การเดินทางของผู้ช่วยเสมือน AI เจนเนอเรชั่นของ PGA TOUR จากแนวคิดสู่การพัฒนาไปจนถึงต้นแบบ | อเมซอนเว็บเซอร์วิส

นี่คือโพสต์รับเชิญที่เขียนร่วมกับ Scott Gutterman จาก PGA TOUR

ปัญญาประดิษฐ์เจเนอเรทีฟ (AI เจนเนอเรชั่น) ได้เปิดใช้งานความเป็นไปได้ใหม่ๆ ในการสร้างระบบอัจฉริยะ การปรับปรุงล่าสุดในโมเดลภาษาขนาดใหญ่ (LLM) ที่ใช้ Generative AI ได้เปิดใช้งานการใช้งานในแอปพลิเคชันที่หลากหลายที่เกี่ยวข้องกับการดึงข้อมูล เมื่อพิจารณาจากแหล่งข้อมูลแล้ว LLM ได้จัดเตรียมเครื่องมือที่จะช่วยให้เราสร้างแชทบอทถามตอบได้ภายในไม่กี่สัปดาห์ แทนที่จะเป็นสิ่งที่อาจต้องใช้เวลาหลายปีก่อนหน้านี้ และมีแนวโน้มว่าประสิทธิภาพจะแย่ลง เราสร้างโซลูชันการดึงข้อมูล-Augmented-Generation (RAG) ซึ่งจะช่วยให้ PGA TOUR สร้างต้นแบบสำหรับแพลตฟอร์มการมีส่วนร่วมของแฟน ๆ ในอนาคตที่สามารถทำให้แฟน ๆ สามารถเข้าถึงข้อมูลในรูปแบบเชิงโต้ตอบในรูปแบบการสนทนา

การใช้ข้อมูลที่มีโครงสร้างเพื่อตอบคำถามต้องอาศัยวิธีดึงข้อมูลที่เกี่ยวข้องกับคำค้นหาของผู้ใช้อย่างมีประสิทธิภาพ เราได้กำหนดวิธีการแปลงข้อความเป็น SQL โดยที่แบบสอบถามภาษาธรรมชาติของผู้ใช้จะถูกแปลงเป็นคำสั่ง SQL โดยใช้ LLM SQL ถูกรันโดย อเมซอน อาเธน่า เพื่อส่งคืนข้อมูลที่เกี่ยวข้อง ข้อมูลนี้จะถูกส่งให้กับ LLM อีกครั้ง ซึ่งจะถูกขอให้ตอบคำถามของผู้ใช้ที่ได้รับข้อมูล

การใช้ข้อมูลข้อความจำเป็นต้องมีดัชนีที่สามารถใช้ค้นหาและให้บริบทที่เกี่ยวข้องกับ LLM เพื่อตอบคำถามของผู้ใช้ เพื่อให้สามารถดึงข้อมูลได้อย่างรวดเร็ว เราใช้ อเมซอน เคนดรา เป็นดัชนีสำหรับเอกสารเหล่านี้ เมื่อผู้ใช้ถามคำถาม ผู้ช่วยเสมือนของเราจะค้นหาอย่างรวดเร็วผ่านดัชนี Amazon Kendra เพื่อค้นหาข้อมูลที่เกี่ยวข้อง Amazon Kendra ใช้การประมวลผลภาษาธรรมชาติ (NLP) เพื่อทำความเข้าใจคำถามของผู้ใช้และค้นหาเอกสารที่เกี่ยวข้องมากที่สุด จากนั้นข้อมูลที่เกี่ยวข้องจะถูกส่งไปยัง LLM เพื่อสร้างการตอบสนองขั้นสุดท้าย โซลูชันสุดท้ายของเราคือการผสมผสานระหว่างวิธีแปลงข้อความเป็น SQL และ text-RAG

ในโพสต์นี้เราเน้นวิธีการ ศูนย์นวัตกรรม AWS Generative AI ร่วมมือกับ บริการระดับมืออาชีพของ AWS และ PGA TOUR เพื่อพัฒนาเครื่องช่วยเสมือนต้นแบบโดยใช้ อเมซอน เบดร็อค ที่สามารถทำให้แฟนๆ สามารถดึงข้อมูลเกี่ยวกับเหตุการณ์ ผู้เล่น หลุม หรือรายละเอียดระดับช็อตใดๆ ในลักษณะโต้ตอบที่ไร้รอยต่อ Amazon Bedrock เป็นบริการที่มีการจัดการเต็มรูปแบบซึ่งนำเสนอตัวเลือกโมเดลพื้นฐาน (FM) ที่มีประสิทธิภาพสูงจากบริษัท AI ชั้นนำ เช่น AI21 Labs, Anthropic, Cohere, Meta, Stability AI และ Amazon ผ่าน API เดียว พร้อมด้วยชุดของ ความสามารถที่คุณต้องการในการสร้างแอปพลิเคชัน AI เชิงสร้างสรรค์ที่มีการรักษาความปลอดภัย ความเป็นส่วนตัว และ AI ที่มีความรับผิดชอบ

การพัฒนา: การเตรียมข้อมูลให้พร้อม

เช่นเดียวกับโปรเจ็กต์ที่ขับเคลื่อนด้วยข้อมูล ประสิทธิภาพจะดีพอๆ กับข้อมูลเท่านั้น เราประมวลผลข้อมูลเพื่อให้ LLM สามารถสืบค้นและดึงข้อมูลที่เกี่ยวข้องได้อย่างมีประสิทธิภาพ

สำหรับข้อมูลการแข่งขันแบบตาราง เรามุ่งเน้นไปที่ชุดย่อยของข้อมูลที่เกี่ยวข้องกับข้อความค้นหาของผู้ใช้จำนวนมากที่สุด และติดป้ายกำกับคอลัมน์อย่างสังหรณ์ใจ เพื่อให้ LLM เข้าใจได้ง่ายขึ้น นอกจากนี้เรายังสร้างคอลัมน์เสริมเพื่อช่วยให้ LLM เข้าใจแนวคิดที่อาจประสบปัญหา ตัวอย่างเช่น หากนักกอล์ฟตีหนึ่งช็อตน้อยกว่าพาร์ (เช่น ทำให้ลงหลุมใน 3 ช็อตบนพาร์ 4 หรือ 4 ช็อตบนพาร์ 5) โดยทั่วไปเรียกว่า เบอร์ดี้. หากผู้ใช้ถามว่า “ผู้เล่น X ทำเบอร์ดี้ได้กี่เบอร์ดี้ในปีที่แล้ว” แค่มีสกอร์และพาร์ในตารางไม่เพียงพอ ด้วยเหตุนี้ เราจึงเพิ่มคอลัมน์เพื่อระบุคำศัพท์กอล์ฟทั่วไป เช่น โบกี้ เบอร์ดี้ และอีเกิล นอกจากนี้ เรายังเชื่อมโยงข้อมูลการแข่งขันกับคอลเลกชันวิดีโอแยกต่างหาก โดยการเข้าร่วมคอลัมน์สำหรับ video_idซึ่งจะช่วยให้แอปของเราดึงวิดีโอที่เกี่ยวข้องกับช็อตใดช็อตหนึ่งในข้อมูลการแข่งขันได้ นอกจากนี้เรายังเปิดใช้งานการรวมข้อมูลข้อความเข้ากับข้อมูลแบบตาราง เช่น การเพิ่มชีวประวัติของผู้เล่นแต่ละคนเป็นคอลัมน์ข้อความ รูปต่อไปนี้แสดงขั้นตอนทีละขั้นตอนของวิธีประมวลผลแบบสอบถามสำหรับไปป์ไลน์ข้อความเป็น SQL ตัวเลขระบุชุดขั้นตอนในการตอบคำถาม

ในรูปต่อไปนี้ เราสาธิตไปป์ไลน์แบบ end-to-end ของเรา เราใช้ AWS แลมบ์ดา เป็นฟังก์ชันประสานของเราที่รับผิดชอบในการโต้ตอบกับแหล่งข้อมูลต่างๆ LLM และการแก้ไขข้อผิดพลาดตามคำค้นหาของผู้ใช้ ขั้นตอนที่ 1-8 คล้ายกับขั้นตอนที่แสดงในรูปต่อไป มีการเปลี่ยนแปลงเล็กน้อยสำหรับข้อมูลที่ไม่มีโครงสร้าง ซึ่งเราจะหารือกันต่อไป

ข้อมูลข้อความจำเป็นต้องมีขั้นตอนการประมวลผลเฉพาะที่แบ่งเอกสารขนาดยาวออกเป็นชิ้นๆ (หรือแบ่งส่วน) ออกเป็นส่วนๆ ที่ LLM ย่อยได้ ในขณะที่ยังคงรักษาความสอดคล้องของหัวข้อไว้ เราทดลองด้วยวิธีการต่างๆ มากมายและตัดสินใจในรูปแบบการแบ่งส่วนระดับหน้าเว็บที่สอดคล้องกับรูปแบบของ Media Guides เป็นอย่างดี เราใช้ Amazon Kendra ซึ่งเป็นบริการที่ได้รับการจัดการซึ่งดูแลการจัดทำดัชนีเอกสาร โดยไม่ต้องมีข้อกำหนดเฉพาะของการฝัง ขณะเดียวกันก็มี API สำหรับการเรียกค้นที่ง่ายดาย รูปต่อไปนี้แสดงให้เห็นถึงสถาปัตยกรรมนี้

ไปป์ไลน์แบบครบวงจรและปรับขนาดได้ที่เราพัฒนาขึ้นทำให้ PGA TOUR ขยายขนาดตามประวัติข้อมูลทั้งหมดได้ ซึ่งบางส่วนย้อนกลับไปในยุค 1800 ช่วยให้แอปพลิเคชันในอนาคตสามารถใช้งานจริงในบริบทของหลักสูตรเพื่อสร้างประสบการณ์แบบเรียลไทม์ที่สมบูรณ์แบบ

การพัฒนา: การประเมิน LLM และพัฒนาแอปพลิเคชัน AI เชิงสร้างสรรค์

เราทดสอบและประเมิน LLM ของบริษัทแรกและบริษัทอื่นอย่างรอบคอบใน Amazon Bedrock เพื่อเลือกโมเดลที่เหมาะสมที่สุดสำหรับไปป์ไลน์และกรณีการใช้งานของเรา เราเลือก Claude v2 และ Claude Instant ของ Anthropic บน Amazon Bedrock สำหรับไปป์ไลน์ข้อมูลที่มีโครงสร้างและไม่มีโครงสร้างขั้นสุดท้าย เราสังเกตเห็นว่า Claude 2 ของ Anthropic บน Amazon Bedrock สร้างผลลัพธ์โดยรวมที่ดีขึ้นสำหรับไปป์ไลน์ข้อมูลสุดท้ายของเรา

การแจ้งเป็นส่วนสำคัญในการทำให้ LLM แสดงผลข้อความตามที่ต้องการ เราใช้เวลาอย่างมากในการทดลองกับคำแนะนำที่แตกต่างกันสำหรับแต่ละงาน ตัวอย่างเช่น สำหรับไปป์ไลน์การแปลงข้อความเป็น SQL เรามีข้อความเตือนทางเลือกหลายรายการ โดยมีความเฉพาะเจาะจงเพิ่มมากขึ้น และสกีมาตารางจะค่อยๆ ลดความซับซ้อนลง หากการสืบค้น SQL ไม่ถูกต้องและส่งผลให้เกิดข้อผิดพลาดจาก Athena เราได้พัฒนาพรอมต์การแก้ไขข้อผิดพลาดที่จะส่งข้อผิดพลาดและ SQL ที่ไม่ถูกต้องไปยัง LLM และขอให้แก้ไข พรอมต์สุดท้ายในไปป์ไลน์ข้อความเป็น SQL จะขอให้ LLM รับเอาต์พุต Athena ซึ่งสามารถระบุได้ในรูปแบบ Markdown หรือ CSV และให้คำตอบแก่ผู้ใช้ สำหรับข้อความที่ไม่มีโครงสร้าง เราได้พัฒนาพร้อมท์ทั่วไปเพื่อใช้บริบทที่ดึงมาจาก Amazon Kendra เพื่อตอบคำถามของผู้ใช้ ข้อความแจ้งประกอบด้วยคำแนะนำในการใช้เฉพาะข้อมูลที่ดึงมาจาก Amazon Kendra และไม่ต้องอาศัยข้อมูลจากการฝึกอบรมล่วงหน้าของ LLM

เวลาแฝงมักเป็นปัญหากับแอปพลิเคชัน AI ทั่วไป และนี่ก็เป็นกรณีนี้เช่นกัน มีข้อกังวลเป็นพิเศษสำหรับการแปลงข้อความเป็น SQL ซึ่งจำเป็นต้องมีการเรียกใช้ LLM รุ่น SQL เริ่มต้น ตามด้วยการร้องขอ LLM รุ่นการตอบสนอง หากเราใช้ LLM ขนาดใหญ่ เช่น Claude V2 ของ Anthropic สิ่งนี้จะเพิ่มเวลาแฝงของการเรียกใช้ LLM เพียงครั้งเดียวได้อย่างมีประสิทธิภาพเป็นสองเท่า เราทดลองกับการกำหนดค่า LLM ขนาดใหญ่และเล็กหลายรูปแบบเพื่อประเมินเวลาดำเนินการและความถูกต้อง ตารางต่อไปนี้แสดงตัวอย่างสำหรับคำถามหนึ่งข้อที่แสดงไว้ด้านล่างซึ่งแสดงให้เห็นถึงเวลาแฝง เช่นเดียวกับการตอบกลับที่สร้างขึ้นด้วย Claude V2 และ Claude Instant ของ Anthropic บน Amazon Bedrock

ต้นแบบ

ในแอปพลิเคชันของเรา เราใช้ฟังก์ชัน Lambda เพื่อประสานตัวเลือกที่รวดเร็วและการสื่อสารระหว่าง Amazon Athena, Amazon Kendra และ Amazon Bedrock ผู้ช่วยเสมือนมีอินเทอร์เฟซการสนทนาที่สร้างขึ้นด้วย React และ Cloudscape Design System ที่ใช้ข้อความและวิดีโอเพื่อมีส่วนร่วมกับผู้ใช้

ผู้ช่วยเสมือนของเราสามารถตอบคำถามที่หลากหลายเกี่ยวกับกิจกรรม PGA TOUR ผู้เล่น สถิติ ประวัติศาสตร์ และอื่นๆ อีกมากมาย ตัวอย่างเช่น เมื่อถามเกี่ยวกับการขับรถระยะไกลที่สุดของ Tony Finau ที่ Shriners Children's Open (หนึ่งในกิจกรรมอันเป็นเอกลักษณ์ของ PGA TOUR) ผู้ช่วยสามารถสืบค้นข้อมูลที่มีโครงสร้างเพื่อดึงข้อมูลระดับช็อตของเขา สามารถดึงระยะทางที่แน่นอนเป็นหลา หมายเลขรอบ และหลุมที่เขาทำสถิตินี้ได้สำเร็จโดยใช้ไปป์ไลน์การแปลงข้อความเป็น SQL จากนั้นผู้ช่วยจะตีความข้อมูลตัวเลขนี้เพื่อสร้างคำตอบสุดท้าย ตารางต่อไปนี้ประกอบด้วยตัวอย่างคำตอบ

คำถาม	คำตอบ
Tony Finau ตีไดรฟ์ที่ยาวที่สุดในการแข่งขัน Shriners Children's Open คืออะไร?	โทนี่ ฟิเนาตีไดรฟ์ได้ไกลที่สุดในรายการ Shriners Childrens Open คือ 382 หลา ซึ่งเขาตีในรอบแรกในหลุมหมายเลข 4 ในปี 2018
การขับรถที่ Collin Morikawa ตีได้ไกลที่สุดในการแข่งขัน Shriners Children's Open คืออะไร?	การขับรถที่ไกลที่สุดของ Collin Morikawa ที่ Shriners Childrens Open คือ 334 หลา เรื่องนี้เกิดขึ้นในปี 2019 ระหว่างรอบแรกที่หลุมหมายเลข 15
มีใครทำแต้มได้ในการแข่งขัน Shriners Children's Open ปี 2022 บ้างไหม?	ใช่ Adam Hadwin ทำโฮลอินวันได้ที่หลุม 14 ระหว่างรอบที่ 3 ของรายการ Shriners Children's Open ปี 2022

วิดีโออธิบายต่อไปนี้เน้นตัวอย่างบางส่วนของการโต้ตอบกับผู้ช่วยเสมือน

ในการทดสอบเบื้องต้น ผู้ช่วยเสมือนของ PGA TOUR ของเราได้แสดงให้เห็นถึงคำมั่นสัญญาที่ดีในการปรับปรุงประสบการณ์ของแฟนๆ ด้วยการผสมผสานเทคโนโลยี AI เช่น การแปลงข้อความเป็น SQL การค้นหาความหมาย และการสร้างภาษาธรรมชาติ ผู้ช่วยจึงให้คำตอบที่ให้ข้อมูลและน่าดึงดูดใจ แฟนๆ สามารถเข้าถึงข้อมูลและเรื่องราวที่เคยหาได้ยากในอดีตได้อย่างง่ายดาย

อนาคตจะมีอะไร

ในขณะที่เราพัฒนาต่อไป เราจะขยายขอบเขตคำถามที่ผู้ช่วยเสมือนของเราสามารถรับมือได้ สิ่งนี้จะต้องมีการทดสอบที่ครอบคลุมผ่านความร่วมมือระหว่าง AWS และ PGA TOUR เมื่อเวลาผ่านไป เรามุ่งมั่นที่จะพัฒนาผู้ช่วยให้เป็นประสบการณ์แบบ Omni-Channel ส่วนบุคคลที่เข้าถึงได้ผ่านทางเว็บ อุปกรณ์เคลื่อนที่ และอินเทอร์เฟซเสียง

การจัดตั้งผู้ช่วย AI ที่สร้างบนคลาวด์ช่วยให้ PGA TOUR นำเสนอแหล่งข้อมูลอันกว้างขวางแก่ผู้มีส่วนได้ส่วนเสียทั้งภายในและภายนอก เมื่อภูมิทัศน์ AI กำเนิดกีฬาพัฒนาขึ้น ทำให้เกิดการสร้างเนื้อหาใหม่ ตัวอย่างเช่น คุณสามารถใช้ AI และการเรียนรู้ของเครื่อง (ML) เพื่อแสดงเนื้อหาที่แฟนๆ ต้องการดูในขณะที่พวกเขากำลังดูกิจกรรม หรือในขณะที่ทีมผู้ผลิตกำลังมองหาช็อตจากทัวร์นาเมนต์ก่อนหน้าที่ตรงกับกิจกรรมปัจจุบัน ตัวอย่างเช่น หาก Max Homa กำลังเตรียมพร้อมที่จะยิงนัดสุดท้ายในการแข่งขัน PGA TOUR Championship จากจุดที่ห่างจากหมุด 20 ฟุต PGA TOUR จะสามารถใช้ AI และ ML เพื่อระบุและนำเสนอคลิปพร้อมคำอธิบายที่สร้างโดย AI ของเขา พยายามยิงที่คล้ายกันห้าครั้งก่อนหน้านี้ การเข้าถึงและข้อมูลประเภทนี้ช่วยให้ทีมผู้ผลิตสามารถเพิ่มมูลค่าให้กับการออกอากาศได้ทันที หรืออนุญาตให้แฟนๆ ปรับแต่งประเภทข้อมูลที่พวกเขาต้องการดูได้

“พีจีเอ ทัวร์ เป็นผู้นำอุตสาหกรรมในการใช้เทคโนโลยีล้ำสมัยเพื่อปรับปรุงประสบการณ์ของแฟนๆ AI อยู่ในระดับแนวหน้าของกลุ่มเทคโนโลยีของเรา ซึ่งช่วยให้เราสามารถสร้างสภาพแวดล้อมที่น่าดึงดูดและมีการโต้ตอบสำหรับแฟนๆ มากขึ้น นี่คือจุดเริ่มต้นของการเดินทาง generative AI ของเราโดยร่วมมือกับ AWS Generative AI Innovation Center เพื่อประสบการณ์ของลูกค้าตั้งแต่ต้นทางถึงปลายทางที่เปลี่ยนแปลง เรากำลังดำเนินการเพื่อใช้ประโยชน์จาก Amazon Bedrock และข้อมูลลิขสิทธิ์ของเราเพื่อสร้างประสบการณ์เชิงโต้ตอบสำหรับแฟน ๆ PGA TOUR เพื่อค้นหาข้อมูลที่น่าสนใจเกี่ยวกับกิจกรรม ผู้เล่น สถิติ หรือเนื้อหาอื่น ๆ ในรูปแบบเชิงโต้ตอบ”
– Scott Gutterman รองประธานอาวุโสฝ่ายการออกอากาศและคุณสมบัติดิจิทัลของ PGA TOUR

สรุป

โปรเจ็กต์ที่เราพูดถึงในโพสต์นี้เป็นตัวอย่างวิธีการผสมผสานแหล่งข้อมูลที่มีโครงสร้างและไม่มีโครงสร้างโดยใช้ AI เพื่อสร้างผู้ช่วยเสมือนรุ่นต่อไป สำหรับองค์กรกีฬา เทคโนโลยีนี้ช่วยให้แฟน ๆ มีส่วนร่วมมากขึ้นและปลดล็อกประสิทธิภาพภายใน ข้อมูลอัจฉริยะที่เรานำเสนอช่วยให้ผู้มีส่วนได้ส่วนเสียของ PGA TOUR เช่น ผู้เล่น โค้ช เจ้าหน้าที่ พันธมิตร และสื่อ ตัดสินใจด้วยข้อมูลได้รวดเร็วยิ่งขึ้น นอกเหนือจากกีฬาแล้ว วิธีการของเราสามารถทำซ้ำได้ในทุกอุตสาหกรรม หลักการเดียวกันนี้ใช้กับผู้ช่วยอาคารที่ดึงดูดลูกค้า พนักงาน นักเรียน ผู้ป่วย และผู้ใช้ปลายทางอื่นๆ ด้วยการออกแบบและการทดสอบที่รอบคอบ องค์กรแทบทุกแห่งสามารถได้รับประโยชน์จากระบบ AI ที่สร้างบริบทให้กับฐานข้อมูลที่มีโครงสร้าง เอกสาร รูปภาพ วิดีโอ และเนื้อหาอื่นๆ

หากคุณสนใจที่จะใช้ฟังก์ชันที่คล้ายกัน โปรดพิจารณาใช้ ตัวแทนของ Amazon Bedrock และ ฐานความรู้สำหรับ Amazon Bedrock เป็นทางเลือกโซลูชันที่ได้รับการจัดการโดย AWS อย่างเต็มรูปแบบ วิธีการนี้สามารถตรวจสอบเพิ่มเติมเกี่ยวกับระบบอัตโนมัติอัจฉริยะและความสามารถในการค้นหาข้อมูลผ่านเอเจนต์ที่ปรับแต่งได้ เอเจนต์เหล่านี้สามารถเปลี่ยนการโต้ตอบของแอปพลิเคชันผู้ใช้ให้เป็นธรรมชาติ มีประสิทธิภาพ และประสิทธิผลมากขึ้น

---

เกี่ยวกับผู้แต่ง

สกอตต์ กัตเตอร์แมน เป็นรองประธานอาวุโสฝ่ายปฏิบัติการดิจิทัลของพีจีเอทัวร์ เขารับผิดชอบการดำเนินงานดิจิทัลโดยรวมของ TOUR การพัฒนาผลิตภัณฑ์ และขับเคลื่อนกลยุทธ์ GenAI

อาซัน อาลี เป็นนักวิทยาศาสตร์ประยุกต์ที่ศูนย์นวัตกรรม Amazon Generative AI ซึ่งเขาทำงานร่วมกับลูกค้าจากโดเมนต่างๆ เพื่อแก้ไขปัญหาเร่งด่วนและมีราคาแพงโดยใช้ Generative AI

ทาฮิน ซายิด เป็นนักวิทยาศาสตร์ประยุกต์ที่ศูนย์นวัตกรรม Amazon Generative AI ซึ่งเขาทำงานร่วมกับลูกค้าเพื่อช่วยให้บรรลุผลลัพธ์ทางธุรกิจด้วยโซลูชัน AI เชิงสร้างสรรค์ นอกเหนือจากงาน เขาชอบลองอาหารใหม่ๆ การเดินทาง และการสอนเทควันโด

เกรซ แลง เป็นวิศวกร Associate Data & ML ที่มี AWS Professional Services ด้วยแรงผลักดันจากความหลงใหลในการเอาชนะความท้าทายที่ยากลำบาก Grace ช่วยให้ลูกค้าบรรลุเป้าหมายโดยการพัฒนาโซลูชันที่ขับเคลื่อนด้วยการเรียนรู้ของเครื่อง

แจ ลี เป็นผู้จัดการฝ่ายหมั้นอาวุโสในธุรกิจ M&E ของ ProServe เธอเป็นผู้นำและส่งมอบการมีส่วนร่วมที่ซับซ้อน แสดงชุดทักษะการแก้ปัญหาที่แข็งแกร่ง จัดการความคาดหวังของผู้มีส่วนได้ส่วนเสีย และดูแลการนำเสนอระดับผู้บริหาร เธอสนุกกับการทำงานในโครงการที่เน้นด้านกีฬา AI เชิงสร้างสรรค์ และประสบการณ์ของลูกค้า

กานต์ ชาฮาร์ เป็นที่ปรึกษาด้านความปลอดภัยกับทีมจัดส่งที่ใช้ร่วมกันที่ AWS เขาเป็นผู้ชื่นชอบเทคโนโลยีและสนุกกับการทำงานร่วมกับลูกค้าเพื่อแก้ปัญหาความท้าทายด้านความปลอดภัย และปรับปรุงมาตรการรักษาความปลอดภัยในระบบคลาวด์

ไมค์ อัมจาดี เป็นวิศวกรข้อมูลและ ML พร้อม AWS ProServe ที่มุ่งเน้นการทำให้ลูกค้าสามารถเพิ่มมูลค่าสูงสุดจากข้อมูลได้ เขาเชี่ยวชาญในการออกแบบ สร้าง และเพิ่มประสิทธิภาพไปป์ไลน์ข้อมูลตามหลักการที่ออกแบบมาอย่างดี Mike มีความหลงใหลในการใช้เทคโนโลยีเพื่อแก้ไขปัญหา และมุ่งมั่นที่จะมอบผลลัพธ์ที่ดีที่สุดให้กับลูกค้าของเรา

วรุชาลี ซาวันต์ เป็นวิศวกรส่วนหน้าของ Proserve เธอมีทักษะสูงในการสร้างเว็บไซต์แบบตอบสนอง เธอรักที่จะทำงานร่วมกับลูกค้า เข้าใจความต้องการของพวกเขา และมอบโซลูชัน UI/UX ที่ปรับขนาดได้และใช้งานง่ายให้กับลูกค้า

นีลัม พาเทล เป็นผู้จัดการโซลูชันลูกค้าที่ AWS ซึ่งเป็นผู้นำโครงการริเริ่มหลักด้าน Generative AI และระบบคลาวด์ให้ทันสมัย Neelam ทำงานร่วมกับผู้บริหารคนสำคัญและเจ้าของเทคโนโลยีเพื่อจัดการกับความท้าทายในการเปลี่ยนแปลงระบบคลาวด์ และช่วยให้ลูกค้าได้รับประโยชน์สูงสุดจากการนำระบบคลาวด์มาใช้ เธอสำเร็จการศึกษาระดับปริญญาโทสาขาบริหารธุรกิจจาก Warwick Business School สหราชอาณาจักร และปริญญาตรีสาขาวิศวกรรมคอมพิวเตอร์ ประเทศอินเดีย

ดร.มูราลี บักธา เป็นสถาปนิกโซลูชันกอล์ฟระดับโลกที่ AWS เป็นหัวหอกในโครงการริเริ่มที่สำคัญที่เกี่ยวข้องกับ Generative AI การวิเคราะห์ข้อมูล และเทคโนโลยีคลาวด์ที่ล้ำสมัย Murali ทำงานร่วมกับผู้บริหารสำคัญและเจ้าของเทคโนโลยีเพื่อทำความเข้าใจความท้าทายทางธุรกิจของลูกค้า และออกแบบโซลูชันเพื่อรับมือกับความท้าทายเหล่านั้น เขาสำเร็จการศึกษาระดับปริญญาโทสาขาการเงินจาก UConn และปริญญาเอกจากมหาวิทยาลัยแห่งรัฐไอโอวา

เมห์ดี นูร์ เป็นผู้จัดการวิทยาศาสตร์ประยุกต์ที่ Generative Ai Innovation Center ด้วยความหลงใหลในการเชื่อมโยงเทคโนโลยีและนวัตกรรม เขาช่วยเหลือลูกค้า AWS ในการปลดล็อกศักยภาพของ Generative AI เปลี่ยนความท้าทายที่อาจเกิดขึ้นให้เป็นโอกาสในการทดลองและนวัตกรรมอย่างรวดเร็วโดยมุ่งเน้นไปที่การใช้เทคโนโลยี AI ขั้นสูงที่ปรับขนาด วัดผลได้ และสร้างผลกระทบ และปรับปรุงเส้นทางให้คล่องตัว เพื่อการผลิต

• 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/the-journey-of-pga-tours-generative-ai-virtual-assistant-from-concept-to-development-to-prototype/