生成式人工智能 由基础模型 (FM) 驱动的应用程序使组织能够在客户体验、生产力、流程优化和创新方面具有重大商业价值。然而,采用这些 FM 需要解决一些关键挑战,包括质量输出、数据隐私、安全性、与组织数据的集成、成本和交付技能。
在这篇文章中,我们探讨了构建使用生成式人工智能的应用程序时可以采取的不同方法。随着 FM 的快速发展,现在是利用其力量的激动人心的时刻,但了解如何正确使用它们来实现业务成果也至关重要。我们概述了关键的生成式 AI 方法,包括即时工程、检索增强生成 (RAG) 和模型定制。在应用这些方法时,我们讨论了围绕潜在幻觉、与企业数据集成、输出质量和成本的关键考虑因素。最后,您将获得可靠的指南和有用的流程图,以根据现实生活中的示例确定开发自己的 FM 应用程序的最佳方法。无论是创建聊天机器人还是摘要工具,您都可以塑造强大的 FM 来满足您的需求。
使用 AWS 生成人工智能
FM 的出现为希望使用这些技术的组织带来了机遇和挑战。一个关键的挑战是确保高质量、一致的输出符合业务需求,而不是幻觉或虚假信息。组织还必须仔细管理因使用 FM 处理专有数据而产生的数据隐私和安全风险。在现有系统和数据中正确集成、定制和验证 FM 所需的技能供不应求。从头开始构建大型语言模型 (LLM) 或自定义预训练模型需要大量计算资源、专家数据科学家和数月的工程工作。使用数千个 GPU 或 TPU 在海量数据集上训练具有数千亿个参数的模型,仅计算成本就很容易达到数百万美元。除了硬件之外,数据清理和处理、模型架构设计、超参数调整和训练管道开发还需要专门的机器学习 (ML) 技能。对于大多数没有必要的基础设施和人才投资的组织来说,端到端流程复杂、耗时且昂贵。未能充分应对这些风险的组织可能会对其品牌声誉、客户信任、运营和收入产生负面影响。
亚马逊基岩 是一项完全托管的服务,通过单个 API 提供来自 AI21 Labs、Anthropic、Cohere、Meta、Mistral AI、Stability AI 和 Amazon 等领先 AI 公司的高性能基础模型 (FM) 选择。借助 Amazon Bedrock 无服务器体验,您可以快速入门,使用自己的数据私下自定义 FM,并使用 AWS 工具将其集成和部署到您的应用程序中,而无需管理任何基础设施。 Amazon Bedrock 符合 HIPAA 要求,您可以根据 GDPR 使用 Amazon Bedrock。使用 Amazon Bedrock,您的内容不会用于改进基本模型,也不会与第三方模型提供商共享。您在 Amazon Bedrock 中的数据在传输过程中和静态时始终进行加密,并且您可以选择使用自己的密钥对资源进行加密。您可以使用 AWS私有链接 与 Amazon Bedrock 一起在您的 FM 和 VPC 之间建立私有连接,而无需将您的流量暴露到互联网。和 Amazon Bedrock 知识库,您可以向 FM 和座席提供来自公司私有数据源的上下文信息,以便 RAG 提供更相关、更准确和定制的响应。您可以通过可视化界面,用自己的数据私人定制FM,无需编写任何代码。作为一项完全托管的服务,Amazon Bedrock 提供了简单的开发人员体验,可以与各种高性能 FM 配合使用。
在2017推出, 亚马逊SageMaker 是一项完全托管的服务,可以轻松构建、训练和部署 ML 模型。越来越多的客户正在使用 SageMaker 构建自己的 FM,包括 Stability AI、AI21 Labs、Hugging Face、Perplexity AI、Hippocratic AI、LG AI Research 和 Technology Innovation Institute。为了帮助您快速入门, 亚马逊SageMaker JumpStart 提供一个 ML 中心,您可以在其中探索、训练和部署各种公共 FM,例如 Mistral 模型、LightOn 模型、RedPajama、Mosiac MPT-7B、FLAN-T5/UL2、GPT-J-6B/Neox-20B和 Bloom/BloomZ,使用专门构建的 SageMaker 工具,例如实验和管道。
常见的生成式人工智能方法
在本节中,我们将讨论实施有效的生成式人工智能解决方案的常见方法。我们探索流行的即时工程技术,使您能够使用 FM 实现更复杂和有趣的任务。我们还讨论了 RAG 和模型定制等技术如何进一步增强 FM 的能力并克服有限数据和计算限制等挑战。使用正确的技术,您可以构建强大且有影响力的生成式人工智能解决方案。
即时工程
提示工程是精心设计提示以有效利用 FM 功能的实践。它涉及使用提示,提示是指导模型生成更准确和相关响应的简短文本。通过及时的工程设计,您可以提高 FM 的性能并使其更有效地用于各种应用。在本节中,我们将探讨零样本和少样本提示等技术,这些技术只需几个示例即可使 FM 快速适应新任务,而思想链提示则将复杂的推理分解为中间步骤。这些方法展示了即时工程如何使 FM 在复杂任务上更加有效,而无需模型重新训练。
零射击提示
零样本提示技术要求 FM 在不提供所需行为的任何明确示例的情况下生成答案,仅依靠其预训练。以下屏幕截图显示了 Amazon Bedrock 控制台上 Anthropic Claude 2.1 模型的零样本提示示例。
在这些说明中,我们没有提供任何示例。然而,模型可以理解任务并生成适当的输出。在针对您的用例评估 FM 时,零样本提示是最简单的提示技术。然而,尽管 FM 在零样本提示方面表现出色,但对于更复杂的任务,它可能并不总是能产生准确或期望的结果。当零样本提示达不到要求时,建议在提示中提供一些示例(少样本提示)。
少镜头提示
少样本提示技术允许 FM 从提示中的示例中进行上下文学习,并更准确地执行任务。只需几个示例,您就可以快速使 FM 适应新任务,而无需大量训练集,并引导它们实现所需的行为。以下是 Amazon Bedrock 控制台上使用 Cohere Command 模型的几次提示的示例。
在前面的示例中,FM 能够从输入文本(评论)中识别实体并提取相关的情绪。通过提供一些输入-输出对的示例,少量提示是解决复杂任务的有效方法。对于简单的任务,您可以提供一个示例(1-shot),而对于更困难的任务,您应该提供三(3-shot)到五个(5-shot)示例。 敏等人。 (2022) 发表了有关情境学习的研究结果,可以提高小样本提示技术的性能。您可以使用少量提示来执行各种任务,例如情感分析、实体识别、问答、翻译和代码生成。
思路链提示
尽管有潜力,但少样本提示也有局限性,特别是在处理复杂的推理任务(例如算术或逻辑任务)时。这些任务需要将问题分解为步骤,然后解决它。 魏等人。 (2022) 引入了思想链(CoT)提示技术,通过中间推理步骤解决复杂的推理问题。您可以将 CoT 与几次提示相结合,以改善复杂任务的结果。以下是在 Amazon Bedrock 控制台上使用 Anthropic Claude 2 模型进行少样本 CoT 提示的推理任务示例。
小岛等人。 (2022) 通过使用 FM 未开发的零样本能力引入了零样本 CoT 的想法。他们的研究表明,使用相同的单提示模板的零样本 CoT 在各种基准推理任务上显着优于零样本 FM 性能。您可以通过在原始提示中添加“让我们一步一步思考”,将零样本 CoT 提示用于简单的推理任务。
应对
CoT提示可以增强FM的推理能力,但它仍然依赖于模型的内部知识,没有考虑任何外部知识库或环境来收集更多信息,这可能会导致幻觉等问题。 ReAct(推理和行动)方法通过扩展 CoT 并允许使用外部环境(例如维基百科)进行动态推理来解决这一差距。
集成
FM 能够利用其预先训练的知识理解问题并提供答案。然而,它们缺乏响应需要访问组织私有数据的查询的能力或自主执行任务的能力。 RAG 和代理是将这些人工智能驱动的生成应用程序连接到企业数据集的方法,使它们能够给出考虑组织信息的响应,并根据请求运行操作。
检索增强生成
当您希望模型考虑新知识或最新信息时,检索增强生成 (RAG) 允许您自定义模型的响应。当您的数据频繁更改(例如库存或定价)时,在服务用户查询时微调和更新模型是不切实际的。为了向 FM 提供最新的专有信息,组织转向 RAG,这种技术涉及从公司数据源获取数据并使用该数据丰富提示,以提供更相关和更准确的响应。
RAG 可在多种用例中帮助提高 FM 性能:
- 问题回答 – RAG 模型帮助问答应用程序定位和集成来自文档或知识源的信息,以生成高质量的答案。例如,问答应用程序可以在生成总结性答案之前检索有关主题的段落。
- 聊天机器人和会话代理 – RAG 允许聊天机器人从大型外部知识源访问相关信息。这使得聊天机器人的反应更加专业和自然。
- 写作协助 – RAG 可以建议相关内容、事实和谈话要点,帮助您更有效地撰写文章、报告和电子邮件等文档。检索到的信息提供了有用的背景和想法。
- 概要 – RAG 可以找到相关的源文档、段落或事实来增强摘要模型对主题的理解,从而使其能够生成更好的摘要。
- 创意写作和讲故事 – RAG 可以从现有故事中提取情节创意、人物、场景和创意元素,以激发 AI 故事生成模型的灵感。这使得输出更加有趣和接地气。
- 翻译 – RAG 可以找到某些短语如何在语言之间翻译的示例。这为翻译模型提供了上下文,改进了歧义短语的翻译。
- 个性定制 – 在聊天机器人和推荐应用程序中,RAG 可以提取个人背景,例如过去的对话、个人资料信息和偏好,以使响应更加个性化和相关。
使用 RAG 框架有几个优点:
- 减少幻觉 – 检索相关信息有助于将生成的文本扎根于事实和现实世界知识,而不是幻觉文本。这可以促进更准确、更真实、更值得信赖的响应。
- 报道 – 检索允许 FM 通过提取外部信息来覆盖其训练数据之外的更广泛的主题和场景。这有助于解决覆盖范围有限的问题。
- 效率 – 检索让模型将其生成重点放在最相关的信息上,而不是从头开始生成所有内容。这提高了效率并允许使用更大的上下文。
- 实现安全 – 从所需和允许的数据源检索信息可以改善对有害和不准确内容生成的治理和控制。这支持更安全的采用。
- 可扩展性 – 与在生成过程中使用完整语料库相比,从大型语料库中进行索引和检索可以使该方法更好地扩展。这使您能够在资源更加有限的环境中采用 FM。
由于直接从矢量化数据存储中增强特定于用例的上下文,RAG 可以产生高质量的结果。与即时工程相比,它产生的结果大大改善,产生幻觉的可能性也大大降低。您可以使用以下方法在企业数据上构建由 RAG 支持的应用程序 亚马逊肯德拉。 RAG 比即时工程具有更高的复杂性,因为您需要具备编码和架构技能来实施此解决方案。不过,Amazon Bedrock 知识库提供了完全托管的 RAG 体验以及在 Amazon Bedrock 中开始使用 RAG 的最简单方法。 Amazon Bedrock 知识库可自动执行端到端 RAG 工作流程,包括摄取、检索和提示增强,让您无需编写自定义代码来集成数据源和管理查询。内置会话上下文管理,因此您的应用程序可以支持多轮对话。知识库响应附带来源引用,以提高透明度并最大限度地减少幻觉。构建生成式人工智能助手的最直接方法是使用 亚马逊Q,它有一个内置的 RAG 系统。
当架构发生变化时,RAG 具有最高程度的灵活性。您可以独立更改嵌入模型、向量存储和 FM,对其他组件的影响极小到中等。要了解有关 RAG 方法的更多信息,请访问 亚马逊开放搜索服务 和亚马逊基岩,请参阅 使用适用于 Amazon OpenSearch Serverless 和 Amazon Bedrock Claude 模型的矢量引擎构建可扩展的无服务器 RAG 工作流程。要了解如何使用 Amazon Kendra 实施 RAG,请参阅 利用生成式 AI 来利用企业数据的力量:来自 Amazon Kendra、LangChain 和大型语言模型的见解.
中介代理
FM 可以根据其预先训练的知识理解并响应查询。然而,他们无法独自完成任何现实世界的任务,例如预订航班或处理采购订单。这是因为此类任务需要特定于组织的数据和工作流程,而这些数据和工作流程通常需要自定义编程。像这样的框架 浪链 某些 FM(例如 Claude 模型)提供函数调用功能来与 API 和工具交互。然而, 亚马逊基岩代理是 AWS 提供的一项全新且完全托管的 AI 功能,旨在让开发人员能够更直接地使用下一代 FM 构建应用程序。只需点击几下,它就可以自动分解任务并生成所需的编排逻辑,无需手动编码。代理可以通过 API 安全地连接到公司数据库,摄取和构建机器消耗的数据,并使用上下文详细信息对其进行增强,以产生更准确的响应并满足请求。由于 Agents for Amazon Bedrock 负责处理集成和基础设施,因此您可以充分利用生成式 AI 来实现业务用例。开发人员现在可以专注于他们的核心应用程序,而不是日常管道。自动化数据处理和 API 调用还使 FM 能够提供更新的、定制的答案,并利用专有知识执行实际任务。
模型定制
基础模型功能非常强大,可以实现一些出色的应用程序,但有助于推动业务发展的是生成式人工智能,它知道什么对您的客户、您的产品和您的公司来说是重要的。只有当您用数据增强模型时,这才有可能。数据是从通用应用程序转向定制的生成式人工智能应用程序的关键,这些应用程序可以为您的客户和业务创造真正的价值。
在本节中,我们将讨论自定义 FM 的不同技术和优势。我们将介绍模型定制如何涉及进一步训练和更改模型的权重以提高其性能。
微调
微调是采用预先训练的 FM(例如 Llama 2),并使用特定于该任务的数据集在下游任务上进一步训练它的过程。预训练模型提供一般语言知识,微调使其能够专门化并提高特定任务(如文本分类、问答或文本生成)的性能。通过微调,您可以提供带标签的数据集(带有附加上下文注释)来训练特定任务的模型。然后,您可以根据您的业务环境调整模型参数以适应特定任务。
您可以通过以下方式对 FM 进行微调 亚马逊SageMaker JumpStart 和亚马逊基岩。欲了解更多详情,请参阅 使用两行代码在 Amazon SageMaker JumpStart 中部署和微调基础模型 和 通过微调和持续预训练,使用您自己的数据自定义 Amazon Bedrock 中的模型.
继续预训练
Amazon Bedrock 中的持续预训练使您能够使用类似于原始数据的附加数据来教授之前训练过的模型。它使模型能够获得更一般的语言知识,而不是专注于单一应用程序。通过持续的预训练,您可以使用未标记的数据集或原始数据,通过调整模型参数来提高您所在领域的基础模型的准确性。例如,医疗保健公司可以继续使用医学期刊、文章和研究论文对其模型进行预训练,以使其更了解行业术语。欲了解更多详情,请参阅 Amazon Bedrock 开发者体验.
模型定制的好处
模型定制有几个优点,可以帮助组织实现以下目标:
- 特定领域的适应 – 您可以使用通用 FM,然后根据特定领域(例如生物医学、法律或金融)的数据对其进行进一步训练。这将使模型适应该领域的词汇、风格等。
- 针对特定任务的微调 – 您可以采用预先训练的 FM 并根据特定任务(例如情绪分析或问答)的数据对其进行微调。这专门针对该特定任务的模型。
- 个性定制 – 您可以根据个人数据(电子邮件、文本、他们编写的文档)自定义 FM,以使模型适应其独特的风格。这可以实现更加个性化的应用。
- 低资源语言调优 – 您可以仅在资源匮乏的语言上重新训练多语言 FM 的顶层,以使其更好地适应该语言。
- 修复缺陷 – 如果在模型中发现某些意外行为,自定义适当的数据可以帮助更新模型以减少这些缺陷。
模型定制有助于克服以下 FM 采用挑战:
- 适应新领域和任务 – 在通用文本语料库上进行预训练的 FM 通常需要针对特定任务的数据进行微调,以便能够很好地用于下游应用程序。微调使模型适应最初未训练过的新领域或任务。
- 克服偏见 – FM 可能会表现出与其原始训练数据不同的偏差。根据新数据定制模型可以减少模型输出中不必要的偏差。
- 提高计算效率 – 预训练的 FM 通常非常大且计算成本昂贵。模型定制可以通过修剪不重要的参数来缩小模型规模,从而使部署更加可行。
- 处理有限的目标数据 – 在某些情况下,可用于目标任务的真实数据有限。模型定制使用在较大数据集上学习的预训练权重来克服这种数据稀缺性。
- 提高任务绩效 – 与使用原始的预训练权重相比,微调几乎总是可以提高目标任务的性能。这种针对其预期用途的模型优化使您能够在实际应用程序中成功部署 FM。
模型定制比即时工程和 RAG 具有更高的复杂性,因为模型的权重和参数是通过调整脚本更改的,这需要数据科学和 ML 专业知识。然而,Amazon Bedrock 通过为您提供自定义模型的托管体验,让一切变得简单 微调 or 继续预训练。模型定制可提供高度准确的结果,其输出质量与 RAG 相当。由于您正在更新特定于域的数据的模型权重,因此模型会产生更多上下文响应。与 RAG 相比,根据用例,质量可能会稍微好一些。因此,在两种技术之间进行权衡分析非常重要。您可以使用自定义模型来实现 RAG。
再培训或从头开始培训
构建您自己的基础 AI 模型,而不是仅仅使用预先训练的公共模型,可以更好地控制、提高性能,并根据组织的特定用例和数据进行定制。投资创建定制的 FM 可以提供更好的适应性、升级和能力控制。分布式训练能够实现在多台机器上的海量数据集上训练超大型 FM 所需的可扩展性。这种并行化使得在数万亿个令牌上训练的具有数千亿个参数的模型变得可行。更大的模型具有更强的学习和泛化能力。
从头开始训练可以产生高质量的结果,因为该模型是从头开始对特定于用例的数据进行训练的,出现幻觉的机会很少,并且输出的准确性可以是最高的。但是,如果您的数据集不断发展,您仍然可能会遇到幻觉问题。从头开始训练的实施复杂度和成本最高。它需要付出最多的努力,因为它需要收集大量数据、整理和处理数据,并训练相当大的 FM,而这需要深厚的数据科学和 ML 专业知识。这种方法非常耗时(通常需要几周到几个月的时间)。
当其他方法都不适合您时,您应该考虑从头开始训练 FM,并且您有能力使用大量精心策划的标记化数据、复杂的预算和高技能的 ML 专家团队来构建 FM 。 AWS 提供最先进的云基础设施来训练和运行由 GPU 和专用 ML 训练芯片支持的 LLM 和其他 FM, AWS 培训和 ML 推理加速器, AWS 推理。有关在 SageMaker 上培训法学硕士的更多详细信息,请参阅 在 Amazon SageMaker 上训练大型语言模型:最佳实践 和 SageMaker HyperPod.
选择正确的方法来开发生成式人工智能应用程序
在开发生成式人工智能应用程序时,组织必须仔细考虑几个关键因素,然后再选择最合适的模型来满足其需求。应考虑各个方面,例如成本(以确保所选模型符合预算限制)、质量(以提供一致且准确的输出)、与当前企业平台和工作流程的无缝集成,以及减少幻觉或生成虚假信息。有许多可用的选项,花时间彻底评估这些方面将有助于组织选择最适合其特定要求和优先事项的生成式人工智能模型。您应该仔细检查以下因素:
- 与企业系统集成 – 为了使 FM 在企业环境中真正有用,它们需要与现有业务系统和工作流程集成和互操作。这可能涉及访问数据库、企业资源规划 (ERP) 和客户关系管理 (CRM) 中的数据,以及触发操作和工作流程。如果没有适当的集成,FM 就有可能成为一个孤立的工具。 ERP 等企业系统包含关键业务数据(客户、产品、订单)。 FM 需要连接到这些系统才能使用企业数据,而不是使用自己的知识图谱,这可能不准确或过时。这确保了准确性和单一事实来源。
- 幻觉 – 幻觉是指人工智能应用程序生成看似真实的虚假信息。在广泛采用 FM 之前,需要仔细解决这些问题。例如,旨在提供诊断建议的医疗聊天机器人可能会产生有关患者症状或病史的详细信息,从而导致其提出不准确的诊断。通过技术解决方案和数据集管理来防止此类有害幻觉对于确保这些 FM 在医疗保健、金融和法律等敏感应用中值得信赖至关重要。部署时需要对 FM 的训练数据和剩余缺陷进行彻底的测试和透明度。
- 技能和资源 – FM 的成功采用在很大程度上取决于是否拥有有效使用该技术的适当技能和资源。组织需要具有强大技术技能的员工来正确实施、定制和维护 FM 以满足其特定需求。它们还需要充足的计算资源,例如先进的硬件和云计算能力来运行复杂的 FM。例如,想要使用 FM 生成广告文案和社交媒体帖子的营销团队需要熟练的工程师来集成系统、创意人员来提供提示和评估输出质量,以及足够的云计算能力来经济高效地部署模型。投资于开发专业知识和技术基础设施将使组织能够通过应用 FM 获得真正的商业价值。
- 输出质量 – FM 产生的输出质量对于决定其采用和使用至关重要,特别是在聊天机器人等面向消费者的应用程序中。如果由 FM 支持的聊天机器人提供不准确、无意义或不恰当的响应,用户很快就会感到沮丧并停止与它们互动。因此,希望部署聊天机器人的公司需要严格测试驱动聊天机器人的 FM,以确保它们始终生成有用、相关且适当的高质量响应,从而提供良好的用户体验。输出质量包括相关性、准确性、连贯性和适当性等因素,这些因素都有助于提高用户的整体满意度,并将决定是否采用聊天机器人等 FM。
- 价格 – 训练和运行 FM 等大型人工智能模型所需的高计算能力可能会产生大量成本。许多组织可能缺乏使用如此庞大的模型所需的财务资源或云基础设施。此外,针对特定用例集成和定制 FM 会增加工程成本。使用 FM 所需的巨额费用可能会阻碍其广泛采用,特别是在预算有限的小公司和初创公司中。评估潜在的投资回报并权衡 FM 的成本与收益对于考虑其应用和效用的组织至关重要。成本效率可能是决定是否以及如何切实部署这些强大但资源密集型模型的决定性因素。
设计决策
正如我们在这篇文章中介绍的,目前有许多不同的人工智能技术可用,例如即时工程、RAG 和模型定制。如此广泛的选择使得公司很难确定适合其特定用例的最佳方法。选择正确的技术集取决于多种因素,包括对外部数据源的访问、实时数据源以及预期应用程序的领域特殊性。为了帮助根据所涉及的用例和考虑因素确定最合适的技术,我们浏览了以下流程图,其中概述了使用适当方法匹配特定需求和约束的建议。
为了获得清晰的理解,让我们使用一些说明性示例来浏览一下设计决策流程图:
- 企业搜寻 – 一名员工正在向其组织请假。为了提供符合组织人力资源政策的响应,FM 需要超出其自身知识和能力的更多背景信息。具体来说,FM 需要访问提供相关人力资源指南和政策的外部数据源。鉴于员工请求需要引用外部特定于域的数据的这种情况,根据流程图推荐的方法是使用 RAG 进行快速工程。 RAG 将帮助提供来自外部数据源的相关数据作为 FM 的上下文。
- 具有特定于组织的输出的企业搜索 – 假设您有工程图纸,并且想要从中提取物料清单,并根据行业标准格式化输出。为此,您可以使用将即时工程与 RAG 和微调语言模型相结合的技术。当给定工程图纸作为输入时,微调模型将被训练以生成物料清单。 RAG 帮助从组织的数据源中找到最相关的工程图纸,以提供给 FM 的上下文。总的来说,这种方法从工程图纸中提取材料清单,并为工程领域适当地构建输出。
- 一般搜索 – 假设您想要查找美国第 30 任总统的身份。您可以使用即时工程从 FM 获得答案。由于这些模型是在许多数据源上进行训练的,因此它们通常可以对此类事实问题提供准确的答案。
- 包含最近事件的一般搜索 – 如果您想确定亚马逊当前的股价,您可以使用与代理商进行即时工程的方法。该代理将向 FM 提供最新的股票价格,以便其能够生成事实响应。
结论
生成式人工智能为组织在各种应用程序中推动创新和提高生产力提供了巨大的潜力。然而,成功采用这些新兴人工智能技术需要解决围绕集成、输出质量、技能、成本以及有害幻觉或安全漏洞等潜在风险的关键考虑因素。组织需要采取系统的方法来评估其用例需求和约束,以确定适应和应用 FM 的最合适的技术。正如这篇文章所强调的,即时工程、RAG 和高效的模型定制方法都有各自的优点和缺点,适合不同的场景。通过使用结构化框架将业务需求映射到人工智能功能,组织可以克服实施障碍并开始实现 FM 的好处,同时还建立护栏来管理风险。通过基于现实世界例子的深思熟虑的规划,各行业的企业都可以从这一新的生成人工智能浪潮中释放巨大的价值。学习关于 AWS 上的生成式 AI.
作者简介
周杰伦 是 AWS 的首席解决方案架构师。他专注于人工智能/机器学习技术,对生成式人工智能和计算机视觉有着浓厚的兴趣。在 AWS,他喜欢为客户提供技术和战略指导,并帮助他们设计和实施可推动业务成果的解决方案。他是一名书籍作者(AWS 上的计算机视觉),定期发布博客和代码示例,并在 AWS re:Invent 等技术会议上发表演讲。
巴布·卡里亚登·帕拉姆巴斯 是 AWS 的高级 AI/ML 专家。在 AWS,他喜欢与客户合作,帮助他们确定具有商业价值的正确业务用例,并使用 AWS AI/ML 解决方案和服务来解决它。在加入 AWS 之前,Babu 是一位 AI 传播者,拥有 20 年的多元化行业经验,为客户提供 AI 驱动的业务价值。
- :具有
- :是
- :不是
- :在哪里
- 1
- 100
- 116
- 20
- 20 年
- 2017
- 2022
- 30日
- 7
- a
- 对,能力--
- Able
- 关于
- 加速器
- ACCESS
- 访问
- 陪
- 根据
- 账号管理
- 精准的
- 准确
- 横过
- 演戏
- 行动
- 实际
- 适应
- 适应
- 调整
- 适应
- 添加
- 额外
- 另外
- 地址
- 解决
- 地址
- 解决
- 添加
- 充分
- 采用
- 采用
- 采用
- 采用
- 高级
- 进步
- 优点
- 广告
- 经纪人
- 中介代理
- AI
- AI模型
- 研究
- AI供电
- AI / ML
- 援助
- 目标
- AL
- 对齐
- 对齐的
- 对齐
- 所有类型
- 让
- 允许
- 允许
- 几乎
- 单
- 还
- 尽管
- 时刻
- Amazon
- 亚马逊肯德拉
- 亚马逊SageMaker
- 亚马逊SageMaker JumpStart
- 亚马逊网络服务
- 其中
- 其中包括
- 量
- an
- 分析
- 和
- 和基础设施
- 回答
- 回答
- 答案
- 人类的
- 任何
- API
- APIs
- 应用
- 出现
- 应用领域
- 应用领域
- 应用
- 的途径
- 方法
- 适当
- 适当
- 架构
- 保健
- 出现
- 围绕
- 刊文
- AS
- 方面
- 评估
- 助理
- 相关
- At
- 增加
- 增强
- 作者
- 自动化
- 自动化
- 自动
- 自主
- 可使用
- AWS
- AWS re:Invent
- 基地
- 基于
- BE
- 因为
- 成为
- before
- 开始
- 行为
- 行为
- 作为
- 基准
- 好处
- 最佳
- 最佳实践
- 更好
- 之间
- 超越
- 偏见
- 法案
- 十亿美元
- 票据
- 生物医学
- 博客
- 书
- 预订
- 促进
- 都
- 品牌
- 午休
- 破坏
- 休息
- 广阔
- 更广泛
- 预算
- 预算
- 建立
- 建筑物
- 建
- 内建的
- 商业
- 企业
- 但是
- by
- 调用
- CAN
- 可以得到
- 能力
- 能力
- 能力
- 容量
- 小心
- 携带
- 案件
- 例
- 一定
- 挑战
- 挑战
- 挑战
- 可能性
- 更改
- 变
- 更改
- 改变
- 字符
- 图表
- 聊天机器人
- 聊天机器人
- 芯片
- 选择
- 选择
- 分类
- 清洁
- 清除
- 密切
- 云端技术
- 云计算
- 云基础设施
- 码
- 编码
- 相干
- 收藏
- 结合
- 结合
- 如何
- 购买的订单均
- 相当常见
- 公司
- 公司
- 公司的
- 可比
- 相比
- 完成
- 复杂
- 复杂
- 符合
- 组件
- 理解
- 计算
- 计算能力
- 计算上
- 计算
- 一台
- 计算机视觉
- 计算
- 计算能力
- 进行
- 会议
- 分享链接
- 已联繫
- 连接方式
- 考虑
- 大量
- 注意事项
- 考虑
- 考虑
- 始终如一
- 安慰
- 经常
- 约束
- 消费
- 包含
- 内容
- 内容生成
- 上下文
- 上下文
- 上下文
- 继续
- 持续
- 贡献
- 控制
- 听起来像对话
- 对话
- 复制
- 核心
- 价格
- 成本
- 可以
- 外壳
- 覆盖
- 覆盖
- 创建信息图
- 创造
- 创意奖学金
- 广告
- 危急
- 客户关系管理
- 关键
- 策展
- 策展
- 电流
- 目前
- 习俗
- 顾客
- 客户体验
- 合作伙伴
- 定制
- 定制
- 定制
- data
- 数据隐私
- 数据隐私与安全
- 数据处理
- 数据科学
- 数据库
- 数据集
- 处理
- 决定
- 决定
- 深
- 学位
- 交付
- 提升
- 交付
- 需求
- 演示
- 依赖
- 根据
- 依靠
- 部署
- 部署
- 部署
- 部署
- 设计
- 设计
- 设计
- 期望
- 详情
- 确定
- 确定
- 开发
- 开发商
- 开发
- 发展
- 研发支持
- 诊断
- 不同
- 难
- 直接
- 发现
- 讨论
- 分布
- 分布式培训
- 不同
- do
- 文件
- 不会
- 美元
- 域
- 域名
- 向下
- 图纸
- 驾驶
- 驱动
- 两
- ,我们将参加
- 动态
- Ë&T
- 每
- 容易
- 有效
- 只
- 效率
- 高效
- 有效
- 努力
- 分子
- 合格
- 消除
- 电子邮件
- 嵌入
- 出现
- 新兴经济体的新市场。
- 员工
- 员工
- 授权
- enable
- 使
- 使
- 包含
- 加密
- 加密
- 结束
- 端至端
- 从事
- 发动机
- 工程师
- 工程师
- 提高
- 充实
- 确保
- 确保
- 保证
- 企业
- 实体
- 实体
- 环境
- 环境中
- 装备
- ERP
- 特别
- 建立
- 评估
- 评估
- 传播者
- 所有的
- 一切
- 演变
- 检查
- 例子
- 例子
- 令人兴奋的
- 展览
- 现有
- 开支
- 昂贵
- 体验
- 实验
- 技术专家
- 专门知识
- 专家
- 探索
- 延长
- 外部
- 提取
- 提取物
- 非常
- 面部彩妆
- 因素
- 因素
- 正确
- 失败
- 相当
- 秋季
- false
- 可行
- 少数
- 金融
- 金融
- 找到最适合您的地方
- 发现
- 五
- 缺陷
- 高度灵活
- 飞行
- 流
- 专注焦点
- 重点
- 以下
- 针对
- 基金会
- 基础
- 骨架
- 框架
- 频繁
- 止
- 沮丧
- 履行
- ,
- 充分
- 进一步
- Gain增益
- 差距
- 收集
- 《通用数据保护条例》(GDPR)
- 其他咨询
- 一般用途
- 生成
- 产生
- 产生
- 发电
- 代
- 生成的
- 生成式人工智能
- 得到
- 给
- 特定
- Go
- 非常好
- 治理
- 图形处理器
- 图形
- 大
- 更大的
- 陆运
- 接地
- 指导
- 指南
- 方针
- 手柄
- 硬件
- 有害
- 马具
- 有
- 有
- he
- 医疗保健
- 严重
- 帮助
- 有帮助
- 帮助
- 帮助
- 高
- 高绩效
- 高品质
- 更高
- 最高
- 最高学位
- 突出
- 高度
- 历史
- 创新中心
- How To
- 但是
- hr
- HTML
- HTTPS
- 中心
- 数百
- 跨栏
- 超参数调整
- 主意
- 思路
- 鉴定
- 确定
- 身分
- if
- 想像
- 巨大
- 影响力故事
- 有影响力的
- 影响
- 实施
- 履行
- 重要
- 改善
- 改善
- 提高
- 改善
- in
- 不准确
- 包含
- 独立地
- 表示
- 行业中的应用:
- 行业标准
- 信息
- 基础设施
- 創新
- 创新
- 输入
- 可行的洞见
- 启发
- 研究所
- 说明
- 整合
- 整合
- 积分
- 拟
- 相互作用
- 兴趣
- 有趣
- 接口
- 内部
- 网络
- 互操作
- 成
- 介绍
- 库存
- 投资
- 投资
- 涉及
- 参与
- 涉及
- 孤立
- 问题
- IT
- 它的
- 加盟
- 只是
- 敏锐
- 键
- 键
- 知识
- 知识图
- 知道
- 实验室
- 缺乏
- 语言
- 语言
- 大
- 大
- 层
- 铅
- 领导
- 学习用品
- 知道
- 学习
- 离开
- 法律咨询
- 让
- LG
- 喜欢
- 容易
- 限制
- 有限
- 线
- 骆驼
- 逻辑
- 合乎逻辑的
- 寻找
- 低
- 机
- 机器学习
- 机
- 保持
- 使
- 制作
- 制作
- 管理
- 管理
- 颠覆性技术
- 手册
- 许多
- 制图
- 营销
- 大规模
- 大规模
- 匹配
- 物料
- 可能..
- 媒体
- 医生
- 满足
- 元
- 方法
- 方法
- 可能
- 百万
- 大幅减低
- ML
- 模型
- 模型
- 个月
- 更多
- 最先进的
- 移动
- 必须
- 自然
- 必要
- 需求
- 打印车票
- 需要
- 需要
- 负
- 全新
- 下一代
- 不包含
- 现在
- of
- 折扣
- 优惠精选
- 经常
- on
- 一
- 仅由
- 运营
- 机会
- 最佳
- 优化
- 附加选项
- or
- 管弦乐编曲
- 秩序
- 订单
- 组织
- 组织
- 组织
- 原版的
- 本来
- 其他名称
- 输出
- 结果
- 过时的
- 大纲
- 性能优于
- 产量
- 输出
- 超过
- 最划算
- 克服
- 简介
- 己
- 对
- 文件
- 参数
- 特别
- 尤其
- 段落
- 过去
- 演出
- 性能
- 表演
- 个人
- 个性化你的
- 短语
- 件
- 管道
- 规划行程
- 平台
- 柏拉图
- 柏拉图数据智能
- 柏拉图数据
- 情节
- 点
- 政策
- 热门
- 可能
- 帖子
- 帖子
- 潜力
- 可能
- 功率
- 供电
- 强大
- 实用
- 在练习上
- 做法
- 前
- 喜好
- 总统
- 预防
- 先前
- 车资
- 价格
- 校长
- 先
- 隐私
- 隐私和安全
- 私立
- 市场问题
- 问题
- 过程
- 处理
- 生产
- 生成
- 产生
- 生产率
- 热销产品
- 本人简介
- 代码编程
- 促进
- 提示
- 正确
- 正确
- 提供
- 所有权
- 提供
- 供应商
- 提供
- 优
- 国家
- 出版
- 发布
- 拉
- 采购
- 采购订单
- 质量
- 查询
- 题
- 有疑问吗?
- 很快
- 抹布
- 范围
- 快
- 急速
- 罕见
- 宁
- 原
- RE
- 应对
- 真实
- 实际价值
- 真实的世界
- 实时的
- 实时数据
- 实现
- 最近
- 承认
- 推荐
- 建议
- 建议
- 减少
- 减少
- 参考
- 经常
- 关系
- 相关性
- 相应
- 依托
- 其余
- 卓越
- 业务报告
- 声誉
- 请求
- 要求
- 要求
- 必须
- 岗位要求
- 需要
- 必要条件
- 研究
- 资源
- 资源密集型
- 资源
- 回应
- 响应
- 回复
- REST的
- 成果
- 恢复
- 回报
- 收入
- 评论
- 右
- 风险
- 常规
- 运行
- 运行
- 更安全
- sagemaker
- 同
- 满意
- 可扩展性
- 可扩展性
- 鳞片
- 缺乏
- 脚本
- 情景
- 科学
- 科学家
- 划伤
- 脚本
- 无缝的
- 搜索
- 部分
- 安全
- 保安
- 安全风险
- 选
- 选择
- 选择
- 前辈
- 敏感
- 情绪
- 情怀
- 无服务器
- 服务
- 服务
- 特色服务
- 服务
- 会议
- 集
- 套数
- 设置
- 几个
- 形状
- 共用的,
- 短
- 应该
- 作品
- 显著
- 显著
- 类似
- 简易
- 单
- 技能的
- 技能
- 小
- So
- 社会
- 社会化媒体
- 社交媒体帖子
- 独自
- 固体
- 方案,
- 解决方案
- 解决
- 解决
- 一些
- 极致
- 来源
- 来源
- 专家
- 专攻
- 专门
- 专业
- 具体的
- 特别是
- 特异性
- 稳定性
- 站
- 标准
- 开始
- 开始
- 初创企业
- 州
- 步
- 步骤
- 仍
- 库存
- Stop 停止
- 商店
- 商店
- 故事
- 故事
- 简单的
- 善用
- 优势
- 强烈
- 结构体
- 结构化
- 结构
- 样式
- 大量
- 成功
- 顺利
- 这样
- 足够
- 建议
- 如下
- 合适的
- 过份给与
- 供应
- SUPPORT
- 支持
- 肯定
- 症状
- 系统
- 产品
- 滑车
- 量身定制
- 采取
- 服用
- 天赋
- 说
- 会谈
- 敲打
- 目标
- 任务
- 任务
- 团队
- 科技
- 文案
- 技术技能
- 技术
- 技术
- 技术
- 专业技术
- 技术创新
- 模板
- 术语
- test
- 测试
- 文本
- 文字分类
- 比
- 这
- 信息
- 其
- 他们
- 然后
- 那里。
- 因此
- 博曼
- 他们
- 认为
- 第三方
- Free Introduction
- 彻底
- 透
- 那些
- 数千
- 三
- 通过
- 次
- 耗时的
- 至
- 符号化
- 令牌
- 工具
- 工具
- 最佳
- 主题
- Topics
- 向
- 交通
- 培训
- 熟练
- 产品培训
- 过境
- 翻译
- 用户评论透明
- 巨大
- 触发
- 万亿
- 真正
- 信任
- 信任
- 可靠
- 真相
- 调音
- 转
- 调整
- 二
- 一般
- 无法
- 理解
- 理解
- 独特
- 联合的
- 美国
- 开锁
- 未开发
- 无用
- 跟上时代的
- 更新
- 更新
- 更新
- 升级
- 使用
- 用例
- 用过的
- 有用
- 用户
- 用户体验
- 用户
- 使用
- 运用
- 效用
- 验证
- 折扣值
- 各种
- 各个
- 广阔
- 大大
- 非常
- 通过
- 愿景
- 视觉
- vs
- 漏洞
- 走
- 想
- 希望
- 是
- 波
- 方法..
- we
- 弱点
- 卷筒纸
- Web服务
- 周
- 衡
- 重量
- 井
- 什么是
- ,尤其是
- 而
- 是否
- 这
- 而
- 宽
- 大范围
- 广泛
- 广泛
- 维基百科上的数据
- 将
- 中
- 也完全不需要
- 工作
- 工作流程
- 工作流程
- 加工
- 将
- 写
- 写作
- 书面
- 年
- 产量
- 完全
- 您一站式解决方案
- 和风网