Các chatbot hiện đại có thể đóng vai trò là đại lý kỹ thuật số, cung cấp một con đường mới để cung cấp dịch vụ và hỗ trợ khách hàng 24/7 trong nhiều ngành. Sự phổ biến của chúng bắt nguồn từ khả năng trả lời các câu hỏi của khách hàng trong thời gian thực và xử lý đồng thời nhiều truy vấn bằng các ngôn ngữ khác nhau. Chatbot cũng cung cấp thông tin chi tiết có giá trị dựa trên dữ liệu về hành vi của khách hàng, đồng thời dễ dàng mở rộng quy mô khi cơ sở người dùng tăng lên; do đó, họ đưa ra một giải pháp tiết kiệm chi phí để thu hút khách hàng. Chatbots sử dụng khả năng ngôn ngữ tự nhiên tiên tiến của các mô hình ngôn ngữ lớn (LLM) để trả lời các câu hỏi của khách hàng. Họ có thể hiểu ngôn ngữ đàm thoại và trả lời một cách tự nhiên. Tuy nhiên, các chatbot chỉ trả lời các câu hỏi cơ bản sẽ có rất ít tiện ích. Để trở thành cố vấn đáng tin cậy, chatbot cần đưa ra những phản hồi chu đáo, phù hợp.
Một cách để kích hoạt nhiều cuộc trò chuyện theo ngữ cảnh hơn là liên kết chatbot với các cơ sở kiến thức và hệ thống thông tin nội bộ. Việc tích hợp dữ liệu doanh nghiệp độc quyền từ cơ sở kiến thức nội bộ cho phép chatbot bối cảnh hóa các phản hồi của chúng đối với nhu cầu và sở thích cá nhân của từng người dùng. Ví dụ: chatbot có thể đề xuất các sản phẩm phù hợp với sở thích và giao dịch mua hàng trước đây của người mua hàng, giải thích chi tiết bằng ngôn ngữ phù hợp với trình độ chuyên môn của người dùng hoặc cung cấp hỗ trợ tài khoản bằng cách truy cập hồ sơ cụ thể của khách hàng. Khả năng kết hợp thông tin một cách thông minh, hiểu ngôn ngữ tự nhiên và đưa ra câu trả lời tùy chỉnh trong luồng hội thoại cho phép chatbot mang lại giá trị kinh doanh thực sự trong các trường hợp sử dụng đa dạng.
Mẫu kiến trúc phổ biến của Truy xuất thế hệ tăng cường (RAG) thường được sử dụng để tăng cường bối cảnh và phản hồi truy vấn của người dùng. RAG kết hợp các khả năng của LLM với nền tảng thực tế và kiến thức trong thế giới thực có được từ việc truy xuất các văn bản và đoạn văn có liên quan từ kho dữ liệu. Những văn bản được truy xuất này sau đó được sử dụng để thông báo và tạo cơ sở cho đầu ra, giảm ảo giác và cải thiện mức độ liên quan.
Trong bài đăng này, chúng tôi minh họa việc tăng cường theo ngữ cảnh của một chatbot bằng cách sử dụng Cơ sở kiến thức về Amazon Bedrock, một dịch vụ không có máy chủ được quản lý hoàn toàn. Cơ sở kiến thức tích hợp cho Amazon Bedrock cho phép chatbot của chúng tôi cung cấp các phản hồi phù hợp hơn, được cá nhân hóa hơn bằng cách liên kết các truy vấn của người dùng với các điểm dữ liệu thông tin liên quan. Trong nội bộ, nền tảng Amazon sử dụng các phần nhúng được lưu trữ trong cơ sở dữ liệu vectơ để tăng cường bối cảnh truy vấn của người dùng trong thời gian chạy và kích hoạt giải pháp kiến trúc RAG được quản lý. Chúng tôi sử dụng Thư của Amazon gửi cổ đông dữ liệu để phát triển giải pháp này.
Truy xuất thế hệ tăng cường
RAG là một cách tiếp cận để tạo ngôn ngữ tự nhiên kết hợp việc truy xuất thông tin vào quá trình tạo. Kiến trúc RAG bao gồm hai quy trình công việc chính: tiền xử lý dữ liệu thông qua quá trình nhập và tạo văn bản bằng cách sử dụng ngữ cảnh nâng cao.
Quy trình nhập dữ liệu sử dụng LLM để tạo vectơ nhúng thể hiện ý nghĩa ngữ nghĩa của văn bản. Phần nhúng được tạo cho các tài liệu và câu hỏi của người dùng. Các phần nhúng tài liệu được chia thành các phần và được lưu trữ dưới dạng chỉ mục trong cơ sở dữ liệu vectơ. Sau đó, quy trình tạo văn bản sẽ lấy vectơ nhúng của câu hỏi và sử dụng nó để truy xuất các đoạn tài liệu giống nhau nhất dựa trên độ tương tự của vectơ. Nó tăng cường các lời nhắc với các phần có liên quan này để tạo ra câu trả lời bằng LLM. Để biết thêm chi tiết, hãy tham khảo Sơ lược về cơ sở dữ liệu thế hệ tăng cường truy xuất, nhúng và vectơ phần trong Xem trước – Kết nối các mô hình nền tảng với nguồn dữ liệu của công ty bạn với các đại lý cho Amazon Bedrock.
Sơ đồ sau minh họa kiến trúc RAG cấp cao.
Mặc dù kiến trúc RAG có nhiều ưu điểm nhưng nó bao gồm nhiều thành phần, bao gồm cơ sở dữ liệu, cơ chế truy xuất, mô hình nhắc và tổng quát. Việc quản lý các bộ phận phụ thuộc lẫn nhau này có thể gây ra sự phức tạp trong quá trình phát triển và triển khai hệ thống. Việc tích hợp truy xuất và tạo cũng đòi hỏi nỗ lực kỹ thuật và tài nguyên tính toán bổ sung. Một số thư viện nguồn mở cung cấp trình bao bọc để giảm chi phí này; tuy nhiên, những thay đổi đối với thư viện có thể gây ra lỗi và bổ sung thêm chi phí cho việc lập phiên bản. Ngay cả với các thư viện nguồn mở, cần phải nỗ lực đáng kể để viết mã, xác định kích thước khối tối ưu, tạo các phần nhúng, v.v. Chỉ riêng công việc thiết lập này có thể mất vài tuần tùy thuộc vào khối lượng dữ liệu.
Do đó, một giải pháp được quản lý xử lý các tác vụ không phân biệt này có thể hợp lý hóa và đẩy nhanh quá trình triển khai và quản lý các ứng dụng RAG.
Cơ sở kiến thức về Amazon Bedrock
Cơ sở kiến thức dành cho Amazon Bedrock là một lựa chọn không có máy chủ để xây dựng các hệ thống AI đàm thoại mạnh mẽ bằng RAG. Nó cung cấp quy trình nhập dữ liệu và tạo văn bản được quản lý hoàn toàn.
Để nhập dữ liệu, nó tự động xử lý việc tạo, lưu trữ, quản lý và cập nhật phần nhúng văn bản của dữ liệu tài liệu trong cơ sở dữ liệu vectơ. Nó chia tài liệu thành các phần có thể quản lý được để truy xuất hiệu quả. Sau đó, các đoạn này được chuyển đổi thành phần nhúng và được ghi thành chỉ mục vectơ, đồng thời cho phép bạn xem tài liệu nguồn khi trả lời câu hỏi.
Để tạo văn bản, Amazon Bedrock cung cấp Truy xuất và tạo API để tạo các truy vấn nhúng của người dùng và truy xuất các đoạn có liên quan từ cơ sở dữ liệu vectơ để tạo ra phản hồi chính xác. Nó cũng hỗ trợ phân bổ nguồn và bộ nhớ ngắn hạn cần thiết cho các ứng dụng RAG.
Điều này cho phép bạn tập trung vào các ứng dụng kinh doanh cốt lõi của mình và loại bỏ những công việc nặng nhọc không có sự khác biệt.
Tổng quan về giải pháp
Giải pháp được trình bày trong bài đăng này sử dụng chatbot được tạo bằng cách sử dụng Hợp lý hóa ứng dụng và bao gồm các dịch vụ AWS sau:
Sơ đồ sau đây là mẫu kiến trúc giải pháp phổ biến mà bạn có thể sử dụng để tích hợp bất kỳ ứng dụng chatbot nào vào Cơ sở tri thức cho Amazon Bedrock.
Kiến trúc này bao gồm các bước sau:
- Người dùng tương tác với giao diện chatbot Streamlit và gửi truy vấn bằng ngôn ngữ tự nhiên
- Điều này kích hoạt hàm Lambda, hàm này gọi Cơ sở tri thức
RetrieveAndGenerate
API. Trong nội bộ, Cơ sở Tri thức sử dụng một người khổng lồ Amazon nhúng mô hình và chuyển đổi truy vấn của người dùng thành một vectơ và tìm các đoạn tương tự về mặt ngữ nghĩa với truy vấn của người dùng. Lời nhắc của người dùng còn được tăng cường hơn với các đoạn được lấy từ cơ sở kiến thức. Sau đó, lời nhắc cùng với ngữ cảnh bổ sung sẽ được gửi đến LLM để tạo phản hồi. Trong giải pháp này, chúng tôi sử dụng Nhân loại Claude tức thì làm LLM của chúng tôi để tạo phản hồi của người dùng bằng cách sử dụng ngữ cảnh bổ sung. Lưu ý rằng giải pháp này được hỗ trợ tại các Khu vực có Anthropic Claude trên Amazon Bedrock có sẵn. - Một phản hồi phù hợp theo ngữ cảnh sẽ được gửi lại cho người dùng và ứng dụng chatbot.
Điều kiện tiên quyết
Người dùng Amazon Bedrock cần yêu cầu quyền truy cập vào các mô hình nền tảng trước khi chúng được đưa vào sử dụng. Đây là hành động một lần và mất chưa đầy một phút. Đối với giải pháp này, bạn cần cấp quyền truy cập vào mô hình Titan Embeddings G1 – Text và Claude Instant – v1.2 trong Amazon Bedrock. Để biết thêm thông tin, hãy tham khảo Truy cập mô hình.
Sao chép repo GitHub
Giải pháp được trình bày trong bài đăng này có sẵn sau đây Repo GitHub. Bạn cần sao chép kho lưu trữ GitHub vào máy cục bộ của mình. Mở một cửa sổ terminal và chạy lệnh sau. Lưu ý đây là một lệnh git clone duy nhất.
Tải tập dữ liệu kiến thức của bạn lên Amazon S3
Chúng tôi tải xuống tập dữ liệu cho cơ sở kiến thức của mình và tải nó lên vùng lưu trữ S3. Tập dữ liệu này sẽ cung cấp và cung cấp nền tảng kiến thức. Hoàn thành các bước sau:
- Điều hướng đến Báo cáo thường niên, giấy uỷ quyền và thư cổ đông kho lưu trữ dữ liệu và tải xuống các bức thư cổ đông của Amazon trong vài năm gần đây.
- Trên bảng điều khiển Amazon S3, chọn xô trong khung điều hướng.
- Chọn Tạo xô.
- Đặt tên cho thùng
knowledgebase-<your-awsaccount-number>
. - Để tất cả các cài đặt nhóm khác làm mặc định và chọn Tạo.
- Điều hướng đến
knowledgebase-<your-awsaccount-number>
Gầu múc. - Chọn Tạo thư mục và đặt tên cho nó là tập dữ liệu.
- Để tất cả các cài đặt thư mục khác làm mặc định và chọn Tạo.
- Điều hướng trở lại trang chủ nhóm và chọn Tạo thư mục để tạo một thư mục mới và đặt tên cho nó
lambdalayer
. - Để tất cả các cài đặt khác làm mặc định và chọn Tạo.
- Điều hướng đến
dataset
thư mục. - Tải các tệp dữ liệu báo cáo hàng năm, proxy và thư cổ đông mà bạn đã tải xuống trước đó vào nhóm này và chọn Tải lên.
- Điều hướng đến
lambdalayer
thư mục. - Tải lên
knowledgebase-lambdalayer.zip
tập tin có sẵn dưới/lambda/layer
thư mục trong kho GitHub mà bạn đã sao chép trước đó và chọn Tải lên. Sau này bạn sẽ sử dụng mã lớp Lambda này để tạo hàm Lambda.
Tạo cơ sở kiến thức
Ở bước này, chúng tôi tạo cơ sở kiến thức bằng cách sử dụng tập dữ liệu về thư của cổ đông Amazon mà chúng tôi đã tải lên nhóm S3 ở bước trước.
- Trên bảng điều khiển Amazon Bedrock, bên dưới Dàn nhạc trong ngăn điều hướng, chọn Kiến thức cơ bản.
- Chọn Tạo nền tảng kiến thức.
- Trong tạp chí Chi tiết cơ sở kiến thức phần, nhập tên và mô tả tùy chọn.
- Trong tạp chí Quyền IAM phần, chọn Tạo và sử dụng vai trò dịch vụ mới và nhập tên cho vai trò.
- Thêm thẻ khi cần thiết.
- Chọn Sau.
- Rời bỏ Tên nguồn dữ liệu làm tên mặc định.
- Trong URI S3, chọn Duyệt qua S3 để chọn nhóm S3
knowledgebase-<your-account-number>/dataset/
.Bạn cần trỏ đến thư mục bộ chứa và tập dữ liệu mà bạn đã tạo ở các bước trước. - Trong tạp chí Cài đặt nâng cao phần, hãy để lại các giá trị mặc định (nếu muốn, bạn có thể thay đổi chiến lược phân nhóm mặc định và chỉ định kích thước khối và lớp phủ theo tỷ lệ phần trăm).
- Chọn Sau.
- Trong Mô hình nhúng, lựa chọn Titan Nhúng G1 – Văn bản.
- Trong Cơ sở dữ liệu vectơ, bạn có thể chọn Tạo nhanh một cửa hàng vector mới or Chọn một cửa hàng vector bạn đã tạo. Lưu ý rằng, để sử dụng kho vectơ mà bạn chọn, bạn cần có kho vectơ được cấu hình sẵn để sử dụng. Chúng tôi hiện hỗ trợ bốn loại công cụ vectơ: công cụ vectơ cho Amazon OpenSearch Serverless, Amazon Aurora, Pinecone và Redis Enterprise Cloud. Đối với bài đăng này, chúng tôi chọn Tạo nhanh một cửa hàng vectơ mới, theo mặc định sẽ tạo một cửa hàng vectơ OpenSearch Serverless mới trong tài khoản của bạn.
- Chọn Sau.
- trên Xem lại và tạo trang, xem lại tất cả thông tin hoặc chọn trước để sửa đổi bất kỳ tùy chọn nào.
- Chọn Tạo nền tảng kiến thức.Lưu ý quá trình tạo cơ sở kiến thức bắt đầu và trạng thái là Đang tiến hành. Sẽ mất vài phút để tạo kho lưu trữ vector và cơ sở kiến thức. Đừng điều hướng khỏi trang, nếu không quá trình tạo sẽ không thành công.
- Khi trạng thái cơ sở tri thức ở trạng thái
Ready
trạng thái, ghi lại ID cơ sở kiến thức. Bạn sẽ sử dụng nó trong các bước tiếp theo để định cấu hình hàm Lambda. - Bây giờ cơ sở kiến thức đó đã sẵn sàng, chúng ta cần đồng bộ hóa dữ liệu thư của cổ đông Amazon với nó. bên trong Nguồn dữ liệu của trang chi tiết cơ sở kiến thức, chọn Đồng bộ để kích hoạt quá trình nhập dữ liệu từ nhóm S3 đến cơ sở kiến thức.
Quá trình đồng bộ hóa này chia tệp tài liệu thành các phần nhỏ hơn có kích thước khối được chỉ định trước đó, tạo các phần nhúng vectơ bằng cách sử dụng mô hình nhúng văn bản đã chọn và lưu trữ chúng trong kho vectơ do Cơ sở Kiến thức dành cho Amazon Bedrock quản lý.
Khi quá trình đồng bộ hóa tập dữ liệu hoàn tất, trạng thái của nguồn dữ liệu sẽ thay đổi thành Ready
tình trạng. Lưu ý rằng, nếu bạn thêm bất kỳ tài liệu bổ sung nào vào thư mục dữ liệu S3, bạn cần phải đồng bộ lại cơ sở kiến thức.
Xin chúc mừng, cơ sở kiến thức của bạn đã sẵn sàng.
Lưu ý rằng bạn cũng có thể sử dụng Cơ sở kiến thức cho API dịch vụ Amazon Bedrock và Giao diện dòng lệnh AWS (AWS CLI) để tạo cơ sở kiến thức theo chương trình. Bạn sẽ cần chạy nhiều phần khác nhau của sổ ghi chép Jupyter được cung cấp trong phần /notebook
thư mục trong kho GitHub.
Tạo một hàm Lambda
Hàm Lambda này được triển khai bằng cách sử dụng Hình thành đám mây AWS mẫu có sẵn trong kho GitHub dưới /cfn
thư mục. Mẫu yêu cầu hai tham số: tên nhóm S3 và ID cơ sở kiến thức.
- Trên trang chủ dịch vụ AWS CloudFormation, chọn Tạo ngăn xếp để tạo một ngăn xếp mới.
- Chọn Mẫu đã sẵn sàng cho chuẩn bị mẫu.
- Chọn Tải lên tệp mẫu cho Nguồn mẫu.
- Chọn Chọn tập tin, điều hướng đến kho lưu trữ GitHub mà bạn đã sao chép trước đó và chọn tệp .yaml trong
/cfn
thư mục. - Chọn Sau.
- Trong Tên ngăn xếp, nhập tên.
- Trong tạp chí Thông số phần này, hãy nhập ID cơ sở kiến thức và tên nhóm S3 mà bạn đã ghi lại trước đó.
- Chọn Sau.
- Để nguyên tất cả các tùy chọn mặc định, chọn Sau, và lựa chọn Gửi.
- Xác minh rằng mẫu CloudFormation đã chạy thành công và không có lỗi.
Xin chúc mừng, bạn đã tạo thành công hàm Lambda, các vai trò và chính sách liên quan.
Kiểm tra ứng dụng chatbot theo ngữ cảnh
Để kiểm tra ứng dụng chatbot của bạn, hãy hoàn thành các bước sau:
- Mở một thiết bị đầu cuối mới hoặc cửa sổ dòng lệnh trên máy của bạn.
- Chạy lệnh sau để cài đặt AWS SDK cho Python (Boto3). Boto3 giúp việc tích hợp ứng dụng, thư viện hoặc tập lệnh Python với các dịch vụ AWS trở nên đơn giản.
- Chạy lệnh sau để cài đặt và thiết lập môi trường phát triển Python cục bộ nhằm chạy ứng dụng Streamlit:
- Điều hướng đến
/streamlit
thư mục trong thư mục kho lưu trữ GitHub mà bạn đã sao chép trước đó. - Chạy lệnh sau để khởi tạo ứng dụng chatbot:
Thao tác này sẽ mở một ứng dụng trò chuyện dựa trên web do Streamlit cung cấp trong trình duyệt web mặc định của bạn.
- Sử dụng ứng dụng chatbot Streamlit này để đăng các câu hỏi bằng ngôn ngữ tự nhiên nhằm bắt đầu các cuộc hội thoại được cung cấp bởi Cơ sở Kiến thức dành cho Amazon Bedrock.
Khi bạn gửi lời nhắc, ứng dụng Streamlit sẽ kích hoạt hàm Lambda để gọi Cơ sở kiến thức RetrieveAndGenerate
API để tìm kiếm và tạo phản hồi.
Bảng sau đây bao gồm một số câu hỏi mẫu và câu trả lời cơ sở kiến thức liên quan. Hãy thử một số câu hỏi này bằng cách sử dụng lời nhắc.
Câu hỏi | câu trả lời |
Amazon đang làm gì trong lĩnh vực AI sáng tạo? | Amazon đã và đang nghiên cứu các mô hình ngôn ngữ lớn (LLM) của riêng họ cho AI tổng hợp và tin rằng nó sẽ biến đổi và cải thiện mọi trải nghiệm của khách hàng. Họ có kế hoạch tiếp tục đầu tư đáng kể vào các mô hình này trên tất cả trải nghiệm của người tiêu dùng, người bán, thương hiệu và người sáng tạo. |
Doanh thu hàng năm của AWS vào năm 2022 là bao nhiêu? | Doanh thu AWS tăng 29% so với cùng kỳ năm 2022 trên cơ sở doanh thu 62 tỷ USD. |
Đã bao nhiêu ngày Amazon yêu cầu nhân viên đến làm việc tại văn phòng? | Amazon đã yêu cầu nhân viên công ty quay lại văn phòng ít nhất ba ngày một tuần bắt đầu từ tháng 2022 năm XNUMX. |
Doanh thu AWS tăng bao nhiêu phần trăm so với cùng kỳ năm 2022? | AWS có doanh thu 29% so với cùng kỳ năm trước ('YoY') vào năm 2022. |
So với bộ xử lý Graviton2, chip Graviton3 đã mang lại sự cải thiện hiệu suất nào theo đoạn văn? | Vào năm 2022, AWS đã cung cấp chip Graviton3 của họ, mang lại hiệu suất tốt hơn 25% so với bộ xử lý Graviton2. |
Theo đoạn văn, chip suy luận đầu tiên được AWS tung ra là chip nào? | AWS đã ra mắt chip suy luận đầu tiên (“Inferentia”) vào năm 2019 và họ đã tiết kiệm cho các công ty như Amazon hơn một trăm triệu đô la chi phí vốn. |
Theo bối cảnh, doanh thu hàng năm của Amazon tăng từ 245 tỷ USD lên 434 tỷ USD vào năm nào? | Doanh thu hàng năm của Amazon đã tăng từ 245 tỷ USD vào năm 2019 lên 434 tỷ USD vào năm 2022. |
Nói lại cho tôi biết doanh thu năm 2019 là bao nhiêu? | Doanh thu của Amazon năm 2019 là 245 tỷ USD. |
và, 2021? | Doanh thu của Amazon năm 2021 là 469.8 tỷ USD, tăng 22% so với năm 2020. |
Và, xin nhắc lại lần nữa con chip suy luận đầu tiên được ra mắt là khi nào? | Chip suy luận đầu tiên của Amazon là Inferentia, ra mắt vào năm 2019. |
Trong lần gọi hàm Lambda đầu tiên, RetrieveAndGenerate
API trả về một sessionId
, sau đó được ứng dụng Streamlit chuyển qua cùng với lời nhắc của người dùng tiếp theo dưới dạng đầu vào cho API RetrieveAndGenerate để tiếp tục cuộc trò chuyện trong cùng một phiên. Các RetrieveAndGenerate
API quản lý bộ nhớ ngắn hạn và sử dụng lịch sử trò chuyện miễn là cùng một sessionId được chuyển làm đầu vào trong các cuộc gọi liên tiếp.
Xin chúc mừng, bạn đã tạo và thử nghiệm thành công ứng dụng chatbot sử dụng Cơ sở Kiến thức cho Amazon Bedrock.
Làm sạch
Việc không xóa các tài nguyên như nhóm S3, bộ sưu tập OpenSearch Serverless và cơ sở kiến thức sẽ phải chịu phí. Để dọn sạch các tài nguyên này, hãy xóa ngăn xếp CloudFormation, xóa nhóm S3 (bao gồm mọi thư mục tài liệu và tệp được lưu trữ trong nhóm đó), xóa bộ sưu tập OpenSearch Serverless, xóa cơ sở kiến thức và xóa mọi vai trò, chính sách và quyền mà bạn được tạo trước đó.
Kết luận
Trong bài đăng này, chúng tôi đã cung cấp thông tin tổng quan về chatbot theo ngữ cảnh và giải thích lý do tại sao chúng quan trọng. Chúng tôi đã mô tả sự phức tạp liên quan đến quy trình nhập dữ liệu và tạo văn bản cho kiến trúc RAG. Sau đó, chúng tôi đã giới thiệu cách Cơ sở Kiến thức dành cho Amazon Bedrock tạo ra một hệ thống RAG không máy chủ được quản lý hoàn toàn, bao gồm cả kho lưu trữ vectơ. Cuối cùng, chúng tôi đã cung cấp kiến trúc giải pháp và mã mẫu theo dạng Repo GitHub để truy xuất và tạo phản hồi theo ngữ cảnh cho ứng dụng chatbot bằng cách sử dụng cơ sở kiến thức.
Bằng cách giải thích giá trị của chatbot theo ngữ cảnh, những thách thức của hệ thống RAG và cách Cơ sở Kiến thức dành cho Amazon Bedrock giải quyết những thách thức đó, bài đăng này nhằm mục đích giới thiệu cách Amazon Bedrock cho phép bạn xây dựng các ứng dụng AI đàm thoại phức tạp mà không tốn nhiều công sức.
Để biết thêm thông tin, xem Hướng dẫn dành cho nhà phát triển Amazon Bedrock và API cơ sở kiến thức.
Về các tác giả
Manish Chugh là Kiến trúc sư giải pháp chính tại AWS có trụ sở tại San Francisco, CA. Anh ấy chuyên về học máy và AI tổng hợp. Anh làm việc với các tổ chức từ doanh nghiệp lớn đến các công ty khởi nghiệp ở giai đoạn đầu về các vấn đề liên quan đến học máy. Vai trò của anh liên quan đến việc hỗ trợ các tổ chức này xây dựng khối lượng công việc có thể mở rộng, an toàn và tiết kiệm chi phí trên AWS. Anh thường xuyên trình bày tại các hội nghị của AWS và các sự kiện đối tác khác. Ngoài công việc, anh ấy thích đi bộ đường dài trên những con đường mòn ở Vịnh Đông, đạp xe trên đường và xem (và chơi) môn cricket.
Mani Khanuja là Trưởng nhóm công nghệ – Chuyên gia AI sáng tạo, tác giả cuốn sách Học máy ứng dụng và Điện toán hiệu suất cao trên AWS, đồng thời là thành viên Ban Giám đốc dành cho Phụ nữ trong Ban Tổ chức Giáo dục Sản xuất. Cô lãnh đạo các dự án học máy trong nhiều lĩnh vực khác nhau như thị giác máy tính, xử lý ngôn ngữ tự nhiên và AI tổng hợp. Cô phát biểu tại các hội nghị nội bộ và bên ngoài như AWS re:Invent, Women in Manufacturing West, hội thảo trực tuyến trên YouTube và GHC 23. Khi rảnh rỗi, cô thích chạy bộ dài dọc bãi biển.
Pallavi Nargund là Kiến trúc sư giải pháp chính tại AWS. Với vai trò là người hỗ trợ công nghệ đám mây, cô làm việc với khách hàng để hiểu mục tiêu và thách thức của họ, đồng thời đưa ra hướng dẫn mang tính quy định để họ đạt được mục tiêu bằng các dịch vụ AWS. Cô đam mê phụ nữ trong lĩnh vực công nghệ và là thành viên cốt lõi của Women in AI/ML tại Amazon. Cô phát biểu tại các hội nghị nội bộ và bên ngoài như AWS re:Invent, Hội nghị thượng đỉnh AWS và hội thảo trên web. Ngoài công việc, cô thích hoạt động tình nguyện, làm vườn, đạp xe và đi bộ đường dài.
- Phân phối nội dung và PR được hỗ trợ bởi SEO. Được khuếch đại ngay hôm nay.
- PlatoData.Network Vertical Generative Ai. Trao quyền cho chính mình. Truy cập Tại đây.
- PlatoAiStream. Thông minh Web3. Kiến thức khuếch đại. Truy cập Tại đây.
- Trung tâmESG. Than đá, công nghệ sạch, Năng lượng, Môi trường Hệ mặt trời, Quản lý chất thải. Truy cập Tại đây.
- PlatoSức khỏe. Tình báo thử nghiệm lâm sàng và công nghệ sinh học. Truy cập Tại đây.
- nguồn: https://aws.amazon.com/blogs/machine-learning/build-a-contextual-chatbot-application-using-knowledge-bases-for-amazon-bedrock/
- : có
- :là
- :Ở đâu
- $ LÊN
- 100
- 125
- 2019
- 2020
- 2021
- 2022
- 23
- 27
- 500
- 7
- 8
- 9
- a
- có khả năng
- Giới thiệu
- đẩy nhanh tiến độ
- truy cập
- truy cập
- Theo
- Tài khoản
- chính xác
- Đạt được
- ngang qua
- Hoạt động
- thêm vào
- thêm vào
- địa chỉ
- tiên tiến
- lợi thế
- cố vấn
- một lần nữa
- đại lý
- AI
- Hệ thống AI
- AI / ML
- nhằm vào
- Tất cả
- Cho phép
- cho phép
- cô đơn
- dọc theo
- bên cạnh
- Ngoài ra
- đàn bà gan dạ
- Amazon Web Services
- an
- và
- hàng năm
- DOANH THU HÀNG NĂM
- trả lời
- trả lời
- nhân loại
- bất kì
- api
- API
- ứng dụng
- Các Ứng Dụng
- các ứng dụng
- áp dụng
- phương pháp tiếp cận
- kiến trúc
- LÀ
- AS
- At
- tăng
- tăng cường
- gia tăng
- Rạng đông
- tác giả
- tự động
- có sẵn
- Avenue
- xa
- AWS
- Hình thành đám mây AWS
- AWS re: Invent
- trở lại
- cơ sở
- dựa
- cơ bản
- vịnh
- bờ biển
- trở nên
- được
- trước
- Bắt đầu
- bắt đầu
- hành vi
- tin
- Hơn
- Tỷ
- bảng
- ban giám đốc
- cuốn sách
- thương hiệu
- trình duyệt
- xây dựng
- kinh doanh
- Ứng dụng kinh doanh
- by
- CA
- cuộc gọi
- Cuộc gọi
- CAN
- khả năng
- vốn
- trường hợp
- CD
- thách thức
- thay đổi
- Những thay đổi
- tải
- trò chuyện trên mạng
- chatbot
- chatbot
- Kiểm tra
- Chip
- Snacks
- sự lựa chọn
- Chọn
- giống cá lăng
- cli
- đám mây
- CÔNG NGHỆ ĐÁM MÂY
- mã
- bộ sưu tập
- kết hợp
- Đến
- đến
- Chung
- Các công ty
- công ty
- hoàn thành
- phức tạp
- các thành phần
- tính toán
- máy tính
- Tầm nhìn máy tính
- máy tính
- hội nghị
- Kết nối
- An ủi
- người tiêu dùng
- bối cảnh
- theo ngữ cảnh
- ngữ cảnh hóa
- tiếp tục
- Conversation
- đàm thoại
- AI đàm thoại
- cuộc hội thoại
- chuyển đổi
- Trung tâm
- Doanh nghiệp
- chi phí-hiệu quả
- có thể
- tạo
- tạo ra
- tạo ra
- Tạo
- tạo
- yaratıcı
- dế
- Hiện nay
- khách hàng
- hành vi của khách hàng
- kinh nghiệm khach hang
- Dịch Vụ CSKH
- khách hàng
- tùy chỉnh
- dữ liệu
- điểm dữ liệu
- hướng dữ liệu
- Cơ sở dữ liệu
- Ngày
- Mặc định
- cung cấp
- giao
- phân phối
- Tùy
- triển khai
- triển khai
- mô tả
- Mô tả
- chi tiết
- Xác định
- phát triển
- Nhà phát triển
- Phát triển
- sơ đồ
- ĐÃ LÀM
- khác nhau
- kỹ thuật số
- Giám đốc
- khác nhau
- tài liệu
- tài liệu
- làm
- đô la
- lĩnh vực
- dont
- xuống
- tải về
- mỗi
- Sớm hơn
- giai đoạn đầu
- Đông
- Đào tạo
- hiệu quả
- nỗ lực
- dễ dàng
- hay
- nhúng
- nhân viên
- cho phép
- kẻ gây rối
- cho phép
- tương tác
- Động cơ
- Kỹ Sư
- nâng cao
- tăng cường
- đăng ký hạng mục thi
- Doanh nghiệp
- doanh nghiệp
- Môi trường
- lỗi
- Ngay cả
- sự kiện
- Mỗi
- ví dụ
- kinh nghiệm
- Kinh nghiệm
- chuyên môn
- Giải thích
- Giải thích
- giải thích
- ngoài
- sự kiện
- FAIL
- vài
- lĩnh vực
- Tập tin
- Các tập tin
- Cuối cùng
- tìm thấy
- Tên
- dòng chảy
- Tập trung
- tiếp theo
- Trong
- Nền tảng
- 4
- Francisco
- Miễn phí
- từ
- đầy đủ
- chức năng
- g1
- tạo ra
- tạo
- thế hệ
- thế hệ
- Trí tuệ nhân tạo
- đi
- GitHub
- Cho
- Go
- Các mục tiêu
- lớn
- Mặt đất
- Phát triển
- Phát triển
- hướng dẫn
- có
- xử lý
- Xử lý
- Có
- he
- nặng
- nâng nặng
- giúp đỡ
- cô
- Cao
- cấp độ cao
- của mình
- lịch sử
- Trang Chủ
- Độ đáng tin của
- Tuy nhiên
- HTML
- http
- HTTPS
- một trăm
- ID
- if
- minh họa
- minh họa
- thực hiện
- quan trọng
- nâng cao
- cải thiện
- cải thiện
- in
- bao gồm
- Bao gồm
- kết hợp
- kết hợp
- Tăng lên
- tăng
- chỉ số
- chỉ số
- hệ thống riêng biệt,
- các ngành công nghiệp
- báo
- thông tin
- Hệ thống Thông tin
- đầu vào
- Yêu cầu
- những hiểu biết
- cài đặt, dựng lên
- ngay lập tức
- tích hợp
- Tích hợp
- hội nhập
- tương tác
- lợi ích
- Giao thức
- nội bộ
- nội bộ
- trong
- giới thiệu
- giới thiệu
- đầu tư
- viện dẫn
- tham gia
- liên quan đến
- IT
- jpg
- Key
- kiến thức
- Ngôn ngữ
- Ngôn ngữ
- lớn
- Doanh nghiệp lớn
- Họ
- một lát sau
- phát động
- lớp
- dẫn
- Dẫn
- học tập
- ít nhất
- Rời bỏ
- ít
- bức thư
- Cấp
- thư viện
- Thư viện
- nâng
- Lượt thích
- Lượt thích
- Hạn chế
- Dòng
- liên kết
- LLM
- địa phương
- dài
- máy
- học máy
- Chủ yếu
- LÀM CHO
- quản lý
- quản lý
- quản lý
- quản lý
- sản xuất
- nhiều
- Trận đấu
- Có thể..
- me
- có nghĩa là
- cơ chế
- hội viên
- Bộ nhớ
- chỉ đơn thuần là
- triệu
- triệu đô la
- tối thiểu
- phút
- Phút
- kiểu mẫu
- mô hình
- sửa đổi
- chi tiết
- hầu hết
- nhiều
- tên
- Tự nhiên
- Xử lý ngôn ngữ tự nhiên
- Điều hướng
- THÔNG TIN
- Cần
- cần thiết
- nhu cầu
- Mới
- tiếp theo
- Không
- Không áp dụng
- ghi
- máy tính xách tay
- lưu ý
- Mục tiêu
- of
- cung cấp
- Cung cấp
- Cung cấp
- Office
- thường
- on
- ONE
- mở
- mã nguồn mở
- tối ưu
- Tùy chọn
- Các lựa chọn
- or
- tổ chức
- Nền tảng khác
- nếu không thì
- vfoXNUMXfipXNUMXhfpiXNUMXufhpiXNUMXuf
- ra
- đầu ra
- bên ngoài
- kết thúc
- trên không
- tổng quan
- riêng
- trang
- cửa sổ
- thông số
- đối tác
- các bộ phận
- đi qua
- đoạn
- thông qua
- đam mê
- qua
- Họa tiết
- tỷ lệ phần trăm
- hiệu suất
- quyền
- Cá nhân
- kế hoạch
- plato
- Thông tin dữ liệu Plato
- PlatoDữ liệu
- chơi
- Điểm
- điểm
- Chính sách
- Phổ biến
- phổ biến
- Bài đăng
- quyền lực
- -
- mạnh mẽ
- ưu đãi
- trình bày
- trình bày
- quà
- trước
- Hiệu trưởng
- vấn đề
- quá trình
- xử lý
- bộ vi xử lý
- Sản phẩm
- Tiến độ
- dự án
- nhắc nhở
- độc quyền
- cho
- cung cấp
- cung cấp
- cung cấp
- mua hàng
- Python
- truy vấn
- truy vấn
- câu hỏi
- Câu hỏi
- Nhanh chóng
- giẻ lau
- khác nhau,
- RE
- sẵn sàng
- thực
- thế giới thực
- thời gian thực
- hồ sơ
- giảm
- giảm
- xem
- vùng
- thường xuyên
- liên quan
- sự liên quan
- có liên quan
- Loại bỏ
- Báo cáo
- kho
- đại diện
- yêu cầu
- cần phải
- đòi hỏi
- Thông tin
- Trả lời
- phản ứng
- phản ứng
- thu hồi
- Trả về
- doanh thu
- xem xét
- đường
- Vai trò
- vai trò
- chạy
- chạy
- thời gian chạy
- tương tự
- mẫu
- San
- San Francisco
- lưu
- khả năng mở rộng
- mở rộng quy mô
- kịch bản
- sdk
- Tìm kiếm
- Phần
- phần
- an toàn
- xem
- chọn
- chọn
- ngữ nghĩa
- gởi
- phục vụ
- Không có máy chủ
- dịch vụ
- DỊCH VỤ
- Phiên
- định
- thiết lập
- thiết lập
- cổ đông
- cổ đông
- chị ấy
- thời gian ngắn
- nên
- giới thiệu
- có ý nghĩa
- tương tự
- đồng thời
- duy nhất
- Kích thước máy
- nhỏ hơn
- giải pháp
- Giải pháp
- một số
- tinh vi
- nguồn
- nguồn
- Nói
- chuyên gia
- chuyên
- riêng
- quy định
- chia
- Tách
- ngăn xếp
- Bắt đầu
- Startups
- Tiểu bang
- Trạng thái
- thân cây
- Bước
- Các bước
- hàng
- lưu trữ
- cửa hàng
- lưu trữ
- đơn giản
- Chiến lược
- hợp lý hóa
- trình
- tiếp theo
- đáng kể
- Thành công
- như vậy
- đề nghị
- Hội nghị Cấp cao
- hỗ trợ
- Hỗ trợ
- Hỗ trợ
- đồng bộ hóa.
- hệ thống
- hệ thống
- bàn
- phù hợp
- Hãy
- mất
- nhiệm vụ
- công nghệ cao
- Công nghệ
- mẫu
- Thiết bị đầu cuối
- thử nghiệm
- thử nghiệm
- văn bản
- hơn
- việc này
- Sản phẩm
- thông tin
- Nguồn
- cung cấp their dịch
- Them
- sau đó
- Đó
- vì thế
- Kia là
- họ
- điều này
- những
- số ba
- Thông qua
- thời gian
- titan
- đến
- Chuyển đổi
- kích hoạt
- đáng tin cậy
- thử
- hai
- loại
- Dưới
- hiểu
- cập nhật
- tải lên
- sử dụng
- đã sử dụng
- người sử dang
- Người sử dụng
- sử dụng
- sử dụng
- tiện ích
- v1
- Quý báu
- giá trị
- Các giá trị
- khác nhau
- tầm nhìn
- khối lượng
- muốn
- là
- xem
- Đường..
- we
- web
- trình duyệt web
- các dịch vụ web
- Dựa trên web
- Hội thảo
- tuần
- tuần
- hướng Tây
- Điều gì
- khi nào
- cái nào
- trong khi
- tại sao
- sẽ
- cửa sổ
- với
- Dành cho Nữ
- phụ nữ trong công nghệ
- Công việc
- quy trình làm việc
- Luồng công việc
- đang làm việc
- công trinh
- viết
- viết mã
- viết
- khoai mỡ
- năm
- năm
- Bạn
- trên màn hình
- youtube
- zephyrnet