هوش مصنوعی مولد برنامه های کاربردی که توسط مدل های بنیادی (FM) هدایت می شوند، سازمان هایی را با ارزش تجاری قابل توجه در تجربه مشتری، بهره وری، بهینه سازی فرآیند و نوآوری ها قادر می سازند. با این حال، پذیرش این FM ها شامل پرداختن به برخی چالش های کلیدی، از جمله خروجی کیفیت، حریم خصوصی داده ها، امنیت، ادغام با داده های سازمان، هزینه، و مهارت های ارائه می شود.
در این پست، رویکردهای مختلفی را که میتوانید هنگام ساخت برنامههایی که از هوش مصنوعی مولد استفاده میکنند استفاده کنید، بررسی میکنیم. با پیشرفت سریع FM ها، زمان هیجان انگیزی برای مهار قدرت آنها است، اما همچنین درک نحوه استفاده صحیح از آنها برای دستیابی به نتایج تجاری بسیار مهم است. ما مروری بر رویکردهای کلیدی هوش مصنوعی مولد، از جمله مهندسی سریع، بازیابی نسل افزوده (RAG) و سفارشیسازی مدل ارائه میکنیم. هنگام استفاده از این رویکردها، ما در مورد ملاحظات کلیدی در مورد توهم احتمالی، ادغام با داده های سازمانی، کیفیت خروجی و هزینه بحث می کنیم. در پایان، دستورالعملهای محکم و نمودار جریان مفیدی برای تعیین بهترین روش برای توسعه برنامههای کاربردی مبتنی بر FM خود، مبتنی بر مثالهای واقعی، خواهید داشت. چه ایجاد یک چت بات یا ابزار خلاصه سازی، می توانید FM های قدرتمندی را مطابق با نیازهای خود شکل دهید.
هوش مصنوعی مولد با AWS
ظهور FM ها فرصت ها و چالش هایی را برای سازمان هایی که به دنبال استفاده از این فناوری ها هستند ایجاد می کند. یک چالش کلیدی، اطمینان از خروجی های با کیفیت بالا و منسجم است که با نیازهای کسب و کار همخوانی داشته باشد، نه توهم یا اطلاعات نادرست. سازمان ها همچنین باید به دقت حریم خصوصی داده ها و خطرات امنیتی ناشی از پردازش داده های اختصاصی با FM ها را مدیریت کنند. مهارتهای مورد نیاز برای یکپارچهسازی، سفارشیسازی و اعتبارسنجی FMها در سیستمها و دادههای موجود کم است. ساختن مدلهای زبان بزرگ (LLM) از ابتدا یا سفارشیسازی مدلهای از پیش آموزشدیده به منابع محاسباتی قابل توجه، دانشمندان دادههای خبره و ماهها کار مهندسی نیاز دارد. هزینه محاسباتی به تنهایی میتواند به میلیونها دلار برای آموزش مدلهایی با صدها میلیارد پارامتر روی مجموعه دادههای عظیم با استفاده از هزاران GPU یا TPU برسد. فراتر از سخت افزار، تمیز کردن و پردازش داده ها، طراحی معماری مدل، تنظیم هایپرپارامتر، و توسعه خط لوله آموزشی، نیازمند مهارت های تخصصی یادگیری ماشینی (ML) است. فرآیند انتها به انتها برای اکثر سازمانها بدون زیرساختهای لازم و سرمایهگذاری استعداد، پیچیده، زمانبر و بسیار پرهزینه است. سازمان هایی که نتوانند به طور کافی به این خطرات رسیدگی کنند، می توانند با تأثیرات منفی بر شهرت برند، اعتماد مشتری، عملیات و درآمد خود مواجه شوند.
بستر آمازون یک سرویس کاملاً مدیریت شده است که انتخابی از مدلهای پایه (FM) با عملکرد بالا را از شرکتهای پیشرو هوش مصنوعی مانند AI21 Labs، Anthropic، Cohere، Meta، Mistral AI، Stability AI و Amazon از طریق یک API ارائه میدهد. با تجربه بدون سرور Amazon Bedrock، می توانید به سرعت شروع کنید، FM ها را به صورت خصوصی با داده های خود سفارشی کنید و با استفاده از ابزارهای AWS آنها را بدون نیاز به مدیریت زیرساخت در برنامه های خود ادغام و مستقر کنید. Amazon Bedrock واجد شرایط HIPAA است و شما می توانید از Amazon Bedrock مطابق با GDPR استفاده کنید. با Amazon Bedrock، محتوای شما برای بهبود مدل های پایه استفاده نمی شود و با ارائه دهندگان مدل های شخص ثالث به اشتراک گذاشته نمی شود. داده های شما در Amazon Bedrock همیشه در حین حمل و نقل و در حالت استراحت رمزگذاری می شوند و شما می توانید به صورت اختیاری منابع را با استفاده از کلیدهای خود رمزگذاری کنید. شما می توانید استفاده کنید AWS PrivateLink با Amazon Bedrock برای برقراری ارتباط خصوصی بین FMs و VPC شما بدون اینکه ترافیک شما در معرض اینترنت قرار گیرد. با پایگاه های دانش برای آمازون بستر، می توانید اطلاعات زمینه ای را از منابع داده خصوصی شرکت خود به FMها و نمایندگان برای RAG بدهید تا پاسخ های مرتبط تر، دقیق تر و سفارشی تر ارائه کنند. شما می توانید به صورت خصوصی FM ها را با داده های خود از طریق یک رابط بصری بدون نوشتن هیچ کدی سفارشی کنید. به عنوان یک سرویس کاملاً مدیریت شده، Amazon Bedrock یک تجربه توسعه دهنده ساده برای کار با طیف گسترده ای از FM های با کارایی بالا ارائه می دهد.
راه اندازی در 2017، آمازون SageMaker یک سرویس کاملاً مدیریت شده است که ساخت، آموزش و استقرار مدلهای ML را آسان میکند. مشتریان بیشتری با استفاده از SageMaker FM های خود را می سازند، از جمله Stability AI، AI21 Labs، Hugging Face، Perplexity AI، Hippocratic AI، LG AI Research و Technology Innovation Institute. برای کمک به شما برای شروع سریع، Amazon SageMaker JumpStart یک هاب ML را ارائه می دهد که در آن می توانید طیف گسترده ای از FM های عمومی مانند مدل های Mistral، مدل های LightOn، RedPajama، Mosiac MPT-7B، FLAN-T5/UL2، GPT-J-6B/Neox-20B را کاوش، آموزش، و مستقر کنید. و Bloom/BloomZ، با استفاده از ابزارهای SageMaker ساخته شده مانند آزمایشها و خطوط لوله.
رویکردهای متداول هوش مصنوعی مولد
در این بخش، رویکردهای رایج برای پیاده سازی راه حل های موثر هوش مصنوعی مولد را مورد بحث قرار می دهیم. ما تکنیکهای مهندسی سریع و محبوب را بررسی میکنیم که به شما امکان میدهد به کارهای پیچیدهتر و جالبتر با FM دست پیدا کنید. همچنین بحث میکنیم که چگونه تکنیکهایی مانند RAG و سفارشیسازی مدل میتوانند قابلیتهای FM را بیشتر تقویت کنند و بر چالشهایی مانند محدودیتهای داده و محاسباتی محدود غلبه کنند. با تکنیک مناسب، میتوانید راهحلهای مولد هوش مصنوعی قدرتمند و تاثیرگذار بسازید.
مهندسی سریع
مهندسی سریع عبارت است از طراحی دقیق اعلانها برای بهرهگیری مؤثر از قابلیتهای FM. این شامل استفاده از اعلانها است، که قطعات کوتاهی از متن هستند که مدل را برای ایجاد پاسخهای دقیقتر و مرتبطتر راهنمایی میکنند. با مهندسی سریع، می توانید عملکرد FM ها را بهبود بخشید و آنها را برای برنامه های مختلف موثرتر کنید. در این بخش، تکنیکهایی مانند اعلان صفر و چند شات را بررسی میکنیم، که به سرعت FMها را با کارهای جدید تنها با چند مثال تطبیق میدهد، و اعلان زنجیرهای از فکر، که استدلال پیچیده را به مراحل میانی تقسیم میکند. این روشها نشان میدهند که چگونه مهندسی سریع میتواند FMها را در کارهای پیچیده بدون نیاز به آموزش مجدد مدل مؤثرتر کند.
درخواست ضربه صفر
یک تکنیک سریع شات صفر به FM ها نیاز دارد تا بدون ارائه هیچ مثال صریح از رفتار مورد نظر، تنها با اتکا به پیش آموزش خود، پاسخی را تولید کنند. اسکرین شات زیر نمونه ای از دستور صفر شات با مدل Anthropic Claude 2.1 در کنسول آمازون Bedrock را نشان می دهد.
در این دستورالعمل ها هیچ نمونه ای ارائه نکردیم. با این حال، مدل می تواند وظیفه را درک کند و خروجی مناسب تولید کند. اعلانهای صفر شات سادهترین روش برای شروع ارزیابی FM برای موارد استفاده شما هستند. با این حال، اگرچه FM ها با دستورات صفر شات قابل توجه هستند، ممکن است همیشه نتایج دقیق یا مطلوبی برای کارهای پیچیده تر به همراه نداشته باشد. هنگامی که درخواست های صفر شات کوتاه می شوند، توصیه می شود چند مثال در اعلان ارائه کنید (اعلان های چند شات).
چند شات تحریک
تکنیک اعلان چند شات به FM ها اجازه می دهد تا یادگیری درون متنی از مثال های موجود در دستورات را انجام دهند و کار را با دقت بیشتری انجام دهند. تنها با چند مثال، می توانید به سرعت FM ها را با وظایف جدید بدون مجموعه های آموزشی بزرگ تطبیق دهید و آنها را به سمت رفتار دلخواه هدایت کنید. در زیر نمونه ای از دستور چند شات با مدل Cohere Command در کنسول آمازون Bedrock است.
در مثال قبل، FM قادر به شناسایی موجودیت ها از متن ورودی (بررسی) و استخراج احساسات مرتبط بود. دستورات چند شات با ارائه چند نمونه از جفت های ورودی-خروجی روشی موثر برای مقابله با وظایف پیچیده هستند. برای کارهای ساده، می توانید یک مثال بزنید (1-shot)، در حالی که برای کارهای دشوارتر، باید سه (3-shot) تا پنج (5-shot) مثال ارائه دهید. مین و همکاران (2022) یافتههای منتشر شده در مورد یادگیری درون متنی که میتواند عملکرد تکنیک تحریک چند عکس را افزایش دهد. شما می توانید از دستورات چند شات برای کارهای مختلفی مانند تجزیه و تحلیل احساسات، شناسایی موجودیت، پاسخ به سؤال، ترجمه و تولید کد استفاده کنید.
تحریک زنجیره ای از فکر
علیرغم پتانسیلاش، اعلان چند شات دارای محدودیتهایی است، بهویژه زمانی که با وظایف استدلالی پیچیده (مانند کارهای حسابی یا منطقی) سر و کار دارید. این وظایف مستلزم تقسیم کردن مشکل به مراحل و سپس حل آن هستند. وی و همکاران (2022) تکنیک تحریک زنجیرهای از فکر (CoT) را برای حل مسائل استدلالی پیچیده از طریق مراحل استدلال میانی معرفی کرد. برای بهبود نتایج در کارهای پیچیده می توانید CoT را با چند شات ترکیب کنید. در زیر نمونه ای از یک کار استدلالی با استفاده از چند شات CoT با مدل Anthropic Claude 2 در کنسول آمازون Bedrock است.
کوجیما و همکاران (2022) ایده ای از CoT صفر شات را با استفاده از قابلیت های دست نخورده صفر شات FM ها معرفی کرد. تحقیقات آنها نشان میدهد که CoT صفر شات، با استفاده از همان الگوی تک دستوری، بهطور قابلتوجهی از عملکردهای FM صفر شات در وظایف استدلال معیار متفاوت بهتر عمل میکند. با افزودن «بیایید گام به گام فکر کنیم» به درخواست اصلی، میتوانید از درخواست CoT صفر شات برای کارهای استدلالی ساده استفاده کنید.
واکنش نشان دادن
درخواست CoT میتواند قابلیتهای استدلال FMها را افزایش دهد، اما همچنان به دانش داخلی مدل بستگی دارد و هیچ پایگاه دانش خارجی یا محیطی را برای جمعآوری اطلاعات بیشتر در نظر نمیگیرد، که میتواند منجر به مسائلی مانند توهم شود. رویکرد ReAct (استدلال و عمل) این شکاف را با گسترش CoT و اجازه دادن به استدلال پویا با استفاده از یک محیط خارجی (مانند ویکیپدیا) برطرف میکند.
ادغام
FM ها توانایی درک سوالات و ارائه پاسخ با استفاده از دانش از پیش آموزش دیده خود را دارند. با این حال، آنها فاقد ظرفیت پاسخگویی به پرسش هایی هستند که نیاز به دسترسی به داده های خصوصی سازمان یا توانایی انجام مستقل وظایف دارند. RAG و agents روشهایی برای اتصال این برنامههای کاربردی مبتنی بر هوش مصنوعی به مجموعه دادههای سازمانی هستند، و به آنها قدرت میدهند تا پاسخهایی را ارائه دهند که اطلاعات سازمانی را در نظر میگیرد و فعالیتهای اجرای بر اساس درخواستها را فعال میکند.
بازیابی نسل افزوده
Retrieval Augmented Generation (RAG) به شما امکان می دهد زمانی که می خواهید مدل دانش جدید یا اطلاعات به روز را در نظر بگیرد، پاسخ های یک مدل را سفارشی کنید. وقتی دادههای شما به طور مکرر تغییر میکند، مانند موجودی یا قیمت، تنظیم دقیق و بهروزرسانی مدل در حین ارائه درخواستهای کاربر عملی نیست. برای تجهیز FM به اطلاعات اختصاصی بهروز، سازمانها به RAG روی میآورند، تکنیکی که شامل واکشی دادهها از منابع دادههای شرکت و غنیسازی سریع آن دادهها برای ارائه پاسخهای مرتبطتر و دقیقتر است.
چندین مورد استفاده وجود دارد که RAG می تواند به بهبود عملکرد FM کمک کند:
- جواب سوال - مدلهای RAG به برنامههای کاربردی پاسخگوی سؤال کمک میکنند تا اطلاعات را از اسناد یا منابع دانش برای ایجاد پاسخهای با کیفیت بالا بیابند و ادغام کنند. برای مثال، یک برنامه پاسخگویی به سؤال میتواند پیش از ایجاد یک پاسخ خلاصه، قسمتهایی درباره یک موضوع را بازیابی کند.
- چت بات ها و عوامل مکالمه - RAG به چت بات ها اجازه می دهد تا به اطلاعات مرتبط از منابع بزرگ دانش خارجی دسترسی داشته باشند. این باعث میشود پاسخهای چت بات دانشآمیزتر و طبیعیتر شوند.
- کمک نوشتن - RAG میتواند محتوای مرتبط، حقایق و نکات گفتگو را پیشنهاد کند تا به شما کمک کند اسنادی مانند مقالهها، گزارشها و ایمیلها را کارآمدتر بنویسید. اطلاعات بازیابی شده زمینه و ایده های مفیدی را ارائه می دهد.
- خلاصه سازی - RAG میتواند اسناد منبع مرتبط، متنها یا حقایق را بیابد تا درک مدل خلاصهسازی از یک موضوع را تقویت کند و به آن اجازه دهد خلاصههای بهتری تولید کند.
- نویسندگی و داستان نویسی خلاق – RAG میتواند ایدهها، شخصیتها، تنظیمات و عناصر خلاقانه را از داستانهای موجود بیرون بکشد تا مدلهای تولید داستان هوش مصنوعی را الهام بخشد. این باعث می شود خروجی جالب تر و زمینی تر شود.
- ترجمه - RAG می تواند نمونه هایی از نحوه ترجمه عبارات خاص بین زبان ها را بیابد. این زمینه را برای مدل ترجمه فراهم می کند و ترجمه عبارات مبهم را بهبود می بخشد.
- شخصی - در رباتهای چت و برنامههای پیشنهادی، RAG میتواند زمینه شخصی مانند مکالمات گذشته، اطلاعات نمایه و اولویتها را برای شخصیسازی و مرتبطتر کردن پاسخها ایجاد کند.
استفاده از چارچوب RAG چندین مزیت دارد:
- کاهش توهم - بازیابی اطلاعات مربوطه به جای متن توهمآمیز، متن تولید شده را در حقایق و دانش دنیای واقعی مستقر میکند. این امر پاسخهای دقیقتر، واقعیتر و قابل اعتمادتر را ترویج میکند.
- پوشش - بازیابی به FM اجازه می دهد تا با استخراج اطلاعات خارجی، طیف وسیع تری از موضوعات و سناریوها را فراتر از داده های آموزشی خود پوشش دهد. این به رفع مشکلات پوشش محدود کمک می کند.
- بهره وری - بازیابی به مدل اجازه می دهد تا تولید خود را بر روی مرتبط ترین اطلاعات متمرکز کند، نه اینکه همه چیز را از ابتدا تولید کند. این کارایی را بهبود می بخشد و امکان استفاده از زمینه های بزرگتر را فراهم می کند.
- ایمنی – بازیابی اطلاعات از منابع داده مورد نیاز و مجاز می تواند حاکمیت و کنترل تولید محتوای مضر و نادرست را بهبود بخشد. این از پذیرش ایمنتر پشتیبانی میکند.
- مقیاس پذیری - نمایه سازی و بازیابی از مجموعه های بزرگ باعث می شود که رویکرد در مقایسه با استفاده از مجموعه کامل در طول تولید، مقیاس بهتری داشته باشد. این به شما امکان می دهد FM ها را در محیط های با محدودیت منابع بیشتری بپذیرید.
RAG نتایج با کیفیتی را تولید می کند، به دلیل اینکه زمینه استفاده خاص را مستقیماً از فروشگاه های داده برداری شده افزایش می دهد. در مقایسه با مهندسی سریع، نتایج بسیار بهبود یافته ای با احتمال بسیار کم توهم ایجاد می کند. می توانید با استفاده از داده های سازمانی خود برنامه های دارای RAG بسازید آمازون کندرا. RAG پیچیدگی بالاتری نسبت به مهندسی سریع دارد زیرا برای پیاده سازی این راه حل باید مهارت های کدنویسی و معماری داشته باشید. با این حال، پایگاه های دانش برای آمازون بستر یک تجربه RAG کاملاً مدیریت شده و ساده ترین راه برای شروع با RAG در آمازون بستر فراهم می کند. پایگاههای دانش برای Amazon Bedrock گردش کار RAG را از جمله جذب، بازیابی و تقویت سریع خودکار میکند و نیازی به نوشتن کد سفارشی برای یکپارچهسازی منابع داده و مدیریت جستجوها را از بین میبرد. مدیریت زمینه جلسه تعبیه شده است تا برنامه شما بتواند از مکالمات چند نوبتی پشتیبانی کند. پاسخهای مبتنی بر دانش همراه با ذکر منبع برای بهبود شفافیت و به حداقل رساندن توهمات ارائه میشوند. ساده ترین راه برای ساخت دستیار مجهز به هوش مصنوعی، استفاده از آن است آمازون Qکه دارای سیستم RAG داخلی است.
RAG بالاترین درجه انعطاف پذیری را در مورد تغییرات در معماری دارد. می توانید مدل جاسازی، ذخیره برداری و FM را به طور مستقل با تأثیر حداقل تا متوسط بر سایر اجزا تغییر دهید. برای کسب اطلاعات بیشتر در مورد رویکرد RAG با سرویس جستجوی باز آمازون و آمازون بستر رجوع شود ساخت گردش کار RAG مقیاس پذیر و بدون سرور با موتور برداری برای مدل های Amazon OpenSearch Serverless و Amazon Bedrock Claude. برای آشنایی با نحوه پیاده سازی RAG با آمازون کندرا به ادامه مطلب مراجعه کنید استفاده از قدرت داده های سازمانی با هوش مصنوعی مولد: بینش از Amazon Kendra، LangChain و مدل های زبان بزرگ.
عوامل
FM ها می توانند سوالات را بر اساس دانش از پیش آموزش دیده خود درک کنند و به آنها پاسخ دهند. با این حال، آنها قادر به تکمیل هیچ یک از وظایف دنیای واقعی، مانند رزرو پرواز یا پردازش سفارش خرید، به تنهایی نیستند. این به این دلیل است که چنین وظایفی به دادهها و گردشهای کاری خاص سازمان نیاز دارند که معمولاً به برنامهنویسی سفارشی نیاز دارند. چارچوب هایی مانند LangChain و برخی از FMها مانند مدلهای کلود قابلیت فراخوانی تابع را برای تعامل با APIها و ابزارها فراهم میکنند. با این حال، نمایندگان آمازون بستریک قابلیت هوش مصنوعی جدید و کاملاً مدیریت شده از AWS، با هدف ساده تر ساختن برنامه های کاربردی با استفاده از FM های نسل بعدی برای توسعه دهندگان است. تنها با چند کلیک، می تواند به طور خودکار وظایف را تجزیه کند و منطق ارکستراسیون مورد نیاز را بدون نیاز به کدنویسی دستی ایجاد کند. عامل ها می توانند به طور ایمن از طریق API به پایگاه های داده شرکت متصل شوند، داده ها را برای مصرف ماشین مصرف کنند و ساختار بدهند، و آن را با جزئیات متنی برای تولید پاسخ های دقیق تر و انجام درخواست ها تقویت کنند. از آنجایی که Agents for Amazon Bedrock به ادغام و زیرساخت رسیدگی می کند، به شما امکان می دهد تا به طور کامل از هوش مصنوعی مولد برای موارد استفاده تجاری استفاده کنید. توسعه دهندگان اکنون می توانند بر روی برنامه های اصلی خود به جای لوله کشی معمول تمرکز کنند. پردازش خودکار دادهها و فراخوانی API همچنین FM را قادر میسازد تا با استفاده از دانش اختصاصی، پاسخهای بهروز و متناسب را ارائه دهد و وظایف واقعی را انجام دهد.
سفارشی سازی مدل
مدلهای بنیادی بسیار توانمند هستند و برخی از برنامههای کاربردی عالی را فعال میکنند، اما چیزی که به پیشبرد کسبوکار شما کمک میکند، هوش مصنوعی مولد است که میداند چه چیزی برای مشتریان، محصولات و شرکت شما مهم است. و این تنها زمانی امکان پذیر است که مدل ها را با داده های خود شارژ کنید. دادهها کلید حرکت از برنامههای عمومی به برنامههای هوش مصنوعی مولد سفارشیشده است که ارزش واقعی برای مشتریان و کسبوکار شما ایجاد میکند.
در این بخش، تکنیک ها و مزایای شخصی سازی FM های شما را مورد بحث قرار می دهیم. ما توضیح می دهیم که چگونه سفارشی سازی مدل شامل آموزش بیشتر و تغییر وزن مدل برای افزایش عملکرد آن می شود.
تنظیم دقیق
تنظیم دقیق فرآیند گرفتن یک FM از پیش آموزش دیده، مانند Llama 2، و آموزش بیشتر آن در یک کار پایین دستی با مجموعه داده ای خاص برای آن کار است. مدل از پیش آموزش داده شده دانش زبانی عمومی را ارائه می دهد و تنظیم دقیق به آن اجازه می دهد تا در یک کار خاص مانند طبقه بندی متن، پاسخ به سؤال یا تولید متن، تخصصی شود و عملکرد را بهبود بخشد. با تنظیم دقیق، مجموعه دادههای برچسبگذاری شده را ارائه میدهید - که با زمینه اضافی حاشیهنویسی شدهاند - تا مدل را در مورد وظایف خاص آموزش دهید. سپس می توانید پارامترهای مدل را برای کار خاص بر اساس زمینه کسب و کار خود تطبیق دهید.
شما می توانید تنظیم دقیق در FM ها را با Amazon SageMaker JumpStart و آمازون بستر. برای جزئیات بیشتر مراجعه کنید استقرار و تنظیم دقیق مدل های پایه در Amazon SageMaker JumpStart با دو خط کد و با استفاده از تنظیم دقیق و پیشآموزش مداوم، مدلها را در Amazon Bedrock با دادههای خود سفارشی کنید.
ادامه پیش تمرین
ادامه پیشآموزش در Amazon Bedrock شما را قادر میسازد تا یک مدل آموزشدیده قبلی را بر روی دادههای اضافی مشابه دادههای اصلی آن آموزش دهید. این مدل را قادر می سازد تا دانش زبانی عمومی تری را به جای تمرکز بر یک کاربرد واحد به دست آورد. با ادامه پیشآموزش، میتوانید از مجموعه دادههای بدون برچسب یا دادههای خام خود برای بهبود دقت مدل پایه دامنه خود از طریق تغییر پارامترهای مدل استفاده کنید. به عنوان مثال، یک شرکت مراقبتهای بهداشتی میتواند با استفاده از مجلات، مقالات و مقالات پزشکی، به پیشآموزش مدل خود ادامه دهد تا دانش بیشتری در مورد اصطلاحات صنعت داشته باشد. برای جزئیات بیشتر مراجعه کنید تجربه توسعه دهنده Amazon Bedrock.
مزایای سفارشی سازی مدل
سفارشی سازی مدل دارای چندین مزیت است و می تواند به سازمان ها در موارد زیر کمک کند:
- سازگاری مخصوص دامنه - می توانید از یک FM همه منظوره استفاده کنید و سپس آن را در مورد داده های یک دامنه خاص (مانند پزشکی، حقوقی یا مالی) بیشتر آموزش دهید. این مدل را با واژگان، سبک و غیره آن دامنه تطبیق می دهد.
- تنظیم دقیق کار خاص - می توانید یک FM از قبل آموزش دیده بگیرید و آن را روی داده ها برای یک کار خاص (مانند تجزیه و تحلیل احساسات یا پاسخ به سؤال) تنظیم کنید. این مدل را برای آن کار خاص تخصصی می کند.
- شخصی - میتوانید یک FM را روی دادههای یک فرد (ایمیلها، متون، اسنادی که نوشتهاند) سفارشی کنید تا مدل را با سبک منحصر به فرد آنها تطبیق دهید. این می تواند برنامه های شخصی سازی شده بیشتری را فعال کند.
- تنظیم زبان با منابع کم – میتوانید فقط لایههای بالای یک FM چندزبانه را در زبانی با منابع کم آموزش دهید تا آن را بهتر با آن زبان تطبیق دهید.
- رفع عیوب - اگر رفتارهای ناخواسته خاصی در یک مدل کشف شود، سفارشی کردن داده های مناسب می تواند به به روز رسانی مدل برای کاهش آن نقص ها کمک کند.
سفارشیسازی مدل به غلبه بر چالشهای پذیرش FM زیر کمک میکند:
- سازگاری با حوزه ها و وظایف جدید – FMهایی که از قبل در مجموعههای متنی عمومی آموزش دیدهاند، اغلب نیاز به تنظیم دقیق دادههای مربوط به کار دارند تا برای برنامههای پاییندستی به خوبی کار کنند. تنظیم دقیق مدل را با دامنههای جدید یا کارهایی که در ابتدا در مورد آنها آموزش ندیده بود، تطبیق میدهد.
- غلبه بر تعصب - FM ها ممکن است سوگیری هایی را از داده های آموزشی اصلی خود نشان دهند. سفارشی کردن یک مدل بر روی داده های جدید می تواند سوگیری های ناخواسته را در خروجی های مدل کاهش دهد.
- بهبود کارایی محاسباتی - FM های از پیش آموزش دیده اغلب بسیار بزرگ و از نظر محاسباتی گران هستند. سفارشیسازی مدل میتواند با هرس کردن پارامترهای بیاهمیت، مدل را کوچکسازی کند و استقرار را امکانپذیرتر کند.
- برخورد با داده های هدف محدود - در برخی موارد، داده های دنیای واقعی محدودی برای کار هدف موجود است. سفارشیسازی مدل از وزنهای از پیش آموزشدیدهشده در مجموعه دادههای بزرگتر برای غلبه بر این کمبود داده استفاده میکند.
- بهبود عملکرد وظایف - تنظیم دقیق تقریباً همیشه عملکرد را در انجام وظایف هدف در مقایسه با استفاده از وزنه های اصلی از پیش آموزش دیده بهبود می بخشد. این بهینه سازی مدل برای استفاده مورد نظر به شما امکان می دهد FM ها را با موفقیت در برنامه های واقعی مستقر کنید.
سفارشیسازی مدل پیچیدگی بیشتری نسبت به مهندسی سریع و RAG دارد، زیرا وزن و پارامترهای مدل از طریق اسکریپتهای تنظیم تغییر میکنند که به علم داده و تخصص ML نیاز دارد. با این حال، Amazon Bedrock با ارائه یک تجربه مدیریت شده برای سفارشی کردن مدل ها، کار را ساده می کند تنظیم دقیق or ادامه پیش تمرین. سفارشی سازی مدل نتایج بسیار دقیقی با خروجی کیفیت قابل مقایسه با RAG ارائه می دهد. از آنجایی که شما وزن مدل را بر روی داده های دامنه خاص به روز می کنید، مدل پاسخ های متنی بیشتری تولید می کند. در مقایسه با RAG، بسته به مورد استفاده، کیفیت ممکن است کمی بهتر باشد. بنابراین، انجام یک تحلیل مبادله بین این دو تکنیک مهم است. شما به طور بالقوه می توانید RAG را با یک مدل سفارشی پیاده سازی کنید.
بازآموزی یا آموزش از ابتدا
ساختن مدل هوش مصنوعی پایه خود به جای استفاده از مدلهای عمومی از پیش آموزشدیده، امکان کنترل بیشتر، بهبود عملکرد و سفارشیسازی موارد و دادههای خاص سازمان شما را فراهم میکند. سرمایه گذاری در ایجاد یک FM مناسب می تواند سازگاری، ارتقاء و کنترل بهتری بر قابلیت ها را فراهم کند. آموزش توزیعشده مقیاسپذیری مورد نیاز برای آموزش FMهای بسیار بزرگ در مجموعه دادههای عظیم در بسیاری از ماشینها را امکانپذیر میکند. این موازی سازی، مدل هایی با صدها میلیارد پارامتر آموزش داده شده بر روی تریلیون ها توکن را امکان پذیر می کند. مدل های بزرگتر ظرفیت بیشتری برای یادگیری و تعمیم دارند.
آموزش از ابتدا میتواند نتایج باکیفیتی ایجاد کند، زیرا این مدل، دادههای مورد خاص را از ابتدا آموزش میدهد، احتمال توهم نادر است، و دقت خروجی میتواند از بالاترینها باشد. با این حال، اگر مجموعه داده شما به طور مداوم در حال تغییر است، همچنان می توانید با مشکلات توهم مواجه شوید. آموزش از ابتدا بالاترین پیچیدگی و هزینه اجرا را دارد. این نیاز به بیشترین تلاش دارد زیرا به جمع آوری حجم وسیعی از داده ها، مدیریت و پردازش آن، و آموزش یک FM نسبتاً بزرگ نیاز دارد که به دانش عمیق داده و تخصص ML نیاز دارد. این رویکرد وقت گیر است (معمولا هفته ها تا ماه ها طول می کشد).
شما باید آموزش FM را از ابتدا در نظر بگیرید زمانی که هیچ یک از روش های دیگر برای شما کار نمی کند، و شما توانایی ایجاد یک FM با حجم زیادی از داده های توکن شده به خوبی، بودجه پیچیده و تیمی از کارشناسان بسیار ماهر ML را دارید. . AWS پیشرفتهترین زیرساختهای ابری را برای آموزش و اجرای LLM و سایر FMهای مجهز به پردازندههای گرافیکی و تراشه آموزشی ML ارائه میکند. AWS Trainiumو شتاب دهنده استنتاج ML، استنتاج AWS. برای جزئیات بیشتر در مورد آموزش LLM در SageMaker، مراجعه کنید آموزش مدل های زبان بزرگ در Amazon SageMaker: بهترین روش ها و SageMaker HyperPod.
انتخاب رویکرد مناسب برای توسعه برنامه های کاربردی هوش مصنوعی
هنگام توسعه برنامههای کاربردی هوش مصنوعی، سازمانها باید قبل از انتخاب مناسبترین مدل برای رفع نیازهای خود، چندین عامل کلیدی را به دقت در نظر بگیرند. جنبههای مختلفی باید در نظر گرفته شود، مانند هزینه (برای اطمینان از همسویی مدل انتخابی با محدودیتهای بودجه)، کیفیت (برای ارائه خروجی منسجم و واقعی)، ادغام یکپارچه با پلتفرمها و جریانهای کاری فعلی سازمان، و کاهش توهمات یا تولید اطلاعات نادرست. . با بسیاری از گزینههای موجود، وقت گذاشتن برای ارزیابی کامل این جنبهها به سازمانها کمک میکند مدل هوش مصنوعی مولد را انتخاب کنند که به بهترین وجه نیازها و اولویتهای خاص آنها را برآورده میکند. شما باید عوامل زیر را به دقت بررسی کنید:
- ادغام با سیستم های سازمانی - برای اینکه FMها واقعاً در یک زمینه سازمانی مفید باشند، باید با سیستمها و جریانهای کاری موجود یکپارچه شوند و با آنها همکاری کنند. این میتواند شامل دسترسی به دادهها از پایگاههای داده، برنامهریزی منابع سازمانی (ERP) و مدیریت ارتباط با مشتری (CRM) و همچنین راهاندازی اقدامات و گردشهای کاری باشد. بدون ادغام مناسب، FM به عنوان یک ابزار جدا شده در خطر است. سیستمهای سازمانی مانند ERP حاوی دادههای کلیدی تجاری (مشتریان، محصولات، سفارشها) هستند. FM باید به این سیستمها متصل شود تا از دادههای سازمانی استفاده کند تا از نمودار دانش خود استفاده کند، که ممکن است نادرست یا قدیمی باشد. این دقت و یک منبع واحد از حقیقت را تضمین می کند.
- هذیان ها - توهم زمانی است که یک برنامه هوش مصنوعی اطلاعات نادرستی تولید می کند که واقعی به نظر می رسد. قبل از اینکه FM ها به طور گسترده مورد استفاده قرار گیرند، باید به دقت مورد توجه قرار گیرند. به عنوان مثال، یک ربات چت پزشکی که برای ارائه پیشنهادات تشخیصی طراحی شده است، میتواند جزییات مربوط به علائم یا سابقه پزشکی بیمار را توهم کند و منجر به ارائه تشخیص نادرست شود. پیشگیری از توهمهای مضر مانند اینها از طریق راهحلهای فنی و تنظیم مجموعه دادهها برای اطمینان از اینکه میتوان به این FMها برای کاربردهای حساس مانند مراقبتهای بهداشتی، مالی و قانونی اعتماد کرد، حیاتی است. آزمایش و شفافیت کامل در مورد داده های آموزشی FM و نقص های باقیمانده باید همراه با استقرار باشد.
- مهارت ها و منابع - پذیرش موفقیت آمیز FM ها به شدت به داشتن مهارت ها و منابع مناسب برای استفاده موثر از فناوری بستگی دارد. سازمانها به کارکنانی با مهارتهای فنی قوی برای پیادهسازی، سفارشیسازی و نگهداری FMها مطابق با نیازهای خاص خود نیاز دارند. آنها همچنین به منابع محاسباتی فراوانی مانند سخت افزار پیشرفته و قابلیت های رایانش ابری برای اجرای FM های پیچیده نیاز دارند. به عنوان مثال، یک تیم بازاریابی که میخواهد از FM برای تولید کپی تبلیغاتی و پستهای رسانههای اجتماعی استفاده کند، به مهندسان ماهر برای یکپارچهسازی سیستم، افراد خلاق برای ارائه درخواستها و ارزیابی کیفیت خروجی، و قدرت محاسبات ابری کافی برای استقرار مدل بهطور مقرونبهصرفه نیاز دارد. سرمایهگذاری در توسعه تخصص و زیرساختهای فنی، سازمانها را قادر میسازد تا ارزش تجاری واقعی را از بکارگیری FMها به دست آورند.
- کیفیت خروجی - کیفیت خروجی تولید شده توسط FMها در تعیین پذیرش و استفاده از آنها، به ویژه در برنامه های کاربردی مانند چت بات ها، حیاتی است. اگر چت رباتهای مجهز به FM پاسخهای نادرست، بیمعنی یا نامناسب ارائه دهند، کاربران به سرعت ناامید میشوند و دیگر با آنها ارتباط برقرار نمیکنند. بنابراین، شرکتهایی که به دنبال استقرار رباتهای چت هستند، باید FMهایی را که آنها را هدایت میکنند، به شدت آزمایش کنند تا اطمینان حاصل کنند که پاسخهای باکیفیتی که برای ارائه یک تجربه کاربری خوب مفید، مرتبط و مناسب هستند، بهطور مداوم تولید میکنند. کیفیت خروجی شامل عواملی مانند ارتباط، دقت، انسجام و تناسب است که همگی به رضایت کلی کاربر کمک میکنند و باعث میشوند که FMهایی مانند مواردی که برای چتباتها استفاده میشوند، استفاده شوند.
- هزینه - قدرت محاسباتی بالا مورد نیاز برای آموزش و اجرای مدلهای هوش مصنوعی بزرگ مانند FM میتواند هزینههای قابلتوجهی را متحمل شود. بسیاری از سازمان ها ممکن است فاقد منابع مالی یا زیرساخت ابری لازم برای استفاده از چنین مدل های عظیم باشند. علاوه بر این، یکپارچه سازی و سفارشی سازی FM ها برای موارد استفاده خاص، هزینه های مهندسی را افزایش می دهد. هزینه های قابل توجه مورد نیاز برای استفاده از FM ها می تواند از پذیرش گسترده، به ویژه در میان شرکت های کوچکتر و استارت آپ هایی با بودجه محدود جلوگیری کند. ارزیابی بازده سرمایه گذاری بالقوه و سنجیدن هزینه ها در مقابل منافع FM ها برای سازمان ها با توجه به کاربرد و کاربرد آنها بسیار مهم است. کارایی هزینه احتمالاً یک عامل تعیین کننده در تعیین اینکه آیا و چگونه این مدل های قدرتمند اما پرمصرف منابع را می توان به طور عملی به کار گرفت، خواهد بود.
تصمیم طراحی
همانطور که در این پست توضیح دادیم، بسیاری از تکنیکهای هوش مصنوعی در حال حاضر در دسترس هستند، مانند مهندسی سریع، RAG و سفارشیسازی مدل. این گستره وسیع از انتخاب ها، تعیین رویکرد بهینه برای مورد استفاده خاص خود را برای شرکت ها چالش برانگیز می کند. انتخاب مجموعه مناسب از تکنیک ها به عوامل مختلفی بستگی دارد، از جمله دسترسی به منابع داده خارجی، خوراک داده های بلادرنگ، و ویژگی دامنه برنامه مورد نظر. برای کمک به شناسایی مناسبترین تکنیک بر اساس موارد استفاده و ملاحظات مربوطه، نمودار جریان زیر را طی میکنیم که توصیههایی را برای تطبیق نیازها و محدودیتهای خاص با روشهای مناسب بیان میکند.
برای به دست آوردن درک واضح، اجازه دهید نمودار جریان تصمیم طراحی را با استفاده از چند مثال گویا مرور کنیم:
- جستجوی سازمانی - یک کارمند به دنبال درخواست مرخصی از سازمان خود است. برای ارائه پاسخی همسو با سیاست های منابع انسانی سازمان، FM به زمینه بیشتری فراتر از دانش و قابلیت های خود نیاز دارد. به طور خاص، FM نیاز به دسترسی به منابع داده خارجی دارد که دستورالعمل ها و خط مشی های منابع انسانی مربوطه را ارائه می دهند. با توجه به این سناریوی درخواست کارمند که مستلزم ارجاع به داده های خاص دامنه خارجی است، رویکرد توصیه شده مطابق نمودار جریان، مهندسی سریع با RAG است. RAG به ارائه داده های مربوطه از منابع داده خارجی به عنوان زمینه برای FM کمک می کند.
- جستجوی سازمانی با خروجی خاص سازمان - فرض کنید نقشه های مهندسی دارید و می خواهید صورتحساب مواد را از آنها استخراج کنید و خروجی را مطابق با استانداردهای صنعت قالب بندی کنید. برای انجام این کار، می توانید از تکنیکی استفاده کنید که مهندسی سریع را با RAG و یک مدل زبان دقیق ترکیب می کند. زمانی که نقشه های مهندسی به عنوان ورودی داده می شود، مدل دقیق تنظیم شده برای تولید صورتحساب مواد آموزش داده می شود. RAG به یافتن مرتبط ترین نقشه های مهندسی از منابع داده سازمان برای تغذیه در زمینه FM کمک می کند. به طور کلی، این رویکرد صورتحساب های مواد را از نقشه های مهندسی استخراج می کند و خروجی را به طور مناسب برای حوزه مهندسی ساختار می دهد.
- جستجوی عمومی - تصور کنید می خواهید هویت سی امین رئیس جمهور ایالات متحده را پیدا کنید. می توانید از مهندسی سریع برای دریافت پاسخ از FM استفاده کنید. از آنجا که این مدل ها بر روی بسیاری از منابع داده آموزش دیده اند، اغلب می توانند پاسخ های دقیقی به سوالات واقعی مانند این ارائه دهند.
- جستجوی کلی با رویدادهای اخیر - اگر می خواهید قیمت سهام فعلی آمازون را تعیین کنید، می توانید از رویکرد مهندسی سریع با یک نماینده استفاده کنید. نماینده آخرین قیمت سهام را در اختیار FM قرار می دهد تا بتواند پاسخ واقعی را ایجاد کند.
نتیجه
هوش مصنوعی مولد پتانسیل فوقالعادهای را برای سازمانها برای هدایت نوآوری و افزایش بهرهوری در برنامههای مختلف ارائه میدهد. با این حال، پذیرش موفقیتآمیز این فناوریهای نوظهور هوش مصنوعی مستلزم پرداختن به ملاحظات کلیدی پیرامون یکپارچهسازی، کیفیت خروجی، مهارتها، هزینهها و خطرات احتمالی مانند توهمات مضر یا آسیبپذیریهای امنیتی است. سازمانها باید رویکردی نظاممند برای ارزیابی الزامات و محدودیتهای مورد استفاده خود اتخاذ کنند تا مناسبترین تکنیکها برای تطبیق و بکارگیری FMها را تعیین کنند. همانطور که در این پست مشخص شد، روشهای مهندسی سریع، RAG و سفارشیسازی مدل کارآمد، هر کدام نقاط قوت و ضعف خاص خود را دارند که مناسب سناریوهای مختلف است. با نگاشت نیازهای تجاری به قابلیتهای هوش مصنوعی با استفاده از یک چارچوب ساختاریافته، سازمانها میتوانند بر موانع پیادهسازی غلبه کنند و شروع به درک مزایای FM کنند و در عین حال نردههایی برای مدیریت ریسکها ایجاد کنند. با برنامهریزی متفکرانه مبتنی بر نمونههای دنیای واقعی، کسبوکارها در هر صنعتی میخواهند ارزش بسیار زیادی را از موج جدید هوش مصنوعی مولد باز کنند. در مورد بیاموزید هوش مصنوعی مولد در AWS.
درباره نویسنده
جی رائو یک معمار اصلی راه حل در AWS است. او بر روی فناوریهای AI/ML با علاقه شدید به هوش مصنوعی و چشمانداز رایانه تمرکز دارد. در AWS، او از ارائه راهنماییهای فنی و استراتژیک به مشتریان و کمک به آنها در طراحی و اجرای راهحلهایی که منجر به نتایج تجاری میشود، لذت میبرد. او یک نویسنده کتاب است (Computer Vision on AWS)، به طور منظم وبلاگ ها و نمونه های کد را منتشر می کند و در کنفرانس های فناوری مانند AWS re:Invent سخنرانی کرده است.
بابو کاریادن پارامبت یک متخصص ارشد AI/ML در AWS است. در AWS، او از کار با مشتریان برای کمک به آنها برای شناسایی مورد استفاده تجاری مناسب با ارزش تجاری و حل آن با استفاده از راهحلها و خدمات AWS AI/ML لذت میبرد. قبل از پیوستن به AWS، بابو یک مبشر هوش مصنوعی با 20 سال تجربه صنعتی متنوع بود که ارزش تجاری مبتنی بر هوش مصنوعی را برای مشتریان ارائه می کرد.
- محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
- PlatoData.Network Vertical Generative Ai. به خودت قدرت بده دسترسی به اینجا.
- PlatoAiStream. هوش وب 3 دانش تقویت شده دسترسی به اینجا.
- PlatoESG. کربن ، CleanTech، انرژی، محیط، خورشیدی، مدیریت پسماند دسترسی به اینجا.
- PlatoHealth. هوش بیوتکنولوژی و آزمایشات بالینی. دسترسی به اینجا.
- منبع: https://aws.amazon.com/blogs/machine-learning/best-practices-to-build-generative-ai-applications-on-aws/
- : دارد
- :است
- :نه
- :جایی که
- 1
- 100
- 116
- 2%
- 20
- سال 20
- 2017
- 2022
- 30th
- a
- توانایی
- قادر
- درباره ما
- شتاب دهنده
- دسترسی
- دسترسی
- همراهی کردن
- مطابق
- حساب
- دقت
- دقیق
- به درستی
- رسیدن
- در میان
- بازیگری
- اقدامات
- واقعی
- وفق دادن
- سازگاری
- انطباق
- سازگار بودن
- تطبیق می دهد
- اضافه کردن
- اضافی
- علاوه بر این
- نشانی
- خطاب
- آدرس
- خطاب به
- می افزاید:
- به اندازه کافی
- اتخاذ
- به تصویب رسید
- تصویب
- اتخاذ
- پیشرفته
- پیشرفت
- مزایای
- تبلیغات
- عامل
- عاملان
- AI
- مدل های هوش مصنوعی
- تحقیق ai
- مجهز به هوش مصنوعی
- AI / ML
- کمک
- اهداف
- AL
- تراز
- هم راستا
- تراز می کند
- معرفی
- اجازه دادن
- اجازه دادن
- اجازه می دهد تا
- تقریبا
- تنها
- همچنین
- هر چند
- همیشه
- آمازون
- آمازون کندرا
- آمازون SageMaker
- Amazon SageMaker JumpStart
- آمازون خدمات وب
- در میان
- در میان
- مقدار
- an
- تحلیل
- و
- و زیرساخت
- پاسخ
- پاسخ دادن
- پاسخ
- آنتروپیک
- هر
- API
- رابط های برنامه کاربردی
- نرم افزار
- ظاهر می شود
- کاربرد
- برنامه های کاربردی
- با استفاده از
- روش
- رویکردها
- مناسب
- به درستی
- معماری
- هستند
- بوجود می آیند
- ریاضی
- دور و بر
- مقالات
- AS
- جنبه
- ارزیابی کنید
- دستیار
- مرتبط است
- At
- تقویت کردن
- افزوده شده
- نویسنده
- خودکار
- خودکار می کند
- بطور خودکار
- بصورت خودگردان
- در دسترس
- AWS
- AWS دوباره: اختراع
- پایه
- مستقر
- BE
- زیرا
- شدن
- قبل از
- شروع
- رفتار
- رفتار
- بودن
- محک
- مزایای
- بهترین
- بهترین شیوه
- بهتر
- میان
- خارج از
- تعصبات
- لایحه
- میلیاردها
- اسکناس
- بیومدیکال
- وبلاگ ها
- کتاب
- رزرو
- بالا بردن
- هر دو
- نام تجاری
- شکستن
- شکستن
- می شکند
- پهن
- گسترده تر
- بودجه
- بودجه
- ساختن
- بنا
- ساخته
- ساخته شده در
- کسب و کار
- کسب و کار
- اما
- by
- فراخوانی
- CAN
- می توانید دریافت کنید
- قابلیت های
- قابلیت
- توانا
- ظرفیت
- Осторожно
- حمل
- مورد
- موارد
- معین
- به چالش
- چالش ها
- به چالش کشیدن
- شانس
- تغییر دادن
- تغییر
- تبادل
- متغیر
- کاراکتر
- چارت سازمانی
- chatbot
- chatbots
- تراشه
- انتخاب
- انتخاب
- را انتخاب کنید
- طبقه بندی
- کلود
- تمیز کاری
- واضح
- نزدیک
- ابر
- محاسبات ابری
- زیرساخت های ابری
- رمز
- برنامه نویسی
- منسجم
- جمع آوری
- ترکیب
- ترکیب
- بیا
- می آید
- مشترک
- شرکت
- شرکت
- شرکت
- قابل مقایسه
- مقایسه
- کامل
- پیچیده
- پیچیدگی
- انطباق
- اجزاء
- درک
- محاسباتی
- قدرت محاسباتی
- از نظر محاسباتی
- محاسبه
- کامپیوتر
- چشم انداز کامپیوتر
- محاسبه
- قدرت پردازش
- رفتار
- همایش ها
- اتصال
- متصل
- اتصال
- در نظر بگیرید
- قابل توجه
- ملاحظات
- در نظر گرفته
- با توجه به
- همواره
- کنسول
- به طور مداوم
- محدودیت ها
- مصرف
- شامل
- محتوا
- زمینه
- زمینه ها
- متنی
- ادامه دادن
- ادامه داد:
- کمک
- کنترل
- محاورهای
- گفتگو
- کپی کنید
- هسته
- هزینه
- هزینه
- میتوانست
- پوشش
- پوشش
- پوشش داده شده
- ایجاد
- ایجاد
- خالق
- خلاقیت ها
- بحرانی
- CRM
- بسیار سخت
- درمان
- سوزش
- جاری
- در حال حاضر
- سفارشی
- مشتری
- تجربه مشتری
- روابط مشتری
- مدیریت ارتباط با مشتری
- مشتریان
- سفارشی سازی
- سفارشی
- سفارشی
- داده ها
- حریم خصوصی داده ها
- حریم خصوصی و امنیت داده ها
- پردازش داده ها
- علم اطلاعات
- پایگاه های داده
- مجموعه داده ها
- معامله
- تصمیم گیری
- تصمیم
- عمیق
- درجه
- ارائه
- تحویل داده
- تحویل
- تقاضا
- نشان دادن
- بستگی دارد
- بستگی دارد
- بستگی دارد
- گسترش
- مستقر
- گسترش
- اعزام ها
- طرح
- طراحی
- طراحی
- مطلوب
- جزئیات
- مشخص کردن
- تعیین
- توسعه
- توسعه دهنده
- توسعه دهندگان
- در حال توسعه
- پروژه
- تشخیص
- مختلف
- مشکل
- مستقیما
- کشف
- بحث و تبادل نظر
- توزیع شده
- آموزش توزیع شده
- مختلف
- do
- اسناد و مدارک
- نمی کند
- دلار
- دامنه
- حوزه
- پایین
- کوچک سازی
- طراحی
- راندن
- رانده
- دو
- در طی
- پویا
- E&T
- هر
- به آسانی
- موثر
- به طور موثر
- بهره وری
- موثر
- موثر
- تلاش
- عناصر
- واجد شرایط
- از بین بردن
- ایمیل
- تعبیه کردن
- خروج
- سنگ سنباده
- کارمند
- کارکنان
- توانمندسازی
- قادر ساختن
- را قادر می سازد
- را قادر می سازد
- را در بر می گیرد
- رمزگذاری
- رمزگذاری
- پایان
- پشت سر هم
- جذاب
- موتور
- مهندسی
- مورد تأیید
- بالا بردن
- غنی سازی
- اطمینان حاصل شود
- تضمین می کند
- حصول اطمینان از
- سرمایه گذاری
- اشخاص
- موجودیت
- محیط
- محیط
- مجهز کردن
- ERP
- به خصوص
- ایجاد
- اتر (ETH)
- ارزیابی
- ارزیابی
- رسوایی
- هر
- همه چیز
- در حال تحول
- معاینه کردن
- مثال
- مثال ها
- مهیج
- نمایش دادن
- موجود
- مخارج
- گران
- تجربه
- آزمایش
- کارشناس
- تخصص
- کارشناسان
- اکتشاف
- گسترش
- خارجی
- عصاره
- عصاره ها
- خیلی
- چهره
- عامل
- عوامل
- حقایق
- واقعی
- FAIL
- منصفانه
- سقوط
- غلط
- امکان پذیر است
- کمی از
- سرمایه گذاری
- مالی
- پیدا کردن
- یافته ها
- پنج
- معایب
- انعطاف پذیری
- پرواز
- جریان
- تمرکز
- تمرکز
- پیروی
- برای
- پایه
- بنیادین
- چارچوب
- چارچوب
- غالبا
- از جانب
- نا امید
- تکمیل کنید
- کامل
- کاملا
- بیشتر
- افزایش
- شکاف
- جمع آوری
- GDPR
- سوالات عمومی
- همه منظوره
- تولید می کنند
- تولید
- تولید می کند
- مولد
- نسل
- مولد
- هوش مصنوعی مولد
- دریافت کنید
- دادن
- داده
- Go
- خوب
- حکومت
- GPU ها
- گراف
- بزرگ
- بیشتر
- زمین
- مبتنی بر
- راهنمایی
- راهنمایی
- دستورالعمل ها
- دستگیره
- سخت افزار
- مضر
- دهنه
- آیا
- داشتن
- he
- بهداشت و درمان
- به شدت
- کمک
- مفید
- کمک
- کمک می کند
- زیاد
- با عملکرد بالا
- با کیفیت بالا
- بالاتر
- بالاترین
- بالاترین درجه
- برجسته
- خیلی
- تاریخ
- چگونه
- چگونه
- اما
- hr
- HTML
- HTTPS
- قطب
- صدها نفر
- موانع
- تنظیم فراپارامتر
- اندیشه
- ایده ها
- شناسایی
- شناسایی
- هویت
- if
- تصور کنید
- عظیم
- تأثیر
- تأثیرگذار
- اثرات
- انجام
- پیاده سازی
- مهم
- بهبود
- بهبود یافته
- را بهبود می بخشد
- بهبود
- in
- نادرست
- نامناسب
- از جمله
- به طور مستقل
- نشان می دهد
- صنعت
- استانداردهای صنعت
- اطلاعات
- شالوده
- ابداع
- نوآوری
- ورودی
- بینش
- الهام بخشیدن
- موسسه
- دستورالعمل
- ادغام
- ادغام
- ادغام
- مورد نظر
- تعامل
- علاقه
- جالب
- رابط
- حد واسط
- داخلی
- اینترنت
- تعامل داشته باشند
- به
- معرفی
- فهرست
- سرمایه گذاری
- سرمایه گذاری
- شامل
- گرفتار
- شامل
- جدا شده
- مسائل
- IT
- ITS
- پیوستن
- تنها
- مشتاق
- کلید
- کلید
- دانش
- می داند
- آزمایشگاه
- عدم
- زبان
- زبان ها
- بزرگ
- بزرگتر
- لایه
- رهبری
- برجسته
- یاد گرفتن
- آموخته
- یادگیری
- ترک کردن
- قانونی
- اجازه می دهد تا
- LG
- پسندیدن
- احتمالا
- محدودیت
- محدود شده
- خطوط
- پشم لاما
- منطق
- منطقی
- به دنبال
- کم
- دستگاه
- فراگیری ماشین
- ماشین آلات
- حفظ
- ساخت
- باعث می شود
- ساخت
- مدیریت
- اداره می شود
- مدیریت
- کتابچه راهنمای
- بسیاری
- نقشه برداری
- حاشیه ای
- بازار یابی (Marketing)
- عظیم
- انبوه
- مطابق
- مصالح
- ممکن است..
- رسانه ها
- پزشکی
- دیدار
- متا
- روش
- روش
- قدرت
- میلیون ها نفر
- به حداقل رساندن
- ML
- مدل
- مدل
- ماه
- بیش
- اکثر
- متحرک
- باید
- طبیعی
- لازم
- نیاز
- ضروری
- نیازمند
- نیازهای
- منفی
- جدید
- نسل بعدی
- هیچ
- اکنون
- of
- خاموش
- پیشنهادات
- غالبا
- on
- ONE
- فقط
- عملیات
- فرصت ها
- بهینه
- بهینه سازی
- گزینه
- or
- تنظیم و ارکستراسیون
- سفارش
- سفارشات
- کدام سازمان ها
- سازمانی
- سازمان های
- اصلی
- در اصل
- دیگر
- خارج
- نتایج
- قدیمی
- نمای کلی
- عملکرد بهتر
- تولید
- خروجی
- روی
- به طور کلی
- غلبه بر
- مروری
- خود
- جفت
- اوراق
- پارامترهای
- ویژه
- ویژه
- معابر
- گذشته
- انجام دادن
- کارایی
- اجرای
- شخصی
- شخصی
- عبارات
- قطعات
- خط لوله
- برنامه ریزی
- سیستم عامل
- افلاطون
- هوش داده افلاطون
- PlatoData
- طرح
- لوله کشی خانه ها
- نقطه
- سیاست
- محبوب
- ممکن
- پست
- پست ها
- پتانسیل
- بالقوه
- قدرت
- صفحه اصلی
- قوی
- عملی
- تمرین
- شیوه های
- تنظیمات
- رئيس جمهور
- جلوگیری
- قبلا
- قیمت
- قیمت گذاری
- اصلی
- قبلا
- خلوت
- حریم خصوصی و امنیت
- خصوصی
- مشکل
- مشکلات
- روند
- در حال پردازش
- تولید کردن
- ساخته
- تولید می کند
- بهره وری
- محصولات
- مشخصات
- برنامه نويسي
- ترویج می کند
- پرسیدن
- مناسب
- به درستی
- پیشنهادات
- اختصاصی
- ارائه
- ارائه دهندگان
- فراهم می کند
- ارائه
- عمومی
- منتشر شده
- منتشر می کند
- کشیدن
- خرید
- سفارش خرید
- کیفیت
- نمایش ها
- سوال
- سوالات
- به سرعت
- پارچه
- محدوده
- سریع
- سریعا
- نادر
- نسبتا
- خام
- داده های خام
- RE
- واکنش نشان می دهند
- واقعی
- ارزش واقعی
- دنیای واقعی
- زمان واقعی
- داده های زمان واقعی
- تحقق
- استدلال
- اخیر
- به رسمیت شناختن
- توصیه
- توصیه
- توصیه می شود
- كاهش دادن
- کاهش
- مراجعه
- اشاره
- به طور منظم
- ارتباط
- مدیریت رابطه
- ربط
- مربوط
- تکیه بر
- باقی مانده
- قابل توجه
- گزارش ها
- شهرت
- درخواست
- درخواست
- نیاز
- ضروری
- مورد نیاز
- نیاز
- لازمه
- تحقیق
- منابع
- منابع فشرده
- منابع
- پاسخ
- پاسخ
- پاسخ
- REST
- نتایج
- بازآموزی
- بازیابی
- برگشت
- درآمد
- بررسی
- راست
- خطرات
- روال
- دویدن
- در حال اجرا
- امن تر
- حکیم ساز
- همان
- رضایت
- مقیاس پذیری
- مقیاس پذیر
- مقیاس
- کمبود
- سناریو
- سناریوها
- علم
- دانشمندان
- خراش
- اسکریپت
- بدون درز
- جستجو
- بخش
- ایمن
- تیم امنیت لاتاری
- خطرات امنیتی
- انتخاب شد
- انتخاب
- انتخاب
- ارشد
- حساس
- احساس
- احساسات
- بدون سرور
- خدمت
- سرویس
- خدمات
- خدمت
- جلسه
- تنظیم
- مجموعه
- تنظیمات
- چند
- شکل
- به اشتراک گذاشته شده
- کوتاه
- باید
- نشان می دهد
- قابل توجه
- به طور قابل توجهی
- مشابه
- ساده
- تنها
- ماهر
- مهارت ها
- کوچکتر
- So
- آگاهی
- رسانه های اجتماعی
- پیام های رسانه های اجتماعی
- فقط
- جامد
- راه حل
- مزایا
- حل
- حل کردن
- برخی از
- مصنوعی
- منبع
- منابع
- متخصص
- متخصص
- تخصصی
- تخصص دارد
- خاص
- به طور خاص
- اختصاصی
- ثبات
- ایستادن
- استانداردهای
- شروع
- آغاز شده
- نوپا
- ایالات
- گام
- مراحل
- هنوز
- موجودی
- توقف
- opbevare
- پرده
- داستان
- داستان
- ساده
- استراتژیک
- نقاط قوت
- قوی
- ساختار
- ساخت یافته
- ساختار
- سبک
- قابل توجه
- موفق
- موفقیت
- چنین
- کافی
- نشان می دهد
- کت و شلوار
- مناسب
- لبریز شدن
- عرضه
- پشتیبانی
- پشتیبانی از
- فرض کنید
- مطمئن
- نشانه ها
- سیستم
- سیستم های
- برخورد با
- طراحی شده
- گرفتن
- مصرف
- استعداد
- سخنگو
- مذاکرات
- شیر
- هدف
- کار
- وظایف
- تیم
- فن آوری
- فنی
- مهارتهای فنی
- تکنیک
- تکنیک
- فن آوری
- پیشرفته
- نوآوری فناوری
- قالب
- واژه شناسی
- آزمون
- تست
- متن
- طبقه بندی متن
- تولید متن
- نسبت به
- که
- La
- اطلاعات
- شان
- آنها
- سپس
- آنجا.
- از این رو
- اینها
- آنها
- فکر کردن
- شخص ثالث
- این
- کامل
- به طور کامل
- کسانی که
- هزاران نفر
- سه
- از طریق
- زمان
- زمان بر
- به
- نشانه گذاری شده است
- نشانه
- ابزار
- ابزار
- بالا
- موضوع
- تاپیک
- طرف
- ترافیک
- قطار
- آموزش دیده
- آموزش
- عبور
- ترجمه
- ترجمه
- شفافیت
- عظیم
- راه اندازی
- تریلیون ها
- صادقانه
- اعتماد
- مورد اعتماد
- قابل اعتماد
- حقیقت
- میزان سازی
- دور زدن
- پیچاندن
- دو
- به طور معمول
- ناتوان
- فهمیدن
- درک
- منحصر به فرد
- متحد
- ایالات متحده
- باز
- استفاده نشده
- ناخواسته
- در جریان روز
- بروزرسانی
- به روز شده
- به روز رسانی
- ارتقاء
- استفاده کنید
- مورد استفاده
- استفاده
- مفید
- کاربر
- سابقه کاربر
- کاربران
- استفاده
- با استفاده از
- استفاده از Proprietary
- سودمندی
- تصدیق
- ارزش
- تنوع
- مختلف
- وسیع
- بردار
- بسیار
- از طريق
- دید
- بصری
- vs
- آسیب پذیری ها
- راه رفتن
- می خواهم
- میخواهم
- بود
- موج
- مسیر..
- we
- نقاط ضعف
- وب
- خدمات وب
- هفته
- وزن کردن
- وزن
- خوب
- چی
- چه زمانی
- در حالیکه
- چه
- که
- در حین
- وسیع
- دامنه گسترده
- به طور گسترده ای
- بطور گسترده
- ویکیپدیا
- اراده
- با
- در داخل
- بدون
- مهاجرت کاری
- گردش کار
- گردش کار
- کارگر
- خواهد بود
- نوشتن
- نوشته
- کتبی
- سال
- بازده
- شما
- شما
- زفیرنت