У мінливому ландшафті виробництва очевидна трансформаційна сила ШІ та машинного навчання (ML), що сприяє цифровій революції, яка спрощує операції та підвищує продуктивність. Однак цей прогрес створює унікальні проблеми для підприємств, які використовують рішення на основі даних. Промислові підприємства стикаються з величезними обсягами неструктурованих даних, отриманих із датчиків, систем телеметрії та обладнання, розосередженого по виробничих лініях. Дані в режимі реального часу мають вирішальне значення для таких програм, як прогнозне технічне обслуговування та виявлення аномалій, але розробка користувацьких моделей ML для кожного випадку промислового використання з такими даними часових рядів вимагає значного часу та ресурсів від спеціалістів із обробки даних, що перешкоджає широкому впровадженню.
Генеративний ШІ використання великих попередньо навчених моделей основи (FM), таких як Клод може швидко генерувати різноманітний вміст від розмовного тексту до комп’ютерного коду на основі простих текстових підказок, відомих як підказка нульового пострілу. Це позбавляє науковців від необхідності вручну розробляти конкретні моделі ML для кожного випадку використання, а отже, демократизує доступ ШІ, що приносить користь навіть невеликим виробникам. Працівники підвищують продуктивність за допомогою інформації, створеної штучним інтелектом, інженери можуть завчасно виявляти аномалії, менеджери ланцюгів постачання оптимізують запаси, а керівництво підприємства приймає обґрунтовані рішення на основі даних.
Тим не менш, автономні FM стикаються з обмеженнями в обробці складних промислових даних з обмеженнями розміру контексту (зазвичай менше 200,000 XNUMX токенів), що створює проблеми. Щоб вирішити цю проблему, ви можете використовувати здатність FM генерувати код у відповідь на запити природної мови (NLQ). Агентам подобається PandasAI вступають у гру, запускаючи цей код на даних часових рядів високої роздільної здатності та обробляючи помилки за допомогою FM. PandasAI — це бібліотека Python, яка додає генеративні можливості штучного інтелекту до pandas, популярного інструменту аналізу та обробки даних.
Однак складні NLQ, такі як обробка даних часових рядів, багаторівневе агрегування та операції зі зведеною або об’єднаною таблицею, можуть призвести до непослідовної точності сценарію Python із запитом нульового удару.
Для підвищення точності генерації коду ми пропонуємо динамічне конструювання багаторазові підказки для NLQ. Багаторазові підказки надають додатковий контекст для FM, показуючи кілька прикладів бажаних результатів для подібних підказок, підвищуючи точність і послідовність. У цьому дописі багаторазові підказки отримані з вбудовування, що містить успішний код Python, запущений на подібному типі даних (наприклад, дані часових рядів високої роздільної здатності з пристроїв Інтернету речей). Динамічно побудована підказка з кількома кадрами забезпечує найбільш релевантний контекст для FM і покращує можливості FM у складних математичних обчисленнях, обробці даних часових рядів і розумінні акронімів даних. Це покращене реагування полегшує корпоративним працівникам і оперативним групам роботу з даними, отримуючи розуміння, не вимагаючи розширених навичок у галузі обробки даних.
Крім аналізу даних часових рядів, FM виявляються цінними в різних промислових застосуваннях. Групи технічного обслуговування оцінюють стан активів, знімають для них зображення Amazon Rekognitionна основі функціональних зведень та аналізу першопричин аномалії за допомогою інтелектуального пошуку з Доповнена генерація пошуку (КРАГ). Щоб спростити ці робочі процеси, AWS представила Amazon Bedrock, що дозволяє створювати та масштабувати генеративні додатки ШІ за допомогою найсучасніших попередньо навчених FM, як-от Клод v2. З Бази знань для Amazon Bedrock, ви можете спростити процес розробки RAG, щоб забезпечити більш точний аналіз першопричини аномалії для працівників підприємства. Наша публікація демонструє інтелектуальний помічник для випадків промислового використання на базі Amazon Bedrock, який вирішує проблеми NLQ, генерує підсумки деталей із зображень і покращує відповіді FM для діагностики обладнання за допомогою підходу RAG.
Огляд рішення
Наступна діаграма ілюструє архітектуру рішення.
Робочий процес включає три різні варіанти використання:
Варіант використання 1: NLQ з даними часових рядів
Робочий процес для NLQ із даними часових рядів складається з таких кроків:
- Ми використовуємо систему моніторингу стану з можливостями ML для виявлення аномалій, таких як Амазон Монітрон, для контролю справності промислового обладнання. Amazon Monitron може виявляти потенційні збої обладнання за допомогою вимірювань вібрації та температури обладнання.
- Ми збираємо дані часових рядів шляхом обробки Амазон Монітрон дані через Потоки даних Amazon Kinesis та Amazon Data Firehose, конвертуючи його в табличний формат CSV і зберігаючи в Служба простого зберігання Amazon (Amazon S3) відро.
- Кінцевий користувач може почати спілкування зі своїми даними часових рядів в Amazon S3, надіславши запит природною мовою до програми Streamlit.
- Додаток Streamlit пересилає запити користувачів до Модель вставлення тексту Amazon Bedrock Titan щоб вбудувати цей запит, і виконує пошук подібності в межах Служба Amazon OpenSearch індекс, який містить попередні NLQ і приклади кодів.
- Після пошуку подібності найкращі схожі приклади, включаючи питання NLQ, схему даних і коди Python, вставляються в настроюваний запит.
- PandasAI надсилає цю спеціальну підказку до моделі Amazon Bedrock Claude v2.
- Додаток використовує агент PandasAI для взаємодії з моделлю Amazon Bedrock Claude v2, генеруючи код Python для аналізу даних Amazon Monitron і відповідей NLQ.
- Після того, як модель Amazon Bedrock Claude v2 повертає код Python, PandasAI запускає запит Python до даних Amazon Monitron, завантажених із програми, збираючи вихідні дані коду та розглядаючи всі необхідні повторні спроби для невдалих запусків.
- Додаток Streamlit збирає відповідь через PandasAI і надає результати користувачам. Якщо результат задовільний, користувач може позначити його як корисний, зберігаючи код Python, створений Клодом, у OpenSearch Service.
Варіант використання 2: підсумкова генерація несправних частин
Наш сценарій використання підсумкової генерації складається з таких кроків:
- Після того, як користувач дізнається, який промисловий актив демонструє аномальну поведінку, він може завантажити зображення несправної частини, щоб визначити, чи є щось фізично неправильне з цією частиною відповідно до її технічних характеристик і робочих умов.
- Користувач може використовувати Amazon Recognition DetectText API щоб отримати текстові дані з цих зображень.
- Витягнуті текстові дані включаються в підказку для моделі Amazon Bedrock Claude v2, що дозволяє моделі генерувати підсумок із 200 слів про несправну частину. Користувач може використовувати цю інформацію для подальшого огляду деталі.
Варіант використання 3: діагностика першопричини
Наш варіант використання діагностики першопричини складається з таких кроків:
- Користувач отримує корпоративні дані в різних форматах документів (PDF, TXT і так далі), пов’язані з несправними активами, і завантажує їх у сегмент S3.
- База знань із цих файлів створюється в Amazon Bedrock за допомогою моделі текстових вставок Titan і векторного сховища OpenSearch Service за замовчуванням.
- Користувач задає питання щодо діагностики першопричини несправності обладнання. Відповіді генеруються через базу знань Amazon Bedrock із підходом RAG.
Передумови
Щоб опублікувати цю публікацію, ви повинні відповідати таким умовам:
Розгорніть інфраструктуру рішення
Щоб налаштувати ресурси рішення, виконайте такі дії:
- Розгорніть AWS CloudFormation шаблон opensearchsagemaker.yml, який створює колекцію та індекс OpenSearch Service, Amazon SageMaker екземпляр ноутбука та відро S3. Цей стек AWS CloudFormation можна назвати так:
genai-sagemaker
. - Відкрийте екземпляр блокнота SageMaker у JupyterLab. Ви знайдете наступне GitHub репо вже завантажено на цьому екземплярі: розкриття-потенціалу-generative-ai-in-industrial-operations.
- Запустіть блокнот із такого каталогу в цьому сховищі: розкриття-потенціалу-generative-ai-in-industrial-operations/SagemakerNotebook/nlq-vector-rag-embedding.ipynb. Цей блокнот завантажуватиме індекс OpenSearch Service за допомогою блокнота SageMaker для зберігання пар ключ-значення з існуючі 23 приклади NLQ.
- Завантажте документи з папки даних assetpartdoc у сховищі GitHub до сегмента S3, указаного в результатах стеку CloudFormation.
Далі ви створюєте базу знань для документів в Amazon S3.
- Виберіть на консолі Amazon Bedrock База знань у навігаційній панелі.
- Вибирати Створити базу знань.
- для Назва бази знань, введіть ім'я.
- для Роль часу виконаннявиберіть Створіть і використовуйте нову роль служби.
- для Назва джерела даних, введіть назву джерела даних.
- для S3 URI, введіть шлях S3 сегмента, куди ви завантажили документи першопричини.
- Вибирати МАЙБУТНІ.
Модель вбудовування Titan вибирається автоматично. - Select Швидке створення нового векторного магазину.
- Перегляньте свої налаштування та створіть базу знань, вибравши Створити базу знань.
- Після успішного створення бази знань виберіть Синхронізація для синхронізації сегмента S3 із базою знань.
- Після того, як ви налаштуєте базу знань, ви можете перевірити підхід RAG для діагностики першопричини, поставивши запитання на зразок «Мій привод працює повільно, у чому може бути проблема?»
Наступним кроком є розгортання програми з необхідними бібліотечними пакетами на вашому ПК або екземплярі EC2 (Ubuntu Server 22.04 LTS).
- Налаштуйте свої облікові дані AWS за допомогою AWS CLI на локальному ПК. Для простоти ви можете використовувати ту саму роль адміністратора, яку використовували для розгортання стека CloudFormation. Якщо ви використовуєте Amazon EC2, приєднати відповідну роль IAM до примірника.
- Клон GitHub репо:
- Змініть каталог на
unlocking-the-potential-of-generative-ai-in-industrial-operations/src
і запустітьsetup.sh
сценарій у цій папці для встановлення необхідних пакетів, включаючи LangChain і PandasAI:cd unlocking-the-potential-of-generative-ai-in-industrial-operations/src chmod +x ./setup.sh ./setup.sh
- Запустіть програму Streamlit за допомогою такої команди:
source monitron-genai/bin/activate python3 -m streamlit run app_bedrock.py <REPLACE WITH YOUR BEDROCK KNOWLEDGEBASE ARN>
Надайте колекцію OpenSearch Service ARN, яку ви створили в Amazon Bedrock на попередньому кроці.
Поспілкуйтеся зі своїм помічником зі здоров’я активів
Після завершення наскрізного розгортання ви зможете отримати доступ до програми через локальний хост через порт 8501, який відкриває вікно браузера з веб-інтерфейсом. Якщо ви розгорнули програму на примірнику EC2, дозволити доступ до порту 8501 через вхідне правило групи безпеки. Ви можете переходити до різних вкладок для різних випадків використання.
Дослідіть варіант використання 1
Щоб дослідити перший варіант використання, виберіть Data Insight і діаграма. Почніть із завантаження даних часових рядів. Якщо у вас немає існуючого файлу даних часових рядів для використання, ви можете завантажити наступне зразок файлу CSV з анонімними даними проекту Amazon Monitron. Якщо у вас уже є проект Amazon Monitron, зверніться до Створюйте корисну інформацію для прогнозованого керування обслуговуванням за допомогою Amazon Monitron і Amazon Kinesis для потокової передачі ваших даних Amazon Monitron на Amazon S3 і використання ваших даних із цією програмою.
Коли завантаження завершиться, введіть запит, щоб розпочати розмову з вашими даними. На лівій бічній панелі пропонується низка прикладів запитань для вашої зручності. Наступні знімки екрана ілюструють відповідь і код Python, згенерований FM під час введення такого запитання, як «Скажіть мені унікальну кількість датчиків для кожного сайту, що відображається як попередження чи тривога відповідно?» (запитання складного рівня) або «Чи можете ви розрахувати тривалість часу в днях для кожного датчика, який показує сигнал ненормальної вібрації?» (запитання рівня виклику). Додаток відповість на ваше запитання, а також покаже сценарій Python аналізу даних, який він виконав для отримання таких результатів.
Якщо ви задоволені відповіддю, ви можете позначити її як Корисний, зберігаючи код Python, створений NLQ і Claude, до індексу OpenSearch Service.
Дослідіть варіант використання 2
Щоб дослідити другий варіант використання, виберіть Підсумок зробленого зображення у програмі Streamlit. Ви можете завантажити зображення свого промислового активу, і програма створить короткий виклад у 200 слів із його технічними характеристиками та умовами експлуатації на основі інформації про зображення. На наступному знімку екрана показано зведення, створене із зображення ремінного приводу двигуна. Щоб перевірити цю функцію, якщо у вас немає відповідного зображення, ви можете скористатися наступним приклад зображення.
Етикетка двигуна гідравлічного ліфта” Кларенса Рішера ліцензовано за CC BY-SA 2.0.
Дослідіть варіант використання 3
Щоб дослідити третій варіант використання, виберіть Діагностика першопричини вкладка. Введіть запит, пов’язаний із вашим зламаним промисловим активом, наприклад: «Мій привід рухається повільно, у чому може бути проблема?» Як показано на наступному знімку екрана, програма надає відповідь із уривком вихідного документа, який використовується для створення відповіді.
Варіант використання 1: деталі дизайну
У цьому розділі ми обговорюємо деталі дизайну робочого процесу програми для першого випадку використання.
Оперативна будівля на замовлення
Запит користувача на природній мові має різні рівні складності: легкий, складний і складний.
Прості запитання можуть включати такі запити:
- Виберіть унікальні значення
- Порахуйте загальні числа
- Сортування значень
Для відповіді на ці запитання PandasAI може безпосередньо взаємодіяти з FM, щоб створити сценарії Python для обробки.
Складні запитання вимагають базової операції агрегування або аналізу часових рядів, як-от:
- Спочатку виберіть значення та згрупуйте результати ієрархічно
- Виконати статистику після початкового вибору запису
- Кількість часових позначок (наприклад, мін. і макс.)
Для складних питань шаблон підказки з докладними покроковими інструкціями допоможе FM-ам надати точні відповіді.
Питання рівня виклику потребують розширених математичних розрахунків і обробки часових рядів, як-от:
- Розрахувати тривалість аномалії для кожного датчика
- Розраховуйте датчики аномалій для сайту щомісяця
- Порівняйте показання датчика за нормальної роботи та за ненормальних умов
Щоб підвищити точність відповіді на ці запитання, ви можете використовувати кілька кадрів у спеціальному запиті. Такі мультикадри демонструють приклади розширеної обробки часових рядів і математичних обчислень, а також нададуть контекст для FM для виконання відповідних висновків на подібному аналізі. Динамічне вставлення найбільш релевантних прикладів із банку запитань NLQ у підказку може бути проблемою. Одне з рішень полягає в тому, щоб створювати вбудовування з існуючих зразків питань NLQ і зберігати ці вбудовування у векторному сховищі, як-от OpenSearch Service. Коли запитання надсилається до програми Streamlit, воно векторизується за допомогою BedrockEmbeddings. Перші N найрелевантніших вкладень для цього запитання витягуються за допомогою opensearch_vector_search.similarity_search і вставляється в шаблон підказки як багаторазова підказка.
Наступна діаграма ілюструє цей робочий процес.
Вбудований шар створюється за допомогою трьох ключових інструментів:
- Модель вбудовування – Ми використовуємо вбудовування Amazon Titan, доступні через Amazon Bedrock (amazon.titan-embed-text-v1) для створення числових представлень текстових документів.
- Векторний магазин – Для нашого векторного сховища ми використовуємо OpenSearch Service через структуру LangChain, оптимізуючи зберігання вбудованих даних, згенерованих із прикладів NLQ у цьому блокноті.
- індекс – Індекс OpenSearch Service відіграє ключову роль у порівнянні вбудованих вхідних даних із вбудованими документами та полегшує пошук відповідних документів. Оскільки приклади кодів Python були збережені як файл JSON, їх було проіндексовано в OpenSearch Service як вектори за допомогою OpenSearchVevtorSearch.fromtexts Виклик API.
Безперервний збір прикладів, перевірених людьми, через Streamlit
На початку розробки програми ми почали лише з 23 збережених прикладів в індексі OpenSearch Service як вбудованих. Коли додаток запускається в польовому режимі, користувачі починають вводити свої NLQ через додаток. Однак через обмежену кількість прикладів, доступних у шаблоні, деякі NLQ можуть не знайти подібні підказки. Щоб постійно збагачувати ці вбудовування та пропонувати більш відповідні підказки користувачам, ви можете використовувати додаток Streamlit для збору перевірених людьми прикладів.
У програмі для цієї мети служить наступна функція. Коли кінцеві користувачі вважають результат корисним і вибирають Корисний, програма виконує такі дії:
- Використовуйте метод зворотного виклику від PandasAI, щоб зібрати сценарій Python.
- Переформатуйте сценарій Python, питання введення та метадані CSV у рядок.
- Перевірте, чи цей приклад NLQ уже існує в поточному індексі OpenSearch Service за допомогою opensearch_vector_search.similarity_search_with_score.
- Якщо подібного прикладу немає, цей NLQ додається до індексу OpenSearch Service за допомогою opensearch_vector_search.add_texts.
У випадку, якщо користувач вибере Не корисно, жодних дій не вжито. Цей ітеративний процес гарантує постійне вдосконалення системи шляхом включення прикладів, наданих користувачами.
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
Завдяки впровадженню людського аудиту кількість прикладів у службі OpenSearch, доступних для швидкого вбудовування, зростає в міру використання програми. Цей розширений набір даних для вбудовування забезпечує підвищення точності пошуку з часом. Зокрема, для складних NLQ точність відповіді FM досягає приблизно 90% при динамічному вставлянні подібних прикладів для створення користувальницьких підказок для кожного питання NLQ. Це значне збільшення на 28% порівняно зі сценаріями без підказок кількох кадрів.
Варіант використання 2: деталі дизайну
У додатку Streamlit Підсумок зробленого зображення ви можете безпосередньо завантажити файл зображення. Це ініціює Amazon Rekognition API (виявити_текст API), вилучення тексту з ярлика зображення з докладними характеристиками машини. Згодом витягнуті текстові дані надсилаються в модель Amazon Bedrock Claude як контекст підказки, у результаті чого виходить підсумок із 200 слів.
З точки зору взаємодії з користувачем, увімкнення функції потокового передавання для завдання підсумовування тексту має першочергове значення, дозволяючи користувачам читати згенероване FM резюме невеликими фрагментами, а не чекати повного результату. Amazon Bedrock полегшує потокове передавання через свій API (bedrock_runtime.invoke_model_with_response_stream).
Варіант використання 3: деталі дизайну
У цьому сценарії ми розробили програму чат-бота, зосереджену на аналізі першопричини, використовуючи підхід RAG. Цей чат-бот використовує численні документи, пов’язані з підшипниковим обладнанням, щоб полегшити аналіз першопричини. Цей чат-бот для аналізу першопричин на основі RAG використовує бази знань для створення векторних представлень тексту або вбудовування. Бази знань для Amazon Bedrock — це повністю керована функція, яка допомагає реалізувати весь робочий процес RAG, від прийому до отримання та швидкого розширення, без необхідності створювати користувацькі інтеграції з джерелами даних або керувати потоками даних і деталями впровадження RAG.
Коли ви будете задоволені відповіддю бази знань від Amazon Bedrock, ви можете інтегрувати відповідь на першопричину з бази знань у програму Streamlit.
Прибирати
Щоб заощадити кошти, видаліть ресурси, які ви створили в цій публікації:
- Видалити базу знань з Amazon Bedrock.
- Видалити індекс OpenSearch Service.
- Видаліть стек CloudFormation genai-sagemaker.
- Зупиніть екземпляр EC2, якщо ви використовували екземпляр EC2 для запуску програми Streamlit.
Висновок
Генеративні програми штучного інтелекту вже трансформували різні бізнес-процеси, підвищивши продуктивність працівників і рівень навичок. Однак обмеження ФМ у обробці аналізу даних часових рядів перешкоджають їх повному використанню промисловими клієнтами. Це обмеження перешкоджає застосуванню генеративного ШІ до переважного типу даних, що обробляються щодня.
У цій публікації ми представили генеративне рішення додатків штучного інтелекту, призначене для полегшення цієї проблеми для промислових користувачів. Ця програма використовує агент з відкритим вихідним кодом PandasAI, щоб посилити можливості аналізу часових рядів FM. Замість того, щоб надсилати дані часових рядів безпосередньо до FM, програма використовує PandasAI для створення коду Python для аналізу неструктурованих даних часових рядів. Щоб підвищити точність генерації коду Python, було реалізовано власний робочий процес генерації підказок із людським аудитом.
Отримавши знання про стан своїх активів, промислові працівники можуть повністю використовувати потенціал генеративного штучного інтелекту в різних випадках використання, включаючи діагностику першопричини та планування заміни деталей. Завдяки Базам знань для Amazon Bedrock розробникам легко створювати та керувати рішенням RAG.
Траєкторія управління корпоративними даними та операцій безпомилково рухається до глибшої інтеграції з генеративним штучним інтелектом для всебічного розуміння операційного стану. Ця зміна, ініціатором якої є Amazon Bedrock, значно посилюється зростаючою міцністю та потенціалом LLM, як-от Amazon Bedrock Клод 3 для подальшого підвищення рівня рішень. Щоб дізнатися більше, відвідайте консультацію Документація Amazon Bedrock, і ознайомтеся з Майстерня Amazon Bedrock.
Про авторів
Джулія Ху є старшим архітектором рішень AI/ML в Amazon Web Services. Вона спеціалізується на генеративному штучному інтелекті, прикладній науці про дані та архітектурі Інтернету речей. Наразі вона є частиною команди Amazon Q і активним учасником/наставником у спільноті машинного навчання Technical Field. Вона працює з клієнтами, від стартапів до підприємств, над розробкою генеративних рішень ШІ AWSome. Вона особливо захоплена використанням великих мовних моделей для розширеної аналітики даних і дослідженням практичних застосувань, які вирішують проблеми реального світу.
Судіш Сасідхаран є старшим архітектором рішень в AWS у команді Energy. Sudeesh любить експериментувати з новими технологіями та створювати інноваційні рішення, які вирішують складні бізнес-завдання. Коли він не займається розробкою рішень і не працює з новітніми технологіями, ви можете знайти його на тенісному корті, працюючи бекхендом.
Ніл Десаї є керівником відділу технологій із понад 20-річним досвідом у сфері штучного інтелекту (ШІ), науки про дані, розробки програмного забезпечення та корпоративної архітектури. В AWS він очолює команду всесвітніх архітекторів рішень, які спеціалізуються на послугах штучного інтелекту, які допомагають клієнтам створювати інноваційні рішення на основі Generative AI, діляться передовим досвідом із клієнтами та створюють дорожню карту продукту. На своїх попередніх посадах у Vestas, Honeywell і Quest Diagnostics Ніл обіймав керівні посади в розробці та запуску інноваційних продуктів і послуг, які допомогли компаніям покращити свою діяльність, зменшити витрати та збільшити дохід. Він захоплюється використанням технологій для вирішення реальних проблем і є стратегічним мислителем із підтвердженим досвідом успіху.
- Розповсюдження контенту та PR на основі SEO. Отримайте посилення сьогодні.
- PlatoData.Network Vertical Generative Ai. Додайте собі сили. Доступ тут.
- PlatoAiStream. Web3 Intelligence. Розширення знань. Доступ тут.
- ПлатонЕСГ. вуглець, CleanTech, Енергія, Навколишнє середовище, Сонячна, Поводження з відходами. Доступ тут.
- PlatoHealth. Розвідка про біотехнології та клінічні випробування. Доступ тут.
- джерело: https://aws.amazon.com/blogs/machine-learning/unlock-the-potential-of-generative-ai-in-industrial-operations/
- : має
- :є
- : ні
- :де
- $UP
- 000
- 1
- 100
- 125
- 150
- 16
- 20
- 20 роки
- 200
- 22
- 23
- 7
- 8
- a
- здатність
- Здатний
- ненормальний
- МЕНЮ
- доступ
- За
- точність
- точний
- через
- дію
- дієвий
- активний
- додавати
- доданий
- Додатковий
- адреса
- адресація
- Додає
- адмін
- Прийняття
- просунутий
- після
- Агент
- агенти
- агрегація
- AI
- Послуги ШІ
- Можливість
- AI / ML
- тривога
- полегшувати
- Дозволити
- по
- вже
- Також
- Amazon
- Amazon EC2
- Amazon Rekognition
- Amazon Web Services
- Посилений
- an
- аналіз
- аналітика
- та
- аномалії
- виявлення аномалії
- анонімний
- відповідь
- Відповіді
- Антропний
- будь-який
- API
- додаток
- Розробка додатків
- додаток
- застосування
- прикладної
- підхід
- приблизно
- архітектори
- архітектура
- ЕСТЬ
- штучний
- штучний інтелект
- Штучний інтелект (AI)
- AS
- запитувач
- оцінити
- активи
- Активи
- Помічник
- допомагає
- At
- аудит
- збільшено
- автоматично
- доступний
- AWS
- AWS CloudFormation
- Банк
- база
- заснований
- основний
- BE
- оскільки
- було
- почалася
- починати
- поведінка
- користь
- КРАЩЕ
- передового досвіду
- підвищення
- підсилює
- Зламаний
- браузер
- будувати
- Створюємо
- бізнес
- by
- обчислювати
- розрахунок
- call
- CAN
- можливості
- можливості
- захоплення
- випадок
- випадків
- Викликати
- ланцюг
- виклик
- проблеми
- складні
- Chatbot
- в чаті
- Вибирати
- Вибираючи
- cli
- клієнтів
- код
- Коди
- збирати
- Збір
- збір
- Приходити
- приходить
- співтовариство
- Компанії
- порівняний
- порівняння
- повний
- комплекс
- всеосяжний
- комп'ютер
- стан
- значний
- складається
- Консоль
- обмеження
- будувати
- побудований
- будівництво
- консультуватися
- містить
- зміст
- контекст
- безперестанку
- постійно
- зручність
- Розмова
- діалоговий
- перетворення
- витрати
- вважати
- Суд
- створювати
- створений
- створює
- критичний
- Поточний
- В даний час
- виготовлений на замовлення
- Клієнти
- щодня
- дані
- аналіз даних
- Analytics даних
- управління даними
- обробка даних
- наука про дані
- керовані даними
- Днів
- рішення
- глибше
- дефолт
- постачає
- запити
- демократизує
- зображено
- розгортання
- розгорнути
- розгортання
- дизайн
- призначений
- проектування
- бажаний
- докладно
- Деталізація
- деталі
- виявляти
- Виявлення
- розвивати
- розвиненою
- розробників
- розвивається
- розробка
- прилади
- діагностика
- діагностика
- схема
- різний
- важкий
- цифровий
- цифрова революція
- безпосередньо
- каталог
- обговорювати
- розійшлися
- чіткий
- Документи
- документ
- документація
- Не знаю
- Завантажений
- малює
- управляти
- водіння
- два
- тривалість
- динамічно
- кожен
- легко
- або
- ПОВЕРНЕНО
- Усуває
- ще
- Вставляти
- вбудовування
- наймаючи
- працює
- дозволяє
- кінець в кінець
- енергія
- залучення
- Машинобудування
- Інженери
- підвищувати
- підвищена
- підвищення
- збагачувати
- Що натомість? Створіть віртуальну версію себе у
- підприємство
- підприємств
- Весь
- обладнання
- помилки
- Навіть
- Event
- очевидний
- еволюціонує
- приклад
- Приклади
- виконавчий
- існувати
- існуючий
- існує
- розширений
- досвід
- експериментувати
- дослідити
- Дослідження
- обширний
- витяг
- Face
- фасилітувати
- полегшує
- сприяння
- засоби
- не вдалося
- збої
- особливість
- поле
- філе
- Файли
- знайти
- Перший
- Потоки
- увагу
- стежити
- після
- слідує
- для
- формат
- фонд
- Рамки
- від
- Повний
- повністю
- функція
- функціональність
- далі
- Отримувати
- прибуток
- збір
- породжувати
- генерується
- породжує
- покоління
- генеративний
- Генеративний ШІ
- отримати
- GitHub
- йде
- Group
- Зростання
- Зростає
- Обробка
- практичний
- Жорсткий
- збруя
- Мати
- має
- he
- здоров'я
- здоровий
- Герой
- допомога
- допоміг
- корисний
- допомагає
- висока роздільна здатність
- його
- перешкоджала
- його
- Honeywell
- Однак
- HTML
- HTTP
- HTTPS
- людина
- ідентифікувати
- if
- ілюструвати
- ілюструє
- зображення
- зображень
- здійснювати
- реалізація
- реалізовані
- удосконалювати
- поліпшений
- поліпшується
- in
- включати
- включені
- includes
- У тому числі
- включення
- Augmenter
- індекс
- індексований
- промислові
- інформація
- повідомив
- початковий
- ініціювати
- Посвячені
- інноваційний
- вхід
- введення
- розуміння
- розуміння
- встановлювати
- екземпляр
- інструкції
- інтегрувати
- інтеграція
- інтеграцій
- Інтелект
- Розумний
- взаємодіяти
- інтерфейс
- інтернет
- Інтернет речей
- в
- введені
- Вводить
- КАТО
- питання
- IT
- ЙОГО
- спільна
- JPEG
- JPG
- json
- ключ
- знання
- відомий
- знає
- етикетка
- відсутність
- ландшафт
- мова
- великий
- останній
- запуск
- шар
- Керівництво
- Веде за собою
- УЧИТЬСЯ
- вивчення
- залишити
- рівні
- використання
- бібліотека
- Ліцензований
- як
- недоліки
- обмеженою
- ліній
- Перераховані
- жити
- загрузка
- місцевий
- любить
- машина
- навчання за допомогою машини
- обслуговування
- РОБОТИ
- управляти
- вдалося
- управління
- Менеджери
- Маніпуляція
- вручну
- Виробники
- виробництво
- позначити
- математики
- Макс
- Може..
- me
- вимірювання
- Зустрічатися
- метадані
- метод
- може бути
- хвилин
- ML
- модель
- Моделі
- монітор
- моніторинг
- щомісячно
- більше
- найбільш
- двигун
- переміщення
- множинний
- ім'я
- Природний
- Переміщення
- навігація
- навігація
- необхідно
- Необхідність
- Нові
- Нові технології
- наступний
- немає
- нормальний
- Помітний
- ноутбук
- номер
- отримує
- of
- пропонувати
- Пропозиції
- on
- ONE
- тільки
- відкрити
- з відкритим вихідним кодом
- Відкриється
- операція
- оперативний
- операції
- Оптимізувати
- or
- наші
- вихід
- виходи
- над
- пакети
- пар
- панди
- pane
- Першорядний
- частина
- особливо
- пристрасний
- шлях
- PC
- Виконувати
- виконується
- виступає
- перспектива
- PHP
- Фізично
- Стрижень
- основний
- планування
- plato
- Інформація про дані Платона
- PlatoData
- Play
- відіграє
- популярний
- позах
- пошта
- потенціал
- влада
- Харчування
- Практичний
- практики
- передумови
- попередній
- попередній
- проблеми
- процес
- Оброблено
- процеси
- обробка
- Product
- Production
- продуктивність
- Продукти
- прогрес
- проект
- дані проекту
- підказок
- пропонувати
- Доведіть
- доведений
- забезпечувати
- забезпечує
- забезпечення
- мета
- Python
- кількість
- запити
- запит
- пошук
- питання
- питань
- ганчіркою
- діапазон
- ранжування
- швидко
- швидше
- Досягає
- Читати
- Реальний світ
- реального часу
- дані в режимі реального часу
- визнання
- запис
- зменшити
- послатися
- пов'язаний
- доречний
- замінювати
- заміна
- Сховище
- представляє
- запитів
- вимагати
- вимагається
- ресурси
- відповідно
- відповідь
- відповіді
- в результаті
- результати
- пошук
- повертати
- Умови повернення
- revenue
- Революція
- Дорожня карта
- стійкість
- Роль
- ролі
- корінь
- прогін
- біг
- пробіжки
- мудрець
- то ж
- Незадоволений
- задоволений
- зберегти
- зберігаються
- економія
- шкала
- сценарій
- сценарії
- наука
- Вчені
- скріншоти
- сценарій
- scripts
- Пошук
- пошук
- другий
- розділ
- безпеку
- вибрати
- обраний
- відправка
- посилає
- старший
- датчик
- датчиків
- посланий
- Серія
- сервер
- служить
- обслуговування
- Послуги
- комплект
- набори
- налаштування
- кілька
- Поділитись
- вона
- зсув
- Повинен
- Показувати
- показ
- показаний
- Шоу
- Сигнал
- істотно
- аналогічний
- простий
- простота
- спростити
- сайт
- Розмір
- майстерність
- навички
- сповільнювати
- невеликий
- менше
- So
- Софтвер
- розробка програмного забезпечення
- рішення
- Рішення
- ВИРІШИТИ
- деякі
- що в сім'ї щось
- Source
- джерело
- Джерела
- очолив
- спеціаліст
- спеціалізований
- конкретний
- конкретно
- специфікація
- специфікації
- стек
- автономні
- старт
- стартапів
- впроваджений
- статистика
- Крок
- заходи
- зберігання
- зберігати
- просто
- Стратегічний
- потік
- потоковий
- Спрощує
- упорядкування
- Зміцнювати
- рядок
- Згодом
- успіх
- успішний
- Успішно
- такі
- підходящий
- РЕЗЮМЕ
- поставка
- ланцюжка поставок
- Переконайтеся
- синхронізація.
- система
- Systems
- таблиця
- прийняті
- Завдання
- команда
- команди
- технічний
- Технології
- Технологія
- шаблон
- теніс
- тест
- текст
- текстуальний
- ніж
- Що
- Команда
- Джерело
- їх
- Їх
- потім
- Там.
- отже
- Ці
- вони
- речі
- мислитель
- третій
- це
- три
- через
- час
- Часовий ряд
- велетень
- до
- інструмент
- інструменти
- топ
- Усього:
- до
- трек
- послужний список
- траєкторія
- перетворювальний
- перетворений
- мандри
- тип
- типово
- Ubuntu
- при
- розуміння
- створеного
- відімкнути
- неструктурований
- завантажено
- Завантаження
- Використання
- використання
- використання випадку
- використовуваний
- користувач
- User Experience
- користувачі
- використовує
- використання
- Цінний
- значення
- різноманітність
- різний
- величезний
- через
- візит
- Обсяги
- Очікування
- попередження
- we
- Web
- веб-сервіси
- були
- Що
- коли
- Чи
- який
- ВООЗ
- широко поширений
- волі
- вікно
- з
- в
- без
- робочий
- робочі
- робочий
- Робочі процеси
- робочий
- працює
- світовий
- Неправильно
- років
- ще
- вихід
- Ти
- вашу
- зефірнет