นบริการแบบไร้เซิร์ฟเวอร์ที่ได้รับการจัดการเต็มรูปแบบ ฐานความรู้สำหรับการผสานรวม Amazon Bedrock ช่วยให้แชทบอทของเราให้คำตอบที่เกี่ยวข้องและเป็นส่วนตัวมากขึ้นโดยการเชื่อมโยงคำถามของผู้ใช้กับจุดข้อมูลที่เกี่ยวข้อง ภายใน อเมซอน เบดร็อค ใช้การฝังที่จัดเก็บไว้ในฐานข้อมูลเวกเตอร์เพื่อเพิ่มบริบทการสืบค้นของผู้ใช้ ณ รันไทม์ และเปิดใช้งานโซลูชันสถาปัตยกรรม RAG ที่มีการจัดการ เราใช้ Amazon จดหมายถึงผู้ถือหุ้น ชุดข้อมูลเพื่อพัฒนาโซลูชันนี้
การดึงข้อมูล Augmented Generation
RAG เป็นแนวทางในการสร้างภาษาธรรมชาติที่รวมการดึงข้อมูลเข้าสู่กระบวนการสร้าง สถาปัตยกรรม RAG เกี่ยวข้องกับเวิร์กโฟลว์หลักสองขั้นตอน: การประมวลผลข้อมูลล่วงหน้าผ่านการนำเข้า และการสร้างข้อความโดยใช้บริบทที่ได้รับการปรับปรุง
เวิร์กโฟลว์การนำเข้าข้อมูลใช้ LLM เพื่อสร้างเวกเตอร์แบบฝังที่แสดงความหมายเชิงความหมายของข้อความ การฝังถูกสร้างขึ้นสำหรับเอกสารและคำถามของผู้ใช้ การฝังเอกสารจะถูกแบ่งออกเป็นส่วนๆ และจัดเก็บเป็นดัชนีในฐานข้อมูลเวกเตอร์ จากนั้นเวิร์กโฟลว์การสร้างข้อความจะใช้เวกเตอร์ที่ฝังของคำถาม และใช้มันเพื่อดึงข้อมูลชิ้นเอกสารที่คล้ายกันมากที่สุดโดยพิจารณาจากความคล้ายคลึงกันของเวกเตอร์ โดยจะเสริมส่วนที่เกี่ยวข้องเหล่านี้เพื่อสร้างคำตอบโดยใช้ LLM สำหรับรายละเอียดเพิ่มเติม โปรดดูที่ ไพรเมอร์เกี่ยวกับการสร้างเสริมการดึงข้อมูล การฝัง และฐานข้อมูลเวกเตอร์ ส่วนเข้า ดูตัวอย่าง – เชื่อมต่อโมเดลพื้นฐานกับแหล่งข้อมูลบริษัทของคุณด้วยตัวแทนสำหรับ Amazon Bedrock.
แผนภาพต่อไปนี้แสดงสถาปัตยกรรม RAG ระดับสูง
แม้ว่าสถาปัตยกรรม RAG จะมีข้อดีหลายประการ แต่ก็เกี่ยวข้องกับองค์ประกอบหลายอย่าง รวมถึงฐานข้อมูล กลไกการดึงข้อมูล พรอมต์ และแบบจำลองการสร้าง การจัดการส่วนที่พึ่งพาซึ่งกันและกันเหล่านี้อาจทำให้เกิดความซับซ้อนในการพัฒนาและการปรับใช้ระบบ การบูรณาการการดึงข้อมูลและการสร้างยังต้องใช้ความพยายามทางวิศวกรรมและทรัพยากรการคำนวณเพิ่มเติม ไลบรารีโอเพ่นซอร์สบางแห่งมี wrappers เพื่อลดค่าใช้จ่ายนี้ อย่างไรก็ตาม การเปลี่ยนแปลงไลบรารีอาจทำให้เกิดข้อผิดพลาดและเพิ่มค่าใช้จ่ายในการกำหนดเวอร์ชันได้ แม้จะมีไลบรารีโอเพ่นซอร์ส แต่ก็ยังต้องใช้ความพยายามอย่างมากในการเขียนโค้ด กำหนดขนาดก้อนที่เหมาะสมที่สุด สร้างการฝัง และอื่นๆ อีกมากมาย การตั้งค่านี้อาจใช้เวลาหลายสัปดาห์ขึ้นอยู่กับปริมาณข้อมูล
ดังนั้น โซลูชันที่ได้รับการจัดการซึ่งจัดการงานที่ไม่แตกต่างเหล่านี้สามารถปรับปรุงและเร่งกระบวนการปรับใช้และจัดการแอปพลิเคชัน RAG ได้
ฐานความรู้สำหรับ Amazon Bedrock
ฐานความรู้สำหรับ Amazon Bedrock เป็นตัวเลือกแบบไร้เซิร์ฟเวอร์ในการสร้างระบบ AI การสนทนาที่ทรงพลังโดยใช้ RAG มีการจัดการการนำเข้าข้อมูลและเวิร์กโฟลว์การสร้างข้อความที่มีการจัดการเต็มรูปแบบ
สำหรับการนำเข้าข้อมูล จะจัดการการสร้าง จัดเก็บ จัดการ และอัปเดตการฝังข้อความของข้อมูลเอกสารในฐานข้อมูลเวกเตอร์โดยอัตโนมัติ โดยจะแบ่งเอกสารออกเป็นชิ้นๆ เพื่อให้สามารถดึงข้อมูลได้อย่างมีประสิทธิภาพ จากนั้นชิ้นส่วนจะถูกแปลงเป็นการฝังและเขียนเป็นดัชนีเวกเตอร์ ในขณะเดียวกันก็ช่วยให้คุณเห็นเอกสารต้นฉบับเมื่อตอบคำถาม
สำหรับการสร้างข้อความ Amazon Bedrock มอบ ดึงและสร้าง API เพื่อสร้างการฝังข้อความค้นหาของผู้ใช้ และดึงข้อมูลส่วนที่เกี่ยวข้องจากฐานข้อมูลเวกเตอร์เพื่อสร้างการตอบสนองที่แม่นยำ นอกจากนี้ยังรองรับการระบุแหล่งที่มาและหน่วยความจำระยะสั้นที่จำเป็นสำหรับแอปพลิเคชัน RAG
สิ่งนี้ช่วยให้คุณสามารถมุ่งเน้นไปที่การใช้งานทางธุรกิจหลักของคุณ และขจัดการยกของหนักที่ไม่แตกต่างกัน
ภาพรวมโซลูชัน
วิธีแก้ปัญหาที่นำเสนอในโพสต์นี้ใช้แชทบอทที่สร้างขึ้นโดยใช้ สตรีมไลท์ แอปพลิเคชันและรวมถึงบริการของ AWS ต่อไปนี้:
ไดอะแกรมต่อไปนี้เป็นรูปแบบสถาปัตยกรรมโซลูชันทั่วไปที่คุณสามารถใช้เพื่อรวมแอปพลิเคชันแชทบอทเข้ากับฐานความรู้สำหรับ Amazon Bedrock
สถาปัตยกรรมนี้มีขั้นตอนต่อไปนี้:
- ผู้ใช้โต้ตอบกับอินเทอร์เฟซแชทบอทของ Streamlit และส่งคำถามในภาษาธรรมชาติ
- สิ่งนี้จะทริกเกอร์ฟังก์ชัน Lambda ซึ่งจะเรียกใช้ฐานความรู้
RetrieveAndGenerate
เอพีไอ ภายในฐานความรู้ใช้ไฟล์ อเมซอนไททัน การฝังโมเดลและแปลงคำค้นหาของผู้ใช้เป็นเวกเตอร์และค้นหาชิ้นส่วนที่มีความหมายคล้ายกับข้อความค้นหาของผู้ใช้ พรอมต์ผู้ใช้นั้นมากกว่าการเสริมด้วยส่วนที่ดึงมาจากฐานความรู้ พรอมต์ควบคู่ไปกับบริบทเพิ่มเติมจะถูกส่งไปยัง LLM เพื่อสร้างการตอบสนอง ในโซลูชันนี้ เราใช้ มานุษยวิทยา Claude ทันที เป็น LLM ของเราเพื่อสร้างการตอบสนองของผู้ใช้โดยใช้บริบทเพิ่มเติม โปรดทราบว่าโซลูชันนี้รองรับในภูมิภาคที่มี Anthropic Claude บน Amazon Bedrock ใช้ได้. - การตอบกลับที่เกี่ยวข้องตามบริบทจะถูกส่งกลับไปยังแอปพลิเคชันแชทบอทและผู้ใช้
เบื้องต้น
ผู้ใช้ Amazon Bedrock จำเป็นต้องขอสิทธิ์เข้าถึงโมเดลพื้นฐานก่อนจึงจะสามารถใช้งานได้ นี่เป็นการดำเนินการเพียงครั้งเดียวและใช้เวลาไม่ถึงหนึ่งนาที สำหรับโซลูชันนี้ คุณจะต้องเปิดใช้งานการเข้าถึงโมเดล Titan Embeddings G1 – Text and Claude Instant – v1.2 ใน Amazon Bedrock สำหรับข้อมูลเพิ่มเติม โปรดดูที่ การเข้าถึงโมเดล.
โคลน repo GitHub
โซลูชันที่นำเสนอในโพสต์นี้มีดังต่อไปนี้ repo GitHub. คุณต้องโคลนพื้นที่เก็บข้อมูล GitHub ไปยังเครื่องของคุณ เปิดหน้าต่างเทอร์มินัลแล้วรันคำสั่งต่อไปนี้ โปรดทราบว่านี่คือคำสั่งโคลน git คำสั่งเดียว
อัปโหลดชุดข้อมูลความรู้ของคุณไปยัง Amazon S3
เราดาวน์โหลดชุดข้อมูลสำหรับฐานความรู้ของเราและอัปโหลดลงในบัคเก็ต S3 ชุดข้อมูลนี้จะฟีดและขับเคลื่อนฐานความรู้ ทำตามขั้นตอนต่อไปนี้:
- ไปที่ รายงานประจำปี หนังสือมอบฉันทะ และจดหมายผู้ถือหุ้น พื้นที่เก็บข้อมูลและดาวน์โหลดจดหมายผู้ถือหุ้นของ Amazon ในช่วงไม่กี่ปีที่ผ่านมา
- บนคอนโซล Amazon S3 ให้เลือก บุ้งกี๋ ในบานหน้าต่างนำทาง
- Choose สร้างที่เก็บข้อมูล.
- ตั้งชื่อถัง
knowledgebase-<your-awsaccount-number>
. - ปล่อยให้การตั้งค่าบัคเก็ตอื่นๆ ทั้งหมดเป็นค่าเริ่มต้น และเลือก สร้างบัญชีตัวแทน.
- ไปที่
knowledgebase-<your-awsaccount-number>
ถัง. - Choose สร้างโฟลเดอร์ และตั้งชื่อเป็นชุดข้อมูล
- ปล่อยให้การตั้งค่าโฟลเดอร์อื่นๆ ทั้งหมดเป็นค่าเริ่มต้นและเลือก สร้างบัญชีตัวแทน.
- กลับไปที่บัคเก็ตโฮมแล้วเลือก สร้างโฟลเดอร์ เพื่อสร้างโฟลเดอร์ใหม่และตั้งชื่อ
lambdalayer
. - ปล่อยให้การตั้งค่าอื่นๆ ทั้งหมดเป็นค่าเริ่มต้นแล้วเลือก สร้างบัญชีตัวแทน.
- ไปที่
dataset
โฟลเดอร์ - อัปโหลดไฟล์ชุดข้อมูลรายงานประจำปี หนังสือมอบฉันทะ และจดหมายผู้ถือหุ้นที่คุณดาวน์โหลดไว้ก่อนหน้านี้ลงในบัคเก็ตนี้แล้วเลือก อัพโหลด.
- ไปที่
lambdalayer
โฟลเดอร์ - อัปโหลดไฟล์
knowledgebase-lambdalayer.zip
ไฟล์ที่มีอยู่ภายใต้/lambda/layer
โฟลเดอร์ใน repo GitHub ที่คุณโคลนไว้ก่อนหน้านี้และเลือก อัพโหลด. คุณจะใช้โค้ดเลเยอร์ Lambda นี้ในภายหลังเพื่อสร้างฟังก์ชัน Lambda
สร้างฐานความรู้
ในขั้นตอนนี้ เราสร้างฐานความรู้โดยใช้ชุดข้อมูลจดหมายผู้ถือหุ้นของ Amazon ที่เราอัปโหลดไปยังบัคเก็ต S3 ของเราในขั้นตอนก่อนหน้า
- บนคอนโซล Amazon Bedrock ด้านล่าง orchestration ในบานหน้าต่างนำทาง ให้เลือก ฐานความรู้.
- Choose สร้างฐานความรู้.
- ตัว Vortex Indicator ได้ถูกนำเสนอลงในนิตยสาร รายละเอียดฐานความรู้ ส่วน ให้ป้อนชื่อและคำอธิบายเพิ่มเติม
- ตัว Vortex Indicator ได้ถูกนำเสนอลงในนิตยสาร สิทธิ์ IAM เลือก สร้างและใช้บทบาทบริการใหม่ และป้อนชื่อสำหรับบทบาท
- เพิ่มแท็กตามความจำเป็น
- Choose ถัดไป.
- ทิ้ง ชื่อแหล่งข้อมูล เป็นชื่อเริ่มต้น
- สำหรับ S3 URIเลือก เรียกดู S3 เพื่อเลือกบัคเก็ต S3
knowledgebase-<your-account-number>/dataset/
คุณต้องชี้ไปที่โฟลเดอร์ที่เก็บข้อมูลและชุดข้อมูลที่คุณสร้างในขั้นตอนก่อนหน้า - ตัว Vortex Indicator ได้ถูกนำเสนอลงในนิตยสาร ตั้งค่าขั้นสูง ให้คงค่าเริ่มต้นไว้ (หากต้องการ คุณสามารถเปลี่ยนกลยุทธ์การแยกชิ้นส่วนเริ่มต้นและระบุขนาดชิ้นส่วนและการซ้อนทับเป็นเปอร์เซ็นต์)
- Choose ถัดไป.
- สำหรับ โมเดลการฝังให้เลือก Titan การฝัง G1 – ข้อความ.
- สำหรับ ฐานข้อมูลเวกเตอร์คุณสามารถเลือกได้ สร้างร้านค้าเวกเตอร์ใหม่อย่างรวดเร็ว or เลือกร้านค้าเวกเตอร์ที่คุณสร้างขึ้น. โปรดทราบว่าหากต้องการใช้ร้านค้าเวกเตอร์ที่คุณเลือก คุณต้องมีร้านค้าเวกเตอร์ที่กำหนดค่าไว้ล่วงหน้าจึงจะใช้งานได้ ปัจจุบันเรารองรับเอ็นจิ้นเวกเตอร์สี่ประเภท ได้แก่ เอ็นจิ้นเวกเตอร์สำหรับ Amazon OpenSearch Serverless, Amazon Aurora, Pinecone และ Redis Enterprise Cloud สำหรับโพสต์นี้ เราเลือกสร้างร้านค้าเวกเตอร์ใหม่อย่างรวดเร็ว ซึ่งตามค่าเริ่มต้นจะสร้างร้านค้าเวกเตอร์ OpenSearch Serverless ใหม่ในบัญชีของคุณ
- Choose ถัดไป.
- เกี่ยวกับ ตรวจสอบและสร้าง หน้าตรวจสอบข้อมูลทั้งหมดหรือเลือก ก่อนหน้า เพื่อแก้ไขตัวเลือกใด ๆ
- Choose สร้างฐานความรู้.โปรดทราบว่ากระบวนการสร้างฐานความรู้เริ่มต้นขึ้นและสถานะเป็นอยู่ระหว่างดำเนินการ จะใช้เวลาสักครู่ในการสร้างที่เก็บเวกเตอร์และฐานความรู้ อย่าออกจากเพจ ไม่เช่นนั้นการสร้างจะล้มเหลว
- เมื่อสถานะฐานความรู้อยู่ใน
Ready
state จดบันทึก ID ฐานความรู้ คุณจะใช้มันในขั้นตอนถัดไปเพื่อกำหนดค่าฟังก์ชัน Lambda - ตอนนี้ฐานความรู้พร้อมแล้ว เราจำเป็นต้องซิงค์ข้อมูลจดหมายผู้ถือหุ้นของ Amazon เข้ากับฐานความรู้ดังกล่าว ใน แหล่งข้อมูล ส่วนของหน้ารายละเอียดฐานความรู้ ให้เลือก ซิงค์ เพื่อทริกเกอร์กระบวนการนำเข้าข้อมูลจากบัคเก็ต S3 ไปยังฐานความรู้
กระบวนการซิงค์นี้จะแบ่งไฟล์เอกสารออกเป็นส่วนเล็กๆ ตามขนาดที่ระบุไว้ก่อนหน้านี้ สร้างการฝังเวกเตอร์โดยใช้โมเดลการฝังข้อความที่เลือก และจัดเก็บไว้ในร้านค้าเวกเตอร์ที่จัดการโดยฐานความรู้สำหรับ Amazon Bedrock
เมื่อการซิงค์ชุดข้อมูลเสร็จสมบูรณ์ สถานะของแหล่งข้อมูลจะเปลี่ยนเป็น Ready
สถานะ. โปรดทราบว่าหากคุณเพิ่มเอกสารเพิ่มเติมในโฟลเดอร์ข้อมูล S3 คุณจะต้องซิงค์ฐานความรู้อีกครั้ง
ยินดีด้วย ฐานความรู้ของคุณพร้อมแล้ว
โปรดทราบว่าคุณยังสามารถใช้ฐานความรู้สำหรับ API บริการ Amazon Bedrock และ อินเทอร์เฟซบรรทัดคำสั่ง AWS AWS (AWS CLI) เพื่อสร้างฐานความรู้โดยทางโปรแกรม คุณจะต้องเรียกใช้ส่วนต่างๆ ของสมุดบันทึก Jupyter ที่ให้ไว้ภายใต้ /notebook
โฟลเดอร์ใน repo GitHub
สร้างฟังก์ชันแลมบ์ดา
ฟังก์ชัน Lambda นี้ปรับใช้โดยใช้ไฟล์ การก่อตัวของ AWS Cloud เทมเพลตมีอยู่ใน repo GitHub ภายใต้ /cfn
โฟลเดอร์ เทมเพลตต้องการพารามิเตอร์สองตัว: ชื่อบัคเก็ต S3 และรหัสฐานความรู้
- บนหน้าแรกของบริการ AWS CloudFormation ให้เลือก สร้าง stack เพื่อสร้างสแต็กใหม่
- เลือก เทมเพลตพร้อมแล้ว for เตรียมเทมเพลต.
- เลือก อัปโหลดไฟล์เทมเพลต for แหล่งที่มาของเทมเพลต.
- Choose เลือกไฟล์นำทางไปยัง repo GitHub ที่คุณโคลนไว้ก่อนหน้านี้ และเลือกไฟล์ .yaml ใต้
/cfn
โฟลเดอร์ - Choose ถัดไป.
- สำหรับ ชื่อกอง, ป้อนชื่อ
- ตัว Vortex Indicator ได้ถูกนำเสนอลงในนิตยสาร พารามิเตอร์ ป้อนรหัสฐานความรู้และชื่อบัคเก็ต S3 ที่คุณจดบันทึกไว้ก่อนหน้านี้
- Choose ถัดไป.
- ปล่อยให้ตัวเลือกเริ่มต้นทั้งหมดเหมือนเดิม เลือก ถัดไปและเลือก ส่ง.
- ตรวจสอบว่าเทมเพลต CloudFormation ทำงานสำเร็จ และไม่มีข้อผิดพลาด
ยินดีด้วย คุณสร้างฟังก์ชัน Lambda บทบาทที่เกี่ยวข้อง และนโยบายได้สำเร็จ
ทดสอบแอปพลิเคชันแชทบอทตามบริบท
หากต้องการทดสอบแอปพลิเคชันแชทบอทของคุณ ให้ทำตามขั้นตอนต่อไปนี้:
- เปิดเทอร์มินัลใหม่หรือหน้าต่างบรรทัดคำสั่งบนเครื่องของคุณ
- รันคำสั่งต่อไปนี้เพื่อติดตั้ง AWS SDK สำหรับ Python (Boto3). Boto3 ทำให้การผสานรวมแอปพลิเคชัน ไลบรารี หรือสคริปต์ Python เข้ากับบริการของ AWS เป็นเรื่องง่าย
- รันคำสั่งต่อไปนี้เพื่อติดตั้งและตั้งค่าสภาพแวดล้อมการพัฒนา Python ในเครื่องเพื่อรันแอปพลิเคชัน Streamlit:
- ไปที่
/streamlit
โฟลเดอร์ในโฟลเดอร์ที่เก็บ GitHub ที่คุณโคลนไว้ก่อนหน้านี้ - รันคำสั่งต่อไปนี้เพื่อสร้างอินสแตนซ์ของแอปพลิเคชันแชทบอต:
สิ่งนี้ควรเปิดแอปพลิเคชันแชทบนเว็บที่ขับเคลื่อนโดย Streamlit ในเว็บเบราว์เซอร์เริ่มต้นของคุณ
- ใช้แอปพลิเคชันแชทบอท Streamlit นี้เพื่อโพสต์คำถามในภาษาธรรมชาติเพื่อเริ่มการสนทนาที่ขับเคลื่อนโดยฐานความรู้สำหรับ Amazon Bedrock
เมื่อคุณส่งข้อความแจ้ง แอป Streamlit จะทริกเกอร์ฟังก์ชัน Lambda ซึ่งจะเรียกใช้ฐานความรู้ RetrieveAndGenerate
API เพื่อค้นหาและสร้างการตอบกลับ
ตารางต่อไปนี้ประกอบด้วยคำถามตัวอย่างและคำตอบของฐานความรู้ที่เกี่ยวข้อง ลองใช้คำถามเหล่านี้โดยใช้พร้อมท์
คำถาม | คำตอบ |
Amazon กำลังทำอะไรในด้าน generative AI? | Amazon กำลังทำงานเกี่ยวกับโมเดลภาษาขนาดใหญ่ (LLM) ของตนเองสำหรับ generative AI และเชื่อว่าจะเปลี่ยนแปลงและปรับปรุงประสบการณ์ของลูกค้าทุกคน พวกเขาวางแผนที่จะลงทุนอย่างมากในโมเดลเหล่านี้ต่อไปโดยครอบคลุมประสบการณ์ผู้บริโภค ผู้ขาย แบรนด์ และผู้สร้างทั้งหมด |
รายได้ของ AWS ต่อปีในปี 2022 เป็นเท่าใด | รายรับของ AWS เพิ่มขึ้น 29% เมื่อเทียบเป็นรายปีในปี 2022 จากฐานรายได้ 62 พันล้านดอลลาร์ |
Amazon ชวนพนักงานมาทำงานในออฟฟิศกี่วัน? | Amazon ขอให้พนักงานของบริษัทกลับมาที่สำนักงานอย่างน้อยสามวันต่อสัปดาห์ เริ่มตั้งแต่เดือนพฤษภาคม 2022 |
รายได้ของ AWS เพิ่มขึ้นกี่เปอร์เซ็นต์ในปี 2022 | AWS มีรายได้ 29% เมื่อเทียบเป็นรายปี ('YoY') ในปี 2022 |
เมื่อเปรียบเทียบกับโปรเซสเซอร์ Graviton2 ชิป Graviton3 มีการปรับปรุงประสิทธิภาพอย่างไรบ้างตามข้อความนี้ | ในปี 2022 AWS ส่งมอบชิป Graviton3 ซึ่งให้ประสิทธิภาพที่ดีกว่าโปรเซสเซอร์ Graviton25 ถึง 2% |
ชิปอนุมานตัวแรกที่ AWS เปิดตัวตามเนื้อเรื่องคืออะไร | AWS เปิดตัวชิปการอนุมานตัวแรก (“Inferentia”) ในปี 2019 และช่วยให้บริษัทอย่าง Amazon ประหยัดค่าใช้จ่ายฝ่ายทุนได้มากกว่าหนึ่งร้อยล้านดอลลาร์ |
ตามบริบท รายได้ต่อปีของ Amazon เพิ่มขึ้นจาก 245 พันล้านดอลลาร์เป็น 434 พันล้านดอลลาร์ในปีใด | รายได้ต่อปีของ Amazon เพิ่มขึ้นจาก 245 พันล้านดอลลาร์ในปี 2019 เป็น 434 พันล้านดอลลาร์ในปี 2022 |
บอกฉันอีกครั้งว่ารายได้ในปี 2019 คืออะไร? | รายรับของ Amazon ในปี 2019 อยู่ที่ 245 พันล้านดอลลาร์ |
และปี 2021? | รายรับของ Amazon ในปี 2021 อยู่ที่ 469.8 พันล้านดอลลาร์ เพิ่มขึ้น 22% จากปี 2020 |
และขอเตือนฉันอีกครั้งว่าชิปอนุมานตัวแรกเปิดตัวเมื่อใด | ชิปอนุมานตัวแรกของ Amazon คือ Inferentia ซึ่งเปิดตัวในปี 2019 |
ในระหว่างการเรียกฟังก์ชัน Lambda ครั้งแรก ไฟล์ RetrieveAndGenerate
API ส่งคืน sessionId
ซึ่งจากนั้นจะถูกส่งผ่านโดยแอป Streamlit พร้อมกับข้อความแจ้งผู้ใช้ที่ตามมาเป็นอินพุตไปยัง RestoreeAndGenerate API เพื่อดำเนินการสนทนาต่อในเซสชันเดียวกัน ที่ RetrieveAndGenerate
API จัดการหน่วยความจำระยะสั้นและใช้ประวัติการแชทตราบใดที่มีการส่ง sessionId เดียวกันเป็นอินพุตในการโทรที่ต่อเนื่อง
ขอแสดงความยินดี คุณได้สร้างและทดสอบแอปพลิเคชันแชทบอทโดยใช้ฐานความรู้สำหรับ Amazon Bedrock สำเร็จแล้ว
ทำความสะอาด
การไม่ลบทรัพยากร เช่น บัคเก็ต S3, คอลเลกชัน OpenSearch Serverless และฐานความรู้จะต้องเสียค่าบริการ หากต้องการล้างข้อมูลทรัพยากรเหล่านี้ ให้ลบสแตก CloudFormation ลบบัคเก็ต S3 (รวมถึงโฟลเดอร์เอกสารและไฟล์ใดๆ ที่จัดเก็บไว้ในบัคเก็ตนั้น) ลบคอลเลกชัน OpenSearch Serverless ลบฐานความรู้ และลบบทบาท นโยบาย และสิทธิ์ใดๆ ที่คุณ สร้างขึ้นก่อนหน้านี้
สรุป
ในโพสต์นี้ เราได้ให้ภาพรวมของแชทบอทตามบริบทและอธิบายว่าทำไมพวกมันจึงมีความสำคัญ เราได้อธิบายความซับซ้อนที่เกี่ยวข้องกับการนำเข้าข้อมูลและเวิร์กโฟลว์การสร้างข้อความสำหรับสถาปัตยกรรม RAG จากนั้น เราได้แนะนำวิธีที่ฐานความรู้สำหรับ Amazon Bedrock สร้างระบบ RAG แบบไร้เซิร์ฟเวอร์ที่มีการจัดการเต็มรูปแบบ รวมถึงที่เก็บเวกเตอร์ สุดท้าย เราได้จัดเตรียมสถาปัตยกรรมโซลูชันและโค้ดตัวอย่างใน repo GitHub เพื่อดึงและสร้างการตอบสนองตามบริบทสำหรับแอปพลิเคชันแชทบอทโดยใช้ฐานความรู้
โพสต์นี้มีจุดมุ่งหมายเพื่อแสดงให้เห็นว่า Amazon Bedrock ช่วยให้คุณสร้างแอปพลิเคชัน AI การสนทนาที่ซับซ้อนได้โดยใช้ความพยายามเพียงเล็กน้อยโดยการอธิบายคุณค่าของแชทบอทตามบริบท ความท้าทายของระบบ RAG และวิธีที่ฐานความรู้สำหรับ Amazon Bedrock จัดการกับความท้าทายเหล่านั้น
สำหรับข้อมูลเพิ่มเติมโปรดดูที่ คู่มือนักพัฒนา Amazon Bedrock และ API ฐานความรู้.
เกี่ยวกับผู้เขียน
มานิช ชู เป็น Principal Solutions Architect ที่ AWS ในเมืองซานฟรานซิสโก รัฐแคลิฟอร์เนีย เขาเชี่ยวชาญด้านการเรียนรู้ของเครื่องและ AI เชิงสร้างสรรค์ เขาทำงานร่วมกับองค์กรต่างๆ ตั้งแต่องค์กรขนาดใหญ่ไปจนถึงบริษัทสตาร์ทอัพระยะเริ่มต้นเกี่ยวกับปัญหาที่เกี่ยวข้องกับการเรียนรู้ของเครื่อง บทบาทของเขาเกี่ยวข้องกับการช่วยเหลือองค์กรเหล่านี้ในการออกแบบปริมาณงานบน AWS ที่ปรับขนาดได้ ปลอดภัย และคุ้มค่า เขานำเสนอในการประชุม AWS และกิจกรรมพันธมิตรอื่นๆ เป็นประจำ นอกเหนือจากงาน เขาชอบเดินป่าบนเส้นทาง East Bay ปั่นจักรยานเสือหมอบ และดู (และเล่น) คริกเก็ต
มณี ขันุจา เป็นหัวหน้าฝ่ายเทคโนโลยี – ผู้เชี่ยวชาญด้าน AI ทั่วไป ผู้เขียนหนังสือ Applied Machine Learning และ High Performance Computing บน AWS และเป็นสมาชิกของคณะกรรมการบริหาร Women in Manufacturing Education Foundation Board เธอเป็นผู้นำโครงการการเรียนรู้ของเครื่องในโดเมนต่างๆ เช่น คอมพิวเตอร์วิทัศน์ การประมวลผลภาษาธรรมชาติ และ AI เชิงสร้างสรรค์ เธอพูดในการประชุมภายในและภายนอก เช่น AWS re:Invent, Women in Manufacturing West, การสัมมนาผ่านเว็บของ YouTube และ GHC 23 ในเวลาว่าง เธอชอบวิ่งระยะยาวไปตามชายหาด
ปัลลาวี นาร์กุนด์ เป็น Principal Solutions Architect ที่ AWS ในบทบาทของเธอในฐานะผู้ส่งเสริมเทคโนโลยีคลาวด์ เธอทำงานร่วมกับลูกค้าเพื่อทำความเข้าใจเป้าหมายและความท้าทายของลูกค้า และให้คำแนะนำเชิงกำหนดเพื่อให้บรรลุวัตถุประสงค์ด้วยข้อเสนอของ AWS เธอมีความหลงใหลในผู้หญิงในด้านเทคโนโลยี และเป็นสมาชิกหลักของ Women in AI/ML ที่ Amazon เธอพูดในการประชุมภายในและภายนอก เช่น AWS re:Invent, AWS Summits และการสัมมนาผ่านเว็บ นอกเหนือจากงาน เธอชอบเป็นอาสาสมัคร ทำสวน ปั่นจักรยาน และเดินป่า
- เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
- PlatoData.Network Vertical Generative Ai เพิ่มพลังให้กับตัวเอง เข้าถึงได้ที่นี่.
- เพลโตไอสตรีม. Web3 อัจฉริยะ ขยายความรู้ เข้าถึงได้ที่นี่.
- เพลโตESG. คาร์บอน, คลีนเทค, พลังงาน, สิ่งแวดล้อม แสงอาทิตย์, การจัดการของเสีย. เข้าถึงได้ที่นี่.
- เพลโตสุขภาพ เทคโนโลยีชีวภาพและข่าวกรองการทดลองทางคลินิก เข้าถึงได้ที่นี่.
- ที่มา: https://aws.amazon.com/blogs/machine-learning/build-a-contextual-chatbot-application-using-knowledge-bases-for-amazon-bedrock/
- :มี
- :เป็น
- :ที่ไหน
- $ ขึ้น
- 100
- 125
- 2019
- 2020
- 2021
- 2022
- 23
- 27
- 500
- 7
- 8
- 9
- a
- ความสามารถ
- เกี่ยวกับเรา
- เร่งความเร็ว
- เข้า
- การเข้าถึง
- ตาม
- ลงชื่อเข้าใช้
- ถูกต้อง
- บรรลุ
- ข้าม
- การกระทำ
- เพิ่ม
- เพิ่มเติม
- ที่อยู่
- สูง
- ข้อได้เปรียบ
- อาจารย์ที่ปรึกษา
- อีกครั้ง
- ตัวแทน
- AI
- ระบบ AI
- AI / ML
- มีวัตถุประสงค์เพื่อ
- ทั้งหมด
- การอนุญาต
- ช่วยให้
- คนเดียว
- ตาม
- คู่ขนาน
- ด้วย
- อเมซอน
- Amazon Web Services
- an
- และ
- ประจำปี
- รายได้ประจำปี
- คำตอบ
- ตอบ
- มานุษยวิทยา
- ใด
- API
- APIs
- app
- การใช้งาน
- การใช้งาน
- ประยุกต์
- เข้าใกล้
- สถาปัตยกรรม
- เป็น
- AS
- At
- เสริม
- เติม
- การเพิ่ม
- แสงเงินแสงทอง
- ผู้เขียน
- อัตโนมัติ
- ใช้ได้
- ถนน
- ไป
- AWS
- การก่อตัวของ AWS Cloud
- AWS re:ประดิษฐ์
- กลับ
- ฐาน
- ตาม
- ขั้นพื้นฐาน
- อ่าว
- ชายหาด
- กลายเป็น
- รับ
- ก่อน
- การเริ่มต้น
- เริ่มต้น
- พฤติกรรม
- เชื่อ
- ดีกว่า
- พันล้าน
- คณะกรรมการ
- คณะกรรมการผู้บริหาร
- หนังสือ
- ยี่ห้อ
- เบราว์เซอร์
- สร้าง
- ธุรกิจ
- การประยุกต์ทางธุรกิจ
- by
- CA
- โทรศัพท์
- โทร
- CAN
- ความสามารถในการ
- เมืองหลวง
- กรณี
- CD
- ความท้าทาย
- เปลี่ยนแปลง
- การเปลี่ยนแปลง
- โหลด
- พูดคุย
- chatbot
- chatbots
- Checkout
- ชิป
- ชิป
- ทางเลือก
- Choose
- ปลาเดยส์
- CLI
- เมฆ
- เทคโนโลยีคลาวด์
- รหัส
- ชุด
- รวม
- อย่างไร
- มา
- ร่วมกัน
- บริษัท
- บริษัท
- สมบูรณ์
- ความซับซ้อน
- ส่วนประกอบ
- การคำนวณ
- คอมพิวเตอร์
- วิสัยทัศน์คอมพิวเตอร์
- การคำนวณ
- การประชุม
- เชื่อมต่อ
- ปลอบใจ
- ผู้บริโภค
- สิ่งแวดล้อม
- ตามบริบท
- ตามบริบท
- ต่อ
- การสนทนา
- การสนทนา
- AI สนทนา
- การสนทนา
- แปลง
- แกน
- ไทม์ไลน์การ
- ค่าใช้จ่ายที่มีประสิทธิภาพ
- ได้
- สร้าง
- ที่สร้างขึ้น
- สร้าง
- การสร้าง
- การสร้าง
- ผู้สร้าง
- จิ้งหรีด
- ขณะนี้
- ลูกค้า
- พฤติกรรมของลูกค้า
- ประสบการณ์ของลูกค้า
- บริการลูกค้า
- ลูกค้า
- การปรับแต่ง
- ข้อมูล
- จุดข้อมูล
- ที่ขับเคลื่อนด้วยข้อมูล
- ฐานข้อมูล
- วัน
- ค่าเริ่มต้น
- ส่งมอบ
- ส่ง
- การส่งมอบ
- ทั้งนี้ขึ้นอยู่กับ
- นำไปใช้
- การใช้งาน
- อธิบาย
- ลักษณะ
- รายละเอียด
- กำหนด
- พัฒนา
- ผู้พัฒนา
- พัฒนาการ
- แผนภาพ
- DID
- ต่าง
- ดิจิตอล
- กรรมการ
- หลาย
- เอกสาร
- เอกสาร
- การทำ
- ดอลลาร์
- โดเมน
- Dont
- ลง
- ดาวน์โหลด
- แต่ละ
- ก่อน
- ช่วงแรก ๆ
- ตะวันออก
- การศึกษา
- ที่มีประสิทธิภาพ
- ความพยายาม
- ง่าย
- ทั้ง
- การฝัง
- พนักงาน
- ทำให้สามารถ
- ตัวเปิดใช้งาน
- ช่วยให้
- น่าสนใจ
- เครื่องยนต์
- ชั้นเยี่ยม
- ที่เพิ่มขึ้น
- การเสริมสร้าง
- เข้าสู่
- Enterprise
- ผู้ประกอบการ
- สิ่งแวดล้อม
- ข้อผิดพลาด
- แม้
- เหตุการณ์
- ทุกๆ
- ตัวอย่าง
- ประสบการณ์
- ประสบการณ์
- ความชำนาญ
- อธิบาย
- อธิบาย
- อธิบาย
- ภายนอก
- ข้อเท็จจริง
- ล้มเหลว
- สองสาม
- สนาม
- เนื้อไม่มีมัน
- ไฟล์
- ในที่สุด
- พบ
- ชื่อจริง
- ไหล
- โฟกัส
- ดังต่อไปนี้
- สำหรับ
- รากฐาน
- สี่
- ฟรานซิส
- ฟรี
- ราคาเริ่มต้นที่
- อย่างเต็มที่
- ฟังก์ชัน
- g1
- สร้าง
- สร้าง
- รุ่น
- กำเนิด
- กำเนิด AI
- ไป
- GitHub
- ให้
- Go
- เป้าหมาย
- เพิ่มขึ้น
- พื้น
- ขึ้น
- เติบโต
- คำแนะนำ
- มี
- จัดการ
- จัดการ
- มี
- he
- หนัก
- ยกของหนัก
- การช่วยเหลือ
- เธอ
- จุดสูง
- ระดับสูง
- ของเขา
- ประวัติ
- หน้าแรก
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- อย่างไรก็ตาม
- HTML
- ที่ http
- HTTPS
- ร้อย
- ID
- if
- แสดง
- แสดงให้เห็นถึง
- การดำเนินการ
- สำคัญ
- ปรับปรุง
- การปรับปรุง
- การปรับปรุง
- in
- รวมถึง
- รวมทั้ง
- รวมเข้าด้วยกัน
- รวม
- เพิ่ม
- เพิ่มขึ้น
- ดัชนี
- ดัชนี
- เป็นรายบุคคล
- อุตสาหกรรม
- แจ้ง
- ข้อมูล
- ระบบสารสนเทศ
- อินพุต
- สอบถามข้อมูล
- ข้อมูลเชิงลึก
- ติดตั้ง
- ด่วน
- รวบรวม
- การบูรณาการ
- บูรณาการ
- เชิงโต้ตอบ
- ผลประโยชน์
- อินเตอร์เฟซ
- ภายใน
- ภายใน
- เข้าไป
- แนะนำ
- แนะนำ
- การลงทุน
- จะเรียก
- ร่วมมือ
- ที่เกี่ยวข้องกับการ
- IT
- jpg
- คีย์
- ความรู้
- ภาษา
- ภาษา
- ใหญ่
- องค์กรขนาดใหญ่
- ชื่อสกุล
- ต่อมา
- เปิดตัว
- ชั้น
- นำ
- นำไปสู่
- การเรียนรู้
- น้อยที่สุด
- ทิ้ง
- น้อยลง
- จดหมาย
- ชั้น
- ห้องสมุด
- ห้องสมุด
- facelift
- กดไลก์
- ยอดไลก์
- ถูก จำกัด
- Line
- การเชื่อมโยง
- LLM
- ในประเทศ
- นาน
- เครื่อง
- เรียนรู้เครื่อง
- หลัก
- ทำให้
- จัดการได้
- การจัดการ
- จัดการ
- การจัดการ
- การผลิต
- หลาย
- การจับคู่
- อาจ..
- me
- ความหมาย
- กลไก
- สมาชิก
- หน่วยความจำ
- แค่
- ล้าน
- ล้านดอลลาร์
- ต่ำสุด
- นาที
- นาที
- แบบ
- โมเดล
- แก้ไข
- ข้อมูลเพิ่มเติม
- มากที่สุด
- หลาย
- ชื่อ
- โดยธรรมชาติ
- ประมวลผลภาษาธรรมชาติ
- นำทาง
- การเดินเรือ
- จำเป็นต้อง
- จำเป็น
- ความต้องการ
- ใหม่
- ถัดไป
- ไม่
- ไม่มี
- หมายเหตุ
- สมุดบันทึก
- เด่น
- วัตถุประสงค์
- of
- เสนอ
- การเสนอขาย
- เสนอ
- Office
- มักจะ
- on
- ONE
- เปิด
- โอเพนซอร์ส
- ดีที่สุด
- ตัวเลือกเสริม (Option)
- Options
- or
- องค์กร
- อื่นๆ
- มิฉะนั้น
- ของเรา
- ออก
- เอาท์พุต
- ด้านนอก
- เกิน
- เหนือศีรษะ
- ภาพรวม
- ของตนเอง
- หน้า
- บานหน้าต่าง
- พารามิเตอร์
- หุ้นส่วน
- ส่วน
- ทางเดิน
- ทางเดิน
- ผ่าน
- หลงใหล
- อดีต
- แบบแผน
- เปอร์เซ็นต์
- การปฏิบัติ
- สิทธิ์
- ส่วนบุคคล
- แผนการ
- เพลโต
- เพลโตดาต้าอินเทลลิเจนซ์
- เพลโตดาต้า
- เล่น
- จุด
- จุด
- นโยบาย
- ยอดนิยม
- ความนิยม
- โพสต์
- อำนาจ
- ขับเคลื่อน
- ที่มีประสิทธิภาพ
- การตั้งค่า
- นำเสนอ
- นำเสนอ
- นำเสนอ
- ก่อน
- หลัก
- ปัญหาที่เกิดขึ้น
- กระบวนการ
- การประมวลผล
- โปรเซสเซอร์
- ผลิตภัณฑ์
- ความคืบหน้า
- โครงการ
- แจ้ง
- เป็นเจ้าของ
- ให้
- ให้
- ให้
- การให้
- การซื้อสินค้า
- หลาม
- คำสั่ง
- การสอบถาม
- คำถาม
- คำถาม
- รวดเร็ว
- เศษผ้า
- ตั้งแต่
- RE
- พร้อม
- จริง
- โลกแห่งความจริง
- เรียลไทม์
- บันทึก
- ลด
- ลด
- อ้างอิง
- ภูมิภาค
- สม่ำเสมอ
- ที่เกี่ยวข้อง
- ความสัมพันธ์กัน
- ตรงประเด็น
- ลบ
- รายงาน
- กรุ
- แสดง
- ขอ
- จำเป็นต้องใช้
- ต้อง
- แหล่งข้อมูล
- ตอบสนอง
- คำตอบ
- การตอบสนอง
- การแก้ไข
- รับคืน
- รายได้
- ทบทวน
- ถนน
- บทบาท
- บทบาท
- วิ่ง
- ทำงาน
- รันไทม์
- เดียวกัน
- ตัวอย่าง
- ซาน
- ซานฟรานซิสโก
- ที่บันทึกไว้
- ที่ปรับขนาดได้
- ปรับ
- ต้นฉบับ
- SDK
- ค้นหา
- Section
- ส่วน
- ปลอดภัย
- เห็น
- เลือก
- เลือก
- ความหมาย
- ส่ง
- ให้บริการ
- serverless
- บริการ
- บริการ
- เซสชั่น
- ชุด
- การตั้งค่า
- การติดตั้ง
- ผู้ถือหุ้น
- ผู้ถือหุ้น
- เธอ
- ระยะสั้น
- น่า
- แสดง
- สำคัญ
- คล้ายคลึงกัน
- พร้อมกัน
- เดียว
- ขนาด
- มีขนาดเล็กกว่า
- ทางออก
- โซลูชัน
- บาง
- ซับซ้อน
- แหล่ง
- แหล่งที่มา
- พูด
- ผู้เชี่ยวชาญ
- ความเชี่ยวชาญ
- โดยเฉพาะ
- ที่ระบุไว้
- แยก
- แยก
- กอง
- เริ่มต้น
- startups
- สถานะ
- Status
- ลำต้น
- ขั้นตอน
- ขั้นตอน
- จัดเก็บ
- เก็บไว้
- ร้านค้า
- การเก็บรักษา
- ซื่อตรง
- กลยุทธ์
- เพรียวลม
- ส่ง
- ภายหลัง
- อย่างเป็นจริงเป็นจัง
- ประสบความสำเร็จ
- อย่างเช่น
- แนะนำ
- การประชุมสุดยอด
- สนับสนุน
- ที่สนับสนุน
- รองรับ
- ซิงค์.
- ระบบ
- ระบบ
- ตาราง
- ปรับปรุง
- เอา
- ใช้เวลา
- งาน
- เทคโนโลยี
- เทคโนโลยี
- เทมเพลต
- สถานีปลายทาง
- ทดสอบ
- การทดสอบ
- ข้อความ
- กว่า
- ที่
- พื้นที่
- ข้อมูล
- ที่มา
- ของพวกเขา
- พวกเขา
- แล้วก็
- ที่นั่น
- ดังนั้น
- ล้อยางขัดเหล่านี้ติดตั้งบนแกน XNUMX (มม.) ผลิตภัณฑ์นี้ถูกผลิตในหลายรูปทรง และหลากหลายเบอร์ความแน่นหนาของปริมาณอนุภาคขัดของมัน จะทำให้ท่านได้รับประสิทธิภาพสูงในการขัดและการใช้งานที่ยาวนาน
- พวกเขา
- นี้
- เหล่านั้น
- สาม
- ตลอด
- เวลา
- ยักษ์
- ไปยัง
- แปลง
- เรียก
- ที่เชื่อถือ
- ลอง
- สอง
- ชนิด
- ภายใต้
- เข้าใจ
- การปรับปรุง
- อัปโหลด
- ใช้
- มือสอง
- ผู้ใช้งาน
- ผู้ใช้
- ใช้
- การใช้
- ประโยชน์
- v1
- มีคุณค่า
- ความคุ้มค่า
- ความคุ้มค่า
- ต่างๆ
- วิสัยทัศน์
- ปริมาณ
- ต้องการ
- คือ
- ชม
- ทาง..
- we
- เว็บ
- เว็บเบราเซอร์
- บริการเว็บ
- web-based
- webinars
- สัปดาห์
- สัปดาห์ที่ผ่านมา
- ตะวันตก
- อะไร
- เมื่อ
- ที่
- ในขณะที่
- ทำไม
- จะ
- หน้าต่าง
- กับ
- ผู้หญิง
- ผู้หญิงในด้านเทคโนโลยี
- งาน
- เวิร์กโฟลว์
- ขั้นตอนการทำงาน
- การทำงาน
- โรงงาน
- เขียน
- เขียนโค้ด
- เขียน
- มันแกว
- ปี
- ปี
- คุณ
- ของคุณ
- YouTube
- ลมทะเล