この投稿は主任研究員の Greg Benson との共同執筆です。 アーロン・ケスラー氏、シニアプロダクトマネージャー、 と SnapLogic のエンタープライズ ソリューション アーキテクトである Rich Dill 氏。
多くの顧客が生成 AI アプリを構築しています アマゾンの岩盤 および アマゾン コード ウィスパラー 自然言語に基づいてコード成果物を作成します。 この使用例では、大規模言語モデル (LLM) が、洗練された言語とともに、人間の言語 (英語、スペイン語、アラビア語など) と機械が解釈可能な言語 (Python、Java、Scala、SQL など) の間の翻訳者としてどのように機能できるかを強調しています。内部の推論。 LLM のこの新しい機能により、ソフトウェア開発者は、自然言語をドメイン固有言語 (DSL) に変換する自動化および UX 強化ツールとして LLM を使用することを余儀なくされました (システム命令、API リクエスト、コード アーティファクトなど)。 この投稿では、その方法を紹介します スナップロジックAWS の顧客である は、Amazon Bedrock を使用して自社の電力を供給しました。 スナップGPT 人間の言語からこれらの複雑な DSL アーティファクトを自動作成することにより、製品を開発します。
顧客が LLM から DSL オブジェクトを作成すると、結果として得られる DSL は、UI とバッキング サービスのビジネス ロジック間のコントラクトを形成する既存のインターフェイス データとスキーマの正確なレプリカまたは派生です。 このパターンは、コードを通じて構成を表現する独自の方法と、顧客のユーザー エクスペリエンスを簡素化したいという要望により、独立系ソフトウェア ベンダー (ISV) およびサービスとしてのソフトウェア (SaaS) ISV で特に傾向が見られます。 ユースケースの例は次のとおりです。
AWS 上で LLM を使用してテキストからパイプラインへのアプリケーションを構築および拡張する最も簡単な方法は、Amazon Bedrock を使用することです。 Amazon Bedrock は、基盤モデル (FM) を使用して生成 AI アプリケーションを構築および拡張する最も簡単な方法です。 これは、単一の API を介して主要な AI からの高性能の基盤 FM の選択肢へのアクセスを提供するフルマネージド サービスであり、プライバシーとセキュリティを備えた生成 AI アプリケーションを構築するために必要な幅広い機能セットも提供します。 Anthropic は、信頼性が高く、解釈可能で、操作可能な AI システムを構築する AI 安全性および研究ラボであり、Amazon Bedrock 上で最先端の LLM、Claude へのアクセスを提供する大手 AI 企業の 2 つです。 クロードは、思慮深い対話、コンテンツ作成、複雑な推論、創造性、コーディングに至るまで、幅広いタスクに優れた LLM です。 Anthropic は Claude モデルと Claude Instant モデルの両方を提供しており、これらはすべて Amazon Bedrock から入手できます。 Claude は、推論能力が向上し、あいまいな技術的な問題解決に優れているため、これらのテキストからパイプラインへのアプリケーションで急速に人気を集めています。 Amazon Bedrock の Claude 100,000 は、英語テキストの約 200 ページに相当する XNUMX トークンのコンテキスト ウィンドウをサポートします。 これは、複雑な推論、詳細な手順、包括的な例を必要とするテキストからパイプラインへのアプリケーションを構築するときに信頼できる特に重要な機能です。
スナップロジックの背景
SnapLogic は、エンタープライズ自動化を世界にもたらすという使命を負った AWS の顧客です。 SnapLogic インテリジェント統合プラットフォーム (IIP) を使用すると、組織は、アプリケーション、データベース、ビッグ データ、マシンとデバイス、API などのエコシステム全体を、Snap と呼ばれる事前構築されたインテリジェント コネクタに接続することで、企業全体の自動化を実現できます。 SnapLogic は最近、と呼ばれる機能をリリースしました。 スナップGPTは、作成したい統合パイプラインを簡単な人間の言語で入力できるテキスト インターフェイスを提供します。 SnapGPT は、Amazon Bedrock を通じて Anthropic の Claude モデルを使用して、これらの統合パイプラインの作成をコードとして自動化し、その後 SnapLogic の主力統合ソリューションを通じて使用されます。 ただし、SnapLogic の SnapGPT への道のりは、AI 分野での長年にわたる運用の集大成でした。
SnapLogic の AI の歩み
統合プラットフォームの分野では、SnapLogic は常に最前線に立ち、人工知能の変革力を活用してきました。 長年にわたって、特に XNUMX 年からの歩みをたどると、AI によるイノベーションに対する同社の取り組みが明らかになってきました。 虹彩 〜へ オートリンク.
アイリスとのささやかな始まり
2017 年、SnapLogic は業界初の AI を活用した統合アシスタントである Iris を発表しました。 Iris は、機械学習 (ML) アルゴリズムを使用して、データ パイプライン構築の次のステップを予測するように設計されています。 Iris は何百万ものメタデータ要素とデータ フローを分析することで、ユーザーにインテリジェントな提案を行い、データ統合を民主化し、深い技術的背景のないユーザーでも複雑なワークフローを作成できるようにします。
AutoLink: 勢いを高める
Iris からの成功と教訓を基に、SnapLogic はデータ マッピング プロセスをさらに簡素化することを目的とした機能である AutoLink を導入しました。 ソース システムとターゲット システムの間でフィールドを手動でマッピングするという面倒な作業は、AutoLink を使用することで簡単になりました。 AutoLink は AI を使用して、潜在的な一致を自動的に識別し、提案しました。 かつては何時間もかかっていた統合が、わずか数分で実行できるようになりました。
SnapGPT による生成的飛躍
SnapLogic の AI への最新の取り組みにより、統合にさらに革命を起こすことを目的とした SnapGPT が提供されます。 SnapGPT を使用して、SnapLogic は世界初の生成統合ソリューションを導入します。 これは、既存のプロセスを単純化するだけではなく、統合の設計方法を完全に再考するものです。 生成 AI の力により、統合パイプライン全体をゼロから作成し、望ましい結果とデータ特性に基づいてワークフローを最適化できます。
SnapGPT は、最初の SnapLogic パイプラインの生成に必要な時間を大幅に短縮できるため、SnapLogic の顧客にとって非常に大きな影響を与えます。 従来、SnapLogic の顧客は統合パイプラインを最初から構成するのに数日から数週間を費やす必要がありました。 現在、これらの顧客は SnapGPT に、たとえば「すべてのアクティブな SFDC 顧客を WorkDay に移行するパイプラインを作成してください」と依頼することができます。 この顧客向けにパイプラインの実用的な初稿が自動的に作成され、統合パイプラインのベースの作成に必要な開発時間が大幅に短縮されます。 これにより、エンド カスタマーは、統合パイプラインの構成に取り組む代わりに、ビジネスに真の影響を与えることに集中して、より多くの時間を費やすことができます。 次の例は、SnapLogic の顧客が自然言語を使用して SnapGPT 機能に説明を入力し、パイプラインを迅速に生成する方法を示しています。
AWS と SnapLogic は、この製品の構築を通じて緊密に協力し、その過程で多くのことを学びました。 この投稿の残りの部分では、AWS と SnapLogic がテキストからパイプラインへのアプリケーションに LLM を使用する際に得た技術的な学習に焦点を当てます。
ソリューションの概要
このテキストからパイプラインへの問題を解決するために、AWS と SnapLogic は次のアーキテクチャに示す包括的なソリューションを設計しました。
SnapGPT へのリクエストは、次のワークフローを経ます。
- ユーザーはアプリケーションに説明を送信します。
- SnapLogic は、検索拡張生成 (RAG) アプローチを使用して、ユーザーのリクエストに類似した SnapLogic パイプラインの関連サンプルを取得します。
- これらの抽出された関連サンプルはユーザー入力と結合され、Amazon Bedrock の Claude に送信される前にテキストの前処理が行われます。
- クロードは、SnapLogic パイプラインを表す JSON アーティファクトを生成します。
- JSON アーティファクトは、コアの SnapLogic 統合プラットフォームに直接統合されます。
- SnapLogic パイプラインは、視覚的にわかりやすい方法でユーザーに表示されます。
AWS と SnapLogic の間でさまざまな実験を行った結果、テキストからパイプラインへの出力の高品質な出力を生成するには、ソリューション図の迅速なエンジニアリング ステップが非常に重要であることがわかりました。 次のセクションでは、この分野でクロードで使用されるいくつかの具体的なテクニックについてさらに詳しく説明します。
迅速な実験
SnapGPT の開発フェーズを通じて、AWS と SnapLogic は、SnapLogic の出力におけるテキストからパイプラインへの出力の精度と関連性を向上させるには、クロードに送信されるプロンプトを迅速に反復することが重要な開発タスクであることに気づきました。 を使用することで Amazon SageMakerスタジオ インタラクティブなノートブックを使用することで、AWS と SnapLogic チームはさまざまなバージョンのプロンプトを迅速に処理できました。 Amazon Bedrock への Boto3 SDK の接続。 ノートブックベースの開発により、チームは Amazon Bedrock へのクライアント側接続を迅速に作成し、Amazon Bedrock にプロンプトを送信するための Python コードとともにテキストベースの説明を含めることができ、共同プロンプト エンジニアリング セッションを開催して複数のペルソナ間で迅速に反復を行うことができました。
人間的クロードプロンプトエンジニアリング手法
このセクションでは、「すべてのアクティブな顧客を取得する ExampleCompany データベースを使用するパイプラインを作成する」という例示的なユーザー リクエストに基づいて、高パフォーマンスのプロンプトを作成するために使用した反復手法のいくつかについて説明します。 この例は、SnapGPT が利用しているスキーマではなく、テキストからパイプラインへのアプリケーションを説明するためにのみ使用されていることに注意してください。
プロンプト エンジニアリングのベースラインを確立するために、次のオリジナルのプロンプトを使用します。
すべてのアクティブな顧客を取得する ExampleCompany データベースを使用するパイプラインを作成します。
期待される出力は次のとおりです。
{ "database": "ExampleCompany", "query": "SELECT * FROM ec_prod.customers WHERE status = 'active'" }
改善 #1: 人間とアシスタントの注釈の使用
クロードのトレーニング手順は、FM にプロンプト構造における人間とアシスタントの間の対話を理解することを教えます。 クロード ユーザーは、プロンプトを Assistant: で終了することでこの構造を利用できます。これにより、人間の発言に基づいてクロードがクエリに対する応答の生成を開始します。 Claude は停止するよう指示されるまでテキストの生成を続けるため、Claude を使用する場合は、Amazon Bedrock への API リクエストで必ず nnHuman: の停止シーケンスを使用してください。 これにより、対話チェーン内の人間からの予測された次の応答ではなく、アシスタントからの応答のみを受け取ることが保証されます。 これらの nnHuman および nnAssistant インジケーターは、関連情報に対するクロードの応答を制限するのに役立つだけでなく、主な人間の入力と他のインタラクションからのアシスタントの応答との間の明確な境界を提供するのにも役立ちます。 これは、nnHuman でタグ付けされたクエリと、nnAssistant でタグ付けされた以前の応答を含む複数のクエリと応答を使用できる、数回のプロンプト設定で特に役立ちます。 改善されたプロンプトと、Boto3 SDK を介した Amazon Bedrock への関連する API 呼び出しの例を見てみましょう。
次のプロンプトを使用します。
人間: すべてのアクティブな顧客を取得する ExampleCompany データベースを使用するパイプラインを作成します。
アシスタント:
出力は次のとおりです。
以下は、ExampleCompany データベースからすべてのアクティブな顧客を取得する MongoDB パイプラインです。
pipeline = [ { '$match': { 'database': 'ExampleCompany', 'status': 'active' } } ] db.customers.aggregate(pipeline)
主な手順は次のとおりです。
– `$match` を使用すると、ドキュメントが ExampleCompany データベース内にあり、ステータスが「アクティブ」に等しいドキュメントのみにフィルタされます。
– `db.customers.aggregate()` は、customers コレクションに対してパイプラインを実行し、フィルター処理された結果を返します。
したがって、これにより、ステータス フィールドが「アクティブ」に設定されているすべての顧客ドキュメントが ExampleCompany データベースから返されます。
出力内で、クロードが文脈なしに質問に対する答えを作成していることに注目してください。 答えは役立つ可能性がありますが、十分なコンテキストが提供されていないため、解決しようとしている問題に固有のものではありません。 Anthropic では、Claude モデルを使用する場合、この人間とアシスタントの形式が必要であることに注意することも重要です。 このステップを含めないと、Amazon Bedrock はエラーを返します。
改善 #2: 何をすべきかを指示する前に、クロードの超具体的なコンテキストを含めます。
クロードは、何を達成する必要があるか、またそのタスクをどのように達成するかについて適切なコンテキストが与えられたときに最高のパフォーマンスを発揮します。 クロードにタスクを指示する前に、クロードのコンテキストとして含めるべきものの例をいくつか示します。
- クロードに果たしてほしい職務を説明してください。 こうすることで、クロードに、その仕事で働いている人の役割、またはその特定の役割で雇われたばかりの人の役割で考えさせることになります。 これにより、クロードはその特定の職務の観点から回答を作成することができ、回答の幻覚やランダム性が軽減されます。
- 出力形式に関する技術的な詳細を含めます。 基本モデルは通常、アクションに従うのが得意なので、XNUMX つまたはいくつかの例を使用して特定の形式またはスキーマで出力を生成するようにクロードに依頼すると、クロードが適切な形式で答えを提供し、出力のフィルタリングや後処理の必要性が減ります。 次のプロンプトの例は、予想される出力と一致する架空のスキーマを示しています。
これらの提案を組み合わせて、元のプロンプトを改善してみましょう。
人間: あなたの仕事は、ETL パイプラインの専門家として行動することです。 具体的には、提供されたユーザー リクエストを解決する ETL パイプラインの JSON 表現を作成することが仕事です。
JSON 出力は次の形式に従う必要があります。
あなたのタスクは次のとおりです。すべてのアクティブな顧客を取得する ExampleCompany データベースを使用するパイプラインを作成します。
アシスタント:
出力は次のとおりです。
以下は、ExampleCompany データベースからすべてのアクティブな顧客を取得するための ETL パイプラインの JSON 表現です。
このパイプラインは、ExampleCompany データベースと SQL クエリを使用して、customers テーブルからステータスが「アクティブ」であるすべてのレコードを選択します。
コンテキストを追加することで、モデルは答えに至るまでのほとんどの過程を達成できるようになりました。 これで、出力を構造化する方法がわかり、タスクを解決するには SQL ステートメントを作成する必要があることがわかりました。 ただし、このモデルでは、予期した ec_prod.customers 命名法が正しく使用されていないことがわかります。 改善の余地! また、実際には、テキストからパイプラインへのユースケースで高品質の結果を得るには、この例で提供したものよりもはるかに多くのコンテキストを含める必要があることにも注意してください。
改善 #3: XML タグで例を囲む
少数ショット学習は、FM の精度を高める一般的な方法であり、FM のタスクをガイドするための関連サンプルが用意されています。 これは、テキストからパイプラインへのアプリケーションで作業する場合に特に重要です。これらの非常に特殊なパイプライン出力は、個々の顧客のデータ表現に固有であるため、通常、公開データセットには含まれないからです。 Claude を使用すると、任意の XML タグに関するその固有の知識を利用して、これらの例を数ショット形式で提供できます。 次の改善されたプロンプトでは、 で囲まれた例が追加されていることに注目してください。 XML タグ。 また、H と A を使用して人間とアシスタントの略語を使用すると、クロードにこれらがすでに発生した対話の特定の部分であると思わせることなくコンテキストを提供できます。
次のプロンプトを使用します。
人間: あなたの仕事は、ETL パイプラインの専門家として行動することです。 具体的には、提供されたユーザー リクエストを解決する ETL パイプラインの JSON 表現を作成することが仕事です。
JSON 出力は次の形式に従う必要があります。
以下に、提供されたタスクを正しく解決するユーザー リクエストと関連する出力 JSON アーティファクトの例をいくつか示します。 同じデータベースを使用している場合は、例で提供されているのと同じ命名法を使用してください。
H: 顧客 #1234 のアクティブな注文について ExampleCompany データベースをクエリします。
A:
このクエリの理由は、顧客 #1234 がフィルタリングされており、「アクティブ」フィルタの後に「注文」テーブルで既存のレコードを検索しているためです。
H: ExampleCompany データベース内の、先月アクティブではなかったすべての顧客を削除します
A:
このクエリの理由は、「ec_prod.customers」テーブルが、顧客レコードを含む ExampleCompany データベース内の唯一のテーブルであるためです。
あなたのタスクは次のとおりです。すべてのアクティブな顧客を取得する ExampleCompany データベースを使用するパイプラインを作成します。
アシスタント:
出力は次のとおりです。
ExampleCompany データベースからすべてのアクティブな顧客を取得するための ETL パイプラインの JSON 表現を次に示します。
その理由は次のとおりです。
ExampleCompany データベースが使用するデータベースとして指定されています
ec_prod.customers テーブルには顧客データが含まれます
ステータス フィールドは顧客がアクティブかどうかを示すため、クエリはアクティブな顧客のみをフィルターします。
これにより、ExampleCompany データベースからすべてのアクティブな顧客レコードが取得されます。 説明が必要な場合や、ETL パイプラインに関する追加の要件がある場合は、お知らせください。
JSON 出力には正しいデータベース命名法が含まれており、私たちが提供した例のおかげでクロードはこれを使用できました。 人間のインジケーターとアシスタントのインジケーターを XML タグと組み合わせることで、クロードは、複数のショット数の少ないサンプルを明確に区別することで、同様のサンプルの中で何がタスクであり、何が答えかを理解しやすくなります。 クロードにとって理解しやすいほど、答えはより適切で関連性が高く、モデルが幻覚を起こして無関係な無関係な答えを提供する可能性がさらに減ります。
改善 #4: クロードをトリガーして XML タグを使用した JSON 生成を開始する
FM を使用したテキストからパイプラインへのアプリケーションの小さな課題は、結果のテキストからの出力を正確に解析して、ダウンストリーム アプリケーションのコードとして解釈できるようにする必要があることです。 Claude でこれを解決する 3 つの方法は、XML タグの理解を利用し、これをカスタムの停止シーケンスと組み合わせることです。 次のプロンプトでは、出力を で囲むようにクロードに指示しました。 XML タグ。 次に、 プロンプトの最後にタグを付けます。 これにより、Claude から出力される最初のテキストが JSON 出力の開始点になります。 これを行わないと、クロードは会話形式のテキストで応答し、その後、実際のコード応答が返されることがよくあります。 クロードに出力の生成をすぐに開始するように指示すると、終了が表示されたときに簡単に生成を停止できます。 鬼ごっこ。 これは、更新された BotoXNUMX API 呼び出しに示されています。 この手法には XNUMX つの利点があります。 まず、クロードからのコード応答を正確に解析できます。 次に、Claude はコード出力のみを生成し、余分なテキストを生成しないため、コストを削減できます。 すべての FM からの出力として生成されるトークンごとに料金が請求されるため、Amazon Bedrock のコストが削減されます。
次のプロンプトを使用します。
人間: あなたの仕事は、ETL パイプラインの専門家として行動することです。 具体的には、提供されたユーザー リクエストを解決する ETL パイプラインの JSON 表現を作成することが仕事です。
JSON 出力は次の形式に従う必要があります。
以下に、提供されたタスクを正しく解決するユーザー リクエストと関連する出力 JSON アーティファクトの例をいくつか示します。 同じデータベースを使用している場合は、例で提供されているのと同じ命名法を使用してください。
H: 顧客 #1234 のアクティブな注文について ExampleCompany データベースをクエリします。
A:
このクエリの理由は、顧客 #1234 がフィルタリングされており、「アクティブ」フィルタの後に「注文」テーブルで既存のレコードを検索しているためです。
H: ExampleCompany データベース内の、先月アクティブではなかったすべての顧客を削除します
A:
このクエリの理由は、「ec_prod.customers」テーブルが、顧客レコードを含む ExampleCompany データベース内の唯一のテーブルであるためです。
JSON 出力を常に次のように囲むことを忘れないでください。 タグ。
あなたのタスクは次のとおりです。すべてのアクティブな顧客を取得する ExampleCompany データベースを使用するパイプラインを作成します。
アシスタント:
次のコードを使用します。
body = json.dumps({"prompt": prompt, "stop_sequences": ['nnHuman:', '</json>']})
response = bedrock.invoke_model(
body=body,
modelId='anthropic.claude-v2'
)
出力は次のとおりです。
{ "database": "ExampleCompany", "query": "SELECT * FROM ec_prod.customers WHERE status = 'active'" }
これで、JSON オブジェクトのみが返された期待どおりの出力が得られました。 この方法を使用することで、すぐに使用できる技術成果物を生成できるだけでなく、出力トークンを削減することで生成コストを削減することができます。
まとめ
今すぐ SnapGPT を使い始めるには、 SnapLogicの無料トライアル or 製品のデモをリクエストする。 これらの概念を使用してアプリケーションを構築したい場合は、次のことをお勧めします。 実践的な実験 この投稿のプロンプト エンジニアリング セクションでは、ビジネスに適した別の DSL 生成ユース ケースで同じフローを使用し、 Amazon Bedrock を通じて利用できる RAG 機能.
SnapLogic と AWS は効果的に提携して、人間の言語と Amazon Bedrock を利用した SnapLogic 統合パイプラインの複雑なスキーマの間の高度なトランスレータを構築することができました。 この旅を通して、私たちは、Claude で生成された出力が、特定のプロンプト エンジニアリング手法を使用してテキストからパイプラインへのアプリケーションでどのように改善できるかを見てきました。 AWS と SnapLogic は、Generative AI におけるこのパートナーシップを継続することに興奮しており、この急速に変化する分野での将来のコラボレーションとイノベーションを楽しみにしています。
著者について
グレッグ・ベンソン サンフランシスコ大学のコンピューター サイエンスの教授であり、SnapLogic の主任研究員でもあります。 彼は 1998 年に USF コンピュータ サイエンス学部に入社し、オペレーティング システム、コンピュータ アーキテクチャ、プログラミング言語、分散システム、入門プログラミングなどの学部コースと大学院コースを教えてきました。 グレッグは、オペレーティング システム、並列コンピューティング、分散システムの分野で研究を発表しています。 2010 年に SnapLogic に入社して以来、グレッグは、クラスター処理、ビッグ データ処理、クラウド アーキテクチャ、機械学習など、いくつかの主要なプラットフォーム機能の設計と実装を支援してきました。 彼は現在、データ統合のための Generative AI に取り組んでいます。
アーロン・ケスラー SnapLogic の AI 製品およびサービスのシニア プロダクト マネージャーである Aaron は、2015 年以上の製品管理の専門知識を活用して、AI/ML 製品開発の先駆者となり、組織全体にサービスを普及させています。 彼は近々出版される『What's Your 問題は何ですか?』という本の著者です。 新しいプロダクト マネージャーをプロダクト マネジメントのキャリアを通じてガイドすることを目的としています。 彼の起業家としての歩みは、大学で立ち上げた STAK から始まりました。STAK は後に Carvertise に買収され、Aaron はデラウェア州での XNUMX 年の Tech Startup of the Year としての認知に大きく貢献しました。 アーロンは、プロとしての追求以外にも、父親と一緒にゴルフをしたり、旅行中に新しい文化や食べ物を探索したり、ウクレレを練習したりすることに喜びを感じています。
リッチディル は、複数の専門分野に幅広く携わった経験を持つプリンシパル ソリューション アーキテクトです。 マルチプラットフォームのエンタープライズ ソフトウェアと SaaS にわたる成功の実績。 顧客擁護 (顧客の声としての役割) を、収益を生み出す新機能や製品に変えることでよく知られています。 ペースの速いオンショアおよびオフショア環境において、最先端の製品を市場に送り出し、プロジェクトを予定どおり予算内で完了させる実証済みの能力。 私を簡単に説明すると、科学者の心、探検家の心、芸術家の魂です。
クレイ・エルモア AWS の AI/ML スペシャリスト ソリューション アーキテクトです。 材料研究室で何時間も過ごした後、化学工学のバックグラウンドはすぐに捨てられ、機械学習への関心を追求しました。 彼は、エネルギー取引からホスピタリティ マーケティングに至るまで、さまざまな業界で ML アプリケーションに取り組んできました。 Clay の AWS での現在の仕事は、顧客がソフトウェア開発プラクティスを ML および生成 AI ワークロードに導入できるように支援することに重点を置いており、顧客がこれらの複雑な環境で反復可能でスケーラブルなソリューションを構築できるようにします。 余暇には、クレイはスキー、ルービック キューブを解く、読書、料理を楽しんでいます。
シーナ・ソジョディ テクノロジー担当役員、システム エンジニア、プロダクト リーダー、元創設者、スタートアップ アドバイザーです。 彼は 2021 年 2 月にプリンシパル ソリューション アーキテクトとして AWS に入社しました。 Sina は現在、米国西部 ISV エリアのリード ソリューション アーキテクトを務めています。 彼は SaaS および B2018B ソフトウェア会社と協力して、AWS 上でビジネスを構築および成長させています。 Amazon での役職に就く前は、Sina は VMware と Pivotal Software (2020 年に IPO、2013 年に VMware M&A) でテクノロジー担当役員を務め、Xtreme Labs (15 年に Pivotal を買収) の創設エンジニアを含む複数の指導的な役割を果たしてきました。 Sina は、過去 XNUMX 年間の職務経験を、企業、ソフトウェア ビジネス、公共部門向けのソフトウェア プラットフォームと実践の構築に捧げてきました。 彼はイノベーションに情熱を注ぐ業界のリーダーです。 シーナはウォータールー大学で電気工学と心理学を学び、学士号を取得しています。
サンディープ・ロヒラ AWS のシニア ソリューション アーキテクトで、米国西部地域の ISV 顧客をサポートしています。 彼は、顧客が AWS クラウド上でコンテナと生成 AI を活用したソリューションを設計できるよう支援することに重点を置いています。 Sandeep は、顧客のビジネス上の問題を理解し、テクノロジーを通じて顧客の目標達成を支援することに情熱を持っています。 彼はソリューションアーキテクトとして 17 年以上働いた後、XNUMX 年間の経験を生かして AWS に入社しました。 サンディープは修士号を取得しています。 英国ブリストルの西イングランド大学でソフトウェア工学の博士号を取得しています。
ファルーク・サビル博士 AWS のシニア人工知能および機械学習スペシャリスト ソリューション アーキテクトです。 テキサス大学オースティン校で電気工学の博士号と修士号を取得し、ジョージア工科大学でコンピューター サイエンスの修士号を取得しています。 彼は15年以上の実務経験があり、大学生を教えたり指導したりすることも好きです. AWS では、データ サイエンス、機械学習、コンピューター ビジョン、人工知能、数値最適化、および関連分野におけるビジネス上の問題を顧客が定式化して解決するのを支援しています。 テキサス州ダラスを拠点とする彼と彼の家族は、旅行が大好きで、長いドライブ旅行に出かけます。
- SEO を活用したコンテンツと PR 配信。 今日増幅されます。
- PlatoData.Network 垂直生成 Ai。 自分自身に力を与えましょう。 こちらからアクセスしてください。
- プラトアイストリーム。 Web3 インテリジェンス。 知識増幅。 こちらからアクセスしてください。
- プラトンESG。 カーボン、 クリーンテック、 エネルギー、 環境、 太陽、 廃棄物管理。 こちらからアクセスしてください。
- プラトンヘルス。 バイオテクノロジーと臨床試験のインテリジェンス。 こちらからアクセスしてください。
- 情報源: https://aws.amazon.com/blogs/machine-learning/how-snaplogic-built-a-text-to-pipeline-application-with-amazon-bedrock-to-translate-business-intent-into-action/
- :持っている
- :は
- :not
- :どこ
- $UP
- 10
- 100
- 121
- 14
- 15年
- 視聴者の38%が
- 150
- 17
- 1998
- 200
- 2010
- 2013
- 2015
- 2017
- 2018
- 2020
- 2021
- 31
- 33
- 7
- 8
- 9
- a
- アーロン・P・コーエン
- 能力
- できる
- 私たちについて
- アクセス
- こちらからお申し込みください。
- 精度
- 達成する
- 取得
- 買収
- 越えて
- 行為
- Action
- 行動
- アクティブ
- 追加されました
- 添加
- NEW
- 高度な
- 利点
- 顧問
- アドボカシー
- 後
- AI
- AIシステム
- AI電源
- AI / ML
- 目的としました
- 目指して
- アルゴリズム
- すべて
- 許可されて
- 許可
- ことができます
- 沿って
- 並んで
- 既に
- また
- Amazon
- Amazon Webサービス
- 量
- an
- 分析する
- および
- 回答
- 回答
- 人間原理
- どれか
- API
- API
- 申し込み
- 適用
- アプローチ
- アプリ
- アラビア語
- 建築
- です
- AREA
- エリア
- 周りに
- 到着
- 宝品
- 人工の
- 人工知能
- 人工知能と機械学習
- アーティスト
- AS
- 頼む
- 質問
- アシスタント
- 関連する
- At
- 増強された
- オースティン
- 著者
- 自動化する
- 自動化
- 自動的に
- オートメーション
- 利用できます
- AWS
- AWS のお客様
- B2B
- 背景
- バッキング
- ベース
- ベース
- ベースライン
- BE
- くま
- になりました
- なぜなら
- になる
- き
- 始まった
- 始まる
- 背後に
- さ
- 利点
- BEST
- より良いです
- の間に
- 越えて
- ビッグ
- ビッグデータ
- 本
- 両言語で
- 持って来る
- 持参
- もたらす
- ブリストル
- 広い
- 広く
- 予算
- ビルド
- 建物
- 構築します
- 内蔵
- ビジネス
- ビジネスへの影響
- ビジネス
- 焙煎が極度に未発達や過発達のコーヒーにて、クロロゲン酸の味わいへの影響は強くなり、金属を思わせる味わいと乾いたマウスフィールを感じさせます。
- by
- コール
- 呼ばれます
- 缶
- 機能
- キャリア
- 場合
- 例
- センター
- チェーン
- 挑戦する
- チャンス
- 特性
- 荷担した
- 化学物質
- チーフ
- 選択
- クリア
- 密接に
- 閉鎖
- クラウド
- クラスタ
- コード
- コーディング
- 協力して
- 環境、テクノロジーを推奨
- コレクション
- カレッジ
- 組み合わせる
- 組み合わせた
- 来ます
- コミットメント
- 企業
- 会社の
- ざるを得ない
- 完成
- 複雑な
- 包括的な
- コンピュータ
- コンピュータサイエンス
- Computer Vision
- コンピューティング
- コンセプト
- 構成する
- 接続する
- 接続
- Connections
- 一貫して
- コンテナ
- 含まれています
- コンテンツ
- コンテンツ作成
- コンテキスト
- 続ける
- 縮小することはできません。
- 貢献
- 会話
- 料理
- 基本
- 正しい
- 費用
- 可能性
- コース
- 作ります
- 作成した
- 創造
- 創造性
- 重大な
- 電流プローブ
- 現在
- カスタム
- 顧客
- Customers
- 切断
- 最先端
- ダラス
- データ
- データ統合
- データ処理
- データサイエンス
- データベース
- データベースを追加しました
- 日
- 十年
- 減少
- 専用の
- 深いです
- より深い
- デラウェア
- デモ
- 民主化
- 部門
- デリバティブ
- 説明する
- 説明
- 設計
- 設計
- 慾望
- 希望
- 詳細な
- 細部
- 開発者
- 開発
- Devices
- 対話
- 異なります
- 直接に
- 配布
- 分散システム
- ダイビング
- do
- ドキュメント
- そうではありません
- すること
- ドメイン
- ドント
- ダウン
- ドラフト
- 劇的に
- ドライブ
- 原因
- 各
- 容易
- 最も簡単
- 簡単に
- エコシステム
- 効果的に
- どちら
- 電気工学
- 要素は
- 可能
- end
- エンディング
- エネルギー
- エンジニア
- エンジニアリング
- イングランド
- 英語
- 強化
- 十分な
- 確保
- 確実に
- 入力します
- Enterprise
- エンタープライズソフトウェア
- エンタープライズ・ソリューション
- 企業
- 全体
- 完全に
- 起業家
- 環境
- 等しい
- 同等の
- エラー
- 特に
- エーテル(ETH)
- さらに
- 明らか
- 正確に
- 例
- 例
- Excel
- 興奮した
- エグゼクティブ
- 既存の
- 予想される
- 期待して
- 体験
- エキスパート
- 専門知識
- エクスプローラ
- 探る
- 余分な
- 非常に
- 家族
- 動きの速い
- テンポの速い
- 特徴
- 特徴
- 少数の
- フィールド
- フィールズ
- filter
- フィルタリング
- フィルター
- 発見
- 名
- 旗艦
- フロー
- 流れ
- フォーカス
- 焦点を当てて
- 焦点
- フォロー中
- 次
- 食品
- 悪ふざけ
- 最前線
- 形式でアーカイブしたプロジェクトを保存します.
- フォーム
- フォワード
- 発見
- Foundation
- 創業
- フランシスコ
- 優しい
- から
- 満たす
- 完全に
- function
- さらに
- 未来
- 獲得
- 一般に
- 生成する
- 生成された
- 生成
- 生成
- 世代
- 生々しい
- 生成AI
- ジョージア工科大学
- 取得する
- GIF
- 与えられた
- Go
- 目標
- ゴエス
- 良い
- 卒業生
- 成長する
- ガイド
- 持っていました
- ハンド
- 利用する
- 持ってる
- he
- ハート
- 助けます
- 助けました
- 役立つ
- 助け
- ことができます
- こちら
- 高性能
- 高品質
- ハイライト
- 彼の
- 保持している
- ホスピタリティー
- HOURS
- 認定条件
- How To
- しかしながら
- HTML
- HTTPS
- 人間
- 謙虚な
- 特定され
- if
- 説明します
- 直ちに
- 影響
- 衝撃的
- 実装する
- 重要
- 改善します
- 改善されました
- 改善
- in
- include
- 含まれました
- 含めて
- 増える
- 独立しました
- を示し
- インジケータ
- 個人
- 産業
- 産業を変えます
- 業界リーダー
- 情報
- 生来の
- 革新的
- 革新的手法
- 入力
- インスタント
- を取得する必要がある者
- 機関
- 説明書
- 統合された
- 統合
- 統合
- インテリジェンス
- インテリジェント-
- 意図
- 相互作用
- 相互作用的
- 関心
- インタフェース
- 内部
- に
- 導入
- 紹介します
- はじめに
- IPO
- isv
- IT
- 繰り返し
- 繰り返し
- ITS
- Java
- ジョブ
- 参加した
- 参加
- ジョイント
- 旅
- 喜び
- JPG
- JSON
- ただ
- キー
- 知っている
- 知識
- 既知の
- 知っている
- ラボ
- ラボ
- 言語
- ESL, ビジネスESL <br> 中国語/フランス語、その他
- 大
- 姓
- 後で
- 最新の
- つながる
- リーダー
- リーダーシップ
- 主要な
- 跳躍
- 学んだ
- 学習
- 左
- う
- 活用
- ような
- 好き
- ロジック
- 長い
- 見て
- たくさん
- 愛
- M&A
- 機械
- 機械学習
- マシン
- 製
- make
- 作る
- 作成
- マネージド
- 管理
- マネージャー
- マネージャー
- 方法
- 手動で
- 多くの
- マッピング
- 3月
- 市場
- マーケティング
- マッチ
- 材料
- me
- メンター
- 単なる
- 方法
- 何百万
- マインド
- 分
- ミッション
- ML
- モデル
- MongoDBの
- 他には?
- 最も
- MS
- マルチプラットフォーム
- の試合に
- my
- 名
- ナチュラル
- 自然言語
- 必要
- ニーズ
- 新作
- 新しい特徴
- 新製品
- 次の
- いいえ
- 注意
- ノートPC
- 知らせ..
- 今
- オブジェクト
- オブジェクト
- 発生した
- of
- オファー
- 頻繁に
- on
- かつて
- ONE
- の
- オペレーティング
- OS
- 最適化
- 最適化
- or
- 注文
- 受注
- 組織
- 組織
- オリジナル
- その他
- 私たちの
- でる
- 結果
- 出力
- outputs
- が
- ページ
- 並列シミュレーションの設定
- 特に
- パートナー
- パートナーシップ
- 情熱
- 情熱的な
- 過去
- パターン
- 実行する
- 視点
- 相
- 博士号
- ピース
- パイオニア
- パイプライン
- 極めて重要な
- 場所
- プラットフォーム
- プラットフォーム
- プラトン
- プラトンデータインテリジェンス
- プラトデータ
- 人気
- 人気
- ポスト
- 潜在的な
- :
- 電力
- パワード
- 練習
- プラクティス
- 予測する
- 予測
- 前
- 主要な
- 校長
- プライバシー
- プライバシーとセキュリティ
- 問題
- 問題
- 手続き
- プロセス
- ラボレーション
- 処理
- 生産された
- 生産する
- プロダクト
- 製品開発
- 製品管理
- プロダクトマネージャー
- 製品
- 製品とサービス
- プロ
- 東京大学大学院海洋学研究室教授
- プログラミング
- プログラミング言語
- プロジェクト(実績作品)
- プロンプト
- 実績のある
- 提供します
- 提供
- は、大阪で
- 提供
- Psychology
- 公共
- 公表
- 公開された研究
- 追求する
- Python
- クエリ
- 質問
- すぐに
- ランダム
- ランダム
- 範囲
- 測距
- 急速な
- リーディング
- 実現する
- realm
- 受け取ります
- 最近
- 認識
- 推奨する
- 記録
- 記録
- 減らします
- 軽減
- 縮小
- に対する
- 地域
- 再考
- 関連する
- リリース
- 関連した
- 信頼性のある
- 頼る
- 覚えています
- 削除します
- レンダリングされた
- 繰り返し可能
- 返信
- 表現
- 表します
- 表し
- 要求
- リクエスト
- 必要とする
- の提出が必要です
- 要件
- 必要
- 研究
- 応答
- 回答
- REST
- 結果として
- 結果
- return
- 収益
- 革命を起こす
- 富裕層
- 右
- ロード
- 職種
- 役割
- ルーム
- ラン
- 実行
- SaaSの
- 安全性
- セージメーカー
- 前記
- 同じ
- サン
- サンフランシスコ
- スカラ
- ド電源のデ
- 規模
- スケジュール
- 科学
- 科学者
- スクラッチ
- SDDK
- 検索
- 二番
- セクション
- セクター
- セキュリティ
- 見て
- select
- 送信
- シニア
- 送信
- シーケンス
- サービスを提供
- サービス
- サービス
- サービング
- セッション
- セッションに
- 設定
- いくつかの
- すべき
- 表示する
- 示す
- 作品
- 著しく
- 同様の
- 簡単な拡張で
- 簡素化する
- 単純化
- 単に
- から
- 小さい
- So
- ソフトウェア
- サービスとしてのソフトウェア
- ソフトウェア開発者
- ソフトウェア開発
- ソフトウェア工学
- 溶液
- ソリューション
- 解決する
- 解決
- 一部
- 誰か
- 洗練された
- 魂
- ソース
- スペース
- スペイン語
- 緊張
- 専門家
- 特定の
- 特に
- 指定の
- 過ごす
- 支出
- SQL
- start
- 開始
- スタートアップ
- ステートメント
- Status:
- 手順
- ステップ
- Force Stop
- 簡単な
- 構造
- 生徒
- 研究
- 成功
- 支援する
- サポート
- 想定
- 確か
- システム
- テーブル
- TAG
- 取る
- ターゲット
- 仕事
- タスク
- 教えた
- チーム
- チーム
- テク
- ハイテクスタートアップ
- 技術的
- 技術
- テクニック
- テクノロジー
- 言う
- 10
- テキサス州
- 클라우드 기반 AI/ML및 고성능 컴퓨팅을 통한 디지털 트윈의 기초 – Edward Hsu, Rescale CPO 많은 엔지니어링 중심 기업에게 클라우드는 R&D디지털 전환의 첫 단계일 뿐입니다. 클라우드 자원을 활용해 엔지니어링 팀의 제약을 해결하는 단계를 넘어, 시뮬레이션 운영을 통합하고 최적화하며, 궁극적으로는 모델 기반의 협업과 의사 결정을 지원하여 신제품을 결정할 때 데이터 기반 엔지니어링을 적용하고자 합니다. Rescale은 이러한 혁신을 돕기 위해 컴퓨팅 추천 엔진, 통합 데이터 패브릭, 메타데이터 관리 등을 개발하고 있습니다. 이번 자리를 빌려 비즈니스 경쟁력 제고를 위한 디지털 트윈 및 디지털 스레드 전략 개발 방법에 대한 인사이트를 나누고자 합니다.
- より
- それ
- ウェスト
- 世界
- アプリ環境に合わせて
- それら
- その後
- ボーマン
- 彼ら
- 物事
- 考える
- この
- それらの
- 介して
- 全体
- 時間
- 〜へ
- 今日
- トークン
- トークン
- 言われ
- 取った
- ツール
- トレース
- 追跡する
- トレーディング
- 伝統的に
- トレーニング
- 変形させる
- トランスフォーム
- 翻訳する
- 旅行
- 旅行
- トレンド
- トライアル
- トリガー
- トリガー
- true
- 真のコード
- しよう
- ターニング
- type
- ui
- Uk
- 下
- わかる
- 理解する
- 理解する
- ユニーク
- 大学
- まで
- 発表
- 今後の
- 更新しました
- に
- us
- 使用可能な
- つかいます
- 使用事例
- 中古
- ユーザー
- 操作方法
- users
- 使用されます
- 通常
- ux
- さまざまな
- ベンダー
- 非常に
- 、
- ビジョン
- ビジュアル
- ヴイエムウェア
- ボイス
- 欲しいです
- ました
- 仕方..
- we
- ウェブ
- Webサービス
- ウィークス
- WELL
- した
- ウェスト
- この試験は
- 何ですか
- いつ
- which
- ワイド
- 広い範囲
- 意志
- ウィンドウを使用して入力ファイルを追加します。
- 無し
- 仕事
- 働いていました
- ワークフロー
- ワークフロー
- ワーキング
- 作品
- 世界
- 世界の
- でしょう
- 書きます
- XML
- 年
- 年
- 貴社
- あなたの
- ユーチューブ
- ゼファーネット