אמזון לקס הוא שירות המאפשר לבנות במהירות ובקלות בוטים לשיחה ("צ'טבוטים"), סוכנים וירטואליים ומערכות תגובה קולית אינטראקטיבית (IVR) עבור יישומים כגון אמזון Connect.
בינה מלאכותית (AI) ולמידת מכונה (ML) היו מוקד עבור אמזון כבר למעלה מ-20 שנה, ורבות מהיכולות שהלקוחות משתמשים בהן עם אמזון מונעות על ידי ML. כיום, מודלים של שפה גדולים (LLMs) משנים את הדרך שבה מפתחים וארגונים פותרים אתגרים מורכבים היסטורית הקשורים להבנת שפה טבעית (NLU). הודענו סלע אמזון לאחרונה, אשר מאפשרת דמוקרטיזציה של גישה למודל הבסיסי עבור מפתחים כדי לבנות ולהרחיב בקלות יישומים מבוססי בינה מלאכותית, תוך שימוש בכלים ויכולות AWS מוכרות. אחד האתגרים שעומדים בפני ארגונים הוא לשלב את הידע העסקי שלהם ב-LLMs כדי לספק תשובות מדויקות ורלוונטיות. כאשר הם ממונפים ביעילות, ניתן להשתמש בבסיסי ידע ארגוניים כדי לספק חוויות שירות עצמי ושירות מסייע מותאמים, על ידי אספקת מידע המסייע ללקוחות לפתור בעיות באופן עצמאי ו/או הגדלת הידע של סוכן. כיום, מפתח בוטים יכול לשפר חוויות בשירות עצמי מבלי להשתמש ב-LLM בכמה דרכים. ראשית, על ידי יצירת כוונות, אמירות לדוגמה ותגובות, ובכך לכסות את כל שאלות המשתמש הצפויות בתוך בוט של Amazon Lex. שנית, מפתחים יכולים גם לשלב בוטים עם פתרונות חיפוש, שיכולים לאינדקס מסמכים המאוחסנים במגוון רחב של מאגרים ולמצוא את המסמך הרלוונטי ביותר כדי לענות על שאלת הלקוח שלהם. שיטות אלו יעילות, אך דורשות משאבי מפתחים מה שהופך את ההתחלה לקשה.
אחד היתרונות שמציעים LLMs הוא היכולת ליצור חוויות שירות עצמי רלוונטיות ומשכנעות לשיחה. הם עושים זאת על ידי מינוף בסיסי הידע הארגוניים ומתן תגובות מדויקות והקשריות יותר. פוסט זה בבלוג מציג פתרון רב עוצמה להגדלת Amazon Lex עם תכונות שאלות נפוצות מבוססות LLM באמצעות ה-Retrieval Augmented Generation (RAG). נסקור כיצד גישת RAG מגדילה את תשובות השאלות הנפוצות של Amazon Lex באמצעות מקורות הנתונים של החברה שלך. בנוסף, נדגים גם אינטגרציה של Amazon Lex עם LlamaIndex, שהיא מסגרת נתונים בקוד פתוח המספקת גמישות של מקור ידע ופורמט למפתח הבוט. ככל שמפתחי בוט צוברים ביטחון בשימוש ב-LlamaIndex כדי לחקור אינטגרציה של LLM, הם יכולים להרחיב את יכולת Amazon Lex. הם יכולים גם להשתמש בשירותי חיפוש ארגוניים כגון אמזון קנדרה, המשולב באופן טבעי עם Amazon Lex.
בפתרון זה, אנו מציגים את היישום המעשי של צ'אטבוט של Amazon Lex עם שיפור RAG מבוסס LLM. אנו משתמשים ב- מקרה שימוש לתמיכת לקוחות של Zappos כדוגמה להדגמת יעילותו של פתרון זה, שלוקח את המשתמש דרך חוויית שאלות נפוצות משופרת (עם LLM), במקום להפנות אותו ל-fallback (ברירת מחדל, ללא LLM).
סקירת פתרונות
RAG משלבת את החוזקות של גישות מסורתיות מבוססות-שליפה ומבוססות בינה מלאכותית למערכות שאלות ותשובות. מתודולוגיה זו רותמת את הכוח של מודלים שפה גדולים, כגון אמזון טיטאן או מודלים של קוד פתוח (לדוגמה, Falcon), לביצוע משימות יצירתיות במערכות אחזור. זה גם לוקח בחשבון את ההקשר הסמנטי ממסמכים מאוחסנים בצורה יעילה ויעילה יותר.
RAG מתחיל בשלב אחזור ראשוני לאחזור מסמכים רלוונטיים מאוסף על סמך שאילתת המשתמש. לאחר מכן הוא משתמש במודל שפה כדי ליצור תגובה על ידי התחשבות הן במסמכים שאוחזרו והן בשאילתה המקורית. על ידי שילוב RAG באמזון לקס, אנו יכולים לספק תשובות מדויקות ומקיפות לשאילתות משתמשים, וכתוצאה מכך חווית משתמש מרתקת ומשביעה יותר.
גישת RAG מחייבת בליעת מסמכים כך הטבעות ניתן ליצור כדי לאפשר חיפוש מבוסס LLM. התרשים הבא מראה כיצד תהליך ההטמעה יוצר את ההטמעות המשמשות לאחר מכן את הצ'אטבוט במהלך החזרה כדי לענות על שאלת הלקוח.
עם ארכיטקטורת פתרון זו, עליך לבחור את ה-LLM המתאים ביותר למקרה השימוש שלך. הוא גם מספק בחירה של נקודת קצה בין Amazon Bedrock (בתצוגה מקדימה מוגבלת) לבין דגמים המתארחים ב-Amazon SageMaker JumpStart, ומציעים גמישות נוספת של LLM.
המסמך מועלה ל- an שירות אחסון פשוט של אמזון דלי (Amazon S3). לדלי ה-S3 מצורף מאזין לאירועים המעורר א AWS למבדה פונקציה על שינויים בדלי. מאזין האירועים בולע את המסמך החדש ומניח את ההטמעות בדלי S3 אחר. לאחר מכן, ההטמעות משמשות את יישום ה-RAG בבוט Amazon Lex במהלך כוונת החזרה כדי לענות על שאלת הלקוח. התרשים הבא מציג את הארכיטקטורה של האופן שבו ניתן לשפר בוט שאלות נפוצות בתוך Lex עם LLMs ו-RAG.
בואו נחקור כיצד נוכל לשלב את RAG המבוסס על LlamaIndex בבוט של Amazon Lex. אנו מספקים דוגמאות קוד ו- ערכת פיתוח ענן AWS (AWS CDK) ייבוא כדי לסייע לך בהגדרת האינטגרציה. אתה יכול למצוא את דוגמאות הקוד אצלנו מאגר GitHub. הסעיפים הבאים מספקים מדריך שלב אחר שלב שיעזור לך להגדיר את הסביבה ולפרוס את המשאבים הדרושים.
איך RAG עובד עם אמזון לקס
הזרימה של RAG כוללת תהליך איטרטיבי שבו רכיב הרטריבר מחזיר קטעים רלוונטיים, השאלה והקטעים מסייעים בבניית ההנחיה, ורכיב היצירה מייצר תגובה. שילוב זה של טכניקות אחזור ויצירת מאפשר למודל RAG לנצל את היתרונות של שתי הגישות, לספק תשובות מדויקות ומתאימות מבחינה הקשרית לשאלות המשתמש. זרימת העבודה מספקת את היכולות הבאות:
- מנוע רטריבר – מודל RAG מתחיל ברכיב רטריבר האחראי על שליפת מסמכים רלוונטיים מקורפוס גדול. רכיב זה משתמש בדרך כלל בטכניקת אחזור מידע כמו TF-IDF או BM25 כדי לדרג ולבחור מסמכים שסביר שיכילו את התשובה לשאלה נתונה. הרטריבר סורק את קורפוס המסמך ומחזיר סט של קטעים רלוונטיים.
- עוזר מהיר – לאחר שהרטריבר זיהה את הקטעים הרלוונטיים, מודל RAG עובר ליצירה מהירה. ההנחיה היא שילוב של השאלה והקטעים שאוחזרו, המשמשת כהקשר נוסף להנחיה, המשמשת כקלט לרכיב המחולל. כדי ליצור את ההנחיה, המודל בדרך כלל מגדיל את השאלה עם הקטעים שנבחרו בפורמט מסוים.
- יצירת תגובה – ההנחיה, המורכבת מהשאלה וקטעים רלוונטיים, מוזנת לרכיב הדור של מודל RAG. רכיב הדור הוא בדרך כלל מודל שפה המסוגל להנמק דרך ההנחיה כדי ליצור תגובה קוהרנטית ורלוונטית.
- תגובה סופית – לבסוף, מודל RAG בוחר את התשובה בעלת הדירוג הגבוה ביותר בתור הפלט ומציג אותה כתגובה לשאלה המקורית. ניתן לעבד את התשובה שנבחרה לאחר עיבוד נוסף או לעצב לפי הצורך לפני החזרה למשתמש. בנוסף, הפתרון מאפשר סינון של התגובה שנוצרה אם תוצאות האחזור מניבות ציון ביטחון נמוך, מה שמרמז שהיא כנראה נופלת מחוץ להתפלגות (OOD).
LlamaIndex: מסגרת נתונים בקוד פתוח עבור יישומים מבוססי LLM
בפוסט זה, אנו מדגימים את פתרון RAG המבוסס על LlamaIndex. LlamaIndex היא מסגרת נתונים בקוד פתוח שתוכננה במיוחד כדי להקל על יישומים מבוססי LLM. הוא מציע פתרון חזק וניתן להרחבה לניהול איסוף מסמכים בפורמטים שונים. עם LlamaIndex, מפתחי בוטים מוסמכים לשלב ללא מאמץ יכולות QA (תשובה לשאלות) מבוססות LLM ביישומים שלהם, תוך ביטול המורכבות הקשורה בניהול פתרונות המיועדים לאוספי מסמכים בקנה מידה גדול. יתר על כן, גישה זו מוכיחה כי היא חסכונית עבור מאגרי מסמכים בגודל קטן יותר.
תנאים מוקדמים
אתה צריך להיות בעל הדרישות המוקדמות הבאות:
הגדר את סביבת הפיתוח שלך
הדרישות העיקריות לחבילת צד שלישי הן llama_index ו סייגמייקר sdk. בצע את הפקודות שצוינו ב- שלנו README של מאגר GitHub כדי להגדיר את הסביבה שלך כראוי.
פרוס את המשאבים הנדרשים
שלב זה כולל יצירת בוט של Amazon Lex, דלי S3 ונקודת קצה של SageMaker. בנוסף, עליך לבצע Dockerize את הקוד בספריית התמונות של Docker ולדחוף את התמונות אל מרשם מיכל אלסטי של אמזון (Amazon ECR) כדי שיוכל לרוץ בלמבדה. בצע את הפקודות שצוינו ב- שלנו README של מאגר GitHub לפרוס את השירותים.
במהלך שלב זה, אנו מדגימים אירוח LLM באמצעות SageMaker מיכלי למידה עמוקה. התאם את ההגדרות בהתאם לצרכי החישוב שלך:
- מספר סימוכין – כדי למצוא דגם העונה על הדרישות שלך, תוכל לחקור משאבים כמו מרכז המודלים של Hugging Face. הוא מציע מגוון דגמים כגון פלקון 7B or Flan-T5-XXL. בנוסף, תוכל למצוא מידע מפורט על ארכיטקטורות מודלים נתמכות רשמית שונות, שיעזור לך לקבל החלטה מושכלת. למידע נוסף על סוגי דגמים שונים, עיין ב ארכיטקטורות אופטימליות.
- נקודת קצה של מסקנות מודל – הגדר את הנתיב של המודל (לדוגמה, Falcon 7B), בחר את סוג המופע שלך (לדוגמה, g5.4xlarge), והשתמש בקוונטיזציה (לדוגמה, קוונטיזציה int-8).הערות: פתרון זה מספק לך את הגמישות לבחור נקודת קצה אחרת להסקת מודל. אתה יכול גם להשתמש סלע אמזון, המספק גישה ל-LLMs אחרים כגון אמזון טיטאןהערה: פתרון זה מספק לך את הגמישות לבחור נקודת קצה אחרת להסקת מודל. אתה יכול גם להשתמש ב- Amazon Bedrock, המספקת גישה ל-LLMs אחרים כגון Amazon Titan.
הגדר את אינדקס המסמכים שלך באמצעות LlamaIndex
כדי להגדיר את אינדקס המסמכים שלך, תחילה העלה את נתוני המסמך שלך. אנו מניחים שיש לך את המקור לתוכן השאלות הנפוצות שלך, כגון קובץ PDF או טקסט.
לאחר העלאת נתוני המסמך, מערכת LlamaIndex תתחיל אוטומטית את תהליך יצירת אינדקס המסמכים. משימה זו מבוצעת על ידי פונקציית Lambda, אשר יוצרת את האינדקס ושומרת אותו בדלי S3.
כדי לאפשר שליפה יעילה של מידע רלוונטי, הגדר את משחזר המסמכים באמצעות מנוע השאילתות של LlamaIndex Retriever. מנוע זה מציע מספר אפשרויות התאמה אישית, כגון הבאות:
- הטמעת דגמים - אתה יכול לבחור את דגם ההטמעה שלך, כגון הטבעת פנים מחבקת.
- חתך ביטחון – ציין סף חיתוך ביטחון כדי לקבוע את איכות תוצאות האחזור. אם ציון הביטחון יורד מתחת לסף זה, תוכל לבחור לספק תגובות מחוץ לתחום, המצביעות על כך שהשאילתה היא מעבר להיקף המסמכים שנוספו לאינדקס.
בדוק את האינטגרציה
הגדר את הגדרת הבוט שלך עם כוונה חוזרת והשתמש בקונסולת Amazon Lex כדי לבדוק את בקשות השאלות הנפוצות שלך. לפרטים נוספים, אנא עיין ב מאגר GitHub. צילום המסך הבא מציג שיחה לדוגמה עם הבוט.
טיפים לשיפור יעילות הבוט שלך
הטיפים הבאים עשויים לשפר עוד יותר את היעילות של הבוט שלך:
- אחסון אינדקס - אחסן את האינדקס שלך בדלי S3 או שירות עם יכולות מסד נתונים וקטוריות כגון Amazon OpenSearch. על ידי שימוש בפתרונות אחסון מבוססי ענן, אתה יכול לשפר את הנגישות והמדרגיות של האינדקס שלך, מה שמוביל לזמני אחזור מהירים יותר ולשיפור הביצועים הכוללים. כמו כן, עיין ב לכתוב בלוג זה עבור בוט אמזון לקס שמשתמש ב- אמזון קנדרה פתרון חיפוש.
- אופטימיזציה של אחזור – ניסוי בגדלים שונים של דגמי הטבעה עבור הרטריבר. הבחירה במודל ההטמעה יכולה להשפיע באופן משמעותי על דרישות הקלט של ה-LLM שלך. מציאת האיזון האופטימלי בין גודל הדגם וביצועי השליפה יכולה לגרום ליעילות משופרת וזמני תגובה מהירים יותר.
- הנדסה מהירה - נסה עם פורמטים, אורכים וסגנונות שונים כדי לייעל את הביצועים והאיכות של התשובות של הבוט שלך.
- בחירת דגמי LLM - בחר את דגם ה-LLM המתאים ביותר למקרה השימוש הספציפי שלך. שקול גורמים כגון גודל הדגם, יכולות השפה ותאימות לדרישות היישום שלך. בחירה במודל LLM הנכון מבטיחה ביצועים מיטביים וניצול יעיל של משאבי המערכת.
שיחות מרכז קשר יכולות להשתרע משירות עצמי לאינטראקציה אנושית חיה. למקרי שימוש הכוללים אינטראקציות בין אדם לאדם דרך Amazon Connect, אתה יכול להשתמש חכמה כדי לחפש ולמצוא תוכן על פני מאגרים מרובים, כגון שאלות נפוצות (שאלות נפוצות), וויקי, מאמרים והוראות שלב אחר שלב לטיפול בבעיות שונות של לקוחות.
לנקות את
כדי להימנע מהוצאות עתידיות, המשך למחיקת כל המשאבים שנפרסו כחלק מתרגיל זה. סיפקנו סקריפט כדי לסגור את נקודת הקצה של SageMaker בחן. פרטי השימוש נמצאים ב-README. בנוסף, כדי להסיר את כל המשאבים האחרים שאתה יכול להפעיל cdk destroy
באותה ספרייה כמו פקודות cdk האחרות כדי לבטל את התצורה של כל המשאבים בערימה שלך.
<br> סיכום
פוסט זה דן בשלבים הבאים לשיפור Amazon Lex עם תכונות QA מבוססות LLM תוך שימוש באסטרטגיית RAG ו-LlamaIndex:
- התקן את התלות הדרושות, כולל ספריות LlamaIndex
- הגדר אירוח מודל באמצעות Amazon SageMaker או Amazon Bedrock (בתצוגה מקדימה מוגבלת)
- הגדר את LlamaIndex על ידי יצירת אינדקס ומילויו במסמכים רלוונטיים
- שלב RAG באמזון לקס על ידי שינוי התצורה והגדרת RAG לשימוש ב-LlamaIndex עבור אחזור מסמכים
- בדוק את האינטגרציה על ידי השתתפות בשיחות עם הצ'אט בוט ותצפית על שליפתו ויצירת תגובות מדויקות
על ידי ביצוע שלבים אלה, אתה יכול לשלב בצורה חלקה יכולות QA חזקות מבוססות LLM ואינדקס יעיל של מסמכים בצ'אטבוט של Amazon Lex שלך, וכתוצאה מכך אינטראקציות מדויקות יותר, מקיפות יותר ומודעות להקשר עם משתמשים. כהמשך, אנו מזמינים אותך גם לסקור את שלנו הפוסט הבא בבלוג, אשר בוחן את שיפור חוויית השאלות הנפוצות של Amazon Lex באמצעות הטמעת כתובות אתרים ו-LLMs.
על המחברים
מקס הנקל-וואלאס הוא מהנדס פיתוח תוכנה ב-AWS Lex. הוא נהנה לעבוד במינוף טכנולוגיה כדי למקסם את הצלחת הלקוח. מחוץ לעבודה הוא נלהב מבישול, בילוי עם חברים ותרמילאות.
סונג פנג הוא מדען יישומי בכיר במעבדות AWS AI, המתמחה בעיבוד שפה טבעית ובינה מלאכותית. המחקר שלה בוחן היבטים שונים של תחומים אלה, לרבות מודלים של דיאלוגים מבוססי מסמך, הנמקה לדיאלוגים מוכווני משימות ויצירת טקסט אינטראקטיבי באמצעות נתונים רב-מודאליים.
Saket Saurabh הוא מהנדס עם צוות AWS Lex. הוא עובד על שיפור חוויית המפתחים של Lex כדי לעזור למפתחים לבנות יותר צ'אט בוטים דמויי אדם. מחוץ לעבודה, הוא נהנה לטייל, לגלות מאכלים מגוונים וללמוד על תרבויות שונות.
- 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. רכב / רכבים חשמליים, פחמן, קלינטק, אנרגיה, סביבה, שמש, ניהול פסולת. גישה כאן.
- BlockOffsets. מודרניזציה של בעלות על קיזוז סביבתי. גישה כאן.
- מקור: https://aws.amazon.com/blogs/machine-learning/enhance-amazon-lex-with-conversational-faq-features-using-llms/
- :יש ל
- :הוא
- :איפה
- $ למעלה
- 100
- 20
- שנים 20
- a
- יכולת
- אודות
- גישה
- נגישות
- פי
- חֶשְׁבּוֹן
- מדויק
- לרוחב
- תוספת
- נוסף
- בנוסף
- יתרון
- לאחר
- סוכנים
- AI
- תעשיות
- מאפשר
- גם
- אמזון בעברית
- אמזון לקס
- אמזון SageMaker
- אמזון SageMaker JumpStart
- אמזון שירותי אינטרנט
- an
- ו
- הודיע
- אחר
- לענות
- תשובות
- צפוי
- בקשה
- יישומים
- יישומית
- גישה
- גישות
- מתאים
- ארכיטקטורה
- ARE
- מאמרים
- מלאכותי
- בינה מלאכותית
- AS
- שאל
- היבטים
- לעזור
- המשויך
- לְהַנִיחַ
- At
- מְצוֹרָף
- מוגבר
- באופן אוטומטי
- לְהִמָנַע
- מודע
- AWS
- איזון
- מבוסס
- BE
- היה
- לפני
- להיות
- להלן
- הטבות
- בֵּין
- מעבר
- בלוג
- לְהַגבִּיר
- בוט
- שניהם
- בוטים
- לִבנוֹת
- עסקים
- אבל
- by
- CAN
- יכולות
- יכולת
- מסוגל
- מקרה
- מקרים
- מרכז
- האתגרים
- שינויים
- chatbot
- בחירה
- בחרו
- בחירה
- ענן
- קוד
- קוהרנטי
- אוסף
- אוספים
- שילוב
- משלב
- חברה
- תאימות
- משכנע
- מורכב
- מורכבות
- רְכִיב
- מַקִיף
- חישוב
- אמון
- תְצוּרָה
- לְחַבֵּר
- לשקול
- בהתחשב
- מורכב
- קונסול
- לבנות
- מכולה
- תוכן
- הקשר
- קשר
- שיחה
- שיחה
- שיחות
- בישול
- עלות תועלת
- יכול
- זוג
- כיסוי
- לִיצוֹר
- נוצר
- יוצר
- יוצרים
- יצירה
- לקוח
- הצלחת הלקוח
- שירות לקוחות
- לקוחות
- התאמה אישית
- נתונים
- מסד נתונים
- החלטה
- בְּרִירַת מֶחדָל
- לְהַגדִיר
- הגדרה
- למסור
- אספקה
- דמוקרטיזציה
- להפגין
- לפרוס
- פרס
- מעוצב
- מְפוֹרָט
- פרטים
- לקבוע
- מפתח
- מפתחים
- צעצועי התפתחות
- דיאלוג
- אחר
- קשה
- בימוי
- מגלה
- נָדוֹן
- הפצה
- שונה
- do
- סַוָר
- מסמך
- מסמכים
- מטה
- מונע
- בְּמַהֲלָך
- בקלות
- אפקטיבי
- יעילות
- יְעִילוּת
- יְעִילוּת
- יעיל
- יעילות
- ללא מאמץ
- חיסול
- הטבעה
- מעסיקה
- רשאי
- לאפשר
- מאפשר
- נקודת קצה
- מרתק
- מנוע
- מהנדס
- להגביר את
- משופר
- שיפור
- מבטיח
- מִפְעָל
- חיפוש ארגוני
- חברות
- סביבה
- Ether (ETH)
- אירוע
- דוגמה
- דוגמאות
- תרגיל
- הוצאות
- ניסיון
- חוויות
- לְנַסוֹת
- לחקור
- חוקר
- פָּנִים
- לְהַקֵל
- גורמים
- בז
- פולס
- מוכר
- שאלות נפוצות
- מהר יותר
- תכונות
- הפד
- שדות
- שלח
- סינון
- בסופו של דבר
- מציאת
- ראשון
- גמישות
- תזרים
- להתמקד
- לעקוב
- הבא
- בעד
- פוּרמָט
- מסגרת
- בתדירות גבוהה
- חברים
- החל מ-
- פונקציה
- נוסף
- יתר על כן
- עתיד
- רווחים
- ליצור
- נוצר
- מייצר
- דור
- גנרטטיבית
- AI Generative
- גנרטור
- מקבל
- נתן
- מדריך
- טיפול
- יש
- he
- לעזור
- עזרה
- עוזר
- לה
- הסטורי
- אירח
- אירוח
- איך
- HTML
- http
- HTTPS
- טבור
- בן אנוש
- מזוהה
- if
- תמונה
- תמונות
- פְּגִיעָה
- הפעלה
- לייבא
- לשפר
- משופר
- שיפור
- in
- כולל
- בע"מ
- באופן עצמאי
- מדד
- -
- המציין
- מידע
- הודעה
- בתחילה
- ליזום
- קלט
- למשל
- הוראות
- לשלב
- משולב
- שילוב
- השתלבות
- מוֹדִיעִין
- כוונה
- אינטראקציה
- יחסי גומלין
- אינטראקטיבי
- אל תוך
- מציג
- להזמין
- מעורר
- כרוך
- מעורב
- בעיות
- IT
- שֶׁלָה
- jpg
- ידע
- מעבדות
- שפה
- גָדוֹל
- בקנה מידה גדול
- מוביל
- לִלמוֹד
- למידה
- ממונפות
- מינוף
- כמו
- סביר
- מוגבל
- מאזין
- לחיות
- נמוך
- מכונה
- למידת מכונה
- ראשי
- לעשות
- עשייה
- ניהול
- רב
- לְהַגדִיל
- פוגשת
- מֵתוֹדוֹלוֹגִיָה
- שיטות
- ML
- מודל
- דוגמנות
- מודלים
- יותר
- רוב
- מהלכים
- מספר
- טבעי
- שפה טבעית
- עיבוד שפה טבעית
- הבנת שפה טבעית
- הכרחי
- צורך
- צרכי
- חדש
- הבא
- nlu
- הערות
- התבוננות
- of
- מוצע
- הצעה
- המיוחדות שלנו
- רשמית
- on
- ONE
- קוד פתוח
- אופטימלי
- מטב
- אפשרויות
- or
- מְקוֹרִי
- אחר
- שלנו
- תפוקה
- בחוץ
- יותר
- מקיף
- חבילה
- חלק
- לוהט
- נתיב
- לבצע
- ביצועים
- ביצעתי
- מקומות
- אפלטון
- מודיעין אפלטון
- אפלטון נתונים
- אנא
- הודעה
- פוטנציאל
- כּוֹחַ
- חזק
- מעשי
- תנאים מוקדמים
- מתנות
- תצוגה מקדימה
- בעיות
- תהליך
- תהליך
- ייצור
- כמו שצריך
- מוכיח
- לספק
- ובלבד
- מספק
- מתן
- דחוף
- פיתון
- שאלות ותשובות
- איכות
- שאילתות
- שאלה
- שאלות
- מהירות
- רכס
- לדרג
- במקום
- לאחרונה
- קָשׁוּר
- רלוונטי
- להסיר
- בקשות
- לדרוש
- נדרש
- דרישות
- דורש
- מחקר
- משאבים
- תגובה
- תגובות
- אחראי
- תוצאה
- וכתוצאה מכך
- תוצאות
- סקירה
- תקין
- חָסוֹן
- הפעלה
- s
- בעל חכמים
- אותו
- בקרת מערכות ותקשורת
- להרחבה
- סולם
- סריקות
- מַדְעָן
- היקף
- ציון
- בצורה חלקה
- חיפוש
- שְׁנִיָה
- סעיפים
- נבחר
- שירות עצמי
- לחצני מצוקה לפנסיונרים
- שרות
- שירותים
- הגשה
- סט
- הצבה
- הגדרות
- כמה
- צריך
- ראווה
- הופעות
- כבה
- באופן משמעותי
- פָּשׁוּט
- מידה
- גדל
- So
- תוכנה
- פיתוח תוכנה
- פִּתָרוֹן
- פתרונות
- לפתור
- מָקוֹר
- מקורות
- משך
- מתמחה
- ספציפי
- במיוחד
- מפורט
- הוצאה
- לערום
- החל
- התחלות
- שלב
- צעדים
- אחסון
- חנות
- מאוחסן
- אִסטרָטֶגִיָה
- חוזק
- הצלחה
- כזה
- מַתְאִים
- תמיכה
- נתמך
- מערכת
- מערכות
- מותאם
- לקחת
- לוקח
- המשימות
- משימות
- נבחרת
- טכניקות
- טכנולוגיה
- מבחן
- דור טקסט
- מֵאֲשֶׁר
- זֶה
- השמיים
- המקור
- שֶׁלָהֶם
- אותם
- אז
- בכך
- אלה
- הֵם
- צד שלישי
- זֶה
- סף
- דרך
- זמן
- פִּי
- טיפים
- עֲנָק
- ל
- היום
- כלים
- מסורתי
- הפיכה
- נסיעה
- סוג
- סוגים
- בדרך כלל
- הבנה
- נטען
- כתובת האתר
- נוֹהָג
- להשתמש
- במקרה להשתמש
- מְשׁוּמָשׁ
- משתמש
- חוויית משתמש
- משתמשים
- שימושים
- באמצעות
- בְּדֶרֶך כְּלַל
- מנצל
- ניצול
- מגוון
- שונים
- באמצעות
- וירטואלי
- קול
- דֶרֶך..
- דרכים
- we
- אינטרנט
- שירותי אינטרנט
- היו
- מתי
- אשר
- רָחָב
- טווח רחב
- יצטרך
- עם
- בתוך
- לְלֹא
- תיק עבודות
- זרימת עבודה
- עובד
- עובד
- שנים
- תשואות
- אתה
- זפירנט