Generativ AI får mye offentlig oppmerksomhet for tiden, med snakk om produkter som GPT4, ChatGPT, DALL-E2, Bard og mange andre AI-teknologier. Mange kunder har bedt om mer informasjon om AWS sine generative AI-løsninger. Målet med dette innlegget er å møte disse behovene.
Dette innlegget gir en oversikt over generativ AI med en reell kundetilfelle, gir en kortfattet beskrivelse og skisserer fordelene, refererer til en lett-å-følge demo av AWS DeepComposer for å lage nye musikalske komposisjoner, og skisserer hvordan du kommer i gang med å bruke Amazon SageMaker JumpStart for distribusjon av GPT2, Stable Diffusion 2.0 og andre generative AI-modeller.
Generativ AI-oversikt
Generativ AI er et spesifikt felt innen kunstig intelligens som fokuserer på å generere nytt materiale. Det er et av de mest spennende feltene i AI-verdenen, med potensial til å transformere eksisterende virksomheter og la helt nye forretningsideer komme til markedet. Du kan bruke generative teknikker for:
- Lage nye kunstverk ved å bruke en modell som Stable Diffusion 2.0
- Skrive en bestselgende bok med en modell som GPT2, Bloom eller Flan-T5-XL
- Komponer din neste symfoni ved hjelp av Transformers-teknikken i AWS DeepComposer
AWS DeepComposer er et pedagogisk verktøy som hjelper deg å forstå nøkkelbegrepene knyttet til maskinlæring (ML) gjennom språket i musikalsk komposisjon. For å lære mer, se Generer et jazzrockspor ved hjelp av Generative Artificial Intelligence.
Stable Diffusion, GPT2, Bloom og Flan-T5-XL er alle ML-modeller. De er ganske enkelt matematiske algoritmer som må trenes for å identifisere mønstre i data. Etter at mønstrene er lært, distribueres de til endepunkter, klare for en prosess kjent som inferens. Nye data som modellen ikke har sett mates inn i slutningsmodellen, og nytt kreativt materiale produseres.
For eksempel, med bildegenereringsmodeller som Stable Diffusion, kan vi lage fantastiske illustrasjoner ved å bruke noen få ord. Med tekstgenereringsmodeller som GPT2, Bloom og Flan-T5-XL kan vi generere nye litterære artikler, og potensielt bøker, fra en enkel menneskelig setning.
Autodesk er en AWS-kunde som bruker Amazon SageMaker for å hjelpe produktdesignerne deres med å sortere gjennom tusenvis av iterasjoner av visuelle design for ulike brukstilfeller og bruke ML for å hjelpe til med å velge det optimale designet. Spesielt har de jobbet med Edera Safety for å hjelpe med å utvikle en ryggmargsbeskyttelse som beskytter ryttere mot ulykker mens de deltar i sportsbegivenheter, for eksempel terrengsykling. For mer informasjon, sjekk ut videoen AWS Machine Learning muliggjør designoptimalisering.
For å lære mer om hva AWS-kunder gjør med generativ AI og mote, se Virtuell motestyling med generativ AI ved hjelp av Amazon SageMaker.
Nå som vi forstår hva generativ AI handler om, la oss hoppe inn i en JumpStart-demonstrasjon for å lære hvordan du genererer ny tekst eller bilder med AI.
Forutsetninger
Amazon SageMaker Studio er det integrerte utviklingsmiljøet (IDE) i SageMaker som gir oss alle ML-funksjonene vi trenger i én enkelt glassrute. Før vi kan kjøre JumpStart, må vi sette opp Studio. Du kan hoppe over dette trinnet hvis du allerede har din egen versjon av Studio kjørende.
Det første vi må gjøre før vi kan bruke noen AWS-tjenester er å sørge for at vi har registrert oss for og opprettet en AWS-konto. Neste er å opprette en administrativ bruker og en gruppe. For instruksjoner om begge trinn, se Sett opp Amazon SageMaker-forutsetninger.
Det neste trinnet er å opprette et SageMaker-domene. Et domene setter opp all lagring og lar deg legge til brukere for å få tilgang til SageMaker. For mer informasjon, se Ombord på Amazon SageMaker Domain. Denne demoen er laget i AWS-regionen us-east-1
.
Til slutt starter du Studio. For dette innlegget anbefaler vi å starte en brukerprofilapp. For instruksjoner, se Start Amazon SageMaker Studio.
Velg en JumpStart-løsning
Nå kommer vi til den spennende delen. Du bør nå være logget på Studio, og se en side som ligner på følgende skjermbilde.
I navigasjonsruten under SageMaker JumpStart, velg Modeller, notatbøker, løsninger.
Du blir presentert med en rekke løsninger, grunnmodeller og andre artefakter som kan hjelpe deg med å komme i gang med en spesifikk modell eller et spesifikt forretningsproblem eller brukscase.
Hvis du vil eksperimentere i et bestemt område, kan du bruke søkefunksjonen. Eller du kan ganske enkelt bla gjennom artefaktene for å finne den relevante modellen eller forretningsløsningen for dine behov.
Hvis du for eksempel er interessert i svindeloppdagingsløsninger, skriv inn svindeloppdagelse i søkefeltet.
Hvis du er interessert i tekstgenereringsløsninger, skriv inn tekstgenerering i søkefeltet. Et godt sted å begynne hvis du vil utforske en rekke tekstgenereringsmodeller, er å velge Intro to JS – Text Generation notatbok.
La oss dykke ned i en spesifikk demonstrasjon av GPT-2-modellen.
JumpStart GPT-2 modell demo
GPT 2 er en språkmodell som bidrar til å generere menneskelignende tekst basert på en gitt ledetekst. Vi kan bruke denne typen transformatormodeller til å lage nye setninger og hjelpe oss med å automatisere skriving. Dette kan brukes til å lage innhold som blogger, innlegg i sosiale medier og bøker.
GPT 2-modellen er en del av Generative Pre-Trained Transformer-familien som var forgjengeren til GPT 3. I skrivende stund er GPT 3 brukt som grunnlaget for OpenAI ChatGPT-applikasjonen.
For å begynne å utforske GPT-2-modelldemoen i JumpStart, fullfør følgende trinn:
- På JumpStart, søk etter og velg GPT2.
- på Distribuer Modell seksjon, utvide Implementeringskonfigurasjon.
- Til SageMaker vertsinstans, velg din forekomst (for dette innlegget bruker vi ml.c5.2xlarge).
Ulike maskintyper har ulike prispunkter knyttet. I skrivende stund påløper ml.c5.2xlarge som vi valgte under $0.50 per time. For de mest oppdaterte prisene, se Amazon SageMaker-priser.
- Til Endepunktnavn, skriv inn demo-hf-textgeneration-gpt2.
- Velg Distribuer.
Vent til ML-endepunktet distribueres (opptil 15 minutter).
- Når endepunktet er distribuert, velg Åpne Notebook.
Du vil se en side som ligner på følgende skjermbilde.
Dokumentet vi bruker for å vise frem demonstrasjonen vår, er en Jupyter-notisbok, som inneholder all nødvendig Python-kode. Vær oppmerksom på at koden i dette skjermbildet kan være litt annerledes enn koden du har, fordi AWS kontinuerlig oppdaterer disse notatbøkene og sørger for at de er sikre, er fri for defekter og gir den beste kundeopplevelsen.
- Klikk inn i den første cellen og velg Ctrl + Enter for å kjøre kodeblokken.
En stjerne (*) vises til venstre for kodeblokken og blir deretter til et tall. Stjernen indikerer at koden kjører og er komplett når nummeret vises.
- I neste kodeblokk, skriv inn litt eksempeltekst, og trykk deretter Ctrl + Enter.
- Velg Ctrl + Enter i den tredje kodeblokken for å kjøre den.
Etter ca. 30-60 sekunder vil du se slutningsresultatene dine.
For inndatateksten "Once upon a time there were 18 sandwiches,
" får vi følgende genererte tekst:
For inndatateksten "And for the final time Peter said to Mary,
" får vi følgende genererte tekst:
Du kan eksperimentere med å kjøre denne tredje kodeblokken flere ganger, og du vil legge merke til at modellen gir forskjellige spådommer hver gang.
For å skreddersy utdataene ved å bruke noen av de avanserte funksjonene, rull ned for å eksperimentere i den fjerde kodeblokken.
For å lære mer om tekstgenereringsmodeller, se Kjør tekstgenerering med Bloom- og GPT-modeller på Amazon SageMaker JumpStart.
Rydd opp i ressursene
Før vi går videre, ikke glem å slette endepunktet når du er ferdig. På forrige fane, under Slett endepunkt, velg Delete.
Hvis du ved et uhell har lukket denne notatboken, kan du også slette endepunktet ditt via SageMaker-konsollen. Under slutning Velg navigasjonsruten endepunkter.
Velg endepunktet du brukte og på handlinger meny, velg Delete.
Nå som vi forstår hvordan vi bruker vår første JumpStart-løsning, la oss se på å bruke en stabil diffusjonsmodell.
JumpStart Stable Diffusion modell demo
Vi kan bruke Stable Diffusion 2-modellen til å generere bilder fra en enkel tekstlinje. Dette kan brukes til å generere innhold for ting som innlegg i sosiale medier, reklamemateriell, albumomslag eller alt som krever kreativ kunst.
- Gå tilbake til JumpStart, søk etter og velg Stabil diffusjon 2.
- på Distribuer Modell seksjon, utvide Implementeringskonfigurasjon.
- Til SageMaker vertsinstans, velg din forekomst (for dette innlegget bruker vi ml.g5.2xlarge).
- Til Endepunktnavn, Tast inn
demo-stabilityai-stable-diffusion-v2
. - Velg Distribuer.
Fordi dette er en større modell, kan det ta opptil 25 minutter å distribuere. Når den er klar, vises endepunktstatusen som I tjeneste.
- Velg Åpne Notebook for å åpne en Jupyter-notisbok med Python-kode.
- Kjør den første og andre kodeblokken.
- I den tredje kodeblokken endrer du tekstmeldingen, og kjør deretter cellen.
Vent ca. 30–60 sekunder til bildet ditt vises. Følgende bilde er basert på eksempelteksten vår.
Igjen kan du leke med de avanserte funksjonene i neste kodeblokk. Bildet det skaper er forskjellig hver gang.
Rydd opp i ressursene
Igjen, ikke glem å slette endepunktet ditt. Denne gangen bruker vi ml.g5.2xlarge, så det medfører litt høyere kostnader enn før. I skrivende stund var det litt over $1 per time.
Til slutt, la oss gå til AWS DeepComposer.
AWS DeepComposer
AWS DeepComposer er en fin måte å lære om generativ AI. Den lar deg bruke innebygde melodier i modellene dine for å generere nye former for musikk. Modellen du bruker bestemmer hvordan inngangsmelodien transformeres.
Hvis du er vant til å delta i AWS Deep Racer dager for å hjelpe de ansatte med å lære om læring etter håndheving, vurder å utvide og forbedre dagen med AWS DeepComposer for å lære om generativ AI.
For en detaljert forklaring og lett å følge demonstrasjon av tre av modellene i dette innlegget, se Generer et jazzrockspor ved hjelp av Generative Artificial Intelligence.
Sjekk ut følgende kule eksempler lastet opp til SoundCloud ved hjelp av AWS DeepComposer.
Vi vil gjerne se eksperimentene dine, så ta gjerne kontakt via sosiale medier (@digitalcolmer) og del dine erfaringer og eksperimenter.
konklusjonen
I dette innlegget snakket vi om definisjonen av generativ AI, illustrert av en AWS-kundehistorie. Vi gikk deretter gjennom hvordan du kommer i gang med Studio og JumpStart, og viste deg hvordan du kommer i gang med GPT 2 og Stable Diffusion-modeller. Vi avsluttet med en kort oversikt over AWS DeepComposer.
For å utforske JumpStart mer, prøv å bruke dine egne data til å finjustere en eksisterende modell. For mer informasjon, se Inkrementell trening med Amazon SageMaker JumpStart. For informasjon om finjustering av stabile diffusjonsmodeller, se Finjuster tekst-til-bilde stabile diffusjonsmodeller med Amazon SageMaker JumpStart.
For å lære mer om stabile diffusjonsmodeller, se Generer bilder fra tekst med den stabile diffusjonsmodellen på Amazon SageMaker JumpStart.
Vi dekket ingen informasjon om Flan-T5-XL-modellen, så for å lære mer, se følgende GitHub repo. De Amazon SageMaker Eksempler repo inkluderer også en rekke tilgjengelige notatbøker på GitHub for de forskjellige SageMaker-produktene, inkludert JumpStart, som dekker en rekke forskjellige brukstilfeller.
For å lære mer om AWS ML via en rekke gratis digitale eiendeler, sjekk ut vår AWS Machine Learning Ramp-Up Guide. Du kan også prøve vår gratis ML læringsplan å bygge på din nåværende kunnskap eller ha et klart utgangspunkt. For å ta et instruktørledet kurs anbefaler vi på det sterkeste følgende kurs:
Det er virkelig en spennende tid i AI/ML-området. AWS er her for å støtte din ML-reise, så kontakt oss på sosiale medier. Vi ser frem til å se all din læring, eksperimenter og moro med de ulike ML-tjenestene i løpet av de kommende månedene, og glede oss over muligheten til å være din instruktør på din ML-reise.
om forfatteren
Paul Colmer er en Senior Technical Trainer hos Amazon Web Services som spesialiserer seg på maskinlæring og generativ AI. Hans lidenskap er å hjelpe kunder, partnere og ansatte med å utvikle seg og vokse gjennom overbevisende historiefortelling, delte erfaringer og kunnskapsoverføring. Med over 25 år i IT-bransjen har han spesialisert seg på smidige kulturelle praksiser og maskinlæringsløsninger. Paul er stipendiat ved London College of Music og stipendiat i British Computer Society.
- SEO-drevet innhold og PR-distribusjon. Bli forsterket i dag.
- PlatoAiStream. Web3 Data Intelligence. Kunnskap forsterket. Tilgang her.
- Minting the Future med Adryenn Ashley. Tilgang her.
- Kjøp og selg aksjer i PRE-IPO-selskaper med PREIPO®. Tilgang her.
- kilde: https://aws.amazon.com/blogs/machine-learning/get-started-with-generative-ai-on-aws-using-amazon-sagemaker-jumpstart/
- :er
- :ikke
- $OPP
- 1
- 11
- 15%
- 50
- 500
- 7
- 8
- 9
- 937
- a
- Om oss
- adgang
- ulykker
- Logg inn
- legge til
- adresse
- administrativ
- avansert
- Etter
- smidig
- AI
- AI / ML
- sikte
- Album
- algoritmer
- Alle
- tillate
- tillater
- allerede
- også
- Amazon
- Amazon SageMaker
- Amazon SageMaker JumpStart
- Amazon Web Services
- an
- og
- noen
- hva som helst
- app
- vises
- Søknad
- ER
- AREA
- rundt
- Kunst
- artikler
- kunstig
- kunstig intelligens
- kunstverk
- AS
- Eiendeler
- assosiert
- At
- vedlagte
- oppmerksomhet
- Autodesk
- automatisere
- tilgjengelig
- AWS
- AWS-kunde
- Bar
- basert
- BE
- fordi
- Storfekjøtt
- vært
- før du
- Begynnelsen
- Fordeler
- BEST
- velsignelse
- Blokker
- Blocks
- blogger
- Bloom
- bok
- bøker
- både
- British
- bygge
- innebygd
- virksomhet
- Forretningsidéer
- bedrifter
- men
- by
- CAN
- saken
- saker
- endring
- avgifter
- ChatGPT
- sjekk
- Velg
- fjerne
- stengt
- kode
- Høyskole
- Kom
- kommer
- overbevisende
- fullføre
- helt
- datamaskin
- konsepter
- Koble
- Vurder
- Konsoll
- stadig
- innhold
- innholdsskaping
- kurs
- kurs
- dekke
- dekker
- dekker
- skape
- opprettet
- skaper
- Opprette
- skaperverket
- Kreativ
- kulturell
- Gjeldende
- kunde
- kundeopplevelse
- Kunder
- dato
- dag
- Dager
- Død
- Demo
- utplassere
- utplassert
- utplasserings
- beskrivelse
- utforming
- designere
- design
- detaljert
- Gjenkjenning
- bestemmes
- utvikle
- Utvikling
- forskjellig
- kringkasting
- digitalt
- Digitale eiendeler
- do
- dokument
- gjør
- domene
- ikke
- ned
- hver enkelt
- pedagogisk
- ansatte
- muliggjør
- Omfatter
- Endpoint
- styrke
- Enter
- Miljø
- Eter (ETH)
- hendelser
- Hver
- eksempel
- spennende
- eksisterende
- Expand
- erfaring
- Erfaringer
- eksperiment
- eksperimenter
- forklaring
- utforske
- Utforske
- familie
- Mote
- Egenskaper
- Fed
- føler
- kar
- Noen få
- felt
- Felt
- slutt~~POS=TRUNC
- Finn
- Først
- fokuserer
- etter
- mat
- Til
- skjemaer
- Forward
- Fundament
- fire
- Fjerde
- svindel
- svindeloppdagelse
- Gratis
- fra
- moro
- funksjon
- få
- generere
- generert
- genererer
- generasjonen
- generative
- Generativ AI
- få
- GitHub
- gitt
- glass
- god
- flott
- Gruppe
- Grow
- hånd
- Ha
- he
- hørt
- hjelpe
- hjelpe
- hjelper
- her.
- høyere
- svært
- hans
- Hosting
- time
- Hvordan
- Hvordan
- HTML
- HTTPS
- menneskelig
- Ideer
- identifisere
- if
- bilde
- bildegenerering
- bilder
- in
- inkluderer
- Inkludert
- indikerer
- industri
- informasjon
- inngang
- f.eks
- instruksjoner
- integrert
- Intelligens
- interessert
- inn
- IT
- IT-bransjen
- gjentakelser
- DET ER
- reise
- jpg
- hoppe
- Jupyter Notebook
- bare
- nøkkel
- kunnskap
- kunnskapsoverføring
- kjent
- Språk
- større
- lansere
- lansere
- LÆRE
- lært
- læring
- venstre
- i likhet med
- linje
- levende
- logget
- London
- Se
- Lot
- elsker
- maskin
- maskinlæring
- laget
- gjøre
- GJØR AT
- Making
- mange
- marked
- materiale
- matematiske
- Media
- minutter
- ML
- modell
- modeller
- måneder
- mer
- mest
- fjell
- flytte
- flere
- musikk
- musikal
- navn
- Navigasjon
- nødvendig
- Trenger
- behov
- Ny
- neste
- note
- bærbare
- notatbøker
- Legge merke til..
- nå
- Antall
- of
- on
- ONE
- åpen
- OpenAI
- Opportunity
- optimal
- or
- Annen
- vår
- ut
- skisserer
- produksjon
- enn
- oversikt
- egen
- side
- brød
- del
- deltakende
- Spesielt
- partnere
- lidenskap
- mønstre
- paul
- porsjoner
- Peter
- bilde
- Sted
- plato
- Platon Data Intelligence
- PlatonData
- Spille
- vær så snill
- Point
- poeng
- Post
- innlegg
- potensiell
- potensielt
- praksis
- forgjenger
- Spådommer
- presentere
- presentert
- trykk
- forrige
- pris
- prising
- Problem
- prosess
- produsert
- Produkt
- Produkter
- Profil
- reklame
- gi
- gir
- offentlig
- Python
- område
- heller
- å nå
- klar
- ekte
- anbefaler
- referanser
- region
- relevant
- Krever
- Restaurant
- Resultater
- ryttere
- Rock
- Kjør
- rennende
- Sikkerhet
- sagemaker
- Sa
- SAINT
- bla
- Søk
- Sekund
- sekunder
- Seksjon
- sikre
- se
- se
- sett
- valgt
- senior
- dømme
- tjeneste
- Tjenester
- sett
- sett
- Del
- delt
- bør
- presentere
- Viser
- signert
- lignende
- Enkelt
- ganske enkelt
- enkelt
- litt annerledes
- So
- selskap
- sosiale medier
- Sosiale medier innlegg
- Samfunnet
- løsning
- Solutions
- noen
- Soundcloud
- Rom
- spesialisert
- spesialisert
- spesifikk
- spesielt
- stabil
- Begynn
- startet
- Start
- status
- Trinn
- Steps
- lagring
- Story
- historiefortelling
- studio
- Stunning
- slik
- støtte
- sikker
- Ta
- Snakk
- Teknisk
- teknikker
- Technologies
- tekstgenerering
- enn
- Det
- De
- deres
- deretter
- Der.
- Disse
- de
- ting
- ting
- Tredje
- denne
- De
- tusener
- tre
- Gjennom
- tid
- ganger
- til
- verktøy
- spor
- trent
- Kurs
- overføre
- Transform
- forvandlet
- transformator
- transformers
- virkelig
- snur
- typen
- typer
- etter
- forstå
- up-to-date
- oppdatering
- lastet opp
- upon
- us
- bruke
- bruk sak
- brukt
- Bruker
- Brukere
- ved hjelp av
- ulike
- versjon
- av
- video
- venter
- ønsker
- var
- Vei..
- we
- web
- webtjenester
- var
- Hva
- når
- hvilken
- mens
- HVEM
- vil
- med
- innenfor
- ord
- arbeidet
- virker
- verden
- ville
- Innpakket
- skriving
- år
- du
- Din
- zephyrnet