Sipariş vermek için birebir müşteri etkileşimlerinin olduğu günümüz ortamında, arabaya servis yapan kahvehaneler ve fast food restoranları gibi ortamlarda bile hakim uygulama, insan görevlilere güvenmeye devam ediyor. Bu geleneksel yaklaşım birçok zorluğu beraberinde getiriyor: ağırlıklı olarak manuel süreçlere dayanıyor, artan müşteri taleplerine göre verimli bir şekilde ölçeklendirme çabası gösteriyor, insan hatası potansiyelini ortaya çıkarıyor ve belirli kullanılabilirlik saatleri içinde çalışıyor. Ek olarak, rekabetçi pazarlarda, yalnızca manuel süreçlere bağlı kalan işletmeler, verimli ve rekabetçi hizmet sunma konusunda zorluk yaşayabilir. Teknolojik gelişmelere rağmen insan merkezli model, sipariş işlemede derin bir şekilde yerleşmiş durumda ve bu da bu sınırlamalara yol açıyor.
Bire bir sipariş işleme desteği için teknolojiden yararlanma olanağı bir süredir mevcuttur. Ancak mevcut çözümler genellikle iki kategoriye ayrılabilir: kurulum ve bakım için önemli miktarda zaman ve çaba gerektiren kural tabanlı sistemler veya müşterilerle insan benzeri etkileşimler için gereken esnekliğe sahip olmayan katı sistemler. Sonuç olarak işletmeler ve kuruluşlar bu tür çözümleri hızlı ve verimli bir şekilde uygulama konusunda zorluklarla karşı karşıya kalıyor. Neyse ki, gelişiyle üretken yapay zeka ve büyük dil modelleri (LLM'ler)sayesinde artık doğal dili verimli bir şekilde ve hızlandırılmış bir zaman çizelgesiyle işleyebilen otomatik sistemler oluşturmak mümkün.
Amazon Ana Kayası AI21 Labs, Anthropic, Cohere, Meta, Stability AI ve Amazon gibi önde gelen AI şirketlerinin yüksek performanslı temel modelleri (FM'ler) seçeneklerini tek bir API aracılığıyla ve sizin için kullanabileceğiniz geniş bir yetenek seti sunan, tam olarak yönetilen bir hizmettir. güvenlik, gizlilik ve sorumlu yapay zeka ile üretken yapay zeka uygulamaları oluşturmamız gerekiyor. Amazon Bedrock'a ek olarak aşağıdaki gibi diğer AWS hizmetlerini de kullanabilirsiniz: Amazon SageMaker Hızlı Başlangıç ve Amazon Lex'i tamamen otomatik ve kolayca uyarlanabilen üretken yapay zeka sipariş işleme aracıları oluşturmak.
Bu yazıda size Amazon Lex, Amazon Bedrock ve Amazon Lex'i kullanarak konuşma yeteneğine sahip bir sipariş işleme aracısının nasıl oluşturulacağını göstereceğiz. AWS Lambda.
Çözüme genel bakış
Aşağıdaki şema çözüm mimarimizi göstermektedir.
İş akışı aşağıdaki adımlardan oluşur:
- Bir müşteri siparişi Amazon Lex'i kullanarak verir.
- Amazon Lex botu müşterinin niyetini yorumluyor ve bir
DialogCodeHook
. - Bir Lambda işlevi, Lambda katmanından uygun bilgi istemi şablonunu çeker ve ilgili bilgi istemi şablonuna müşteri girişini ekleyerek model bilgi istemlerini biçimlendirir.
- The
RequestValidation
istem, siparişi menü öğesiyle doğrular ve müşterinin, menünün parçası olmayan bir sipariş vermek isteyip istemediğini Amazon Lex aracılığıyla bilmesini sağlar ve önerilerde bulunur. İstem aynı zamanda siparişin eksiksizliği için bir ön doğrulama da gerçekleştirir. - The
ObjectCreator
istemi, doğal dil isteklerini bir veri yapısına (JSON formatı) dönüştürür. - Müşteri doğrulayıcı Lambda işlevi, sipariş için gerekli özellikleri doğrular ve siparişi işlemek için gerekli tüm bilgilerin mevcut olup olmadığını teyit eder.
- Bir müşteri Lambda işlevi, veri yapısını siparişi işlemek için bir girdi olarak alır ve sipariş toplamını düzenleyen Lambda işlevine geri iletir.
- Düzenleme Lambda işlevi, müşteri veritabanı sistemindeki sipariş toplamını içeren nihai sipariş özeti oluşturmak için Amazon Bedrock LLM uç noktasını çağırır (örneğin, Amazon DinamoDB).
- Sipariş özeti müşteriye Amazon Lex aracılığıyla iletilir. Müşteri siparişi onayladıktan sonra sipariş işleme alınacaktır.
Önkoşullar
Bu gönderide aktif bir AWS hesabınızın olduğu ve aşağıdaki kavram ve hizmetlere aşina olduğunuz varsayılmaktadır:
Ayrıca Amazon Bedrock'a Lambda işlevlerinden erişmek için Lambda çalışma zamanının aşağıdaki kitaplıklara sahip olduğundan emin olmanız gerekir:
- boto3>=1.28.57
- awscli>=1.29.57
- botocore>=1.31.57
Bu bir ile yapılabilir Lambda katmanı veya gerekli kütüphanelerle birlikte belirli bir AMI kullanarak.
Ayrıca Amazon Bedrock API'sini şu adresten çağırırken bu kitaplıklar gereklidir: Amazon SageMaker Stüdyosu. Bu, bir hücreyi aşağıdaki kodla çalıştırarak yapılabilir:
Son olarak aşağıdaki politikayı oluşturursunuz ve daha sonra bunu Amazon Bedrock'a erişen herhangi bir role eklersiniz:
DynamoDB tablosu oluşturun
Özel senaryomuzda, müşteri veritabanı sistemimiz olarak bir DynamoDB tablosu oluşturduk, ancak siz bunu da kullanabilirsiniz. Amazon İlişkisel Veritabanı Hizmeti (Amazon RDS'dir). DynamoDB tablonuzu hazırlamak (veya ayarları kullanım durumunuza göre özelleştirmek) için aşağıdaki adımları tamamlayın:
- DynamoDB konsolunda, tablolar Gezinti bölmesinde.
- Klinik Tablo oluştur.
- İçin Tablo ismi, bir ad girin (örneğin,
ItemDetails
). - İçin Bölüm anahtarı, bir anahtar girin (bu yazı için şunu kullanıyoruz:
Item
). - İçin Sıralama anahtarı, bir anahtar girin (bu yazı için şunu kullanıyoruz:
Size
). - Klinik Tablo oluştur.
Artık verileri DynamoDB tablosuna yükleyebilirsiniz. Bu yazı için bir CSV dosyası kullanıyoruz. SageMaker not defterindeki Python kodunu kullanarak verileri DynamoDB tablosuna yükleyebilirsiniz.
Öncelikle dev adında bir profil oluşturmamız gerekiyor.
- SageMaker Studio'da yeni bir terminal açın ve aşağıdaki komutu çalıştırın:
Bu komut sizden AWS erişim anahtarı kimliğinizi, gizli erişim anahtarınızı, varsayılan AWS Bölgenizi ve çıktı biçiminizi girmenizi isteyecektir.
- SageMaker not defterine dönün ve Python'daki Boto3 kitaplığını kullanarak DynamoDB'ye bağlantı kurmak için bir Python kodu yazın. Bu kod parçacığı, dev adlı belirli bir AWS profilini kullanarak bir oturum oluşturur ve ardından bu oturumu kullanarak bir DynamoDB istemcisi oluşturur. Verileri yüklemek için kod örneği aşağıdadır:
Alternatif olarak, kullanabilirsiniz NoSQL Çalışma Tezgahı veya verileri DynamoDB tablonuza hızlı bir şekilde yüklemek için diğer araçları kullanın.
Örnek veriler tabloya eklendikten sonraki ekran görüntüsü aşağıdadır.
Amazon Bedrock çağırma API'sini kullanarak SageMaker not defterinde şablonlar oluşturun
Bu kullanım senaryosuna yönelik bilgi istemi şablonumuzu oluşturmak için Amazon Bedrock'u kullanıyoruz. Amazon Bedrock'a şu adresten erişebilirsiniz: AWS Yönetim Konsolu ve API çağrıları aracılığıyla. Bizim durumumuzda, yalnızca istem şablonumuzu değil aynı zamanda daha sonra Lambda işlevimizde kullanabileceğimiz tam API çağırma kodunu oluşturmak için SageMaker Studio not defterinin rahatlığından API aracılığıyla Amazon Bedrock'a erişiyoruz.
- SageMaker konsolunda mevcut bir SageMaker Studio etki alanına erişin veya bir SageMaker dizüstü bilgisayardan Amazon Bedrock'a erişmek için yeni bir alan oluşturun.
- SageMaker etki alanını ve kullanıcısını oluşturduktan sonra kullanıcıyı seçin ve Başlatmak ve Stüdyo. Bu bir JupyterLab ortamı açacaktır.
- JupyterLab ortamı hazır olduğunda yeni bir not defteri açın ve gerekli kitaplıkları içe aktarmaya başlayın.
Amazon Bedrock Python SDK'sında pek çok FM mevcuttur. Bu durumda Anthropic tarafından geliştirilen güçlü bir temel model olan Claude V2'yi kullanıyoruz.
Sipariş işleme temsilcisinin birkaç farklı şablona ihtiyacı vardır. Bu, kullanım durumuna göre değişebilir ancak birden fazla ayara uygulanabilecek genel bir iş akışı tasarladık. Bu kullanım örneği için Amazon Bedrock LLM şablonu aşağıdakileri gerçekleştirecektir:
- Müşteri amacını doğrulama
- İsteği doğrula
- Sipariş veri yapısını oluşturun
- Siparişin özetini müşteriye iletin
- Modeli çağırmak için Boto3'ten bir temel çalışma zamanı nesnesi oluşturun.
Niyet doğrulayıcı bilgi istemi şablonu üzerinde çalışarak başlayalım. Bu yinelenen bir süreçtir, ancak Anthropic'in hızlı mühendislik kılavuzu sayesinde, görevi gerçekleştirebilecek bir istemi hızlı bir şekilde oluşturabilirsiniz.
- Gövdeyi API çağrıları için hazırlamaya yardımcı olacak bir yardımcı program işleviyle birlikte ilk bilgi istemi şablonunu oluşturun.
Prompt_template_intent_validator.txt'nin kodu aşağıdadır:
- Amazon S3'e yüklemek ve gerektiğinde Lambda işlevinden çağrı yapmak için bu şablonu bir dosyaya kaydedin. Şablonları bir metin dosyasına JSON serileştirilmiş dizeleri olarak kaydedin. Önceki ekran görüntüsünde bunu başarmak için kod örneği de gösterilmektedir.
- Aynı adımları diğer şablonlarla tekrarlayın.
Aşağıda diğer şablonların bazı ekran görüntüleri ve bunlardan bazılarıyla Amazon Bedrock çağrıldığında elde edilen sonuçlar yer almaktadır.
Prompt_template_request_validator.txt'nin kodu aşağıdadır:
Bu şablonu kullanarak Amazon Bedrock'tan aldığımız yanıt aşağıdadır.
Aşağıdaki kod prompt_template_object_creator.txt
:
Prompt_template_order_summary.txt'nin kodu aşağıdadır:
Gördüğünüz gibi menü öğelerini doğrulamak, eksik gerekli bilgileri belirlemek, bir veri yapısı oluşturmak ve siparişi özetlemek için bilgi istemi şablonlarımızı kullandık. Amazon Bedrock'ta bulunan temel modeller çok güçlü olduğundan, bu şablonlar aracılığıyla daha da fazla görevi gerçekleştirebilirsiniz.
Bilgi istemlerinin mühendisliğini tamamladınız ve şablonları metin dosyalarına kaydettiniz. Artık Amazon Lex botunu ve ilgili Lambda işlevlerini oluşturmaya başlayabilirsiniz.
Bilgi istemi şablonlarıyla bir Lambda katmanı oluşturun
Lambda katmanınızı oluşturmak için aşağıdaki adımları tamamlayın:
- SageMaker Studio'da, adlı alt klasöre sahip yeni bir klasör oluşturun.
python
. - İstem dosyalarınızı şuraya kopyalayın:
python
klasör.
- Aşağıdaki komutu çalıştırarak ZIP kitaplığını not defteri örneğinize ekleyebilirsiniz.
- Şimdi Lambda katmanına yüklemek üzere ZIP dosyasını oluşturmak için aşağıdaki komutu çalıştırın.
- ZIP dosyasını oluşturduktan sonra dosyayı indirebilirsiniz. Lambda'ya gidin, dosyayı doğrudan yükleyerek veya önce Amazon S3'e yükleyerek yeni bir katman oluşturun.
- Daha sonra bu yeni katmanı orkestrasyon Lambda işlevine ekleyin.
Artık bilgi istemi şablonu dosyalarınız Lambda çalışma zamanı ortamınızda yerel olarak depolanıyor. Bu, bot çalıştırmalarınız sırasında süreci hızlandıracaktır.
Gerekli kitaplıklarla bir Lambda katmanı oluşturun
Gerekli kitaplıklarla Lambda katmanınızı oluşturmak için aşağıdaki adımları tamamlayın:
- Bir açın AWS Bulut9 örnek ortamında, adı verilen bir alt klasöre sahip bir klasör oluşturun.
python
. - İçinde bir terminal açın
python
klasör. - Terminalden aşağıdaki komutları çalıştırın:
- koşmak
cd ..
ve kendinizi aynı zamanda yeni klasörünüzün içinde konumlandırın.python
alt klasör. - Aşağıdaki komutu çalıştırın:
- ZIP dosyasını oluşturduktan sonra dosyayı indirebilirsiniz. Lambda'ya gidin, dosyayı doğrudan yükleyerek veya önce Amazon S3'e yükleyerek yeni bir katman oluşturun.
- Daha sonra bu yeni katmanı orkestrasyon Lambda işlevine ekleyin.
Botu Amazon Lex v2'de oluşturun
Bu kullanım örneği için, herhangi bir arayüzden ses veya metin kullanarak Amazon Bedrock'u çağırmak amacıyla mimari için bir giriş/çıkış arayüzü sağlayabilen bir Amazon Lex botu oluşturuyoruz. LLM, bu sipariş işleme aracısının konuşma parçasını yöneteceği ve Lambda iş akışını düzenleyeceği için, üç amacı olan ve yuvası olmayan bir bot oluşturabilirsiniz.
- Amazon Lex konsolunda bu yöntemle yeni bir bot oluşturun Boş bir bot oluştur.
Artık son kullanıcıların botla konuşmayı başlatması için herhangi bir uygun ilk ifadeyle bir amaç ekleyebilirsiniz. Son kullanıcıların isteklerini yerine getirebilmesi için basit selamlamalar kullanıyoruz ve bir ilk bot yanıtı ekliyoruz. Botu oluştururken amaçlarla bir Lambda kod kancası kullandığınızdan emin olun; bu, müşteri, Amazon Lex ve LLM arasındaki iş akışını düzenleyecek bir Lambda işlevini tetikleyecektir.
- İş akışını tetikleyen ve Amazon Bedrock'u çağırmak ve müşterinin neyi başarmaya çalıştığını belirlemek için amaç doğrulama istemi şablonunu kullanan ilk amacınızı ekleyin. Son kullanıcıların konuşmayı başlatması için birkaç basit ifade ekleyin.
Bot amaçlarının hiçbirinde herhangi bir yuva veya ilk okuma kullanmanıza gerek yoktur. Aslında ikinci veya üçüncü niyetlere ifadeler eklemenize gerek yok. Bunun nedeni LLM'nin Lambda'ya süreç boyunca rehberlik etmesidir.
- Bir onay istemi ekleyin. Bu mesajı daha sonra Lambda işlevinde özelleştirebilirsiniz.
- Altında Kod kancalarıseçin Başlatma ve doğrulama için bir Lambda işlevi kullanın.
- Hiçbir söz söylemeden ve ilk tepkiyi vermeden ikinci bir niyet oluşturun. Bu
PlaceOrder
niyet.
LLM, müşterinin sipariş vermeye çalıştığını tespit ettiğinde Lambda işlevi bu amacı tetikleyecek ve müşteri isteğini menüye göre doğrulayacak ve gerekli hiçbir bilginin eksik olmadığından emin olacaktır. Tüm bunların bilgi istemi şablonlarında olduğunu unutmayın; böylece bilgi istemi şablonlarını değiştirerek bu iş akışını herhangi bir kullanım durumuna uyarlayabilirsiniz.
- Herhangi bir aralık eklemeyin, ancak bir onay istemi ve reddetme yanıtı ekleyin.
- seç Başlatma ve doğrulama için bir Lambda işlevi kullanın.
- Adlı üçüncü bir amaç oluşturun
ProcessOrder
örnek ifadeler ve boşluklar olmadan. - Bir ilk yanıt, bir onay istemi ve bir reddetme yanıtı ekleyin.
LLM müşteri talebini doğruladıktan sonra Lambda işlevi, siparişi işlemek için üçüncü ve son amacı tetikler. Burada Lambda, DynamoDB tablosunu sorgulamak amacıyla sipariş JSON veri yapısını oluşturmak için nesne oluşturucu şablonunu kullanacak ve ardından Amazon Lex'in müşteriye iletebilmesi için siparişin tamamını toplamla birlikte özetlemek üzere sipariş özeti şablonunu kullanacak.
- seç Başlatma ve doğrulama için bir Lambda işlevi kullanın. Bu, müşteri son onayı verdikten sonra siparişi işlemek için herhangi bir Lambda işlevini kullanabilir.
- Üç amacı da oluşturduktan sonra Görsel oluşturucuya gidin.
ValidateIntent
, bir hedef adımı ekleyin ve olumlu onayın çıktısını bu adıma bağlayın. - Hedef amacı ekledikten sonra düzenleyin ve amaç adı olarak PlaceOrder amacını seçin.
- Benzer şekilde, Görsel oluşturucuya gitmek için
PlaceOrder
niyet edin ve olumlu onayın çıktısınıProcessOrder
niyete git. için herhangi bir düzenlemeye gerek yoktur.ProcessOrder
niyet. - Artık Amazon Lex'i düzenleyen ve aşağıdaki bölümde ayrıntılı olarak açıklandığı gibi DynamoDB tablosunu çağıran Lambda işlevini oluşturmanız gerekiyor.
Amazon Lex botunu düzenlemek için bir Lambda işlevi oluşturun
Artık Amazon Lex botunu ve iş akışını düzenleyen Lambda işlevini oluşturabilirsiniz. Aşağıdaki adımları tamamlayın:
- Standart yürütme ilkesiyle bir Lambda işlevi oluşturun ve Lambda'nın sizin için bir rol oluşturmasına izin verin.
- İşlevinizin kod penceresine yardımcı olacak birkaç yardımcı program işlevi ekleyin: şablona lex bağlamını ekleyerek istemleri biçimlendirin, Amazon Bedrock LLM API'sini çağırın, yanıtlardan istenen metni çıkarın ve daha fazlasını yapın. Aşağıdaki koda bakın:
- Daha önce oluşturduğunuz Lambda katmanını bu fonksiyona ekleyin.
- Ayrıca katmanı, oluşturduğunuz bilgi istemi şablonlarına ekleyin.
- Lambda yürütme rolünde, daha önce oluşturulan Amazon Bedrock'a erişim ilkesini ekleyin.
Lambda yürütme rolü aşağıdaki izinlere sahip olmalıdır.
Orkestrasyon Lambda işlevini Amazon Lex botuna ekleyin
- Önceki bölümde işlevi oluşturduktan sonra Amazon Lex konsoluna dönün ve botunuza gidin.
- Altında Diller gezinme bölmesinde öğesini seçin. İngilizce.
- İçin Kaynak, sipariş işleme botunuzu seçin.
- İçin Lambda işlevi sürümü veya takma adı, seçmek $SON.
- Klinik İndirim.
Yardımcı Lambda işlevleri oluşturun
Ek Lambda işlevleri oluşturmak için aşağıdaki adımları tamamlayın:
- Daha önce oluşturduğunuz DynamoDB tablosunu sorgulamak için bir Lambda işlevi oluşturun:
- gidin yapılandırma Lambda işlevindeki sekmeyi seçin ve İzinler.
- Sipariş işleme Lambda işlevinin bu işlevi çağırmasına izin veren kaynak tabanlı bir politika bildirimi ekleyin.
- Bu Lambda işlevi için IAM yürütme rolüne gidin ve DynamoDB tablosuna erişmek için bir politika ekleyin.
- Gerekli tüm özelliklerin müşteriden aktarılıp aktarılmadığını doğrulamak için başka bir Lambda işlevi oluşturun. Aşağıdaki örnekte, bir sipariş için beden özelliğinin yakalanıp yakalanmadığını doğruluyoruz:
- gidin yapılandırma Lambda işlevindeki sekmeyi seçin ve İzinler.
- Sipariş işleme Lambda işlevinin bu işlevi çağırmasına izin veren kaynak tabanlı bir politika bildirimi ekleyin.
Çözümü test edin
Artık çözümü müşterilerin Amazon Lex üzerinden verdikleri örnek siparişlerle test edebiliriz.
İlk örneğimizde müşteri menüde olmayan frappuccino istedi. Model, sipariş doğrulayıcı şablonunun yardımıyla doğrulama yapar ve menüye dayalı olarak bazı öneriler önerir. Müşteri siparişini onayladıktan sonra sipariş toplamı ve sipariş özeti kendisine bildirilir. Sipariş, müşterinin nihai onayına göre işleme alınacaktır.
Bir sonraki örneğimizde, müşteri büyük kapuçino sipariş ediyor ve ardından boyutu büyükten orta boyuta değiştiriyor. Model gerekli tüm değişiklikleri yakalar ve müşteriden siparişi onaylamasını ister. Model, sipariş toplamını ve sipariş özetini sunar ve siparişi müşterinin nihai onayına göre işler.
Son örneğimiz için, müşteri birden fazla ürün için sipariş verdi ve birkaç ürünün bedeni eksik. Model ve Lambda işlevi, siparişi işlemek için gerekli tüm özelliklerin mevcut olup olmadığını doğrulayacak ve ardından müşteriden eksik bilgileri sağlamasını isteyecektir. Müşteri eksik bilgileri (bu durumda kahvenin boyutu) sağladıktan sonra kendisine sipariş toplamı ve sipariş özeti gösterilir. Sipariş, müşterinin nihai onayına göre işleme alınacaktır.
Yüksek Lisans sınırlamaları
LLM çıktıları doğası gereği stokastiktir; bu, LLM'mizden elde edilen sonuçların formatta ve hatta gerçek dışı içerik (halüsinasyonlar) biçiminde farklılık gösterebileceği anlamına gelir. Bu nedenle, geliştiricilerin bu senaryoları ele almak ve son kullanıcı deneyiminin kötüleşmesini önlemek için kodlarının tamamında iyi bir hata işleme mantığına güvenmeleri gerekir.
Temizlemek
Artık bu çözüme ihtiyacınız yoksa aşağıdaki kaynakları silebilirsiniz:
- Lambda işlevleri
- Amazon Lex kutusu
- DynamoDB tablosu
- S3 kepçe
Ayrıca, uygulamaya artık ihtiyaç duyulmuyorsa SageMaker Studio örneğini kapatın.
Maliyet değerlendirmesi
Bu çözüm tarafından kullanılan ana hizmetlerin fiyatlandırma bilgileri için aşağıdakilere bakın:
Claude v2'yi temel hazırlık gerekmeden kullanabileceğinizi, dolayısıyla genel maliyetlerin minimumda kalacağını unutmayın. Maliyetleri daha da azaltmak için DynamoDB tablosunu isteğe bağlı ayarla yapılandırabilirsiniz.
Sonuç
Bu gönderi, Amazon Lex, Amazon Bedrock ve diğer AWS hizmetlerini kullanarak konuşma özellikli bir AI sipariş işleme aracısının nasıl oluşturulacağını gösterdi. Claude gibi güçlü bir üretken yapay zeka modeliyle hızlı mühendisliğin, kapsamlı eğitim verilerine ihtiyaç duymadan sipariş işleme için güçlü doğal dil anlayışını ve konuşma akışlarını nasıl mümkün kılabileceğini gösterdik.
Çözüm mimarisi, esnek ve ölçeklenebilir bir uygulamaya olanak sağlamak için Lambda, Amazon S3 ve DynamoDB gibi sunucusuz bileşenleri kullanıyor. Bilgi istemi şablonlarını Amazon S3'te saklamak, çözümü farklı kullanım örneklerine göre özelleştirmenize olanak tanır.
Sonraki adımlar, daha geniş bir yelpazedeki müşteri taleplerini ve uç durumları ele alacak şekilde aracının yeteneklerinin genişletilmesini içerebilir. Bilgi istemi şablonları, aracının becerilerini yinelemeli olarak geliştirmenin bir yolunu sağlar. Ek özelleştirmeler, sipariş verilerinin envanter, CRM veya POS gibi arka uç sistemlerle entegre edilmesini içerebilir. Son olarak, Amazon Lex'in çok kanallı yetenekleri kullanılarak aracı, mobil uygulamalar, arabaya servis, kiosklar ve daha fazlası gibi çeşitli müşteri temas noktalarında kullanıma sunulabilir.
Daha fazla bilgi edinmek için aşağıdaki ilgili kaynaklara bakın:
- Çok kanallı botları dağıtma ve yönetme:
- Claude ve diğer modeller için hızlı mühendislik:
- Ölçeklenebilir yapay zeka asistanları için sunucusuz mimari modeller:
Yazarlar Hakkında
Mümita Dutta Amazon Web Services'te İş Ortağı Çözüm Mimarıdır. Görevi gereği, bulut dağıtımlarını kolaylaştıran ve operasyonel verimliliği artıran ölçeklenebilir ve yeniden kullanılabilir varlıklar geliştirmek için iş ortaklarıyla yakın işbirliği içinde çalışıyor. AI/ML topluluğunun bir üyesi ve AWS'de Üretken Yapay Zeka uzmanıdır. Boş zamanlarında bahçe işleri yapmaktan ve bisiklete binmekten hoşlanıyor.
Fernando Lammoglia Amazon Web Services'te İş Ortağı Çözüm Mimarıdır ve iş birimleri genelinde son teknoloji yapay zeka çözümlerinin geliştirilmesine ve benimsenmesine öncülük etmek için AWS iş ortaklarıyla yakın işbirliği içinde çalışmaktadır. Bulut mimarisi, üretken yapay zeka, makine öğrenimi ve veri analitiği konularında uzmanlığa sahip stratejik bir lider. Pazara çıkış stratejilerini uygulama ve kurumsal hedeflerle uyumlu etkili yapay zeka çözümleri sunma konusunda uzmandır. Boş zamanlarında ailesiyle vakit geçirmeyi ve başka ülkelere seyahat etmeyi seviyor.
Mitul Patel Amazon Web Services'te Kıdemli Çözüm Mimarıdır. Bulut teknolojisi sağlayıcısı rolünde, müşterilerin hedeflerini ve zorluklarını anlamak için onlarla birlikte çalışıyor ve AWS teklifleriyle hedeflerine ulaşmaları için kuralcı rehberlik sağlıyor. Kendisi AI/ML topluluğunun bir üyesi ve AWS'de Üretken Yapay Zeka elçisidir. Boş zamanlarında yürüyüş yapmaktan ve futbol oynamaktan hoşlanıyor.
- 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/transform-one-on-one-customer-interactions-build-speech-capable-order-processing-agents-with-aws-and-generative-ai/
- :vardır
- :dır-dir
- :olumsuzluk
- :Neresi
- $3
- $UP
- 1
- 10
- 100
- 11
- 12
- 13
- %15
- 173
- 200
- 24
- 250
- 28
- 29
- 31
- 320
- 385
- 40
- 400
- 500
- 7
- 75
- 8
- 9
- 900
- a
- yukarıdaki
- hızlandırılmış
- Kabul et
- erişim
- erişme
- başarmak
- Göre
- Hesap
- Başarmak
- karşısında
- Action
- aktif
- uyarlamak
- eklemek
- katma
- ekleme
- ilave
- Ek
- Ayrıca
- bağlı
- ayarlamak
- Benimseme
- gelişmeler
- Advent
- Sonra
- tekrar
- karşı
- Danışman
- ajanları
- AI
- AI / ML
- hizalı
- Türkiye
- izin vermek
- Izin
- veriyor
- boyunca
- Ayrıca
- her zaman
- am
- Amazon
- Amazon Lex'i
- Amazon RDS'si
- Amazon Web Servisleri
- büyükelçi
- an
- analytics
- ve
- Başka
- Antropik
- herhangi
- api
- Uygulama
- uygulamaları
- Tamam
- yaklaşım
- uygun
- uygun olarak
- uygulamalar
- mimari
- mimari
- ARE
- AS
- sormak
- Varlıklar
- Yardım
- Asistan
- yardımcıları
- yardım
- ilişkili
- varsayar
- At
- iliştirmek
- maiyet
- öznitelikleri
- Otomatik
- kullanılabilirliği
- mevcut
- önlemek
- AWS
- Arka
- Backend
- merkezli
- BE
- Çünkü
- olmuştur
- başlamak
- arasında
- vücut
- Bot
- her ikisi de
- botlar
- geniş
- inşa etmek
- oluşturucu
- iş
- işletmeler
- fakat
- by
- hesaplamak
- çağrı
- denilen
- çağrı
- aramalar
- CAN
- yetenekleri
- Yakalanan
- yakalar
- dava
- durumlarda
- kategoriler
- hücre
- zorluklar
- zor
- değişiklik
- değişiklikler
- değiştirme
- karakterler
- Kontrol
- seçim
- Klinik
- müşteri
- Kapanış
- yakından
- bulut
- BULUT TEKNOLOJİSİ
- kod
- Kahve
- Ortak çalışma yapan
- toplamak
- tebliğ
- topluluk
- Şirketler
- rekabet
- tamamlamak
- Tamamlandı
- tamamladıktan
- tamamlama
- bileşenler
- kavramlar
- Onaylamak
- onay
- ONAYLANDI
- Sosyal medya
- bağ
- oluşur
- konsolos
- içerik
- bağlam
- devam ediyor
- kolaylık
- konuşma
- dönüştürmek
- doğru
- maliyetler
- olabilir
- ülkeler
- Çift
- yaratmak
- çevrimiçi kurslar düzenliyorlar.
- oluşturur
- Oluşturma
- oluşturma
- yaratıcı
- CRM
- akım
- görenek
- müşteri
- Müşteriler
- özelleştirmek
- keskin kenar
- veri
- Veri Analizi
- Veri yapısı
- veritabanı
- Reddet
- derinden
- Varsayılan
- tanımlamak
- teslim etmek
- teslim
- Talep
- talepleri
- gösterdi
- inkar
- bağlı
- bağlıdır
- dağıtımları
- tasarlanmış
- İstediğiniz
- Rağmen
- detaylı
- dev
- geliştirmek
- gelişmiş
- geliştiriciler
- gelişme
- diyagram
- DID
- farklı
- direkt olarak
- sevk
- do
- yok
- domain
- don
- yapılmış
- Dont
- aşağı
- indir
- sırasında
- e
- her
- Daha erken
- kolayca
- kenar
- Efekt
- verim
- verimli
- verimli biçimde
- çaba
- başka
- etkinleştirmek
- enabler
- Son nokta
- Mühendislik
- artırmak
- Keşfet
- çevre
- hata
- Hatalar
- Hatta
- Etkinlikler
- örnek
- örnekler
- Dışında
- istisna
- yürütme
- infaz
- mevcut
- Çıkma
- genişleyen
- deneyim
- uzman
- Uzmanlık
- kapsamlı, geniş
- çıkarmak
- Yüz
- gerçek
- Düşmek
- Aşinalık
- aile
- az
- fileto
- dosyalar
- son
- Sonuçlandırmak
- bulmak
- Ad
- Esneklik
- esnek
- Akışları
- takip etme
- İçin
- Airdrop Formu
- biçim
- iyi ki
- bulundu
- vakıf
- temel
- Ücretsiz
- itibaren
- tamamen
- işlev
- fonksiyonlar
- daha fazla
- genel
- oluşturmak
- üretken
- üretken yapay zeka
- almak
- Vermek
- verilmiş
- Go
- Markete gitmek
- Goller
- Tercih Etmenizin
- var
- büyük
- harika
- selamlama
- Selamlar
- rehberlik
- rehberlik
- sap
- kullanma
- Var
- sahip olan
- he
- duymak
- ağır şekilde
- yardım et
- onu
- okuyun
- hi
- yüksek performans
- onun
- Bal
- SAAT
- Ne kadar
- Nasıl Yapılır
- Ancak
- HTML
- http
- HTTPS
- insan
- i
- ID
- tanımlar
- belirlemek
- belirlenmesi
- if
- göstermektedir
- etkili
- uygulama
- uygulanması
- ithalat
- ithal
- iyileştirmek
- in
- dahil
- Dahil olmak üzere
- Gelen
- artan
- indeks
- bilgi
- yerleşmiş
- ilk
- giriş
- girişler
- içeride
- kurmak
- örnek
- yerine
- talimatlar
- Bütünleştirme
- niyet
- etkileşimleri
- arayüzey
- içine
- Tanıtımlar
- envanter
- dahil
- IT
- ürün
- jpg
- json
- sadece
- tutmak
- anahtar
- kiosklar
- Bilmek
- Labs
- Eksiklik
- manzara
- dil
- büyük
- Soyad
- son olarak
- sonra
- tabaka
- lider
- önemli
- ÖĞRENİN
- öğrenme
- limonata
- izin
- Lets
- kütüphaneler
- Kütüphane
- sevmek
- sınırlamaları
- Liste
- Yüksek Lisans
- yük
- lokal olarak
- günlüğü
- mantık
- uzun
- GÖRÜNÜYOR
- seviyor
- makine
- makine öğrenme
- yapılmış
- Ana
- yapmak
- yönetilen
- yönetim
- yönetme
- Manuel
- çok
- işaretlenmiş
- Piyasalar
- me
- anlamına geliyor
- orta
- üye
- Menü
- mesaj
- mesajları
- Meta
- yöntem
- olabilir
- Süt
- asgari
- cevapsız
- eksik
- Telefon
- mobil uygulamalar
- model
- modelleri
- değiştirilmiş
- değiştirmek
- an
- Daha
- çoklu
- my
- isim
- adlı
- Doğal (Madenden)
- Tabiat
- Gezin
- Navigasyon
- gerekli
- gerek
- gerekli
- ihtiyaçlar
- yeni
- sonraki
- yok hayır
- Hayır
- defter
- şimdi
- nesne
- nesnel
- oluştu
- of
- teklifleri
- Teklifler
- sık sık
- tamam
- on
- On-Demand
- ONE
- bir tek
- açık
- faaliyet
- işletme
- seçenek
- Opsiyonlar
- or
- orkestrasyon
- orkestrasyon
- sipariş
- emir
- örgütsel
- organizasyonlar
- Diğer
- bizim
- çıktı
- çıkışlar
- tüm
- bölmesi
- parametreler
- Bölüm
- Partner
- ortaklar
- geçmek
- geçti
- geçer
- yol
- desen
- ödeme
- yüzde
- gerçekleştirir
- belki
- izinleri
- parça
- yer
- Yerler
- yerleştirme
- Platon
- Plato Veri Zekası
- PlatoVeri
- oynama
- Lütfen
- noktaları
- politika
- POS
- pozlar
- pozisyon
- pozitif
- mümkün
- Çivi
- potansiyel
- güçlü
- uygulama
- ön
- Hazırlamak
- hazırlar
- hazırlanması
- mevcut
- hediyeler
- önceki
- fiyat
- fiyatlandırma
- gizlilik
- devam etmek
- süreç
- İşlenmiş
- Süreçler
- işleme
- Profil
- istemleri
- olasılık
- sağlamak
- sağlanan
- sağlayan
- sağlar
- hüküm
- Çekiyor
- koymak
- Python
- sorgu
- hızla
- R
- yükseltmek
- menzil
- Çiğ
- RE
- Okumak
- Okuma
- hazır
- tavsiye etmek
- tavsiyeler
- azaltmak
- başvurmak
- bölge
- düzenli
- ilgili
- güvenmek
- kalmak
- kalıntılar
- hatırlamak
- kaldırma
- değiştirme
- talep
- isteklerinizi
- gereklidir
- kaynak
- Kaynaklar
- Yanıtlamak
- yanıt
- yanıtları
- sorumlu
- sonuç
- Sonuçlar
- dönüş
- İade
- yeniden kullanılabilir
- sert
- gürbüz
- Rol
- Rota
- SIRA
- koşmak
- koşu
- ishal
- runtime
- s
- sagemaker
- aynı
- örnek
- İndirim
- kaydedilmiş
- söylemek
- ölçeklenebilir
- ölçek
- senaryo
- senaryolar
- ekran
- sdk
- İkinci
- Gizli
- Bölüm
- güvenlik
- görmek
- seçmek
- kıdemli
- Serverless
- hizmet
- Hizmetler
- Oturum
- set
- ayar
- ayarlar
- kurulum
- birkaç
- o
- Kabuk
- dükkanlar
- meli
- şov
- gösterdi
- gösterilen
- Gösteriler
- kapamak
- kapatmak
- Basit
- tek
- beden
- becerileri
- yarık
- yuvaları
- küçük
- pasajı
- So
- Futbol
- yalnızca
- çözüm
- Çözümler
- biraz
- Birisi
- bir şey
- konuşmak
- öncülük
- özel
- uzmanlaşmış
- özel
- hız
- geçirmek
- istikrar
- standart
- başlama
- XNUMX dakika içinde!
- Eyalet
- Açıklama
- adım
- Basamaklar
- saklı
- depolamak
- Stratejik
- stratejileri
- kolaylaştırmak
- yapı
- mücadeleler
- stüdyo
- önemli
- Başarılı olarak
- böyle
- şeker
- önermek
- Önerdi
- özetlemek
- ÖZET
- destekli
- elbette
- hızla
- sistem
- Sistemler
- tablo
- TAG
- alır
- Görev
- görevleri
- tat
- teknolojik
- Teknoloji
- şablon
- şablonları
- terminal
- test
- metin
- Teşekkür
- o
- The
- Bilgi
- ve bazı Asya
- Onları
- sonra
- Orada.
- bu nedenle
- Bunlar
- onlar
- şey
- Üçüncü
- Re-Tweet
- üç
- İçinden
- boyunca
- zaman
- zaman çizelgesi
- için
- bugün
- bugünkü
- araçlar
- Toplam
- geleneksel
- Eğitim
- Dönüştürmek
- seyahat
- tetikleyebilir
- sorun
- denemek
- çalışıyor
- iki
- tip
- anlamak
- anlayış
- birimleri
- Yükleme
- kullanım
- kullanım durumu
- Kullanılmış
- kullanıcı
- kullanım
- kullanma
- yarar
- Kullanılması
- geçerli
- DOĞRULA
- valide
- onaylama
- Doğrulayıcı
- değer
- Değerler
- değişken
- çeşitli
- farklılık göstermek
- doğrulamak
- versiyon
- çok
- üzerinden
- görsel
- ses
- istemek
- istiyor
- oldu
- Yol..
- we
- ağ
- web hizmetleri
- İYİ
- vardı
- Ne
- ne zaman
- hangi
- süre
- bütün
- Daha geniş
- irade
- pencere
- ile
- içinde
- olmadan
- iş akışı
- çalışma
- çalışır
- olur
- yazmak
- XML
- Evet
- Sen
- kendiniz
- zefirnet
- zip