Το ταξίδι του δημιουργικού εικονικού βοηθού τεχνητής νοημοσύνης της PGA TOUR, από την ιδέα στην ανάπτυξη στο πρωτότυπο | Υπηρεσίες Ιστού της Amazon

Αυτό είναι ένα guest post που γράφτηκε από κοινού με τον Scott Gutterman από την PGA TOUR.

Η γενετική τεχνητή νοημοσύνη (generative AI) έχει δώσει νέες δυνατότητες για την κατασκευή ευφυών συστημάτων. Οι πρόσφατες βελτιώσεις στα μοντέλα μεγάλων γλωσσών που βασίζονται σε Generative AI (LLM) επέτρεψαν τη χρήση τους σε μια ποικιλία εφαρμογών που αφορούν την ανάκτηση πληροφοριών. Δεδομένων των πηγών δεδομένων, τα LLM παρείχαν εργαλεία που θα μας επέτρεπαν να δημιουργήσουμε ένα chatbot Q&A σε εβδομάδες, αντί για αυτό που μπορεί να χρειαζόταν χρόνια πριν, και πιθανότατα με χειρότερη απόδοση. Διατυπώσαμε μια λύση Retrieval-Augmented-Generation (RAG) που θα επέτρεπε στο PGA TOUR να δημιουργήσει ένα πρωτότυπο για μια μελλοντική πλατφόρμα αφοσίωσης θαυμαστών που θα μπορούσε να κάνει τα δεδομένα της προσβάσιμα στους θαυμαστές με διαδραστικό τρόπο σε μορφή συνομιλίας.

Η χρήση δομημένων δεδομένων για την απάντηση ερωτήσεων απαιτεί έναν τρόπο αποτελεσματικής εξαγωγής δεδομένων που σχετίζονται με το ερώτημα ενός χρήστη. Διατυπώσαμε μια προσέγγιση κειμένου σε SQL όπου με το ερώτημα φυσικής γλώσσας ενός χρήστη μετατρέπεται σε δήλωση SQL χρησιμοποιώντας ένα LLM. Η SQL εκτελείται από Αμαζόν Αθηνά για να επιστρέψετε τα σχετικά δεδομένα. Αυτά τα δεδομένα παρέχονται και πάλι σε ένα LLM, το οποίο καλείται να απαντήσει στο ερώτημα του χρήστη δεδομένων των δεδομένων.

Η χρήση δεδομένων κειμένου απαιτεί ένα ευρετήριο που μπορεί να χρησιμοποιηθεί για την αναζήτηση και την παροχή σχετικού πλαισίου σε ένα LLM για απάντηση σε ένα ερώτημα χρήστη. Για να ενεργοποιηθεί η γρήγορη ανάκτηση πληροφοριών, χρησιμοποιούμε Amazon Kendra ως ευρετήριο για αυτά τα έγγραφα. Όταν οι χρήστες κάνουν ερωτήσεις, ο εικονικός βοηθός μας αναζητά γρήγορα μέσω του ευρετηρίου Amazon Kendra για να βρει σχετικές πληροφορίες. Το Amazon Kendra χρησιμοποιεί επεξεργασία φυσικής γλώσσας (NLP) για να κατανοήσει τα ερωτήματα των χρηστών και να βρει τα πιο σχετικά έγγραφα. Στη συνέχεια, οι σχετικές πληροφορίες παρέχονται στο LLM για τη δημιουργία τελικής απόκρισης. Η τελική μας λύση είναι ένας συνδυασμός αυτών των προσεγγίσεων text-to-SQL και text-RAG.

Σε αυτή την ανάρτηση επισημαίνουμε πώς το AWS Generative AI Innovation Center συνεργάστηκε με το Επαγγελματικές υπηρεσίες AWS και Περιήγηση PGA για την ανάπτυξη ενός πρωτότυπου εικονικού βοηθού χρησιμοποιώντας Θεμέλιο του Αμαζονίου που θα μπορούσε να επιτρέψει στους θαυμαστές να εξάγουν πληροφορίες για οποιοδήποτε συμβάν, παίκτη, τρύπα ή λεπτομέρειες σε επίπεδο βολής με απρόσκοπτο διαδραστικό τρόπο. Το Amazon Bedrock είναι μια πλήρως διαχειριζόμενη υπηρεσία που προσφέρει μια επιλογή από μοντέλα θεμελίωσης υψηλής απόδοσης (FM) από κορυφαίες εταιρείες τεχνητής νοημοσύνης όπως AI21 Labs, Anthropic, Cohere, Meta, Stability AI και Amazon μέσω ενός μόνο API, μαζί με ένα ευρύ σύνολο δυνατότητες που χρειάζεστε για να δημιουργήσετε παραγωγικές εφαρμογές τεχνητής νοημοσύνης με ασφάλεια, απόρρητο και υπεύθυνη τεχνητή νοημοσύνη.

Ανάπτυξη: Προετοιμασία των δεδομένων

Όπως συμβαίνει με κάθε έργο που βασίζεται σε δεδομένα, η απόδοση θα είναι πάντα τόσο καλή όσο τα δεδομένα. Επεξεργαστήκαμε τα δεδομένα για να μπορέσει το LLM να μπορεί να υποβάλει αποτελεσματικά ερωτήματα και να ανακτήσει σχετικά δεδομένα.

Για τα δεδομένα ανταγωνισμού σε πίνακα, εστιάσαμε σε ένα υποσύνολο δεδομένων που σχετίζονται με τον μεγαλύτερο αριθμό ερωτημάτων χρηστών και επισημάναμε τις στήλες διαισθητικά, έτσι ώστε να είναι ευκολότερο να τις καταλάβουν οι LLM. Δημιουργήσαμε επίσης μερικές βοηθητικές στήλες για να βοηθήσουμε το LLM να κατανοήσει έννοιες με τις οποίες διαφορετικά θα μπορούσε να δυσκολευτεί. Για παράδειγμα, εάν ένας παίκτης του γκολφ σουτάρει ένα σουτ λιγότερο από το κανονικό (όπως το κάνει στην τρύπα σε 3 βολές στο άρτιο 4 ή σε 4 βολές στο σημείο 5), συνήθως ονομάζεται πουλάκι. Εάν ένας χρήστης ρωτήσει, "Πόσα πουλάκια έκανε ο παίκτης Χ πέρυσι;", δεν αρκεί μόνο η βαθμολογία και η ισοτιμία στον πίνακα. Ως αποτέλεσμα, προσθέσαμε στήλες για να υποδείξουμε κοινούς όρους γκολφ, όπως μπαμπούλα, πουλάκι και αετός. Επιπλέον, συνδέσαμε τα δεδομένα του Διαγωνισμού με μια ξεχωριστή συλλογή βίντεο, συνδέοντας μια στήλη για α video_id, που θα επέτρεπε στην εφαρμογή μας να τραβήξει το βίντεο που σχετίζεται με μια συγκεκριμένη λήψη στα δεδομένα του Διαγωνισμού. Επίσης, ενεργοποιήσαμε τη σύνδεση δεδομένων κειμένου στα δεδομένα πίνακα, για παράδειγμα προσθήκη βιογραφιών για κάθε παίκτη ως στήλη κειμένου. Τα παρακάτω σχήματα δείχνουν τη διαδικασία βήμα προς βήμα για τον τρόπο επεξεργασίας ενός ερωτήματος για τη διοχέτευση κειμένου σε SQL. Οι αριθμοί υποδεικνύουν τη σειρά βημάτων για να απαντήσετε σε ένα ερώτημα.

Στο παρακάτω σχήμα παρουσιάζουμε τη γραμμή μας από άκρο σε άκρο. Χρησιμοποιούμε AWS Lambda ως η λειτουργία ενορχήστρωσής μας που είναι υπεύθυνη για την αλληλεπίδραση με διάφορες πηγές δεδομένων, LLM και διόρθωση σφαλμάτων με βάση το ερώτημα χρήστη. Τα βήματα 1-8 είναι παρόμοια με αυτά που φαίνεται στο παρακάτω σχήμα. Υπάρχουν μικρές αλλαγές για τα μη δομημένα δεδομένα, τα οποία θα συζητήσουμε στη συνέχεια.

Τα δεδομένα κειμένου απαιτούν μοναδικά βήματα επεξεργασίας που τεμαχίζουν (ή τμηματοποιούν) μεγάλα έγγραφα σε μέρη που μπορούν να αφομοιωθούν από το LLM, διατηρώντας παράλληλα τη συνοχή του θέματος. Πειραματιστήκαμε με διάφορες προσεγγίσεις και καταλήξαμε σε ένα σχήμα τμηματοποίησης σε επίπεδο σελίδας που ευθυγραμμίστηκε καλά με τη μορφή των Οδηγών πολυμέσων. Χρησιμοποιήσαμε το Amazon Kendra, η οποία είναι μια διαχειριζόμενη υπηρεσία που φροντίζει για την ευρετηρίαση εγγράφων, χωρίς να απαιτεί προδιαγραφές ενσωματώσεων, ενώ παρέχει ένα εύκολο API για ανάκτηση. Το παρακάτω σχήμα απεικονίζει αυτήν την αρχιτεκτονική.

Ο ενοποιημένος, επεκτάσιμος αγωγός που αναπτύξαμε επιτρέπει στο PGA TOUR να κλιμακωθεί στο πλήρες ιστορικό δεδομένων του, μερικά από τα οποία χρονολογούνται από το 1800. Επιτρέπει σε μελλοντικές εφαρμογές που μπορούν να πάρουν ζωντανά το πλαίσιο του μαθήματος να δημιουργήσουν πλούσιες εμπειρίες σε πραγματικό χρόνο.

Ανάπτυξη: Αξιολόγηση LLM και ανάπτυξη γενετικών εφαρμογών AI

Δοκιμάσαμε και αξιολογήσαμε προσεκτικά τα LLM πρώτου και τρίτου κατασκευαστή που είναι διαθέσιμα στο Amazon Bedrock για να επιλέξουμε το μοντέλο που ταιριάζει καλύτερα για τη γραμμή παραγωγής και την περίπτωση χρήσης μας. Επιλέξαμε τα Anthropic's Claude v2 και Claude Instant στο Amazon Bedrock. Για τον τελικό δομημένο και μη δομημένο αγωγό δεδομένων μας, παρατηρούμε ότι το Claude 2 της Anthropic στο Amazon Bedrock δημιούργησε καλύτερα συνολικά αποτελέσματα για την τελική μας διοχέτευση δεδομένων.

Η υποβολή προτροπής είναι μια κρίσιμη πτυχή για να κάνετε τα LLM να εξάγουν κείμενο όπως επιθυμείτε. Ξοδέψαμε πολύ χρόνο πειραματιζόμενοι με διαφορετικές προτροπές για καθεμία από τις εργασίες. Για παράδειγμα, για τη διοχέτευση κειμένου σε SQL είχαμε αρκετές εναλλακτικές προτροπές, με αυξανόμενη εξειδίκευση και σταδιακά απλοποιημένα σχήματα πινάκων. Εάν ένα ερώτημα SQL δεν ήταν έγκυρο και είχε ως αποτέλεσμα ένα σφάλμα από την Athena, αναπτύξαμε μια προτροπή διόρθωσης σφάλματος που θα περνούσε το σφάλμα και τη λανθασμένη SQL στο LLM και θα του ζητούσε να το διορθώσει. Η τελική προτροπή στη διοχέτευση κειμένου σε SQL ζητά από το LLM να λάβει την έξοδο Athena, η οποία μπορεί να παρέχεται σε μορφή Markdown ή CSV, και να δώσει μια απάντηση στον χρήστη. Για το μη δομημένο κείμενο, αναπτύξαμε γενικές προτροπές για χρήση του περιβάλλοντος που ανακτήθηκε από το Amazon Kendra για να απαντήσουμε στην ερώτηση του χρήστη. Η προτροπή περιλάμβανε οδηγίες χρήσης μόνο των πληροφοριών που ανακτήθηκαν από το Amazon Kendra και να μην βασίζεστε σε δεδομένα από την προεκπαίδευση LLM.

Ο λανθάνων χρόνος είναι συχνά μια ανησυχία με τις γενετικές εφαρμογές τεχνητής νοημοσύνης, και συμβαίνει επίσης εδώ. Είναι ιδιαίτερα ανησυχητικό για το κείμενο σε SQL, το οποίο απαιτεί μια αρχική επίκληση LLM γενιάς SQL, ακολουθούμενη από μια επίκληση LLM γενιάς απόκρισης. Εάν χρησιμοποιούμε ένα μεγάλο LLM, όπως το Claude V2 του Anthropic, αυτό ουσιαστικά διπλασιάζει τον λανθάνοντα χρόνο μιας μόνο επίκλησης LLM. Πειραματιστήκαμε με διάφορες διαμορφώσεις μεγάλων και μικρότερων LLM για να αξιολογήσουμε τον χρόνο εκτέλεσης καθώς και την ορθότητα. Ο παρακάτω πίνακας δείχνει ένα παράδειγμα για μια ερώτηση που παρουσιάζεται παρακάτω που δείχνει την καθυστέρηση, καθώς και τις δημιουργούμενες απαντήσεις με το Claude V2 του Anthropic και το Claude Instant στο Amazon Bedrock.

Πρωτότυπο

Στην εφαρμογή μας, χρησιμοποιήσαμε μια συνάρτηση Lambda για να ενορχηστρώσουμε τις άμεσες επιλογές και την επικοινωνία μεταξύ Amazon Athena, Amazon Kendra και Amazon Bedrock. Ο εικονικός βοηθός διαθέτει μια διεπαφή συνομιλίας, κατασκευασμένη με το React και το Cloudscape Design System, που χρησιμοποιεί κείμενο και βίντεο για την αλληλεπίδραση με τους χρήστες.

Ο εικονικός βοηθός μας μπορεί να υποβάλει ένα ευρύ φάσμα ερωτήσεων σχετικά με εκδηλώσεις PGA TOUR, παίκτες, στατιστικά στοιχεία, ιστορία και πολλά άλλα. Για παράδειγμα, όταν ρωτήθηκε για τις μεγαλύτερες διαδρομές του Tony Finau στο Shriners Children's Open (ένα από τα συμβάντα Signature του PGA TOUR), ο βοηθός μπορεί να αναζητήσει δομημένα δεδομένα για να αντλήσει τα δεδομένα του επιπέδου λήψης. Μπορεί να εξαγάγει την ακριβή απόσταση σε γιάρδες, τον στρογγυλό αριθμό και την τρύπα κατά την οποία πέτυχε αυτό το ρεκόρ χρησιμοποιώντας τη διοχέτευση κειμένου σε SQL. Στη συνέχεια, ο βοηθός ερμηνεύει αυτά τα αριθμητικά δεδομένα για να δημιουργήσει μια τελική απόκριση. Ο παρακάτω πίνακας περιέχει μερικά παραδείγματα απαντήσεων.

Ερώτηση	Απάντηση
Ποια ήταν η μεγαλύτερη διαδρομή που πέτυχε ο Tony Finau στο Shriners Children's Open;	Η μεγαλύτερη οδήγηση που πέτυχε ο Tony Finau στο Shriners Childrens Open ήταν 382 γιάρδες, την οποία πέτυχε στον πρώτο γύρο στην τρύπα νούμερο 4 το 2018.
Ποια ήταν η μεγαλύτερη διαδρομή που πέτυχε ο Collin Morikawa στο Shriners Children's Open;	Η μεγαλύτερη διαδρομή του Collin Morikawa στο Shriners Childrens Open ήταν 334 γιάρδες. Αυτό συνέβη το 2019 κατά τη διάρκεια του πρώτου γύρου στην τρύπα με αριθμό 15.
Έκανε κανείς άσο στο 2022 Shriners Children's Open;	Ναι, ο Adam Hadwin έκανε μια τρύπα στην τρύπα 14 κατά τη διάρκεια του 3ου γύρου του Shriners Children's Open 2022

Το παρακάτω επεξηγητικό βίντεο επισημαίνει μερικά παραδείγματα αλληλεπίδρασης με τον εικονικό βοηθό.

Στην αρχική δοκιμή, ο εικονικός βοηθός μας PGA TOUR έχει δείξει μεγάλη υπόσχεση για τη βελτίωση της εμπειρίας των θαυμαστών. Συνδυάζοντας τεχνολογίες τεχνητής νοημοσύνης όπως η μετατροπή κειμένου σε SQL, η σημασιολογική αναζήτηση και η παραγωγή φυσικής γλώσσας, ο βοηθός παρέχει ενημερωτικές, συναρπαστικές απαντήσεις. Οι θαυμαστές έχουν τη δυνατότητα να έχουν εύκολη πρόσβαση σε δεδομένα και αφηγήσεις που προηγουμένως ήταν δύσκολο να βρεθούν.

Τι έχει το μέλλον;

Καθώς συνεχίζουμε την ανάπτυξη, θα επεκτείνουμε το φάσμα των ερωτήσεων που μπορεί να χειριστεί ο εικονικός μας βοηθός. Αυτό θα απαιτήσει εκτεταμένες δοκιμές, μέσω της συνεργασίας μεταξύ της AWS και του PGA TOUR. Με την πάροδο του χρόνου, στοχεύουμε να εξελίξουμε τον βοηθό σε μια εξατομικευμένη, πολυκαναλική εμπειρία, προσβάσιμη σε διεπαφές ιστού, κινητών και φωνής.

Η δημιουργία ενός βοηθού τεχνητής νοημοσύνης που βασίζεται στο cloud επιτρέπει στο PGA TOUR να παρουσιάσει την τεράστια πηγή δεδομένων του σε πολλούς εσωτερικούς και εξωτερικούς ενδιαφερόμενους. Καθώς εξελίσσεται το τοπίο τεχνητής νοημοσύνης που δημιουργεί αθλητικές δραστηριότητες, επιτρέπει τη δημιουργία νέου περιεχομένου. Για παράδειγμα, μπορείτε να χρησιμοποιήσετε την τεχνητή νοημοσύνη και τη μηχανική μάθηση (ML) για να εμφανίσετε περιεχόμενο που θέλουν να βλέπουν οι θαυμαστές καθώς παρακολουθούν μια εκδήλωση ή καθώς οι ομάδες παραγωγής αναζητούν πλάνα από προηγούμενα τουρνουά που ταιριάζουν με ένα τρέχον γεγονός. Για παράδειγμα, εάν ο Max Homa ετοιμάζεται να τραβήξει την τελευταία του βολή στο Πρωτάθλημα PGA TOUR από ένα σημείο 20 πόδια από την καρφίτσα, το PGA TOUR μπορεί να χρησιμοποιήσει AI και ML για να εντοπίσει και να παρουσιάσει κλιπ, με σχολιασμούς που δημιουργούνται από AI. επιχειρώντας παρόμοια βολή πέντε φορές στο παρελθόν. Αυτό το είδος πρόσβασης και δεδομένων επιτρέπει σε μια ομάδα παραγωγής να προσθέσει αμέσως αξία στη μετάδοση ή να επιτρέψει σε έναν θαυμαστή να προσαρμόσει τον τύπο των δεδομένων που θέλει να δει.

«Το PGA TOUR είναι ο ηγέτης του κλάδου στη χρήση τεχνολογίας αιχμής για τη βελτίωση της εμπειρίας των θαυμαστών. Η τεχνητή νοημοσύνη βρίσκεται στην πρώτη γραμμή της στοίβας τεχνολογίας μας, όπου μας δίνει τη δυνατότητα να δημιουργήσουμε ένα πιο ελκυστικό και διαδραστικό περιβάλλον για τους θαυμαστές. Αυτή είναι η αρχή του αναπτυξιακού μας ταξιδιού AI σε συνεργασία με το AWS Generative AI Innovation Center για μια μεταμορφωτική εμπειρία πελάτη από άκρο σε άκρο. Εργαζόμαστε για να αξιοποιήσουμε το Amazon Bedrock και τα δεδομένα καταλληλότητάς μας για να δημιουργήσουμε μια διαδραστική εμπειρία για τους θαυμαστές του PGA TOUR ώστε να βρίσκουν πληροφορίες που ενδιαφέρουν για μια εκδήλωση, παίκτη, στατιστικά ή άλλο περιεχόμενο με διαδραστικό τρόπο."
– Scott Gutterman, SVP Broadcast και Digital Properties στο PGA TOUR.

Συμπέρασμα

Το έργο που συζητήσαμε σε αυτήν την ανάρτηση αποτελεί παράδειγμα του τρόπου με τον οποίο οι δομημένες και μη δομημένες πηγές δεδομένων μπορούν να συγχωνευτούν χρησιμοποιώντας AI για τη δημιουργία εικονικών βοηθών επόμενης γενιάς. Για αθλητικούς οργανισμούς, αυτή η τεχνολογία επιτρέπει την πιο καθηλωτική αφοσίωση των θαυμαστών και ξεκλειδώνει τις εσωτερικές αποδόσεις. Η ευφυΐα δεδομένων που αναδεικνύουμε βοηθά τους ενδιαφερόμενους φορείς της PGA TOUR, όπως παίκτες, προπονητές, αξιωματούχους, συνεργάτες και μέσα ενημέρωσης να λαμβάνουν ενημερωμένες αποφάσεις πιο γρήγορα. Πέρα από τον αθλητισμό, η μεθοδολογία μας μπορεί να αναπαραχθεί σε οποιονδήποτε κλάδο. Οι ίδιες αρχές ισχύουν για τους βοηθούς κατασκευής που προσελκύουν πελάτες, υπαλλήλους, φοιτητές, ασθενείς και άλλους τελικούς χρήστες. Με προσεκτικό σχεδιασμό και δοκιμές, σχεδόν οποιοσδήποτε οργανισμός μπορεί να επωφεληθεί από ένα σύστημα AI που ενσωματώνει τις δομημένες βάσεις δεδομένων, τα έγγραφα, τις εικόνες, τα βίντεο και άλλο περιεχόμενό του.

Εάν ενδιαφέρεστε να εφαρμόσετε παρόμοιες λειτουργίες, εξετάστε το ενδεχόμενο να χρησιμοποιήσετε Πράκτορες για το Amazon Bedrock και Βάσεις γνώσεων για το Amazon Bedrock ως εναλλακτική λύση πλήρως διαχειριζόμενη από AWS. Αυτή η προσέγγιση θα μπορούσε να διερευνήσει περαιτέρω την παροχή ευφυούς αυτοματισμού και δυνατοτήτων αναζήτησης δεδομένων μέσω προσαρμόσιμων πρακτόρων. Αυτοί οι πράκτορες θα μπορούσαν ενδεχομένως να μετατρέψουν τις αλληλεπιδράσεις των εφαρμογών χρήστη σε πιο φυσικές, αποτελεσματικές και αποτελεσματικές.

---

Σχετικά με τους συγγραφείς

Σκοτ Γκάτερμαν είναι ο SVP Ψηφιακών Λειτουργιών για το PGA TOUR. Είναι υπεύθυνος για τις συνολικές ψηφιακές λειτουργίες του TOUR, την ανάπτυξη προϊόντων και οδηγεί τη στρατηγική GenAI τους.

Αχάν Αλί είναι Εφαρμοσμένος Επιστήμονας στο Amazon Generative AI Innovation Center, όπου συνεργάζεται με πελάτες από διαφορετικούς τομείς για να λύσει τα επείγοντα και ακριβά προβλήματά τους χρησιμοποιώντας το Generative AI.

Tahin Syed είναι Εφαρμοσμένος Επιστήμονας στο Amazon Generative AI Innovation Center, όπου συνεργάζεται με πελάτες για να βοηθήσει στην πραγματοποίηση επιχειρηματικών αποτελεσμάτων με παραγωγικές λύσεις AI. Εκτός δουλειάς, του αρέσει να δοκιμάζει νέο φαγητό, να ταξιδεύει και να διδάσκει ταεκβοντό.

Γκρέις Λανγκ είναι Associate Data & ML engineer with AWS Professional Services. Με γνώμονα το πάθος για την υπέρβαση δύσκολων προκλήσεων, η Grace βοηθά τους πελάτες να επιτύχουν τους στόχους τους αναπτύσσοντας λύσεις που υποστηρίζονται από μηχανική μάθηση.

Jae Lee είναι Senior Engagement Manager στον κλάδο M&E της ProServe. Ηγείται και παρέχει σύνθετες δεσμεύσεις, επιδεικνύει ισχυρά σύνολα δεξιοτήτων επίλυσης προβλημάτων, διαχειρίζεται τις προσδοκίες των ενδιαφερομένων και επιμελείται παρουσιάσεις σε επίπεδο στελεχών. Της αρέσει να εργάζεται σε έργα που επικεντρώνονται στον αθλητισμό, τη γενετική τεχνητή νοημοσύνη και την εμπειρία πελατών.

Karn Chahar είναι Σύμβουλος Ασφαλείας με την κοινή ομάδα παράδοσης στην AWS. Είναι λάτρης της τεχνολογίας που του αρέσει να εργάζεται με πελάτες για να λύσει τις προκλήσεις ασφαλείας τους και να βελτιώσει τη στάση ασφαλείας τους στο cloud.

Μάικ Αμτζάντι είναι Μηχανικός Δεδομένων & ML με το AWS ProServe που επικεντρώνεται στο να δίνει τη δυνατότητα στους πελάτες να μεγιστοποιούν την αξία από τα δεδομένα. Ειδικεύεται στο σχεδιασμό, την κατασκευή και τη βελτιστοποίηση αγωγών δεδομένων ακολουθώντας καλά σχεδιασμένες αρχές. Ο Mike είναι παθιασμένος με τη χρήση της τεχνολογίας για την επίλυση προβλημάτων και δεσμεύεται να παρέχει τα καλύτερα αποτελέσματα για τους πελάτες μας.

Vrushali Sawant είναι Front End Engineer με την Proserve. Έχει υψηλή εξειδίκευση στη δημιουργία responsive ιστοσελίδων. Της αρέσει να εργάζεται με πελάτες, να κατανοεί τις απαιτήσεις τους και να τους παρέχει επεκτάσιμες, εύκολες στην υιοθέτηση λύσεις UI/UX.

Neelam Patel είναι Υπεύθυνος Λύσεων Πελατών στην AWS, που ηγείται των βασικών πρωτοβουλιών Generative AI και εκσυγχρονισμού cloud. Η Neelam συνεργάζεται με βασικά στελέχη και ιδιοκτήτες τεχνολογίας για να αντιμετωπίσει τις προκλήσεις του μετασχηματισμού cloud και βοηθά τους πελάτες να μεγιστοποιήσουν τα οφέλη της υιοθέτησης του cloud. Έχει πτυχίο MBA από το Warwick Business School, UK και πτυχίο στη Μηχανική Υπολογιστών, στην Ινδία.

Δρ Μουράλι Μπάκθα είναι Global Golf Solution Architect στο AWS, πρωτοστατεί σε κεντρικές πρωτοβουλίες που περιλαμβάνουν Generative AI, ανάλυση δεδομένων και τεχνολογίες cloud αιχμής. Η Murali συνεργάζεται με βασικά στελέχη και ιδιοκτήτες τεχνολογίας για να κατανοήσει τις επιχειρηματικές προκλήσεις των πελατών και σχεδιάζει λύσεις για την αντιμετώπιση αυτών των προκλήσεων. Έχει MBA στα Οικονομικά από το UConn και διδακτορικό από το Iowa State University.

Mehdi Noor είναι Διευθυντής Εφαρμοσμένων Επιστημών στο Generative Ai Innovation Center. Με πάθος για τη γεφύρωση της τεχνολογίας και της καινοτομίας, βοηθά τους πελάτες της AWS να ξεκλειδώσουν τις δυνατότητες της Generative AI, μετατρέποντας τις πιθανές προκλήσεις σε ευκαιρίες για γρήγορο πειραματισμό και καινοτομία, εστιάζοντας σε επεκτάσιμες, μετρήσιμες και αποτελεσματικές χρήσεις προηγμένων τεχνολογιών AI και βελτιστοποιώντας την πορεία στην παραγωγή.

• SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
• PlatoData.Network Vertical Generative Ai. Ενδυναμώστε τον εαυτό σας. Πρόσβαση εδώ.
• PlatoAiStream. Web3 Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
• PlatoESG. Ανθρακας, Cleantech, Ενέργεια, Περιβάλλον, Ηλιακός, Διαχείριση των αποβλήτων. Πρόσβαση εδώ.
• PlatoHealth. Ευφυΐα βιοτεχνολογίας και κλινικών δοκιμών. Πρόσβαση εδώ.
• πηγή: https://aws.amazon.com/blogs/machine-learning/the-journey-of-pga-tours-generative-ai-virtual-assistant-from-concept-to-development-to-prototype/