โซลูชัน AI เจนเนอเรชั่น มีศักยภาพในการเปลี่ยนแปลงธุรกิจโดยการเพิ่มผลผลิตและปรับปรุงประสบการณ์ของลูกค้า และการใช้โมเดลภาษาขนาดใหญ่ (LLM) กับโซลูชันเหล่านี้ก็ได้รับความนิยมเพิ่มมากขึ้น การสร้างข้อพิสูจน์แนวคิดนั้นค่อนข้างตรงไปตรงมาเนื่องจากมีความก้าวหน้า โมเดลรองพื้น พร้อมให้บริการจากผู้ให้บริการเฉพาะทางผ่านการเรียก API แบบง่ายๆ ดังนั้น องค์กรขนาดต่างๆ และในอุตสาหกรรมที่แตกต่างกันจึงเริ่มคิดใหม่เกี่ยวกับผลิตภัณฑ์และกระบวนการของตนโดยใช้ generative AI
แม้จะมีความรู้ทั่วไปมากมาย แต่ LLM ที่ล้ำสมัยจะสามารถเข้าถึงเฉพาะข้อมูลที่ได้รับการฝึกอบรมเท่านั้น สิ่งนี้สามารถนำไปสู่ความไม่ถูกต้องตามข้อเท็จจริง (ภาพหลอน) เมื่อ LLM ได้รับแจ้งให้สร้างข้อความตามข้อมูลที่พวกเขาไม่เห็นในระหว่างการฝึกอบรม ดังนั้นจึงจำเป็นอย่างยิ่งที่จะต้องเชื่อมช่องว่างระหว่างความรู้ทั่วไปของ LLM และข้อมูลที่เป็นกรรมสิทธิ์ของคุณ เพื่อช่วยให้แบบจำลองสร้างการตอบสนองตามบริบทที่แม่นยำยิ่งขึ้น ในขณะเดียวกันก็ลดความเสี่ยงของอาการประสาทหลอน วิธีการปรับแต่งแบบดั้งเดิมแม้จะมีประสิทธิภาพ แต่ก็ต้องใช้คอมพิวเตอร์มาก มีราคาแพง และต้องใช้ความเชี่ยวชาญทางเทคนิค อีกทางเลือกหนึ่งที่ต้องพิจารณาเรียกว่า การดึงข้อมูล Augmented Generation (RAG)ซึ่งให้ข้อมูลเพิ่มเติมแก่ LLM จากแหล่งความรู้ภายนอกที่สามารถอัปเดตได้อย่างง่ายดาย
นอกจากนี้ องค์กรต้องมั่นใจในความปลอดภัยของข้อมูลเมื่อจัดการข้อมูลที่เป็นกรรมสิทธิ์และละเอียดอ่อน เช่น ข้อมูลส่วนบุคคลหรือทรัพย์สินทางปัญญา นี่เป็นสิ่งสำคัญอย่างยิ่งสำหรับองค์กรที่ดำเนินงานในอุตสาหกรรมที่มีการควบคุมอย่างเข้มงวด เช่น บริการทางการเงิน การดูแลสุขภาพ และวิทยาศาสตร์ชีวภาพ ดังนั้นจึงเป็นเรื่องสำคัญที่จะต้องเข้าใจและควบคุมการไหลของข้อมูลของคุณผ่านแอปพลิเคชัน generative AI: โมเดลตั้งอยู่ที่ไหน ข้อมูลถูกประมวลผลที่ไหน? ใครสามารถเข้าถึงข้อมูลได้บ้าง? ข้อมูลจะถูกนำมาใช้ในการฝึกโมเดล ซึ่งในที่สุดจะเสี่ยงต่อการรั่วไหลของข้อมูลที่ละเอียดอ่อนไปยัง LLM สาธารณะหรือไม่
โพสต์นี้จะกล่าวถึงวิธีที่องค์กรต่างๆ สามารถสร้างแอปพลิเคชัน AI กำเนิดที่แม่นยำ โปร่งใส และปลอดภัย ในขณะที่ยังคงควบคุมข้อมูลที่เป็นกรรมสิทธิ์ได้อย่างเต็มที่ โซลูชันที่นำเสนอคือไปป์ไลน์ RAG ที่ใช้เทคโนโลยี AI ดั้งเดิม ซึ่งมีส่วนประกอบได้รับการออกแบบตั้งแต่ต้นจนจบโดยมี AI เป็นแกนหลัก แทนที่จะเพิ่มความสามารถ AI ในภายหลัง เราสาธิตวิธีสร้างแอปพลิเคชัน RAG แบบ end-to-end โดยใช้ แบบจำลองภาษาของโคเฮียร์ ตลอด อเมซอน เบดร็อค และ Weaviate ฐานข้อมูลเวกเตอร์บน AWS Marketplace. ซอร์สโค้ดที่แนบมามีอยู่ใน พื้นที่เก็บข้อมูล GitHub ที่เกี่ยวข้อง เป็นเจ้าภาพโดย Weaviate แม้ว่า AWS จะไม่รับผิดชอบในการบำรุงรักษาหรืออัปเดตโค้ดในพื้นที่เก็บข้อมูลของคู่ค้า แต่เราขอแนะนำให้ลูกค้าเชื่อมต่อกับ Weaviate โดยตรงเกี่ยวกับการอัปเดตที่ต้องการ
ภาพรวมโซลูชัน
แผนภาพสถาปัตยกรรมระดับสูงต่อไปนี้แสดงให้เห็นไปป์ไลน์ RAG ที่เสนอพร้อมกลุ่มเทคโนโลยี AI ดั้งเดิมสำหรับการสร้างโซลูชัน AI กำเนิดที่แม่นยำ โปร่งใส และปลอดภัย
ในขั้นตอนการเตรียมการสำหรับเวิร์กโฟลว์ RAG ฐานข้อมูลเวกเตอร์ซึ่งทำหน้าที่เป็นแหล่งความรู้ภายนอก จะถูกนำเข้าพร้อมกับบริบทเพิ่มเติมจากข้อมูลที่เป็นกรรมสิทธิ์ ขั้นตอนการทำงาน RAG จริงเป็นไปตามสี่ขั้นตอนที่แสดงในแผนภาพ:
- ผู้ใช้ป้อนคำค้นหาของตน
- ข้อความค้นหาของผู้ใช้ใช้เพื่อดึงบริบทเพิ่มเติมที่เกี่ยวข้องจากฐานข้อมูลเวกเตอร์ ซึ่งทำได้โดยการสร้างการฝังเวกเตอร์ของการสืบค้นผู้ใช้ด้วยโมเดลการฝัง เพื่อทำการค้นหาเวกเตอร์เพื่อดึงบริบทที่เกี่ยวข้องมากที่สุดจากฐานข้อมูล
- บริบทที่ดึงข้อมูลและแบบสอบถามของผู้ใช้จะใช้เพื่อเพิ่มเทมเพลตพร้อมท์ พรอมต์การดึงข้อมูลเสริมช่วยให้ LLM สร้างความสมบูรณ์ที่เกี่ยวข้องและแม่นยำยิ่งขึ้น ลดอาการประสาทหลอนให้เหลือน้อยที่สุด
- ผู้ใช้จะได้รับคำตอบที่แม่นยำยิ่งขึ้นตามคำค้นหาของพวกเขา
กลุ่มเทคโนโลยี AI ดั้งเดิมที่แสดงในแผนภาพสถาปัตยกรรมมีองค์ประกอบหลักสองส่วน ได้แก่ โมเดลภาษา Cohere และฐานข้อมูลเวกเตอร์ Weaviate
โมเดลภาษาเชื่อมโยงกันใน Amazon Bedrock
พื้นที่ แพลตฟอร์มเชื่อมโยงกัน นำโมเดลภาษาที่มีประสิทธิภาพล้ำสมัยมาสู่องค์กรและนักพัฒนาผ่านการเรียก API ง่ายๆ ความสามารถในการประมวลผลภาษามีสองประเภทหลักที่แพลตฟอร์ม Cohere มอบให้ ได้แก่ การสร้างและการฝัง และแต่ละประเภทให้บริการตามโมเดลประเภทที่แตกต่างกัน:
- การสร้างข้อความ กับ คำสั่ง – นักพัฒนาสามารถเข้าถึงอุปกรณ์ปลายทางที่ขับเคลื่อนความสามารถของ AI ที่สร้าง เปิดใช้งานแอปพลิเคชันต่างๆ เช่น การสนทนา การตอบคำถาม การเขียนคำโฆษณา การสรุป การดึงข้อมูล และอื่นๆ
- การแสดงข้อความ กับ ฝัง – นักพัฒนาสามารถเข้าถึงจุดสิ้นสุดที่จับความหมายเชิงความหมายของข้อความ เปิดใช้งานแอปพลิเคชันต่างๆ เช่น เครื่องมือค้นหาเวกเตอร์ การจัดหมวดหมู่ข้อความและการจัดกลุ่ม และอื่นๆ Cohere Embed มี 2 รูปแบบ ได้แก่ โมเดลภาษาอังกฤษและโมเดลหลายภาษา ซึ่งทั้งสองรูปแบบได้แก่ วางจำหน่ายแล้วบน Amazon Bedrock.
แพลตฟอร์ม Cohere ช่วยให้องค์กรต่างๆ ปรับแต่งโซลูชัน AI สร้างสรรค์ของตนได้อย่างเป็นส่วนตัวและปลอดภัยผ่านการปรับใช้ Amazon Bedrock Amazon Bedrock เป็นบริการคลาวด์ที่มีการจัดการเต็มรูปแบบซึ่งช่วยให้ทีมพัฒนาสามารถสร้างและปรับขนาดแอปพลิเคชัน AI ที่สร้างได้อย่างรวดเร็ว พร้อมทั้งช่วยรักษาข้อมูลและแอปพลิเคชันของคุณให้ปลอดภัยและเป็นส่วนตัว. ข้อมูลของคุณจะไม่ถูกใช้สำหรับการปรับปรุงบริการ จะไม่ถูกแชร์กับผู้ให้บริการโมเดลบุคคลที่สาม และยังคงอยู่ใน ภูมิภาค โดยที่การเรียก API ได้รับการประมวลผล ข้อมูลจะถูกเข้ารหัสเสมอทั้งระหว่างการส่งผ่านและขณะพัก และคุณสามารถเข้ารหัสข้อมูลได้โดยใช้คีย์ของคุณเอง Amazon Bedrock รองรับข้อกำหนดด้านความปลอดภัย รวมถึงคุณสมบัติตามพระราชบัญญัติ Health Insurance Portability and Accountability Act (HIPAA) ของสหรัฐอเมริกา และการปฏิบัติตามกฎระเบียบคุ้มครองข้อมูลทั่วไป (GDPR) นอกจากนี้ คุณยังสามารถผสานรวมและปรับใช้แอปพลิเคชัน AI สร้างสรรค์ของคุณอย่างปลอดภัยโดยใช้เครื่องมือ AWS ที่คุณคุ้นเคยอยู่แล้ว
Weaviate ฐานข้อมูลเวกเตอร์บน AWS Marketplace
สาน เป็น AI-พื้นเมือง ฐานข้อมูลเวกเตอร์ ซึ่งทำให้ทีมพัฒนาสามารถสร้างแอปพลิเคชัน AI ที่ปลอดภัยและโปร่งใสได้อย่างง่ายดาย Weaviate ใช้เพื่อจัดเก็บและค้นหาทั้งข้อมูลเวกเตอร์และออบเจ็กต์ต้นฉบับ ซึ่งช่วยให้การพัฒนาง่ายขึ้นโดยไม่จำเป็นต้องโฮสต์และรวมฐานข้อมูลที่แยกจากกัน Weaviate มอบประสิทธิภาพการค้นหาเชิงความหมายในเสี้ยววินาที และสามารถปรับขนาดเพื่อรองรับเวกเตอร์นับพันล้านและผู้เช่าหลายล้านราย ด้วยสถาปัตยกรรมที่ขยายได้ไม่เหมือนใคร Weaviate จะผสานรวมกับโมเดลพื้นฐาน Cohere ที่ใช้งานใน Amazon Bedrock เพื่ออำนวยความสะดวกในการกำหนดเวกเตอร์ของข้อมูลได้อย่างสะดวก และใช้ความสามารถในการสร้างจากภายในฐานข้อมูล
ฐานข้อมูลเวกเตอร์ดั้งเดิมของ Weaviate AI ช่วยให้ลูกค้ามีความยืดหยุ่นในการปรับใช้เป็นโซลูชันที่นำมาเองบนคลาวด์ (BYOC) หรือเป็นบริการที่ได้รับการจัดการ ตู้โชว์นี้ใช้ สานต่อคลัสเตอร์ Kubernetes บน AWS Marketplaceซึ่งเป็นส่วนหนึ่งของข้อเสนอ BYOC ของ Weaviate ซึ่งช่วยให้สามารถปรับใช้แบบปรับขนาดได้ตามคอนเทนเนอร์ภายในผู้เช่า AWS และ VPC ของคุณด้วยการคลิกเพียงไม่กี่ครั้งโดยใช้ การก่อตัวของ AWS Cloud แม่แบบ แนวทางนี้ช่วยให้แน่ใจว่าฐานข้อมูลเวกเตอร์ของคุณถูกปรับใช้ในภูมิภาคเฉพาะของคุณใกล้กับโมเดลพื้นฐานและข้อมูลที่เป็นกรรมสิทธิ์เพื่อลดเวลาแฝง รองรับตำแหน่งข้อมูล และปกป้องข้อมูลที่ละเอียดอ่อนในขณะที่จัดการกับข้อกำหนดด้านกฎระเบียบที่อาจเกิดขึ้น เช่น GDPR
ภาพรวมกรณีใช้งาน
ในส่วนต่อไปนี้ เราจะสาธิตวิธีสร้างโซลูชัน RAG โดยใช้สแต็กเทคโนโลยี AI ดั้งเดิมด้วย Cohere, AWS และ Weaviate ดังที่แสดงในภาพรวมโซลูชัน
กรณีการใช้งานตัวอย่างจะสร้างโฆษณาที่ตรงเป้าหมายสำหรับรายการวันหยุดพักผ่อนโดยอิงตามกลุ่มเป้าหมาย เป้าหมายคือการใช้คำค้นหาของผู้ใช้สำหรับกลุ่มเป้าหมาย (เช่น “ครอบครัวที่มีเด็กเล็ก”) เพื่อเรียกข้อมูลรายการเข้าพักวันหยุดที่เกี่ยวข้องมากที่สุด (เช่น รายการที่มีสนามเด็กเล่นในบริเวณใกล้เคียง) จากนั้นจึงสร้างโฆษณาสำหรับ รายการที่ดึงข้อมูลมาปรับให้เหมาะกับกลุ่มเป้าหมาย
ชุดข้อมูลหาได้จาก ภายในแอร์บีเอ็นบี และได้รับอนุญาตภายใต้ก Creative Commons Attribution 4.0 ใบอนุญาตสากล. คุณสามารถค้นหารหัสที่แนบมาได้ใน พื้นที่เก็บข้อมูล GitHub.
เบื้องต้น
หากต้องการติดตามและใช้บริการของ AWS ในบทช่วยสอนต่อไปนี้ ตรวจสอบให้แน่ใจว่าคุณมี บัญชี AWS.
เปิดใช้งานส่วนประกอบของสแต็กเทคโนโลยี AI-native
ขั้นแรก คุณต้องเปิดใช้งานส่วนประกอบที่เกี่ยวข้องตามที่กล่าวถึงในภาพรวมโซลูชันในบัญชี AWS ของคุณ ทำตามขั้นตอนต่อไปนี้:
- ทางด้านซ้าย อเมซอน คอนโซล Bedrockเลือก การเข้าถึงโมเดล ในบานหน้าต่างนำทาง
- Choose จัดการการเข้าถึงโมเดล ด้านบนขวา
- เลือกโมเดลพื้นฐานที่คุณต้องการและขอสิทธิ์เข้าถึง
ถัดไป ให้คุณตั้งค่าคลัสเตอร์ Weaviate
- สมัครสมาชิก สานต่อคลัสเตอร์ Kubernetes บน AWS Marketplace.
- เปิดซอฟต์แวร์โดยใช้ไฟล์ เทมเพลต CloudFormation ตาม Availability Zone ที่คุณต้องการ.
เทมเพลต CloudFormation ได้รับการเติมข้อมูลล่วงหน้าด้วยค่าเริ่มต้น
- สำหรับ ชื่อกองป้อนชื่อสแต็ก
- สำหรับ ประเภทการตรวจสอบความถูกต้องของหมวกกันน็อคขอแนะนำให้เปิดใช้งานการตรวจสอบสิทธิ์โดยการตั้งค่า
helmauthenticationtype
ไปยังapikey
และกำหนดก การรับรองความถูกต้องของ Helmapikey. - สำหรับ การรับรองความถูกต้องของ Helmapikeyให้ป้อนคีย์ Weaviate API ของคุณ
- สำหรับ helmchartversionให้ป้อนหมายเลขเวอร์ชันของคุณ จะต้องมีอย่างน้อย v.16.8.0 อ้างถึง repo GitHub สำหรับเวอร์ชันล่าสุด
- สำหรับ โมดูลที่ควบคุมได้ตรวจสอบให้แน่ใจ
tex2vec-aws
และgenerative-aws
มีอยู่ในรายการโมดูลที่เปิดใช้งานภายใน Weaviate
เทมเพลตนี้ใช้เวลาประมาณ 30 นาทีจึงจะเสร็จสมบูรณ์
เชื่อมต่อกับ Weaviate
ทำตามขั้นตอนต่อไปนี้เพื่อเชื่อมต่อกับ Weaviate:
- ตัว Vortex Indicator ได้ถูกนำเสนอลงในนิตยสาร คอนโซล Amazon SageMaker, นำทางไปยัง อินสแตนซ์โน้ตบุ๊ก ในบานหน้าต่างนำทางผ่าน สมุดบันทึก > อินสแตนซ์โน้ตบุ๊ก ด้านซ้าย.
- สร้างอินสแตนซ์สมุดบันทึกใหม่
- ติดตั้งแพ็คเกจไคลเอนต์ Weaviate ด้วยการขึ้นต่อกันที่จำเป็น:
- เชื่อมต่อกับอินสแตนซ์ Weaviate ของคุณด้วยโค้ดต่อไปนี้:
- เผยแพร่ URL – เข้าถึง Weaviate ผ่าน URL ตัวโหลดบาลานซ์ ใน อเมซอน อีลาสติก คอมพิวท์ คลาวด์ (Amazon EC2) คอนโซล เลือก โหลดบาลานเซอร์ ในบานหน้าต่างนำทางและค้นหาโหลดบาลานเซอร์ ค้นหาคอลัมน์ชื่อ DNS และเพิ่ม
http://
ต่อหน้ามัน - คีย์ API ของ Weaviate – นี่คือคีย์ที่คุณตั้งไว้ก่อนหน้าในเทมเพลต CloudFormation (
helmauthenticationapikey
). - รหัสการเข้าถึง AWS และรหัสการเข้าถึงข้อมูลลับ – คุณสามารถเรียกค้นรหัสการเข้าถึงและรหัสลับสำหรับผู้ใช้ของคุณได้ใน AWS Identity และการจัดการการเข้าถึง (IAM) คอนโซล
กำหนดค่าโมดูล Amazon Bedrock เพื่อเปิดใช้งานโมเดล Cohere
ถัดไป คุณกำหนดการรวบรวมข้อมูล (class
) เรียกว่า Listings
เพื่อจัดเก็บวัตถุข้อมูลของรายการซึ่งคล้ายคลึงกับการสร้างตารางในฐานข้อมูลเชิงสัมพันธ์ ในขั้นตอนนี้ คุณจะกำหนดค่าโมดูลที่เกี่ยวข้องเพื่อเปิดใช้งานการใช้งานโมเดลภาษา Cohere ที่โฮสต์บน Amazon Bedrock โดยกำเนิดจากภายในฐานข้อมูลเวกเตอร์ Weaviate เวคเตอร์ไลเซอร์ (“text2vec-aws
“) และโมดูลกำเนิด (“generative-aws
“) ระบุไว้ในคำจำกัดความของการรวบรวมข้อมูล โมดูลทั้งสองนี้ใช้พารามิเตอร์สามตัว:
- "บริการ" - ใช้ "
bedrock
” สำหรับ Amazon Bedrock (หรืออีกวิธีหนึ่ง ให้ใช้ “sagemaker
” สำหรับ Amazon SageMaker JumpStart) - "ภูมิภาค" – ป้อนภูมิภาคที่มีการปรับใช้โมเดลของคุณ
- “รุ่น” – ระบุชื่อแบบจำลองฐานราก
ดูรหัสต่อไปนี้:
นำเข้าข้อมูลลงในฐานข้อมูลเวกเตอร์ Weaviate
ในขั้นตอนนี้ คุณจะกำหนดโครงสร้างของการรวบรวมข้อมูลโดยการกำหนดค่าคุณสมบัติ นอกเหนือจากชื่อและประเภทข้อมูลของคุณสมบัติแล้ว คุณยังสามารถกำหนดค่าได้ว่าจะจัดเก็บเฉพาะออบเจ็กต์ข้อมูลหรือจะจัดเก็บพร้อมกับการฝังเวกเตอร์ ในตัวอย่างนี้ host_name
และ property_type
ไม่เป็นเวกเตอร์:
เรียกใช้โค้ดต่อไปนี้เพื่อสร้างคอลเลกชันในอินสแตนซ์ Weaviate ของคุณ:
ตอนนี้คุณสามารถเพิ่มวัตถุลงใน Weaviate ได้แล้ว คุณใช้กระบวนการนำเข้าแบบแบตช์เพื่อประสิทธิภาพสูงสุด เรียกใช้โค้ดต่อไปนี้เพื่อนำเข้าข้อมูล ในระหว่างการนำเข้า Weaviate จะใช้ vectorizer ที่กำหนดไว้เพื่อสร้างเวกเตอร์ที่ฝังไว้สำหรับแต่ละวัตถุ รหัสต่อไปนี้โหลดวัตถุ เริ่มต้นกระบวนการแบตช์ และเพิ่มวัตถุไปยังคอลเลกชันเป้าหมายทีละรายการ:
การดึงข้อมูล Augmented Generation
คุณสามารถสร้างไปป์ไลน์ RAG ได้โดยใช้คำค้นหาแบบสร้างบนอินสแตนซ์ Weaviate ของคุณ สำหรับสิ่งนี้ ขั้นแรกให้คุณกำหนดเทมเพลตพร้อมต์ในรูปแบบของ f-string ที่สามารถรับคำค้นหาของผู้ใช้ ({target_audience}
) โดยตรงและบริบทเพิ่มเติม ({{host_name}}
, {{property_type}}
, {{description}}
และ {{neighborhood_overview}}
) จากฐานข้อมูลเวกเตอร์ขณะรันไทม์:
ถัดไป คุณเรียกใช้แบบสอบถามการค้นหาเชิงสร้างสรรค์ สิ่งนี้จะพร้อมท์โมเดลการสร้างที่กำหนดไว้พร้อมพร้อมท์ที่ประกอบด้วยแบบสอบถามผู้ใช้ตลอดจนข้อมูลที่ดึงมา แบบสอบถามต่อไปนี้ดึงวัตถุหนึ่งรายการ (.with_limit(1)
) จาก Listings
คอลเลกชันที่คล้ายกับข้อความค้นหาของผู้ใช้มากที่สุด (.with_near_text({"concepts": target_audience})
). จากนั้นข้อความค้นหาของผู้ใช้ (target_audience
) และคุณสมบัติรายการที่ได้รับ (["description", "neighborhood", "host_name", "property_type"]
) จะถูกป้อนเข้าไปในเทมเพลตพร้อมท์ ดูรหัสต่อไปนี้:
ในตัวอย่างต่อไปนี้ คุณจะเห็นว่าส่วนก่อนหน้าของโค้ดสำหรับ target_audience = “Family with small children”
ดึงข้อมูลรายการจากโฮสต์ Marre เทมเพลตพร้อมท์ได้รับการเสริมด้วยรายละเอียดรายการของ Marre และกลุ่มเป้าหมาย:
ตามพรอมต์การดึงข้อมูลเสริม โมเดลคำสั่งของ Cohere จะสร้างโฆษณาที่ตรงเป้าหมายต่อไปนี้:
การปรับแต่งทางเลือก
คุณสามารถปรับแต่งแบบอื่นให้กับส่วนประกอบต่างๆ ในโซลูชันที่นำเสนอได้ เช่น:
- โมเดลภาษาของ Cohere ก็มีให้ใช้งานเช่นกัน Amazon SageMaker JumpStartซึ่งให้การเข้าถึงโมเดลพื้นฐานที่ล้ำสมัย และช่วยให้นักพัฒนาสามารถปรับใช้ LLM ได้ อเมซอน SageMakerซึ่งเป็นบริการที่มีการจัดการเต็มรูปแบบซึ่งรวบรวมชุดเครื่องมือที่หลากหลายเพื่อเปิดใช้งานการเรียนรู้ของเครื่องประสิทธิภาพสูงและต้นทุนต่ำสำหรับทุกกรณีการใช้งาน Weaviate ถูกรวมเข้ากับ SageMaker เช่นกัน
- ส่วนเสริมที่ทรงพลังสำหรับโซลูชันนี้คือ จุดสิ้นสุด Cohere Rerankพร้อมใช้งานผ่าน SageMaker JumpStart การจัดอันดับใหม่สามารถปรับปรุงความเกี่ยวข้องของผลการค้นหาจากการค้นหาด้วยคำศัพท์หรือความหมาย จัดอันดับงานใหม่โดยการคำนวณคะแนนความเกี่ยวข้องเชิงความหมายสำหรับเอกสารที่ดึงข้อมูลโดยระบบการค้นหา และจัดอันดับเอกสารตามคะแนนเหล่านี้ การเพิ่มอันดับใหม่ให้กับแอปพลิเคชันต้องการการเปลี่ยนแปลงโค้ดเพียงบรรทัดเดียว
- เพื่อตอบสนองความต้องการการใช้งานที่แตกต่างกันของสภาพแวดล้อมการผลิตที่แตกต่างกัน Weaviate สามารถปรับใช้ในรูปแบบเพิ่มเติมได้หลากหลาย ตัวอย่างเช่นมีให้ดาวน์โหลดโดยตรงจาก เว็บไซต์วีเวียตซึ่งทำงานอยู่ บริการ Amazon Elastic Kubernetes (Amazon EKS) หรือภายในเครื่องผ่านทาง นักเทียบท่า or Kubernetes. อีกทั้งยังมีจำหน่ายในรูปแบบ บริการที่มีการจัดการ ที่สามารถทำงานได้อย่างปลอดภัยภายใน VPC หรือเป็นบริการคลาวด์สาธารณะที่โฮสต์บน AWS พร้อมทดลองใช้ฟรี 14 วัน
- คุณสามารถให้บริการโซลูชันของคุณใน VPC โดยใช้ คลาวด์ส่วนตัวเสมือนของ Amazon (Amazon VPC) ซึ่งช่วยให้องค์กรต่างๆ สามารถเปิดใช้งานบริการของ AWS ในเครือข่ายเสมือนที่แยกออกจากกันตามตรรกะ ซึ่งคล้ายกับเครือข่ายแบบดั้งเดิม แต่มีประโยชน์จากโครงสร้างพื้นฐานที่ปรับขนาดได้ของ AWS องค์กรยังสามารถปิดใช้งานการเข้าถึงอินเทอร์เน็ตใน VPC เหล่านี้ได้อีกด้วย ทั้งนี้ขึ้นอยู่กับระดับความละเอียดอ่อนของข้อมูลที่ถูกจัดประเภท
ทำความสะอาด
เพื่อป้องกันการเรียกเก็บเงินที่ไม่คาดคิด โปรดลบทรัพยากรทั้งหมดที่คุณใช้งานโดยเป็นส่วนหนึ่งของโพสต์นี้ หากคุณเปิดใช้สแต็ก CloudFormation คุณสามารถลบได้ผ่านคอนโซล AWS CloudFormation โปรดทราบว่าอาจมีทรัพยากร AWS บางอย่าง เช่น ร้านค้า Amazon Elastic Block ปริมาณ (Amazon EBS) และ บริการจัดการคีย์ AWS คีย์ (AWS KMS) ที่อาจไม่ถูกลบโดยอัตโนมัติเมื่อสแตก CloudFormation ถูกลบ
สรุป
โพสต์นี้กล่าวถึงวิธีที่องค์กรต่างๆ สามารถสร้างแอปพลิเคชัน AI เจนเนอเรชั่นที่แม่นยำ โปร่งใส และปลอดภัย ในขณะที่ยังคงควบคุมข้อมูลของตนได้อย่างเต็มที่ โซลูชันที่นำเสนอคือไปป์ไลน์ RAG โดยใช้สแต็กเทคโนโลยี AI ดั้งเดิมเป็นการผสมผสานระหว่างโมเดลพื้นฐาน Cohere ใน Amazon Bedrock และฐานข้อมูลเวกเตอร์ Weaviate บน AWS Marketplace แนวทาง RAG ช่วยให้องค์กรต่างๆ สามารถเชื่อมช่องว่างระหว่างความรู้ทั่วไปของ LLM และข้อมูลที่เป็นกรรมสิทธิ์ ในขณะเดียวกันก็ลดอาการประสาทหลอนให้เหลือน้อยที่สุด กลุ่มเทคโนโลยี AI ดั้งเดิมช่วยให้สามารถพัฒนาได้อย่างรวดเร็วและประสิทธิภาพที่ปรับขนาดได้
คุณสามารถเริ่มการทดสอบด้วยการพิสูจน์แนวคิดของ RAG สำหรับแอปพลิเคชัน generative AI ที่พร้อมสำหรับองค์กรของคุณ โดยใช้ขั้นตอนที่อธิบายไว้ในโพสต์นี้ ซอร์สโค้ดที่แนบมามีอยู่ใน พื้นที่เก็บข้อมูล GitHub ที่เกี่ยวข้อง. ขอบคุณสำหรับการอ่าน. รู้สึกอิสระที่จะแสดงความคิดเห็นหรือข้อเสนอแนะในส่วนความเห็น
เกี่ยวกับผู้แต่ง
เจมส์ ยี่ เป็นสถาปนิกโซลูชันคู่ค้า AI/ML อาวุโสในทีมเทคโนโลยี COE Tech ของคู่ค้าด้านเทคโนโลยีที่ Amazon Web Services เขามีความหลงใหลในการทำงานร่วมกับลูกค้าองค์กรและคู่ค้าเพื่อออกแบบ ปรับใช้ และปรับขนาดแอปพลิเคชัน AI/ML เพื่อให้ได้มูลค่าทางธุรกิจ นอกเหนือจากงาน เขาชอบเล่นฟุตบอล ท่องเที่ยว และใช้เวลากับครอบครัว
ลีโอนี่ โมนิกัตติ เป็นผู้สนับสนุนนักพัฒนาที่ Weaviate ประเด็นที่เธอสนใจคือ AI/ML และเธอช่วยให้นักพัฒนาเรียนรู้เกี่ยวกับ AI เชิงสร้างสรรค์ นอกเหนือจากการทำงาน เธอยังแชร์การเรียนรู้ด้านวิทยาศาสตร์ข้อมูลและ ML บนบล็อกของเธอและบน Kaggle อีกด้วย
เมียร์ อาเมอร์ เป็น Developer Advocate ที่ Cohere ซึ่งเป็นผู้ให้บริการเทคโนโลยีการประมวลผลภาษาธรรมชาติ (NLP) ที่ล้ำสมัย เขาช่วยนักพัฒนาสร้างแอปพลิเคชันที่ล้ำสมัยด้วย Large Language Models (LLM) ของ Cohere
ชุนเหมา เป็นสถาปนิกโซลูชันคู่ค้า AI/ML อาวุโสในทีม Emerging Technologies ที่ Amazon Web Services เขามีความหลงใหลในการทำงานร่วมกับลูกค้าองค์กรและพันธมิตรในการออกแบบ ปรับใช้ และปรับขนาดแอปพลิเคชัน AI/ML เพื่อให้ได้มูลค่าทางธุรกิจ นอกเวลางาน เขาชอบตกปลา ท่องเที่ยว และเล่นปิงปอง
- 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-enterprise-ready-generative-ai-solutions-with-cohere-foundation-models-in-amazon-bedrock-and-weaviate-vector-database-on-aws-marketplace/
- :มี
- :เป็น
- :ไม่
- :ที่ไหน
- $ ขึ้น
- 1
- 10
- 100
- 11
- 12
- 13
- 16
- 17
- 19
- 23
- 30
- 32
- 33
- 7
- 8
- 9
- a
- เกี่ยวกับเรา
- เข้า
- ตาม
- ลงชื่อเข้าใช้
- ความรับผิดชอบ
- ถูกต้อง
- ข้าม
- กระทำ
- ที่เกิดขึ้นจริง
- เพิ่ม
- ที่เพิ่ม
- เพิ่ม
- นอกจากนี้
- เพิ่มเติม
- ข้อมูลเพิ่มเติม
- นอกจากนี้
- ที่อยู่
- เพิ่ม
- ผู้ใหญ่
- โฆษณา
- ผู้สนับสนุน
- AI
- AI / ML
- Airbnb
- ทั้งหมด
- ช่วยให้
- ตาม
- แล้ว
- ด้วย
- ทางเลือก
- แม้ว่า
- เสมอ
- อเมซอน
- Amazon EC2
- อเมซอน SageMaker
- Amazon Web Services
- อัมสเตอร์ดัม
- an
- และ
- อื่น
- ตอบ
- ใด
- API
- การใช้งาน
- การใช้งาน
- เข้าใกล้
- สถาปัตยกรรม
- เป็น
- AREA
- พื้นที่
- AS
- กัน
- At
- สถานที่น่าสนใจ
- ผู้ฟัง
- เสริม
- เติม
- การยืนยันตัวตน
- อัตโนมัติ
- ความพร้อมใช้งาน
- ใช้ได้
- ไป
- AWS
- การก่อตัวของ AWS Cloud
- AWS Identity และการจัดการการเข้าถึง (IAM)
- AWS Marketplace
- แกว่ง
- ราว
- ตาม
- BE
- เพราะ
- กลายเป็น
- เริ่ม
- ประโยชน์ที่ได้รับ
- ที่ดีที่สุด
- ระหว่าง
- พันล้าน
- ปิดกั้น
- บล็อก
- การส่งเสริม
- ทั้งสอง
- สะพาน
- นำ
- กว้าง
- สร้าง
- การก่อสร้าง
- ธุรกิจ
- ธุรกิจ
- แต่
- by
- ร้านกาแฟ
- โทรศัพท์
- ที่เรียกว่า
- CAN
- ความสามารถในการ
- จับ
- กรณี
- ให้ความบันเทิง
- ส่วนกลาง
- ศูนย์
- เปลี่ยนแปลง
- โหลด
- เด็ก
- ทางเลือก
- Choose
- เมือง
- ชั้น
- การจัดหมวดหมู่
- จัด
- ไคลเอนต์
- ปิดหน้านี้
- เมฆ
- Cluster
- การจัดกลุ่ม
- รหัส
- ชุด
- คอลัมน์
- การผสมผสาน
- อย่างไร
- มา
- ความคิดเห็น
- สภาสามัญ
- สมบูรณ์
- เสร็จสิ้น
- การปฏิบัติตาม
- ส่วนประกอบ
- ประกอบด้วย
- คำนวณ
- การคำนวณ
- แนวคิด
- แนวความคิด
- การกำหนดค่า
- เชื่อมต่อ
- พิจารณา
- ปลอบใจ
- สิ่งแวดล้อม
- ตามบริบท
- ควบคุม
- สะดวกสบาย
- สะดวก
- การสนทนา
- การเขียนคำโฆษณา
- แกน
- สร้าง
- การสร้าง
- สำคัญมาก
- ลูกค้า
- ลูกค้า
- ปรับแต่ง
- ตัดขอบ
- ข้อมูล
- การป้องกันข้อมูล
- วิทยาศาสตร์ข้อมูล
- ความปลอดภัยของข้อมูล
- ฐานข้อมูล
- ฐานข้อมูล
- ค่าเริ่มต้น
- กำหนด
- กำหนด
- การกำหนด
- คำนิยาม
- มอบ
- สาธิต
- การอ้างอิง
- ทั้งนี้ขึ้นอยู่กับ
- ปรับใช้
- นำไปใช้
- การใช้งาน
- ได้มา
- ลักษณะ
- ออกแบบ
- ได้รับการออกแบบ
- ที่ต้องการ
- รายละเอียด
- ผู้พัฒนา
- นักพัฒนา
- พัฒนาการ
- ทีมพัฒนา
- ต่าง
- การรับประทานอาหาร
- โดยตรง
- โดยตรง
- กล่าวถึง
- DNS
- เอกสาร
- ทำ
- ดาวน์โหลด
- ในระหว่าง
- แต่ละ
- ก่อน
- อย่างง่ายดาย
- มีประสิทธิภาพ
- อย่างมีประสิทธิภาพ
- สูง
- เช็คคุณสมบัติที่นี่
- การกำจัด
- ฝัง
- การฝัง
- กากกะรุน
- เทคโนโลยีใหม่
- ให้อำนาจ
- ทำให้สามารถ
- เปิดการใช้งาน
- ช่วยให้
- การเปิดใช้งาน
- ส่งเสริม
- ที่มีการเข้ารหัส
- จบสิ้น
- เครื่องยนต์
- ภาษาอังกฤษ
- ทำให้มั่นใจ
- เพื่อให้แน่ใจ
- เข้าสู่
- Enterprise
- ผู้ประกอบการ
- รุก
- ทั้งหมด
- สภาพแวดล้อม
- ในที่สุด
- ตัวอย่าง
- แพง
- ประสบการณ์
- ประสบการณ์
- ความชำนาญ
- ภายนอก
- การสกัด
- อำนวยความสะดวก
- คุ้นเคย
- ครอบครัว
- FAST
- คุณสมบัติ
- ที่มีคุณสมบัติ
- เฟด
- ข้อเสนอแนะ
- รู้สึก
- สองสาม
- เนื้อไม่มีมัน
- ทางการเงิน
- บริการทางการเงิน
- หา
- ชื่อจริง
- ประมง
- ความยืดหยุ่น
- ชั้น
- ไหล
- โฟกัส
- ปฏิบัติตาม
- ดังต่อไปนี้
- ดังต่อไปนี้
- สำหรับ
- ฟอร์ม
- รูปแบบ
- รากฐาน
- สี่
- ฟรี
- ทดลองฟรี
- ราคาเริ่มต้นที่
- ด้านหน้า
- เต็ม
- อย่างเต็มที่
- ต่อไป
- ช่องว่าง
- GDPR
- General
- ข้อมูลร่วม
- ระเบียบว่าด้วยการคุ้มครองข้อมูลทั่วไป
- สร้าง
- สร้าง
- การสร้าง
- รุ่น
- กำเนิด
- กำเนิด AI
- GitHub
- จะช่วยให้
- เป้าหมาย
- พื้น
- บัญชีกลุ่ม
- ครึ่ง
- จัดการ
- การจัดการ
- มี
- มี
- he
- หัวข้อ
- สุขภาพ
- การประกันสุขภาพ
- การดูแลสุขภาพ
- หัวใจสำคัญ
- หนัก
- ช่วย
- การช่วยเหลือ
- จะช่วยให้
- เธอ
- ระดับสูง
- ประสิทธิภาพสูง
- ของเขา
- หน้าแรก
- เจ้าภาพ
- เป็นเจ้าภาพ
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- ทำอย่างไร
- ที่ http
- HTTPS
- เอกลักษณ์
- if
- แสดงให้เห็นถึง
- การดำเนินการ
- นำเข้า
- สำคัญ
- ปรับปรุง
- การปรับปรุง
- การปรับปรุง
- in
- รวมทั้ง
- ขึ้น
- อุตสาหกรรม
- ข้อมูล
- การสกัดข้อมูล
- โครงสร้างพื้นฐาน
- ภายใน
- ติดตั้ง
- ตัวอย่าง
- ประกัน
- รวบรวม
- แบบบูรณาการ
- รวม
- ทางปัญญา
- ทรัพย์สินทางปัญญา
- International
- อินเทอร์เน็ต
- อินเทอร์เน็ต
- เข้าไป
- เปลี่ยว
- IT
- ITS
- jpg
- เพียงแค่
- เก็บ
- การเก็บรักษา
- คีย์
- กุญแจ
- เด็ก
- ความรู้
- ภาษา
- ใหญ่
- ความแอบแฝง
- ล่าสุด
- เปิดตัว
- เปิดตัว
- นำ
- นำไปสู่
- รั่วไหล
- เรียนรู้
- การเรียนรู้
- น้อยที่สุด
- ซ้าย
- ชั้น
- ได้รับใบอนุญาต
- ชีวิต
- วิทยาศาสตร์สิ่งมีชีวิต
- Line
- รายการ
- รายการ
- รายชื่อ
- ที่อาศัยอยู่
- LLM
- โหลด
- โหลด
- ในประเทศ
- ในท้องถิ่น
- ที่ตั้งอยู่
- ที่ตั้ง
- มีเหตุผล
- ดู
- ที่ต้องการหา
- ที่มีราคาต่ำ
- เครื่อง
- เรียนรู้เครื่อง
- การบำรุงรักษา
- ทำ
- ทำให้
- จัดการ
- การจัดการ
- การจัดการ
- ตลาด
- เจ้านาย
- สูงสุด
- อาจ..
- ความหมาย
- วิธี
- ความทรงจำ
- วิธี
- ล้าน
- การลด
- นาที
- ML
- แบบ
- โมเดล
- โมดูล
- โมดูล
- ข้อมูลเพิ่มเติม
- มากที่สุด
- ต้อง
- ชื่อ
- โดยกำเนิด
- โดยธรรมชาติ
- ประมวลผลภาษาธรรมชาติ
- นำทาง
- การเดินเรือ
- จำเป็นต้อง
- เครือข่าย
- ไม่เคย
- ใหม่
- NLP
- ไม่
- หมายเหตุ
- สมุดบันทึก
- ตอนนี้
- จำนวน
- วัตถุ
- วัตถุ
- of
- เสนอ
- การเสนอ
- on
- ONE
- เพียง
- การดำเนินงาน
- ตัวเลือกเสริม (Option)
- or
- องค์กร
- อื่นๆ
- ของเรา
- ที่ระบุไว้
- ด้านนอก
- เกิน
- ภาพรวม
- ของตนเอง
- แพ็คเกจ
- ต้องจ่าย
- หมีแพนด้า
- บานหน้าต่าง
- พารามิเตอร์
- ที่จอดรถ
- ส่วนหนึ่ง
- โดยเฉพาะ
- หุ้นส่วน
- พาร์ทเนอร์
- หลงใหล
- สมบูรณ์
- ดำเนินการ
- การปฏิบัติ
- ส่วนบุคคล
- ข้อมูลส่วนบุคคล
- ชิ้น
- ท่อ
- สถานที่
- เวที
- เพลโต
- เพลโตดาต้าอินเทลลิเจนซ์
- เพลโตดาต้า
- เล่น
- ยอดนิยม
- ความเบา
- โพสต์
- ที่มีศักยภาพ
- อำนาจ
- ที่มีประสิทธิภาพ
- มาก่อน
- ที่ต้องการ
- การจัดเตรียม
- นำเสนอ
- ป้องกัน
- ส่วนตัว
- กระบวนการ
- แปรรูปแล้ว
- กระบวนการ
- การประมวลผล
- การผลิต
- ผลผลิต
- ผลิตภัณฑ์
- แจ้ง
- พิสูจน์
- คุณสมบัติ
- คุณสมบัติ
- เสนอ
- เป็นเจ้าของ
- ป้องกัน
- การป้องกัน
- ให้
- ผู้จัดหา
- ผู้ให้บริการ
- ให้
- สาธารณะ
- คลาวด์สาธารณะ
- คำถาม
- อย่างรวดเร็ว
- เศษผ้า
- อันดับ
- ค่อนข้าง
- RE
- อ่าน
- การอ่าน
- ที่ได้รับ
- แนะนำ
- ลด
- อ้างอิง
- เกี่ยวกับ
- ภูมิภาค
- ควบคุม
- อุตสาหกรรมที่มีการควบคุม
- การควบคุม
- หน่วยงานกำกับดูแล
- สัมพัทธ์
- ความสัมพันธ์กัน
- ตรงประเด็น
- ซากศพ
- กรุ
- ขอ
- จำเป็นต้องใช้
- ความต้องการ
- ต้อง
- คล้าย
- แหล่งข้อมูล
- คำตอบ
- การตอบสนอง
- รับผิดชอบ
- REST
- ร้านอาหาร
- ผล
- ผลสอบ
- ขวา
- ความเสี่ยง
- การเสี่ยง
- ห้อง
- แถว
- วิ่ง
- ทำงาน
- รันไทม์
- s
- sagemaker
- ที่ปรับขนาดได้
- ขนาด
- วิทยาศาสตร์
- วิทยาศาสตร์
- ค้นหา
- เครื่องมือค้นหา
- ลับ
- Section
- ส่วน
- ปลอดภัย
- อย่างปลอดภัย
- ความปลอดภัย
- เห็น
- ความหมาย
- ระดับอาวุโส
- มีความละเอียดอ่อน
- ความไว
- แยก
- ให้บริการ
- ให้บริการ
- ให้บริการอาหาร
- บริการ
- บริการ
- ชุด
- การตั้งค่า
- ที่ใช้ร่วมกัน
- หุ้น
- เธอ
- สั้น
- แสดง
- คล้ายคลึงกัน
- ง่าย
- ช่วยลดความยุ่งยาก
- เดียว
- ขนาด
- เล็ก
- ฟุตบอล
- ซอฟต์แวร์
- ทางออก
- โซลูชัน
- บาง
- แหล่ง
- รหัสแหล่งที่มา
- ช่องว่าง
- เฉพาะ
- โดยเฉพาะ
- ที่ระบุไว้
- การใช้จ่าย
- กอง
- เริ่มต้น
- รัฐของศิลปะ
- เข้าพัก
- ขั้นตอน
- ขั้นตอน
- ยังคง
- จัดเก็บ
- เก็บไว้
- ซื่อตรง
- โครงสร้าง
- ทันสมัย
- อย่างเช่น
- เหมาะสม
- สนับสนุน
- รองรับ
- แน่ใจ
- ระบบ
- ตาราง
- ปรับปรุง
- เอา
- ใช้เวลา
- เป้า
- เป้าหมาย
- ทีม
- ทีม
- เทคโนโลยี
- วิชาการ
- เทคโนโลยี
- เทคโนโลยี
- เทมเพลต
- ผู้เช่า
- ข้อความ
- การจัดประเภทข้อความ
- กว่า
- ขอบคุณ
- ที่
- พื้นที่
- ข้อมูล
- ของพวกเขา
- แล้วก็
- ที่นั่น
- ดังนั้น
- ล้อยางขัดเหล่านี้ติดตั้งบนแกน XNUMX (มม.) ผลิตภัณฑ์นี้ถูกผลิตในหลายรูปทรง และหลากหลายเบอร์ความแน่นหนาของปริมาณอนุภาคขัดของมัน จะทำให้ท่านได้รับประสิทธิภาพสูงในการขัดและการใช้งานที่ยาวนาน
- พวกเขา
- ของบุคคลที่สาม
- นี้
- สาม
- ตลอด
- เวลา
- ไปยัง
- ร่วมกัน
- เครื่องมือ
- ด้านบน
- แบบดั้งเดิม
- รถไฟ
- ผ่านการฝึกอบรม
- การฝึกอบรม
- แปลง
- การขนส่ง
- โปร่งใส
- การเดินทาง
- การทดลอง
- เกี่ยวกับการสอน
- สอง
- ชนิด
- ชนิด
- เรา
- ภายใต้
- เข้าใจ
- ไม่คาดฝัน
- ที่น่าจดจำ
- ที่ไม่ซ้ำกัน
- ให้กับคุณ
- การปรับปรุง
- การปรับปรุง
- ชั้นบน
- URL
- การใช้
- ใช้
- ใช้กรณี
- มือสอง
- ผู้ใช้งาน
- ใช้
- การใช้
- วันหยุด
- ความคุ้มค่า
- ความคุ้มค่า
- ต่างๆ
- Ve
- รุ่น
- ผ่านทาง
- เสมือน
- ไดรฟ์
- เดิน
- ทาง..
- วิธี
- we
- ความมั่งคั่ง
- เว็บ
- บริการเว็บ
- ยินดีต้อนรับ
- ดี
- คือ
- เมื่อ
- ที่
- ในขณะที่
- WHO
- ใคร
- จะ
- กับ
- ภายใน
- งาน
- เวิร์กโฟลว์
- การทำงาน
- โรงงาน
- เขียน
- คุณ
- ของคุณ
- ลมทะเล