מודלים של שפה גדולים (LLMs) עם הידע הרחב שלהם, יכולים ליצור טקסט דמוי אדם כמעט בכל נושא. עם זאת, ההכשרה שלהם על מערכי נתונים מסיביים גם מגבילה את התועלת שלהם למשימות מיוחדות. ללא המשך למידה, מודלים אלה נשארים מודעים לנתונים ולטרנדים חדשים שצצים לאחר הכשרתם הראשונית. יתרה מזאת, העלות להכשרת LLMs חדשים עשויה להוכיח עצומה עבור הגדרות ארגוניות רבות. עם זאת, ניתן להצליב תשובה מודל עם התוכן המיוחד המקורי, ובכך למנוע את הצורך להכשיר מודל LLM חדש, באמצעות Retrieval-Augmented Generation (RAG).
RAG מעצימה את ה-LLMs על ידי מתן היכולת לשלוף ולשלב ידע חיצוני. במקום להסתמך רק על הידע שהוכשר מראש, RAG מאפשרת למודלים למשוך נתונים ממסמכים, מסדי נתונים ועוד. לאחר מכן, המודל משלב במיומנות מידע חיצוני זה בטקסט שנוצר. על ידי מיקור נתונים רלוונטיים להקשר, המודל יכול לספק תגובות מושכלות ועדכניות המותאמות למקרה השימוש שלך. הגדלת הידע גם מפחיתה את הסבירות להזיות ולטקסט לא מדויק או לא הגיוני. עם RAG, מודלים של בסיס הופכים למומחים בעלי יכולת הסתגלות שמתפתחים ככל שבסיס הידע שלך גדל.
היום, אנו נרגשים לחשוף שלוש הדגמות בינה מלאכותית, ברישיון תחת רישיון MIT-0:
- אמזון קנדרה עם LLM בסיסי - מנצל את יכולות החיפוש העמוק של אמזון קנדרה בשילוב עם הידע הנרחב של LLMs. אינטגרציה זו מספקת תשובות מדויקות ומודעות להקשר לשאילתות מורכבות על ידי שאיבה ממגוון מגוון של מקורות.
- דגם הטמעות עם LLM בסיסי - ממזג את כוח ההטמעות - טכניקה ללכוד משמעויות סמנטיות של מילים וביטויים - עם בסיס הידע העצום של LLMs. סינרגיה זו מאפשרת מודלים מדויקים יותר של נושאים, המלצת תוכן ויכולות חיפוש סמנטי.
- Foundation Models Pharma Generator – אפליקציה מיוחדת המותאמת לתעשיית התרופות. רותמת את היכולות היצירתיות של מודלים בסיסיים, כלי זה יוצר פרסומות פרמצבטיות משכנעות ותואמות, ומבטיח שהתוכן תואם לתקנים ולתקנות בתעשייה.
ניתן לפרוס את ההדגמות הללו בצורה חלקה בחשבון ה-AWS שלך, ולהציע תובנות בסיסיות והדרכה על שימוש בשירותי AWS ליצירת יצירת בוט ותוכן של שאלות ותשובות ל-LLM מתקדמות.
בפוסט זה, אנו חוקרים כיצד RAG בשילוב עם Amazon Kendra או הטמעות מותאמות אישית יכולים להתגבר על האתגרים הללו ולספק תשובות מעודנות לשאילתות בשפה טבעית.
סקירת פתרונות
על ידי אימוץ פתרון זה, תוכל להרוויח את היתרונות הבאים:
- גישה משופרת למידע – RAG מאפשר למודלים למשוך מידע ממקורות חיצוניים עצומים, מה שיכול להיות שימושי במיוחד כאשר הידע של המודל שהוכשר מראש מיושן או לא שלם.
- בקרת מערכות ותקשורת – במקום להכשיר מודל על כל הנתונים הזמינים, RAG מאפשרת לדגמים לשלוף מידע רלוונטי תוך כדי תנועה. משמעות הדבר היא שכאשר נתונים חדשים הופכים זמינים, ניתן להוסיף אותם למסד הנתונים של האחזור ללא צורך באימון מחדש של המודל כולו.
- יעילות זיכרון - LLMs דורשים זיכרון משמעותי לאחסון פרמטרים. עם RAG, הדגם יכול להיות קטן יותר מכיוון שהוא לא צריך לשנן את כל הפרטים; זה יכול לאחזר אותם בעת הצורך.
- עדכון ידע דינמי – בניגוד למודלים קונבנציונליים עם נקודת קצה מוגדרת של ידע, מסד הנתונים החיצוני של RAG יכול לעבור עדכונים שוטפים, המעניקים למודל גישה למידע עדכני. ניתן לכוונן את פונקציית האחזור למשימות שונות. לדוגמה, משימת אבחון רפואית יכולה להפיק נתונים מכתבי עת רפואיים, כדי להבטיח שהמודל יקבל תובנות מומחיות ורלוונטיות.
- הפחתת הטיה - היכולת לשאוב ממסד נתונים שנקבע היטב מציעה פוטנציאל למזער הטיות על ידי הבטחת מקורות חיצוניים מאוזנים וחסרי פניות.
לפני הצלילה לשילוב של אמזון קנדרה עם לימודי LLM בסיסיים, חיוני להצטייד בכלים ובדרישות המערכת הדרושים. ההתקנה הנכונה היא הצעד הראשון לקראת פריסה חלקה של ההדגמות.
תנאים מוקדמים
עליך לעמוד בדרישות הקדם הבאות:
למרות שניתן להגדיר ולפרוס את התשתית המפורטת במדריך זה מהמחשב המקומי שלך, AWS Cloud9 מציע חלופה נוחה. מצויד מראש בכלים כמו AWS CLI, AWS CDK ו-Docker, AWS Cloud9 יכול לתפקד כתחנת העבודה שלך בפריסה. כדי להשתמש בשירות זה, פשוט להקים את הסביבה באמצעות קונסולת AWS Cloud9.
עם התנאים המוקדמים מחוץ לדרך, בואו נצלול לתוך התכונות והיכולות של אמזון קנדרה עם לימודי LLM בסיסיים.
אמזון קנדרה עם LLM בסיסי
Amazon Kendra הוא שירות חיפוש ארגוני מתקדם המשופר על ידי למידת מכונה (ML) המספק יכולות חיפוש סמנטי מחוץ לקופסה. תוך שימוש בעיבוד שפה טבעית (NLP), אמזון קנדרה מבינה הן את תוכן המסמכים והן את הכוונה הבסיסית של שאילתות המשתמש, וממצבת אותה ככלי לאחזור תוכן עבור פתרונות מבוססי RAG. על ידי שימוש בתוכן החיפוש ברמת הדיוק הגבוהה של קנדרה כמטען RAG, אתה יכול לקבל תגובות טובות יותר של LLM. השימוש באמזון קנדרה בפתרון זה מאפשר גם חיפוש מותאם אישית על ידי סינון תגובות בהתאם להרשאות הגישה לתוכן של משתמש הקצה.
התרשים הבא מציג את הארכיטקטורה של יישום בינה מלאכותית מחוללת באמצעות גישת RAG.
מסמכים מעובדים ומוספים לאינדקס על ידי אמזון קנדרה דרך ה שירות אחסון פשוט של אמזון (Amazon S3) מַחבֵּר. בקשות לקוחות ונתונים הקשריים מאמזון קנדרה מופנים אל סלע אמזון מודל יסוד. ההדגמה מאפשרת לך לבחור בין הדגמים Titan של אמזון, Jurassic של AI21 ודגמי קלוד של Anthropic הנתמכים על ידי Amazon Bedrock. היסטוריית השיחה נשמרת ב אמזון דינמו, המציע הקשר נוסף ל-LLM ליצירת תגובות.
סיפקנו את ההדגמה הזו ב- GitHub ריפו. עיין בהוראות הפריסה בקובץ ה-readme לפריסתו בחשבון AWS שלך.
השלבים הבאים מתארים את התהליך כאשר משתמש מקיים אינטראקציה עם אפליקציית הבינה המלאכותית הגנרטיבית:
- המשתמש מתחבר לאפליקציית האינטרנט המאומתת על ידי אמזון קוגניטו.
- המשתמש מעלה מסמך אחד או יותר לאמזון S3.
- המשתמש מפעיל משימת סינכרון של אמזון קנדרה כדי להטמיע מסמכי S3 לאינדקס אמזון קנדרה.
- שאלת המשתמש מנותבת דרך WebSocket API מאובטח שמתארח ב- שער API של אמזון מגובה על ידי א AWS למבדה פונקציה.
- פונקציית Lambda, המוסמכת על ידי LangChain framework - כלי רב תכליתי המיועד ליצירת יישומים המונעים על ידי מודלים של שפות בינה מלאכותית - מתחבר לנקודת הקצה של Amazon Bedrock כדי לנסח מחדש את שאלת המשתמש בהתבסס על היסטוריית הצ'אט. לאחר ניסוח מחדש, השאלה מועברת לאמזון קנדרה באמצעות ה-Retrieve API. בתגובה, אינדקס אמזון קנדרה מציג תוצאות חיפוש, ומספק קטעים ממסמכים רלוונטיים שמקורם בנתונים שנקלטו בארגון.
- שאלת המשתמש יחד עם הנתונים שנשלפו מהאינדקס נשלחים כהקשר בהנחיית LLM. התגובה מה-LLM נשמרת כהיסטוריית צ'אט בתוך DynamoDB.
- לבסוף, התגובה מה-LLM נשלחת חזרה למשתמש.
זרימת עבודה לאינדקס של מסמכים
להלן ההליך לעיבוד והוספת מסמכים לאינדקס:
- משתמשים מגישים מסמכים דרך ממשק המשתמש (UI).
- מסמכים מועברים לדלי S3 תוך שימוש ב- AWS להגביר ה-API.
- Amazon Kendra מוסיף מסמכים חדשים בדלי S3 דרך מחבר Amazon Kendra S3.
הטבות
הרשימה הבאה מדגישה את היתרונות של פתרון זה:
- אחזור ברמת הארגון - Amazon Kendra מיועד לחיפוש ארגוני, מה שהופך אותו מתאים לארגונים עם כמויות אדירות של נתונים מובנים ולא מובנים.
- הבנה סמנטית – יכולות ה-ML של Amazon Kendra מבטיחות שהשליפה מבוססת על הבנה סמנטית עמוקה ולא רק על התאמות של מילות מפתח.
- בקרת מערכות ותקשורת - אמזון קנדרה יכולה להתמודד עם מקורות נתונים בקנה מידה גדול ומספקת תוצאות חיפוש מהירות ורלוונטיות.
- גמישות - המודל הבסיסי יכול לייצר תשובות המבוססות על מגוון רחב של הקשרים, מה שמבטיח שהמערכת תישאר מגוונת.
- יכולות אינטגרציה - ניתן לשלב את אמזון קנדרה עם שירותי AWS ומקורות נתונים שונים, מה שהופך אותו להתאמה לצרכים ארגוניים שונים.
דגם הטמעות עם LLM בסיסי
An הטבעה הוא וקטור מספרי המייצג את מהות הליבה של סוגי נתונים מגוונים, כולל טקסט, תמונות, אודיו ומסמכים. ייצוג זה לא רק לוכד את המשמעות הפנימית של הנתונים, אלא גם מתאים אותם למגוון רחב של יישומים מעשיים. הטבעת מודלים, ענף של ML, הופכות נתונים מורכבים, כגון מילים או ביטויים, למרחבים וקטוריים רציפים. וקטורים אלה תופסים מטבעם את הקשרים הסמנטיים בין נתונים, ומאפשרים השוואות מעמיקות ומלאות תובנות יותר.
RAG משלבת בצורה חלקה את החוזקות של מודלים בסיסיים, כמו שנאים, עם הדיוק של הטבעות כדי לנפות מסדי נתונים עצומים למידע רלוונטי. עם קבלת שאילתה, המערכת משתמשת בהטמעות כדי לזהות ולחלץ קטעים רלוונטיים ממכלול נתונים נרחב. לאחר מכן, המודל הבסיסי מגבש תגובה מדויקת מבחינה הקשרית המבוססת על מידע שחולץ זה. הסינרגיה המושלמת הזו בין אחזור נתונים ויצירת תגובה מאפשרת למערכת לספק תשובות יסודיות, השואבת מהידע הרב המאוחסן במאגרי מידע נרחבים.
בפריסה הארכיטקטונית, בהתבסס על בחירת ממשק המשתמש שלהם, משתמשים מודרכים ל- Amazon Bedrock או אמזון SageMaker JumpStart דגמי יסוד. מסמכים עוברים עיבוד, והטבעות וקטוריות מיוצרות על ידי מודל ההטבעות. הטמעות אלה מתווספות לאחר מכן באמצעות FAISS כדי לאפשר חיפוש סמנטי יעיל. היסטוריות שיחות נשמרות ב-DynamoDB, מה שמעשיר את ההקשר של ה-LLM ליצירת תגובות.
התרשים הבא ממחיש את ארכיטקטורת הפתרון וזרימת העבודה.
סיפקנו את ההדגמה הזו ב- GitHub ריפו. עיין בהוראות הפריסה בקובץ ה-readme לפריסתו בחשבון AWS שלך.
דגם הטבעות
תחומי האחריות של מודל ההטמעות הם כדלקמן:
- מודל זה אחראי להמרת טקסט (כמו מסמכים או קטעים) לייצוגים וקטוריים צפופים, המכונה בדרך כלל הטבעות.
- הטמעות אלו לוכדות את המשמעות הסמנטית של הטקסט, ומאפשרות השוואה יעילה ומשמעותית מבחינה סמנטית בין חלקי טקסט שונים.
- ניתן לאמן את מודל ההטמעות על אותו קורפוס עצום כמו המודל הבסיסי או להתמחות עבור תחומים ספציפיים.
זרימת עבודה של שאלות ותשובות
השלבים הבאים מתארים את זרימת העבודה של התשובה לשאלה על פני מסמכים:
- המשתמש מתחבר לאפליקציית האינטרנט המאומתת על ידי Amazon Cognito.
- המשתמש מעלה מסמך אחד או יותר לאמזון S3.
- עם העברת מסמך, הודעת אירוע S3 מפעילה פונקציית Lambda, אשר לאחר מכן קוראת לנקודת הקצה של מודל הטבעה של SageMaker כדי ליצור הטבעות עבור המסמך החדש. מודל ההטמעות ממיר את השאלה לייצוג וקטור צפוף (הטבעה). קובץ הווקטור שהתקבל מאוחסן בצורה מאובטחת בתוך דלי S3.
- הרטריבר של FAISS משווה את הטבעת השאלה הזו עם ההטמעות של כל המסמכים או הקטעים במסד הנתונים כדי למצוא את הקטעים הרלוונטיים ביותר.
- הקטעים, יחד עם שאלת המשתמש, מסופקים כהקשר למודל הבסיסי. הפונקציה Lambda משתמשת בספריית LangChain ומתחברת לנקודת הקצה של Amazon Bedrock או SageMaker JumpStart עם שאילתה ממולאת בהקשר.
- התגובה מה-LLM מאוחסנת ב-DynamoDB יחד עם השאילתה של המשתמש, חותמת הזמן, מזהה ייחודי ומזהים שרירותיים אחרים עבור הפריט כגון קטגוריית שאלה. אחסון השאלה והתשובה כפריטים בדידים מאפשר לפונקציית Lambda לשחזר בקלות את היסטוריית השיחות של משתמש בהתבסס על הזמן שבו נשאלו שאלות.
- לבסוף, התגובה נשלחת חזרה למשתמש באמצעות בקשת HTTPs דרך תגובת שילוב API Gateway WebSocket API.
הטבות
הרשימה הבאה מתארת את היתרונות של פתרון זה:
- הבנה סמנטית – מודל ההטמעות מבטיח שהרטריבר בוחר קטעים על סמך הבנה סמנטית עמוקה, לא רק התאמות של מילות מפתח.
- בקרת מערכות ותקשורת - הטמעות מאפשרות השוואת דמיון יעילה, מה שמאפשר חיפוש מהיר במאגרי מידע עצומים של מסמכים.
- גמישות - המודל הבסיסי יכול לייצר תשובות המבוססות על מגוון רחב של הקשרים, מה שמבטיח שהמערכת תישאר מגוונת.
- התאמה לתחום – ניתן להכשיר או לכוונן את מודל ההטמעות לתחומים ספציפיים, מה שמאפשר להתאים את המערכת ליישומים שונים.
Foundation Models Pharma Ad Generator
בתעשיית התרופות המהירה של ימינו, פרסום יעיל ומקומי הוא חיוני יותר מאי פעם. כאן נכנס לתמונה פתרון חדשני, המשתמש בכוחו של AI יצירתי ליצירת מודעות פארמה מקומיות מתמונות מקור וקובצי PDF. מעבר לזרז את תהליך יצירת המודעות, גישה זו מייעלת את תהליך הסקירה המשפטית הרפואית (MLR). MLR הוא מנגנון סקירה קפדני שבו צוותים רפואיים, משפטיים ורגולטוריים מעריכים בקפדנות חומרי קידום מכירות כדי להבטיח את הדיוק, הגיבוי המדעי ועמידתם ברגולציה. שיטות יצירת תוכן מסורתיות עשויות להיות מסורבלות, ולעתים קרובות דורשות התאמות ידניות וביקורות מקיפות כדי להבטיח התאמה עם תאימות אזורית ורלוונטיות. עם זאת, עם הופעת הבינה המלאכותית הגנרטיבית, אנו יכולים כעת להפוך את יצירת המודעות האוטומטיות להדהד עם הקהלים המקומיים, כל זאת תוך שמירה על תקנים והנחיות מחמירים.
התרשים הבא ממחיש את ארכיטקטורת הפתרונות.
בפריסה הארכיטקטונית, בהתבסס על המודל הנבחר והעדפות המודעה שלהם, המשתמשים מודרכים בצורה חלקה למודלים של בסיס Amazon Bedrock. גישה יעילה זו מבטיחה שמודעות חדשות יופקו בדיוק בהתאם לתצורה הרצויה. כחלק מהתהליך, מסמכים מטופלים ביעילות על ידי טקסטורה באמזון, כשהטקסט שנוצר מאוחסן בצורה מאובטחת ב-DynamoDB. תכונה בולטת היא העיצוב המודולרי ליצירת תמונות וטקסט, המעניק לך את הגמישות לחדש באופן עצמאי כל רכיב לפי הצורך.
סיפקנו את ההדגמה הזו ב- GitHub ריפו. עיין בהוראות הפריסה בקובץ ה-readme לפריסתו בחשבון AWS שלך.
תהליך יצירת תוכן
השלבים הבאים מתארים את התהליך ליצירת תוכן:
- המשתמש בוחר את המסמך, תמונת המקור, מיקום המודעה, השפה וסגנון התמונה שלו.
- גישה מאובטחת לאפליקציית האינטרנט מובטחת באמצעות אימות אמזון קוגניטו.
- הקצה הקדמי של יישום האינטרנט מתארח באמצעות Amplify.
- WebSocket API, המנוהל על ידי API Gateway, מקל על בקשות משתמשים. בקשות אלו מאומתות באמצעות AWS זהות וניהול גישה (אני).
- אינטגרציה עם Amazon Bedrock כוללת את השלבים הבאים:
- פונקציית Lambda משתמשת בספריית LangChain כדי להתחבר לנקודת הקצה של Amazon Bedrock באמצעות שאילתה עשירה בהקשר.
- המודל הבסיסי של טקסט לטקסט יוצר מודעה מתאימה מבחינה הקשר בהתבסס על ההקשר וההגדרות הנתונים.
- המודל הבסיסי של טקסט לתמונה יוצר תמונה מותאמת, המושפעת מתמונת המקור, הסגנון הנבחר והמיקום.
- המשתמש מקבל את התגובה באמצעות בקשת HTTPS באמצעות API Gateway WebSocket API המשולב.
תהליך עבודה של עיבוד מסמכים ותמונות
להלן ההליך לעיבוד מסמכים ותמונות:
- המשתמש מעלה נכסים דרך ממשק המשתמש שצוין.
- ה-API של Amplify מעביר את המסמכים לדלי S3.
- לאחר העברת הנכס לאמזון S3, מתרחשת אחת מהפעולות הבאות:
- אם זה מסמך, פונקציית Lambda משתמשת ב- Amazon Textract כדי לעבד ולחלץ טקסט ליצירת מודעות.
- אם זו תמונה, פונקציית Lambda ממירה אותה לפורמט base64, מתאים למודל Stable Diffusion ליצירת תמונה חדשה מהמקור.
- הטקסט שחולץ או מחרוזת התמונה base64 נשמרת בצורה מאובטחת ב-DynamoDB.
הטבות
הרשימה הבאה מתארת את היתרונות של פתרון זה:
- יְעִילוּת - השימוש בבינה מלאכותית גנרטיבית מאיץ באופן משמעותי את תהליך יצירת המודעות, ומבטל את הצורך בהתאמות ידניות.
- עמידה בציות – הפתרון מבטיח שמודעות שנוצרו תואמות להנחיות ולתקנות ספציפיות, כמו הנחיות ה-FDA לשיווק.
- עלות תועלת - על ידי אוטומציה של יצירת מודעות מותאמות, חברות יכולות להפחית משמעותית את העלויות הכרוכות בייצור ותיקונים של מודעות.
- תהליך MLR יעיל - הפתרון מפשט את תהליך ה-MLR, מפחית את נקודות החיכוך ומבטיח ביקורות חלקות יותר.
- תהודה מקומית - בינה מלאכותית גנרטיבית מייצרת מודעות המהדהדות עם קהלים מקומיים, מה שמבטיח רלוונטיות והשפעה באזורים שונים.
- תְקִינָה - הפתרון שומר על סטנדרטים והנחיות נחוצים, ומבטיח עקביות בכל המודעות שנוצרו.
- בקרת מערכות ותקשורת - הגישה המונעת בינה מלאכותית יכולה להתמודד עם מסדי נתונים עצומים של תמונות מקור וקובצי PDF, מה שהופך אותה לאפשרית ליצירת מודעות בקנה מידה גדול.
- התערבות ידנית מופחתת – האוטומציה מפחיתה את הצורך בהתערבות אנושית, ממזערת טעויות ומבטיחה עקביות.
אתה יכול לפרוס את התשתית במדריך זה מהמחשב המקומי שלך או שאתה יכול להשתמש ב-AWS Cloud9 כתחנת העבודה שלך לפריסה. AWS Cloud9 מגיע טעון מראש עם AWS CLI, AWS CDK ו-Docker. אם תבחר ב-AWS Cloud9, ליצור את הסביבה מ קונסולת AWS Cloud9.
לנקות את
כדי למנוע עלויות מיותרות, נקה את כל התשתית שנוצרה באמצעות מסוף AWS CloudFormation או על ידי הפעלת הפקודה הבאה בתחנת העבודה שלך:
בנוסף, זכור לעצור כל נקודת קצה של SageMaker שיזמת דרך מסוף SageMaker. זכור, מחיקת אינדקס של אמזון קנדרה אינה מסירה את המסמכים המקוריים מהאחסון שלך.
סיכום
בינה מלאכותית גנרטיבית, המתגלמת על ידי LLMs, מבשרת על שינוי פרדיגמה באופן שבו אנו ניגשים ויוצרים מידע. מודלים אלו, למרות שהם חזקים, מוגבלים לרוב על ידי גבולות נתוני האימון שלהם. RAG נותנת מענה לאתגר זה, ומבטיחה שהידע הרב בתוך המודלים הללו יושר באופן עקבי בתובנות רלוונטיות ועדכניות.
ההדגמות שלנו מבוססות RAG מספקות עדות מוחשית לכך. הם מציגים את הסינרגיה החלקה בין אמזון קנדרה, הטמעות וקטוריות ו-LLMs, ויוצרות מערכת שבה המידע הוא לא רק עצום אלא גם מדויק ובזמן. כשאתה צולל להדגמות אלה, תחקור ממקור ראשון את פוטנציאל הטרנספורמציה של מיזוג ידע מיומן מראש עם היכולות הדינמיות של RAG, וכתוצאה מכך תפוקות אמינות ומותאמות לתוכן ארגוני.
למרות ש-AI יצירתי המופעל על ידי LLMs פותח דרך חדשה להשגת תובנות מידע, תובנות אלו חייבות להיות אמינות ולהגביל לתוכן ארגוני תוך שימוש בגישת RAG. הדגמות מבוססות RAG אלו מאפשרות לך להצטייד בתובנות מדויקות ועדכניות. האיכות של התובנות הללו תלויה ברלוונטיות סמנטית, שמתאפשרת על ידי שימוש באמזון קנדרה והטבעות וקטוריות.
אם אתה מוכן להמשיך ולחקור ולנצל את הכוח של AI מחולל, הנה הצעדים הבאים שלך:
- צור קשר עם ההדגמות שלנו - החוויה המעשית היא לא יסולא בפז. חקור את הפונקציונליות, הבן את האינטגרציות והכר את הממשק.
- תעמיק את הידע שלך - נצל את המשאבים הזמינים. AWS מציעה תיעוד מעמיק, הדרכות ותמיכה קהילתית כדי לסייע במסע הבינה המלאכותית שלך.
- יזום פרויקט פיילוט - שקול להתחיל עם הטמעה בקנה מידה קטן של AI גנרטיבי בארגון שלך. זה יספק תובנות לגבי המעשיות וההתאמה של המערכת בהקשר הספציפי שלך.
למידע נוסף על יישומי AI גנרטיביים ב-AWS, עיין בפרטים הבאים:
זכור, הנוף של AI מתפתח כל הזמן. הישאר מעודכן, השאר סקרן, ותמיד תהיה מוכן להסתגל ולחדש.
אודות הסופרים
ג'ין טאן רואן הוא מפתח אבות טיפוס בצוות AWS Industries Prototyping והנדסת לקוחות (PACE), המתמחה ב-NLP ובינה מלאכותית. עם רקע בפיתוח תוכנה ותשע הסמכות AWS, Jin מביאה ניסיון עשיר כדי לסייע ללקוחות AWS במימוש חזונות AI/ML וחזונות AI מחוללים באמצעות פלטפורמת AWS. הוא בעל תואר שני במדעי המחשב והנדסת תוכנה מאוניברסיטת סירקיוז. מחוץ לעבודה, ג'ין נהנה לשחק במשחקי וידאו ולשקוע בעולם המרגש של סרטי אימה.
ארווינד קודנדראמאיה הוא בונה פתרונות אבות טיפוס בכיר בצוות AWS Industries Prototyping והנדסת לקוחות (PACE). הוא מתמקד בסיוע ללקוחות AWS להפוך רעיונות חדשניים לפתרונות עם תוצאות מדידות ומענגות. הוא נלהב ממגוון נושאים, כולל אבטחת ענן, DevOps ו-AI/ML, ובדרך כלל ניתן למצוא אותו מתעסק בטכנולוגיות אלו.
ארג'ון שקדר הוא מפתח בצוות AWS Industries Prototyping (PACE) אשר נלהב משילוב טכנולוגיה במרקם החיים. בעל תואר שני מאוניברסיטת Purdue, תפקידו הנוכחי של ארג'ון סובב סביב אדריכלות ובניית אבות טיפוס מתקדמים המשתרעים על מגוון תחומים, שמציגים כיום באופן בולט את תחומי ה-AI/ML וה-IoT. כשאתה לא שקוע בקוד ובנופים דיגיטליים, תמצא את ארג'ון מתמכר לעולם הקפה, חוקר את המכניקה המורכבת של הורולוגיה, או מתענג על האומנות של מכוניות.
- הפצת תוכן ויחסי ציבור מופעל על ידי SEO. קבל הגברה היום.
- PlatoData.Network Vertical Generative Ai. העצים את עצמך. גישה כאן.
- PlatoAiStream. Web3 Intelligence. הידע מוגבר. גישה כאן.
- PlatoESG. פחמן, קלינטק, אנרגיה, סביבה, שמש, ניהול פסולת. גישה כאן.
- PlatoHealth. מודיעין ביוטכנולוגיה וניסויים קליניים. גישה כאן.
- מקור: https://aws.amazon.com/blogs/machine-learning/harnessing-the-power-of-enterprise-data-with-generative-ai-insights-from-amazon-kendra-langchain-and-large-language-models/
- :הוא
- :לֹא
- :איפה
- $ למעלה
- 100
- 150
- a
- יכולת
- אודות
- מאיץ
- גישה
- פי
- חֶשְׁבּוֹן
- דיוק
- מדויק
- לרוחב
- פעולות
- Ad
- להסתגל
- הסתגלות
- מותאם
- מסתגל
- הוסיף
- כתובות
- לדבוק
- התאמות
- אימוץ
- מודעות
- מתקדם
- יתרון
- יתרונות
- הִתגַלוּת
- פרסום
- לאחר
- AI
- מונע AI
- AI / ML
- סיוע
- יישור
- תעשיות
- להתיר
- מאפשר
- מאפשר
- כמעט
- לאורך
- גם
- חלופה
- תמיד
- אמזון בעברית
- אמזון קוגניטו
- אמזון קנדרה
- טקסטורה באמזון
- אמזון שירותי אינטרנט
- כמויות
- להגביר
- an
- ו
- לענות
- תשובות
- כל
- API
- האפליקציה
- בקשה
- יישומים
- גישה
- מתאים
- אדריכלי
- ארכיטקטורה
- ARE
- סביב
- מערך
- אמנות
- AS
- שאל
- נכס
- נכסים
- לעזור
- המשויך
- קהל
- אודיו
- מאומת
- אימות
- אוטומטי
- אוטומציה
- אוטומציה
- מכוניות
- זמין
- לְהִמָנַע
- הימנעות
- AWS
- AWS Cloud9
- AWS CloudFormation
- בחזרה
- מגובה
- רקע
- גיבוי
- מאוזן
- בסיס
- מבוסס
- BE
- כי
- להיות
- הופך להיות
- הטבות
- מוטב
- בֵּין
- מעבר
- הטיות
- הִתמַזְגוּת
- גוּף
- בוט
- שניהם
- סניף
- מביא
- רחב
- בונה
- בִּניָן
- אבל
- by
- שיחות
- CAN
- יכול לקבל
- יכולות
- ללכוד
- לוכדת
- מקרה
- קטגוריה
- אישורים
- לאתגר
- האתגרים
- בחרו
- נבחר
- לְנַקוֹת
- ענן
- אבטחת ענן
- Cloud9
- קוד
- קָפֶה
- משולב
- משלב
- מגיע
- בדרך כלל
- קהילה
- חברות
- השוואות
- מורכב
- הענות
- תואם
- רְכִיב
- מבין
- המחשב
- מדעי מחשב
- תְצוּרָה
- לְחַבֵּר
- חיבורי
- מתחבר
- לשקול
- באופן עקבי
- קונסול
- תמיד
- תוכן
- יצירת תוכן
- הקשר
- הקשרים
- קשר
- נמשך
- רציף
- נוֹחַ
- מקובל
- שיחה
- המרת
- משכנע
- ליבה
- עלות
- עלויות
- לעצב
- לִיצוֹר
- נוצר
- יוצר
- יוצרים
- יצירה
- מכריע
- מסורבל
- סקרן
- נוֹכְחִי
- מנהג
- לקוח
- לקוחות
- שיא הטכנולוגיה
- נתונים
- מסד נתונים
- מאגרי מידע
- מערכי נתונים
- תַאֲרִיך
- עמוק
- עמוק יותר
- תואר
- מענג
- הַדגָמָה
- הדגמות
- צפוף
- תלוי
- לפרוס
- פרס
- פריסה
- פריסה
- לתאר
- עיצוב
- מעוצב
- רצוי
- להרוס
- מְפוֹרָט
- פרטים
- מפתח
- צעצועי התפתחות
- דופים
- אבחון
- אחר
- שידור
- דיגיטלי
- מְכוּוָן
- מציג
- מובהק
- צלילה
- שונה
- צלילה
- סַוָר
- מסמך
- תיעוד
- מסמכים
- לא
- תחומים
- לצייר
- ציור
- מונע
- דינמי
- בקלות
- יְעִילוּת
- יעיל
- יעילות
- או
- חיסול
- הטבעה
- לצאת
- מעסיקה
- רשאי
- מעצים
- לאפשר
- מופעל
- מאפשר
- מה שמאפשר
- סוף
- נקודת קצה
- נקודות קצה
- הנדסה
- משופר
- מעשיר
- לְהַבטִיחַ
- הבטיח
- מבטיח
- הבטחתי
- מִפְעָל
- חיפוש ארגוני
- שלם
- מְצוּיָד
- שגיאות
- במיוחד
- מַהוּת
- Ether (ETH)
- להעריך
- אירוע
- אי פעם
- להתפתח
- מתפתח
- דוגמה
- נרגש
- נרחב
- ניסיון
- מומחה
- מומחים
- לחקור
- היכרות
- נרחב
- חיצוני
- תמצית
- בד
- מקל
- להכיר
- מהיר
- FB
- אפשרי
- מאפיין
- תכונות
- משתתפים
- שלח
- סינון
- ראשון
- גמישות
- מתמקד
- הבא
- כדלקמן
- בעד
- פוּרמָט
- מצא
- קרן
- חיכוך
- החל מ-
- חזית
- חזיתי
- מלא
- מחסנית מלאה
- פונקציה
- פונקציות
- נוסף
- יתר על כן
- לְהַשִׂיג
- זכייה
- משחקים
- שער כניסה
- ליצור
- נוצר
- דור
- גנרטטיבית
- AI Generative
- גנרטור
- לקבל
- נתן
- נתינה
- הענקת
- לתפוס
- גדל
- אַחֲרָיוּת
- הדרכה
- מוּדרָך
- הנחיות
- לטפל
- טיפלתי
- ידות על
- רתמת
- רתימה
- יש
- יש
- he
- עזרה
- מבשר
- כאן
- פסים
- עַצמוֹ
- היסטוריות
- היסטוריה
- מחזיק
- מחזיק
- אימה
- סרטי אימה
- אירח
- איך
- אולם
- HTML
- http
- HTTPS
- בן אנוש
- IAM
- רעיונות
- מזהה
- מזהים
- לזהות
- זהות
- if
- מדגים
- תמונה
- תמונות
- שָׁקוּעַ
- פְּגִיעָה
- הפעלה
- in
- מעמיק
- לֹא מְדוּיָק
- כולל
- כולל
- בע"מ
- באופן עצמאי
- מדד
- -
- אינדקסים
- תעשיות
- תעשייה
- תקני התעשייה
- מוּשׁפָע
- מידע
- הודעה
- תשתית
- חדור
- מטבע הדברים
- בתחילה
- יזם
- לחדש
- חדשני
- תובנה
- תובנות
- במקום
- הוראות
- משולב
- משלב
- השתלבות
- ואינטגרציות
- כוונה
- אינטראקטיבי
- מִמְשָׁק
- התערבות
- אל תוך
- מוּרכָּב
- מהותי
- לֹא יְסוּלֵא בְּפָּז
- IOT
- IT
- פריטים
- שֶׁלָה
- עבודה
- מסע
- jpg
- רק
- מילות מפתח
- ידע
- ידוע
- נוף
- שפה
- גָדוֹל
- בקנה מידה גדול
- מערך
- למידה
- משפטי
- מאפשר לי
- סִפְרִיָה
- מורשה
- החיים
- כמו
- סְבִירוּת
- מוגבל
- גבולות
- רשימה
- מקומי
- מיקום
- מכונה
- למידת מכונה
- שומר
- עשייה
- הצליח
- מדריך ל
- רב
- שיווק
- מסיבי
- מאסטר
- גפרורים
- חומרים
- משמעות
- משמעותי
- משמעויות
- אומר
- מכניקה
- מנגנון
- רפואי
- זכרון
- רק
- מתמזג
- מיזוג
- שיטות
- בקפידה
- לצמצם
- מזעור
- הֲקָלָה
- ML
- מודל
- דוגמנות
- מודלים
- מודולרי
- יותר
- רוב
- סרטים
- צריך
- טבעי
- שפה טבעית
- עיבוד שפה טבעית
- הכרחי
- צורך
- נחוץ
- צורך
- צרכי
- חדש
- הבא
- תֵשַׁע
- NLP
- הודעה
- עַכשָׁיו
- מספרית
- of
- הצעה
- המיוחדות שלנו
- לעתים קרובות
- on
- ONE
- רק
- נפתח
- or
- אִרְגוּנִי
- ארגונים
- מְקוֹרִי
- אחר
- שלנו
- הַחוּצָה
- תוצאות
- מתווה
- פלטים
- בחוץ
- יותר
- להתגבר על
- שלום
- פרדיגמה
- פרמטרים
- חלק
- לוהט
- הרשאות
- אישית
- פארמה
- התרופות
- ביטויים
- חתיכות
- טַיָס
- פרויקט פיילוט
- מקום
- מיקום
- פלטפורמה
- אפלטון
- מודיעין אפלטון
- אפלטון נתונים
- לְשַׂחֵק
- משחק
- נקודות
- מיצוב
- אפשרי
- הודעה
- פוטנציאל
- כּוֹחַ
- מופעל
- חזק
- מעשי
- יישומים מעשיים
- צורך
- בדיוק
- דיוק
- העדפות
- תנאים מוקדמים
- כַּיוֹם
- השתמר
- הליך
- תהליך
- מעובד
- תהליך
- מיוצר
- ייצור
- הפקה
- פּרוֹיֶקט
- קידום מכירות
- טיפוס
- prototyping
- להוכיח
- לספק
- ובלבד
- מספק
- מתן
- איכות
- שאילתות
- שאלה
- שאלות
- מָהִיר
- מהירות
- רכס
- מוכן
- ממלכות
- מקבל
- קבלה
- המלצה
- להפחית
- מפחית
- הפחתה
- להתייחס
- מעודן
- אזורי
- אזורים
- רגיל
- תקנון
- רגולטורים
- התאמה לתקנות
- הרלוונטיות
- רלוונטי
- הסתמכות
- להשאר
- שְׂרִידִים
- לזכור
- להסיר
- לנסח מחדש
- נציגות
- מייצג
- לבקש
- בקשות
- לדרוש
- נדרש
- דרישות
- להדהד
- משאבים
- תגובה
- תגובות
- אחריות
- אחראי
- כתוצאה
- וכתוצאה מכך
- תוצאות
- סקירה
- חוות דעת של לקוחותינו
- תיקונים
- סובב
- תקין
- קַפְּדָנִי
- תפקיד
- ריצה
- פועל
- בעל חכמים
- אותו
- הציל
- מדע
- מדעי
- בצורה חלקה
- בצורה חלקה
- חיפוש
- סעיפים
- לבטח
- מאובטח
- אבטחה
- נבחר
- מבחר
- לחצני מצוקה לפנסיונרים
- נשלח
- שרות
- שירותים
- סט
- הגדרות
- התקנה
- משמרת
- ראווה
- הופעות
- לְנַפּוֹת
- משמעותי
- באופן משמעותי
- פָּשׁוּט
- בפשטות
- קטן יותר
- חלק יותר
- תוכנה
- פיתוח תוכנה
- הנדסת תוכנה
- אך ורק
- פִּתָרוֹן
- פתרונות
- מָקוֹר
- מקור
- מקורות
- המקור
- רווחים
- משך
- מיוחד
- מתמחה
- ספציפי
- מפורט
- יציב
- לערום
- תקנים
- לבלוט
- החל
- מדינה-of-the-art
- להשאר
- שלב
- צעדים
- עצור
- אחסון
- חנות
- מאוחסן
- זִרמִי
- חוזק
- מחרוזת
- מחמירות
- מובנה
- נתונים מובנים ולא מובנים
- סגנון
- להגיש
- כזה
- מַתְאִים
- תמיכה
- נתמך
- סינרגיה
- מערכת
- מותאם
- לקחת
- לוקח
- מוחשי
- המשימות
- משימות
- נבחרת
- צוותי
- טכניקה
- טכנולוגיות
- טכנולוגיה
- ברית
- טֶקסט
- דור טקסט
- מֵאֲשֶׁר
- זֶה
- השמיים
- הנוף
- המקור
- העולם
- שֶׁלָהֶם
- אותם
- אז
- בכך
- אלה
- הֵם
- זֶה
- שְׁלוֹשָׁה
- מרגש
- דרך
- זמן
- אקטואלי
- חותם
- עֲנָק
- ל
- של היום
- כלי
- כלים
- נושא
- נושאים
- לקראת
- מסורתי
- רכבת
- מְאוּמָן
- הדרכה
- להעביר
- הועבר
- העברות
- לשנות
- טרנספורמטיבית
- רוֹבּוֹטרִיקִים
- מגמות
- באמת
- אמין
- תור
- הדרכה
- הדרכות
- סוגים
- ui
- לַעֲבוֹר
- בְּסִיסִי
- להבין
- הבנה
- ייחודי
- אוניברסיטה
- בניגוד
- מְיוּתָר
- לַחשׂוֹף
- עדכן
- עדכון
- מְעוּדכָּן
- עדכונים
- מקיים
- על
- להשתמש
- במקרה להשתמש
- מועיל
- משתמש
- ממשק משתמש
- משתמשים
- שימושים
- באמצעות
- בְּדֶרֶך כְּלַל
- מנצל
- ניצול
- שונים
- Vast
- רב צדדי
- באמצעות
- וִידֵאוֹ
- משחקי וידאו
- חזיונות
- דֶרֶך..
- we
- עושר
- אינטרנט
- אפליקציית רשת
- שירותי אינטרנט
- שקע רשת
- היו
- מתי
- אשר
- בזמן
- מי
- רָחָב
- טווח רחב
- יצטרך
- עם
- בתוך
- לְלֹא
- מילים
- תיק עבודות
- זרימת עבודה
- תחנת עבודה
- עוֹלָם
- אתה
- עצמך
- זפירנט