Generativ AI vinder en masse offentlig opmærksomhed i øjeblikket med snak om produkter som GPT4, ChatGPT, DALL-E2, Bard og mange andre AI-teknologier. Mange kunder har bedt om mere information om AWS's generative AI-løsninger. Formålet med dette indlæg er at imødekomme disse behov.
Dette indlæg giver et overblik over generativ AI med en reel kundeanvendelse, giver en kortfattet beskrivelse og skitserer dens fordele, henviser til en let-at-følge demo af AWS DeepComposer til at skabe nye musikalske kompositioner, og skitserer, hvordan man kommer i gang med at bruge Amazon SageMaker JumpStart til implementering af GPT2, Stable Diffusion 2.0 og andre generative AI-modeller.
Generativ AI oversigt
Generativ AI er et specifikt felt inden for kunstig intelligens, der fokuserer på at generere nyt materiale. Det er et af de mest spændende felter i AI-verdenen med potentiale til at transformere eksisterende virksomheder og tillade helt nye forretningsideer at komme på markedet. Du kan bruge generative teknikker til:
- Oprettelse af nye kunstværker ved hjælp af en model som f.eks. Stable Diffusion 2.0
- At skrive en bedst sælgende bog ved hjælp af en model som GPT2, Bloom eller Flan-T5-XL
- Komponer din næste symfoni ved hjælp af Transformers-teknikken i AWS DeepComposer
AWS DeepComposer er et uddannelsesværktøj, der hjælper dig med at forstå nøglebegreberne forbundet med maskinlæring (ML) gennem sproget i musikalsk komposition. For at lære mere, se Generer et jazzrocknummer ved hjælp af Generative Artificial Intelligence.
Stable Diffusion, GPT2, Bloom og Flan-T5-XL er alle ML-modeller. De er simpelthen matematiske algoritmer, der skal trænes til at identificere mønstre i data. Når mønstrene er lært, implementeres de på endepunkter, klar til en proces kendt som inferens. Nye data, som modellen ikke har set, føres ind i inferensmodellen, og nyt kreativt materiale produceres.
For eksempel kan vi med billedgenereringsmodeller såsom Stable Diffusion skabe fantastiske illustrationer ved hjælp af nogle få ord. Med tekstgenereringsmodeller som GPT2, Bloom og Flan-T5-XL kan vi generere nye litterære artikler og potentielt bøger ud fra en simpel menneskelig sætning.
Autodesk er en AWS-kunde, der bruger Amazon SageMaker at hjælpe deres produktdesignere med at sortere gennem tusindvis af iterationer af visuelle designs til forskellige use cases og bruge ML til at hjælpe med at vælge det optimale design. Specifikt har de arbejdet med Edera Safety for at hjælpe med at udvikle en rygmarvsbeskytter, der beskytter ryttere mod ulykker, mens de deltager i sportsbegivenheder, såsom mountainbike. For mere information, tjek videoen AWS Machine Learning muliggør designoptimering.
For at lære mere om, hvad AWS-kunder laver med generativ kunstig intelligens og mode, se Virtuel modestyling med generativ AI ved hjælp af Amazon SageMaker.
Nu hvor vi forstår, hvad generativ AI handler om, lad os springe ind i en JumpStart-demonstration for at lære, hvordan man genererer ny tekst eller billeder med AI.
Forudsætninger
Amazon SageMaker Studio er det integrerede udviklingsmiljø (IDE) i SageMaker, der giver os alle de ML-funktioner, som vi har brug for i en enkelt rude. Før vi kan køre JumpStart, skal vi konfigurere Studio. Du kan springe dette trin over, hvis du allerede har din egen version af Studio kørende.
Den første ting, vi skal gøre, før vi kan bruge nogen AWS-tjenester, er at sikre, at vi har tilmeldt os og oprettet en AWS-konto. Det næste er at oprette en administrativ bruger og en gruppe. For instruktioner om begge trin, se Konfigurer Amazon SageMaker-forudsætninger.
Det næste trin er at oprette et SageMaker-domæne. Et domæne opsætter al lagerpladsen og giver dig mulighed for at tilføje brugere for at få adgang til SageMaker. For mere information, se Ombord på Amazon SageMaker Domain. Denne demo er oprettet i AWS-regionen us-east-1
.
Til sidst starter du Studio. Til dette indlæg anbefaler vi at starte en brugerprofil-app. For instruktioner, se Start Amazon SageMaker Studio.
Vælg en JumpStart-løsning
Nu kommer vi til den spændende del. Du skulle nu være logget ind på Studio og se en side, der ligner det følgende skærmbillede.
I navigationsruden under SageMaker JumpStart, vælg Modeller, notesbøger, løsninger.
Du bliver præsenteret for en række løsninger, fundamentmodeller og andre artefakter, der kan hjælpe dig i gang med en specifik model eller et specifikt forretningsproblem eller use case.
Hvis du vil eksperimentere i et bestemt område, kan du bruge søgefunktionen. Eller du kan blot gennemse artefakterne for at finde den relevante model eller forretningsløsning til dine behov.
Hvis du f.eks. er interesseret i løsninger til registrering af svindel, skal du indtaste bedragerisøgning i søgefeltet.
Hvis du er interesseret i tekstgenereringsløsninger, skal du indtaste tekstgenerering i søgefeltet. Et godt sted at starte, hvis du vil udforske en række tekstgenereringsmodeller, er at vælge Intro to JS – Text Generation notesbogen.
Lad os dykke ned i en specifik demonstration af GPT-2-modellen.
JumpStart GPT-2 model demo
GPT 2 er en sprogmodel, der hjælper med at generere menneskelignende tekst baseret på en given prompt. Vi kan bruge denne type transformatormodel til at skabe nye sætninger og hjælpe os med at automatisere skrivning. Dette kan bruges til oprettelse af indhold såsom blogs, indlæg på sociale medier og bøger.
GPT 2-modellen er en del af Generative Pre-Trained Transformer-familien, der var forløberen til GPT 3. I skrivende stund bruges GPT 3 som grundlaget for OpenAI ChatGPT-applikationen.
For at begynde at udforske GPT-2-modeldemoen i JumpStart skal du udføre følgende trin:
- På JumpStart skal du søge efter og vælge GPT 2.
- I Implementer Model sektion, udvide Implementeringskonfiguration.
- Til SageMaker hosting instans, vælg din instans (til dette indlæg bruger vi ml.c5.2xlarge).
Forskellige maskintyper har forskellige prispunkter knyttet. I skrivende stund påløber den ml.c5.2xlarge, som vi valgte, under $0.50 i timen. For de mest opdaterede priser, se Amazon SageMaker-priser.
- Til Endpoint navn, indtast demo-hf-textgeneration-gpt2.
- Vælg Implementer.
Vent på, at ML-endepunktet er implementeret (op til 15 minutter).
- Når slutpunktet er implementeret, skal du vælge Åbn Notesbog.
Du vil se en side, der ligner det følgende skærmbillede.
Dokumentet, vi bruger til at fremvise vores demonstration, er en Jupyter-notesbog, som indeholder al den nødvendige Python-kode. Bemærk, at koden i dette skærmbillede måske er lidt anderledes end den kode, du har, fordi AWS konstant opdaterer disse notesbøger og sørger for, at de er sikre, er fri for defekter og giver den bedste kundeoplevelse.
- Klik ind i den første celle og vælg Ctrl + Enter for at køre kodeblokken.
En stjerne (*) vises til venstre for kodeblokken og bliver derefter til et tal. Stjernen angiver, at koden kører og er færdig, når nummeret vises.
- Indtast noget eksempeltekst i den næste kodeblok, og tryk derefter på Ctrl + Enter.
- Vælg Ctrl + Enter i den tredje kodeblok for at køre den.
Efter ca. 30-60 sekunder vil du se dine konklusioner.
Til inputteksten "Once upon a time there were 18 sandwiches,
” får vi følgende genererede tekst:
Til inputteksten "And for the final time Peter said to Mary,
” får vi følgende genererede tekst:
Du kan eksperimentere med at køre denne tredje kodeblok flere gange, og du vil bemærke, at modellen giver forskellige forudsigelser hver gang.
For at skræddersy outputtet ved hjælp af nogle af de avancerede funktioner skal du rulle ned for at eksperimentere i den fjerde kodeblok.
For at lære mere om tekstgenereringsmodeller, se Kør tekstgenerering med Bloom- og GPT-modeller på Amazon SageMaker JumpStart.
Ryd op i ressourcer
Inden vi går videre, så glem ikke at slette dit slutpunkt, når du er færdig. På den forrige fane, under Slet slutpunkt, vælg Slette.
Hvis du ved et uheld har lukket denne notesbog, kan du også slette dit slutpunkt via SageMaker-konsollen. Under Inferens i navigationsruden skal du vælge Endpoints.
Vælg det slutpunkt, du brugte, og på handlinger menu, vælg Slette.
Nu hvor vi forstår, hvordan vi bruger vores første JumpStart-løsning, lad os se på at bruge en stabil diffusionsmodel.
JumpStart Stable Diffusion model demo
Vi kan bruge Stable Diffusion 2-modellen til at generere billeder ud fra en simpel tekstlinje. Dette kan bruges til at generere indhold til ting som opslag på sociale medier, reklamemateriale, albumcovers eller andet, der kræver kreativ kunst.
- Vend tilbage til JumpStart, søg derefter efter og vælg Stabil diffusion 2.
- I Implementer Model sektion, udvide Implementeringskonfiguration.
- Til SageMaker hosting instans, vælg din instans (til dette indlæg bruger vi ml.g5.2xlarge).
- Til Endpoint navn, gå ind
demo-stabilityai-stable-diffusion-v2
. - Vælg Implementer.
Fordi dette er en større model, kan det tage op til 25 minutter at implementere. Når den er klar, vises slutpunktets status som I brug.
- Vælg Åbn Notesbog for at åbne en Jupyter-notesbog med Python-kode.
- Kør den første og anden kodeblok.
- I den tredje kodeblok skal du ændre tekstprompten, og derefter køre cellen.
Vent ca. 30-60 sekunder, indtil dit billede vises. Følgende billede er baseret på vores eksempeltekst.
Igen kan du lege med de avancerede funktioner i den næste kodeblok. Det billede, det skaber, er forskelligt hver gang.
Ryd op i ressourcer
Igen, glem ikke at slette dit slutpunkt. Denne gang bruger vi ml.g5.2xlarge, så det medfører lidt højere afgifter end før. I skrivende stund var det lidt over $1 i timen.
Lad os endelig gå til AWS DeepComposer.
AWS DeepComposer
AWS DeepComposer er en fantastisk måde at lære om generativ AI. Det giver dig mulighed for at bruge indbyggede melodier i dine modeller til at generere nye former for musik. Den model, du bruger, bestemmer, hvordan inputmelodien transformeres.
Hvis du er vant til at deltage i AWS Deep Racer dage for at hjælpe dine medarbejdere med at lære om genhåndhævelseslæring, overvej at udvide og forbedre dagen med AWS DeepComposer for at lære om generativ AI.
For en detaljeret forklaring og let at følge demonstration af tre af modellerne i dette indlæg henvises til Generer et jazzrocknummer ved hjælp af Generative Artificial Intelligence.
Tjek følgende fede eksempler uploadet til SoundCloud ved hjælp af AWS DeepComposer.
Vi ville elske at se dine eksperimenter, så du er velkommen til at kontakte os via sociale medier (@digitalcolmer) og dele dine erfaringer og eksperimenter.
Konklusion
I dette indlæg talte vi om definitionen af generativ AI, illustreret af en AWS-kundehistorie. Derefter gik vi gennem, hvordan du kommer i gang med Studio og JumpStart, og viste dig, hvordan du kommer i gang med GPT 2- og Stable Diffusion-modeller. Vi sluttede af med en kort oversigt over AWS DeepComposer.
For at udforske JumpStart mere, prøv at bruge dine egne data til at finjustere en eksisterende model. For mere information, se Inkrementel træning med Amazon SageMaker JumpStart. For information om finjustering af stabile diffusionsmodeller, se Finjuster tekst-til-billede stabile diffusionsmodeller med Amazon SageMaker JumpStart.
For at lære mere om stabile diffusionsmodeller, se Generer billeder fra tekst med den stabile diffusionsmodel på Amazon SageMaker JumpStart.
Vi dækkede ikke nogen information om Flan-T5-XL-modellen, så for at lære mere, se følgende GitHub repo. Det Amazon SageMaker eksempler repo inkluderer også en række tilgængelige notebooks på GitHub til de forskellige SageMaker-produkter, inklusive JumpStart, der dækker en række forskellige brugssager.
For at lære mere om AWS ML via en række gratis digitale aktiver, tjek vores AWS Machine Learning Ramp-Up Guide. Du kan også prøve vores gratis ML læringsplan at bygge videre på din nuværende viden eller have et klart udgangspunkt. For at tage et instruktørledet kursus anbefaler vi stærkt følgende kurser:
Det er virkelig en spændende tid i AI/ML-området. AWS er her for at støtte din ML-rejse, så kontakt os venligst på sociale medier. Vi ser frem til at se al din læring, eksperimenter og sjov med de forskellige ML-tjenester i løbet af de kommende måneder og nyder muligheden for at være din instruktør på din ML-rejse.
Om forfatteren
Paul Colmer er en Senior Technical Trainer hos Amazon Web Services med speciale i machine learning og generativ AI. Hans passion er at hjælpe kunder, partnere og medarbejdere med at udvikle sig og vokse gennem overbevisende historiefortælling, delte erfaringer og videnoverførsel. Med over 25 år i IT-branchen har han specialiseret sig i agile kulturelle praksisser og maskinlæringsløsninger. Paul er stipendiat ved London College of Music og stipendiat i British Computer Society.
- SEO Powered Content & PR Distribution. Bliv forstærket i dag.
- PlatoAiStream. Web3 Data Intelligence. Viden forstærket. Adgang her.
- Udmøntning af fremtiden med Adryenn Ashley. Adgang her.
- Køb og sælg aktier i PRE-IPO-virksomheder med PREIPO®. Adgang her.
- Kilde: https://aws.amazon.com/blogs/machine-learning/get-started-with-generative-ai-on-aws-using-amazon-sagemaker-jumpstart/
- :er
- :ikke
- $OP
- 1
- 11
- 15 %
- 50
- 500
- 7
- 8
- 9
- 937
- a
- Om
- adgang
- ulykker
- Konto
- tilføje
- adresse
- administrative
- fremskreden
- Efter
- adræt
- AI
- AI / ML
- sigte
- Album
- algoritmer
- Alle
- tillade
- tillader
- allerede
- også
- Amazon
- Amazon SageMaker
- Amazon SageMaker JumpStart
- Amazon Web Services
- an
- ,
- enhver
- noget
- app
- vises
- Anvendelse
- ER
- OMRÅDE
- omkring
- Kunst
- artikler
- kunstig
- kunstig intelligens
- kunstværk
- AS
- Aktiver
- forbundet
- At
- vedhæftet
- opmærksomhed
- Autodesk
- automatisere
- til rådighed
- AWS
- AWS kunde
- Bar
- baseret
- BE
- fordi
- Oksekød
- været
- før
- Begyndelse
- fordele
- BEDSTE
- velsignelse
- Bloker
- Blocks
- blogs
- Bloom
- bog
- Bøger
- både
- Britiske
- bygge
- indbygget
- virksomhed
- Forretningsidéer
- virksomheder
- men
- by
- CAN
- tilfælde
- tilfælde
- lave om
- afgifter
- ChatGPT
- kontrollere
- Vælg
- klar
- lukket
- kode
- Kollegium
- Kom
- kommer
- overbevisende
- fuldføre
- fuldstændig
- computer
- begreber
- Tilslut
- Overvej
- Konsol
- konstant
- indhold
- indholdsskabelse
- kursus
- kurser
- dæksel
- dækker
- dækker
- skabe
- oprettet
- skaber
- Oprettelse af
- skabelse
- Kreativ
- kulturelle
- Nuværende
- kunde
- Kundeoplevelse
- Kunder
- data
- dag
- Dage
- Død
- Demo
- indsætte
- indsat
- implementering
- beskrivelse
- Design
- designere
- designs
- detaljeret
- Detektion
- bestemmer
- udvikle
- Udvikling
- forskellige
- Broadcasting
- digital
- Digitale aktiver
- do
- dokumentet
- gør
- domæne
- Dont
- ned
- hver
- uddannelsesmæssige
- medarbejdere
- muliggør
- vedrører generelt
- Endpoint
- styrke
- Indtast
- Miljø
- Ether (ETH)
- begivenheder
- Hver
- eksempel
- spændende
- eksisterende
- Udvid
- erfaring
- Oplevelser
- eksperiment
- eksperimenter
- forklaring
- udforske
- Udforskning
- familie
- Mode
- Funktionalitet
- Fed
- føler sig
- fyr
- få
- felt
- Fields
- endelige
- Finde
- Fornavn
- fokuserer
- efter
- mad
- Til
- formularer
- Videresend
- Foundation
- fire
- Fjerde
- bedrageri
- bedrageri afsløring
- Gratis
- fra
- sjovt
- funktion
- vinder
- generere
- genereret
- generere
- generation
- generative
- Generativ AI
- få
- GitHub
- given
- glas
- godt
- stor
- gruppe
- Grow
- hånd
- Have
- he
- hørt
- hjælpe
- hjælpe
- hjælper
- link.
- højere
- stærkt
- hans
- Hosting
- time
- Hvordan
- How To
- HTML
- HTTPS
- menneskelig
- ideer
- identificere
- if
- billede
- billedgenerering
- billeder
- in
- omfatter
- Herunder
- angiver
- industrien
- oplysninger
- indgang
- instans
- anvisninger
- integreret
- Intelligens
- interesseret
- ind
- IT
- It-industrien
- iterationer
- ITS
- rejse
- jpg
- hoppe
- Jupyter Notebook
- lige
- Nøgle
- viden
- overførsel af viden
- kendt
- Sprog
- større
- lancere
- lancering
- LÆR
- lærte
- læring
- til venstre
- ligesom
- Line (linje)
- levende
- logget
- London
- Se
- Lot
- kærlighed
- maskine
- machine learning
- lavet
- lave
- maerker
- Making
- mange
- Marked
- materiale
- matematiske
- Medier
- minutter
- ML
- model
- modeller
- måned
- mere
- mest
- Bjerg
- bevæge sig
- flere
- Musik
- musical
- navn
- Navigation
- nødvendig
- Behov
- behov
- Ny
- næste
- Bemærk
- notesbog
- notesbøger
- Varsel..
- nu
- nummer
- of
- on
- ONE
- åbent
- OpenAI
- Opportunity
- optimal
- or
- Andet
- vores
- ud
- konturer
- output
- i løbet af
- oversigt
- egen
- side
- brød
- del
- deltager
- særlig
- partnere
- lidenskab
- mønstre
- paul
- Mennesker
- Peter
- billede
- Place
- plato
- Platon Data Intelligence
- PlatoData
- Leg
- Vær venlig
- Punkt
- punkter
- Indlæg
- Indlæg
- potentiale
- potentielt
- praksis
- forgænger
- Forudsigelser
- præsentere
- forelagt
- trykke
- tidligere
- pris
- prissætning
- Problem
- behandle
- produceret
- Produkt
- Produkter
- Profil
- salgsfremmende
- give
- giver
- offentlige
- Python
- rækkevidde
- hellere
- nå
- klar
- ægte
- anbefaler
- referencer
- region
- relevant
- Kræver
- Restaurant
- Resultater
- ryttere
- klippe
- Kør
- kører
- Sikkerhed
- sagemaker
- Said
- SAINT
- rulle
- Søg
- Anden
- sekunder
- Sektion
- sikker
- se
- se
- set
- valgt
- senior
- dømme
- tjeneste
- Tjenester
- sæt
- sæt
- Del
- delt
- bør
- udstillingsvindue
- Shows
- underskrevet
- lignende
- Simpelt
- ganske enkelt
- enkelt
- lidt anderledes
- So
- Social
- sociale medier
- Indlæg på sociale medier
- Samfund
- løsninger
- Løsninger
- nogle
- Soundcloud
- Space
- specialiseret
- speciale
- specifikke
- specifikt
- stabil
- starte
- påbegyndt
- Starter
- Status
- Trin
- Steps
- opbevaring
- Story
- historiefortælling
- Studio
- Bedøvelse
- sådan
- support
- sikker
- Tag
- Tal
- Teknisk
- teknikker
- Teknologier
- tekstgenerering
- end
- at
- deres
- derefter
- Der.
- Disse
- de
- ting
- ting
- Tredje
- denne
- dem
- tusinder
- tre
- Gennem
- tid
- gange
- til
- værktøj
- spor
- uddannet
- Kurser
- overførsel
- Transform
- omdannet
- transformer
- transformers
- virkelig
- vender
- typen
- typer
- under
- forstå
- up-to-date
- opdatering
- uploadet
- på
- us
- brug
- brug tilfælde
- anvendte
- Bruger
- brugere
- ved brug af
- forskellige
- udgave
- via
- video
- Venter
- ønsker
- var
- Vej..
- we
- web
- webservices
- var
- Hvad
- hvornår
- som
- mens
- WHO
- vilje
- med
- inden for
- ord
- arbejdede
- virker
- world
- ville
- Indpakket
- skrivning
- år
- dig
- Din
- zephyrnet