Accenture یک راه حل کمک دانش با استفاده از خدمات هوش مصنوعی مولد در AWS | ایجاد می کند خدمات وب آمازون

این پست با همکاری ایلان گلر و شویو یانگ از Accenture نوشته شده است.

امروزه شرکت‌ها در استفاده از اطلاعات و پایگاه‌های دانش خود برای عملیات داخلی و خارجی با چالش‌های عمده‌ای مواجه هستند. با تغییرات مداوم عملیات، فرآیندها، سیاست ها و الزامات انطباق، به روز ماندن کارمندان و مشتریان می تواند بسیار دشوار باشد. در عین حال، ماهیت بدون ساختار بسیاری از این محتوا، یافتن پاسخ با استفاده از جستجوی سنتی را زمان بر می کند.

در داخل، کارکنان اغلب می توانند ساعت های بی شماری را صرف یافتن اطلاعاتی کنند که برای انجام کارهایشان نیاز دارند، که منجر به ناامیدی و کاهش بهره وری می شود. و هنگامی که آنها نمی توانند پاسخی پیدا کنند، باید مسائل را تشدید کنند یا بدون زمینه کامل تصمیم بگیرند، که می تواند خطر ایجاد کند.

در خارج، مشتریان نیز می توانند پیدا کردن اطلاعاتی که به دنبال آن هستند ناامید کننده باشند. اگرچه پایگاه‌های دانش سازمانی، در طول زمان، تجربه مشتری را بهبود بخشیده است، اما استفاده از آن‌ها هنوز هم می‌تواند دست و پا گیر و دشوار باشد. چه به دنبال پاسخ به یک سوال مرتبط با محصول باشید و چه نیاز به اطلاعاتی در مورد ساعات کار و مکان، یک تجربه ضعیف می تواند منجر به ناامیدی یا بدتر از آن، فرار مشتری شود.

در هر صورت، با پیچیده‌تر شدن مدیریت دانش، هوش مصنوعی مولد فرصتی را در اختیار شرکت‌ها قرار می‌دهد تا افراد را به اطلاعاتی که برای انجام و نوآوری نیاز دارند متصل کنند. با استراتژی مناسب، این راه حل های هوشمند می توانند نحوه جذب، سازماندهی و استفاده از دانش را در یک سازمان تغییر دهند.

برای کمک به مقابله با این چالش، Accenture با AWS برای ساخت یک راه حل خلاقانه هوش مصنوعی به نام Knowledge Assist همکاری کرد. این تیم با استفاده از خدمات هوش مصنوعی مولد AWS، سیستمی را توسعه داده است که می‌تواند حجم عظیمی از محتوای سازمانی بدون ساختار را دریافت و درک کند.

به جای جستجوی کلمات کلیدی سنتی، کاربران اکنون می‌توانند سؤال بپرسند و پاسخ‌های دقیق را در یک رابط ساده و محاوره‌ای استخراج کنند. هوش مصنوعی مولد زمینه و روابط درون پایگاه دانش را برای ارائه پاسخ های شخصی و دقیق درک می کند. همانطور که پرس و جوهای بیشتری را وارد می کند، سیستم به طور مداوم پردازش زبان خود را از طریق الگوریتم های یادگیری ماشین (ML) بهبود می بخشد.

از زمان راه‌اندازی این چارچوب کمکی هوش مصنوعی، شرکت‌ها شاهد پیشرفت‌های چشمگیری در حفظ دانش و بهره‌وری کارکنان بوده‌اند. این راه حل با فراهم کردن دسترسی سریع و دقیق به اطلاعات و توانمندسازی کارکنان برای خودخدمت، زمان آموزش برای استخدام های جدید را تا بیش از 50 درصد کاهش می دهد و تشدید را تا 40 درصد کاهش می دهد.

با قدرت هوش مصنوعی مولد، شرکت‌ها می‌توانند نحوه جمع‌آوری، سازمان‌دهی و اشتراک‌گذاری دانش در سراسر سازمان را تغییر دهند. شرکت ها با باز کردن پایگاه های دانش موجود خود می توانند بهره وری کارکنان و رضایت مشتری را افزایش دهند. همانطور که همکاری Accenture با AWS نشان می دهد، آینده مدیریت دانش سازمانی در سیستم های مبتنی بر هوش مصنوعی نهفته است که از طریق تعامل بین انسان و ماشین تکامل می یابند.

Accenture در حال کار با AWS است تا به مشتریان در استقرار کمک کند بستر آمازون، از پیشرفته ترین مدل های بنیادی مانند آمازون تایتانو فناوری های پیشرو در صنعت مانند Amazon SageMaker JumpStart و آمازون استنباط در کنار سایر خدمات AWS ML.

این پست یک نمای کلی از یک راه حل مولد AI ارائه می دهد که توسط Accenture برای یک مورد استفاده تولیدی با استفاده از Amazon Bedrock و سایر خدمات AWS توسعه یافته است.

بررسی اجمالی راه حل

یک مشتری بزرگ بخش بهداشت عمومی هر روز به میلیون ها شهروند خدمات ارائه می دهد و آنها خواستار دسترسی آسان به اطلاعات به روز در یک چشم انداز بهداشتی در حال تغییر هستند. Accenture این قابلیت مولد هوش مصنوعی را در یک ربات پرسش‌های متداول موجود ادغام کرده است و به ربات چت اجازه می‌دهد تا به مجموعه گسترده‌تری از سوالات کاربران پاسخ دهد. افزایش توانایی شهروندان برای دسترسی به اطلاعات مربوطه به شیوه سلف سرویس، باعث صرفه جویی در وقت و هزینه بخش می شود و نیاز به تعامل نماینده مرکز تماس را کاهش می دهد. ویژگی های کلیدی راه حل عبارتند از:

• رویکرد هدف ترکیبی - از اهداف مولد و از پیش آموزش داده شده استفاده می کند
• پشتیبانی چند زبانه - مکالمه به زبان انگلیسی و اسپانیایی
• تحلیل مکالمه - گزارش در مورد نیازها، احساسات و نگرانی های کاربر
• گفتگوهای طبیعی - زمینه را با پردازش زبان طبیعی انسان مانند (NLP) حفظ می کند
• نقل قول های شفاف - کاربران را به اطلاعات منبع راهنمایی می کند

راه حل مولد هوش مصنوعی Accenture مزایای زیر را نسبت به چارچوب های چت بات موجود یا سنتی ارائه می دهد:

• پاسخ‌های دقیق، مرتبط و با صدای طبیعی به درخواست‌های کاربر به سرعت ایجاد می‌کند
• زمینه را به خاطر می آورد و به سؤالات بعدی پاسخ می دهد
• پرس و جوها را مدیریت می کند و به چندین زبان (مانند انگلیسی و اسپانیایی) پاسخ می دهد.
• به طور مداوم پاسخ ها را بر اساس بازخورد کاربر یاد می گیرد و بهبود می بخشد
• به راحتی با پلتفرم وب موجود شما قابل ادغام است
• مخزن وسیعی از پایگاه دانش سازمانی را جذب می کند
• به شیوه ای انسان گونه پاسخ می دهد
• تکامل دانش به طور مداوم با حداقل تلاش و یا بدون تلاش در دسترس است
• از یک مدل پرداخت به اندازه شما استفاده می کند بدون هزینه اولیه

گردش کار سطح بالای این راه حل شامل مراحل زیر است:

1. کاربران یک ادغام ساده با پلتفرم های وب موجود ایجاد می کنند
2. داده ها به عنوان آپلود انبوه در روز 0 و سپس آپلودهای افزایشی روز 1+ وارد پلتفرم می شوند.را
3. پرس و جوهای کاربر در زمان واقعی با مقیاس بندی سیستم در صورت نیاز برای پاسخگویی به تقاضای کاربر پردازش می شوند.
4. مکالمات در پایگاه داده های برنامه ذخیره می شوند (آمازون Dynamo DB) برای پشتیبانی از مکالمات چند دور
5. مدل بنیاد Anthropic Claude از طریق Amazon Bedrock فراخوانی می شود که برای ایجاد پاسخ های پرس و جو بر اساس مرتبط ترین محتوا استفاده می شود.
6. مدل بنیادی Anthropic Claude برای ترجمه پرس و جوها و همچنین پاسخ ها از انگلیسی به سایر زبان های مورد نظر برای پشتیبانی از مکالمات چند زبانه استفاده می شود.
7. مدل پایه آمازون تایتان از طریق Amazon Bedrock برای ایجاد جاسازی های برداری فراخوانی می شود.
8. ارتباط محتوا از طریق شباهت جاسازی های محتوای خام و جاسازی پرس و جو کاربر با استفاده از جاسازی های پایگاه داده برداری Pinecone تعیین می شود.
9. متن به همراه سوال کاربر برای ایجاد یک اعلان اضافه می شود که به عنوان ورودی مدل Anthropic Claude ارائه می شود. پاسخ تولید شده از طریق بستر وب به کاربر ارائه می شود.

نمودار زیر معماری راه حل را نشان می دهد.

جریان معماری در دو بخش قابل درک است:

در بخش های بعدی، جنبه های مختلف راه حل و توسعه آن را با جزئیات بیشتری مورد بحث قرار می دهیم.

انتخاب مدل

فرآیند انتخاب مدل شامل تست رگرسیون مدل‌های مختلف موجود در Amazon Bedrock بود که شامل مدل‌های AI21 Labs، Cohere، Anthropic و Amazon Foundation بود. موارد استفاده پشتیبانی شده، ویژگی‌های مدل، حداکثر نشانه‌ها، هزینه، دقت، عملکرد و زبان‌ها را بررسی کردیم. بر این اساس، ما Claude-2 را به عنوان بهترین گزینه برای این مورد استفاده کردیم.

منبع اطلاعات

ما یک فهرست آمازون کندرا ایجاد کردیم و یک منبع داده با استفاده از اتصال دهنده های خزنده وب با URL وب ریشه و عمق دایرکتوری دو سطح اضافه کردیم. چندین صفحه وب در فهرست آمازون کندرا وارد شدند و به عنوان منبع داده مورد استفاده قرار گرفتند.

فرآیند درخواست و پاسخ ربات چت GenAI

مراحل این فرآیند شامل یک تعامل سرتاسری با درخواستی از طرف است آمازون لکس و پاسخی از یک مدل زبان بزرگ (LLM):

1. کاربر درخواست را به برنامه front-end مکالمه ای که در یک میزبانی شده است ارسال می کند سرویس ذخیره سازی ساده آمازون (Amazon S3) از طریق سطل مسیر آمازون 53 و آمازون CloudFront.
2. آمازون لکس هدف را درک می کند و درخواست را به ارکستراتوری که در یک میزبان میزبانی می شود، هدایت می کند AWS لامبدا تابع.
3. تابع لامبدا ارکستراتور مراحل زیر را انجام می دهد:
   1. این تابع با پایگاه داده برنامه، که در یک پایگاه داده مدیریت شده توسط DynamoDB میزبانی می شود، تعامل دارد. پایگاه داده شناسه جلسه و شناسه کاربر را برای تاریخچه مکالمه ذخیره می کند.
   2. درخواست دیگری به نمایه آمازون کندرا ارسال می شود تا پنج نتیجه جستجوی مرتبط برتر را برای ایجاد زمینه مربوط به دست آورد. با استفاده از این زمینه، اعلان اصلاح شده مورد نیاز برای مدل LLM ساخته می شود.
   3. ارتباط بین Amazon Bedrock و ارکستراتور برقرار شده است. درخواستی به مدل Amazon Bedrock Claude-2 برای دریافت پاسخ از مدل LLM انتخاب شده ارسال می شود.
4. داده ها از پاسخ LLM پس از پردازش می شوند و یک پاسخ برای کاربر ارسال می شود.

گزارش آنلاین

فرآیند گزارش دهی آنلاین شامل مراحل زیر است:

1. کاربران نهایی از طریق یک لایه جلویی CloudFront CDN با چت بات تعامل دارند.
2. هر تعامل درخواست/پاسخ توسط AWS SDK تسهیل می‌شود و ترافیک شبکه را به Amazon Lex (جزء NLP ربات) ارسال می‌کند.
3. فراداده‌های مربوط به جفت‌های درخواست/پاسخ به سیستم وارد می‌شوند CloudWatch آمازون.
4. گروه گزارش CloudWatch با یک فیلتر اشتراک پیکربندی شده است که گزارش‌ها را به سرویس جستجوی باز آمازون.
5. پس از در دسترس بودن در سرویس OpenSearch، گزارش‌ها می‌توانند برای تولید گزارش‌ها و داشبوردها با استفاده از Kibana استفاده شوند.

نتیجه

در این پست، ما نشان دادیم که Accenture چگونه از خدمات هوش مصنوعی مولد AWS برای پیاده‌سازی یک رویکرد انتها به انتها نسبت به تحول دیجیتال استفاده می‌کند. ما شکاف‌ها را در پلت‌فرم‌های سنتی پاسخ‌دهی به سؤال و هوش مولد در چارچوب آن برای زمان‌های پاسخ سریع‌تر و بهبود مستمر سیستم در حین تعامل با کاربران در سراسر جهان شناسایی کردیم. با تیم Accenture Center of Excellence تماس بگیرید تا عمیق تر در راه حل و استقرار این راه حل برای مشتریان خود غوطه ور شوید.

این پلت فرم کمک دانش را می توان در صنایع مختلف، از جمله، اما نه محدود به علوم بهداشتی، خدمات مالی، تولید و غیره اعمال کرد. این پلتفرم با استفاده از دانشی که ایمن است، پاسخ‌های طبیعی و شبیه انسان به سؤالات ارائه می‌دهد. این پلتفرم کارایی، بهره وری و اقدامات دقیق تری را برای کاربران خود ممکن می سازد.

تلاش مشترک مبتنی بر روابط استراتژیک 15 ساله بین شرکت ها است و از همان مکانیسم ها و شتاب دهنده های اثبات شده ساخته شده توسط شرکت ها استفاده می کند. گروه تجاری Accenture AWS (AABG).

با تیم AABG در تماس باشید accleureaws@amazon.com برای هدایت نتایج کسب و کار با تبدیل به یک شرکت داده هوشمند در AWS.

برای اطلاعات بیشتر در مورد هوش مصنوعی مولد در AWS با استفاده از Amazon Bedrock یا آمازون SageMaker، ما منابع زیر را توصیه می کنیم:

شما نیز می توانید برای خبرنامه هوش مصنوعی مولد AWS ثبت نام کنید، که شامل منابع آموزشی، وبلاگ ها و به روز رسانی های خدمات است.

---

درباره نویسنده

ایلان گلر مدیر عامل Accenture با تمرکز بر هوش مصنوعی است و به مشتریان کمک می کند تا برنامه های کاربردی هوش مصنوعی را مقیاس کنند و رهبر جهانی GenAI COE برای AWS.

شویو یانگ هوش مصنوعی مولد و مدیر تحویل مدل زبان بزرگ است و همچنین تیم‌های CoE (مرکز تعالی) Accenture AI (AWS DevOps حرفه‌ای) را رهبری می‌کند.

شیخار کواترا یک معمار راه حل های تخصصی AI/ML در خدمات وب آمازون است که با یکپارچه ساز سیستم جهانی پیشرو کار می کند. او با بیش از 500 حق ثبت اختراع در حوزه های AI/ML و IoT عنوان یکی از جوان ترین مخترعان استاد هند را به دست آورده است. Shikhar به معماری، ساخت و نگهداری محیط های ابری مقرون به صرفه و مقیاس پذیر برای سازمان کمک می کند و از شریک GSI در ساخت راه حل های استراتژیک صنعت در AWS پشتیبانی می کند.

جی پیلای یک معمار راه حل اصلی در خدمات وب آمازون است. در این نقش، او به عنوان معمار اصلی هوش مصنوعی جهانی و همچنین معمار اصلی راه حل های زنجیره تامین با AABG فعالیت می کند. به عنوان یک رهبر فناوری اطلاعات، جی در حوزه‌های هوش مصنوعی، یکپارچه‌سازی داده‌ها، هوش تجاری و حوزه‌های رابط کاربری تخصص دارد. او دارای 23 سال تجربه گسترده کار با چندین مشتری در زنجیره تامین، فناوری های حقوقی، املاک، خدمات مالی، بیمه، پرداخت ها و حوزه های تجاری تحقیقات بازار است.

کارتیک سونتی رهبری یک تیم جهانی از معماران Solutions را بر عهده دارد که بر روی مفهوم‌سازی، ساخت و راه‌اندازی راه‌حل‌های افقی، عملکردی و عمودی با Accenture متمرکز شده‌اند تا به مشتریان مشترک ما کمک کند تا کسب‌وکار خود را به شیوه‌ای متمایز در AWS تغییر دهند.

• محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
• PlatoData.Network Vertical Generative Ai. به خودت قدرت بده دسترسی به اینجا.
• PlatoAiStream. هوش وب 3 دانش تقویت شده دسترسی به اینجا.
• PlatoESG. کربن ، CleanTech، انرژی، محیط، خورشیدی، مدیریت پسماند دسترسی به اینجا.
• PlatoHealth. هوش بیوتکنولوژی و آزمایشات بالینی. دسترسی به اینجا.
• منبع: https://aws.amazon.com/blogs/machine-learning/accenture-creates-a-knowledge-assist-solution-using-generative-ai-services-on-aws/