Geniş bilgi birikimiyle büyük dil modelleri (LLM'ler), neredeyse her konuda insan benzeri metinler üretebilir. Ancak devasa veri kümeleri üzerindeki eğitimleri, bunların özel görevler için kullanışlılığını da sınırlıyor. Sürekli öğrenme olmadan bu modeller, ilk eğitimlerinin ardından ortaya çıkan yeni verilerden ve trendlerden habersiz kalır. Ayrıca, yeni LLM'leri eğitmenin maliyeti birçok kurumsal ortam için engelleyici olabilir. Bununla birlikte, bir model yanıtına orijinal özel içerikle çapraz referans vermek mümkündür, böylece Alma-Artırılmış Üretim (RAG) kullanılarak yeni bir LLM modeli eğitme ihtiyacı ortadan kalkar.
RAG, LLM'lere dış bilgileri alma ve birleştirme yeteneği vererek onları güçlendirir. RAG, yalnızca önceden eğitilmiş bilgilere güvenmek yerine modellerin belgelerden, veritabanlarından ve daha fazlasından veri çekmesine olanak tanır. Model daha sonra bu dış bilgiyi oluşturulan metne ustaca entegre eder. Model, bağlamla ilgili verileri tedarik ederek, kullanım durumunuza göre uyarlanmış, bilgilendirilmiş, güncel yanıtlar sağlayabilir. Bilgi artırma aynı zamanda halüsinasyon ve hatalı veya anlamsız metin olasılığını da azaltır. RAG ile temel modeller, bilgi tabanınız büyüdükçe gelişen uyarlanabilir uzmanlara dönüşür.
Bugün, lisanslı üç üretken yapay zeka demosunu duyurmanın heyecanını yaşıyoruz. MIT-0 lisansı:
- Temel LLM ile Amazon Kendra – Derin arama yeteneklerini kullanır Amazon Kendrası Yüksek Lisans'ın geniş bilgisi ile birleştirildi. Bu entegrasyon, çok çeşitli kaynaklardan faydalanarak karmaşık sorgulara kesin ve bağlama duyarlı yanıtlar sağlar.
- Temel LLM ile yerleştirme modeli – Kelimelerin ve ifadelerin anlamsal anlamlarını yakalamaya yönelik bir teknik olan yerleştirmelerin gücünü Yüksek Lisans'ın geniş bilgi tabanıyla birleştirir. Bu sinerji, daha doğru konu modelleme, içerik önerisi ve anlamsal arama yetenekleri sağlar.
- Foundation Models Pharma Reklam Oluşturucu – İlaç endüstrisi için özel olarak hazırlanmış özel bir uygulama. Temel modellerin üretken yeteneklerinden yararlanan bu araç, ikna edici ve uyumlu farmasötik reklamlar oluşturarak içeriğin endüstri standartlarına ve düzenlemelerine uygun olmasını sağlar.
Bu demolar, AWS hesabınızda sorunsuz bir şekilde dağıtılabilir ve son teknoloji ürünü bir LLM üretken yapay zeka soru-cevap botu ve içerik üretimi oluşturmak için AWS hizmetlerinin kullanımına ilişkin temel bilgiler ve rehberlik sunar.
Bu yazıda, RAG'ın Amazon Kendra veya özel yerleştirmelerle bir araya getirilmesiyle bu zorlukların üstesinden nasıl gelebileceğini ve doğal dil sorgularına nasıl iyileştirilmiş yanıtlar sağlayabileceğini araştırıyoruz.
Çözüme genel bakış
Bu çözümü benimseyerek aşağıdaki avantajları elde edebilirsiniz:
- Geliştirilmiş bilgi erişimi – RAG, modellerin geniş dış kaynaklardan bilgi almasına olanak tanır; bu, özellikle önceden eğitilmiş modelin bilgisinin güncel olmadığı veya eksik olduğu durumlarda yararlı olabilir.
- ölçeklenebilirlik – RAG, bir modeli mevcut tüm verilerle eğitmek yerine, modellerin ilgili bilgileri anında almasına olanak tanır. Bu, yeni veriler kullanılabilir hale geldikçe tüm modelin yeniden eğitilmesine gerek kalmadan erişim veritabanına eklenebileceği anlamına gelir.
- Bellek verimliliği – LLM'ler parametreleri saklamak için önemli miktarda belleğe ihtiyaç duyar. RAG ile model daha küçük olabilir çünkü tüm ayrıntıları ezberlemesi gerekmez; gerektiğinde bunları geri alabilir.
- Dinamik bilgi güncellemesi – Belirli bir bilgi uç noktasına sahip geleneksel modellerin aksine, RAG'ın harici veritabanı düzenli güncellemelerden geçerek modelin güncel bilgilere erişmesini sağlayabilir. Alma işlevi farklı görevler için ince ayar yapılabilir. Örneğin, bir tıbbi teşhis görevi, tıbbi dergilerden veri elde ederek modelin uzman ve ilgili içgörüler elde etmesini sağlayabilir.
- Önyargı azaltma – İyi seçilmiş bir veri tabanından faydalanma yeteneği, dengeli ve tarafsız dış kaynaklar sağlayarak önyargıları en aza indirme potansiyeli sunar.
Amazon Kendra'nın temel LLM'lerle entegrasyonuna dalmadan önce, kendinizi gerekli araçlar ve sistem gereksinimleriyle donatmanız çok önemlidir. Doğru kurulumun yerinde olması, demoların kusursuz bir şekilde dağıtılmasına yönelik ilk adımdır.
Önkoşullar
Aşağıdaki ön koşullara sahip olmalısınız:
Bu eğitimde ayrıntıları verilen altyapıyı yerel bilgisayarınızdan kurup dağıtmanız mümkün olsa da, AWS Bulut9 uygun bir alternatif sunuyor. AWS CLI, AWS CDK ve Docker gibi araçlarla önceden donatılmış olan AWS Cloud9, dağıtım iş istasyonunuz olarak işlev görebilir. Bu hizmeti kullanmak için basitçe ortamı kurmak ile AWS Cloud9 konsolu.
Önkoşulları bir kenara bırakarak, temel Yüksek Lisans Programlarıyla Amazon Kendra'nın özelliklerine ve yeteneklerine dalalım.
Temel LLM ile Amazon Kendra
Amazon Kendra, kullanıma hazır anlamsal arama yetenekleri sağlayan, makine öğrenimi (ML) ile geliştirilmiş gelişmiş bir kurumsal arama hizmetidir. Doğal dil işlemeyi (NLP) kullanan Amazon Kendra, hem belgelerin içeriğini hem de kullanıcı sorgularının temel amacını kavrayarak onu RAG tabanlı çözümler için bir içerik alma aracı olarak konumlandırıyor. Kendra'nın yüksek doğruluklu arama içeriğini RAG yükü olarak kullanarak daha iyi LLM yanıtları alabilirsiniz. Bu çözümde Amazon Kendra'nın kullanılması, yanıtları son kullanıcının içerik erişim izinlerine göre filtreleyerek kişiselleştirilmiş aramaya da olanak tanır.
Aşağıdaki şema, RAG yaklaşımını kullanan üretken bir yapay zeka uygulamasının mimarisini göstermektedir.
Belgeler Amazon Kendra tarafından işlenir ve dizine eklenir. Amazon Basit Depolama Hizmeti (Amazon S3) bağlayıcı. Amazon Kendra'dan gelen müşteri talepleri ve bağlamsal veriler bir Amazon Ana Kayası temel modeli. Demo, Amazon Bedrock tarafından desteklenen Amazon'un Titan, AI21'in Jurassic ve Anthropic'in Claude modelleri arasında seçim yapmanızı sağlar. Görüşme geçmişi şuraya kaydedilir: Amazon DinamoDBLLM'nin yanıtlar oluşturması için ek bağlam sunar.
Bu demoyu şurada sağladık: GitHub repo. AWS hesabınıza dağıtmak için benioku dosyasındaki dağıtım talimatlarına bakın.
Aşağıdaki adımlar, bir kullanıcının üretken yapay zeka uygulamasıyla etkileşimde bulunduğundaki süreci özetlemektedir:
- Kullanıcı, kimliği doğrulanan web uygulamasında oturum açar. Amazon Cognito'su.
- Kullanıcı bir veya daha fazla belgeyi Amazon S3'e yükler.
- Kullanıcı, S3 belgelerini Amazon Kendra dizinine almak için bir Amazon Kendra senkronizasyon işi çalıştırır.
- Kullanıcının sorusu, üzerinde barındırılan güvenli bir WebSocket API aracılığıyla yönlendirilir. Amazon API Ağ Geçidi tarafından desteklenen AWS Lambda fonksiyonu.
- tarafından desteklenen Lambda işlevi Dil Zinciri AI dil modelleri tarafından yönlendirilen uygulamalar oluşturmak için tasarlanmış çok yönlü bir araç olan çerçeve, kullanıcının sorusunu sohbet geçmişine göre yeniden ifade etmek için Amazon Bedrock uç noktasına bağlanır. Yeniden ifade edildikten sonra soru, Retrieve API'si kullanılarak Amazon Kendra'ya iletilir. Buna yanıt olarak Amazon Kendra dizini, kuruluşun alınan verilerinden elde edilen ilgili belgelerden alıntılar sağlayarak arama sonuçlarını görüntüler.
- Kullanıcının sorusu, indeksten alınan verilerle birlikte LLM isteminde içerik olarak gönderilir. LLM'den gelen yanıt DynamoDB'de sohbet geçmişi olarak depolanır.
- Son olarak LLM'den gelen yanıt kullanıcıya geri gönderilir.
Belge indeksleme iş akışı
Belgelerin işlenmesi ve indekslenmesine ilişkin prosedür aşağıdadır:
- Kullanıcılar belgeleri kullanıcı arayüzü (UI) aracılığıyla gönderir.
- Belgeler kullanılarak bir S3 klasörüne aktarılır. AWS Yükseltme API.
- Amazon Kendra, Amazon Kendra S3 bağlayıcı aracılığıyla S3 klasöründeki yeni belgeleri dizine ekler.
Faydaları
Aşağıdaki listede bu çözümün avantajları vurgulanmaktadır:
- Kurumsal düzeyde alma – Amazon Kendra, kurumsal arama için tasarlandığından, büyük miktarda yapılandırılmış ve yapılandırılmamış veriye sahip kuruluşlar için uygundur.
- Anlamsal anlayış – Amazon Kendra'nın makine öğrenimi yetenekleri, erişimin yalnızca anahtar kelime eşleşmelerine değil, derin anlamsal anlayışa dayanmasını sağlar.
- ölçeklenebilirlik – Amazon Kendra büyük ölçekli veri kaynaklarını yönetebilir ve hızlı ve alakalı arama sonuçları sağlar.
- Esneklik – Temel model, çok çeşitli bağlamlara dayalı yanıtlar üreterek sistemin çok yönlü kalmasını sağlar.
- Entegrasyon yetenekleri – Amazon Kendra, çeşitli AWS hizmetleri ve veri kaynaklarıyla entegre edilebildiğinden, farklı kurumsal ihtiyaçlara uyarlanabilir.
Temel LLM ile yerleştirme modeli
An katıştırma metin, görseller, ses ve belgeler de dahil olmak üzere çeşitli veri türlerinin temel özünü temsil eden sayısal bir vektördür. Bu gösterim yalnızca verinin asıl anlamını yakalamakla kalmaz, aynı zamanda onu çok çeşitli pratik uygulamalara uyarlar. ML'nin bir dalı olan gömme modelleri, kelimeler veya ifadeler gibi karmaşık verileri sürekli vektör uzaylarına dönüştürür. Bu vektörler, veriler arasındaki anlamsal bağlantıları doğası gereği kavrayarak daha derin ve daha anlayışlı karşılaştırmalara olanak tanır.
RAG, transformatörler gibi temel modellerin güçlü yönlerini, ilgili bilgiler için geniş veritabanlarını taramak amacıyla yerleştirmelerin hassasiyetiyle kusursuz bir şekilde birleştirir. Bir sorgu alındığında sistem, kapsamlı bir veri kümesinden ilgili bölümleri tanımlamak ve çıkarmak için yerleştirmeleri kullanır. Temel model daha sonra bu çıkarılan bilgilere dayanarak bağlamsal olarak kesin bir yanıt formüle eder. Veri alma ve yanıt oluşturma arasındaki bu mükemmel sinerji, sistemin geniş veritabanlarında depolanan engin bilgiden yararlanarak kapsamlı yanıtlar sunmasına olanak tanır.
Mimari düzende, kullanıcı arayüzü seçimlerine göre kullanıcılar Amazon Ana Kayası'na veya Amazon Ana Kayası'na yönlendirilir. Amazon SageMaker Hızlı Başlangıç temel modelleri. Belgeler işlenir ve vektör yerleştirmeler, yerleştirme modeliyle üretilir. Bu yerleştirmeler daha sonra kullanılarak indekslenir. FAİS Etkili anlamsal aramayı etkinleştirmek için. Konuşma geçmişleri DynamoDB'de korunarak Yüksek Lisans'ın yanıt oluşturma bağlamını zenginleştirir.
Aşağıdaki şema, çözüm mimarisini ve iş akışını göstermektedir.
Bu demoyu şurada sağladık: GitHub repo. AWS hesabınıza dağıtmak için benioku dosyasındaki dağıtım talimatlarına bakın.
Gömme modeli
Gömme modelinin sorumlulukları aşağıdaki gibidir:
- Bu model, metni (belgeler veya pasajlar gibi) genellikle yerleştirme olarak bilinen yoğun vektör temsillerine dönüştürmekten sorumludur.
- Bu yerleştirmeler metnin anlamsal anlamını yakalayarak farklı metin parçaları arasında etkili ve anlamsal olarak anlamlı karşılaştırmalar yapılmasına olanak tanır.
- Gömme modeli, temel modelle aynı geniş kapsamlı yapı üzerinde eğitilebilir veya belirli alanlar için özelleştirilebilir.
Soru-Cevap iş akışı
Aşağıdaki adımlar, belgeler üzerinden soru yanıtlamanın iş akışını açıklamaktadır:
- Kullanıcı, Amazon Cognito tarafından kimliği doğrulanan web uygulamasında oturum açar.
- Kullanıcı bir veya daha fazla belgeyi Amazon S3'e yükler.
- Belge aktarımı üzerine, bir S3 olay bildirimi bir Lambda işlevini tetikler ve bu işlev daha sonra yeni belge için yerleştirmeler oluşturmak üzere SageMaker yerleştirme modeli uç noktasını çağırır. Gömme modeli, soruyu yoğun bir vektör temsiline (gömme) dönüştürür. Ortaya çıkan vektör dosyası S3 klasöründe güvenli bir şekilde saklanır.
- FAISS alıcısı, en ilgili pasajları bulmak için bu soru yerleştirmeyi veri tabanındaki tüm belge veya pasajların gömülmesiyle karşılaştırır.
- Kullanıcının sorusuyla birlikte pasajlar temel modelin bağlamı olarak sunulmaktadır. Lambda işlevi, LangChain kitaplığını kullanır ve bağlamla doldurulmuş bir sorguyla Amazon Bedrock veya SageMaker JumpStart uç noktasına bağlanır.
- LLM'den gelen yanıt, kullanıcının sorgusu, zaman damgası, benzersiz tanımlayıcı ve öğeye ilişkin soru kategorisi gibi diğer rastgele tanımlayıcılarla birlikte DynamoDB'de depolanır. Soruyu ve yanıtı ayrı öğeler olarak saklamak, Lambda işlevinin, soruların sorulduğu zamanı temel alarak kullanıcının konuşma geçmişini kolayca yeniden oluşturmasına olanak tanır.
- Son olarak yanıt, API Gateway WebSocket API entegrasyon yanıtı aracılığıyla bir HTTP isteği aracılığıyla kullanıcıya geri gönderilir.
Faydaları
Aşağıdaki listede bu çözümün faydaları açıklanmaktadır:
- Anlamsal anlayış – Gömme modeli, alıcının pasajları yalnızca anahtar kelime eşleşmelerine değil, derin anlamsal anlayışa dayalı olarak seçmesini sağlar.
- ölçeklenebilirlik – Yerleştirmeler etkili benzerlik karşılaştırmalarına olanak tanıyarak geniş belge veritabanlarında hızlı bir şekilde arama yapılmasını mümkün kılar.
- Esneklik – Temel model, çok çeşitli bağlamlara dayalı yanıtlar üreterek sistemin çok yönlü kalmasını sağlar.
- Etki alanı uyarlanabilirliği – Gömme modeli belirli alanlar için eğitilebilir veya ince ayar yapılabilir, böylece sistemin çeşitli uygulamalara uyarlanması sağlanır.
Foundation Models Pharma Reklam Oluşturucu
Günümüzün hızlı ilerleyen ilaç endüstrisinde, verimli ve yerelleştirilmiş reklamcılık her zamankinden daha önemli. Kaynak görüntülerden ve PDF'lerden yerelleştirilmiş ilaç reklamları oluşturmak için üretken yapay zekanın gücünü kullanan yenilikçi bir çözüm tam da burada devreye giriyor. Bu yaklaşım, yalnızca reklam oluşturma sürecini hızlandırmanın ötesinde Tıbbi Yasal İnceleme (MLR) sürecini de kolaylaştırır. MLR, tıbbi, yasal ve düzenleyici ekiplerin promosyon malzemelerinin doğruluğunu, bilimsel desteğini ve mevzuata uygunluğunu garanti etmek için titizlikle değerlendirdiği sıkı bir inceleme mekanizmasıdır. Geleneksel içerik oluşturma yöntemleri hantal olabilir ve bölgesel uyumluluk ve alaka düzeyine uyum sağlamak için genellikle manuel ayarlamalar ve kapsamlı incelemeler gerektirir. Bununla birlikte, üretken yapay zekanın ortaya çıkışıyla birlikte artık yerel kitlelerde gerçekten yankı uyandıran reklamların hazırlanmasını, katı standartları ve yönergeleri korurken otomatik hale getirebiliyoruz.
Aşağıdaki şemada çözüm mimarisi gösterilmektedir.
Mimari düzende, kullanıcılar seçtikleri model ve reklam tercihlerine göre sorunsuz bir şekilde Amazon Bedrock temel modellerine yönlendirilir. Bu kolaylaştırılmış yaklaşım, yeni reklamların tam olarak istenen konfigürasyona göre oluşturulmasını sağlar. Sürecin bir parçası olarak belgeler verimli bir şekilde yönetilir. Amazon Metin Yazısı, elde edilen metin DynamoDB'de güvenli bir şekilde saklanır. Öne çıkan bir özellik, görüntü ve metin oluşturmaya yönelik modüler tasarımdır ve size herhangi bir bileşeni gerektiği gibi bağımsız olarak yeniden oluşturma esnekliği sağlar.
Bu demoyu şurada sağladık: GitHub repo. AWS hesabınıza dağıtmak için benioku dosyasındaki dağıtım talimatlarına bakın.
İçerik oluşturma iş akışı
Aşağıdaki adımlar içerik oluşturma sürecini özetlemektedir:
- Kullanıcı dokümanını, kaynak görselini, reklam yerleşimini, dilini ve görsel stilini seçer.
- Amazon Cognito kimlik doğrulaması aracılığıyla web uygulamasına güvenli erişim sağlanır.
- Web uygulamasının ön ucu Amplify aracılığıyla barındırılır.
- API Gateway tarafından yönetilen bir WebSocket API, kullanıcı isteklerini kolaylaştırır. Bu istekler aracılığıyla doğrulanır AWS Kimlik ve Erişim Yönetimi (BEN).
- Amazon Bedrock ile entegrasyon aşağıdaki adımları içerir:
- Lambda işlevi, bağlam açısından zengin bir sorgu kullanarak Amazon Bedrock uç noktasına bağlanmak için LangChain kitaplığını kullanır.
- Metinden metne temel model, verilen bağlam ve ayarlara dayalı olarak bağlamsal olarak uygun bir reklam oluşturur.
- Metinden görüntüye temel model, kaynak görüntüden, seçilen stilden ve konumdan etkilenen özel bir görüntü oluşturur.
- Kullanıcı, yanıtı entegre API Gateway WebSocket API aracılığıyla bir HTTPS isteği aracılığıyla alır.
Belge ve görüntü işleme iş akışı
Belgelerin ve görüntülerin işlenmesine ilişkin prosedür aşağıdadır:
- Kullanıcı, varlıkları belirtilen kullanıcı arayüzü aracılığıyla yükler.
- Amplify API, belgeleri bir S3 klasörüne aktarır.
- Varlık Amazon S3'e aktarıldıktan sonra aşağıdaki eylemlerden biri gerçekleştirilir:
- Bu bir belgeyse Lambda işlevi, reklam oluşturmak üzere metni işlemek ve çıkarmak için Amazon Textract'ı kullanır.
- Bu bir görüntüyse, Lambda işlevi onu kaynaktan yeni bir görüntü oluşturmak için Kararlı Yayılma modeline uygun base64 formatına dönüştürür.
- Çıkarılan metin veya base64 görüntü dizisi DynamoDB'ye güvenli bir şekilde kaydedilir.
Faydaları
Aşağıdaki listede bu çözümün faydaları açıklanmaktadır:
- verim – Üretken yapay zekanın kullanılması, reklam oluşturma sürecini önemli ölçüde hızlandırarak manuel ayarlama ihtiyacını ortadan kaldırır.
- Uyumluluk uyumu – Çözüm, oluşturulan reklamların FDA'nın pazarlama yönergeleri gibi belirli yönergelere ve düzenlemelere uymasını sağlar.
- Uygun maliyetli – Şirketler, kişiye özel reklamların oluşturulmasını otomatikleştirerek, reklam üretimi ve revizyonlarıyla ilgili maliyetleri önemli ölçüde azaltabilir.
- Kolaylaştırılmış MLR süreci – Çözüm, MLR sürecini basitleştirerek anlaşmazlık noktalarını azaltıyor ve incelemelerin daha sorunsuz olmasını sağlıyor.
- Lokalize rezonans – Üretken yapay zeka, yerel hedef kitlede yankı uyandıran, farklı bölgelerde ilgi ve etki sağlayan reklamlar üretir.
- Standardizasyon – Çözüm, gerekli standartları ve yönergeleri koruyarak oluşturulan tüm reklamlarda tutarlılık sağlar.
- ölçeklenebilirlik – Yapay zeka odaklı yaklaşım, kaynak görsellerden ve PDF'lerden oluşan geniş veritabanlarını işleyebilir ve bu da onu büyük ölçekli reklam oluşturmayı mümkün kılar.
- Azaltılmış manuel müdahale – Otomasyon insan müdahalesine olan ihtiyacı azaltır, hataları en aza indirir ve tutarlılık sağlar.
Bu eğitimdeki altyapıyı yerel bilgisayarınızdan dağıtabilir veya AWS Cloud9'u dağıtım iş istasyonunuz olarak kullanabilirsiniz. AWS Cloud9, AWS CLI, AWS CDK ve Docker ile önceden yüklenmiş olarak gelir. AWS Cloud9'u tercih ederseniz, ortamı yaratmak itibaren AWS Cloud9 konsolu.
Temizlemek
Gereksiz maliyetlerden kaçınmak için AWS CloudFormation konsolu aracılığıyla veya iş istasyonunuzda aşağıdaki komutu çalıştırarak oluşturulan tüm altyapıyı temizleyin:
Ayrıca, SageMaker konsolu aracılığıyla başlattığınız tüm SageMaker uç noktalarını durdurmayı unutmayın. Amazon Kendra dizinini silmenin orijinal belgeleri depolama alanınızdan kaldırmadığını unutmayın.
Sonuç
Yüksek Lisans'ların örneklediği üretken yapay zeka, bilgiye erişme ve bilgiyi üretme şeklimizde bir paradigma değişiminin habercisidir. Bu modeller güçlü olmalarına rağmen genellikle eğitim verilerinin sınırlarıyla sınırlıdır. RAG, bu modellerdeki engin bilginin tutarlı bir şekilde ilgili, güncel bilgilerle aşılanmasını sağlayarak bu zorluğun üstesinden gelir.
RAG tabanlı demolarımız bunun somut bir kanıtıdır. Amazon Kendra, vektör yerleştirmeler ve LLM'ler arasındaki kesintisiz sinerjiyi sergileyerek bilgilerin yalnızca geniş değil, aynı zamanda doğru ve zamanında olduğu bir sistem yaratıyorlar. Bu demolara daldıkça, önceden eğitilmiş bilgileri RAG'ın dinamik yetenekleriyle birleştirmenin dönüşüm potansiyelini ilk elden keşfedeceksiniz; sonuçta hem güvenilir hem de kurumsal içeriğe uyarlanmış çıktılar elde edeceksiniz.
LLM'ler tarafından desteklenen üretken yapay zeka, bilgi içgörüleri elde etmenin yeni bir yolunu açsa da, bu içgörülerin güvenilir olması ve RAG yaklaşımını kullanan kurumsal içerikle sınırlı olması gerekir. Bu RAG tabanlı demolar, doğru ve güncel bilgilerle donatılmanızı sağlar. Bu içgörülerin kalitesi, Amazon Kendra ve vektör yerleştirmeleri kullanılarak sağlanan anlamsal alaka düzeyine bağlıdır.
Üretken yapay zekanın gücünü daha fazla keşfetmeye ve ondan yararlanmaya hazırsanız, sonraki adımlarınız şunlardır:
- Demolarımızla etkileşime geçin – Uygulamalı deneyim paha biçilmezdir. İşlevleri keşfedin, entegrasyonları anlayın ve arayüze alışın.
- Bilginizi derinleştirin – Mevcut kaynaklardan yararlanın. AWS, yapay zeka yolculuğunuza yardımcı olacak ayrıntılı belgeler, eğitimler ve topluluk desteği sunar.
- Bir pilot proje başlatın – Kuruluşunuzda üretken yapay zekanın küçük ölçekli bir uygulamasıyla başlamayı düşünün. Bu, sistemin pratikliği ve sizin özel bağlamınıza uyarlanabilirliği hakkında bilgi sağlayacaktır.
AWS'deki üretken yapay zeka uygulamaları hakkında daha fazla bilgi için aşağıdakilere bakın:
Yapay zekanın manzarasının sürekli geliştiğini unutmayın. Güncel kalın, meraklı kalın ve her zaman uyum sağlamaya ve yeniliklere hazır olun.
Yazarlar Hakkında
Jin Tan Ruan AWS Industries Prototipleme ve Müşteri Mühendisliği (PACE) ekibinde NLP ve üretken yapay zeka konusunda uzmanlaşmış bir Prototipleme Geliştiricisidir. Yazılım geliştirme alanında geçmişi ve dokuz AWS sertifikasıyla Jin, AWS müşterilerinin AI/ML ve üretken yapay zeka vizyonlarını AWS platformunu kullanarak hayata geçirmelerine yardımcı olmak için zengin bir deneyim sunuyor. Syracuse Üniversitesi'nden Bilgisayar Bilimi ve Yazılım Mühendisliği alanında yüksek lisans derecesine sahiptir. Jin, iş dışında video oyunları oynamayı ve korku filmlerinin heyecan verici dünyasına dalmayı seviyor.
Aravind Kodandaramaiah AWS Industries Prototipleme ve Müşteri Mühendisliği (PACE) ekibinde Kıdemli Prototipleme tam yığın çözüm oluşturucusudur. AWS müşterilerinin yenilikçi fikirleri ölçülebilir ve keyifli sonuçlar veren çözümlere dönüştürmesine yardımcı olmaya odaklanıyor. Bulut güvenliği, DevOps ve AI/ML dahil olmak üzere bir dizi konu hakkında tutkuludur ve genellikle bu teknolojilerle uğraşırken görülebilir.
Arjun Shakdher AWS Industries Prototyping (PACE) ekibinde teknolojiyi yaşamın dokusuyla harmanlama konusunda tutkulu bir Geliştiricidir. Purdue Üniversitesi'nden yüksek lisans derecesine sahip olan Arjun'un şu anki rolü, şu anda belirgin bir şekilde AI/ML ve IoT alanlarını içeren bir dizi alanı kapsayan son teknoloji ürünü prototiplerin tasarlanması ve oluşturulması etrafında dönüyor. Kodlara ve dijital ortamlara dalmadığınızda, Arjun'u kahve dünyasına düşkünken, saat biliminin karmaşık mekaniklerini keşfederken veya otomobil sanatının tadını çıkarırken bulacaksınız.
- SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
- PlatoData.Network Dikey Üretken Yapay Zeka. Kendine güç ver. Buradan Erişin.
- PlatoAiStream. Web3 Zekası. Bilgi Genişletildi. Buradan Erişin.
- PlatoESG. karbon, temiz teknoloji, Enerji, Çevre, Güneş, Atık Yönetimi. Buradan Erişin.
- PlatoSağlık. Biyoteknoloji ve Klinik Araştırmalar Zekası. Buradan Erişin.
- Kaynak: https://aws.amazon.com/blogs/machine-learning/harnessing-the-power-of-enterprise-data-with-generative-ai-insights-from-amazon-kendra-langchain-and-large-language-models/
- :dır-dir
- :olumsuzluk
- :Neresi
- $UP
- 100
- 150
- 7
- a
- kabiliyet
- Hakkımızda
- hızlandırır
- erişim
- Göre
- Hesap
- doğruluk
- doğru
- karşısında
- eylemler
- Ad
- uyarlamak
- uyarlar
- katma
- adresleri
- bağlı
- ayarlamaları
- Benimsemek
- İlanlarım
- ileri
- avantaj
- avantajları
- Advent
- reklâm
- Sonra
- AI
- AI / ML
- Yardım
- hiza
- Türkiye
- izin vermek
- Izin
- veriyor
- neredeyse
- boyunca
- Ayrıca
- alternatif
- her zaman
- Amazon
- Amazon Cognito'su
- Amazon Kendrası
- Amazon Metin Yazısı
- Amazon Web Servisleri
- tutarları
- yükseltmek
- an
- ve
- cevap
- cevaplar
- herhangi
- api
- uygulamayı yükleyeceğiz
- Uygulama
- uygulamaları
- yaklaşım
- uygun
- mimari
- mimari
- ARE
- etrafında
- Dizi
- yetenek
- AS
- varlık
- Varlıklar
- yardım
- ilişkili
- duruşmalar
- ses
- doğrulanmış
- Doğrulama
- otomatikleştirmek
- ayrıca otomasyonun
- Otomasyon
- mevcut
- önlemek
- kaçınma
- AWS
- AWS Bulut9
- AWS CloudFormation
- Arka
- arka çıkılmış
- arka fon
- destek
- baz
- merkezli
- BE
- Çünkü
- müşterimiz
- olur
- faydaları
- Daha iyi
- arasında
- Ötesinde
- önyargıları
- karıştırma
- vücut
- Bot
- her ikisi de
- şube
- Getiriyor
- geniş
- oluşturucu
- bina
- fakat
- by
- aramalar
- CAN
- Alabilirsin
- yetenekleri
- ele geçirmek
- yakalar
- dava
- Kategoriler
- sertifikalar
- meydan okuma
- zorluklar
- Klinik
- seçilmiş
- çamça
- bulut
- Bulut Güvenlik
- Cloud9
- kod
- Kahve
- kombine
- biçerdöverler
- geliyor
- çoğunlukla
- topluluk
- Şirketler
- karşılaştırmalar
- karmaşık
- uyma
- uyumlu
- bileşen
- kavrar
- bilgisayar
- Bilgisayar Bilimleri
- yapılandırma
- Sosyal medya
- Bağlantılar
- bağlanır
- Düşünmek
- sürekli
- konsolos
- sürekli
- içerik
- İçerik Üretimi
- içerik yaratımı
- bağlam
- bağlamlar
- bağlamsal
- devam
- sürekli
- Uygun
- geleneksel
- konuşma
- dönüştürme
- çekirdek
- Ücret
- maliyetler
- zanaat
- yaratmak
- çevrimiçi kurslar düzenliyorlar.
- oluşturur
- Oluşturma
- oluşturma
- çok önemli
- hantal
- meraklı
- akım
- görenek
- müşteri
- Müşteriler
- keskin kenar
- veri
- veritabanı
- veritabanları
- veri kümeleri
- Tarih
- derin
- derin
- derece
- hoş
- gösteri
- Demolar
- bağımlı
- dağıtmak
- konuşlandırılmış
- dağıtma
- açılma
- tanımlamak
- Dizayn
- tasarlanmış
- İstediğiniz
- yıkmak
- detaylı
- ayrıntılar
- Geliştirici
- gelişme
- tanı
- farklı
- Yayılma
- dijital
- yönlendirilmiş
- görüntüler
- farklı
- dalış
- çeşitli
- dalış
- liman işçisi
- belge
- belgeleme
- evraklar
- Değil
- etki
- çekmek
- çizim
- tahrik
- dinamik
- kolayca
- verim
- verimli
- verimli biçimde
- ya
- ortadan
- katıştırma
- çıkmak
- istihdam
- yetkisi
- olarak güçlendiriyor
- etkinleştirmek
- etkin
- sağlar
- etkinleştirme
- son
- Son nokta
- Mühendislik
- gelişmiş
- zenginleştirici
- sağlamak
- sağlanmış
- olmasını sağlar
- sağlanması
- kuruluş
- Tüm
- donanımlı
- Hatalar
- özellikle
- öz
- değerlendirmek
- Etkinlikler
- hİÇ
- gelişmek
- gelişen
- örnek
- uyarılmış
- geniş
- deneyim
- uzman
- uzmanlara göre
- keşfetmek
- Keşfetmek
- kapsamlı, geniş
- dış
- çıkarmak
- kumaş
- kolaylaştırır
- tanıtmak
- hızlı tempolu
- FB
- mümkün
- Özellikler(Hazırlık aşamasında)
- Özellikler
- Featuring
- fileto
- süzme
- bulmak
- Ad
- Esneklik
- odaklanır
- takip etme
- şu
- İçin
- biçim
- bulundu
- vakıf
- sürtünme
- itibaren
- ön
- Başlangıç aşaması
- tam
- Tam Yığın
- işlev
- işlevsellikleri
- daha fazla
- Ayrıca
- Kazanç
- kazanma
- Games
- geçit
- oluşturmak
- oluşturulan
- nesil
- üretken
- üretken yapay zeka
- jeneratör
- almak
- verilmiş
- Verilmesi
- verme
- kavramak
- Büyür
- garanti
- rehberlik
- güdümlü
- kuralları yenileyerek
- sap
- hands-on
- koşum
- Koşum
- Var
- sahip olan
- he
- yardım
- habercileri
- okuyun
- özeti
- kendisi
- geçmişleri
- tarih
- tutma
- tutar
- korku
- ev sahipliği yaptı
- Ne kadar
- Ancak
- HTML
- http
- HTTPS
- insan
- fikirler
- tanımlayıcı
- tanımlayıcıları
- belirlemek
- Kimlik
- if
- göstermektedir
- görüntü
- görüntüleri
- dalmış
- darbe
- uygulama
- in
- derinlemesine
- yanlış
- içerir
- Dahil olmak üzere
- birleştirmek
- bağımsız
- indeks
- endeksli
- indeksler
- Endüstri
- sanayi
- Endüstri standartları
- etkilenmiş
- bilgi
- bilgi
- Altyapı
- doğal olarak
- ilk
- başlatılan
- yenilik yapmak
- yenilikçi
- anlayışlı
- anlayışlar
- yerine
- talimatlar
- entegre
- Entegre
- bütünleşme
- entegrasyonlar
- niyet
- etkileşime
- arayüzey
- müdahale
- içine
- gerçek
- paha biçilmez
- IOT
- IT
- ürün
- ONUN
- İş
- seyahat
- jpg
- sadece
- bilgi
- bilinen
- manzara
- dil
- büyük
- büyük ölçekli
- Düzen
- öğrenme
- Yasal Şartlar
- Lets
- Kütüphane
- ruhsatlı
- hayat
- sevmek
- olasılık
- Sınırlı
- sınırları
- Liste
- Yüksek Lisans
- yerel
- yer
- makine
- makine öğrenme
- tutar
- Yapımı
- yönetilen
- Manuel
- çok
- Pazarlama
- masif
- yüksek lisans
- maçlar
- malzemeler
- anlam
- anlamlı
- anlamları
- anlamına geliyor
- mekanik
- mekanizma
- tıbbi
- Bellek
- sadece
- birleştirmeleri
- birleştirme
- yöntemleri
- titizlikle
- minimize
- hafifletme
- ML
- model
- Modelleme
- modelleri
- modüler
- Daha
- çoğu
- filmler
- şart
- Doğal (Madenden)
- Doğal Dil İşleme
- gerekli
- gerek
- gerekli
- gerek
- ihtiyaçlar
- yeni
- sonraki
- dokuz
- nlp
- tebliğ
- şimdi
- of
- teklif
- Teklifler
- sık sık
- on
- ONE
- bir tek
- açılır
- or
- örgütsel
- organizasyonlar
- orijinal
- Diğer
- bizim
- dışarı
- sonuçlar
- taslak
- çıkışlar
- dışında
- tekrar
- Üstesinden gelmek
- Barış
- paradigma
- parametreler
- Bölüm
- tutkulu
- MÜKEMMEL OLAN YERİ BULUN
- izinleri
- Kişiselleştirilmiş
- Pharma
- İlaç
- ifadeler
- parçalar
- pilot
- pilot proje
- yer
- yerleştirme
- platform
- Platon
- Plato Veri Zekası
- PlatoVeri
- OYNA
- oynama
- noktaları
- konumlandırma
- mümkün
- Çivi
- potansiyel
- güç kelimesini seçerim
- powered
- güçlü
- Pratik
- gerek
- tam
- Hassas
- tercihleri
- önkoşullar
- şimdi
- prosedür
- süreç
- İşlenmiş
- işleme
- Üretilmiş
- üretir
- üretim
- proje
- promosyon
- prototipler
- prototip
- Kanıtlamak
- sağlamak
- sağlanan
- sağlar
- sağlama
- kalite
- sorgular
- soru
- Sorular
- Hızlı
- hızla
- menzil
- hazır
- realms
- alır
- alma
- Tavsiye
- azaltmak
- azaltır
- azaltarak
- başvurmak
- rafine
- bölgesel
- bölgeler
- düzenli
- yönetmelik
- düzenleyici
- Yasal Uygunluk
- ilgisi
- uygun
- güvenerek
- kalmak
- kalıntılar
- hatırlamak
- Kaldır
- yeniden ifade etme
- temsil
- temsil
- talep
- isteklerinizi
- gerektirir
- gereklidir
- Yer Alan Kurallar
- Rezonansa
- Kaynaklar
- yanıt
- yanıtları
- sorumlulukları
- sorumlu
- çıkan
- Ortaya çıkan
- Sonuçlar
- yorum
- Yorumları
- revizyonlar
- döner
- krallar gibi yaşamaya
- titiz
- Rol
- koşu
- ishal
- sagemaker
- aynı
- kaydedilmiş
- Bilim
- bilimsel
- sorunsuz
- sorunsuz
- Ara
- bölümler
- güvenli
- Güvenli
- güvenlik
- seçilmiş
- seçim
- kıdemli
- gönderdi
- hizmet
- Hizmetler
- set
- ayarlar
- kurulum
- çalışma
- vitrin
- Gösteriler
- Elemek
- önemli
- önemli ölçüde
- Basit
- sadece
- daha küçük
- pürüzsüz
- Yazılım
- yazılım geliştirme
- yazılım Mühendisliği
- yalnızca
- çözüm
- Çözümler
- Kaynak
- kaynaklı
- kaynaklar
- Kaynak Bulma
- alanlarda
- karış
- özel
- uzmanlaşmış
- özel
- Belirtilen
- kararlı
- yığın
- standartlar
- XNUMX dakika içinde!
- state-of-the-art
- kalmak
- adım
- Basamaklar
- dur
- hafızası
- mağaza
- saklı
- depolamak
- aerodinamik
- güçlü
- dizi
- sıkı
- yapılandırılmış
- stil
- sunmak
- böyle
- uygun
- destek
- destekli
- sinerji
- sistem
- ısmarlama
- Bizi daha iyi tanımak için
- alır
- somut
- Görev
- görevleri
- takım
- takım
- teknik
- Teknolojileri
- Teknoloji
- vasiyetname
- metin
- göre
- o
- The
- Kara parçası
- Kaynak
- Dünya
- ve bazı Asya
- Onları
- sonra
- böylece
- Bunlar
- onlar
- Re-Tweet
- üç
- heyecan verici
- İçinden
- zaman
- vakitli
- zaman damgası
- titan
- için
- bugünkü
- araç
- araçlar
- konu
- Konular
- karşı
- geleneksel
- Tren
- eğitilmiş
- Eğitim
- transfer
- transfer
- transferler
- Dönüştürmek
- dönüşümcü
- transformatörler
- Trendler
- gerçekten
- güvenilir
- DÖNÜŞ
- öğretici
- Öğreticiler
- türleri
- ui
- uğramak
- altında yatan
- anlamak
- anlayış
- benzersiz
- üniversite
- aksine
- gereksiz
- ortaya çıkarmak
- aktüel
- Güncelleme
- güncellenmiş
- Güncellemeler
- muhafaza etmekte
- üzerine
- kullanım
- kullanım durumu
- kullanıcı
- Kullanıcı Arayüzü
- kullanıcılar
- kullanım
- kullanma
- genellikle
- kullanır
- Kullanılması
- çeşitli
- Geniş
- çok yönlü
- üzerinden
- Video
- video oyunları
- vizyonlar
- Yol..
- we
- servet
- ağ
- Web uygulaması
- web hizmetleri
- ağ yuvası
- vardı
- ne zaman
- hangi
- süre
- DSÖ
- geniş
- Geniş ürün yelpazesi
- irade
- ile
- içinde
- olmadan
- sözler
- İş
- iş akışı
- iş istasyonu
- Dünya
- Sen
- kendiniz
- zefirnet