ایمیزون بیڈرک کے لیے نالج بیسز کے ساتھ منشیات کی دریافت کے لیے RAG استعمال کریں۔ ایمیزون ویب سروسز

ایمیزون بیڈرک Amazon اور فریق ثالث فراہم کنندگان کی جانب سے ماڈلز کی ایک وسیع رینج فراہم کرتا ہے، بشمول Anthropic، AI21، Meta، Cohere، اور Stability AI، اور استعمال کے کیسز کی ایک وسیع رینج کا احاطہ کرتا ہے، بشمول ٹیکسٹ اور امیج جنریشن، ایمبیڈنگ، چیٹ، اعلیٰ سطحی ایجنٹس۔ استدلال اور آرکیسٹریشن کے ساتھ، اور مزید۔ ایمیزون بیڈرک کے لیے نالج بیسز آپ کو AWS اور تھرڈ پارٹی ویکٹر اسٹورز دونوں AWS اور تھرڈ پارٹی ماڈلز کا استعمال کرتے ہوئے پرفارمنٹ اور اپنی مرضی کے مطابق Retrieval Augmented Generation (RAG) ایپلی کیشنز بنانے کی اجازت دیتا ہے۔ ایمیزون بیڈرک کے لیے علم کی بنیادیں آپ کے ڈیٹا کی آپ کے ویکٹر اسٹور کے ساتھ مطابقت پذیری کو خودکار کرتی ہیں، بشمول ڈیٹا کو اپ ڈیٹ ہونے پر اس میں فرق کرنا، دستاویز کی لوڈنگ، اور چنکنگ، نیز سیمنٹک ایمبیڈنگ۔ یہ آپ کو بغیر کسی رکاوٹ کے اپنے RAG پرامپٹس اور بازیافت کی حکمت عملیوں کو اپنی مرضی کے مطابق بنانے کی اجازت دیتا ہے—ہم ماخذ کا انتساب فراہم کرتے ہیں، اور ہم میموری کا انتظام خود بخود سنبھال لیتے ہیں۔ نالج بیسز مکمل طور پر سرور لیس ہیں، اس لیے آپ کو کسی بھی انفراسٹرکچر کا انتظام کرنے کی ضرورت نہیں ہے، اور نالج بیسز استعمال کرتے وقت، آپ سے صرف ان ماڈلز، ویکٹر ڈیٹا بیسز اور اسٹوریج کے لیے چارج کیا جاتا ہے جو آپ استعمال کرتے ہیں۔

RAG ایک مشہور تکنیک ہے جو نجی ڈیٹا کے استعمال کو بڑے لینگویج ماڈلز (LLMs) کے ساتھ جوڑتی ہے۔ RAG صارف کے استفسار کی بنیاد پر ڈیٹا اسٹور (عام طور پر ایک ویکٹر انڈیکس) سے متعلقہ دستاویزات کو بازیافت کرنے کے ابتدائی مرحلے سے شروع ہوتا ہے۔ اس کے بعد بازیافت شدہ دستاویزات اور اصل استفسار دونوں پر غور کرکے جواب پیدا کرنے کے لیے یہ زبان کے ماڈل کو استعمال کرتا ہے۔

اس پوسٹ میں، ہم یہ ظاہر کرتے ہیں کہ منشیات کی دریافت کے استعمال کے کیس کے لیے Amazon Bedrock کے لیے نالج بیسز کا استعمال کرتے ہوئے RAG ورک فلو کیسے بنایا جائے۔

ایمیزون بیڈرک کے لیے علم کے اڈوں کا جائزہ

Amazon Bedrock کے لیے علم کی بنیادیں عام فائلوں کی ایک وسیع رینج کو سپورٹ کرتی ہیں، بشمول .txt، .docx، .pdf، .csv، اور مزید۔ نجی ڈیٹا سے موثر بازیافت کو فعال کرنے کے لیے، ایک عام عمل یہ ہے کہ پہلے ان دستاویزات کو قابل انتظام حصوں میں تقسیم کیا جائے۔ نالج بیسز نے ایک ڈیفالٹ چنکنگ حکمت عملی نافذ کی ہے جو زیادہ تر معاملات میں آپ کو تیزی سے شروع کرنے کی اجازت دینے کے لیے اچھی طرح کام کرتی ہے۔ اگر آپ مزید کنٹرول چاہتے ہیں تو، نالج بیسز آپ کو پہلے سے تشکیل شدہ اختیارات کے ایک سیٹ کے ذریعے چنکنگ حکمت عملی کو کنٹرول کرنے دیتا ہے۔ آپ ایمبیڈنگ کو مربوط سیاق و سباق فراہم کرنے کے لیے زیادہ سے زیادہ ٹوکن سائز اور ٹکڑوں میں بنائے جانے والے اوورلیپ کی مقدار کو کنٹرول کر سکتے ہیں۔ ایمیزون بیڈرک کے لیے نالج بیسز آپ کے ڈیٹا کو سنکرونائز کرنے کے عمل کو منظم کرتا ہے۔ ایمیزون سادہ اسٹوریج سروس (Amazon S3) بالٹی، اسے چھوٹے ٹکڑوں میں تقسیم کرتی ہے، ویکٹر ایمبیڈنگز تیار کرتی ہے، اور ایمبیڈنگز کو ویکٹر انڈیکس میں اسٹور کرتی ہے۔ یہ عمل ذہین تفریق، تھرو پٹ، اور ناکامی کے انتظام کے ساتھ آتا ہے۔

رن ٹائم کے وقت، ایک ایمبیڈنگ ماڈل کا استعمال صارف کے استفسار کو ویکٹر میں تبدیل کرنے کے لیے کیا جاتا ہے۔ اس کے بعد ویکٹر انڈیکس سے صارف کے استفسار سے ملتے جلتے دستاویزات تلاش کرنے کے لیے استفسار کیا جاتا ہے تاکہ دستاویز کے ویکٹر کا صارف کے استفسار ویکٹر سے موازنہ کیا جائے۔ آخری مرحلے میں، ویکٹر انڈیکس سے حاصل کردہ معنوی طور پر ملتی جلتی دستاویزات کو صارف کے اصل استفسار کے سیاق و سباق کے طور پر شامل کیا جاتا ہے۔ صارف کے لیے جواب پیدا کرتے وقت، متن کے ماڈل میں، ٹریسی ایبلٹی کے لیے ماخذ کی انتساب کے ساتھ، لفظی طور پر ملتے جلتے دستاویزات کا اشارہ کیا جاتا ہے۔

ایمیزون بیڈرک کے لیے علم کی بنیادیں متعدد ویکٹر ڈیٹا بیس کو سپورٹ کرتی ہیں، بشمول ایمیزون اوپن سرچ سرور لیس, ایمیزون ارورہ، پائنیکون، اور ریڈیس انٹرپرائز کلاؤڈ۔ Retrieve اور RetrieveAndGenerate APIs آپ کی ایپلی کیشنز کو ہر ایک مختلف ویکٹر ڈیٹا بیس کے لیے الگ الگ API سیکھے بغیر ایک متحد اور معیاری نحو کا استعمال کرتے ہوئے انڈیکس سے براہ راست استفسار کرنے کی اجازت دیتے ہیں، جس سے آپ کے ویکٹر اسٹور کے خلاف حسب ضرورت انڈیکس سوالات لکھنے کی ضرورت کم ہوتی ہے۔ Retrieve API آنے والی استفسار کو لیتا ہے، اسے سرایت کرنے والے ویکٹر میں تبدیل کرتا ہے، اور ویکٹر ڈیٹا بیس کی سطح پر ترتیب کردہ الگورتھم کا استعمال کرتے ہوئے بیک اینڈ اسٹور سے استفسار کرتا ہے۔ RetrieveAndGenerate API Amazon Bedrock کی طرف سے فراہم کردہ صارف کی تشکیل کردہ LLM کا استعمال کرتا ہے اور قدرتی زبان میں حتمی جواب تیار کرتا ہے۔ مقامی ٹریس ایبلٹی سپورٹ درخواست کرنے والی درخواست کو کسی سوال کا جواب دینے کے لیے استعمال ہونے والے ذرائع کے بارے میں مطلع کرتی ہے۔ انٹرپرائز کے نفاذ کے لیے، نالج بیس سپورٹ کرتا ہے۔ AWS کلیدی انتظام کی خدمت (AWS KMS) خفیہ کاری، AWS CloudTrail انضمام، اور زیادہ.

مندرجہ ذیل حصوں میں، ہم یہ ظاہر کرتے ہیں کہ ایمیزون بیڈرک کے لیے نالج بیسز کا استعمال کرتے ہوئے، اوپن سرچ سرور لیس ویکٹر انجن کے تعاون سے، منشیات کی دریافت کے استعمال کے کیس کے لیے غیر ساختہ کلینیکل ٹرائل ڈیٹاسیٹ کا تجزیہ کرنے کے لیے ایک RAG ورک فلو کیسے بنایا جائے۔ یہ ڈیٹا معلومات سے مالا مال ہے لیکن بہت زیادہ متضاد ہو سکتا ہے۔ بصیرت کا پتہ لگانے اور تجزیاتی سالمیت کو یقینی بنانے کے لیے مخصوص اصطلاحات اور تصورات کا مختلف فارمیٹس میں مناسب ہینڈلنگ ضروری ہے۔ ایمیزون بیڈرک کے لیے علمی بنیادوں کے ساتھ، آپ سادہ، قدرتی سوالات کے ذریعے تفصیلی معلومات تک رسائی حاصل کر سکتے ہیں۔

Amazon Bedrock کے لیے علم کی بنیاد بنائیں

اس سیکشن میں، ہم کنسول کے ذریعے Amazon Bedrock کے لیے علم کی بنیاد بنانے کے عمل کو ڈیمو کرتے ہیں۔ درج ذیل مراحل کو مکمل کریں:

1. ایمیزون بیڈرک کنسول پر، نیچے آرکیسٹریشن نیویگیشن پین میں، منتخب کریں۔ علم کی بنیاد.
2. میں سے انتخاب کریں علم کی بنیاد بنائیں.

3. میں علم کی بنیاد کی تفصیلات سیکشن، ایک نام اور اختیاری تفصیل درج کریں۔
4. میں IAM اجازتیں۔ سیکشن، منتخب کریں ایک نیا سروس رول بنائیں اور استعمال کریں۔.
5. کے لئے خدمت کے نام کا کرداراپنے کردار کے لیے ایک نام درج کریں، جس سے شروع ہونا چاہیے۔ AmazonBedrockExecutionRoleForKnowledgeBase_.
6. میں سے انتخاب کریں اگلے.

7. میں ڈیٹا کا ذریعہ سیکشن، اپنے ڈیٹا سورس اور S3 URI کے لیے ایک نام درج کریں جہاں ڈیٹاسیٹ بیٹھا ہے۔ نالج بیسز درج ذیل فائل فارمیٹس کو سپورٹ کرتے ہیں۔
   • سادہ متن (.txt)
   • مارک ڈاؤن (.md)
   • ہائپر ٹیکسٹ مارک اپ لینگویج (.html)
   • Microsoft Word دستاویز (.doc/.docx)
   • کوما سے الگ کردہ اقدار (.csv)
   • Microsoft Excel اسپریڈشیٹ (.xls/.xlsx)
   • پورٹ ایبل دستاویز کی شکل (.pdf)

8. کے تحت اضافی ترتیبات¸ اپنی پسند کی چنکنگ حکمت عملی کا انتخاب کریں (اس پوسٹ کے لیے، ہم منتخب کرتے ہیں۔ فکسڈ سائز چنکنگ) اور فیصد میں حصہ کا سائز اور اوورلے کی وضاحت کریں۔ متبادل طور پر، آپ ڈیفالٹ سیٹنگز استعمال کر سکتے ہیں۔
9. میں سے انتخاب کریں اگلے.

10. میں ایمبیڈنگز ماڈل سیکشن میں، Amazon Bedrock سے Titan Embeddings ماڈل کا انتخاب کریں۔
11. میں ویکٹر ڈیٹا بیس سیکشن، منتخب کریں فوری طور پر ایک نیا ویکٹر اسٹور بنائیں، جو ویکٹر اسٹور قائم کرنے کے عمل کا انتظام کرتا ہے۔
12. میں سے انتخاب کریں اگلے.

13. ترتیبات کا جائزہ لیں اور منتخب کریں۔ علم کی بنیاد بنائیں.

14. علم کی بنیاد کی تخلیق مکمل ہونے کا انتظار کریں اور اس کی حیثیت کی تصدیق کریں۔ کے لئے تیار ہیں.
15. میں ڈیٹا کا ذریعہ سیکشن، یا صفحہ کے اوپر بینر پر یا ٹیسٹ ونڈو میں پاپ اپ پر، منتخب کریں۔ ہم وقت ساز کریں S3 بالٹی سے ڈیٹا لوڈ کرنے کے عمل کو متحرک کرنے کے لیے، اسے آپ کے بتائے ہوئے سائز کے ٹکڑوں میں تقسیم کرنا، منتخب ٹیکسٹ ایمبیڈنگ ماڈل کا استعمال کرتے ہوئے ویکٹر ایمبیڈنگز بنانا، اور انہیں Amazon Bedrock کے نالج بیسز کے زیر انتظام ویکٹر اسٹور میں اسٹور کرنا۔

مطابقت پذیری کا فنکشن ایمیزون S3 میں دستاویزات میں تبدیلیوں کی بنیاد پر ویکٹر انڈیکس سے دستاویزات کو داخل کرنے، اپ ڈیٹ کرنے اور حذف کرنے کی حمایت کرتا ہے۔ آپ بھی استعمال کر سکتے ہیں۔ StartIngestionJob AWS SDK کے ذریعے مطابقت پذیری کو متحرک کرنے کے لیے API۔

مطابقت پذیری مکمل ہونے پر، مطابقت پذیری کی سرگزشت اسٹیٹس دکھاتی ہے۔ مکمل۔

علم کی بنیاد سے استفسار کریں۔

اس سیکشن میں، ہم یہ ظاہر کرتے ہیں کہ کس طرح سیدھے اور فطری سوالات کے ذریعے علم کی بنیاد میں تفصیلی معلومات تک رسائی حاصل کی جائے۔ ہم پی ڈی ایف فائلوں پر مشتمل ایک غیر ساختہ مصنوعی ڈیٹاسیٹ استعمال کرتے ہیں، ہر ایک کا صفحہ نمبر 10-100 صفحات پر مشتمل ہوتا ہے، مجوزہ نئی دوا کے کلینیکل ٹرائل پلان کی نقل کرتا ہے جس میں شماریاتی تجزیہ کے طریقے اور شرکاء کی رضامندی کے فارم شامل ہیں۔ ہم Amazon Bedrock کے لیے نالج بیسز استعمال کرتے ہیں۔ retrieve_and_generate اور retrieve APIs کے ساتھ ایمیزون بیڈرک لینگ چین انضمام.

اس سے پہلے کہ آپ Amazon Bedrock API استعمال کرنے والے اسکرپٹ لکھ سکیں، آپ کو اپنے ماحول میں AWS SDK کا مناسب ورژن انسٹال کرنا ہوگا۔ Python اسکرپٹس کے لیے، یہ ہوگا۔ AWS SDK برائے Python (Boto3):

pip install langchain
pip install boto3

مزید برآں، Amazon Titan Embeddings ماڈل اور Anthropic Claude v2 یا v1 تک رسائی کو فعال کریں۔ مزید معلومات کے لیے رجوع کریں۔ ماڈل تک رسائی.

Amazon Bedrock کا استعمال کرتے ہوئے سوالات پیدا کریں۔

ہم کلینیکل ٹرائل ڈیٹاسیٹ پر پوچھنے کے لیے سوالات کی فہرست تجویز کرنے کے لیے Amazon Bedrock کے لیے Anthropic Claude 2.1 کا استعمال کر سکتے ہیں:

import boto3
from langchain.llms.bedrock import Bedrock

bedrock_client = boto3.client("bedrock-runtime")

# Start with the query
prompt = "For medical research trial consent forms to sign, what are the top 5 questions can be asked?"

claude_llm = Bedrock(
    model_id="anthropic.claude-v2:1",
    model_kwargs={"temperature": 0, "top_k": 10, "max_tokens_to_sample": 3000},
    client=bedrock_client,
)

# Provide the prompt to the LLM to generate an answer to the query without any additional context provided
response = claude_llm(prompt)
questions = [
    item.split(".")[1].strip() for item in response.strip().split("nn")[1:-1]
]
questions
>>> answer:
'What is the purpose of the study? Make sure you understand the goals of the research and what the study procedures will entail',
'What are the risks and potential benefits? The form should explain all foreseeable risks, side effects, or discomforts you might experience from participating',
'What will participation involve? Get details on what tests, medications, lifestyle changes, or procedures you will go through, how much time it will take, and how long the study will last',
'Are there any costs or payments? Ask if you will be responsible for any costs related to the study or get paid for participating',
'How will my privacy be protected? The form should explain how your personal health information will be kept confidential before, during, and after the trial'

Amazon Bedrock RetrieveAndGenerate API استعمال کریں۔

مکمل طور پر منظم RAG تجربے کے لیے، آپ Amazon Bedrock کے لیے مقامی نالج بیسز استعمال کر سکتے ہیں۔ RetrieveAndGenerate براہ راست جوابات حاصل کرنے کے لیے API:

bedrock_agent_client = boto3.client("bedrock-agent-runtime")

kb_id = "<YOUR_KNOWLEDGE_BASE_ID>"

def retrieveAndGenerate(
    input: str,
    kbId: str,
    region: str = "us-east-1",
    sessionId: str = None,
    model_id: str = "anthropic.claude-v2:1",
):
    model_arn = f"arn:aws:bedrock:{region}::foundation-model/{model_id}"

    if sessionId:
        return bedrock_agent_client.retrieve_and_generate(
            input={"text": input},
            retrieveAndGenerateConfiguration={
                "type": "KNOWLEDGE_BASE",
                "knowledgeBaseConfiguration": {
                    "knowledgeBaseId": kbId,
                    "modelArn": model_arn,
                },
            },
            sessionId=sessionId,
        )

    else:
        return bedrock_agent_client.retrieve_and_generate(
            input={"text": input},
            retrieveAndGenerateConfiguration={
                "type": "KNOWLEDGE_BASE",
                "knowledgeBaseConfiguration": {
                    "knowledgeBaseId": kbId,
                    "modelArn": model_arn,
                },
            },
        )

response = retrieveAndGenerate(
    "What are the potential risks and benefits of participating?", kb_id
)

generated_text = response["output"]["text"]
>>> "The potential risks include side effects from the study medication lithium such as nausea, loose stools, thirst, urination changes, shakiness, headaches, sweating, fatigue, decreased concentration, and skin rash. There is also a risk of lithium interaction with other medications. For women, there is a risk of birth defects if lithium is taken during pregnancy. There are no guaranteed benefits, but possible benefits include new information that could help the participant from the interviews and tests conducted during the study."

حوالہ کردہ معلومات کا ذریعہ درج ذیل کوڈ کے ذریعے حاصل کیا جا سکتا ہے (کچھ آؤٹ پٹ کے ساتھ اختصار کے لیے ترمیم کی گئی ہے):

response["citations"]

>>> [
    {
        "generatedResponsePart": {
            "textResponsePart": {
                "text": " The potential risks include side effects from the study...",
                "span": {"start": 0, "end": 361},
            }
        },
        "retrievedReferences": [
            {
                "content": {
                    "text": "590 ICF#2 Page 7 of 19 The primary risks and discomforts of participation…"
                },
                "location": {"type": "S3", "s3Location": {"uri": "s3://XXXX/XXXX.pdf"}},
            },
            {
                "content": {
                    "text": "N/A CSP 590 ICF#2 Page 10 of 19 Risks associated with suddenly stopping study medications..."
                },
                "location": {"type": "S3", "s3Location": {"uri": "s3://XXXX/XXXX.pdf"}},
            },
        ],
    },
    {
        "generatedResponsePart": {
            "textResponsePart": {
                "text": " There are no guaranteed benefits, but possible benefits include...",
                "span": {"start": 363, "end": 531},
            }
        },
        "retrievedReferences": [
            {
                "content": {
                    "text": "research, not usual clinical care. After these are done we ask..."
                },
                "location": {"type": "S3", "s3Location": {"uri": "s3://XXXX/XXXX.pdf"}},
            }
        ],
    },
]

کی سیشن آئی ڈی پاس کرکے RetrieveAndGenerate API، آپ گفتگو کے سیاق و سباق کو محفوظ رکھ سکتے ہیں اور فالو اپ سوالات پوچھ سکتے ہیں۔ مثال کے طور پر، سیاق و سباق کے بغیر، اگر آپ پچھلے جواب سے مزید تفصیلات طلب کرتے ہیں، تو ہو سکتا ہے کہ یہ صحیح طریقے سے جواب نہ دے سکے:

retrieveAndGenerate("elaborate more on the first side effect", kb_id, sessionId=None)["output"]["text"]
>>> "The search results do not provide additional details about the mild nausea side effect that would allow me to elaborate further on it."

لیکن سیشن ID پاس کرنے سے، RAG پائپ لائن متعلقہ سیاق و سباق کی شناخت کرنے اور متعلقہ جوابات واپس کرنے کے قابل ہے:

retrieveAndGenerate("elaborate more on the first side effect", kb_id, sessionId=response["sessionId"])["output"]["text"]
>>> "The search results provide details that nausea from taking lithium is usually mild and goes away after days or weeks for most people. Specifically, up to 75% of people may experience mild nausea when first starting lithium, but this goes away in 90-99% of people who continue taking it."

درج ذیل جدول میں تمام متعلقہ سوالات کے بازیافت شدہ جوابات دکھائے گئے ہیں۔

Amazon Bedrock Retrieve API کا استعمال کرتے ہوئے استفسار کریں۔

اپنے RAG ورک فلو کو حسب ضرورت بنانے کے لیے، آپ اپنے استفسار کی بنیاد پر متعلقہ ٹکڑوں کو بازیافت کرنے کے لیے Retrieve API کا استعمال کر سکتے ہیں اور اسے Amazon Bedrock کی طرف سے فراہم کردہ کسی LLM کو بھیج سکتے ہیں۔ Retrieve API استعمال کرنے کے لیے، اس کی وضاحت اس طرح کریں:

def retrieve(query: str, kbId: str, numberOfResults: int = 5):
    return bedrock_agent_client.retrieve(
        retrievalQuery={"text": query},
        knowledgeBaseId=kbId,
        retrievalConfiguration={
            "vectorSearchConfiguration": {"numberOfResults": numberOfResults}
        },
    )

متعلقہ سیاق و سباق کو بازیافت کریں (کچھ آؤٹ پٹ کے ساتھ اختصار کے لئے ترمیم کی گئی ہے):

query = "What is the purpose of the medical research study?"
response = retrieve(query, kb_id, 3)
retrievalResults = response["retrievalResults"]
>>> [
    {
        "content": {"text": "You will not be charged for any procedures that..."},
        "location": {"type": "S3", "s3Location": {"uri": "s3://XXXXX/XXXX.pdf"}},
        "score": 0.6552521,
    },
    {
        "content": {"text": "and possible benefits of the study. You have been..."},
        "location": {"type": "S3", "s3Location": {"uri": "s3://XXXX/XXXX.pdf"}},
        "score": 0.6581577,
    },
    ...,
]

پرامپٹ ٹیمپلیٹ کے لیے سیاق و سباق نکالیں:

def get_contexts(retrievalResults):
    contexts = []
    for retrievedResult in retrievalResults:
        contexts.append(retrievedResult["content"]["text"])
    return " ".join(contexts)

contexts = get_contexts(retrievalResults)

ازگر کے ماڈیولز درآمد کریں اور سیاق و سباق میں سوال کا جواب دینے والے پرامپٹ ٹیمپلیٹ کو ترتیب دیں، پھر حتمی جواب تیار کریں:

from langchain.prompts import PromptTemplate

PROMPT_TEMPLATE = """
Human: You are an AI system working on medical trial research, and provides answers to questions 
by using fact based and statistical information when possible.
Use the following pieces of information to provide a concise answer to the question enclosed in <question> tags.
If you don't know the answer, just say that you don't know, don't try to make up an answer.

<context>
{context_str}
</context>

<question>
{query_str}
</question>

The response should be specific and use statistics or numbers when possible.

Assistant:"""

claude_prompt = PromptTemplate(
    template=PROMPT_TEMPLATE, input_variables=["context_str", "query_str"]
)

prompt = claude_prompt.format(context_str=contexts, query_str=query)
response = claude_llm(prompt)
>>> "Based on the context provided, the purpose of this medical research study is to evaluate the efficacy of lithium compared to a placebo in preventing suicide over a 1 year period. Specifically, participants will be randomly assigned to receive either lithium or a placebo pill for 1 year, with their doctors and the participants themselves not knowing which treatment they receive (double-blind). Blood lithium levels will be monitored and doses adjusted over the first 6-8 visits, then participants will be followed monthly for 1 year to assess outcomes."

Amazon Bedrock LangChain انضمام کا استعمال کرتے ہوئے استفسار کریں۔

اینڈ ٹو اینڈ اپنی مرضی کے مطابق سوال و جواب کی ایپلیکیشن بنانے کے لیے، ایمیزون بیڈرک کے لیے نالج بیسز LangChain کے ساتھ انضمام فراہم کرتا ہے۔ LangChain retriever کو ترتیب دینے کے لیے، نالج بیس ID فراہم کریں اور استفسار سے واپس آنے والے نتائج کی تعداد کی وضاحت کریں:

from langchain.retrievers.bedrock import AmazonKnowledgeBasesRetriever

retriever = AmazonKnowledgeBasesRetriever(
    knowledge_base_id=kb_id,
    retrieval_config={"vectorSearchConfiguration": {"numberOfResults": 4}},
)

اب LangChain RetrievalQA ترتیب دیں اور علم کی بنیاد سے جوابات تیار کریں:

from langchain.chains import RetrievalQA

qa = RetrievalQA.from_chain_type(
    llm=claude_llm,
    chain_type="stuff",
    retriever=retriever,
    return_source_documents=True,
    chain_type_kwargs={"prompt": claude_prompt},
)

[qa(q)["result"] for q in questions]

یہ پچھلے جدول میں درج جوابات سے ملتے جلتے جوابات پیدا کرے گا۔

صاف کرو

اضافی چارجز سے بچنے کے لیے درج ذیل وسائل کو حذف کرنا یقینی بنائیں:

نتیجہ

Amazon Bedrock تمام ترازو کے RAG ایپلی کیشنز کو طاقت دینے کے لیے گہری مربوط خدمات کا ایک وسیع سیٹ فراہم کرتا ہے، جس سے آپ کی کمپنی کے ڈیٹا کا تجزیہ کرنا شروع کرنا آسان ہو جاتا ہے۔ Amazon Bedrock کے علم کی بنیادیں Amazon Bedrock فاؤنڈیشن ماڈلز کے ساتھ ضم ہو جاتی ہیں تاکہ توسیع پذیر دستاویز سرایت کرنے والی پائپ لائنز اور دستاویز کی بازیافت کی خدمات کی تعمیر کی جا سکے تاکہ وسیع پیمانے پر داخلی اور گاہک کو درپیش ایپلی کیشنز کو تقویت ملے۔ ہم مستقبل کے بارے میں پرجوش ہیں، اور آپ کے تاثرات اس پروڈکٹ کی ترقی کی رہنمائی میں اہم کردار ادا کریں گے۔ ایمیزون بیڈرک کی صلاحیتوں اور علمی اڈوں کے بارے میں مزید جاننے کے لیے، رجوع کریں۔ ایمیزون بیڈرک کے لیے نالج بیس.

مصنفین کے بارے میں

مارک رائے AWS کے لیے ایک پرنسپل مشین لرننگ آرکیٹیکٹ ہے، جو صارفین کو AI/ML سلوشنز ڈیزائن کرنے اور بنانے میں مدد کرتا ہے۔ مارک کا کام ML کے استعمال کے کیسز کی ایک وسیع رینج پر محیط ہے، جس میں کمپیوٹر ویژن، گہری سیکھنے، اور پورے انٹرپرائز میں ML کی پیمائش میں بنیادی دلچسپی ہے۔ اس نے کئی صنعتوں میں کمپنیوں کی مدد کی ہے، بشمول انشورنس، مالیاتی خدمات، میڈیا اور تفریح، صحت کی دیکھ بھال، افادیت، اور مینوفیکچرنگ۔ مارک کے پاس چھ AWS سرٹیفیکیشنز ہیں، بشمول ML اسپیشلٹی سرٹیفیکیشن۔ AWS میں شامل ہونے سے پہلے، مارک 25 سال سے زائد عرصے تک ایک معمار، ڈویلپر، اور ٹیکنالوجی لیڈر تھے، بشمول مالیاتی خدمات میں 19 سال۔

مانی خانوجا ایک ٹیک لیڈ - جنریٹو AI ماہرین، کتاب کی مصنفہ - AWS پر اپلائیڈ مشین لرننگ اور ہائی پرفارمنس کمپیوٹنگ، اور مینوفیکچرنگ ایجوکیشن فاؤنڈیشن بورڈ میں خواتین کے لیے بورڈ آف ڈائریکٹرز کی رکن ہیں۔ وہ مختلف ڈومینز جیسے کمپیوٹر ویژن، نیچرل لینگویج پروسیسنگ اور جنریٹیو AI میں مشین لرننگ (ML) پروجیکٹس کی رہنمائی کرتی ہیں۔ وہ بڑے پیمانے پر مشین لرننگ ماڈل بنانے، تربیت دینے اور تعینات کرنے میں صارفین کی مدد کرتی ہے۔ وہ اندرونی اور بیرونی کانفرنسوں میں بولتی ہیں جیسے کہ: ایجاد، ویمن ان مینوفیکچرنگ ویسٹ، یوٹیوب ویبینرز اور جی ایچ سی 23۔ اپنے فارغ وقت میں، وہ ساحل سمندر پر لمبی دوڑنا پسند کرتی ہے۔

ڈاکٹر بائیچوان سنفی الحال AWS میں ایک Sr. AI/ML سلوشن آرکیٹیکٹ کے طور پر خدمات انجام دے رہا ہے، تخلیقی AI پر توجہ مرکوز کرتا ہے اور عملی، کلاؤڈ پر مبنی کاروباری حل فراہم کرنے کے لیے ڈیٹا سائنس اور مشین لرننگ میں اپنے علم کا اطلاق کرتا ہے۔ مینجمنٹ کنسلٹنگ اور AI سلوشن آرکیٹیکچر کے تجربے کے ساتھ، وہ بہت سے پیچیدہ چیلنجوں سے نمٹتا ہے، جن میں روبوٹکس کمپیوٹر ویژن، ٹائم سیریز کی پیشن گوئی، اور پیشین گوئی کی دیکھ بھال شامل ہیں۔ اس کا کام پراجیکٹ مینجمنٹ، سافٹ ویئر آر اینڈ ڈی، اور تعلیمی حصول کے ٹھوس پس منظر پر مبنی ہے۔ کام سے باہر، ڈاکٹر سن کو سفر کرنے اور خاندان اور دوستوں کے ساتھ وقت گزارنے کے توازن سے لطف اندوز ہوتا ہے۔

ڈیرک چو AWS میں ایک سینئر سولیوشنز آرکیٹیکٹ ہے جو کلاؤڈ پر گاہک کے سفر کو تیز کرنے اور کلاؤڈ بیسڈ حل کو اپنانے کے ذریعے ان کے کاروبار کو تبدیل کرنے پر مرکوز ہے۔ اس کی مہارت مکمل اسٹیک ایپلی کیشن اور مشین لرننگ ڈیولپمنٹ میں ہے۔ وہ صارفین کو فرنٹ اینڈ یوزر انٹرفیسز، IoT ایپلی کیشنز، API اور ڈیٹا انٹیگریشنز اور مشین لرننگ ماڈلز کا احاطہ کرنے والے اینڈ ٹو اینڈ سلوشنز ڈیزائن اور بنانے میں مدد کرتا ہے۔ اپنے فارغ وقت میں، وہ اپنے خاندان کے ساتھ وقت گزارنے اور فوٹو گرافی اور ویڈیو گرافی کے تجربات سے لطف اندوز ہوتا ہے۔

فرینک ونکلر سنگاپور میں مقیم AWS میں ایک سینئر سولیوشن آرکیٹیکٹ اور جنریٹو AI ماہر ہے، جو مشین لرننگ اور جنریٹو AI پر مرکوز ہے۔ وہ عالمی ڈیجیٹل مقامی کمپنیوں کے ساتھ AWS پر قابل توسیع، محفوظ، اور لاگت سے موثر مصنوعات اور خدمات کی تعمیر کے لیے کام کرتا ہے۔ اپنے فارغ وقت میں، وہ اپنے بیٹے اور بیٹی کے ساتھ وقت گزارتا ہے، اور آسیان کی لہروں سے لطف اندوز ہونے کے لیے سفر کرتا ہے۔

نہر چادر والا گلوبل ہیلتھ کیئر اینڈ لائف سائنسز ٹیم میں ایک Sr. AI/ML سلوشنز آرکیٹیکٹ ہیں۔ ان کی مہارت خاص طور پر بائیو میڈیکل، لائف سائنسز اور ہیلتھ کیئر ڈومین میں صارفین کے مسائل کے لیے بگ ڈیٹا اور اے آئی سے چلنے والے حل تیار کرنے میں ہے۔ وہ کوانٹم انفارمیشن سائنس اور اے آئی کے ایک دوسرے کے بارے میں بھی پرجوش ہے اور اس جگہ کو سیکھنے اور اس میں حصہ ڈالنے سے لطف اندوز ہوتا ہے۔ اپنے فارغ وقت میں، وہ ٹینس کھیلنا، سفر کرنا، اور کاسمولوجی کے بارے میں سیکھنا پسند کرتا ہے۔

• SEO سے چلنے والا مواد اور PR کی تقسیم۔ آج ہی بڑھا دیں۔
• پلیٹو ڈیٹا ڈاٹ نیٹ ورک ورٹیکل جنریٹو اے آئی۔ اپنے آپ کو بااختیار بنائیں۔ یہاں تک رسائی حاصل کریں۔
• پلیٹوآئ اسٹریم۔ ویب 3 انٹیلی جنس۔ علم میں اضافہ۔ یہاں تک رسائی حاصل کریں۔
• پلیٹو ای ایس جی۔ کاربن، کلین ٹیک، توانائی ، ماحولیات، شمسی، ویسٹ مینجمنٹ یہاں تک رسائی حاصل کریں۔
• پلیٹو ہیلتھ۔ بائیوٹیک اینڈ کلینیکل ٹرائلز انٹیلی جنس۔ یہاں تک رسائی حاصل کریں۔
• ماخذ: https://aws.amazon.com/blogs/machine-learning/use-rag-for-drug-discovery-with-knowledge-bases-for-amazon-bedrock/