Generative AI-agenter er i stand til at producere menneskelignende svar og deltage i samtaler med naturligt sprog ved at orkestrere en kæde af opkald til fundamentmodeller (FM'er) og andre forstærkende værktøjer baseret på brugerinput. I stedet for kun at opfylde foruddefinerede hensigter gennem et statisk beslutningstræ, er agenter autonome inden for rammerne af deres suite af tilgængelige værktøjer. Amazonas grundfjeld er en fuldt administreret tjeneste, der gør førende FM'er fra AI-virksomheder tilgængelige via en API sammen med udviklerværktøjer til at hjælpe med at bygge og skalere generative AI-applikationer.
I dette indlæg demonstrerer vi, hvordan man bygger en generativ AI-agent for finansielle tjenester drevet af Amazon Bedrock. Agenten kan hjælpe brugere med at finde deres kontooplysninger, udfylde en låneansøgning eller besvare spørgsmål om naturligt sprog, samtidig med at de citerer kilder til de angivne svar. Denne løsning er beregnet til at fungere som et startpunkt for udviklere til at skabe deres egne personlige samtaleagenter til forskellige applikationer, såsom virtuelle arbejdere og kundesupportsystemer. Løsningskode og implementeringsaktiver kan findes i GitHub repository.
Amazon Lex leverer grænsefladen for naturlig sprogforståelse (NLU) og naturlig sprogbehandling (NLP) til open source LangChain samtaleagent indlejret i en AWS Amplify internet side. Agenten er udstyret med værktøjer, der inkluderer en Antropisk Claude 2.1 FM hostet på Amazon Bedrock og syntetiske kundedata gemt på Amazon DynamoDB , Amazon Kendra at levere følgende egenskaber:
- Giv personlige svar – Forespørg DynamoDB for kundekontooplysninger, såsom detaljer om realkreditlån, forfalden saldo og næste betalingsdato
- Få adgang til generel viden – Udnyt agentens ræsonnement logik i takt med de enorme mængder data, der bruges til at fortræne de forskellige FM'er, der leveres gennem Amazon Bedrock til at producere svar til enhver kundeprompt
- Udstyr meningsfulde svar – Informer agentsvar ved hjælp af et Amazon Kendra-indeks konfigureret med autoritative datakilder: kundedokumenter gemt i Amazon Simple Storage Service (Amazon S3) og Amazon Kendra Web Crawler konfigureret til kundens hjemmeside
Løsningsoversigt
Demo optagelse
Følgende demooptagelse fremhæver agentfunktionalitet og tekniske implementeringsdetaljer.
Løsningsarkitektur
Følgende diagram illustrerer løsningsarkitekturen.
Agentens svararbejdsgang omfatter følgende trin:
- Brugere udfører naturlig sprogdialog med agenten gennem deres valg af web-, SMS- eller talekanaler. Webkanalen inkluderer en Amplify-hostet hjemmeside med en Amazon Lex indlejret chatbot til en fiktiv kunde. SMS- og talekanaler kan valgfrit konfigureres vha Amazon Connect , integrering af beskeder til Amazon Lex. Hver brugeranmodning behandles af Amazon Lex for at bestemme brugerens hensigt gennem en proces kaldet hensigtsgenkendelse, som involverer analyse og fortolkning af brugerens input (tekst eller tale) for at forstå brugerens påtænkte handling eller formål.
- Amazon Lex påberåber sig derefter en AWS Lambda handler for opfyldelse af brugerens hensigt. Lambda-funktionen forbundet med Amazon Lex chatbot indeholder logikken og de forretningsregler, der kræves for at behandle brugerens hensigt. Lambda udfører specifikke handlinger eller henter information baseret på brugerens input, træffer beslutninger og genererer passende svar.
- Lambda instrumenterer logikken for finansielle tjenesters agenter som en LangChain-samtaleagent, der kan få adgang til kundespecifikke data, der er gemt på DynamoDB, kuratere meningsfulde svar ved hjælp af dine dokumenter og websider indekseret af Amazon Kendra, og give generelle vidensvar gennem FM'en på Amazon Bedrock. Svar genereret af Amazon Kendra inkluderer kildetilskrivning, der demonstrerer, hvordan du kan give yderligere kontekstuelle oplysninger til agenten gennem Retrieval Augmented Generation (KLUD). RAG giver dig mulighed for at forbedre din agents evne til at generere mere nøjagtige og kontekstuelt relevante svar ved hjælp af dine egne data.
Agent arkitektur
Følgende diagram illustrerer agentarkitekturen.
Agentens arbejdsgang for begrundelse omfatter følgende trin:
- LangChain-samtaleagenten inkorporerer samtalehukommelse, så den kan svare på flere forespørgsler med kontekstuel generering. Denne hukommelse giver agenten mulighed for at give svar, der tager højde for konteksten af den igangværende samtale. Dette opnås gennem kontekstuel generering, hvor agenten genererer svar, der er relevante og kontekstuelt passende baseret på den information, den har husket fra samtalen. I enklere vendinger husker agenten, hvad der blev sagt tidligere og bruger denne information til at svare på flere spørgsmål på en måde, der giver mening i den igangværende diskussion. Vores agent bruger LangChains DynamoDB chatbeskedhistorieklasse som en samtalehukommelsesbuffer, så den kan genkalde tidligere interaktioner og forbedre brugeroplevelsen med mere meningsfulde, kontekstbevidste svar.
- Agenten bruger Anthropic Claude 2.1 på Amazon Bedrock til at fuldføre den ønskede opgave gennem en række omhyggeligt selvgenererede tekstinput kendt som prompter. Det primære formål med hurtig ingeniørarbejde er at fremkalde specifikke og nøjagtige svar fra FM. Forskellige hurtige ingeniørteknikker inkluderer:
- Nulskud – Et enkelt spørgsmål præsenteres for modellen uden yderligere ledetråde. Modellen forventes at generere et svar udelukkende baseret på det givne spørgsmål.
- Få-skudt – Et sæt prøvespørgsmål og deres tilsvarende svar er inkluderet før det faktiske spørgsmål. Ved at udsætte modellen for disse eksempler lærer den at reagere på en lignende måde.
- Tankekæde – En specifik stil med få-skuds prompting, hvor prompten er designet til at indeholde en række mellemliggende ræsonnementtrin, der leder modellen gennem en logisk tankeproces, der i sidste ende fører til det ønskede svar.
Vores agent bruger tankekæder ved at køre et sæt handlinger, når vi modtager en anmodning. Efter hver handling går agenten ind i observationstrinnet, hvor den udtrykker en tanke. Hvis et endeligt svar endnu ikke er opnået, gentager agenten og vælger forskellige handlinger for at komme videre hen imod det endelige svar. Se følgende eksempelkode:
Tanke: Skal jeg bruge et værktøj? Ja
Handling: Handlingen der skal tages
Handlingsinput: Input til handlingen
Observation: Resultatet af handlingen
Tanke: Skal jeg bruge et værktøj? Ingen
FSI Agent: [svar og kildedokumenter]
- Som en del af agentens forskellige ræsonnementstier og selvevaluerende valg for at beslutte den næste handling, har den mulighed for at få adgang til syntetiske kundedatakilder gennem en Amazon Kendra Index Retriever værktøj. Ved hjælp af Amazon Kendra udfører agenten kontekstuel søgning på tværs af en lang række indholdstyper, herunder dokumenter, ofte stillede spørgsmål, vidensbaser, manualer og websteder. For flere detaljer om understøttede datakilder henvises til Data kilder. Agenten har magten til at bruge dette værktøj til at give meningsfulde svar på brugerspørgsmål, der bør besvares ved hjælp af et autoritativt, kundetilgivet vidensbibliotek i stedet for det mere generelle videnskorpus, der bruges til at fortræne Amazon Bedrock FM.
Implementeringsvejledning
I de følgende sektioner diskuterer vi de vigtigste trin til implementering af løsningen, herunder før- og efter-implementering.
Forudinstallation
Før du implementerer løsningen, skal du oprette din egen splittede version af løsningsarkivet med en token-sikret webhook for at automatisere kontinuerlig implementering af dit Amplify-websted. Amplify-konfigurationen peger på et GitHub-kildelager, hvorfra vores hjemmesides frontend er bygget.
Gaffel og klon generativ-ai-amazon-grundfjeld-langkæde-agent-eksempel Repository
- For at kontrollere kildekoden, der bygger dit Amplify-websted, skal du følge instruktionerne i Fork et depot at fordele det generative-ai-amazon-bedrock-langchain-agent-example repository. Dette opretter en kopi af depotet, der er afbrudt fra den originale kodebase, så du kan foretage de relevante ændringer.
- Bemærk venligst din forklede lager-URL til at bruge til at klone lageret i næste trin og til at konfigurere GITHUB_PAT-miljøvariablen, der bruges i løsningsimplementeringsautomatiseringsscriptet.
- Klon dit gaffeldepot ved hjælp af git clone kommandoen:
Opret en GitHub personlig adgangstoken
Det Amplify-hostede websted bruger en GitHub personlig adgangstoken (PAT) som OAuth-token til tredjeparts kildekontrol. OAuth-tokenet bruges til at oprette en webhook og en skrivebeskyttet implementeringsnøgle ved hjælp af SSH-kloning.
- For at oprette din PAT skal du følge instruktionerne i Oprettelse af et personligt adgangstoken (klassisk). Du foretrækker måske at bruge en GitHub app for at få adgang til ressourcer på vegne af en organisation eller for langlivede integrationer.
- Vær opmærksom på din PAT, før du lukker din browser – du skal bruge den til at konfigurere GITHUB_PAT-miljøvariablen, der bruges i automatiseringsscriptet til løsningsimplementering. Scriptet vil udgive din PAT til AWS Secrets Manager ved brug af AWS kommandolinjegrænseflade (AWS CLI) kommandoer og det hemmelige navn vil blive brugt som GitHubTokenSecretName AWS CloudFormation parameter.
Deployment
Løsningsimplementeringsautomatiseringsscriptet bruger den parametriserede CloudFormation-skabelon, GenAI-FSI-Agent.yml, for at automatisere levering af følgende løsningsressourcer:
- Et Amplify-websted til at simulere dit frontend-miljø.
- En Amazon Lex-bot konfigureret gennem en bot-import-implementeringspakke.
- Fire DynamoDB-tabeller:
- UserPendingAccountsTable – Registrerer afventende transaktioner (f.eks. låneansøgninger).
- UserExistingAccountsTable – Indeholder brugerkontooplysninger (for eksempel realkreditkontooversigt).
- Samtaleindekstabel – Sporer samtaletilstanden.
- Samtaletabel - Gemmer samtalehistorik.
- En S3-spand, der indeholder Lambda-agenthandleren, Lambda-dataindlæseren og Amazon Lex-implementeringspakkerne, sammen med kundernes ofte stillede spørgsmål og eksempler på dokumenter om realkreditansøgninger.
- To lambda-funktioner:
- Agentbehandler – Indeholder LangChain samtaleagentlogikken, der intelligent kan anvende en række værktøjer baseret på brugerinput.
- Dataindlæser – Indlæser eksempelkundekontodata i UserExistingAccountsTable og påkaldes som en tilpasset CloudFormation-ressource under stackoprettelse.
- Et Lambda-lag til Amazon Bedrock Boto3, LangChain og pdfrw biblioteker. Laget forsyner LangChains FM-bibliotek med en Amazon Bedrock-model som den underliggende FM og leverer pdfrw som et open source PDF-bibliotek til oprettelse og ændring af PDF-filer.
- Et Amazon Kendra-indeks, der giver et søgbart indeks over kundeautoritative oplysninger, herunder dokumenter, ofte stillede spørgsmål, vidensbaser, manualer, websteder og mere.
- To Amazon Kendra-datakilder:
- Amazon S3 – Værter en eksempel kunde FAQ-dokument.
- Amazon Kendra Web Crawler – Konfigureret med et roddomæne, der emulerer det kundespecifikke websted (f.eks. .com).
- AWS identitets- og adgangsstyring (IAM)-tilladelser for de foregående ressourcer.
AWS CloudFormation præfylder stakparametre med standardværdierne i skabelonen. For at give alternative inputværdier kan du angive parametre som miljøvariabler, der refereres til i `ParameterKey=,ParameterValue=`-parrene i følgende shell-scripts `aws cloudformation create-stack`-kommando.
- Før du kører shell-scriptet, skal du navigere til din gaflede version af generative-ai-amazon-bedrock-langchain-agent-example repository som din arbejdsmappe og ændre shell-scripttilladelserne til eksekverbare:
- Indstil dit Amplify-lager og GitHub PAT-miljøvariabler, der er oprettet under trinene før implementeringen:
- Til sidst skal du køre automatiseringsscriptet for løsningsimplementering for at implementere løsningens ressourcer, herunder GenAI-FSI-Agent.yml CloudFormation stak:
source ./create-stack.sh
Solution Deployment Automation Script
Det foregående source ./create-stack.sh shell
kommandoen kører følgende AWS CLI-kommandoer for at implementere løsningsstakken:
Efter udrulning
I dette afsnit diskuterer vi trinene efter implementeringen for at lancere en frontend-applikation, der er beregnet til at efterligne kundens produktionsapplikation. Den finansielle serviceagent vil fungere som en indlejret assistent i eksemplet på webbrugergrænsefladen.
Start en web-brugergrænseflade til din chatbot
Amazon Lex web UI, også kendt som chatbot UI, giver dig mulighed for hurtigt at klargøre en omfattende webklient til Amazon Lex chatbots. Brugergrænsefladen integreres med Amazon Lex for at producere et JavaScript-plugin, der vil inkorporere en Amazon Lex-drevet chat-widget i din eksisterende webapplikation. I dette tilfælde bruger vi web-brugergrænsefladen til at efterligne en eksisterende kundewebapplikation med en indlejret Amazon Lex-chatbot. Udfør følgende trin:
- Følg instruktionerne til implementere Amazon Lex web UI CloudFormation-stakken.
- På AWS CloudFormation-konsollen skal du navigere til stakkens Udgange fanen og find værdien for
SnippetUrl
.
- Kopier web-UI Iframe-kodestykket, som vil ligne formatet under Tilføjelse af ChatBot UI til dit websted som en iframe.
- Rediger din splittede version af Amplify GitHub-kildelageret ved at tilføje dit web-UI JavaScript-plugin til sektionen mærket
<-- Paste your Lex Web UI JavaScript plugin here -->
for hver af HTML-filerne under front-end bibliotek:index.html
,contact.html
ogabout.html
.
Amplify leverer en automatiseret bygge- og udgivelsespipeline, der udløses baseret på nye commits til dit forgrenede lager og udgiver den nye version af dit websted til dit Amplify-domæne. Du kan se implementeringsstatussen på Amplify-konsollen.
Få adgang til Amplify-webstedet
Med dit Amazon Lex web UI JavaScript-plugin på plads, er du nu klar til at lancere dit Amplify-demowebsted.
- For at få adgang til dit websteds domæne skal du navigere til CloudFormations stakkens Udgange fanen og find Amplify-domænets URL. Alternativt kan du bruge følgende kommando:
- Når du har fået adgang til din Amplify-domæne-URL, kan du fortsætte med test og validering.
Test og validering
Den følgende testprocedure har til formål at verificere, at agenten korrekt identificerer og forstår brugerhensigter med at få adgang til kundedata (såsom kontooplysninger), opfylde forretningsarbejdsgange gennem foruddefinerede hensigter (såsom udfyldelse af en låneansøgning) og besvare generelle forespørgsler, såsom følgende eksempler på prompter:
- Hvorfor skal jeg bruge ?
- Hvor konkurrencedygtige er deres priser?
- Hvilken type realkreditlån skal jeg bruge?
- Hvad er de aktuelle boliglånstendenser?
- Hvor meget skal jeg spare til en udbetaling?
- Hvilke andre omkostninger vil jeg betale ved lukning?
Svarnøjagtigheden bestemmes ved at evaluere relevansen, sammenhængen og menneskelignende karakter af de svar, der genereres af Amazonas grundfjeld leveret af Anthropic Claude 2.1 FM. Kildelinkene til hvert svar (f.eks. .com baseret på Amazon Kendra Web Crawler-konfigurationen) skal også bekræftes som troværdige.
Giv personlige svar
Bekræft, at agenten har adgang til og bruger relevante kundeoplysninger i DynamoDB til at skræddersy brugerspecifikke svar.
Bemærk, at brugen af PIN-godkendelse i agenten kun er til demonstrationsformål og bør ikke bruges i nogen produktionsimplementering.
Udstyr meningsfulde svar
Bekræft, at meningsfulde spørgsmål bliver mødt med troværdige svar af agenten, der korrekt indkøber svar baseret på autoritative kundedokumenter og websider indekseret af Amazon Kendra.
Lever kontekstuel generering
Bestem agentens evne til at give kontekstuelt relevante svar baseret på tidligere chathistorik.
Få adgang til generel viden
Bekræft agentens adgang til generelle videnoplysninger for ikke-kundespecifikke, meningsløse forespørgsler, der kræver nøjagtige og sammenhængende svar baseret på Amazon Bedrock FM-træningsdata og RAG.
Kør foruddefinerede hensigter
Sørg for, at agenten korrekt fortolker og opfylder brugerprompts, der er beregnet til at blive dirigeret til foruddefinerede hensigter, såsom at udfylde en låneansøgning som en del af en virksomheds arbejdsgang.
Det følgende er det resulterende låneansøgningsdokument, der er udfyldt gennem samtaleforløbet.
Multi-channel support-funktionaliteten kan testes sammen med de foregående vurderingstiltag på tværs af web-, SMS- og talekanaler. For mere information om integration af chatbot med andre tjenester, se Integrering af en Amazon Lex V2-bot med Twilio SMS , Tilføj en Amazon Lex-bot til Amazon Connect.
Ryd op
For at undgå gebyrer på din AWS-konto skal du rydde op i løsningens klargjorte ressourcer.
- Tilbagekald GitHubs personlige adgangstoken. GitHub PAT'er er konfigureret med en udløbsværdi. Hvis du vil sikre dig, at din PAT ikke kan bruges til programmatisk adgang til dit forgrenede Amplify GitHub-lager, før det når dets udløb, kan du tilbagekalde PAT ved at følge GitHub repo's instruktioner.
- Slet GenAI-FSI-Agent.yml CloudFormation-stakken og andre løsningsressourcer ved hjælp af løsningssletningsautomatiseringsscriptet. Følgende kommandoer bruger standardstaknavnet. Hvis du har tilpasset staknavnet, skal du justere kommandoerne i overensstemmelse hermed.
# export STACK_NAME=<YOUR-STACK-NAME>
./delete-stack.sh
Løsning Sletning Automation Script
delete-stack.sh shell
script sletter de ressourcer, der oprindeligt blev klargjort ved hjælp af løsningsimplementeringsautomatiseringsscriptet, inklusive GenAI-FSI-Agent.yml CloudFormation-stakken.
Overvejelser
Selvom løsningen i dette indlæg viser mulighederne hos en generativ AI-agent for finansielle tjenester drevet af Amazon Bedrock, er det vigtigt at erkende, at denne løsning ikke er produktionsklar. Det tjener snarere som et illustrativt eksempel for udviklere, der sigter mod at skabe personlige samtaleagenter til forskellige applikationer som virtuelle arbejdere og kundesupportsystemer. En udviklers vej til produktion ville gentage denne prøveløsning med følgende overvejelser.
Sikkerhed og privatliv
Sikre datasikkerhed og brugernes privatliv gennem hele implementeringsprocessen. Implementer passende adgangskontroller og krypteringsmekanismer for at beskytte følsomme oplysninger. Løsninger som den generative AI-agent for finansielle tjenester vil drage fordel af data, der endnu ikke er tilgængelige for den underliggende FM, hvilket ofte betyder, at du vil bruge dine egne private data til det største spring i kapacitet. Overvej følgende bedste praksis:
- Hold det hemmeligt, hold det sikkert – Du vil have, at disse data forbliver fuldstændigt beskyttede, sikre og private under den generative proces, og du vil have kontrol over, hvordan disse data deles og bruges.
- Etabler brugsværn – Forstå, hvordan data bruges af en tjeneste, før du gør dem tilgængelige for dine teams. Opret og distribuer reglerne for, hvilke data der kan bruges med hvilken tjeneste. Gør disse tydelige for dine teams, så de kan bevæge sig hurtigt og prototype sikkert.
- Involver juridisk, før snarere end senere – Få dine juridiske teams til at gennemgå vilkår og betingelser og servicekort for de tjenester, du planlægger at bruge, før du begynder at køre følsomme data gennem dem. Dine juridiske partnere har aldrig været vigtigere, end de er i dag.
Som et eksempel på, hvordan vi tænker på dette hos AWS med Amazon Bedrock: Alle data er krypteret og forlader ikke din VPC, og Amazon Bedrock laver en separat kopi af basis-FM, der kun er tilgængelig for kunden, og finjusterer eller træner denne private kopi af modellen.
Brugeraccepttest
Udfør brugeraccepttest (UAT) med rigtige brugere for at evaluere ydeevnen, anvendeligheden og tilfredsheden hos den generative AI-agent for finansielle tjenester. Indsaml feedback og lav de nødvendige forbedringer baseret på brugerinput.
Implementering og overvågning
Implementer den fuldt testede agent på AWS, og implementer overvågning og logning for at spore dens ydeevne, identificere problemer og optimere systemet efter behov. Lambda-overvågning og fejlfindingsfunktioner er aktiveret som standard for agentens Lambda-handler.
Vedligeholdelse og opdateringer
Opdater regelmæssigt agenten med de seneste FM-versioner og data for at forbedre dens nøjagtighed og effektivitet. Overvåg kundespecifikke data i DynamoDB og synkroniser din Amazon Kendra-datakildeindeksering efter behov.
Konklusion
I dette indlæg dykkede vi ned i den spændende verden af generative AI-agenter og deres evne til at facilitere menneskelignende interaktioner gennem orkestrering af opkald til FM'er og andre komplementære værktøjer. Ved at følge denne guide kan du bruge Bedrock, LangChain og eksisterende kunderessourcer til succesfuldt at implementere, teste og validere en pålidelig agent, der giver brugerne nøjagtig og personlig økonomisk assistance gennem samtaler på naturligt sprog.
I et kommende indlæg vil vi demonstrere, hvordan den samme funktionalitet kan leveres ved hjælp af en alternativ tilgang med Agenter for Amazon Bedrock , Vidensbase for Amazon Bedrock. Denne fuldt AWS-administrerede implementering vil yderligere undersøge, hvordan man kan tilbyde intelligent automatisering og datasøgningsfunktioner gennem personaliserede agenter, der transformerer den måde, brugerne interagerer med dine applikationer på, hvilket gør interaktioner mere naturlige, effektive og effektive.
Om forfatteren
Kyle T. Blocksom er en Sr. Solutions Architect med AWS baseret i det sydlige Californien. Kyles passion er at bringe mennesker sammen og udnytte teknologien til at levere løsninger, som kunderne elsker. Uden for arbejdet nyder han at surfe, spise, kæmpe med sin hund og forkæle sin niece og nevø.
- SEO Powered Content & PR Distribution. Bliv forstærket i dag.
- PlatoData.Network Vertical Generative Ai. Styrk dig selv. Adgang her.
- PlatoAiStream. Web3 intelligens. Viden forstærket. Adgang her.
- PlatoESG. Kulstof, CleanTech, Energi, Miljø, Solenergi, Affaldshåndtering. Adgang her.
- PlatoHealth. Bioteknologiske og kliniske forsøgs intelligens. Adgang her.
- Kilde: https://aws.amazon.com/blogs/machine-learning/build-generative-ai-agents-with-amazon-bedrock-amazon-dynamodb-amazon-kendra-amazon-lex-and-langchain/
- :har
- :er
- :ikke
- :hvor
- $OP
- 1
- 10
- 100
- 11
- 32
- 7
- 799
- 8
- 9
- a
- evne
- Om
- accept
- adgang
- tilgængelig
- Adgang
- derfor
- Konto
- nøjagtighed
- præcis
- opnået
- tværs
- Lov
- Handling
- aktioner
- faktiske
- tilføje
- Yderligere
- justere
- Agent
- midler
- AI
- sigter
- målsætninger
- Alle
- tillader
- sammen
- allerede
- også
- alternativ
- Amazon
- Amazon Kendra
- Amazon Lex
- Amazon Web Services
- beløb
- forstærke
- an
- analysere
- ,
- besvare
- svar
- Antropisk
- enhver
- api
- Anvendelse
- applikationer
- tilgang
- passende
- arkitektur
- ER
- AS
- vurdering
- Aktiver
- hjælpe
- Assistance
- Assistant
- forbundet
- At
- augmented
- Godkendelse
- automatisere
- Automatiseret
- Automation
- autonom
- til rådighed
- undgå
- AWS
- AWS CloudFormation
- AWS Lambda
- Balance
- bund
- baseret
- BE
- været
- før
- vegne
- gavner det dig
- BEDSTE
- bedste praksis
- Største
- Bot
- bringe
- buffer
- bygge
- bygger
- bygget
- virksomhed
- by
- california
- kaldet
- Opkald
- CAN
- kapaciteter
- kapacitet
- stand
- Kort
- omhyggeligt
- tilfælde
- CD
- kæde
- lave om
- Kanal
- kanaler
- afgifter
- chatte
- chatbot
- chatbots
- valg
- valg
- citerer
- Classic
- ren
- klar
- kunde
- lukning
- kode
- kodebase
- SAMMENHÆNGENDE
- KOM
- forpligter
- Virksomheder
- konkurrencedygtig
- komplementære
- fuldføre
- Afsluttet
- fuldstændig
- færdiggøre
- omfattende
- betingelser
- Konfiguration
- konfigureret
- BEKRÆFTET
- sammenholdt
- Overvej
- overvejelser
- Konsol
- indeholder
- indeholder
- indhold
- Indholdstyper
- sammenhæng
- kontekstuelle
- kontinuerlig
- kontrol
- kontrol
- Konventionen
- Samtale
- konversation
- samtaler
- korrekt
- Tilsvarende
- Omkostninger
- kursus
- crawler
- skabe
- oprettet
- skaber
- Oprettelse af
- skabelse
- troværdig
- Nuværende
- skik
- kunde
- kundedata
- Kunde support
- Kunder
- tilpassede
- data
- datasikkerhed
- beslutte
- beslutning
- beslutning træ
- afgørelser
- Standard
- levere
- leveret
- Demo
- demonstrere
- demonstrerer
- indsætte
- implementering
- konstrueret
- ønskes
- detaljer
- Bestem
- bestemmes
- Udvikler
- udviklere
- dialog
- forskellige
- afbrudt
- diskutere
- diskussion
- distribuere
- forskelligartede
- do
- dokumentet
- dokumenter
- gør
- Dog
- domæne
- ned
- udkast
- grund
- i løbet af
- e
- hver
- tidligere
- ekko
- Effektiv
- effektivitet
- effektiv
- indlejret
- aktiveret
- krypteret
- kryptering
- engagerende
- Engineering
- forbedre
- sikre
- Går ind i
- Miljø
- udstyret
- væsentlig
- Ether (ETH)
- evaluere
- evaluere
- eksempel
- eksempler
- spændende
- eksisterende
- forventet
- erfaring
- udløb
- udløbet
- udforske
- eksport
- udtrykker
- lette
- FAQ
- tilbagemeldinger
- File (Felt)
- Filer
- endelige
- finansielle
- finansielle tjenesteydelser
- finde
- ende
- flow
- følger
- efter
- Til
- gaffel
- format
- fundet
- Foundation
- fra
- frontend
- opfyldelse
- opfyldelse
- fuldt ud
- funktion
- funktionalitet
- funktioner
- yderligere
- samle
- Generelt
- generere
- genereret
- genererer
- generere
- generation
- generative
- Generativ AI
- Git
- GitHub
- given
- vejlede
- vejledende
- seletøj
- Have
- he
- hjælpe
- link.
- højdepunkter
- hans
- historie
- hostede
- værter
- Hvordan
- How To
- HTML
- http
- HTTPS
- i
- IAM
- identificerer
- identificere
- Identity
- if
- illustrerer
- gennemføre
- implementering
- importere
- vigtigt
- forbedringer
- in
- omfatter
- medtaget
- omfatter
- Herunder
- indarbejde
- inkorporerer
- indeks
- indekseret
- informere
- oplysninger
- indgang
- indgange
- i stedet
- anvisninger
- instrumenter
- Integrerer
- Integration
- integrationer
- Intelligent
- Intelligent automatisering
- beregnet
- hensigt
- interagere
- interaktioner
- grænseflade
- Mellem
- interne
- ind
- påberåbes
- påberåber sig
- involverer
- spørgsmål
- IT
- ITS
- JavaScript
- jpg
- hoppe
- Holde
- Nøgle
- viden
- kendt
- Sprog
- seneste
- lancere
- lancering
- Launchpad
- lag
- førende
- Forlade
- Politikker
- Leverage
- biblioteker
- Bibliotek
- ligesom
- Line (linje)
- links
- loader
- belastninger
- lån
- logning
- logik
- logisk
- kærlighed
- lavere
- lave
- maerker
- Making
- lykkedes
- leder
- måde
- Kan..
- meningsfuld
- midler
- foranstaltninger
- mekanismer
- Hukommelse
- besked
- mødte
- MIT
- model
- modeller
- Modifikationer
- ændre
- Overvåg
- overvågning
- mere
- Pant
- bevæge sig
- meget
- flere
- skal
- navn
- navngivning
- Natural
- Naturligt sprog
- Natural Language Processing
- Naturlig sprogforståelse
- Natur
- Naviger
- nødvendig
- Behov
- behov
- aldrig
- Ny
- næste
- NLP
- nlu
- ingen
- Bemærk
- nu
- oauth
- objektiv
- observation
- of
- tilbyde
- tit
- on
- igangværende
- kun
- åbent
- open source
- betjene
- påståelig
- Optimer
- or
- orkestrering
- orkestrering
- organisation
- original
- oprindeligt
- Andet
- vores
- udgange
- uden for
- i løbet af
- oversigt
- egen
- pakke
- pakker
- par
- parameter
- parametre
- del
- partnere
- lidenskab
- forbi
- sti
- stier
- Betal
- betaling
- verserende
- Mennesker
- udføre
- ydeevne
- udfører
- Tilladelser
- personale
- Personlig
- pipeline
- Place
- fly
- plato
- Platon Data Intelligence
- PlatoData
- Vær venlig
- plugin
- punkter
- Indlæg
- magt
- strøm
- praksis
- forud
- foruddefineret
- foretrække
- forelagt
- tidligere
- primære
- Beskyttelse af personlige oplysninger
- private
- procedure
- Fortsæt
- behandle
- bearbejdet
- forarbejdning
- producere
- producerer
- produktion
- programmatisk
- Progress
- prompter
- beskytte
- beskyttet
- prototype
- give
- forudsat
- giver
- bestemmelse
- offentlige
- offentliggøre
- Udgiver
- formål
- formål
- forespørgsler
- spørgsmål
- Spørgsmål
- hurtigt
- rækkevidde
- priser
- hellere
- når
- nå
- klar
- ægte
- modtagende
- anerkendelse
- genkende
- optagelse
- optegnelser
- henvise
- frigive
- relevant
- pålidelig
- fjern
- Repository
- anmode
- kræver
- påkrævet
- ressource
- Ressourcer
- Svar
- svar
- reaktioner
- resultere
- resulterende
- gennemgå
- rod
- regler
- Kør
- kører
- løber
- sikkert
- Said
- samme
- tilfredshed
- gemt
- Scale
- script
- Søg
- Secret
- hemmeligheder
- Sektion
- sektioner
- sikker
- sikkerhed
- se
- udvælgelse
- forstand
- følsom
- adskille
- Series
- tjener
- tjeneste
- Tjenester
- sæt
- delt
- Shell
- bør
- lignende
- Simpelt
- enklere
- enkelt
- SMS
- uddrag
- So
- Alene
- løsninger
- Løsninger
- Kilde
- kildekode
- Kilder
- Sourcing
- Syd
- specifikke
- tale
- stable
- starte
- Tilstand
- Status
- forblive
- Trin
- Steps
- opbevaring
- opbevaret
- forhandler
- stil
- Succesfuld
- sådan
- suite
- RESUMÉ
- forsyninger
- support
- Support-systemer
- Understøttet
- syntetisk
- systemet
- Systemer
- T
- Tag
- Tandem
- Opgaver
- hold
- Teknisk
- teknikker
- Teknologier
- skabelon
- vilkår
- vilkår og betingelser
- prøve
- afprøvet
- Test
- tekst
- end
- at
- oplysninger
- The Source
- deres
- Them
- derefter
- Disse
- de
- Tænker
- tredjepart
- denne
- tænkte
- Gennem
- hele
- til
- i dag
- sammen
- token
- værktøj
- værktøjer
- mod
- spor
- Kurser
- tog
- Transaktioner
- Transform
- træ
- Tendenser
- sand
- melodier
- Twilio
- typen
- typer
- ui
- Ultimativt
- under
- underliggende
- forstå
- forståelse
- forstår
- kommende
- Opdatering
- på
- URL
- usability
- Brug
- brug
- anvendte
- Bruger
- Brugererfaring
- brugernes privatliv
- brugere
- bruger
- ved brug af
- udnytter
- VALIDATE
- validering
- værdi
- Værdier
- variabel
- række
- forskellige
- Vast
- verificere
- udgave
- via
- Specifikation
- Virtual
- Voice
- vente
- ønsker
- var
- Vej..
- we
- web
- Webapplikation
- webservices
- Hjemmeside
- websites
- var
- Hvad
- som
- mens
- bred
- Bred rækkevidde
- vilje
- med
- inden for
- uden
- Arbejde
- arbejdere
- workflow
- arbejdsgange
- arbejder
- world
- ville
- Ja
- endnu
- dig
- Din
- zephyrnet
- Zip