פוסט זה נכתב בשיתוף עם גרג בנסון, המדען הראשי; אהרון קסלר, מנהל מוצר האב; ו-Rich Dill, ארכיטקט פתרונות ארגוניים מ-SnapLogic.
לקוחות רבים בונים עליהם אפליקציות AI גנרטיביות סלע אמזון ו Amazon Code Whisperer ליצור חפצי קוד המבוססים על שפה טבעית. מקרה שימוש זה מדגיש כיצד מודלים של שפה גדולים (LLMs) מסוגלים להפוך למתרגמים בין שפות אנושיות (אנגלית, ספרדית, ערבית ועוד) ושפות הניתנות לפירוש מכונה (Python, Java, Scala, SQL וכן הלאה) יחד עם מתוחכמות חשיבה פנימית. היכולת המתפתחת הזו ב-LLMs אילצה מפתחי תוכנה להשתמש ב-LLM ככלי אוטומציה ושיפור UX שהופך שפה טבעית לשפה ספציפית לתחום (DSL): הוראות מערכת, בקשות API, חפצי קוד ועוד. בפוסט זה, אנו מראים לך כיצד SnapLogic, לקוח של AWS, השתמש באמזון Bedrock כדי להפעיל את הרשת שלהם SnapGPT מוצר באמצעות יצירה אוטומטית של חפצי DSL מורכבים אלה משפה אנושית.
כאשר לקוחות יוצרים אובייקטי DSL מ-LLM, ה-DSL המתקבל הוא העתק מדויק או נגזרת של נתוני ממשק וסכימה קיימים המהווים את החוזה בין ממשק המשתמש והלוגיקה העסקית בשירות הגיבוי. דפוס זה מגמתי במיוחד עם ספקי תוכנה עצמאיים (ISVs) ו-Software as a Service (SaaS) ISVs בשל הדרך הייחודית שלהם לייצוג תצורות באמצעות קוד והרצון לפשט את חווית המשתמש עבור הלקוחות שלהם. מקרי שימוש לדוגמה כוללים:
הדרך הפשוטה ביותר לבנות ולהרחיב יישומי טקסט לצינור עם LLMs ב-AWS היא שימוש ב- Amazon Bedrock. Amazon Bedrock היא הדרך הקלה ביותר לבנות ולהרחיב יישומי AI מחוללים עם מודלים בסיסיים (FMs). זהו שירות מנוהל במלואו המציע גישה למבחר של FM בסיס בעלי ביצועים גבוהים מ-AI מוביל באמצעות API יחיד, יחד עם קבוצה רחבה של יכולות שאתה צריך כדי לבנות יישומי AI גנרטיביים עם פרטיות ואבטחה. Anthropic, מעבדת בטיחות ומחקר בינה מלאכותית הבונה מערכות בינה מלאכותית אמינות, ניתנות לפירוש וניתנות לכיוון, היא אחת מחברות הבינה המלאכותית המובילות שמציעה גישה ל-LLM המתקדם שלהן, קלוד, ב-Amazon Bedrock. קלוד הוא תואר שני במנהל עסקים שמצטיין במגוון רחב של משימות, מדיאלוג מתחשב, יצירת תוכן, חשיבה מורכבת, יצירתיות וקידוד. Anthropic מציעה גם דגמי קלוד וגם קלוד אינסטנט, שכולם זמינים דרך Amazon Bedrock. קלוד צבר פופולריות במהירות ביישומי טקסט-לצינור הודות ליכולת החשיבה המשופרת שלו, המאפשרת לו להצטיין בפתרון בעיות טכניות מעורפלות. קלוד 2 ב- Amazon Bedrock תומך בחלון הקשר של 100,000 אסימונים, המקביל לכ-200 עמודים של טקסט באנגלית. זוהי תכונה חשובה במיוחד שאתה יכול לסמוך עליה בעת בניית יישומי טקסט לצינור הדורשים נימוק מורכב, הוראות מפורטות ודוגמאות מקיפות.
רקע SnapLogic
SnapLogic הוא לקוח AWS במשימה להביא אוטומציה ארגונית לעולם. SnapLogic Intelligent Integration Platform (IIP) מאפשרת לארגונים לממש אוטומציה כלל ארגונית על ידי חיבור כל המערכת האקולוגית שלהם של יישומים, מסדי נתונים, נתונים גדולים, מכונות והתקנים, ממשקי API ועוד עם מחברים חכמים שנבנו מראש הנקראים Snaps. SnapLogic הוציאה לאחרונה תכונה בשם SnapGPT, המספק ממשק טקסט שבו תוכלו להקליד את צינור האינטגרציה הרצוי שתרצו ליצור בשפה אנושית פשוטה. SnapGPT משתמש במודל קלוד של Anthropic דרך Amazon Bedrock כדי להפוך את יצירת צינורות האינטגרציה הללו לאוטומטיים כקוד, אשר משמשים לאחר מכן באמצעות פתרון האינטגרציה הדגל של SnapLogic. עם זאת, המסע של SnapLogic ל-SnapGPT היה שיאה של שנים רבות שפעלו במרחב הבינה המלאכותית.
מסע הבינה המלאכותית של SnapLogic
בתחום פלטפורמות האינטגרציה, SnapLogic הייתה בעקביות בחזית, ורתמה את הכוח הטרנספורמטיבי של בינה מלאכותית. במהלך השנים, המחויבות של החברה לחדש עם AI התגלתה, במיוחד כאשר אנו עוקבים אחר המסע מ קַשׁתִית ל קישור אוטומטי.
ההתחלה הצנועה עם איריס
בשנת 2017, SnapLogic חשפה את Iris, עוזרת אינטגרציה מופעלת בינה מלאכותית הראשונה בתעשייה. Iris תוכננה להשתמש באלגוריתמים של למידת מכונה (ML) כדי לחזות את השלבים הבאים בבניית צינור נתונים. על ידי ניתוח מיליוני רכיבי מטא נתונים וזרימות נתונים, איריס תוכל להציע הצעות חכמות למשתמשים, לדמוקרטיזציה של שילוב הנתונים ולאפשר גם לאלה ללא רקע טכני עמוק ליצור זרימות עבודה מורכבות.
קישור אוטומטי: בניית מומנטום
בהתבסס על ההצלחה והלמידה מאיריס, SnapLogic הציגה את AutoLink, תכונה שמטרתה לפשט עוד יותר את תהליך מיפוי הנתונים. המשימה המייגעת של מיפוי ידני של שדות בין מערכות המקור והיעד הפכה לפשוטה עם AutoLink. באמצעות AI, AutoLink זיהה והציע התאמות פוטנציאליות באופן אוטומטי. אינטגרציות שפעם נמשכו שעות יכלו להתבצע תוך דקות בלבד.
הקפיצה הגנרטיבית עם SnapGPT
הגיחה האחרונה של SnapLogic ב-AI מביאה לנו את SnapGPT, שמטרתה לחולל מהפכה באינטגרציה עוד יותר. עם SnapGPT, SnapLogic מציגה את פתרון האינטגרציה הגנרטיבי הראשון בעולם. זה לא רק על פישוט תהליכים קיימים, אלא לדמיין מחדש לחלוטין את האופן שבו אינטגרציות מתוכננות. הכוח של AI מחולל יכול ליצור צינורות אינטגרציה שלמים מאפס, ולמטב את זרימת העבודה בהתבסס על התוצאה הרצויה ומאפייני הנתונים.
SnapGPT משפיע מאוד על לקוחות SnapLogic מכיוון שהם מסוגלים להפחית באופן דרסטי את משך הזמן הנדרש ליצירת צינור SnapLogic הראשון שלהם. באופן מסורתי, לקוחות SnapLogic יצטרכו להשקיע ימים או שבועות בהגדרת צינורות אינטגרציה מאפס. כעת, לקוחות אלה יכולים פשוט לבקש מ-SnapGPT, למשל, "ליצור צינור שיעביר את כל לקוחות ה-SFDC הפעילים שלי ל-WorkDay." טיוטה ראשונה עובדת של צינור נוצרת אוטומטית עבור לקוח זה, ומצמצמת באופן דרסטי את זמן הפיתוח הנדרש ליצירת הבסיס של צינור האינטגרציה שלו. זה מאפשר ללקוח הקצה להשקיע יותר זמן בהתמקדות במה שיש לו השפעה עסקית אמיתית עליו במקום לעבוד על תצורות של צינור אינטגרציה. הדוגמה הבאה מראה כיצד לקוח SnapLogic יכול להזין תיאור בתכונת SnapGPT כדי ליצור במהירות צינור, תוך שימוש בשפה טבעית.
AWS ו-SnapLogic שיתפו פעולה באופן הדוק לאורך בניית המוצר ולמדו הרבה לאורך הדרך. שאר הפוסט הזה יתמקד בלמידה הטכנית של AWS ו-SnapLogic סביב השימוש ב-LLMs עבור יישומי טקסט לצינור.
סקירת פתרונות
כדי לפתור את בעיית הטקסט לצינור, AWS ו-SnapLogic תכננו פתרון מקיף המוצג בארכיטקטורה הבאה.
בקשה ל-SnapGPT עוברת את זרימת העבודה הבאה:
- משתמש מגיש תיאור לאפליקציה.
- SnapLogic משתמשת בגישת Retrieval Augmented Generation (RAG) כדי לאחזר דוגמאות רלוונטיות של צינורות SnapLogic הדומים לבקשת המשתמש.
- הדוגמאות הרלוונטיות שחולצו אלו משולבות עם קלט המשתמש ועוברות עיבוד מקדים של טקסט לפני שהן נשלחות לקלוד ב- Amazon Bedrock.
- קלוד מייצר חפץ JSON המייצג צינור SnapLogic.
- חפץ JSON משולב ישירות עם פלטפורמת האינטגרציה הליבה של SnapLogic.
- צינור SnapLogic מוצג למשתמש בצורה ידידותית ויזואלית.
באמצעות ניסויים שונים בין AWS ו-SnapLogic, מצאנו שהשלב ההנדסי המהיר של דיאגרמת הפתרון הוא חשוב ביותר ליצירת פלטים באיכות גבוהה עבור פלטי טקסט לצינור אלה. הסעיף הבא הולך יותר לכמה טכניקות ספציפיות ששימשו עם קלוד במרחב זה.
ניסוי מהיר
לאורך שלב הפיתוח של SnapGPT, AWS ו-SnapLogic מצאו כי איטרציה מהירה על הנחיות שנשלחות לקלוד הייתה משימת פיתוח קריטית לשיפור הדיוק והרלוונטיות של פלטי טקסט לצינור בפלטים של SnapLogic. על ידי שימוש ב סטודיו SageMaker של אמזון מחברות אינטראקטיביות, צוות AWS ו- SnapLogic הצליחו לעבוד במהירות באמצעות גרסאות שונות של הנחיות באמצעות חיבור Boto3 SDK ל-Amazon Bedrock. פיתוח מבוסס מחברת איפשר לצוותים ליצור במהירות חיבורים בצד הלקוח לאמזון Bedrock, לכלול תיאורים מבוססי טקסט לצד קוד Python לשליחת הנחיות לאמזון Bedrock, ולקיים מפגשי הנדסה משותפים שבהם נעשו איטרציות במהירות בין פרסונות מרובות.
קלוד האנתרופי מייצר שיטות הנדסה
בסעיף זה, אנו מתארים כמה מהטכניקות האיטרטיביות בהן השתמשנו ליצירת הנחיה בעלת ביצועים גבוהים המבוססת על בקשת משתמש להמחשה: "צור צינור שמשתמש במסד הנתונים של ExampleCompany אשר מאחזר את כל הלקוחות הפעילים." שים לב שדוגמה זו אינה הסכימה ש-SnapGPT מופעל על ידה, והיא משמשת רק להמחשת יישום טקסט לצינור.
כדי ליישר את ההנדסה המהירה שלנו, אנו משתמשים בהנחיה המקורית הבאה:
צור צינור שמשתמש במסד הנתונים של ExampleCompany אשר מאחזר את כל הלקוחות הפעילים
התפוקה הצפויה היא כדלקמן:
{ "database": "ExampleCompany", "query": "SELECT * FROM ec_prod.customers WHERE status = 'active'" }
שיפור מס' 1: שימוש בהערות Human ו-Assistant
הליך ההכשרה של קלוד מלמד את השר להבין דיאלוג בין אדם לעוזר במבנה המהיר שלו. משתמשי קלוד יכולים לנצל את המבנה הזה על ידי סיום ההנחיה שלהם ב-Assistant:, מה שיגרום לקלוד להתחיל ליצור את התגובה לשאילתה על סמך מה שהאדם אמר. שים לב שבגלל שקלוד ימשיך ליצור טקסט עד שיאמר לו להפסיק, הקפד להשתמש ברצף עצירה של nnHuman: בבקשת ה-API לאמזון Bedrock בעת שימוש בקלוד. זה יבטיח שתקבל רק את התגובה מהעוזר ולא את התגובה הבאה החזויה מהאדם בשרשרת הדיאלוג. nnאינדיקטורים אנושיים ו-nnמסייעים אלה לא רק עוזרים להגביל את תגובתו של קלוד למידע רלוונטי, אלא גם עוזרים במתן תיחום ברור בין תשומות אנושיות ראשוניות ותגובות עוזרות מאינטראקציות אחרות. זה עוזר במיוחד בהגדרה של מספר יריות שבו אתה יכול לקבל שאילתות ותגובות מרובות עם שאילתות שתויגו ב-nnHuman ותגובות קודמות שתויגו ב-nnAssistant. בואו נסתכל על הקריאה המשופרת והמשופרת של ה-API להמחשה לאמזון Bedrock דרך ה-Boto3 SDK.
אנו משתמשים בהנחיה הבאה:
אנושי: צור צינור שמשתמש במסד הנתונים של ExampleCompany אשר מאחזר את כל הלקוחות הפעילים
עוֹזֵר:
הפלט הוא כדלקמן:
הנה צינור MongoDB לאחזר את כל הלקוחות הפעילים ממסד הנתונים של ExampleCompany:
pipeline = [ { '$match': { 'database': 'ExampleCompany', 'status': 'active' } } ] db.customers.aggregate(pipeline)
שלבי המפתח הם:
– `$match` לסינון המסמכים רק לאלו הנמצאים במסד הנתונים של ExampleCompany ועם סטטוס שווה ל"פעיל".
– `db.customers.aggregate()` מריץ את הצינור באוסף הלקוחות ומחזיר את התוצאות המסוננות.
אז זה יחזיר את כל מסמכי הלקוח ממסד הנתונים של ExampleCompany שבו שדה הסטטוס מוגדר ל"פעיל".
שימו לב איך בפלט, קלוד ממציא תשובה לשאלתנו ללא כל הקשר. התשובה עשויה להיות מועילה, אבל היא לא ספציפית לבעיה שאנחנו מנסים לפתור כי היא לא מסופקת עם מספיק הקשר. חשוב גם לציין שאנתרופיק דורש את הפורמט האנושי והעוזר הזה בעת שימוש בדגמי קלוד; אם לא תכלול את השלב הזה, Amazon Bedrock תחזיר שגיאה.
שיפור מס' 2: כלול הקשר היפר-ספציפי עבור קלוד לפני שאומרים לו מה לעשות
קלוד מתפקד בצורה הטובה ביותר כאשר הוא מקבל הקשר טוב לגבי מה שהוא צריך להשיג כמו גם איך הוא אמור לבצע את המשימה הזו. הנה כמה דוגמאות לדברים שכדאי לכלול כהקשר עבור קלוד לפני שתספר לו את המשימה:
- תאר את תפקיד התפקיד שאתה רוצה שקלוד ימלא. על ידי כך, אתה גורם לקלוד לחשוב בתפקיד של מישהו שעובד בעבודה הזו, או יותר כמו מישהו שפשוט התקבל לעבודה בתפקיד הספציפי הזה. זה יעזור לקלוד לנסח את התשובה מנקודת המבט של התפקיד הספציפי הזה, להפחית הזיות ואקראיות בתשובה.
- כלול פרטים טכניים לגבי פורמט הפלט. מודלים של בסיס טובים בדרך כלל במעקב אחר פעולות, אז לבקש מקלוד ליצור את הפלט בפורמט או סכימה ספציפיים עם דוגמה אחת או כמה, יעזור לקלוד לספק את התשובה בפורמט הנכון, ותפחית את הצורך בסינון ובפוסט-עיבוד של הפלט. הדוגמה בהנחיה הבאה מציגה סכימה פיקטיבית התואמת את הפלט הצפוי.
בואו נשלב את ההצעות האלה כדי לשפר את ההנחיה המקורית שלנו:
אנושי: התפקיד שלך הוא לפעול כמומחה לצינורות ETL. באופן ספציפי, התפקיד שלך הוא ליצור ייצוג JSON של צינור ETL אשר יפתור את בקשת המשתמש שסופקה לך.
פלט JSON צריך להיות בפורמט הבא:
הנה המשימה שלך: צור צינור שמשתמש במסד הנתונים של ExampleCompany אשר מאחזר את כל הלקוחות הפעילים
עוֹזֵר:
הפלט הוא כדלקמן:
הנה ייצוג JSON של צינור ETL לאחזור כל הלקוחות הפעילים ממסד הנתונים של ExampleCompany:
צינור זה משתמש במסד הנתונים של ExampleCompany ובשאילתת SQL כדי לבחור את כל הרשומות מטבלת הלקוחות שבה הסטטוס 'פעיל'.
עם תוספת ההקשר, המודל מסוגל כעת להגיע לרוב הדרך לתשובה שלנו. כעת הוא יודע לבנות את הפלט והוא מבין שהוא צריך לכתוב משפט SQL כדי לפתור את המשימה. עם זאת, תבחין שהדגם אינו משתמש נכון במינוח ec_prod.customers שאנו מצפים לו. מקום לשיפור! כמו כן, שימו לב, בפועל, תצטרכו לכלול יותר הקשר באופן משמעותי ממה שסיפקנו בדוגמה זו עבור תוצאות באיכות גבוהה במקרים של שימוש בטקסט לצינור.
שיפור מס' 3: צירוף דוגמאות בתגיות XML
למידה של כמה-shots היא דרך פופולרית להגביר את הדיוק עם FMs כאשר יש לך דוגמאות רלוונטיות להנחות את FM במשימה שלהם. זה חשוב במיוחד כשעובדים ביישומי טקסט לצינור מכיוון שפלטי צינור היפר-ספציפיים אלו בדרך כלל אינם נכללים באף מערך נתונים ציבורי מכיוון שהם ספציפיים לייצוג הנתונים של לקוח בודד. בעת שימוש בקלוד, אתה יכול לנצל את הידע המולד שלו בתגי XML שרירותיים על מנת לספק דוגמאות אלה בפורמט של מספר יריות. בהנחיה המשופרת הבאה, שימו לב להוספת דוגמאות הכלולות בתגי XML . כמו כן, אתה יכול להשתמש בקיצורים עבור אנוש ועוזר עם H ו-A כדי לספק הקשר לקלוד מבלי לגרום לזה לחשוב שאלו חלקים ספציפיים מהדיאלוג שכבר התרחשו.
אנו משתמשים בהנחיה הבאה:
אנושי: התפקיד שלך הוא לפעול כמומחה לצינורות ETL. באופן ספציפי, התפקיד שלך הוא ליצור ייצוג JSON של צינור ETL אשר יפתור את בקשת המשתמש שסופקה לך.
פלט JSON צריך להיות בפורמט הבא:
להלן כמה דוגמאות לבקשות משתמשים וחפצי פלט משויכים של JSON אשר פותרים בצורה נכונה את המשימה שסופקה. הקפד להשתמש באותו מינוח המופיע בדוגמאות אם אתה משתמש באותם מסדי נתונים.
H: בצע שאילתה במסד הנתונים של ExampleCompany עבור הזמנות פעילות עבור לקוח מס' 1234
A:
הנימוק לשאילתה זו הוא שהלקוח מס' 1234 מסונן ואנו מחפשים בטבלת "הזמנות" את כל הרשומות הקיימות לאחר המסנן "פעיל".
ח: הסר את כל הלקוחות במסד הנתונים של ExampleCompany שלא היו פעילים בחודש האחרון
A:
הנימוק לשאילתה זו הוא שהטבלה "ec_prod.customers" היא הטבלה היחידה במסד הנתונים של ExampleCompany שמכילה רשומות לקוחות.
הנה המשימה שלך: צור צינור שמשתמש במסד הנתונים של ExampleCompany אשר מאחזר את כל הלקוחות הפעילים.
עוֹזֵר:
הפלט הוא כדלקמן:
להלן ייצוג JSON עבור צינור ETL לאחזור כל הלקוחות הפעילים ממסד הנתונים של ExampleCompany:
הנימוק הוא:
מסד הנתונים של ExampleCompany מצוין כמסד הנתונים לשימוש
הטבלה ec_prod.customers מכילה את נתוני הלקוחות
שדה הסטטוס מציין אם לקוח פעיל ולכן השאילתה מסננת עבור לקוחות פעילים בלבד
זה אמור לאחזר את כל רשומות הלקוחות הפעילות ממסד הנתונים של ExampleCompany. הודע לי אם אתה צריך הבהרה כלשהי או שיש לך דרישות נוספות עבור צינור ה-ETL!
לפלט JSON יש כעת את המינוח הנכון של מסד הנתונים, שבו קלוד היה מסוגל להשתמש בגלל הדוגמאות שסיפקנו. צימוד אינדיקטורים אנושיים ומסייעים עם תגי XML מקל על קלוד להבין מהי המשימה ומה הייתה התשובה בדוגמאות דומות עם הפרדה ברורה מאוד בין מספר דוגמאות של מספר יריות. ככל שלקלוד קל יותר להבין, התשובה תהיה טובה ורלוונטית יותר, ותצמצם עוד יותר את הסיכוי שהמודל יזוי ויספק תשובות אקראיות לא רלוונטיות.
שיפור מס' 4: הפעלת קלוד להתחיל ביצירת JSON עם תגי XML
אתגר קטן עם יישומי טקסט לצינור המשתמשים ב-FMs הוא הצורך לנתח בדיוק פלט מהטקסט שנוצר כך שניתן יהיה לפרש אותו כקוד ביישום במורד הזרם. דרך אחת לפתור את זה עם קלוד היא לנצל את הבנת תגי ה-XML שלו ולשלב זאת עם רצף עצירה מותאם אישית. בהנחיה הבאה, הנחנו לקלוד לכלול את הפלט בתגיות XML. לאחר מכן, הוספנו את התג לסוף ההנחיה. זה מבטיח שהטקסט הראשון שייצא מקלוד יהיה ההתחלה של הפלט JSON. אם אתה לא עושה את זה, קלוד מגיב לעתים קרובות עם איזה טקסט שיחה, ואז תגובת הקוד האמיתית. על ידי הנחיה לקלוד להתחיל מיד ביצירת הפלט, אתה יכול בקלות לעצור את היצירה כאשר אתה רואה את תג הסגירה . זה מוצג בקריאה המעודכנת של Boto3 API. היתרונות של טכניקה זו הם כפולים. ראשית, אתה יכול לנתח בדיוק את תגובת הקוד של קלוד. שנית, אתה יכול להפחית את העלות מכיוון שקלוד מייצר רק פלטי קוד וללא טקסט נוסף. זה מפחית את העלות ב- Amazon Bedrock מכיוון שאתה מחויב עבור כל אסימון שמופק כפלט מכל ה-FM.
אנו משתמשים בהנחיה הבאה:
אנושי: התפקיד שלך הוא לפעול כמומחה לצינורות ETL. באופן ספציפי, התפקיד שלך הוא ליצור ייצוג JSON של צינור ETL אשר יפתור את בקשת המשתמש שסופקה לך.
פלט JSON צריך להיות בפורמט הבא:
להלן כמה דוגמאות לבקשות משתמשים וחפצי פלט משויכים של JSON אשר פותרים בצורה נכונה את המשימה שסופקה. הקפד להשתמש באותו מינוח המופיע בדוגמאות אם אתה משתמש באותם מסדי נתונים.
H: בצע שאילתה במסד הנתונים של ExampleCompany עבור הזמנות פעילות עבור לקוח מס' 1234
A:
הנימוק לשאילתה זו הוא שהלקוח מס' 1234 מסונן ואנו מחפשים בטבלת "הזמנות" את כל הרשומות הקיימות לאחר המסנן "פעיל".
ח: הסר את כל הלקוחות במסד הנתונים של ExampleCompany שלא היו פעילים בחודש האחרון
A:
הנימוק לשאילתה זו הוא שהטבלה "ec_prod.customers" היא הטבלה היחידה במסד הנתונים של ExampleCompany שמכילה רשומות לקוחות.
זכור תמיד לצרף את יציאות ה-JSON שלך בתגיות .
הנה המשימה שלך: צור צינור שמשתמש במסד הנתונים של ExampleCompany אשר מאחזר את כל הלקוחות הפעילים.
עוֹזֵר:
אנו משתמשים בקוד הבא:
body = json.dumps({"prompt": prompt, "stop_sequences": ['nnHuman:', '</json>']})
response = bedrock.invoke_model(
body=body,
modelId='anthropic.claude-v2'
)
הפלט הוא כדלקמן:
{ "database": "ExampleCompany", "query": "SELECT * FROM ec_prod.customers WHERE status = 'active'" }
כעת הגענו לפלט הצפוי כשרק אובייקט ה-JSON הוחזר! על ידי שימוש בשיטה זו, אנו מסוגלים ליצור חפץ טכני שמיש באופן מיידי וכן להפחית את עלות הייצור על ידי הפחתת אסימוני פלט.
סיכום
כדי להתחיל היום עם SnapGPT, בקש א ניסיון חינם של SnapLogic or לבקש הדגמה של המוצר. אם תרצו להשתמש במושגים הללו לבניית יישומים היום, אנו ממליצים להתנסות מעשית עם סעיף ההנדסה המהיר בפוסט הזה, תוך שימוש באותה זרימה על מקרה שימוש אחר מדור DSL שמתאים לעסק שלך, וצלילה עמוק יותר לתוך תכונות RAG הזמינות דרך Amazon Bedrock.
SnapLogic ו-AWS הצליחו לשתף פעולה בצורה יעילה כדי לבנות מתרגם מתקדם בין השפה האנושית לבין הסכימה המורכבת של צינורות האינטגרציה של SnapLogic המופעלים על ידי Amazon Bedrock. לאורך המסע הזה, ראינו כיצד ניתן לשפר את הפלט שנוצר עם קלוד ביישומי טקסט לצינור באמצעות טכניקות הנדסה מיידיות ספציפיות. AWS ו-SnapLogic נרגשים להמשיך את השותפות הזו ב-Generative AI ומצפים לשיתוף פעולה וחדשנות עתידיים במרחב המהיר הזה.
על הכותבים
גרג בנסון הוא פרופסור למדעי המחשב באוניברסיטת סן פרנסיסקו ומדען ראשי ב-SnapLogic. הוא הצטרף למחלקה למדעי המחשב של USF ב-1998 ולימד קורסים לתואר ראשון ותואר שני, כולל מערכות הפעלה, ארכיטקטורת מחשבים, שפות תכנות, מערכות מבוזרות ותכנות מבוא. גרג פרסם מחקרים בתחומי מערכות הפעלה, מחשוב מקביל ומערכות מבוזרות. מאז שהצטרף ל-SnapLogic ב-2010, גרג עזר לתכנן ולהטמיע כמה תכונות פלטפורמה מרכזיות כולל עיבוד אשכולות, עיבוד נתונים גדולים, ארכיטקטורת הענן ולמידת מכונה. כרגע הוא עובד על AI Generative לשילוב נתונים.
אהרון קסלר הוא מנהל מוצר בכיר למוצרים ושירותי בינה מלאכותית ב-SnapLogic, אהרון מיישם למעלה מעשר שנים של מומחיות בניהול מוצר כדי לחלוץ בפיתוח מוצרי AI/ML וליצור שירותים ברחבי הארגון. הוא מחבר הספר הקרוב "מה הבעיה שלך?" שמטרתה להנחות מנהלי מוצר חדשים בקריירת ניהול המוצר. המסע היזמי שלו התחיל עם הסטארט-אפ שלו בקולג', STAK, שנרכש מאוחר יותר על ידי Carvertise כאשר אהרון תרם באופן משמעותי להכרה שלהם כסטארטאפ הטכנולוגי של השנה 2015 בדלאוור. מעבר לעיסוקיו המקצועיים, אהרון מוצא שמחה בגולף עם אביו, בחקר תרבויות ומאכלים חדשים במסעותיו, ובתרגול יוקלילי.
שמיר עשיר הוא אדריכל פתרונות ראשי עם ניסיון בתחומי התמחות מרובים. רקורד של הצלחה הכולל תוכנות ארגוניות מרובות פלטפורמות ו-SaaS. ידוע בזכות הפיכת הסברה ללקוחות (המשמשת כקול הלקוח) לתכונות ומוצרים חדשים שמניבים הכנסות. יכולת מוכחת להוביל מוצרים מתקדמים לשוק ולפרויקטים עד להשלמת לוח הזמנים ותחת התקציב בסביבות יבשתיות ויבשות מהירות. דרך פשוטה לתאר אותי: מוחו של מדען, ליבו של חוקר ונשמתו של אמן.
קליי אלמור הוא אדריכל פתרונות AI/ML מומחה ב-AWS. לאחר שבילה שעות רבות במעבדת מחקר חומרים, הרקע שלו בהנדסה כימית הושאר מאחור במהירות כדי להמשיך את העניין שלו בלמידת מכונה. הוא עבד על יישומי ML בתעשיות שונות, החל ממסחר באנרגיה ועד לשיווק אירוח. העבודה הנוכחית של קליי ב-AWS מתמקדת בסיוע ללקוחות להביא שיטות פיתוח תוכנה לעומסי עבודה של ML ועומסי עבודה בינה מלאכותית, מה שמאפשר ללקוחות לבנות פתרונות ניתנים להרחבה בסביבות מורכבות אלו. בזמנו הפנוי, קליי נהנה לעשות סקי, לפתור את הקוביות של רוביק, לקרוא ולבשל.
סינה סוג'ודי הוא בכיר בטכנולוגיה, מהנדס מערכות, מוביל מוצר, מייסד לשעבר ויועץ סטארט-אפים. הוא הצטרף ל-AWS במרץ 2021 כאדריכל פתרונות ראשי. Sina הוא כיום האדריכל המוביל בתחום הפתרונות של ארה"ב-מערב ISV. הוא עובד עם חברות תוכנה SaaS ו-B2B כדי לבנות ולהגדיל את העסקים שלהן ב-AWS. לפני תפקידו באמזון, סינה היה מנהל טכנולוגי ב-VMware וב-Pivotal Software (הנפקה ב-2018, מיזוגים ורכישות של VMware ב-2020) ושימש מספר תפקידי מנהיגות, כולל מהנדס מייסד ב-Xtreme Labs (רכישת Pivotal ב-2013). סינה הקדיש את 15 שנות ניסיונו האחרונות לבניית פלטפורמות תוכנה ופרקטיקות עבור ארגונים, עסקי תוכנה והמגזר הציבורי. הוא מוביל בתעשייה עם תשוקה לחדשנות. לסינה יש תואר ראשון מאוניברסיטת ווטרלו, שם למד הנדסת חשמל ופסיכולוגיה.
סנדיפ רוחילה הוא ארכיטקט פתרונות בכיר ב-AWS, התומך בלקוחות ISV באזור מערב ארה"ב. הוא מתמקד בסיוע ללקוחות בתכנון פתרונות הממנפים קונטיינרים ובינה מלאכותית גנראטיבית בענן AWS. Sandeep נלהבת להבין את הבעיות העסקיות של הלקוחות ולעזור להם להשיג את מטרותיהם באמצעות טכנולוגיה. הוא הצטרף ל-AWS לאחר שעבד יותר מעשור כאדריכל פתרונות, והביא לידי ביטוי את 17 שנות הניסיון שלו. לסנדיפ תואר שני. בהנדסת תוכנה מאוניברסיטת מערב אנגליה בבריסטול, בריטניה.
ד"ר פארוק סאביר הוא ארכיטקט פתרונות בכיר בבינה מלאכותית ולמידת מכונה ב-AWS. הוא בעל תואר דוקטור ותואר שני בהנדסת חשמל מאוניברסיטת טקסס באוסטין ותואר שני במדעי המחשב מהמכון הטכנולוגי של ג'ורג'יה. יש לו למעלה מ-15 שנות ניסיון בעבודה וגם אוהב ללמד ולהדריך סטודנטים. ב-AWS הוא עוזר ללקוחות לגבש ולפתור את הבעיות העסקיות שלהם במדעי הנתונים, למידת מכונה, ראייה ממוחשבת, בינה מלאכותית, אופטימיזציה מספרית ותחומים קשורים. ממוקם בדאלאס, טקסס, הוא ומשפחתו אוהבים לטייל ולצאת לנסיעות ארוכות.
- הפצת תוכן ויחסי ציבור מופעל על ידי SEO. קבל הגברה היום.
- PlatoData.Network Vertical Generative Ai. העצים את עצמך. גישה כאן.
- PlatoAiStream. Web3 Intelligence. הידע מוגבר. גישה כאן.
- PlatoESG. פחמן, קלינטק, אנרגיה, סביבה, שמש, ניהול פסולת. גישה כאן.
- PlatoHealth. מודיעין ביוטכנולוגיה וניסויים קליניים. גישה כאן.
- מקור: https://aws.amazon.com/blogs/machine-learning/how-snaplogic-built-a-text-to-pipeline-application-with-amazon-bedrock-to-translate-business-intent-into-action/
- :יש ל
- :הוא
- :לֹא
- :איפה
- $ למעלה
- 10
- 100
- 121
- 14
- שנים 15
- 15%
- 150
- 17
- 1998
- 200
- 2010
- 2013
- 2015
- 2017
- 2018
- 2020
- 2021
- 31
- 33
- 7
- 8
- 9
- a
- אהרון
- יכולת
- יכול
- אודות
- גישה
- להשיג
- דיוק
- להשיג
- נרכש
- רכישה
- לרוחב
- לפעול
- פעולה
- פעולות
- פעיל
- הוסיף
- תוספת
- נוסף
- מתקדם
- יתרון
- יועץ
- סנגור
- לאחר
- AI
- מערכות AI
- מונע AI
- AI / ML
- מכוון
- מטרות
- אלגוריתמים
- תעשיות
- מותר
- מאפשר
- מאפשר
- לאורך
- בַּצַד
- כְּבָר
- גם
- אמזון בעברית
- אמזון שירותי אינטרנט
- כמות
- an
- ניתוח
- ו
- לענות
- תשובות
- אנתרופי
- כל
- API
- ממשקי API
- בקשה
- יישומים
- חל
- גישה
- אפליקציות
- ערבית
- ארכיטקטורה
- ARE
- AREA
- אזורים
- סביב
- הגיע
- אמנות
- מלאכותי
- בינה מלאכותית
- בינה מלאכותית ולמידה מכונה
- אמן
- AS
- לשאול
- לשאול
- עוזר
- המשויך
- At
- מוגבר
- אוסטין
- מחבר
- אוטומטי
- אוטומטי
- באופן אוטומטי
- אוטומציה
- זמין
- AWS
- לקוח AWS
- B2B
- רקע
- גיבוי
- בסיס
- מבוסס
- Baseline
- BE
- דוב
- הפך
- כי
- להיות
- היה
- לפני
- החל
- להתחיל
- מאחור
- להיות
- הטבות
- הטוב ביותר
- מוטב
- בֵּין
- מעבר
- גָדוֹל
- נתונים גדולים
- ספר
- שניהם
- להביא
- מביאים
- מביא
- בריסטול
- רחב
- בְּהַרְחָבָה
- תקציב
- לִבנוֹת
- בִּניָן
- בונה
- נבנה
- עסקים
- השפעה עסקית
- עסקים
- אבל
- by
- שיחה
- נקרא
- CAN
- יכולות
- קריירה
- מקרה
- מקרים
- מרכזים
- שרשרת
- לאתגר
- סיכוי
- מאפיינים
- טעון
- כימי
- רֹאשׁ
- בחירה
- ברור
- מקרוב
- סגירה
- ענן
- אשכול
- קוד
- סִמוּל
- שיתף פעולה
- שיתוף פעולה
- אוסף
- מִכלָלָה
- לשלב
- משולב
- מגיע
- מחויבות
- חברות
- של החברה
- נאלץ
- השלמה
- מורכב
- מַקִיף
- המחשב
- מדעי מחשב
- ראייה ממוחשבת
- מחשוב
- מושגים
- תצורה
- מקשר
- הקשר
- חיבורי
- באופן עקבי
- מכולות
- מכיל
- תוכן
- יצירת תוכן
- הקשר
- להמשיך
- חוזה
- תורם
- שיחה
- בישול
- ליבה
- לתקן
- צורה נכונה
- עלות
- יכול
- קורסים
- לִיצוֹר
- נוצר
- יצירה
- יצירתיות
- קריטי
- נוֹכְחִי
- כיום
- מנהג
- לקוח
- לקוחות
- גזירה
- שיא הטכנולוגיה
- דאלאס
- נתונים
- שילוב נתונים
- עיבוד נתונים
- מדע נתונים
- מסד נתונים
- מאגרי מידע
- ימים
- עָשׂוֹר
- להקטין
- מוקדש
- עמוק
- עמוק יותר
- דלוור
- הַדגָמָה
- דמוקרטיזציה
- מַחלָקָה
- נגזר
- לתאר
- תיאור
- עיצוב
- מעוצב
- רצון עז
- רצוי
- מְפוֹרָט
- פרטים
- מפתחים
- צעצועי התפתחות
- התקנים
- דיאלוג
- אחר
- ישירות
- מופץ
- מערכות מבוזרות
- צלילה
- do
- מסמכים
- לא
- עושה
- תחומים
- לא
- מטה
- טיוטה
- באופן דרסטי
- נהיגה
- ראוי
- כל אחד
- קל יותר
- הקל ביותר
- בקלות
- המערכת האקולוגית
- יעילות
- או
- הנדסת חשמל
- אלמנטים
- מאפשר
- סוף
- סיום
- אנרגיה
- מהנדס
- הנדסה
- אַנְגלִיָה
- אנגלית
- הגברה
- מספיק
- לְהַבטִיחַ
- מבטיח
- זן
- מִפְעָל
- תוכנה ארגונית
- פתרונות ארגוניים
- חברות
- שלם
- לַחֲלוּטִין
- יזמית
- סביבות
- שווה
- שווה
- שגיאה
- במיוחד
- Ether (ETH)
- אֲפִילוּ
- ברור
- בדיוק
- דוגמה
- דוגמאות
- Excel
- נרגש
- מנהלים
- קיימים
- צפוי
- מצפה
- ניסיון
- מומחה
- מומחיות
- חוקר
- היכרות
- נוסף
- מאוד
- משפחה
- מהיר
- מהיר
- מאפיין
- תכונות
- מעטים
- שדה
- שדות
- לסנן
- סינון
- מסננים
- ממצאים
- ראשון
- דגל
- תזרים
- זורם
- להתמקד
- מתמקד
- התמקדות
- לעקוב
- הבא
- כדלקמן
- מזונות
- בעד
- פושט
- בחזית
- פוּרמָט
- צורות
- קדימה
- מצא
- קרן
- ייסוד
- פרנסיסקו
- ידידותי
- החל מ-
- הגשמה
- לגמרי
- פונקציה
- נוסף
- עתיד
- צבר
- בדרך כלל
- ליצור
- נוצר
- מייצר
- יצירת
- דור
- גנרטטיבית
- AI Generative
- מכון טכנולוגי של ג'ורג'יה
- לקבל
- gif
- נתן
- Go
- שערים
- Goes
- טוב
- בוגר
- לגדול
- מדריך
- היה
- יד
- רתימה
- יש
- he
- לֵב
- לעזור
- עזר
- מועיל
- עזרה
- עוזר
- כאן
- ביצועים גבוהים
- באיכות גבוהה
- פסים
- שֶׁלוֹ
- להחזיק
- מחזיק
- הכנסת אורחים
- שעות
- איך
- איך
- אולם
- HTML
- HTTPS
- בן אנוש
- צנוע
- מזוהה
- if
- להמחיש
- מיד
- פְּגִיעָה
- בר - השפעה
- ליישם
- חשוב
- לשפר
- משופר
- שיפור
- in
- לכלול
- כלול
- כולל
- להגדיל
- עצמאי
- מצביע על
- אינדיקטורים
- בנפרד
- תעשיות
- תעשייה
- מנהיג בתעשייה
- מידע
- מולדת
- חדשנות
- חדשנות
- קלט
- תשומות
- מיידי
- במקום
- מכון
- הוראות
- משולב
- השתלבות
- ואינטגרציות
- מוֹדִיעִין
- אינטליגנטי
- כוונה
- יחסי גומלין
- אינטראקטיבי
- אינטרס
- מִמְשָׁק
- פנימי
- אל תוך
- הציג
- מציג
- מבוא
- הנפקה
- ISV
- IT
- איטרציה
- איטרציות
- שֶׁלָה
- Java
- עבודה
- הצטרף
- הצטרפות
- משותף
- מסע
- שמחה
- jpg
- ג'סון
- רק
- מפתח
- לדעת
- ידע
- ידוע
- יודע
- מעבדה
- מעבדות
- שפה
- שפות
- גָדוֹל
- אחרון
- מאוחר יותר
- האחרון
- עוֹפֶרֶת
- מנהיג
- מנהיגות
- מוביל
- Leap
- למד
- למידה
- עזבו
- לתת
- מינוף
- כמו
- אוהב
- הגיון
- ארוך
- נראה
- מגרש
- אהבה
- M&A
- מכונה
- למידת מכונה
- מכונה
- עשוי
- לעשות
- עושה
- עשייה
- הצליח
- ניהול
- מנהל
- מנהלים
- דרך
- באופן ידני
- רב
- מיפוי
- צעדה
- שוק
- שיווק
- גפרורים
- חומרים
- me
- המורה
- סתם
- מידע נוסף
- שיטה
- מיליונים
- אכפת לי
- דקות
- משימה
- ML
- מודל
- מודלים
- MongoDB
- יותר
- רוב
- המהלך
- MS
- רב פלטפורמה
- מספר
- my
- שם
- טבעי
- שפה טבעית
- צורך
- צרכי
- חדש
- תכונות חדשות
- מוצר חדש
- הבא
- לא
- הערות
- מחשבים ניידים
- הודעה..
- עַכשָׁיו
- אובייקט
- אובייקטים
- התרחשה
- of
- המיוחדות שלנו
- לעתים קרובות
- on
- פעם
- ONE
- רק
- פועל
- מערכות הפעלה
- אופטימיזציה
- מיטוב
- or
- להזמין
- הזמנות
- ארגון
- ארגונים
- מְקוֹרִי
- אחר
- שלנו
- הַחוּצָה
- תוֹצָאָה
- תפוקה
- פלטים
- יותר
- דפים
- מקביל
- במיוחד
- שותף
- שותפות
- תשוקה
- לוהט
- עבר
- תבנית
- מבצע
- פרספקטיבה
- שלב
- דוקטורט
- חתיכות
- חלוץ
- צינור
- מכריע
- מקום
- פלטפורמה
- פלטפורמות
- אפלטון
- מודיעין אפלטון
- אפלטון נתונים
- פופולרי
- פופולריות
- הודעה
- פוטנציאל
- פוטנציאל
- כּוֹחַ
- מופעל
- תרגול
- פרקטיקות
- לחזות
- חזה
- קודם
- יְסוֹדִי
- מנהל
- פְּרָטִיוּת
- פרטיות ואבטחה
- בעיה
- בעיות
- הליך
- תהליך
- תהליכים
- תהליך
- מיוצר
- ייצור
- המוצר
- פיתוח מוצר
- ניהול מוצר
- מנהל מוצר
- מוצרים
- מוצרים ושירותים
- מקצועי
- פרופסור
- תכנות
- שפות תכנות
- פרויקטים
- הנחיות
- מוכח
- לספק
- ובלבד
- מספק
- מתן
- פסיכולוגיה
- ציבורי
- לאור
- מחקר שפורסם
- לרדוף
- פיתון
- שאילתות
- שאלה
- מהירות
- אקראי
- אקראי
- רכס
- טִוּוּחַ
- מהיר
- קריאה
- להבין
- תחום
- לקבל
- לאחרונה
- הכרה
- להמליץ
- שיא
- רשום
- להפחית
- מפחית
- הפחתה
- בדבר
- באזור
- הדמיה מחדש
- קָשׁוּר
- שוחרר
- רלוונטי
- אָמִין
- לסמוך
- לזכור
- להסיר
- שניתנו
- הָדִיר
- תגובה
- נציגות
- המייצג
- מייצג
- לבקש
- בקשות
- לדרוש
- נדרש
- דרישות
- דורש
- מחקר
- תגובה
- תגובות
- REST
- וכתוצאה מכך
- תוצאות
- לַחֲזוֹר
- החזרות
- לְחוֹלֵל מַהְפֵּכָה
- עשיר
- תקין
- כביש
- תפקיד
- תפקידים
- חֶדֶר
- הפעלה
- פועל
- SaaS
- בְּטִיחוּת
- בעל חכמים
- אמר
- אותו
- סן
- סן פרנסיסקו
- סולם
- להרחבה
- סולם
- לוח זמנים
- מדע
- מַדְעָן
- לגרד
- Sdk
- חיפוש
- שְׁנִיָה
- סעיף
- מגזר
- אבטחה
- לִרְאוֹת
- לראות
- בחר
- שליחה
- לחצני מצוקה לפנסיונרים
- נשלח
- רצף
- שירת
- שרות
- שירותים
- הגשה
- הפעלות
- סט
- הצבה
- כמה
- צריך
- לְהַצִיג
- הראה
- הופעות
- באופן משמעותי
- דומה
- פָּשׁוּט
- לפשט
- מפשט
- בפשטות
- since
- יחיד
- קטן
- So
- תוכנה
- תוכנה כשירות
- מפתחי תוכנה
- פיתוח תוכנה
- הנדסת תוכנה
- פִּתָרוֹן
- פתרונות
- לפתור
- פותר
- כמה
- מישהו
- מתוחכם
- נֶפֶשׁ
- מָקוֹר
- מֶרחָב
- ספרדי
- מתח
- מומחה
- ספציפי
- במיוחד
- מפורט
- לבלות
- הוצאה
- SQL
- התחלה
- החל
- סטארט - אפ
- הצהרה
- מצב
- שלב
- צעדים
- עצור
- פשוט
- מִבְנֶה
- סטודנטים
- מְחוֹשָׁב
- הצלחה
- מסייע
- תומך
- אמור
- בטוח
- מערכת
- מערכות
- שולחן
- תָג
- לקחת
- יעד
- המשימות
- משימות
- לימד
- נבחרת
- צוותי
- טק
- טק
- טכני
- טכניקה
- טכניקות
- טכנולוגיה
- לספר
- עשר
- טקסס
- טֶקסט
- מֵאֲשֶׁר
- זֶה
- השמיים
- המערב
- העולם
- שֶׁלָהֶם
- אותם
- אז
- אלה
- הֵם
- דברים
- לחשוב
- זֶה
- אלה
- דרך
- בכל
- זמן
- ל
- היום
- אסימון
- מטבעות
- אמר לי
- לקח
- כלי
- להתחקות
- לעקוב
- מסחר
- באופן מסורתי
- הדרכה
- טרנספורמטיבית
- התמרות
- לתרגם
- נסיעות
- נוסע
- מגמה
- מִשׁפָּט
- להפעיל
- מפעילה
- נָכוֹן
- קוד אמיתי
- מנסה
- פנייה
- סוג
- ui
- Uk
- תחת
- להבין
- הבנה
- מבין
- ייחודי
- אוניברסיטה
- עד
- חשף
- בקרוב ב
- מְעוּדכָּן
- על
- us
- שָׁמִישׁ
- להשתמש
- במקרה להשתמש
- מְשׁוּמָשׁ
- משתמש
- חוויית משתמש
- משתמשים
- שימושים
- באמצעות
- בְּדֶרֶך כְּלַל
- ux
- שונים
- ספקים
- מאוד
- באמצעות
- חזון
- חזותי
- VMware
- קול
- רוצה
- היה
- דֶרֶך..
- we
- אינטרנט
- שירותי אינטרנט
- שבועות
- טוֹב
- היו
- מערב
- מה
- מה
- מתי
- אשר
- רָחָב
- טווח רחב
- יצטרך
- חלון
- עם
- לְלֹא
- תיק עבודות
- עבד
- זרימת עבודה
- זרימות עבודה
- עובד
- עובד
- עוֹלָם
- של העולם
- היה
- לכתוב
- XML
- שנה
- שנים
- אתה
- YouTube
- זפירנט