ในภูมิทัศน์ที่เปลี่ยนแปลงไปของการผลิต พลังการเปลี่ยนแปลงของ AI และการเรียนรู้ของเครื่อง (ML) ปรากฏชัด ซึ่งขับเคลื่อนการปฏิวัติทางดิจิทัลที่เพิ่มความคล่องตัวในการดำเนินงานและเพิ่มผลผลิต อย่างไรก็ตาม ความก้าวหน้านี้ทำให้เกิดความท้าทายเฉพาะสำหรับองค์กรต่างๆ ที่ใช้โซลูชันที่ขับเคลื่อนด้วยข้อมูล โรงงานอุตสาหกรรมต้องรับมือกับข้อมูลที่ไม่มีโครงสร้างจำนวนมหาศาล ซึ่งได้มาจากเซ็นเซอร์ ระบบการวัดและส่งข้อมูลทางไกล และอุปกรณ์ที่กระจัดกระจายไปตามสายการผลิต ข้อมูลแบบเรียลไทม์ถือเป็นสิ่งสำคัญสำหรับแอปพลิเคชันต่างๆ เช่น การบำรุงรักษาเชิงคาดการณ์และการตรวจจับความผิดปกติ แต่การพัฒนาโมเดล ML ที่กำหนดเองสำหรับกรณีการใช้งานทางอุตสาหกรรมแต่ละกรณีที่มีข้อมูลอนุกรมเวลาดังกล่าวต้องใช้เวลาและทรัพยากรจำนวนมากจากนักวิทยาศาสตร์ข้อมูล ซึ่งเป็นอุปสรรคต่อการนำไปใช้อย่างกว้างขวาง
กำเนิด AI โดยใช้โมเดลพื้นฐานก่อนการฝึกอบรมขนาดใหญ่ (FM) เช่น Claude สามารถสร้างเนื้อหาที่หลากหลายได้อย่างรวดเร็วตั้งแต่ข้อความสนทนาไปจนถึงโค้ดคอมพิวเตอร์โดยอาศัยข้อความแจ้งง่ายๆ ที่เรียกว่า การกระตุ้นแบบ Zero-shot. ซึ่งช่วยลดความจำเป็นที่นักวิทยาศาสตร์ข้อมูลจะต้องพัฒนาโมเดล ML เฉพาะสำหรับแต่ละกรณีการใช้งานด้วยตนเอง และทำให้การเข้าถึง AI เป็นประชาธิปไตย ซึ่งเป็นประโยชน์ต่อแม้แต่ผู้ผลิตรายเล็ก พนักงานได้รับผลิตภาพผ่านข้อมูลเชิงลึกที่สร้างโดย AI วิศวกรสามารถตรวจจับความผิดปกติในเชิงรุก ผู้จัดการห่วงโซ่อุปทานเพิ่มประสิทธิภาพสินค้าคงคลัง และผู้นำโรงงานทำการตัดสินใจโดยอาศัยข้อมูลและการตัดสินใจ
อย่างไรก็ตาม FM แบบสแตนด์อโลนเผชิญกับข้อจำกัดในการจัดการข้อมูลอุตสาหกรรมที่ซับซ้อนด้วยข้อจำกัดขนาดบริบท (โดยทั่วไป น้อยกว่า 200,000 โทเค็น) ซึ่งก่อให้เกิดความท้าทาย เพื่อแก้ไขปัญหานี้ คุณสามารถใช้ความสามารถของ FM ในการสร้างโค้ดเพื่อตอบสนองต่อคำค้นหาภาษาธรรมชาติ (NLQ) ตัวแทนชอบ. แพนด้าเอไอ เข้ามามีบทบาทด้วยการรันโค้ดนี้กับข้อมูลอนุกรมเวลาที่มีความละเอียดสูง และการจัดการข้อผิดพลาดโดยใช้ FM PandasAI เป็นไลบรารี Python ที่เพิ่มความสามารถด้าน AI เชิงสร้างสรรค์ให้กับแพนด้า ซึ่งเป็นเครื่องมือวิเคราะห์และจัดการข้อมูลยอดนิยม
อย่างไรก็ตาม NLQ ที่ซับซ้อน เช่น การประมวลผลข้อมูลอนุกรมเวลา การรวมหลายระดับ และการดำเนินการตาราง Pivot หรือร่วม อาจทำให้สคริปต์ Python มีความแม่นยำไม่สอดคล้องกันพร้อมกับพร้อมต์ Zero-shot
เพื่อเพิ่มความแม่นยำในการสร้างโค้ด เราขอเสนอการสร้างแบบไดนามิก พรอมต์หลายช็อต สำหรับ NLQ การแจ้งหลายช็อตให้บริบทเพิ่มเติมแก่ FM โดยการแสดงตัวอย่างเอาต์พุตที่ต้องการหลายรายการสำหรับการแจ้งเตือนที่คล้ายกัน ซึ่งช่วยเพิ่มความแม่นยำและความสม่ำเสมอ ในโพสต์นี้ ข้อความแจ้งแบบหลายช็อตจะถูกดึงมาจากการฝังที่มีโค้ด Python ที่ประสบความสำเร็จซึ่งรันบนประเภทข้อมูลที่คล้ายกัน (เช่น ข้อมูลอนุกรมเวลาที่มีความละเอียดสูงจากอุปกรณ์ Internet of Things) พรอมต์หลายช็อตที่สร้างขึ้นแบบไดนามิกให้บริบทที่เกี่ยวข้องกับ FM มากที่สุด และเพิ่มความสามารถของ FM ในการคำนวณทางคณิตศาสตร์ขั้นสูง การประมวลผลข้อมูลอนุกรมเวลา และการทำความเข้าใจตัวย่อของข้อมูล การตอบสนองที่ได้รับการปรับปรุงนี้อำนวยความสะดวกให้กับพนักงานในองค์กรและทีมปฏิบัติการในการมีส่วนร่วมกับข้อมูล โดยได้รับข้อมูลเชิงลึกโดยไม่ต้องใช้ทักษะด้านวิทยาการข้อมูลที่กว้างขวาง
นอกเหนือจากการวิเคราะห์ข้อมูลอนุกรมเวลาแล้ว FM ยังพิสูจน์ได้ว่ามีคุณค่าในการใช้งานทางอุตสาหกรรมต่างๆ ทีมบำรุงรักษาประเมินความสมบูรณ์ของสินทรัพย์ จับภาพเพื่อ ความหมายของ Amazon-สรุปฟังก์ชันการทำงานและการวิเคราะห์สาเหตุความผิดปกติโดยใช้การค้นหาอัจฉริยะด้วย การดึงข้อมูล Augmented Generation (แร็ก). เพื่อลดความซับซ้อนของขั้นตอนการทำงานเหล่านี้ AWS จึงได้นำเสนอ อเมซอน เบดร็อคช่วยให้คุณสร้างและปรับขนาดแอปพลิเคชัน AI เชิงสร้างสรรค์ด้วย FM ที่ได้รับการฝึกอบรมล่วงหน้าที่ล้ำสมัย เช่น คลอดด์ v2. ด้วย ฐานความรู้สำหรับ Amazon Bedrockคุณสามารถทำให้กระบวนการพัฒนา RAG ง่ายขึ้นเพื่อให้การวิเคราะห์สาเหตุความผิดปกติที่แม่นยำยิ่งขึ้นสำหรับพนักงานในโรงงาน โพสต์ของเรานำเสนอผู้ช่วยอัจฉริยะสำหรับกรณีการใช้งานทางอุตสาหกรรมที่ขับเคลื่อนโดย Amazon Bedrock จัดการกับความท้าทายของ NLQ สร้างบทสรุปชิ้นส่วนจากรูปภาพ และปรับปรุงการตอบสนอง FM สำหรับการวินิจฉัยอุปกรณ์ผ่านแนวทาง RAG
ภาพรวมโซลูชัน
ไดอะแกรมต่อไปนี้แสดงสถาปัตยกรรมโซลูชัน
ขั้นตอนการทำงานประกอบด้วยกรณีการใช้งานที่แตกต่างกัน 3 กรณี:
ใช้กรณีที่ 1: NLQ พร้อมข้อมูลอนุกรมเวลา
เวิร์กโฟลว์สำหรับ NLQ ที่มีข้อมูลอนุกรมเวลาประกอบด้วยขั้นตอนต่อไปนี้:
- เราใช้ระบบตรวจสอบสภาพที่มีความสามารถ ML สำหรับการตรวจจับความผิดปกติ เช่น อเมซอน โมนิตรอนเพื่อติดตามความสมบูรณ์ของอุปกรณ์อุตสาหกรรม Amazon Monitron สามารถตรวจจับความล้มเหลวของอุปกรณ์ที่อาจเกิดขึ้นจากการสั่นและการวัดอุณหภูมิของอุปกรณ์
- เรารวบรวมข้อมูลอนุกรมเวลาโดยการประมวลผล อเมซอน โมนิตรอน ข้อมูลผ่าน สตรีมข้อมูล Amazon Kinesis และ Amazon Data Firehoseโดยแปลงเป็นรูปแบบ CSV แบบตารางและบันทึกเป็นไฟล์ บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon (Amazon S3) ถัง
- ผู้ใช้ปลายทางสามารถเริ่มแชทกับข้อมูลอนุกรมเวลาของตนใน Amazon S3 ได้โดยส่งข้อความสืบค้นภาษาธรรมชาติไปยังแอป Streamlit
- แอป Streamlit ส่งต่อคำถามของผู้ใช้ไปยัง โมเดลการฝังข้อความ Amazon Bedrock Titan เพื่อฝังแบบสอบถามนี้ และทำการค้นหาที่คล้ายคลึงกันภายใน บริการ Amazon OpenSearch ดัชนีซึ่งประกอบด้วย NLQ ก่อนหน้าและรหัสตัวอย่าง
- หลังจากการค้นหาความคล้ายคลึง ตัวอย่างยอดนิยมที่คล้ายกัน รวมถึงคำถาม NLQ สคีมาข้อมูล และโค้ด Python จะถูกแทรกในพร้อมท์ที่กำหนดเอง
- PandasAI ส่งข้อความแจ้งแบบกำหนดเองนี้ไปยังโมเดล Amazon Bedrock Claude v2
- แอปใช้ตัวแทน PandasAI เพื่อโต้ตอบกับโมเดล Amazon Bedrock Claude v2 โดยสร้างโค้ด Python สำหรับการวิเคราะห์ข้อมูล Amazon Monitron และการตอบสนอง NLQ
- หลังจากที่โมเดล Amazon Bedrock Claude v2 ส่งคืนโค้ด Python แล้ว PandasAI จะรันการสืบค้น Python บนข้อมูล Amazon Monitron ที่อัปโหลดจากแอป รวบรวมเอาต์พุตโค้ด และจัดการกับการลองใหม่ที่จำเป็นสำหรับการรันที่ล้มเหลว
- แอป Streamlit รวบรวมการตอบสนองผ่าน PandasAI และมอบผลลัพธ์ให้กับผู้ใช้ หากผลลัพธ์เป็นที่น่าพอใจ ผู้ใช้สามารถทำเครื่องหมายว่ามีประโยชน์ โดยบันทึกโค้ด NLQ และ Python ที่สร้างโดย Claude ใน OpenSearch Service
กรณีการใช้งาน 2: การสร้างสรุปชิ้นส่วนที่ชำรุด
กรณีการใช้งานการสร้างข้อมูลสรุปของเราประกอบด้วยขั้นตอนต่อไปนี้:
- หลังจากที่ผู้ใช้ทราบว่าสินทรัพย์ทางอุตสาหกรรมใดที่แสดงพฤติกรรมที่ผิดปกติ พวกเขาสามารถอัปโหลดรูปภาพของชิ้นส่วนที่ชำรุดเพื่อระบุว่ามีบางอย่างผิดปกติทางกายภาพกับชิ้นส่วนนี้หรือไม่ ตามข้อกำหนดทางเทคนิคและสภาพการดำเนินงาน
- ผู้ใช้สามารถใช้ไฟล์ Amazon Recognition DetectText API เพื่อดึงข้อมูลข้อความจากรูปภาพเหล่านี้
- ข้อมูลข้อความที่แยกออกมาจะรวมอยู่ในพรอมต์สำหรับโมเดล Amazon Bedrock Claude v2 ซึ่งช่วยให้โมเดลสามารถสร้างสรุป 200 คำของส่วนที่ชำรุดได้ ผู้ใช้สามารถใช้ข้อมูลนี้เพื่อทำการตรวจสอบชิ้นส่วนเพิ่มเติมได้
ใช้กรณีที่ 3: การวินิจฉัยสาเหตุที่แท้จริง
กรณีการใช้งานการวินิจฉัยสาเหตุที่แท้จริงของเราประกอบด้วยขั้นตอนต่อไปนี้:
- ผู้ใช้ได้รับข้อมูลองค์กรในรูปแบบเอกสารต่างๆ (PDF, TXT และอื่นๆ) ที่เกี่ยวข้องกับสินทรัพย์ที่ทำงานผิดปกติ และอัปโหลดไปยังบัคเก็ต S3
- ฐานความรู้ของไฟล์เหล่านี้ถูกสร้างขึ้นใน Amazon Bedrock พร้อมด้วยโมเดลการฝังข้อความ Titan และที่เก็บเวกเตอร์เริ่มต้นของ OpenSearch Service
- ผู้ใช้ถามคำถามที่เกี่ยวข้องกับการวินิจฉัยสาเหตุที่แท้จริงสำหรับอุปกรณ์ที่ทำงานผิดปกติ คำตอบถูกสร้างขึ้นผ่านฐานความรู้ของ Amazon Bedrock ด้วยแนวทาง RAG
เบื้องต้น
หากต้องการติดตามโพสต์นี้ คุณควรมีคุณสมบัติตามข้อกำหนดเบื้องต้นต่อไปนี้:
ปรับใช้โครงสร้างพื้นฐานของโซลูชัน
หากต้องการตั้งค่าทรัพยากรโซลูชันของคุณ ให้ทำตามขั้นตอนต่อไปนี้:
- ปรับใช้ การก่อตัวของ AWS Cloud เทมเพลต opensearchsagemaker.ymlซึ่งสร้างคอลเลกชันและดัชนี OpenSearch Service อเมซอน SageMaker อินสแตนซ์โน้ตบุ๊ก และบัคเก็ต S3 คุณสามารถตั้งชื่อสแต็ก AWS CloudFormation นี้เป็น:
genai-sagemaker
. - เปิดอินสแตนซ์สมุดบันทึก SageMaker ใน JupyterLab คุณจะพบกับสิ่งต่อไปนี้ repo GitHub ดาวน์โหลดแล้วในกรณีนี้: การปลดล็อคศักยภาพของการผลิตไอในการดำเนินงานทางอุตสาหกรรม.
- รันสมุดบันทึกจากไดเร็กทอรีต่อไปนี้ในที่เก็บนี้: การปลดล็อคศักยภาพของกำเนิด-ai-in-in-industrial-operations/SagemakerNotebook/nlq-vector-rag-embedding.ipynb. สมุดบันทึกนี้จะโหลดดัชนี OpenSearch Service โดยใช้สมุดบันทึก SageMaker เพื่อจัดเก็บคู่คีย์-ค่าจาก ตัวอย่าง NLQ 23 รายการที่มีอยู่.
- อัปโหลดเอกสารจากโฟลเดอร์ข้อมูล Assetpartdoc ในพื้นที่เก็บข้อมูล GitHub ไปยังบัคเก็ต S3 ที่แสดงอยู่ในเอาต์พุตสแต็ก CloudFormation
จากนั้น คุณสร้างฐานความรู้สำหรับเอกสารใน Amazon S3
- บนคอนโซล Amazon Bedrock ให้เลือก ฐานความรู้ ในบานหน้าต่างนำทาง
- Choose สร้างฐานความรู้.
- สำหรับ ชื่อฐานความรู้, ป้อนชื่อ
- สำหรับ บทบาทรันไทม์ให้เลือก สร้างและใช้บทบาทบริการใหม่.
- สำหรับ ชื่อแหล่งข้อมูลให้ป้อนชื่อแหล่งข้อมูลของคุณ
- สำหรับ S3 URIป้อนเส้นทาง S3 ของบัคเก็ตที่คุณอัปโหลดเอกสารสาเหตุหลัก
- Choose ถัดไป.
โมเดลการฝัง Titan จะถูกเลือกโดยอัตโนมัติ - เลือก สร้างร้านค้าเวกเตอร์ใหม่อย่างรวดเร็ว.
- ตรวจสอบการตั้งค่าของคุณและสร้างฐานความรู้โดยเลือก สร้างฐานความรู้.
- หลังจากสร้างฐานความรู้สำเร็จแล้ว ให้เลือก ซิงค์ เพื่อซิงค์บัคเก็ต S3 กับฐานความรู้
- หลังจากที่คุณตั้งค่าฐานความรู้แล้ว คุณสามารถทดสอบแนวทาง RAG สำหรับการวินิจฉัยสาเหตุที่แท้จริงได้โดยการถามคำถามเช่น “แอคชูเอเตอร์ของฉันเดินทางช้า อะไรอาจเป็นปัญหา”
ขั้นตอนต่อไปคือการปรับใช้แอปด้วยแพ็คเกจไลบรารีที่จำเป็นบนพีซีของคุณหรืออินสแตนซ์ EC2 (Ubuntu Server 22.04 LTS)
- ตั้งค่าข้อมูลรับรอง AWS ของคุณ ด้วย AWS CLI บนพีซีในพื้นที่ของคุณ เพื่อความง่าย คุณสามารถใช้บทบาทผู้ดูแลระบบเดียวกันกับที่คุณใช้ในการปรับใช้สแตก CloudFormation หากคุณใช้ Amazon EC2 แนบบทบาท IAM ที่เหมาะสมกับอินสแตนซ์.
- โคลน repo GitHub:
- เปลี่ยนไดเร็กทอรีเป็น
unlocking-the-potential-of-generative-ai-in-industrial-operations/src
และเรียกใช้setup.sh
ในโฟลเดอร์นี้เพื่อติดตั้งแพ็คเกจที่จำเป็น รวมถึง LangChain และ PandasAI:cd unlocking-the-potential-of-generative-ai-in-industrial-operations/src chmod +x ./setup.sh ./setup.sh
- เรียกใช้แอป Streamlit ด้วยคำสั่งต่อไปนี้:
source monitron-genai/bin/activate python3 -m streamlit run app_bedrock.py <REPLACE WITH YOUR BEDROCK KNOWLEDGEBASE ARN>
จัดเตรียมคอลเลกชัน OpenSearch Service ARN ที่คุณสร้างใน Amazon Bedrock จากขั้นตอนก่อนหน้า
สนทนากับผู้ช่วยด้านสุขภาพทรัพย์สินของคุณ
หลังจากที่คุณปรับใช้ตั้งแต่ต้นทางถึงปลายทางแล้ว คุณจะสามารถเข้าถึงแอปผ่าน localhost บนพอร์ต 8501 ซึ่งจะเปิดหน้าต่างเบราว์เซอร์ด้วยเว็บอินเทอร์เฟซ หากคุณปรับใช้แอปบนอินสแตนซ์ EC2 อนุญาตให้เข้าถึงพอร์ต 8501 ผ่านกฎขาเข้าของกลุ่มความปลอดภัย. คุณสามารถนำทางไปยังแท็บต่างๆ สำหรับกรณีการใช้งานต่างๆ ได้
สำรวจกรณีการใช้งาน 1
หากต้องการสำรวจกรณีการใช้งานแรก ให้เลือก ข้อมูลเชิงลึกและแผนภูมิ. เริ่มต้นด้วยการอัปโหลดข้อมูลอนุกรมเวลาของคุณ หากคุณไม่มีไฟล์ข้อมูลอนุกรมเวลาที่มีอยู่ คุณสามารถอัปโหลดไฟล์ต่อไปนี้ได้ ไฟล์ CSV ตัวอย่าง ด้วยข้อมูลโปรเจ็กต์ Amazon Monitron ที่ไม่ระบุชื่อ หากคุณมีโปรเจ็กต์ Amazon Monitron อยู่แล้ว โปรดดูที่ สร้างข้อมูลเชิงลึกที่นำไปใช้ได้จริงสำหรับการจัดการการบำรุงรักษาเชิงคาดการณ์ด้วย Amazon Monitron และ Amazon Kinesis เพื่อสตรีมข้อมูล Amazon Monitron ของคุณไปยัง Amazon S3 และใช้ข้อมูลของคุณกับแอปพลิเคชันนี้
เมื่อการอัปโหลดเสร็จสิ้น ให้ป้อนคำค้นหาเพื่อเริ่มการสนทนากับข้อมูลของคุณ แถบด้านข้างซ้ายมีคำถามตัวอย่างมากมายเพื่อความสะดวกของคุณ ภาพหน้าจอต่อไปนี้แสดงการตอบสนองและโค้ด Python ที่สร้างโดย FM เมื่อป้อนคำถาม เช่น "บอกฉันว่ามีจำนวนเซ็นเซอร์ที่ไม่ซ้ำกันสำหรับแต่ละไซต์ที่แสดงเป็นคำเตือนหรือสัญญาณเตือนตามลำดับ" (คำถามระดับยาก) หรือ “สำหรับเซ็นเซอร์ที่แสดงสัญญาณอุณหภูมิว่าไม่ดีต่อสุขภาพ คุณสามารถคำนวณระยะเวลาเป็นวันสำหรับเซ็นเซอร์แต่ละตัวที่แสดงสัญญาณการสั่นสะเทือนที่ผิดปกติได้หรือไม่” (คำถามระดับความท้าทาย) แอปจะตอบคำถามของคุณและจะแสดงสคริปต์ Python ของการวิเคราะห์ข้อมูลที่ดำเนินการเพื่อสร้างผลลัพธ์ดังกล่าว
หากคุณพอใจกับคำตอบ คุณสามารถทำเครื่องหมายเป็นได้ เป็นประโยชน์โดยบันทึกโค้ด Python ที่สร้างโดย NLQ และ Claude ลงในดัชนี OpenSearch Service
สำรวจกรณีการใช้งาน 2
หากต้องการสำรวจกรณีการใช้งานที่สอง ให้เลือก สรุปภาพที่ถ่าย แท็บในแอป Streamlit คุณสามารถอัปโหลดรูปภาพทรัพย์สินทางอุตสาหกรรมของคุณได้ และแอปพลิเคชันจะสร้างข้อมูลสรุปข้อกำหนดทางเทคนิคและเงื่อนไขการทำงานความยาว 200 คำโดยอิงตามข้อมูลรูปภาพ ภาพหน้าจอต่อไปนี้แสดงข้อมูลสรุปที่สร้างจากรูปภาพของสายพานมอเตอร์ขับเคลื่อน หากต้องการทดสอบคุณสมบัตินี้ หากคุณไม่มีรูปภาพที่เหมาะสม คุณสามารถใช้สิ่งต่อไปนี้ ภาพตัวอย่าง.
ป้ายมอเตอร์ลิฟต์ไฮดรอลิก” โดย Clarence Risher ได้รับอนุญาตภายใต้ CC BY-SA 2.0.
สำรวจกรณีการใช้งาน 3
หากต้องการสำรวจกรณีการใช้งานที่สาม ให้เลือก การวินิจฉัยสาเหตุที่แท้จริง แท็บ ป้อนคำถามที่เกี่ยวข้องกับทรัพย์สินทางอุตสาหกรรมที่เสียหายของคุณ เช่น “แอคชูเอเตอร์ของฉันเดินทางช้า มีปัญหาอะไรเกิดขึ้น” ดังที่ปรากฎในภาพหน้าจอต่อไปนี้ แอปพลิเคชันจะส่งการตอบกลับพร้อมกับข้อความที่ตัดตอนมาจากเอกสารต้นฉบับที่ใช้ในการสร้างคำตอบ
ใช้กรณีที่ 1: รายละเอียดการออกแบบ
ในส่วนนี้ เราจะพูดถึงรายละเอียดการออกแบบเวิร์กโฟลว์แอปพลิเคชันสำหรับกรณีการใช้งานแรก
การสร้างพรอมต์แบบกำหนดเอง
ข้อความค้นหาด้วยภาษาธรรมชาติของผู้ใช้มาพร้อมกับระดับความยากที่แตกต่างกัน: ง่าย ยาก และท้าทาย
คำถามที่ตรงไปตรงมาอาจรวมถึงคำขอต่อไปนี้:
- เลือกค่าที่ไม่ซ้ำ
- นับจำนวนทั้งหมด
- เรียงลำดับค่า
สำหรับคำถามเหล่านี้ PandasAI สามารถโต้ตอบกับ FM ได้โดยตรงเพื่อสร้างสคริปต์ Python สำหรับการประมวลผล
คำถามยากๆ จำเป็นต้องมีการดำเนินการสรุปรวมขั้นพื้นฐานหรือการวิเคราะห์อนุกรมเวลา ดังตัวอย่างต่อไปนี้:
- เลือกค่าก่อนและจัดกลุ่มผลลัพธ์ตามลำดับชั้น
- ทำสถิติหลังจากเลือกบันทึกเริ่มต้น
- จำนวนการประทับเวลา (เช่น ต่ำสุดและสูงสุด)
สำหรับคำถามที่ตอบยาก เทมเพลตพร้อมท์พร้อมคำแนะนำโดยละเอียดทีละขั้นตอนจะช่วยให้ FM สามารถให้คำตอบที่ถูกต้องได้
คำถามระดับความท้าทายจำเป็นต้องมีการคำนวณทางคณิตศาสตร์ขั้นสูงและการประมวลผลอนุกรมเวลา ดังต่อไปนี้:
- คำนวณระยะเวลาความผิดปกติสำหรับเซ็นเซอร์แต่ละตัว
- คำนวณเซ็นเซอร์ความผิดปกติสำหรับไซต์งานเป็นรายเดือน
- เปรียบเทียบการอ่านค่าของเซ็นเซอร์ภายใต้การทำงานปกติและสภาวะที่ผิดปกติ
สำหรับคำถามเหล่านี้ คุณสามารถใช้หลายช็อตในพรอมต์ที่กำหนดเองเพื่อเพิ่มความแม่นยำในการตอบสนอง ภาพหลายภาพดังกล่าวแสดงตัวอย่างการประมวลผลอนุกรมเวลาขั้นสูงและการคำนวณทางคณิตศาสตร์ และจะให้บริบทสำหรับ FM เพื่อทำการอนุมานที่เกี่ยวข้องกับการวิเคราะห์ที่คล้ายคลึงกัน การแทรกตัวอย่างที่เกี่ยวข้องมากที่สุดแบบไดนามิกจากคลังคำถาม NLQ ลงในพรอมต์อาจเป็นเรื่องท้าทาย วิธีแก้ปัญหาหนึ่งคือสร้างการฝังจากตัวอย่างคำถาม NLQ ที่มีอยู่ และบันทึกการฝังเหล่านี้ในร้านค้าเวกเตอร์ เช่น OpenSearch Service เมื่อคำถามถูกส่งไปยังแอป Streamlit คำถามจะถูกกำหนดเป็นเวกเตอร์โดย BedrockEmbeddings. การฝังที่เกี่ยวข้องมากที่สุด N อันดับแรกสำหรับคำถามนั้นจะถูกดึงข้อมูลโดยใช้ opensearch_vector_search.similarity_search และแทรกลงในเทมเพลตพร้อมท์เป็นพรอมต์หลายช็อต
ไดอะแกรมต่อไปนี้แสดงเวิร์กโฟลว์นี้
เลเยอร์การฝังถูกสร้างขึ้นโดยใช้เครื่องมือหลักสามประการ:
- โมเดลการฝัง – เราใช้ Amazon Titan Embeddings ที่มีให้ผ่าน Amazon Bedrock (amazon.titan-ฝังข้อความ-v1) เพื่อสร้างการแสดงตัวเลขของเอกสารต้นฉบับ
- ร้านเว็กเตอร์ – สำหรับร้านค้าเวกเตอร์ของเรา เราใช้ OpenSearch Service ผ่านเฟรมเวิร์ก LangChain เพื่อปรับปรุงการจัดเก็บการฝังที่สร้างจากตัวอย่าง NLQ ในสมุดบันทึกนี้
- ดัชนี – ดัชนีบริการ OpenSearch มีบทบาทสำคัญในการเปรียบเทียบการฝังอินพุตกับการฝังเอกสาร และอำนวยความสะดวกในการเรียกค้นเอกสารที่เกี่ยวข้อง เนื่องจากโค้ดตัวอย่าง Python ได้รับการบันทึกเป็นไฟล์ JSON จึงมีการสร้างดัชนีใน OpenSearch Service ในรูปแบบเวกเตอร์ผ่านไฟล์ OpenSearchVevtorSearch.fromtexts การเรียก API
การรวบรวมตัวอย่างที่ตรวจสอบโดยมนุษย์อย่างต่อเนื่องผ่าน Streamlit
ในช่วงเริ่มต้นของการพัฒนาแอป เราเริ่มต้นด้วยตัวอย่างที่บันทึกไว้เพียง 23 ตัวอย่างในดัชนี OpenSearch Service เป็นการฝัง เมื่อแอปใช้งานจริงในภาคสนาม ผู้ใช้จะเริ่มป้อน NLQ ผ่านทางแอป อย่างไรก็ตาม เนื่องจากตัวอย่างที่มีอยู่ในเทมเพลตมีจำกัด NLQ บางตัวอาจไม่พบข้อความแจ้งที่คล้ายกัน หากต้องการปรับปรุงการฝังเหล่านี้อย่างต่อเนื่องและเสนอข้อความแจ้งผู้ใช้ที่เกี่ยวข้องมากขึ้น คุณสามารถใช้แอป Streamlit เพื่อรวบรวมตัวอย่างที่ตรวจสอบโดยมนุษย์
ภายในแอป ฟังก์ชันต่อไปนี้มีไว้เพื่อจุดประสงค์นี้ เมื่อผู้ใช้พบว่าผลลัพธ์ที่เป็นประโยชน์และเลือก เป็นประโยชน์แอปพลิเคชันทำตามขั้นตอนเหล่านี้:
- ใช้วิธีการโทรกลับจาก PandasAI เพื่อรวบรวมสคริปต์ Python
- จัดรูปแบบสคริปต์ Python คำถามที่ป้อน และข้อมูลเมตา CSV ใหม่ให้เป็นสตริง
- ตรวจสอบว่าตัวอย่าง NLQ นี้มีอยู่แล้วในดัชนี OpenSearch Service ปัจจุบันที่ใช้อยู่หรือไม่ opensearch_vector_search.similarity_search_with_score.
- หากไม่มีตัวอย่างที่คล้ายกัน NLQ นี้จะถูกเพิ่มลงในดัชนี OpenSearch Service โดยใช้ opensearch_vector_search.add_texts.
ในกรณีที่ผู้ใช้เลือก ไม่มีประโยชน์ไม่มีการดำเนินการใดๆ กระบวนการทำซ้ำนี้ช่วยให้แน่ใจว่าระบบจะปรับปรุงอย่างต่อเนื่องโดยการรวมตัวอย่างที่ผู้ใช้ส่งมา
def addtext_opensearch(input_question, generated_chat_code, df_column_metadata, opensearch_vector_search,similarity_threshold,kexamples, indexname):
#######build the input_question and generated code the same format as existing opensearch index##########
reconstructed_json = {}
reconstructed_json["question"]=input_question
reconstructed_json["python_code"]=str(generated_chat_code)
reconstructed_json["column_info"]=df_column_metadata
json_str = ''
for key,value in reconstructed_json.items():
json_str += key + ':' + value
reconstructed_raw_text =[]
reconstructed_raw_text.append(json_str)
results = opensearch_vector_search.similarity_search_with_score(str(reconstructed_raw_text[0]), k=kexamples) # our search query # return 3 most relevant docs
if (dumpd(results[0][1])<similarity_threshold): ###No similar embedding exist, then add text to embedding
response = opensearch_vector_search.add_texts(texts=reconstructed_raw_text, engine="faiss", index_name=indexname)
else:
response = "A similar embedding is already exist, no action."
return response
ด้วยการรวมการตรวจสอบโดยมนุษย์ ปริมาณของตัวอย่างในบริการ OpenSearch ที่พร้อมสำหรับการฝังทันทีจะเพิ่มขึ้นเมื่อมีการใช้งานแอป ชุดข้อมูลที่ฝังแบบขยายนี้ส่งผลให้มีความแม่นยำในการค้นหาเพิ่มขึ้นเมื่อเวลาผ่านไป โดยเฉพาะอย่างยิ่งสำหรับ NLQ ที่ท้าทาย ความแม่นยำในการตอบสนองของ FM สูงถึงประมาณ 90% เมื่อแทรกตัวอย่างที่คล้ายกันแบบไดนามิกเพื่อสร้างพรอมต์ที่กำหนดเองสำหรับคำถาม NLQ แต่ละข้อ ซึ่งแสดงถึงการเพิ่มขึ้นอย่างเห็นได้ชัด 28% เมื่อเทียบกับสถานการณ์ที่ไม่มีการแจ้งเตือนหลายช็อต
ใช้กรณีที่ 2: รายละเอียดการออกแบบ
บนแอป Streamlit สรุปภาพที่ถ่าย แท็บ คุณสามารถอัปโหลดไฟล์ภาพได้โดยตรง สิ่งนี้จะเริ่มต้น Amazon Rekognition API (ตรวจจับ_ข้อความ API) แยกข้อความออกจากป้ายรูปภาพซึ่งมีรายละเอียดข้อมูลจำเพาะของเครื่อง ต่อจากนั้น ข้อมูลข้อความที่แยกออกมาจะถูกส่งไปยังโมเดล Amazon Bedrock Claude เป็นบริบทของข้อความแจ้ง ซึ่งส่งผลให้ได้ข้อมูลสรุปความยาว 200 คำ
จากมุมมองของประสบการณ์ผู้ใช้ การเปิดใช้งานฟังก์ชันการสตรีมสำหรับงานสรุปข้อความเป็นสิ่งสำคัญยิ่ง ทำให้ผู้ใช้สามารถอ่านสรุปที่สร้างโดย FM เป็นส่วนเล็กๆ แทนที่จะรอเอาต์พุตทั้งหมด Amazon Bedrock อำนวยความสะดวกในการสตรีมผ่าน API (bedrock_runtime.involve_model_with_response_stream).
ใช้กรณีที่ 3: รายละเอียดการออกแบบ
ในสถานการณ์นี้ เราได้พัฒนาแอปพลิเคชันแชทบอทที่เน้นไปที่การวิเคราะห์สาเหตุที่แท้จริง โดยใช้แนวทาง RAG แชทบอทนี้ดึงมาจากเอกสารหลายฉบับที่เกี่ยวข้องกับอุปกรณ์แบริ่งเพื่ออำนวยความสะดวกในการวิเคราะห์สาเหตุที่แท้จริง แชทบอตการวิเคราะห์สาเหตุที่แท้จริงโดยใช้ RAG นี้ใช้ฐานความรู้ในการสร้างการแสดงข้อความเวกเตอร์ หรือการฝัง ฐานความรู้สำหรับ Amazon Bedrock คือความสามารถที่มีการจัดการเต็มรูปแบบซึ่งช่วยให้คุณปรับใช้เวิร์กโฟลว์ RAG ทั้งหมดได้ ตั้งแต่การนำเข้าไปจนถึงการดึงข้อมูลและการเพิ่มอย่างรวดเร็ว โดยไม่ต้องสร้างการผสานรวมแบบกำหนดเองกับแหล่งข้อมูลหรือจัดการโฟลว์ข้อมูลและรายละเอียดการใช้งาน RAG
เมื่อคุณพอใจกับการตอบสนองของฐานความรู้จาก Amazon Bedrock แล้ว คุณสามารถรวมการตอบสนองของสาเหตุที่แท้จริงจากฐานความรู้เข้ากับแอป Streamlit ได้
ทำความสะอาด
เพื่อประหยัดค่าใช้จ่าย ให้ลบทรัพยากรที่คุณสร้างในโพสต์นี้:
- ลบฐานความรู้ออกจาก Amazon Bedrock
- ลบดัชนีบริการ OpenSearch
- ลบสแต็ก genai-sagemaker CloudFormation
- หยุดอินสแตนซ์ EC2 หากคุณใช้อินสแตนซ์ EC2 เพื่อเรียกใช้แอป Streamlit
สรุป
แอปพลิเคชัน Generative AI ได้เปลี่ยนแปลงกระบวนการทางธุรกิจต่างๆ ไปเรียบร้อยแล้ว เพิ่มประสิทธิภาพการทำงานของพนักงานและชุดทักษะ อย่างไรก็ตาม ข้อจำกัดของ FM ในการวิเคราะห์ข้อมูลอนุกรมเวลาในการจัดการได้ขัดขวางการใช้งานอย่างเต็มที่โดยลูกค้าอุตสาหกรรม ข้อจำกัดนี้ได้ขัดขวางการประยุกต์ใช้ generative AI กับประเภทข้อมูลหลักที่ประมวลผลทุกวัน
ในโพสต์นี้ เราได้แนะนำโซลูชันแอปพลิเคชัน AI เชิงสร้างสรรค์ที่ออกแบบมาเพื่อบรรเทาความท้าทายนี้สำหรับผู้ใช้ในอุตสาหกรรม แอปพลิเคชันนี้ใช้ตัวแทนโอเพ่นซอร์ส PandasAI เพื่อเสริมความสามารถในการวิเคราะห์อนุกรมเวลาของ FM แทนที่จะส่งข้อมูลอนุกรมเวลาโดยตรงไปยัง FM แอปใช้ PandasAI เพื่อสร้างโค้ด Python สำหรับการวิเคราะห์ข้อมูลอนุกรมเวลาที่ไม่มีโครงสร้าง เพื่อเพิ่มความแม่นยำของการสร้างโค้ด Python จึงมีการใช้เวิร์กโฟลว์การสร้างพรอมต์แบบกำหนดเองพร้อมการตรวจสอบโดยมนุษย์
ด้วยข้อมูลเชิงลึกเกี่ยวกับสภาพสินทรัพย์ พนักงานในภาคอุตสาหกรรมสามารถควบคุมศักยภาพของ AI เจนเนอเรชั่นในกรณีการใช้งานต่างๆ ได้อย่างเต็มที่ รวมถึงการวินิจฉัยสาเหตุที่แท้จริงและการวางแผนการเปลี่ยนชิ้นส่วน ด้วยฐานความรู้สำหรับ Amazon Bedrock โซลูชัน RAG ตรงไปตรงมาสำหรับนักพัฒนาในการสร้างและจัดการ
วิถีของการจัดการข้อมูลองค์กรและการดำเนินงานกำลังก้าวไปสู่การบูรณาการที่ลึกยิ่งขึ้นกับ generative AI เพื่อให้ได้ข้อมูลเชิงลึกที่ครอบคลุมเกี่ยวกับสถานภาพการปฏิบัติงาน การเปลี่ยนแปลงนี้ซึ่งนำโดย Amazon Bedrock เป็นหัวหอก ได้รับการขยายอย่างมีนัยสำคัญโดยความแข็งแกร่งและศักยภาพที่เพิ่มขึ้นของ LLM เช่น อเมซอน เบดร็อค คลอดด์ 3 เพื่อยกระดับโซลูชั่นให้ดียิ่งขึ้น หากต้องการเรียนรู้เพิ่มเติม โปรดไปที่ ปรึกษาที่ เอกสาร Amazon Bedrockและลงมือทำจริงกับ เวิร์คช็อป Bedrock ของ Amazon.
เกี่ยวกับผู้แต่ง
จูเลีย หู เป็นสถาปนิกอาวุโสด้านโซลูชัน AI/ML ที่ Amazon Web Services เธอมีความเชี่ยวชาญในด้าน Generative AI, วิทยาศาสตร์ข้อมูลประยุกต์ และสถาปัตยกรรม IoT ปัจจุบันเธอเป็นส่วนหนึ่งของทีม Amazon Q และเป็นสมาชิก/ที่ปรึกษาที่กระตือรือร้นในชุมชนภาคสนามด้านเทคนิคการเรียนรู้ของเครื่อง เธอทำงานร่วมกับลูกค้าตั้งแต่บริษัทสตาร์ทอัพไปจนถึงองค์กรต่างๆ เพื่อพัฒนาโซลูชัน AWSome generative AI เธอมีความหลงใหลเป็นพิเศษในการใช้ประโยชน์จากโมเดลภาษาขนาดใหญ่สำหรับการวิเคราะห์ข้อมูลขั้นสูง และการสำรวจการใช้งานจริงที่จัดการกับความท้าทายในโลกแห่งความเป็นจริง
สุเดช ศศิธราณ เป็นสถาปนิกโซลูชันอาวุโสที่ AWS ภายในทีมพลังงาน Sudeesh ชอบการทดลองกับเทคโนโลยีใหม่ๆ และสร้างโซลูชันที่เป็นนวัตกรรมที่ช่วยแก้ปัญหาความท้าทายทางธุรกิจที่ซับซ้อน เมื่อเขาไม่ได้ออกแบบโซลูชันหรือปรับปรุงเทคโนโลยีล่าสุด คุณจะพบเขาบนสนามเทนนิสที่ทำงานบนแบ็คแฮนด์
นีล เดไซ เป็นผู้บริหารเทคโนโลยีที่มีประสบการณ์มากกว่า 20 ปีในด้านปัญญาประดิษฐ์ (AI) วิทยาศาสตร์ข้อมูล วิศวกรรมซอฟต์แวร์ และสถาปัตยกรรมองค์กร ที่ AWS เขาเป็นผู้นำทีมสถาปนิกโซลูชันผู้เชี่ยวชาญด้านบริการ AI ทั่วโลก ซึ่งช่วยลูกค้าสร้างโซลูชันที่ขับเคลื่อนด้วย AI ที่เป็นนวัตกรรม แบ่งปันแนวทางปฏิบัติที่ดีที่สุดกับลูกค้า และขับเคลื่อนแผนงานผลิตภัณฑ์ ในบทบาทก่อนหน้านี้ที่ Vestas, Honeywell และ Quest Diagnostics Neil ดำรงตำแหน่งผู้นำในการพัฒนาและเปิดตัวผลิตภัณฑ์และบริการที่เป็นนวัตกรรมซึ่งช่วยให้บริษัทต่างๆ ปรับปรุงการดำเนินงาน ลดต้นทุน และเพิ่มรายได้ เขาหลงใหลในการใช้เทคโนโลยีเพื่อแก้ปัญหาในโลกแห่งความเป็นจริง และเป็นนักคิดเชิงกลยุทธ์ที่มีประวัติความสำเร็จที่ได้รับการพิสูจน์แล้ว
- 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/unlock-the-potential-of-generative-ai-in-industrial-operations/
- :มี
- :เป็น
- :ไม่
- :ที่ไหน
- $ ขึ้น
- 000
- 1
- 100
- 125
- 150
- 16
- 20
- 200
- 22
- 23
- 7
- 8
- a
- ความสามารถ
- สามารถ
- ผิดปกติ
- เกี่ยวกับเรา
- เข้า
- ตาม
- ความถูกต้อง
- ถูกต้อง
- ข้าม
- การกระทำ
- การดำเนินการ
- คล่องแคล่ว
- เพิ่ม
- ที่เพิ่ม
- เพิ่มเติม
- ที่อยู่
- ที่อยู่
- เพิ่ม
- ผู้ดูแลระบบ
- การนำมาใช้
- สูง
- หลังจาก
- ตัวแทน
- ตัวแทน
- การรวมตัว
- AI
- บริการ AI
- ขับเคลื่อนด้วย AI
- AI / ML
- ปลุก
- บรรเทา
- การอนุญาต
- ตาม
- แล้ว
- ด้วย
- อเมซอน
- Amazon EC2
- ความหมายของ Amazon
- Amazon Web Services
- ขยาย
- an
- การวิเคราะห์
- การวิเคราะห์
- และ
- ความผิดปกติ
- การตรวจจับความผิดปกติ
- ไม่ระบุชื่อ
- คำตอบ
- คำตอบ
- มานุษยวิทยา
- ใด
- API
- app
- การพัฒนาแอพ
- การใช้งาน
- การใช้งาน
- ประยุกต์
- เข้าใกล้
- ประมาณ
- สถาปนิก
- สถาปัตยกรรม
- เป็น
- เทียม
- ปัญญาประดิษฐ์
- ปัญญาประดิษฐ์ (AI)
- AS
- ขอให้
- ประเมินผล
- สินทรัพย์
- สินทรัพย์
- ผู้ช่วย
- ช่วย
- At
- การตรวจสอบบัญชี
- เติม
- อัตโนมัติ
- ใช้ได้
- AWS
- การก่อตัวของ AWS Cloud
- ธนาคาร
- ฐาน
- ตาม
- ขั้นพื้นฐาน
- BE
- เพราะ
- รับ
- เริ่ม
- เริ่ม
- พฤติกรรม
- ประโยชน์
- ที่ดีที่สุด
- ปฏิบัติที่ดีที่สุด
- การส่งเสริม
- ช่วยเพิ่ม
- แตก
- เบราว์เซอร์
- สร้าง
- การก่อสร้าง
- ธุรกิจ
- by
- คำนวณ
- การคำนวณ
- โทรศัพท์
- CAN
- ความสามารถในการ
- ความสามารถ
- จับ
- กรณี
- กรณี
- ก่อให้เกิด
- โซ่
- ท้าทาย
- ความท้าทาย
- ท้าทาย
- chatbot
- การพูดคุย
- Choose
- เลือก
- CLI
- ลูกค้า
- รหัส
- รหัส
- รวบรวม
- การเก็บรวบรวม
- ชุด
- อย่างไร
- มา
- ชุมชน
- บริษัท
- เมื่อเทียบกับ
- เปรียบเทียบ
- สมบูรณ์
- ซับซ้อน
- ครอบคลุม
- คอมพิวเตอร์
- สภาพ
- มาก
- ประกอบ
- ปลอบใจ
- ข้อ จำกัด
- สร้าง
- สร้างขึ้น
- ก่อสร้าง
- ปรึกษา
- มี
- เนื้อหา
- สิ่งแวดล้อม
- เรื่อย
- อย่างต่อเนื่อง
- ความสะดวกสบาย
- การสนทนา
- การสนทนา
- การแปลง
- ค่าใช้จ่าย
- นับ
- ศาล
- สร้าง
- ที่สร้างขึ้น
- สร้าง
- วิกฤติ
- ปัจจุบัน
- ขณะนี้
- ประเพณี
- ลูกค้า
- ประจำวัน
- ข้อมูล
- การวิเคราะห์ข้อมูล
- วิเคราะห์ข้อมูล
- การจัดการข้อมูล
- การประมวลผล
- วิทยาศาสตร์ข้อมูล
- ที่ขับเคลื่อนด้วยข้อมูล
- วัน
- การตัดสินใจ
- ลึก
- ค่าเริ่มต้น
- มอบ
- ความต้องการ
- ทำให้เป็นประชาธิปไตย
- ที่ปรากฎ
- ปรับใช้
- นำไปใช้
- การใช้งาน
- ออกแบบ
- ได้รับการออกแบบ
- การออกแบบ
- ที่ต้องการ
- รายละเอียด
- รายละเอียด
- รายละเอียด
- ตรวจจับ
- การตรวจพบ
- พัฒนา
- พัฒนา
- นักพัฒนา
- ที่กำลังพัฒนา
- พัฒนาการ
- อุปกรณ์
- การวินิจฉัยโรค
- การตรวจวินิจฉัยโรค
- แผนภาพ
- ต่าง
- ยาก
- ดิจิตอล
- การปฏิวัติดิจิตอล
- โดยตรง
- ไดเรกทอรี
- สนทนา
- แยกย้ายกันไป
- แตกต่าง
- เอกสาร
- เอกสาร
- เอกสาร
- Dont
- ดาวน์โหลด
- ดึง
- ขับรถ
- การขับขี่
- สอง
- ระยะเวลา
- แบบไดนามิก
- แต่ละ
- ง่าย
- ทั้ง
- ยกระดับ
- ขจัด
- อื่น
- ฝัง
- การฝัง
- จ้าง
- พนักงาน
- การเปิดใช้งาน
- จบสิ้น
- พลังงาน
- น่าสนใจ
- ชั้นเยี่ยม
- วิศวกร
- เสริม
- ที่เพิ่มขึ้น
- การเสริมสร้าง
- ประเทือง
- เข้าสู่
- Enterprise
- ผู้ประกอบการ
- ทั้งหมด
- อุปกรณ์
- ข้อผิดพลาด
- แม้
- เหตุการณ์
- ชัดเจน
- การพัฒนา
- ตัวอย่าง
- ตัวอย่าง
- ผู้บริหารงาน
- มีอยู่
- ที่มีอยู่
- ที่มีอยู่
- ขยาย
- ประสบการณ์
- ทดลอง
- สำรวจ
- สำรวจ
- กว้างขวาง
- สารสกัด
- ใบหน้า
- อำนวยความสะดวก
- อำนวยความสะดวก
- อำนวยความสะดวก
- สิ่งอำนวยความสะดวก
- ล้มเหลว
- ความล้มเหลว
- ลักษณะ
- สนาม
- เนื้อไม่มีมัน
- ไฟล์
- หา
- ชื่อจริง
- กระแส
- มุ่งเน้น
- ปฏิบัติตาม
- ดังต่อไปนี้
- ดังต่อไปนี้
- สำหรับ
- รูป
- รากฐาน
- กรอบ
- ราคาเริ่มต้นที่
- เต็ม
- อย่างเต็มที่
- ฟังก์ชัน
- ฟังก์ชั่น
- ต่อไป
- ได้รับ
- กําไร
- การรวบรวม
- สร้าง
- สร้าง
- การสร้าง
- รุ่น
- กำเนิด
- กำเนิด AI
- ได้รับ
- GitHub
- ไป
- บัญชีกลุ่ม
- การเจริญเติบโต
- เติบโต
- การจัดการ
- มือบน
- ยาก
- เทียม
- มี
- มี
- he
- สุขภาพ
- แข็งแรง
- จัดขึ้น
- ช่วย
- ช่วย
- เป็นประโยชน์
- จะช่วยให้
- ความละเอียดสูง
- พระองค์
- ขัดขวาง
- ของเขา
- Honeywell
- อย่างไรก็ตาม
- HTML
- ที่ http
- HTTPS
- เป็นมนุษย์
- แยกแยะ
- if
- แสดง
- แสดงให้เห็นถึง
- ภาพ
- ภาพ
- การดำเนินการ
- การดำเนินงาน
- การดำเนินการ
- ปรับปรุง
- การปรับปรุง
- ช่วยเพิ่ม
- in
- ประกอบด้วย
- รวม
- รวมถึง
- รวมทั้ง
- ผสมผสาน
- เพิ่ม
- ดัชนี
- การจัดทำดัชนี
- อุตสาหกรรม
- ข้อมูล
- แจ้ง
- แรกเริ่ม
- เริ่มต้น
- ประทับจิต
- นวัตกรรม
- อินพุต
- กำลังป้อนข้อมูล
- ความเข้าใจ
- ข้อมูลเชิงลึก
- ติดตั้ง
- ตัวอย่าง
- คำแนะนำการใช้
- รวบรวม
- บูรณาการ
- การผสานรวม
- Intelligence
- ฉลาด
- โต้ตอบ
- อินเตอร์เฟซ
- อินเทอร์เน็ต
- อินเทอร์เน็ตของสิ่งที่
- เข้าไป
- แนะนำ
- เปิดตัว
- IOT
- ปัญหา
- IT
- ITS
- ร่วมกัน
- jpeg
- jpg
- JSON
- คีย์
- ความรู้
- ที่รู้จักกัน
- รู้
- ฉลาก
- ไม่มี
- ภูมิประเทศ
- ภาษา
- ใหญ่
- ล่าสุด
- การเปิดตัว
- ชั้น
- ความเป็นผู้นำ
- นำไปสู่
- เรียนรู้
- การเรียนรู้
- ซ้าย
- ระดับ
- การใช้ประโยชน์
- ห้องสมุด
- ได้รับใบอนุญาต
- กดไลก์
- ข้อ จำกัด
- ถูก จำกัด
- เส้น
- จดทะเบียน
- สด
- โหลด
- ในประเทศ
- รัก
- เครื่อง
- เรียนรู้เครื่อง
- การบำรุงรักษา
- ทำให้
- จัดการ
- การจัดการ
- การจัดการ
- ผู้จัดการ
- การจัดการ
- ด้วยมือ
- ผู้ผลิตยา
- การผลิต
- เครื่องหมาย
- คณิตศาสตร์
- แม็กซ์
- อาจ..
- me
- วัด
- พบ
- เมตาดาต้า
- วิธี
- อาจ
- นาที
- ML
- แบบ
- โมเดล
- การตรวจสอบ
- การตรวจสอบ
- รายเดือน
- ข้อมูลเพิ่มเติม
- มากที่สุด
- เครื่องยนต์
- การย้าย
- หลาย
- ชื่อ
- โดยธรรมชาติ
- นำทาง
- การนำทาง
- การเดินเรือ
- จำเป็น
- จำเป็นต้อง
- ใหม่
- เทคโนโลยีใหม่ ๆ
- ถัดไป
- ไม่
- ปกติ
- โดดเด่น
- สมุดบันทึก
- จำนวน
- ได้รับ
- of
- เสนอ
- เสนอ
- on
- ONE
- เพียง
- เปิด
- โอเพนซอร์ส
- เปิด
- การดำเนินการ
- การดำเนินงาน
- การดำเนินการ
- เพิ่มประสิทธิภาพ
- or
- ของเรา
- เอาท์พุต
- เอาท์พุท
- เกิน
- แพคเกจ
- คู่
- หมีแพนด้า
- บานหน้าต่าง
- สำคัญยิ่ง
- ส่วนหนึ่ง
- โดยเฉพาะ
- หลงใหล
- เส้นทาง
- PC
- รูปแบบไฟล์ PDF
- ดำเนินการ
- ดำเนินการ
- ดำเนินการ
- มุมมอง
- PHP
- ทางร่างกาย
- เดือย
- เป็นจุดสำคัญ
- การวางแผน
- เพลโต
- เพลโตดาต้าอินเทลลิเจนซ์
- เพลโตดาต้า
- เล่น
- เล่น
- ยอดนิยม
- โพสท่า
- โพสต์
- ที่มีศักยภาพ
- อำนาจ
- ขับเคลื่อน
- ประยุกต์
- การปฏิบัติ
- ข้อกำหนดเบื้องต้น
- ก่อน
- ก่อน
- ปัญหาที่เกิดขึ้น
- กระบวนการ
- แปรรูปแล้ว
- กระบวนการ
- การประมวลผล
- ผลิตภัณฑ์
- การผลิต
- ผลผลิต
- ผลิตภัณฑ์
- ความคืบหน้า
- โครงการ
- ข้อมูลโครงการ
- แจ้ง
- เสนอ
- พิสูจน์
- ที่พิสูจน์แล้ว
- ให้
- ให้
- การให้
- วัตถุประสงค์
- หลาม
- ปริมาณ
- คำสั่ง
- การสอบถาม
- การแสวงหา
- คำถาม
- คำถาม
- เศษผ้า
- พิสัย
- ตั้งแต่
- อย่างรวดเร็ว
- ค่อนข้าง
- ต้นน้ำ
- อ่าน
- โลกแห่งความจริง
- เรียลไทม์
- ข้อมูลตามเวลาจริง
- การรับรู้
- ระเบียน
- ลด
- อ้างอิง
- ที่เกี่ยวข้อง
- ตรงประเด็น
- แทนที่
- การแทนที่
- กรุ
- แสดงให้เห็นถึง
- การร้องขอ
- ต้องการ
- จำเป็นต้องใช้
- แหล่งข้อมูล
- ตามลำดับ
- คำตอบ
- การตอบสนอง
- ส่งผลให้
- ผลสอบ
- การแก้ไข
- กลับ
- รับคืน
- รายได้
- การปฏิวัติ
- แผนงาน
- ความแข็งแรง
- บทบาท
- บทบาท
- ราก
- วิ่ง
- วิ่ง
- ทำงาน
- sagemaker
- เดียวกัน
- ความพึงพอใจ
- พอใจกับ
- ลด
- ที่บันทึกไว้
- ประหยัด
- ขนาด
- สถานการณ์
- สถานการณ์
- วิทยาศาสตร์
- นักวิทยาศาสตร์
- ภาพหน้าจอ
- ต้นฉบับ
- สคริปต์
- ค้นหา
- ค้นหา
- ที่สอง
- Section
- ความปลอดภัย
- เลือก
- เลือก
- การส่ง
- ส่ง
- ระดับอาวุโส
- เซ็นเซอร์
- เซ็นเซอร์
- ส่ง
- ชุด
- เซิร์ฟเวอร์
- ให้บริการอาหาร
- บริการ
- บริการ
- ชุด
- ชุดอุปกรณ์
- การตั้งค่า
- หลาย
- Share
- เธอ
- เปลี่ยน
- น่า
- โชว์
- การแสดง
- แสดง
- แสดงให้เห็นว่า
- สัญญาณ
- อย่างมีความหมาย
- คล้ายคลึงกัน
- ง่าย
- ความง่าย
- ลดความซับซ้อน
- เว็บไซต์
- ขนาด
- ความสามารถ
- ทักษะ
- ช้า
- เล็ก
- มีขนาดเล็กกว่า
- So
- ซอฟต์แวร์
- วิศวกรรมซอฟต์แวร์
- ทางออก
- โซลูชัน
- แก้
- บาง
- บางสิ่งบางอย่าง
- แหล่ง
- ที่มา
- แหล่งที่มา
- ทันสมัย
- ผู้เชี่ยวชาญ
- เฉพาะ
- โดยเฉพาะ
- เฉพาะ
- สเปค
- ข้อกำหนด
- กอง
- สแตนด์อโลน
- เริ่มต้น
- เริ่มอัพ
- รัฐของศิลปะ
- สถิติ
- ขั้นตอน
- ขั้นตอน
- การเก็บรักษา
- จัดเก็บ
- ซื่อตรง
- ยุทธศาสตร์
- กระแส
- ที่พริ้ว
- ช่วยเพิ่มความคล่องตัว
- การทำให้เพรียวลม
- เสริมสร้าง
- เชือก
- ต่อจากนั้น
- ความสำเร็จ
- ที่ประสบความสำเร็จ
- ประสบความสำเร็จ
- อย่างเช่น
- เหมาะสม
- สรุป
- จัดหาอุปกรณ์
- ห่วงโซ่อุปทาน
- แน่ใจ
- ซิงค์.
- ระบบ
- ระบบ
- ตาราง
- นำ
- งาน
- ทีม
- ทีม
- วิชาการ
- เทคโนโลยี
- เทคโนโลยี
- เทมเพลต
- เทนนิส
- ทดสอบ
- ข้อความ
- เกี่ยวกับใจความ
- กว่า
- ที่
- พื้นที่
- ที่มา
- ของพวกเขา
- พวกเขา
- แล้วก็
- ที่นั่น
- ดังนั้น
- ล้อยางขัดเหล่านี้ติดตั้งบนแกน XNUMX (มม.) ผลิตภัณฑ์นี้ถูกผลิตในหลายรูปทรง และหลากหลายเบอร์ความแน่นหนาของปริมาณอนุภาคขัดของมัน จะทำให้ท่านได้รับประสิทธิภาพสูงในการขัดและการใช้งานที่ยาวนาน
- พวกเขา
- สิ่ง
- นักคิด
- ที่สาม
- นี้
- สาม
- ตลอด
- เวลา
- อนุกรมเวลา
- ยักษ์
- ไปยัง
- เครื่องมือ
- เครื่องมือ
- ด้านบน
- รวม
- ไปทาง
- ลู่
- บันทึกเสียง
- เส้นโคจร
- กระแส
- เปลี่ยน
- เดินทาง
- ชนิด
- เป็นปกติ
- อูบุนตู
- ภายใต้
- ความเข้าใจ
- เป็นเอกลักษณ์
- ปลดล็อก
- ไม่มีโครงสร้าง
- อัปโหลด
- อัปโหลด
- การใช้
- ใช้
- ใช้กรณี
- มือสอง
- ผู้ใช้งาน
- ประสบการณ์ของผู้ใช้
- ผู้ใช้
- ใช้
- การใช้
- มีคุณค่า
- ความคุ้มค่า
- ความหลากหลาย
- ต่างๆ
- กว้างใหญ่
- ผ่านทาง
- เยี่ยมชมร้านค้า
- ไดรฟ์
- ที่รอ
- คำเตือน
- we
- เว็บ
- บริการเว็บ
- คือ
- อะไร
- เมื่อ
- ว่า
- ที่
- WHO
- แพร่หลาย
- จะ
- หน้าต่าง
- กับ
- ภายใน
- ไม่มี
- ผู้ปฏิบัติงาน
- แรงงาน
- เวิร์กโฟลว์
- ขั้นตอนการทำงาน
- การทำงาน
- โรงงาน
- ทั่วโลก
- ผิด
- ปี
- ยัง
- ผล
- คุณ
- ของคุณ
- ลมทะเล