Trí tuệ nhân tạo các ứng dụng được thúc đẩy bởi các mô hình nền tảng (FM) đang hỗ trợ các tổ chức có giá trị kinh doanh đáng kể về trải nghiệm của khách hàng, năng suất, tối ưu hóa quy trình và đổi mới. Tuy nhiên, việc áp dụng các FM này liên quan đến việc giải quyết một số thách thức chính, bao gồm chất lượng đầu ra, quyền riêng tư dữ liệu, bảo mật, tích hợp với dữ liệu của tổ chức, chi phí và kỹ năng cung cấp.
Trong bài đăng này, chúng tôi khám phá các cách tiếp cận khác nhau mà bạn có thể thực hiện khi xây dựng các ứng dụng sử dụng AI tổng quát. Với sự tiến bộ nhanh chóng của FM, đây là thời điểm thú vị để khai thác sức mạnh của chúng nhưng cũng rất quan trọng để hiểu cách sử dụng chúng đúng cách để đạt được kết quả kinh doanh. Chúng tôi cung cấp thông tin tổng quan về các phương pháp tiếp cận AI tổng quát quan trọng, bao gồm kỹ thuật nhanh chóng, Thế hệ tăng cường truy xuất (RAG) và tùy chỉnh mô hình. Khi áp dụng các phương pháp này, chúng tôi thảo luận những cân nhắc chính xung quanh ảo giác tiềm ẩn, việc tích hợp với dữ liệu doanh nghiệp, chất lượng đầu ra và chi phí. Cuối cùng, bạn sẽ có những hướng dẫn chắc chắn và một biểu đồ hữu ích để xác định phương pháp tốt nhất nhằm phát triển các ứng dụng hỗ trợ FM của riêng bạn, dựa trên các ví dụ thực tế. Dù tạo chatbot hay công cụ tóm tắt, bạn đều có thể định hình các FM mạnh mẽ để phù hợp với nhu cầu của mình.
AI sáng tạo với AWS
Sự xuất hiện của FM đang tạo ra cả cơ hội và thách thức cho các tổ chức muốn sử dụng các công nghệ này. Thách thức chính là đảm bảo kết quả đầu ra mạch lạc, chất lượng cao, phù hợp với nhu cầu kinh doanh, thay vì ảo giác hoặc thông tin sai lệch. Các tổ chức cũng phải quản lý cẩn thận các rủi ro về bảo mật và quyền riêng tư dữ liệu phát sinh từ việc xử lý dữ liệu độc quyền bằng FM. Các kỹ năng cần thiết để tích hợp, tùy chỉnh và xác thực FM đúng cách trong các hệ thống và dữ liệu hiện có đang bị thiếu hụt. Việc xây dựng các mô hình ngôn ngữ lớn (LLM) từ đầu hoặc tùy chỉnh các mô hình được đào tạo trước đòi hỏi nguồn lực điện toán đáng kể, các nhà khoa học dữ liệu chuyên nghiệp và nhiều tháng làm việc kỹ thuật. Chỉ riêng chi phí tính toán có thể dễ dàng lên tới hàng triệu đô la để đào tạo các mô hình với hàng trăm tỷ tham số trên bộ dữ liệu khổng lồ sử dụng hàng nghìn GPU hoặc TPU. Ngoài phần cứng, làm sạch và xử lý dữ liệu, thiết kế kiến trúc mô hình, điều chỉnh siêu tham số và phát triển quy trình đào tạo đều đòi hỏi các kỹ năng học máy (ML) chuyên dụng. Quá trình từ đầu đến cuối rất phức tạp, tốn thời gian và cực kỳ tốn kém đối với hầu hết các tổ chức không có cơ sở hạ tầng cần thiết và đầu tư nhân tài. Các tổ chức không giải quyết thỏa đáng những rủi ro này có thể phải đối mặt với những tác động tiêu cực đến danh tiếng thương hiệu, niềm tin của khách hàng, hoạt động và doanh thu.
nền tảng Amazon là một dịch vụ được quản lý hoàn toàn cung cấp nhiều lựa chọn về mô hình nền tảng (FM) hiệu suất cao từ các công ty AI hàng đầu như AI21 Labs, Anthropic, Cohere, Meta, Mistral AI, Stability AI và Amazon thông qua một API duy nhất. Với trải nghiệm Amazon Bedrock serverless, bạn có thể bắt đầu nhanh chóng, tùy chỉnh FM riêng tư bằng dữ liệu của riêng mình, đồng thời tích hợp và triển khai chúng vào ứng dụng của mình bằng các công cụ AWS mà không cần phải quản lý bất kỳ cơ sở hạ tầng nào. Amazon Bedrock đủ điều kiện HIPAA và bạn có thể sử dụng Amazon Bedrock tuân thủ GDPR. Với Amazon Bedrock, nội dung của bạn không được sử dụng để cải thiện các mô hình cơ sở và không được chia sẻ với các nhà cung cấp mô hình bên thứ ba. Dữ liệu của bạn trong Amazon Bedrock luôn được mã hóa trong quá trình truyền và ở trạng thái lưu trữ, đồng thời bạn có thể tùy ý mã hóa tài nguyên bằng khóa của riêng mình. Bạn có thể dùng Liên kết riêng AWS với Amazon Bedrock để thiết lập kết nối riêng tư giữa FM và VPC của bạn mà không làm lộ lưu lượng truy cập của bạn trên internet. Với Cơ sở kiến thức về Amazon Bedrock, bạn có thể cung cấp cho FM và đại lý thông tin theo ngữ cảnh từ nguồn dữ liệu riêng tư của công ty bạn cho RAG để đưa ra phản hồi phù hợp, chính xác và tùy chỉnh hơn. Bạn có thể tùy chỉnh riêng FM bằng dữ liệu của riêng mình thông qua giao diện trực quan mà không cần viết bất kỳ mã nào. Là một dịch vụ được quản lý hoàn toàn, Amazon Bedrock mang lại trải nghiệm đơn giản cho nhà phát triển để làm việc với nhiều FM hiệu suất cao.
Ra mắt vào 2017, Amazon SageMaker là một dịch vụ được quản lý hoàn toàn giúp việc xây dựng, đào tạo và triển khai các mô hình ML trở nên đơn giản. Ngày càng có nhiều khách hàng xây dựng FM của riêng mình bằng SageMaker, bao gồm Stability AI, AI21 Labs, Hugging Face, Perplexity AI, Hippocrates AI, LG AI Research và Technology Innovation Institute. Để giúp bạn bắt đầu nhanh chóng, Khởi động Amazon SageMaker cung cấp một trung tâm ML nơi bạn có thể khám phá, đào tạo và triển khai nhiều lựa chọn FM công cộng, chẳng hạn như mô hình Mistral, mô hình LightOn, RedPajama, Mosiac MPT-7B, FLAN-T5/UL2, GPT-J-6B/Neox-20B và Bloom/BloomZ, sử dụng các công cụ SageMaker được xây dựng có mục đích như thử nghiệm và quy trình.
Các phương pháp tiếp cận AI tổng quát phổ biến
Trong phần này, chúng tôi thảo luận về các phương pháp phổ biến để triển khai các giải pháp AI tổng quát hiệu quả. Chúng tôi khám phá các kỹ thuật kỹ thuật nhanh chóng phổ biến cho phép bạn đạt được các nhiệm vụ phức tạp và thú vị hơn với FM. Chúng tôi cũng thảo luận về cách các kỹ thuật như RAG và tùy chỉnh mô hình có thể nâng cao hơn nữa khả năng của FM và vượt qua các thách thức như hạn chế về dữ liệu và hạn chế tính toán. Với kỹ thuật phù hợp, bạn có thể xây dựng các giải pháp AI mang tính sáng tạo mạnh mẽ và có tác động mạnh mẽ.
Kỹ thuật nhanh chóng
Kỹ thuật nhắc nhở là thực hành thiết kế cẩn thận các lời nhắc để khai thác hiệu quả các khả năng của FM. Nó liên quan đến việc sử dụng lời nhắc, là những đoạn văn bản ngắn hướng dẫn mô hình tạo ra phản hồi chính xác và phù hợp hơn. Với kỹ thuật nhanh chóng, bạn có thể cải thiện hiệu suất của FM và làm cho chúng hiệu quả hơn cho nhiều ứng dụng. Trong phần này, chúng ta khám phá các kỹ thuật như nhắc nhở không bắn và nhắc ít bắn, giúp nhanh chóng điều chỉnh FM cho phù hợp với các nhiệm vụ mới chỉ bằng một vài ví dụ và nhắc nhở chuỗi suy nghĩ, giúp chia nhỏ lý luận phức tạp thành các bước trung gian. Các phương pháp này chứng minh cách kỹ thuật nhanh chóng có thể giúp FM hoạt động hiệu quả hơn trong các nhiệm vụ phức tạp mà không yêu cầu đào tạo lại mô hình.
Nhắc nhở bắn không
Kỹ thuật nhắc nhở không bắn yêu cầu FM tạo ra câu trả lời mà không cung cấp bất kỳ ví dụ rõ ràng nào về hành vi mong muốn, chỉ dựa vào quá trình đào tạo trước của nó. Ảnh chụp màn hình sau đây hiển thị ví dụ về lời nhắc không bắn với mô hình Anthropic Claude 2.1 trên bảng điều khiển Amazon Bedrock.
Trong hướng dẫn này, chúng tôi không cung cấp bất kỳ ví dụ nào. Tuy nhiên, mô hình có thể hiểu nhiệm vụ và tạo ra đầu ra phù hợp. Lời nhắc không bắn là kỹ thuật nhắc nhở đơn giản nhất để bắt đầu khi đánh giá FM cho trường hợp sử dụng của bạn. Tuy nhiên, mặc dù FM rất đáng chú ý với lời nhắc không bắn, nhưng nó không phải lúc nào cũng mang lại kết quả chính xác hoặc mong muốn cho các tác vụ phức tạp hơn. Khi không có đủ lời nhắc về việc bắn không, bạn nên cung cấp một vài ví dụ trong lời nhắc (lời nhắc về một vài lần bắn).
Nhắc nhở ít lần bắn
Kỹ thuật nhắc nhở vài lần cho phép FM thực hiện việc học trong ngữ cảnh từ các ví dụ trong lời nhắc và thực hiện nhiệm vụ chính xác hơn. Chỉ với một vài ví dụ, bạn có thể nhanh chóng điều chỉnh FM cho phù hợp với các nhiệm vụ mới mà không cần tập huấn luyện lớn và hướng dẫn chúng hướng tới hành vi mong muốn. Sau đây là ví dụ về lời nhắc vài cảnh với mô hình Cohere Command trên bảng điều khiển Amazon Bedrock.
Trong ví dụ trước, FM có thể xác định các thực thể từ văn bản đầu vào (đánh giá) và trích xuất các cảm nhận liên quan. Lời nhắc vài lần bắn là một cách hiệu quả để giải quyết các nhiệm vụ phức tạp bằng cách cung cấp một số ví dụ về các cặp đầu vào-đầu ra. Đối với những nhiệm vụ đơn giản, bạn có thể đưa ra một ví dụ (1 lần), trong khi đối với những nhiệm vụ khó hơn, bạn nên đưa ra ba ví dụ (3 lần) đến năm (5 lần). Min và cộng sự. (2022) những phát hiện đã được công bố về việc học tập theo ngữ cảnh có thể nâng cao hiệu suất của kỹ thuật nhắc nhở vài lần. Bạn có thể sử dụng lời nhắc vài lần cho nhiều nhiệm vụ khác nhau, chẳng hạn như phân tích cảm tính, nhận dạng thực thể, trả lời câu hỏi, dịch thuật và tạo mã.
Chuỗi suy nghĩ nhắc nhở
Mặc dù có tiềm năng nhưng việc nhắc nhở vài lần vẫn có những hạn chế, đặc biệt là khi xử lý các nhiệm vụ suy luận phức tạp (chẳng hạn như các nhiệm vụ số học hoặc logic). Những nhiệm vụ này yêu cầu chia vấn đề thành các bước và sau đó giải quyết nó. Wei và cộng sự. (2022) giới thiệu kỹ thuật nhắc nhở chuỗi suy nghĩ (CoT) để giải các bài toán suy luận phức tạp thông qua các bước suy luận trung gian. Bạn có thể kết hợp CoT với lời nhắc vài lần bắn để cải thiện kết quả đối với các nhiệm vụ phức tạp. Sau đây là ví dụ về nhiệm vụ lý luận sử dụng nhắc nhở CoT vài lần với mô hình Anthropic Claude 2 trên bảng điều khiển Amazon Bedrock.
Kojima và cộng sự. (2022) đã giới thiệu ý tưởng về CoT bắn 0 bằng cách sử dụng khả năng bắn 0 chưa được khai thác của FM. Nghiên cứu của họ chỉ ra rằng CoT zero-shot, sử dụng cùng một mẫu nhắc nhở đơn, vượt trội đáng kể so với hiệu suất FM zero-shot trong các tác vụ suy luận điểm chuẩn khác nhau. Bạn có thể sử dụng lời nhắc CoT không cần thực hiện cho các tác vụ suy luận đơn giản bằng cách thêm “Hãy suy nghĩ từng bước” vào lời nhắc ban đầu.
Phản ứng
Lời nhắc CoT có thể nâng cao khả năng suy luận của FM, nhưng nó vẫn phụ thuộc vào kiến thức bên trong của mô hình và không xem xét bất kỳ cơ sở kiến thức hoặc môi trường bên ngoài nào để thu thập thêm thông tin, điều này có thể dẫn đến các vấn đề như ảo giác. Phương pháp ReAct (lý luận và hành động) giải quyết khoảng cách này bằng cách mở rộng CoT và cho phép lý luận động bằng cách sử dụng môi trường bên ngoài (chẳng hạn như Wikipedia).
Tích hợp
FM có khả năng hiểu các câu hỏi và đưa ra câu trả lời bằng kiến thức được đào tạo trước của họ. Tuy nhiên, họ thiếu khả năng trả lời các truy vấn yêu cầu quyền truy cập vào dữ liệu riêng tư của tổ chức hoặc khả năng tự thực hiện các nhiệm vụ. RAG và tác nhân là các phương pháp để kết nối các ứng dụng được hỗ trợ bởi AI tổng hợp này với các bộ dữ liệu doanh nghiệp, trao quyền cho chúng đưa ra phản hồi liên quan đến thông tin của tổ chức và cho phép chạy các hành động dựa trên yêu cầu.
Truy xuất thế hệ tăng cường
Tạo tăng cường truy xuất (RAG) cho phép bạn tùy chỉnh phản hồi của mô hình khi bạn muốn mô hình đó xem xét kiến thức mới hoặc thông tin cập nhật. Khi dữ liệu của bạn thay đổi thường xuyên, như hàng tồn kho hoặc giá cả, việc tinh chỉnh và cập nhật mô hình trong khi nó đang phục vụ các truy vấn của người dùng là không thực tế. Để trang bị cho FM thông tin độc quyền cập nhật, các tổ chức chuyển sang RAG, một kỹ thuật liên quan đến việc tìm nạp dữ liệu từ các nguồn dữ liệu của công ty và làm phong phú lời nhắc bằng dữ liệu đó để đưa ra phản hồi chính xác và phù hợp hơn.
Có một số trường hợp sử dụng trong đó RAG có thể giúp cải thiện hiệu suất FM:
- Câu trả lời câu hỏi – Mô hình RAG giúp các ứng dụng trả lời câu hỏi định vị và tích hợp thông tin từ các tài liệu hoặc nguồn kiến thức để tạo ra câu trả lời chất lượng cao. Ví dụ: một ứng dụng trả lời câu hỏi có thể truy xuất các đoạn văn về một chủ đề trước khi tạo ra câu trả lời tóm tắt.
- Chatbots và tác nhân đàm thoại – RAG cho phép chatbot truy cập thông tin liên quan từ nguồn tri thức lớn bên ngoài. Điều này làm cho phản hồi của chatbot trở nên hiểu biết và tự nhiên hơn.
- Hỗ trợ viết – RAG có thể đề xuất nội dung, sự kiện và luận điểm liên quan để giúp bạn viết các tài liệu như bài báo, báo cáo và email hiệu quả hơn. Thông tin được truy xuất cung cấp bối cảnh và ý tưởng hữu ích.
- Tóm tắt – RAG có thể tìm các tài liệu nguồn, đoạn văn hoặc sự kiện có liên quan để nâng cao hiểu biết của mô hình tóm tắt về một chủ đề, cho phép nó tạo ra các bản tóm tắt tốt hơn.
- Viết sáng tạo và kể chuyện – RAG có thể lấy ý tưởng cốt truyện, nhân vật, bối cảnh và các yếu tố sáng tạo từ các câu chuyện hiện có để truyền cảm hứng cho các mô hình tạo câu chuyện AI. Điều này làm cho đầu ra thú vị và có căn cứ hơn.
- Dịch – RAG có thể tìm thấy các ví dụ về cách dịch các cụm từ nhất định giữa các ngôn ngữ. Điều này cung cấp ngữ cảnh cho mô hình dịch thuật, cải thiện việc dịch các cụm từ mơ hồ.
- Cá nhân – Trong chatbot và ứng dụng đề xuất, RAG có thể lấy bối cảnh cá nhân như các cuộc trò chuyện trước đây, thông tin hồ sơ và tùy chọn để đưa ra phản hồi được cá nhân hóa và phù hợp hơn.
Có một số lợi ích khi sử dụng khung RAG:
- Giảm ảo giác – Việc truy xuất thông tin liên quan giúp văn bản được tạo ra dựa trên sự kiện và kiến thức thực tế, thay vì văn bản ảo giác. Điều này thúc đẩy các phản hồi chính xác, thực tế và đáng tin cậy hơn.
- Bảo hiểm – Việc truy xuất cho phép FM bao quát phạm vi rộng hơn các chủ đề và kịch bản ngoài dữ liệu đào tạo của nó bằng cách lấy thông tin bên ngoài. Điều này giúp giải quyết các vấn đề về phạm vi bảo hiểm hạn chế.
- Hiệu quả – Việc truy xuất cho phép mô hình tập trung tạo ra thông tin phù hợp nhất thay vì tạo ra mọi thứ từ đầu. Điều này cải thiện hiệu quả và cho phép sử dụng bối cảnh lớn hơn.
- Sự An Toàn – Truy xuất thông tin từ các nguồn dữ liệu được yêu cầu và được phép có thể cải thiện khả năng quản trị và kiểm soát việc tạo nội dung có hại và không chính xác. Điều này hỗ trợ việc áp dụng an toàn hơn.
- khả năng mở rộng – Lập chỉ mục và truy xuất từ kho dữ liệu lớn cho phép tiếp cận mở rộng quy mô tốt hơn so với việc sử dụng toàn bộ kho dữ liệu trong quá trình tạo. Điều này cho phép bạn áp dụng FM trong môi trường hạn chế về tài nguyên hơn.
RAG tạo ra kết quả chất lượng nhờ tăng cường bối cảnh cụ thể cho từng trường hợp sử dụng trực tiếp từ các kho dữ liệu được vector hóa. So với kỹ thuật nhanh chóng, nó tạo ra kết quả được cải thiện đáng kể với khả năng xảy ra ảo giác rất thấp. Bạn có thể xây dựng các ứng dụng hỗ trợ RAG trên dữ liệu doanh nghiệp của mình bằng cách sử dụng Amazon Kendra. RAG có độ phức tạp cao hơn kỹ thuật kịp thời vì bạn cần có kỹ năng viết mã và kiến trúc để triển khai giải pháp này. Tuy nhiên, Cơ sở kiến thức dành cho Amazon Bedrock cung cấp trải nghiệm RAG được quản lý hoàn toàn và cách đơn giản nhất để bắt đầu với RAG trong Amazon Bedrock. Cơ sở kiến thức dành cho Amazon Bedrock tự động hóa quy trình làm việc RAG từ đầu đến cuối, bao gồm nhập, truy xuất và tăng cường nhanh chóng, loại bỏ nhu cầu viết mã tùy chỉnh để tích hợp nguồn dữ liệu và quản lý truy vấn. Quản lý ngữ cảnh phiên được tích hợp sẵn để ứng dụng của bạn có thể hỗ trợ các cuộc hội thoại nhiều lượt. Các phản hồi cơ sở kiến thức đi kèm với trích dẫn nguồn để cải thiện tính minh bạch và giảm thiểu ảo giác. Cách đơn giản nhất để xây dựng trợ lý được hỗ trợ bởi AI là sử dụng Amazon Q, có hệ thống RAG tích hợp.
RAG có mức độ linh hoạt cao nhất khi có những thay đổi về kiến trúc. Bạn có thể thay đổi mô hình nhúng, lưu trữ vectơ và FM một cách độc lập với tác động từ tối thiểu đến trung bình đến các thành phần khác. Để tìm hiểu thêm về phương pháp RAG với Dịch vụ Tìm kiếm Mở của Amazon và Amazon Bedrock, hãy tham khảo Xây dựng quy trình làm việc RAG không có máy chủ và có thể mở rộng bằng công cụ vectơ cho các mô hình Amazon OpenSearch Serverless và Amazon Bedrock Claude. Để tìm hiểu về cách triển khai RAG với Amazon Kendra, hãy tham khảo Khai thác sức mạnh của dữ liệu doanh nghiệp với AI tổng hợp: Thông tin chuyên sâu từ Amazon Kendra, LangChain và các mô hình ngôn ngữ lớn.
Đại lý
FM có thể hiểu và trả lời các truy vấn dựa trên kiến thức được đào tạo trước của họ. Tuy nhiên, họ không thể tự mình hoàn thành bất kỳ nhiệm vụ nào trong thế giới thực, chẳng hạn như đặt chuyến bay hoặc xử lý đơn đặt hàng. Điều này là do các tác vụ như vậy yêu cầu dữ liệu và quy trình công việc dành riêng cho tổ chức thường cần lập trình tùy chỉnh. Các khung như LangChain và một số FM nhất định như mô hình Claude cung cấp khả năng gọi hàm để tương tác với các API và công cụ. Tuy nhiên, Đại lý cho Amazon Bedrock, một khả năng AI mới và được quản lý toàn phần từ AWS, nhằm mục đích giúp các nhà phát triển xây dựng ứng dụng sử dụng FM thế hệ tiếp theo trở nên đơn giản hơn. Chỉ với một vài cú nhấp chuột, nó có thể tự động chia nhỏ các tác vụ và tạo ra logic điều phối cần thiết mà không cần mã hóa thủ công. Đại lý có thể kết nối an toàn với cơ sở dữ liệu của công ty thông qua API, nhập và cấu trúc dữ liệu để sử dụng máy, đồng thời bổ sung dữ liệu đó bằng các chi tiết theo ngữ cảnh để tạo ra phản hồi chính xác hơn và thực hiện các yêu cầu. Vì xử lý việc tích hợp và cơ sở hạ tầng nên Agent for Amazon Bedrock cho phép bạn khai thác triệt để AI tổng hợp cho các trường hợp sử dụng kinh doanh. Các nhà phát triển giờ đây có thể tập trung vào các ứng dụng cốt lõi của họ thay vì hệ thống ống nước thông thường. Việc xử lý dữ liệu tự động và gọi API cũng cho phép FM đưa ra các câu trả lời được cập nhật, phù hợp và thực hiện các nhiệm vụ thực tế bằng cách sử dụng kiến thức độc quyền.
Tùy chỉnh mô hình
Các mô hình nền tảng cực kỳ có khả năng và cho phép một số ứng dụng tuyệt vời, nhưng điều sẽ giúp thúc đẩy hoạt động kinh doanh của bạn là AI có tính sáng tạo, biết điều gì là quan trọng đối với khách hàng, sản phẩm và công ty của bạn. Và điều đó chỉ có thể thực hiện được khi bạn tăng cường mô hình bằng dữ liệu của mình. Dữ liệu là chìa khóa để chuyển từ các ứng dụng chung sang các ứng dụng AI tổng quát tùy chỉnh nhằm tạo ra giá trị thực sự cho khách hàng và doanh nghiệp của bạn.
Trong phần này, chúng tôi thảo luận về các kỹ thuật và lợi ích khác nhau của việc tùy chỉnh FM của bạn. Chúng tôi đề cập đến cách tùy chỉnh mô hình bao gồm việc đào tạo thêm và thay đổi trọng số của mô hình để nâng cao hiệu suất của mô hình.
Tinh chỉnh
Tinh chỉnh là quá trình sử dụng FM được đào tạo trước, chẳng hạn như Llama 2, và đào tạo thêm về tác vụ tiếp theo với tập dữ liệu cụ thể cho tác vụ đó. Mô hình được đào tạo trước cung cấp kiến thức ngôn ngữ chung và việc tinh chỉnh cho phép nó chuyên môn hóa và cải thiện hiệu suất đối với một nhiệm vụ cụ thể như phân loại văn bản, trả lời câu hỏi hoặc tạo văn bản. Với tính năng tinh chỉnh, bạn cung cấp các tập dữ liệu được gắn nhãn—được chú thích bằng ngữ cảnh bổ sung—để đào tạo mô hình về các nhiệm vụ cụ thể. Sau đó, bạn có thể điều chỉnh các tham số mô hình cho nhiệm vụ cụ thể dựa trên bối cảnh kinh doanh của mình.
Bạn có thể thực hiện tinh chỉnh trên FM bằng Khởi động Amazon SageMaker và Amazon Bedrock. Để biết thêm chi tiết, hãy tham khảo Triển khai và tinh chỉnh các mô hình nền tảng trong Amazon SageMaker JumpStart bằng hai dòng mã và Tùy chỉnh các mô hình trong Amazon Bedrock bằng dữ liệu của riêng bạn bằng cách tinh chỉnh và đào tạo trước liên tục.
Tiếp tục đào tạo trước
Việc tiếp tục đào tạo trước trong Amazon Bedrock cho phép bạn dạy mô hình đã đào tạo trước đó về dữ liệu bổ sung tương tự như dữ liệu gốc của mô hình đó. Nó cho phép mô hình thu được kiến thức ngôn ngữ tổng quát hơn thay vì tập trung vào một ứng dụng duy nhất. Với việc tiếp tục đào tạo trước, bạn có thể sử dụng tập dữ liệu chưa được gắn nhãn hoặc dữ liệu thô để cải thiện độ chính xác của mô hình nền tảng cho miền của mình thông qua việc điều chỉnh các tham số mô hình. Ví dụ: một công ty chăm sóc sức khỏe có thể tiếp tục đào tạo trước mô hình của mình bằng cách sử dụng các tạp chí y khoa, bài báo và tài liệu nghiên cứu để hiểu rõ hơn về thuật ngữ ngành. Để biết thêm chi tiết, hãy tham khảo Trải nghiệm của nhà phát triển Amazon Bedrock.
Lợi ích của việc tùy chỉnh mô hình
Việc tùy chỉnh mô hình có một số lợi thế và có thể giúp các tổ chức những điều sau:
- Thích ứng theo miền cụ thể – Bạn có thể sử dụng FM có mục đích chung, sau đó đào tạo thêm về dữ liệu từ một miền cụ thể (chẳng hạn như y sinh, pháp lý hoặc tài chính). Điều này điều chỉnh mô hình cho phù hợp với từ vựng, phong cách của miền đó, v.v.
- Tinh chỉnh theo nhiệm vụ cụ thể – Bạn có thể lấy FM được đào tạo trước và tinh chỉnh dữ liệu đó cho một nhiệm vụ cụ thể (chẳng hạn như phân tích tình cảm hoặc trả lời câu hỏi). Điều này chuyên biệt hóa mô hình cho nhiệm vụ cụ thể đó.
- Cá nhân – Bạn có thể tùy chỉnh FM trên dữ liệu của một cá nhân (email, văn bản, tài liệu họ đã viết) để điều chỉnh mô hình cho phù hợp với phong cách riêng của họ. Điều này có thể cho phép các ứng dụng được cá nhân hóa hơn.
- Điều chỉnh ngôn ngữ tài nguyên thấp – Bạn chỉ có thể đào tạo lại các lớp trên cùng của FM đa ngôn ngữ trên ngôn ngữ có nguồn tài nguyên thấp để thích ứng tốt hơn với ngôn ngữ đó.
- Sửa chữa sai sót – Nếu một số hành vi ngoài ý muốn nhất định được phát hiện trong một mô hình, việc tùy chỉnh dữ liệu phù hợp có thể giúp cập nhật mô hình để giảm thiểu những sai sót đó.
Tùy chỉnh mô hình giúp vượt qua các thách thức áp dụng FM sau:
- Thích ứng với các lĩnh vực và nhiệm vụ mới – FM được đào tạo trước trên kho văn bản chung thường cần được tinh chỉnh trên dữ liệu cụ thể của nhiệm vụ để hoạt động tốt cho các ứng dụng hạ nguồn. Việc tinh chỉnh sẽ điều chỉnh mô hình cho phù hợp với các lĩnh vực hoặc nhiệm vụ mới mà mô hình chưa được đào tạo ban đầu.
- Vượt qua thành kiến – FM có thể thể hiện sự sai lệch so với dữ liệu huấn luyện ban đầu của chúng. Việc tùy chỉnh mô hình trên dữ liệu mới có thể làm giảm những sai lệch không mong muốn trong kết quả đầu ra của mô hình.
- Nâng cao hiệu quả tính toán – FM được đào tạo trước thường rất lớn và tốn kém về mặt tính toán. Tùy chỉnh mô hình có thể cho phép thu nhỏ mô hình bằng cách cắt bớt các tham số không quan trọng, giúp việc triển khai trở nên khả thi hơn.
- Xử lý dữ liệu mục tiêu hạn chế – Trong một số trường hợp, dữ liệu thực tế có sẵn cho nhiệm vụ mục tiêu là hạn chế. Tùy chỉnh mô hình sử dụng các trọng số được đào tạo trước đã học được trên các tập dữ liệu lớn hơn để khắc phục tình trạng khan hiếm dữ liệu này.
- Cải thiện hiệu suất nhiệm vụ – Tinh chỉnh hầu như luôn cải thiện hiệu suất của các tác vụ mục tiêu so với việc sử dụng các trọng số được huấn luyện trước ban đầu. Việc tối ưu hóa mô hình cho mục đích sử dụng này cho phép bạn triển khai FM thành công trong các ứng dụng thực.
Việc tùy chỉnh mô hình có độ phức tạp cao hơn kỹ thuật nhắc nhở và RAG vì trọng lượng và thông số của mô hình đang được thay đổi thông qua các tập lệnh điều chỉnh, đòi hỏi chuyên môn về khoa học dữ liệu và ML. Tuy nhiên, Amazon Bedrock làm cho việc này trở nên đơn giản hơn bằng cách cung cấp cho bạn trải nghiệm được quản lý để tùy chỉnh các mô hình với tinh chỉnh or tiếp tục đào tạo trước. Tùy chỉnh mô hình cung cấp kết quả có độ chính xác cao với chất lượng đầu ra tương đương với RAG. Vì bạn đang cập nhật trọng số mô hình trên dữ liệu theo miền cụ thể nên mô hình sẽ tạo ra nhiều phản hồi theo ngữ cảnh hơn. So với RAG, chất lượng có thể nhỉnh hơn một chút tùy vào trường hợp sử dụng. Vì vậy, điều quan trọng là tiến hành phân tích đánh đổi giữa hai kỹ thuật. Bạn có thể triển khai RAG bằng một mô hình tùy chỉnh.
Đào tạo lại hoặc đào tạo lại từ đầu
Xây dựng mô hình AI nền tảng của riêng bạn thay vì chỉ sử dụng các mô hình công khai được đào tạo trước cho phép kiểm soát tốt hơn, cải thiện hiệu suất và tùy chỉnh cho các trường hợp sử dụng và dữ liệu cụ thể của tổ chức của bạn. Đầu tư vào việc tạo ra một đài FM phù hợp có thể mang lại khả năng thích ứng, nâng cấp và kiểm soát khả năng tốt hơn. Đào tạo phân tán cho phép khả năng mở rộng cần thiết để đào tạo các FM rất lớn trên các bộ dữ liệu lớn trên nhiều máy. Sự song song hóa này làm cho các mô hình có hàng trăm tỷ tham số được đào tạo trên hàng nghìn tỷ mã thông báo trở nên khả thi. Các mô hình lớn hơn có khả năng học hỏi và khái quát hóa cao hơn.
Đào tạo từ đầu có thể tạo ra kết quả chất lượng cao vì mô hình đang đào tạo dựa trên dữ liệu dành riêng cho từng trường hợp sử dụng từ đầu nên khả năng xảy ra ảo giác là rất hiếm và độ chính xác của đầu ra có thể thuộc loại cao nhất. Tuy nhiên, nếu tập dữ liệu của bạn không ngừng phát triển, bạn vẫn có thể gặp phải vấn đề về ảo giác. Đào tạo từ đầu có độ phức tạp và chi phí triển khai cao nhất. Nó đòi hỏi nhiều nỗ lực nhất vì nó đòi hỏi phải thu thập một lượng lớn dữ liệu, quản lý và xử lý dữ liệu cũng như đào tạo một FM khá lớn, đòi hỏi khoa học dữ liệu sâu và chuyên môn ML. Cách tiếp cận này tốn nhiều thời gian (thường có thể mất vài tuần đến vài tháng).
Bạn nên cân nhắc việc đào tạo FM từ đầu khi không có phương pháp nào khác phù hợp với bạn và bạn có khả năng xây dựng FM với một lượng lớn dữ liệu được mã hóa được quản lý tốt, ngân sách phức tạp và đội ngũ chuyên gia ML có tay nghề cao . AWS cung cấp cơ sở hạ tầng đám mây tiên tiến nhất để đào tạo và chạy LLM cũng như các FM khác được hỗ trợ bởi GPU và chip đào tạo ML chuyên dụng, Đào tạo AWSvà bộ tăng tốc suy luận ML, Suy luận AWS. Để biết thêm chi tiết về đào tạo LLM trên SageMaker, hãy tham khảo Đào tạo các mô hình ngôn ngữ lớn trên Amazon SageMaker: Các phương pháp hay nhất và SageMaker HyperPod.
Chọn cách tiếp cận phù hợp để phát triển các ứng dụng AI tổng quát
Khi phát triển các ứng dụng Generative AI, các tổ chức phải xem xét cẩn thận một số yếu tố chính trước khi lựa chọn mô hình phù hợp nhất để đáp ứng nhu cầu của mình. Cần xem xét nhiều khía cạnh khác nhau, chẳng hạn như chi phí (để đảm bảo mô hình đã chọn phù hợp với hạn chế về ngân sách), chất lượng (để cung cấp đầu ra mạch lạc và chính xác về mặt thực tế), tích hợp liền mạch với các nền tảng và quy trình làm việc hiện tại của doanh nghiệp, đồng thời giảm ảo giác hoặc tạo ra thông tin sai lệch . Với nhiều tùy chọn có sẵn, việc dành thời gian để đánh giá kỹ lưỡng các khía cạnh này sẽ giúp các tổ chức lựa chọn mô hình AI tổng quát phục vụ tốt nhất các yêu cầu và ưu tiên cụ thể của họ. Bạn nên kiểm tra kỹ các yếu tố sau:
- Tích hợp với hệ thống doanh nghiệp – Để FM thực sự hữu ích trong bối cảnh doanh nghiệp, chúng cần tích hợp và tương tác với các hệ thống kinh doanh và quy trình làm việc hiện có. Điều này có thể liên quan đến việc truy cập dữ liệu từ cơ sở dữ liệu, lập kế hoạch nguồn lực doanh nghiệp (ERP) và quản lý quan hệ khách hàng (CRM), cũng như kích hoạt các hành động và quy trình làm việc. Nếu không có sự tích hợp thích hợp, FM có nguy cơ trở thành một công cụ biệt lập. Các hệ thống doanh nghiệp như ERP chứa dữ liệu kinh doanh quan trọng (khách hàng, sản phẩm, đơn đặt hàng). FM cần được kết nối với các hệ thống này để sử dụng dữ liệu doanh nghiệp thay vì xử lý biểu đồ tri thức của riêng nó, điều này có thể không chính xác hoặc lỗi thời. Điều này đảm bảo tính chính xác và một nguồn sự thật duy nhất.
- Ảo giác – Ảo giác là khi ứng dụng AI tạo ra thông tin sai lệch có vẻ như là sự thật. Những điều này cần phải được giải quyết cẩn thận trước khi FM được áp dụng rộng rãi. Ví dụ: một chatbot y tế được thiết kế để cung cấp các đề xuất chẩn đoán có thể gây ảo giác chi tiết về các triệu chứng hoặc tiền sử bệnh của bệnh nhân, khiến nó đưa ra chẩn đoán không chính xác. Việc ngăn chặn những ảo giác có hại như thế này thông qua các giải pháp kỹ thuật và quản lý dữ liệu sẽ rất quan trọng để đảm bảo những FM này có thể đáng tin cậy cho các ứng dụng nhạy cảm như chăm sóc sức khỏe, tài chính và pháp lý. Việc kiểm tra kỹ lưỡng và minh bạch về dữ liệu đào tạo của FM cũng như các sai sót còn lại sẽ cần phải đi kèm với quá trình triển khai.
- Kỹ năng và nguồn lực – Việc áp dụng thành công FM sẽ phụ thuộc rất nhiều vào việc có các kỹ năng và nguồn lực phù hợp để sử dụng công nghệ một cách hiệu quả. Các tổ chức cần nhân viên có kỹ năng kỹ thuật vững vàng để triển khai, tùy chỉnh và duy trì FM đúng cách cho phù hợp với nhu cầu cụ thể của họ. Chúng cũng yêu cầu nhiều tài nguyên tính toán như khả năng phần cứng và điện toán đám mây tiên tiến để chạy các FM phức tạp. Ví dụ: nhóm tiếp thị muốn sử dụng FM để tạo bản sao quảng cáo và bài đăng trên mạng xã hội cần có kỹ sư lành nghề để tích hợp hệ thống, người sáng tạo để đưa ra lời nhắc và đánh giá chất lượng đầu ra cũng như đủ sức mạnh điện toán đám mây để triển khai mô hình một cách hiệu quả về mặt chi phí. Đầu tư phát triển chuyên môn và cơ sở hạ tầng kỹ thuật sẽ giúp các tổ chức đạt được giá trị kinh doanh thực sự từ việc áp dụng FM.
- Chất lượng đầu ra – Chất lượng đầu ra do FM tạo ra sẽ rất quan trọng trong việc xác định việc áp dụng và sử dụng chúng, đặc biệt là trong các ứng dụng hướng tới người tiêu dùng như chatbot. Nếu các chatbot được hỗ trợ bởi FM cung cấp phản hồi không chính xác, vô nghĩa hoặc không phù hợp, người dùng sẽ nhanh chóng cảm thấy thất vọng và ngừng tương tác với chúng. Do đó, các công ty muốn triển khai chatbot cần phải kiểm tra nghiêm ngặt các FM điều khiển chúng để đảm bảo chúng luôn tạo ra phản hồi chất lượng cao, hữu ích, phù hợp và phù hợp nhằm mang lại trải nghiệm tốt cho người dùng. Chất lượng đầu ra bao gồm các yếu tố như mức độ liên quan, độ chính xác, mạch lạc và phù hợp, tất cả đều góp phần mang lại sự hài lòng chung cho người dùng và sẽ tạo ra hoặc phá vỡ việc áp dụng FM giống như FM được sử dụng cho chatbot.
- Phí Tổn – Sức mạnh tính toán cao cần thiết để đào tạo và chạy các mô hình AI lớn như FM có thể phải chịu chi phí đáng kể. Nhiều tổ chức có thể thiếu nguồn tài chính hoặc cơ sở hạ tầng đám mây cần thiết để sử dụng các mô hình lớn như vậy. Ngoài ra, việc tích hợp và tùy chỉnh FM cho các trường hợp sử dụng cụ thể sẽ làm tăng thêm chi phí kỹ thuật. Các chi phí đáng kể cần thiết để sử dụng FM có thể ngăn cản việc áp dụng rộng rãi, đặc biệt là ở các công ty nhỏ hơn và các công ty khởi nghiệp có ngân sách hạn chế. Đánh giá lợi tức đầu tư tiềm năng và cân nhắc chi phí so với lợi ích của FM là rất quan trọng đối với các tổ chức đang xem xét ứng dụng và tiện ích của chúng. Hiệu quả chi phí có thể sẽ là yếu tố quyết định xem liệu và làm thế nào những mô hình mạnh mẽ nhưng tốn nhiều tài nguyên này có thể được triển khai khả thi hay không.
Quyết định thiết kế
Như chúng tôi đã trình bày trong bài đăng này, hiện có nhiều kỹ thuật AI khác nhau, chẳng hạn như kỹ thuật nhanh chóng, RAG và tùy chỉnh mô hình. Sự lựa chọn đa dạng này khiến các công ty gặp khó khăn trong việc xác định phương pháp tối ưu cho trường hợp sử dụng cụ thể của họ. Việc lựa chọn bộ kỹ thuật phù hợp phụ thuộc vào nhiều yếu tố khác nhau, bao gồm quyền truy cập vào nguồn dữ liệu bên ngoài, nguồn cấp dữ liệu thời gian thực và tính đặc thù của miền của ứng dụng dự định. Để hỗ trợ xác định kỹ thuật phù hợp nhất dựa trên trường hợp sử dụng và những cân nhắc liên quan, chúng tôi xem qua biểu đồ sau, trong đó nêu ra các đề xuất để đáp ứng các nhu cầu và ràng buộc cụ thể bằng các phương pháp thích hợp.
Để hiểu rõ hơn, chúng ta hãy xem qua biểu đồ luồng quyết định thiết kế bằng một vài ví dụ minh họa:
- Tìm kiếm doanh nghiệp – Một nhân viên đang muốn xin nghỉ phép khỏi tổ chức của họ. Để đưa ra phản hồi phù hợp với chính sách nhân sự của tổ chức, FM cần nhiều bối cảnh hơn ngoài kiến thức và khả năng của chính mình. Cụ thể, FM yêu cầu quyền truy cập vào các nguồn dữ liệu bên ngoài cung cấp các chính sách và hướng dẫn nhân sự có liên quan. Với kịch bản này về yêu cầu của nhân viên yêu cầu tham chiếu đến dữ liệu cụ thể của miền bên ngoài, phương pháp được đề xuất theo biểu đồ quy trình là kỹ thuật nhanh chóng với RAG. RAG sẽ giúp cung cấp dữ liệu liên quan từ các nguồn dữ liệu bên ngoài làm bối cảnh cho FM.
- Tìm kiếm doanh nghiệp với đầu ra dành riêng cho tổ chức – Giả sử bạn có bản vẽ kỹ thuật và bạn muốn trích xuất danh mục vật liệu từ chúng, định dạng đầu ra theo tiêu chuẩn ngành. Để thực hiện việc này, bạn có thể sử dụng kỹ thuật kết hợp kỹ thuật nhắc nhở với RAG và mô hình ngôn ngữ được tinh chỉnh. Mô hình tinh chỉnh sẽ được đào tạo để tạo ra các danh mục vật liệu khi đưa bản vẽ kỹ thuật làm đầu vào. RAG giúp tìm các bản vẽ kỹ thuật phù hợp nhất từ nguồn dữ liệu của tổ chức để cung cấp cho bối cảnh của FM. Nhìn chung, phương pháp này trích xuất các danh mục vật liệu từ bản vẽ kỹ thuật và cấu trúc đầu ra phù hợp cho lĩnh vực kỹ thuật.
- Tìm kiếm chung – Hãy tưởng tượng bạn muốn tìm ra danh tính của vị Tổng thống thứ 30 của Hoa Kỳ. Bạn có thể sử dụng kỹ thuật nhanh chóng để nhận được câu trả lời từ FM. Vì những mô hình này được đào tạo trên nhiều nguồn dữ liệu nên chúng thường có thể đưa ra câu trả lời chính xác cho những câu hỏi thực tế như thế này.
- Tìm kiếm chung với các sự kiện gần đây – Nếu bạn muốn xác định giá cổ phiếu hiện tại của Amazon, bạn có thể sử dụng phương pháp kỹ thuật nhanh chóng với đại lý. Đại lý sẽ cung cấp cho FM giá cổ phiếu gần đây nhất để có thể tạo ra phản hồi thực tế.
Kết luận
AI sáng tạo mang lại tiềm năng to lớn cho các tổ chức nhằm thúc đẩy đổi mới và tăng năng suất trên nhiều ứng dụng. Tuy nhiên, việc áp dụng thành công các công nghệ AI mới nổi này đòi hỏi phải giải quyết các cân nhắc chính xung quanh việc tích hợp, chất lượng đầu ra, kỹ năng, chi phí và các rủi ro tiềm ẩn như ảo giác có hại hoặc lỗ hổng bảo mật. Các tổ chức cần thực hiện một cách tiếp cận có hệ thống để đánh giá các yêu cầu và ràng buộc trong trường hợp sử dụng của mình nhằm xác định các kỹ thuật phù hợp nhất để điều chỉnh và áp dụng FM. Như đã nhấn mạnh trong bài đăng này, kỹ thuật nhanh chóng, RAG và các phương pháp tùy chỉnh mô hình hiệu quả đều có điểm mạnh và điểm yếu riêng phù hợp với các tình huống khác nhau. Bằng cách lập bản đồ nhu cầu kinh doanh với các khả năng AI bằng cách sử dụng khung có cấu trúc, các tổ chức có thể vượt qua các rào cản trong quá trình triển khai và bắt đầu nhận ra lợi ích từ FM đồng thời xây dựng các biện pháp bảo vệ để quản lý rủi ro. Với kế hoạch chu đáo dựa trên các ví dụ thực tế, các doanh nghiệp trong mọi ngành có thể khai thác giá trị to lớn từ làn sóng AI mới này. Tìm hiểu về AI sáng tạo trên AWS.
Về các tác giả
Jay Rao là Kiến trúc sư giải pháp chính tại AWS. Anh ấy tập trung vào các công nghệ AI/ML và đặc biệt quan tâm đến Generative AI và Computer Vision. Tại AWS, anh thích cung cấp hướng dẫn kỹ thuật và chiến lược cho khách hàng, đồng thời giúp họ thiết kế và triển khai các giải pháp thúc đẩy kết quả kinh doanh. Ông là tác giả sách (Computer Vision trên AWS), thường xuyên xuất bản blog và mã mẫu, đồng thời từng thuyết trình tại các hội nghị công nghệ như AWS re:Invent.
Babu Kariyaden Parambath là Chuyên gia AI/ML cấp cao tại AWS. Tại AWS, anh thích làm việc với khách hàng trong việc giúp họ xác định trường hợp sử dụng kinh doanh phù hợp với giá trị kinh doanh và giải quyết nó bằng các giải pháp và dịch vụ AI/ML của AWS. Trước khi gia nhập AWS, Babu là một nhà truyền bá AI với 20 năm kinh nghiệm trong nhiều ngành khác nhau, mang lại giá trị kinh doanh dựa trên AI cho khách hàng.
- Phân phối nội dung và PR được hỗ trợ bởi SEO. Được khuếch đại ngay hôm nay.
- PlatoData.Network Vertical Generative Ai. Trao quyền cho chính mình. Truy cập Tại đây.
- PlatoAiStream. Thông minh Web3. Kiến thức khuếch đại. Truy cập Tại đây.
- Trung tâmESG. Than đá, công nghệ sạch, Năng lượng, Môi trường Hệ mặt trời, Quản lý chất thải. Truy cập Tại đây.
- PlatoSức khỏe. Tình báo thử nghiệm lâm sàng và công nghệ sinh học. Truy cập Tại đây.
- nguồn: https://aws.amazon.com/blogs/machine-learning/best-practices-to-build-generative-ai-applications-on-aws/
- : có
- :là
- :không phải
- :Ở đâu
- 1
- 100
- 116
- 2%
- 20
- 20 năm
- 2017
- 2022
- 30th
- a
- có khả năng
- Có khả năng
- Giới thiệu
- gia tốc
- truy cập
- truy cập
- hộ tống
- Theo
- Tài khoản
- chính xác
- chính xác
- chính xác
- Đạt được
- ngang qua
- diễn xuất
- hành động
- thực tế
- thích ứng
- khả năng thích nghi
- thích ứng
- thích nghi
- thích nghi
- thêm
- thêm vào
- Ngoài ra
- địa chỉ
- giải quyết
- địa chỉ
- giải quyết
- Thêm
- đầy đủ
- nhận nuôi
- con nuôi
- Nhận nuôi
- Nhận con nuôi
- tiên tiến
- thăng tiến
- lợi thế
- Quảng cáo
- Đại lý
- đại lý
- AI
- Mô hình AI
- ai nghiên cứu
- Hỗ trợ AI
- AI / ML
- Hỗ trợ
- Mục tiêu
- AL
- sắp xếp
- căn chỉnh
- Căn chỉnh
- Tất cả
- cho phép
- Cho phép
- cho phép
- gần như
- cô đơn
- Ngoài ra
- Mặc dù
- luôn luôn
- đàn bà gan dạ
- Amazon Kendra
- Amazon SageMaker
- Khởi động Amazon SageMaker
- Amazon Web Services
- trong số
- giữa
- số lượng
- an
- phân tích
- và
- và cơ sở hạ tầng
- trả lời
- trả lời
- câu trả lời
- nhân loại
- bất kì
- api
- API
- ứng dụng
- xuất hiện
- Các Ứng Dụng
- các ứng dụng
- Nộp đơn
- phương pháp tiếp cận
- cách tiếp cận
- thích hợp
- thích hợp
- kiến trúc
- LÀ
- nảy sinh
- số học
- xung quanh
- bài viết
- AS
- các khía cạnh
- đánh giá
- Trợ lý
- liên kết
- At
- tăng
- tăng cường
- tác giả
- Tự động
- tự động hóa
- tự động
- tự chủ
- có sẵn
- AWS
- AWS re: Invent
- cơ sở
- dựa
- BE
- bởi vì
- trở nên
- trước
- bắt đầu
- hành vi
- hành vi
- được
- điểm chuẩn
- Lợi ích
- BEST
- thực hành tốt nhất
- Hơn
- giữa
- Ngoài
- thành kiến
- Hóa đơn
- tỷ
- Hóa đơn
- y sinh
- blog
- cuốn sách
- đặt phòng
- tăng
- cả hai
- thương hiệu
- Nghỉ giải lao
- Phá vỡ
- nghỉ giải lao
- rộng
- rộng hơn
- ngân sách
- Ngân sách
- xây dựng
- Xây dựng
- xây dựng
- được xây dựng trong
- kinh doanh
- các doanh nghiệp
- nhưng
- by
- gọi
- CAN
- Có thể có được
- khả năng
- khả năng
- có khả năng
- Sức chứa
- cẩn thận
- mang
- trường hợp
- trường hợp
- nhất định
- thách thức
- thách thức
- thách thức
- tỷ lệ cược
- thay đổi
- thay đổi
- Những thay đổi
- thay đổi
- nhân vật
- Biểu đồ
- chatbot
- chatbot
- Chip
- sự lựa chọn
- lựa chọn
- Chọn
- phân loại
- claude
- Làm sạch
- trong sáng
- chặt chẽ
- đám mây
- điện toán đám mây
- cơ sở hạ tầng đám mây
- mã
- Lập trình
- mạch lạc
- Thu
- kết hợp
- kết hợp
- Đến
- đến
- Chung
- Các công ty
- công ty
- Của công ty
- so sánh
- so
- hoàn thành
- phức tạp
- phức tạp
- tuân thủ
- các thành phần
- hiểu
- tính toán
- khả năng tính toán
- tính toán
- Tính
- máy tính
- Tầm nhìn máy tính
- máy tính
- khả năng tính toán
- Tiến hành
- hội nghị
- Kết nối
- kết nối
- Kết nối
- Hãy xem xét
- đáng kể
- sự cân nhắc
- xem xét
- xem xét
- nhất quán
- An ủi
- liên tục
- khó khăn
- tiêu thụ
- chứa
- nội dung
- bối cảnh
- bối cảnh
- theo ngữ cảnh
- tiếp tục
- tiếp tục
- Góp phần
- điều khiển
- đàm thoại
- cuộc hội thoại
- bản sao
- Trung tâm
- Phí Tổn
- Chi phí
- có thể
- che
- bảo hiểm
- phủ
- tạo
- Tạo
- Sáng tạo
- sáng tạo
- quan trọng
- CRM
- quan trọng
- sắp xếp
- sự giám tuyển
- Current
- Hiện nay
- khách hàng
- khách hàng
- kinh nghiệm khach hang
- Quan hệ khách hàng
- quản trị quan hệ khách hàng
- khách hàng
- tùy biến
- tùy chỉnh
- tùy chỉnh
- dữ liệu
- dữ liệu riêng tư
- Bảo mật và bảo mật dữ liệu
- xử lý dữ liệu
- khoa học dữ liệu
- cơ sở dữ liệu
- bộ dữ liệu
- xử lý
- Quyết định
- quyết định
- sâu
- Bằng cấp
- cung cấp
- giao
- phân phối
- Nhu cầu
- chứng minh
- phụ thuộc
- Tùy
- phụ thuộc
- triển khai
- triển khai
- triển khai
- triển khai
- Thiết kế
- thiết kế
- thiết kế
- mong muốn
- chi tiết
- Xác định
- xác định
- phát triển
- Nhà phát triển
- phát triển
- phát triển
- Phát triển
- chẩn đoán
- khác nhau
- khó khăn
- trực tiếp
- phát hiện
- thảo luận
- phân phối
- đào tạo phân tán
- khác nhau
- do
- tài liệu
- Không
- đô la
- miền
- lĩnh vực
- xuống
- tinh giản biên chế
- Bản vẽ
- lái xe
- điều khiển
- hai
- suốt trong
- năng động
- E&T
- mỗi
- dễ dàng
- Hiệu quả
- hiệu quả
- hiệu quả
- hiệu quả
- hiệu quả
- nỗ lực
- các yếu tố
- đủ điều kiện
- loại bỏ
- nhúng
- sự xuất hiện
- mới nổi
- Công nhân
- nhân viên
- nâng cao vị thế
- cho phép
- cho phép
- cho phép
- bao trùm
- mã hóa
- mã hóa
- cuối
- Cuối cùng đến cuối
- tương tác
- Động cơ
- Kỹ Sư
- Kỹ sư
- nâng cao
- làm giàu
- đảm bảo
- đảm bảo
- đảm bảo
- Doanh nghiệp
- thực thể
- thực thể
- Môi trường
- môi trường
- trang bị
- ERP
- đặc biệt
- thành lập
- Ether (ETH)
- đánh giá
- đánh giá
- Thuyết phúc âm
- Mỗi
- tất cả mọi thứ
- phát triển
- kiểm tra
- ví dụ
- ví dụ
- thú vị
- triển lãm
- hiện tại
- chi phí
- đắt tiền
- kinh nghiệm
- thí nghiệm
- chuyên gia
- chuyên môn
- các chuyên gia
- khám phá
- mở rộng
- ngoài
- trích xuất
- Chất chiết xuất
- cực kỳ
- Đối mặt
- yếu tố
- các yếu tố
- sự kiện
- Thực tế
- FAIL
- khá
- Rơi
- sai
- khả thi
- vài
- tài chính
- tài chính
- Tìm kiếm
- phát hiện
- năm
- sai sót
- Linh hoạt
- chuyến bay
- dòng chảy
- Tập trung
- tập trung
- tiếp theo
- Trong
- Nền tảng
- nền tảng
- Khung
- khung
- thường xuyên
- từ
- thất vọng
- Hoàn thành
- Full
- đầy đủ
- xa hơn
- Thu được
- khoảng cách
- thu thập
- GDPR
- Tổng Quát
- mục đích chung
- tạo ra
- tạo ra
- tạo
- tạo ra
- thế hệ
- thế hệ
- Trí tuệ nhân tạo
- được
- Cho
- được
- Go
- tốt
- quản trị
- GPU
- đồ thị
- tuyệt vời
- lớn hơn
- Mặt đất
- căn cứ
- hướng dẫn
- hướng dẫn
- hướng dẫn
- Xử lý
- phần cứng
- có hại
- khai thác
- Có
- có
- he
- chăm sóc sức khỏe
- nặng nề
- giúp đỡ
- hữu ích
- giúp đỡ
- giúp
- Cao
- hiệu suất cao
- chất lượng cao
- cao hơn
- cao nhất
- nhiệt độ cao nhất
- Nhấn mạnh
- cao
- lịch sử
- Độ đáng tin của
- Hướng dẫn
- Tuy nhiên
- hr
- HTML
- HTTPS
- Hub
- Hàng trăm
- Vượt rào
- Điều chỉnh siêu tham số
- ý tưởng
- ý tưởng
- xác định
- xác định
- Bản sắc
- if
- hình ảnh
- bao la
- Va chạm
- ảnh hưởng lớn
- Tác động
- thực hiện
- thực hiện
- quan trọng
- nâng cao
- cải thiện
- cải thiện
- cải thiện
- in
- không chính xác
- không thích hợp
- Bao gồm
- độc lập
- chỉ
- ngành công nghiệp
- tiêu chuẩn công nghiệp
- thông tin
- Cơ sở hạ tầng
- sự đổi mới
- đổi mới
- đầu vào
- những hiểu biết
- truyền cảm hứng
- Viện
- hướng dẫn
- tích hợp
- Tích hợp
- hội nhập
- dự định
- tương tác
- quan tâm
- thú vị
- Giao thức
- Trung cấp
- nội bộ
- Internet
- tương tác
- trong
- giới thiệu
- hàng tồn kho
- đầu tư
- đầu tư
- liên quan
- tham gia
- liên quan đến
- bị cô lập
- các vấn đề
- IT
- ITS
- tham gia
- chỉ
- Keen
- Key
- phím
- kiến thức
- biết
- Phòng thí nghiệm
- Thiếu sót
- Ngôn ngữ
- Ngôn ngữ
- lớn
- lớn hơn
- lớp
- dẫn
- hàng đầu
- LEARN
- học
- học tập
- Rời bỏ
- Hợp pháp
- cho phép
- LG
- Lượt thích
- Có khả năng
- hạn chế
- Hạn chế
- dòng
- Loài đà mã ở nam mỹ
- logic
- hợp lý
- tìm kiếm
- Thấp
- máy
- học máy
- Máy móc
- duy trì
- làm cho
- LÀM CHO
- Làm
- quản lý
- quản lý
- quản lý
- nhãn hiệu
- nhiều
- lập bản đồ
- giới hạn
- Marketing
- lớn
- ồ ạt
- phù hợp
- nguyên vật liệu
- Có thể..
- Phương tiện truyền thông
- y khoa
- Gặp gỡ
- Siêu dữ liệu
- phương pháp
- phương pháp
- Might
- hàng triệu
- giảm thiểu
- ML
- kiểu mẫu
- mô hình
- tháng
- chi tiết
- hầu hết
- di chuyển
- phải
- Tự nhiên
- cần thiết
- Cần
- cần thiết
- cần
- nhu cầu
- tiêu cực
- Mới
- thế hệ kế tiếp
- Không áp dụng
- tại
- of
- off
- Cung cấp
- thường
- on
- ONE
- có thể
- Hoạt động
- Cơ hội
- tối ưu
- tối ưu hóa
- Các lựa chọn
- or
- dàn nhạc
- gọi món
- đơn đặt hàng
- cơ quan
- tổ chức
- tổ chức
- nguyên
- ban đầu
- Nền tảng khác
- ra
- kết quả
- lỗi thời
- đề cương
- Vượt trội hơn
- đầu ra
- kết quả đầu ra
- kết thúc
- tổng thể
- Vượt qua
- tổng quan
- riêng
- cặp
- giấy tờ
- thông số
- riêng
- đặc biệt
- đoạn
- qua
- thực hiện
- hiệu suất
- biểu diễn
- riêng
- Cá nhân
- cụm từ
- miếng
- đường ống dẫn
- lập kế hoạch
- Nền tảng
- plato
- Thông tin dữ liệu Plato
- PlatoDữ liệu
- âm mưu
- Hệ thống nước
- điểm
- Chính sách
- Phổ biến
- có thể
- Bài đăng
- bài viết
- tiềm năng
- có khả năng
- quyền lực
- -
- mạnh mẽ
- Thực tế
- thực hành
- thực hành
- ưu đãi
- Chủ tịch
- ngăn chặn
- trước đây
- giá
- giá
- Hiệu trưởng
- Trước khi
- riêng tư
- Bảo mật và An ninh
- riêng
- Vấn đề
- vấn đề
- quá trình
- xử lý
- sản xuất
- Sản xuất
- sản xuất
- năng suất
- Sản phẩm
- Hồ sơ
- Lập trình
- quảng bá
- nhắc nhở
- đúng
- đúng
- đề xuất
- độc quyền
- cho
- nhà cung cấp
- cung cấp
- cung cấp
- công khai
- công bố
- Xuất bản
- kéo
- mua
- đơn đặt hàng
- chất lượng
- truy vấn
- câu hỏi
- Câu hỏi
- Mau
- giẻ lau
- phạm vi
- nhanh
- nhanh chóng
- HIẾM HOI
- hơn
- Nguyên
- dữ liệu thô
- RE
- Phản ứng
- thực
- giá trị thực
- thế giới thực
- thời gian thực
- dữ liệu theo thời gian thực
- nhận ra
- lý luận
- gần đây
- công nhận
- Khuyến nghị
- khuyến nghị
- đề nghị
- giảm
- giảm
- xem
- giới thiệu
- thường xuyên
- mối quan hệ
- Quản lý quan hệ
- sự liên quan
- có liên quan
- dựa vào
- còn lại
- đáng chú ý
- Báo cáo
- danh tiếng
- yêu cầu
- yêu cầu
- yêu cầu
- cần phải
- Yêu cầu
- đòi hỏi
- điều kiện cần thiết
- nghiên cứu
- tài nguyên
- nguồn lực chuyên sâu
- Thông tin
- Trả lời
- phản ứng
- phản ứng
- REST của
- Kết quả
- đào tạo lại
- thu hồi
- trở lại
- doanh thu
- Đánh giá
- ngay
- rủi ro
- thường xuyên
- chạy
- chạy
- an toàn hơn
- nhà làm hiền triết
- tương tự
- sự hài lòng
- khả năng mở rộng
- khả năng mở rộng
- Quy mô
- Sự khan hiếm
- kịch bản
- kịch bản
- Khoa học
- các nhà khoa học
- xước
- kịch bản
- liền mạch
- Tìm kiếm
- Phần
- an toàn
- an ninh
- Rủi ro bảo mật
- chọn
- lựa chọn
- lựa chọn
- cao cấp
- nhạy cảm
- tình cảm
- cảm xúc
- Không có máy chủ
- phục vụ
- dịch vụ
- DỊCH VỤ
- phục vụ
- Phiên
- định
- bộ
- thiết lập
- một số
- Hình dạng
- chia sẻ
- ngắn
- nên
- Chương trình
- có ý nghĩa
- đáng kể
- tương tự
- Đơn giản
- duy nhất
- lành nghề
- kỹ năng
- nhỏ hơn
- So
- Mạng xã hội
- truyền thông xã hội
- Bài đăng trên mạng xã hội
- chỉ duy nhất
- rắn
- giải pháp
- Giải pháp
- động SOLVE
- Giải quyết
- một số
- tinh vi
- nguồn
- nguồn
- chuyên gia
- Chuyên môn hoá
- chuyên nghành
- chuyên
- riêng
- đặc biệt
- tính cụ thể
- Tính ổn định
- đứng
- tiêu chuẩn
- Bắt đầu
- bắt đầu
- Startups
- Bang
- Bước
- Các bước
- Vẫn còn
- cổ phần
- Dừng
- hàng
- cửa hàng
- Những câu chuyện
- Câu chuyện
- đơn giản
- Chiến lược
- thế mạnh
- mạnh mẽ
- cấu trúc
- cấu trúc
- cấu trúc
- phong cách
- đáng kể
- thành công
- Thành công
- như vậy
- đủ
- đề nghị
- Bộ đồ
- phù hợp
- siêu phí
- cung cấp
- hỗ trợ
- Hỗ trợ
- giả sử
- chắc chắn
- Các triệu chứng
- hệ thống
- hệ thống
- giải quyết
- phù hợp
- Hãy
- dùng
- Năng lực
- nói
- Các cuộc đàm phán
- Tập
- Mục tiêu
- Nhiệm vụ
- nhiệm vụ
- nhóm
- công nghệ cao
- Kỹ thuật
- kĩ năng công nghệ
- kỹ thuật
- kỹ thuật
- Công nghệ
- Công nghệ
- đổi mới công nghệ
- mẫu
- thuật ngữ
- thử nghiệm
- Kiểm tra
- văn bản
- Phân loại văn bản
- tạo văn bản
- hơn
- việc này
- Sản phẩm
- thông tin
- cung cấp their dịch
- Them
- sau đó
- Đó
- vì thế
- Kia là
- họ
- Hãy suy nghĩ
- của bên thứ ba
- điều này
- triệt để
- triệt để
- những
- hàng ngàn
- số ba
- Thông qua
- thời gian
- mất thời gian
- đến
- được mã hóa
- Tokens
- công cụ
- công cụ
- hàng đầu
- chủ đề
- Chủ đề
- đối với
- giao thông
- Train
- đào tạo
- Hội thảo
- quá cảnh
- dịch
- Dịch
- Minh bạch
- kinh hai
- kích hoạt
- trillions
- thực sự
- NIỀM TIN
- đáng tin cậy
- đáng tin cậy
- Sự thật
- điều chỉnh
- XOAY
- tinh chỉnh
- hai
- thường
- không thể
- hiểu
- sự hiểu biết
- độc đáo
- Kỳ
- Hoa Kỳ
- mở khóa
- chưa được khai thác
- không mong muốn
- up-to-date
- Cập nhật
- cập nhật
- cập nhật
- nâng cấp
- sử dụng
- ca sử dụng
- đã sử dụng
- hữu ích
- người sử dang
- Kinh nghiệm người dùng
- Người sử dụng
- sử dụng
- sử dụng
- Sử dụng độc quyền
- tiện ích
- HIỆU LỰC
- giá trị
- nhiều
- khác nhau
- Lớn
- vector
- rất
- thông qua
- tầm nhìn
- trực quan
- vs
- Lỗ hổng
- đi bộ
- muốn
- mong muốn
- là
- Sóng
- Đường..
- we
- những điểm yếu
- web
- các dịch vụ web
- tuần
- nặng
- trọng lượng
- TỐT
- Điều gì
- khi nào
- trong khi
- liệu
- cái nào
- trong khi
- rộng
- Phạm vi rộng
- rộng rãi
- phổ biến rộng rãi
- Wikipedia
- sẽ
- với
- ở trong
- không có
- Công việc
- quy trình làm việc
- Luồng công việc
- đang làm việc
- sẽ
- viết
- viết
- viết
- năm
- Năng suất
- bạn
- trên màn hình
- zephyrnet