Generativ AI vinner mycket uppmärksamhet hos allmänheten för närvarande, med prat kring produkter som GPT4, ChatGPT, DALL-E2, Bard och många andra AI-tekniker. Många kunder har bett om mer information om AWS:s generativa AI-lösningar. Syftet med det här inlägget är att möta dessa behov.
Det här inlägget ger en översikt över generativ AI med ett verkligt kundanvändningsfall, ger en kortfattad beskrivning och beskriver dess fördelar, hänvisar till en lätt att följa demo av AWS DeepComposer för att skapa nya musikaliska kompositioner och beskriver hur du kommer igång med användningen Amazon SageMaker JumpStart för att distribuera GPT2, Stable Diffusion 2.0 och andra generativa AI-modeller.
Generativ AI-översikt
Generativ AI är ett specifikt område för artificiell intelligens som fokuserar på att generera nytt material. Det är ett av de mest spännande områdena i AI-världen, med potential att omvandla befintliga företag och låta helt nya affärsidéer komma ut på marknaden. Du kan använda generativa tekniker för:
- Skapa nya konstverk med en modell som Stable Diffusion 2.0
- Att skriva en bästsäljande bok med en modell som GPT2, Bloom eller Flan-T5-XL
- Komponera din nästa symfoni med hjälp av Transformers-tekniken i AWS DeepComposer
AWS DeepComposer är ett pedagogiskt verktyg som hjälper dig att förstå nyckelbegreppen som är förknippade med maskininlärning (ML) genom språket för musikalisk komposition. För att lära dig mer, se Skapa ett jazzrockspår med generativ artificiell intelligens.
Stable Diffusion, GPT2, Bloom och Flan-T5-XL är alla ML-modeller. De är helt enkelt matematiska algoritmer som behöver tränas för att identifiera mönster i data. Efter att mönstren har lärts ut distribueras de till slutpunkter, redo för en process som kallas slutledning. Ny data som modellen inte har sett matas in i slutledningsmodellen och nytt kreativt material tas fram.
Till exempel, med bildgenereringsmodeller som Stable Diffusion, kan vi skapa fantastiska illustrationer med några få ord. Med textgenereringsmodeller som GPT2, Bloom och Flan-T5-XL kan vi generera nya litterära artiklar, och potentiellt böcker, från en enkel mänsklig mening.
Autodesk är en AWS-kund som använder Amazon SageMaker att hjälpa sina produktdesigners att sortera igenom tusentals iterationer av visuell design för olika användningsfall och använda ML för att välja den optimala designen. Specifikt har de arbetat med Edera Safety för att hjälpa till att utveckla ett ryggmärgsskydd som skyddar ryttare från olyckor när de deltar i sportevenemang, som mountainbike. För mer information, kolla in videon AWS Machine Learning möjliggör designoptimering.
För att lära dig mer om vad AWS-kunder gör med generativ AI och mode, se Virtuell modestyling med generativ AI med Amazon SageMaker.
Nu när vi förstår vad generativ AI handlar om, låt oss hoppa in i en JumpStart-demonstration för att lära oss hur man genererar ny text eller bilder med AI.
Förutsättningar
Amazon SageMaker Studio är den integrerade utvecklingsmiljön (IDE) inom SageMaker som ger oss alla ML-funktioner som vi behöver i en enda glasruta. Innan vi kan köra JumpStart måste vi konfigurera Studio. Du kan hoppa över det här steget om du redan har din egen version av Studio igång.
Det första vi behöver göra innan vi kan använda några AWS-tjänster är att se till att vi har registrerat oss för och skapat ett AWS-konto. Nästa är att skapa en administrativ användare och en grupp. För instruktioner om båda stegen, se Ställ in Amazon SageMaker-förutsättningar.
Nästa steg är att skapa en SageMaker-domän. En domän ställer in all lagring och låter dig lägga till användare för att komma åt SageMaker. För mer information, se Ombord på Amazon SageMaker Domain. Denna demo är skapad i AWS-regionen us-east-1
.
Slutligen startar du Studio. För det här inlägget rekommenderar vi att du startar en användarprofilapp. För instruktioner, se Starta Amazon SageMaker Studio.
Välj en JumpStart-lösning
Nu kommer vi till den spännande delen. Du bör nu vara inloggad på Studio och se en sida som liknar följande skärmdump.
I navigeringsfönstret, under SageMaker JumpStartväljer Modeller, anteckningsböcker, lösningar.
Du presenteras med en rad lösningar, grundmodeller och andra artefakter som kan hjälpa dig att komma igång med en specifik modell eller ett specifikt affärsproblem eller användningsfall.
Om du vill experimentera inom ett visst område kan du använda sökfunktionen. Eller så kan du helt enkelt bläddra bland artefakterna för att hitta den relevanta modellen eller affärslösningen för dina behov.
Om du till exempel är intresserad av bedrägeriupptäcktslösningar anger du bedrägeriupptäckt i sökfältet.
Om du är intresserad av lösningar för textgenerering anger du textgenerering i sökfältet. Ett bra ställe att börja om du vill utforska en rad olika textgenereringsmodeller är att välja anteckningsboken Intro to JS – Text Generation.
Låt oss dyka in i en specifik demonstration av GPT-2-modellen.
JumpStart GPT-2 modell demo
GPT 2 är en språkmodell som hjälper till att generera människoliknande text baserat på en given prompt. Vi kan använda den här typen av transformatormodeller för att skapa nya meningar och hjälpa oss att automatisera skrivning. Detta kan användas för att skapa innehåll som bloggar, inlägg på sociala medier och böcker.
GPT 2-modellen är en del av Generative Pre-Trained Transformer-familjen som var föregångaren till GPT 3. I skrivande stund används GPT 3 som grunden för OpenAI ChatGPT-applikationen.
För att börja utforska GPT-2-modelldemon i JumpStart, slutför följande steg:
- På JumpStart, sök efter och välj GPT2.
- I Distribuera Modell avsnitt, expandera Implementeringskonfiguration.
- För SageMaker värdinstans, välj din instans (för det här inlägget använder vi ml.c5.2xlarge).
Olika maskintyper har olika prisnivåer. I skrivande stund kostar ml.c5.2xlarge som vi valde under $0.50 per timme. För de senaste priserna, se Amazon SageMaker Prissättning.
- För Slutpunktsnamn, ange demo-hf-textgeneration-gpt2.
- Välja Distribuera.
Vänta tills ML-ändpunkten distribueras (upp till 15 minuter).
- När slutpunkten är distribuerad, välj Öppna Notebook.
Du kommer att se en sida som liknar följande skärmdump.
Dokumentet vi använder för att visa upp vår demonstration är en Jupyter-anteckningsbok, som innehåller all nödvändig Python-kod. Observera att koden i den här skärmdumpen kanske skiljer sig något från koden du har, eftersom AWS ständigt uppdaterar dessa anteckningsböcker och ser till att de är säkra, är fria från defekter och ger den bästa kundupplevelsen.
- Klicka in i den första cellen och välj Ctrl + Enter för att köra kodblocket.
En asterisk (*) visas till vänster om kodblocket och förvandlas sedan till en siffra. Asterisken indikerar att koden körs och är komplett när numret visas.
- I nästa kodblock, skriv in lite exempeltext och tryck sedan Ctrl + Enter.
- Välja Ctrl + Enter i det tredje kodblocket för att köra det.
Efter cirka 30-60 sekunder kommer du att se dina slutledningsresultat.
För inmatningstexten "Once upon a time there were 18 sandwiches,
” får vi följande genererade text:
För inmatningstexten "And for the final time Peter said to Mary,
” får vi följande genererade text:
Du kan experimentera med att köra detta tredje kodblock flera gånger, och du kommer att märka att modellen gör olika förutsägelser varje gång.
För att skräddarsy utdata med några av de avancerade funktionerna, scrolla ner för att experimentera i det fjärde kodblocket.
För att lära dig mer om textgenereringsmodeller, se Kör textgenerering med Bloom- och GPT-modeller på Amazon SageMaker JumpStart.
Rengör resurser
Innan vi går vidare, glöm inte att ta bort din slutpunkt när du är klar. På föregående flik, under Ta bort slutpunktväljer Radera.
Om du av misstag har stängt den här anteckningsboken kan du också ta bort din slutpunkt via SageMaker-konsolen. Under Slutledning välj i navigeringsfönstret endpoints.
Välj den slutpunkt du använde och på Handlingar meny, välj Radera.
Nu när vi förstår hur vi använder vår första JumpStart-lösning, låt oss titta på att använda en stabil diffusionsmodell.
JumpStart Stable Diffusion modell demo
Vi kan använda modellen Stable Diffusion 2 för att skapa bilder från en enkel textrad. Detta kan användas för att skapa innehåll för saker som inlägg på sociala medier, reklammaterial, skivomslag eller något som kräver kreativa konstverk.
- Gå tillbaka till JumpStart, sök sedan efter och välj Stabil diffusion 2.
- I Distribuera Modell avsnitt, expandera Implementeringskonfiguration.
- För SageMaker värdinstans, välj din instans (för det här inlägget använder vi ml.g5.2xlarge).
- För Slutpunktsnamn, stiga på
demo-stabilityai-stable-diffusion-v2
. - Välja Distribuera.
Eftersom detta är en större modell kan det ta upp till 25 minuter att implementera. När den är klar visas slutpunktsstatusen som I tjänst.
- Välja Öppna Notebook för att öppna en Jupyter-anteckningsbok med Python-kod.
- Kör det första och andra kodblocket.
- I det tredje kodblocket ändrar du textprompten och kör sedan cellen.
Vänta cirka 30–60 sekunder tills din bild visas. Följande bild är baserad på vår exempeltext.
Återigen kan du spela med de avancerade funktionerna i nästa kodblock. Bilden den skapar är olika varje gång.
Rengör resurser
Återigen, glöm inte att ta bort din slutpunkt. Den här gången använder vi ml.g5.2xlarge, så det medför något högre laddningar än tidigare. I skrivande stund var det drygt $1 per timme.
Slutligen, låt oss gå till AWS DeepComposer.
AWS DeepComposer
AWS DeepComposer är ett bra sätt att lära sig om generativ AI. Det låter dig använda inbyggda melodier i dina modeller för att generera nya former av musik. Modellen som du använder avgör hur inmatningsmelodin omvandlas.
Om du är van att delta i AWS Deep Racer dagar för att hjälpa dina anställda att lära sig om förstärkt lärande, överväg att utöka och förbättra dagen med AWS DeepComposer för att lära sig om generativ AI.
För en detaljerad förklaring och lätt att följa demonstration av tre av modellerna i detta inlägg, se Skapa ett jazzrockspår med generativ artificiell intelligens.
Kolla in följande coola exempel laddas upp till SoundCloud med AWS DeepComposer.
Vi skulle älska att se dina experiment, så kontakta gärna via sociala medier (@digitalcolmer) och dela dina lärdomar och experiment.
Slutsats
I det här inlägget pratade vi om definitionen av generativ AI, illustrerad av en AWS-kundberättelse. Vi steg sedan igenom hur du kommer igång med Studio och JumpStart, och visade dig hur du kommer igång med GPT 2 och Stable Diffusion-modeller. Vi avslutade med en kort översikt av AWS DeepComposer.
För att utforska JumpStart mer, prova att använda dina egna data för att finjustera en befintlig modell. För mer information, se Inkrementell träning med Amazon SageMaker JumpStart. För information om finjustering av stabila diffusionsmodeller, se Finjustera text-till-bild stabila diffusionsmodeller med Amazon SageMaker JumpStart.
För att lära dig mer om stabila diffusionsmodeller, se Generera bilder från text med den stabila diffusionsmodellen på Amazon SageMaker JumpStart.
Vi täckte inte någon information om Flan-T5-XL-modellen, så för att lära dig mer, se följande GitHub repo. De Amazon SageMaker Exempel repo inkluderar också en rad tillgängliga bärbara datorer på GitHub för de olika SageMaker-produkterna, inklusive JumpStart, som täcker en rad olika användningsfall.
För att lära dig mer om AWS ML via en rad gratis digitala tillgångar, kolla in vår AWS Machine Learning Ramp-Up Guide. Du kan också prova vår gratis ML lärandeplan att bygga vidare på din nuvarande kunskap eller ha en tydlig utgångspunkt. För att gå en instruktörsledd kurs rekommenderar vi starkt följande kurser:
Det är verkligen en spännande tid i AI/ML-området. AWS är här för att stödja din ML-resa, så vänligen kontakta oss på sociala medier. Vi ser fram emot att se allt ditt lärande, experiment och roligt med de olika ML-tjänsterna under de kommande månaderna och njuta av möjligheten att vara din instruktör på din ML-resa.
Om författaren
Paul Colmer är en Senior Technical Trainer på Amazon Web Services specialiserad på maskininlärning och generativ AI. Hans passion är att hjälpa kunder, partners och anställda att utvecklas och växa genom övertygande berättande, delade erfarenheter och kunskapsöverföring. Med över 25 år i IT-branschen är han specialiserad på agila kulturella metoder och maskininlärningslösningar. Paul är fellow vid London College of Music och fellow i British Computer Society.
- SEO-drivet innehåll och PR-distribution. Bli förstärkt idag.
- PlatoAiStream. Web3 Data Intelligence. Kunskap förstärkt. Tillgång här.
- Minting the Future med Adryenn Ashley. Tillgång här.
- Köp och sälj aktier i PRE-IPO-företag med PREIPO®. Tillgång här.
- Källa: https://aws.amazon.com/blogs/machine-learning/get-started-with-generative-ai-on-aws-using-amazon-sagemaker-jumpstart/
- :är
- :inte
- $UPP
- 1
- 11
- 15%
- 50
- 500
- 7
- 8
- 9
- 937
- a
- Om oss
- tillgång
- olyckor
- Konto
- lägga till
- adress
- administrativa
- avancerat
- Efter
- smidig
- AI
- AI / ML
- Syftet
- Album
- algoritmer
- Alla
- tillåter
- tillåter
- redan
- också
- amason
- Amazon SageMaker
- Amazon SageMaker JumpStart
- Amazon Web Services
- an
- och
- vilken som helst
- något
- app
- visas
- Ansökan
- ÄR
- OMRÅDE
- runt
- Konst
- artiklar
- konstgjord
- artificiell intelligens
- konstverk
- AS
- Tillgångar
- associerad
- At
- bifogad
- uppmärksamhet
- Autodesk
- automatisera
- tillgänglig
- AWS
- AWS kund
- bar
- baserat
- BE
- därför att
- Biff
- varit
- innan
- Börjar
- Fördelarna
- BÄST
- välsignelse
- Blockera
- Block
- bloggar
- Bloom
- boken
- Böcker
- båda
- Brittiska
- SLUTRESULTAT
- inbyggd
- företag
- Affärsidéer
- företag
- men
- by
- KAN
- Vid
- fall
- byta
- avgifter
- ChatGPT
- ta
- Välja
- klar
- stängt
- koda
- College
- komma
- kommande
- övertygande
- fullborda
- fullständigt
- dator
- Begreppen
- Kontakta
- Tänk
- Konsol
- ständigt
- innehåll
- innehållsskapande
- Naturligtvis
- kurser
- täcka
- beläggning
- omfattar
- skapa
- skapas
- skapar
- Skapa
- skapande
- Kreativ
- kultur
- Aktuella
- kund
- kundupplevelse
- Kunder
- datum
- dag
- Dagar
- Död
- demo
- distribuera
- utplacerade
- utplacera
- beskrivning
- Designa
- konstruktörer
- mönster
- detaljerad
- Detektering
- bestämd
- utveckla
- Utveckling
- olika
- Diffusion
- digital
- Digitala tillgångar
- do
- dokumentera
- gör
- domän
- inte
- ner
- varje
- pedagogiska
- anställda
- möjliggör
- omfattar
- Slutpunkt
- förbättra
- ange
- Miljö
- Eter (ETH)
- händelser
- Varje
- exempel
- spännande
- befintliga
- Bygga ut
- erfarenhet
- Erfarenheter
- experimentera
- experiment
- förklaring
- utforska
- Utforska
- familj
- Mode
- Funktioner
- Fed
- känna
- Kompis
- få
- fält
- Fält
- slutlig
- hitta
- Förnamn
- fokuserar
- efter
- livsmedelsproduktion
- För
- former
- Framåt
- fundament
- fyra
- Fjärde
- bedrägeri
- spårning av bedrägerier
- Fri
- från
- kul
- fungera
- få
- generera
- genereras
- generera
- generering
- generativ
- Generativ AI
- skaffa sig
- GitHub
- ges
- glas
- god
- stor
- Grupp
- Väx
- sidan
- Har
- he
- hört
- hjälpa
- hjälpa
- hjälper
- här.
- högre
- höggradigt
- hans
- värd
- timme
- Hur ser din drömresa ut
- How To
- html
- HTTPS
- humant
- idéer
- identifiera
- if
- bild
- bildgenerering
- bilder
- in
- innefattar
- Inklusive
- pekar på
- industrin
- informationen
- ingång
- exempel
- instruktioner
- integrerade
- Intelligens
- intresserad
- in
- IT
- IT-branschen
- iterationer
- DESS
- resa
- jpg
- hoppa
- Jupyter Notebook
- bara
- Nyckel
- kunskap
- kunskapsöverföring
- känd
- språk
- större
- lansera
- lansera
- LÄRA SIG
- lärt
- inlärning
- vänster
- tycka om
- linje
- levande
- inloggad
- london
- se
- Lot
- älskar
- Maskinen
- maskininlärning
- gjord
- göra
- GÖR
- Framställning
- många
- marknad
- Materialet
- matematisk
- Media
- minuter
- ML
- modell
- modeller
- månader
- mer
- mest
- Berg
- flytta
- multipel
- Musik
- musikal
- namn
- Navigering
- nödvändigt för
- Behöver
- behov
- Nya
- Nästa
- Notera
- anteckningsbok
- bärbara datorer
- Lägga märke till..
- nu
- antal
- of
- on
- ONE
- öppet
- OpenAI
- Möjlighet
- optimala
- or
- Övriga
- vår
- ut
- konturer
- produktion
- över
- Översikt
- egen
- sida
- panelen
- del
- deltagande
- särskilt
- partner
- brinner
- mönster
- paul
- Personer
- Peter
- Bild
- Plats
- plato
- Platon Data Intelligence
- PlatonData
- Spela
- snälla du
- Punkt
- poäng
- Inlägg
- inlägg
- potentiell
- potentiellt
- praxis
- företrädare
- Förutsägelser
- presentera
- presenteras
- tryck
- föregående
- pris
- prissättning
- Problem
- process
- producerad
- Produkt
- Produkter
- Profil
- PR
- ge
- ger
- allmän
- Python
- område
- snarare
- nå
- redo
- verklig
- rekommenderar
- referenser
- region
- relevanta
- Kräver
- restaurang
- Resultat
- ryttare
- sten
- Körning
- rinnande
- Säkerhet
- sagemaker
- Nämnda
- HELIGE
- rulla
- Sök
- Andra
- sekunder
- §
- säkra
- se
- se
- sett
- vald
- senior
- mening
- service
- Tjänster
- in
- uppsättningar
- Dela
- delas
- skall
- visa
- Visar
- signerad
- liknande
- Enkelt
- helt enkelt
- enda
- något annorlunda
- So
- Social hållbarhet
- sociala medier
- Sociala medier inlägg
- Samhället
- lösning
- Lösningar
- några
- soundcloud
- Utrymme
- specialiserat
- specialiserat
- specifik
- specifikt
- stabil
- starta
- igång
- Starta
- status
- Steg
- Steg
- förvaring
- Historia
- berättande
- studio
- Bedövning
- sådana
- stödja
- säker
- Ta
- Diskussion
- Teknisk
- tekniker
- Tekniken
- textgenerering
- än
- den där
- Smakämnen
- deras
- sedan
- Där.
- Dessa
- de
- sak
- saker
- Tredje
- detta
- de
- tusentals
- tre
- Genom
- tid
- gånger
- till
- verktyg
- spår
- tränad
- Utbildning
- överföring
- Förvandla
- transformerad
- transformator
- transformatorer
- verkligen
- vänder
- Typ
- typer
- under
- förstå
- TIDSENLIG
- uppdatering
- uppladdad
- på
- us
- användning
- användningsfall
- Begagnade
- Användare
- användare
- med hjälp av
- olika
- version
- via
- Video
- väntar
- vill
- var
- Sätt..
- we
- webb
- webbservice
- były
- Vad
- när
- som
- medan
- VEM
- kommer
- med
- inom
- ord
- arbetade
- fungerar
- världen
- skulle
- Wrapped
- skrivning
- år
- dig
- Din
- zephyrnet