이 게시물은 수석 과학자인 Greg Benson과 공동으로 작성되었습니다. Aaron Kesler, 선임 제품 관리자; 그리고 SnapLogic의 엔터프라이즈 솔루션 설계자 Rich Dill이 있습니다.
많은 고객이 생성적 AI 앱을 구축하고 있습니다. 아마존 기반암 및 아마존 코드위스퍼러 자연어를 기반으로 코드 아티팩트를 생성합니다. 이 사용 사례에서는 대규모 언어 모델(LLM)이 인간 언어(영어, 스페인어, 아랍어 등)와 기계 해석 가능 언어(Python, Java, Scala, SQL 등) 간의 번역자가 될 수 있는 방법과 정교한 언어 모델을 강조합니다. 내부 추론. LLM의 이러한 새로운 기능으로 인해 소프트웨어 개발자는 LLM을 시스템 지침, API 요청, 코드 아티팩트 등 자연어를 도메인별 언어(DSL)로 변환하는 자동화 및 UX 향상 도구로 사용하게 되었습니다. 이번 포스팅에서는 그 방법을 알려드리겠습니다. 스냅로직AWS 고객인 은 Amazon Bedrock을 사용하여 SnapGPT 인간의 언어로부터 이러한 복잡한 DSL 아티팩트를 자동으로 생성함으로써 제품을 생산합니다.
고객이 LLM에서 DSL 개체를 만들 때 결과 DSL은 UI와 지원 서비스의 비즈니스 논리 간의 계약을 형성하는 기존 인터페이스 데이터 및 스키마의 정확한 복제본이거나 파생물입니다. 이 패턴은 코드를 통해 구성을 표현하는 고유한 방식과 고객의 사용자 경험을 단순화하려는 욕구로 인해 ISV(독립 소프트웨어 공급업체) 및 SaaS(Software as a Service) ISV에서 특히 인기가 높습니다. 사용 사례의 예는 다음과 같습니다.
AWS에서 LLM을 사용하여 텍스트-파이프라인 애플리케이션을 구축하고 확장하는 가장 간단한 방법은 Amazon Bedrock을 사용하는 것입니다. Amazon Bedrock은 FM(기본 모델)을 사용하여 생성 AI 애플리케이션을 구축하고 확장하는 가장 쉬운 방법입니다. 개인 정보 보호 및 보안 기능을 갖춘 생성적 AI 애플리케이션을 구축하는 데 필요한 광범위한 기능 세트와 함께 단일 API를 통해 주요 AI의 고성능 기반 FM 선택에 대한 액세스를 제공하는 완전 관리형 서비스입니다. 신뢰할 수 있고 해석 가능하며 조종 가능한 AI 시스템을 구축하는 AI 안전 및 연구 연구소인 Anthropic은 Amazon Bedrock에서 최첨단 LLM인 Claude에 대한 액세스를 제공하는 선도적인 AI 회사 중 하나입니다. Claude는 사려 깊은 대화, 콘텐츠 제작, 복잡한 추론, 창의성, 코딩 등 광범위한 작업에 탁월한 LLM입니다. Anthropic은 Claude 및 Claude Instant 모델을 모두 제공하며 모두 Amazon Bedrock을 통해 사용할 수 있습니다. Claude는 향상된 추론 능력으로 인해 이러한 텍스트-파이프라인 애플리케이션에서 빠르게 인기를 얻었으며 이를 통해 모호한 기술 문제 해결에 탁월합니다. Amazon Bedrock의 Claude 2는 100,000개의 토큰 컨텍스트 창을 지원합니다. 이는 영어 텍스트 약 200페이지에 해당합니다. 이는 복잡한 추론, 자세한 지침 및 포괄적인 예제가 필요한 텍스트-파이프라인 애플리케이션을 구축할 때 의지할 수 있는 특히 중요한 기능입니다.
SnapLogic 배경
SnapLogic은 엔터프라이즈 자동화를 세상에 제공하려는 사명을 갖고 있는 AWS 고객입니다. SnapLogic 지능형 통합 플랫폼(IIP)을 사용하면 조직은 애플리케이션, 데이터베이스, 빅 데이터, 기계 및 장치, API 등의 전체 생태계를 Snap이라는 사전 구축된 지능형 커넥터와 연결하여 전사적 자동화를 실현할 수 있습니다. SnapLogic은 최근 다음과 같은 기능을 출시했습니다. SnapGPT, 생성하려는 원하는 통합 파이프라인을 간단한 인간 언어로 입력할 수 있는 텍스트 인터페이스를 제공합니다. SnapGPT는 Amazon Bedrock을 통해 Anthropic의 Claude 모델을 사용하여 이러한 통합 파이프라인을 코드로 자동 생성한 다음 SnapLogic의 주력 통합 솔루션을 통해 사용합니다. 그러나 SnapGPT를 향한 SnapLogic의 여정은 AI 공간에서 수년간 운영해 온 정점이었습니다.
SnapLogic의 AI 여정
통합 플랫폼 영역에서 SnapLogic은 인공 지능의 혁신적인 힘을 활용하여 지속적으로 선두에 서왔습니다. 수년에 걸쳐 AI를 통한 혁신에 대한 회사의 의지는 분명해졌습니다. 특히 조리개 에 자동 링크.
아이리스와 함께한 소박한 시작
2017년 SnapLogic은 업계 최초의 AI 기반 통합 도우미인 Iris를 공개했습니다. Iris는 기계 학습(ML) 알고리즘을 사용하여 데이터 파이프라인 구축의 다음 단계를 예측하도록 설계되었습니다. 수백만 개의 메타데이터 요소와 데이터 흐름을 분석함으로써 Iris는 사용자에게 지능적인 제안을 제공하고 데이터 통합을 민주화하며 깊은 기술적 배경이 없는 사용자도 복잡한 워크플로를 만들 수 있도록 할 수 있습니다.
AutoLink: 모멘텀 구축
Iris의 성공과 교훈을 바탕으로 SnapLogic은 데이터 매핑 프로세스를 더욱 단순화하기 위한 기능인 AutoLink를 도입했습니다. 소스 시스템과 대상 시스템 간의 필드를 수동으로 매핑하는 지루한 작업이 AutoLink를 사용하면 쉬워졌습니다. AutoLink는 AI를 사용하여 잠재적 일치 항목을 자동으로 식별하고 제안했습니다. 한때 몇 시간이 걸렸던 통합이 단 몇 분 만에 실행될 수 있습니다.
SnapGPT를 통한 세대적 도약
SnapLogic의 최근 AI 진출은 통합을 한층 더 혁신하는 것을 목표로 하는 SnapGPT를 제공합니다. SnapGPT를 통해 SnapLogic은 세계 최초의 생성 통합 솔루션을 선보입니다. 이는 단순히 기존 프로세스를 단순화하는 것이 아니라 통합 설계 방식을 완전히 재구상하는 것입니다. 생성적 AI의 힘은 전체 통합 파이프라인을 처음부터 생성하여 원하는 결과와 데이터 특성을 기반으로 워크플로를 최적화할 수 있습니다.
SnapGPT는 첫 번째 SnapLogic 파이프라인을 생성하는 데 필요한 시간을 대폭 줄일 수 있기 때문에 SnapLogic 고객에게 매우 큰 영향을 미칩니다. 일반적으로 SnapLogic 고객은 처음부터 통합 파이프라인을 구성하는 데 며칠 또는 몇 주를 소비해야 했습니다. 이제 이러한 고객은 SnapGPT에 "모든 활성 SFDC 고객을 WorkDay로 이동하는 파이프라인 생성" 등을 간단히 요청할 수 있습니다. 이 고객을 위해 작동 중인 파이프라인의 첫 번째 초안이 자동으로 생성되므로 통합 파이프라인 기반을 생성하는 데 필요한 개발 시간이 대폭 단축됩니다. 이를 통해 최종 고객은 통합 파이프라인 구성 작업을 수행하는 대신 자신에게 진정한 비즈니스 영향을 미치는 것에 집중하는 데 더 많은 시간을 할애할 수 있습니다. 다음 예에서는 SnapLogic 고객이 SnapGPT 기능에 설명을 입력하여 자연어를 사용하여 파이프라인을 빠르게 생성하는 방법을 보여줍니다.
AWS와 SnapLogic은 이 제품 구축 전반에 걸쳐 긴밀하게 협력해 왔으며 그 과정에서 많은 것을 배웠습니다. 이 게시물의 나머지 부분에서는 텍스트-파이프라인 애플리케이션에 LLM을 사용하여 AWS와 SnapLogic이 얻은 기술 학습에 중점을 둘 것입니다.
솔루션 개요
이 텍스트-파이프라인 문제를 해결하기 위해 AWS와 SnapLogic은 다음 아키텍처에 표시된 포괄적인 솔루션을 설계했습니다.
SnapGPT에 대한 요청은 다음 워크플로를 따릅니다.
- 사용자가 애플리케이션에 설명을 제출합니다.
- SnapLogic은 RAG(Retrieval Augmented Generation) 접근 방식을 사용하여 사용자의 요청과 유사한 SnapLogic 파이프라인의 관련 예를 검색합니다.
- 이렇게 추출된 관련 예제는 사용자 입력과 결합되어 Amazon Bedrock의 Claude에게 전송되기 전에 일부 텍스트 사전 처리를 거칩니다.
- Claude는 SnapLogic 파이프라인을 나타내는 JSON 아티팩트를 생성합니다.
- JSON 아티팩트는 핵심 SnapLogic 통합 플랫폼에 직접 통합됩니다.
- SnapLogic 파이프라인은 시각적으로 친숙한 방식으로 사용자에게 렌더링됩니다.
AWS와 SnapLogic 간의 다양한 실험을 통해 우리는 솔루션 다이어그램의 신속한 엔지니어링 단계가 이러한 텍스트-파이프라인 출력에 대한 고품질 출력을 생성하는 데 매우 중요하다는 사실을 발견했습니다. 다음 섹션에서는 이 분야에서 Claude와 함께 사용된 몇 가지 특정 기술에 대해 자세히 설명합니다.
즉각적인 실험
SnapGPT의 개발 단계 전반에 걸쳐 AWS와 SnapLogic은 Claude에게 전송되는 프롬프트에 대한 신속한 반복이 SnapLogic 출력에서 텍스트-파이프라인 출력의 정확성과 관련성을 향상시키는 데 중요한 개발 작업이라는 사실을 발견했습니다. 사용하여 아마존 세이지 메이커 스튜디오 대화형 노트북을 사용하여 AWS와 SnapLogic 팀은 다양한 버전의 프롬프트를 신속하게 처리할 수 있었습니다. Amazon Bedrock에 대한 Boto3 SDK 연결. 노트북 기반 개발을 통해 팀은 Amazon Bedrock에 대한 클라이언트 측 연결을 신속하게 생성하고, Amazon Bedrock에 프롬프트를 보내기 위한 Python 코드와 함께 텍스트 기반 설명을 포함하고, 여러 페르소나 간에 신속하게 반복이 이루어지는 공동 프롬프트 엔지니어링 세션을 개최할 수 있었습니다.
Anthropic Claude 프롬프트 엔지니어링 방법
이 섹션에서는 예시적인 사용자 요청을 기반으로 고성능 프롬프트를 생성하는 데 사용한 몇 가지 반복 기술에 대해 설명합니다. "모든 활성 고객을 검색하는 exampleCompany 데이터베이스를 사용하는 파이프라인을 만듭니다." 이 예는 SnapGPT가 제공하는 스키마가 아니며 텍스트-파이프라인 애플리케이션을 설명하는 데만 사용됩니다.
프롬프트 엔지니어링의 기준을 설정하기 위해 다음과 같은 원래 프롬프트를 사용합니다.
모든 활성 고객을 검색하는 exampleCompany 데이터베이스를 사용하는 파이프라인을 만듭니다.
예상 출력은 다음과 같습니다.
{ "database": "ExampleCompany", "query": "SELECT * FROM ec_prod.customers WHERE status = 'active'" }
개선 사항 #1: 인간 및 보조자 주석 사용
Claude의 훈련 절차는 FM이 프롬프트 구조에서 인간과 조수 사이의 대화를 이해하도록 가르칩니다. Claude 사용자는 Assistant:에서 프롬프트를 종료하여 이 구조를 활용할 수 있습니다. 그러면 Claude가 사람이 말한 내용을 기반으로 쿼리에 대한 응답을 생성하기 시작합니다. Claude는 중지하라는 지시를 받을 때까지 계속해서 텍스트를 생성하므로 Claude를 사용할 때 Amazon Bedrock에 대한 API 요청에 nnHuman: 중지 시퀀스를 사용해야 합니다. 이렇게 하면 대화 체인의 인간으로부터 예상되는 다음 응답이 아닌 보조자로부터의 응답만 받을 수 있습니다. 이러한 nnHuman 및 nnAssistant 표시기는 관련 정보에 대한 Claude의 응답을 제한하는 데 도움이 될 뿐만 아니라 기본 인간 입력과 다른 상호 작용의 보조 응답 간의 명확한 구분을 제공하는 데도 도움이 됩니다. 이는 특히 nnHuman 태그가 지정된 쿼리와 nnAssistant 태그가 지정된 이전 응답이 포함된 여러 쿼리와 응답을 가질 수 있는 몇 번의 프롬프트 설정에 도움이 됩니다. Boto3 SDK를 통해 Amazon Bedrock에 대한 향상된 프롬프트와 관련 예시 API 호출을 살펴보겠습니다.
다음 프롬프트를 사용합니다.
인간: 모든 활성 고객을 검색하는 exampleCompany 데이터베이스를 사용하는 파이프라인을 만듭니다.
조수:
출력은 다음과 같습니다.
다음은 exampleCompany 데이터베이스에서 모든 활성 고객을 검색하는 MongoDB 파이프라인입니다.
pipeline = [ { '$match': { 'database': 'ExampleCompany', 'status': 'active' } } ] db.customers.aggregate(pipeline)
주요 단계는 다음과 같습니다.
– `$match`는 문서를 exampleCompany 데이터베이스에 있고 상태가 "활성"인 문서로만 필터링합니다.
– `db.customers.aggregate()`는 고객 컬렉션에서 파이프라인을 실행하고 필터링된 결과를 반환합니다.
따라서 상태 필드가 "활성"으로 설정된 exampleCompany 데이터베이스의 모든 고객 문서가 반환됩니다.
출력에서 Claude가 어떤 맥락도 없이 질문에 대한 답변을 어떻게 구성하는지 확인하세요. 답변은 잠재적으로 도움이 될 수 있지만 충분한 맥락이 제공되지 않기 때문에 해결하려는 문제에 국한되지 않습니다. Anthropic에서는 Claude 모델을 사용할 때 인간과 보조자 형식이 필요하다는 점을 기억하는 것도 중요합니다. 이 단계를 포함하지 않으면 Amazon Bedrock이 오류를 반환합니다.
개선 사항 #2: Claude가 무엇을 해야 할지 말하기 전에 매우 구체적인 컨텍스트를 포함합니다.
Claude는 수행해야 할 작업과 해당 작업을 수행하는 방법에 대한 올바른 컨텍스트가 제공될 때 최고의 성능을 발휘합니다. Claude에게 작업을 지시하기 전에 Claude의 컨텍스트로 포함할 몇 가지 예는 다음과 같습니다.
- 클로드가 수행하기를 원하는 직무를 설명하세요. 이렇게 하면 Claude가 해당 직무에서 일하는 사람의 역할, 또는 특정 직무에 막 고용된 사람처럼 생각하게 됩니다. 이렇게 하면 Claude가 특정 직무 역할의 관점에서 답변을 공식화하여 답변의 환각과 무작위성을 줄이는 데 도움이 됩니다.
- 출력 형식에 관한 기술적인 세부 사항을 포함합니다. 기초 모델은 일반적으로 다음 작업에 능숙하므로 Claude에게 하나 또는 몇 가지 예를 사용하여 특정 형식이나 스키마로 출력을 생성하도록 요청하면 Claude가 올바른 형식으로 답변을 제공하는 데 도움이 되어 출력 필터링 및 후처리의 필요성이 줄어듭니다. 다음 프롬프트의 예는 예상 출력과 일치하는 가상의 스키마를 보여줍니다.
원래 프롬프트를 개선하기 위해 이러한 제안을 결합해 보겠습니다.
인간: 당신의 임무는 ETL 파이프라인의 전문가로 행동하는 것입니다. 특히 귀하의 임무는 귀하에게 제공된 사용자 요청을 해결할 ETL 파이프라인의 JSON 표현을 생성하는 것입니다.
JSON 출력은 다음 형식을 따라야 합니다.
귀하의 작업은 다음과 같습니다. 모든 활성 고객을 검색하는 exampleCompany 데이터베이스를 사용하는 파이프라인을 만듭니다.
조수:
출력은 다음과 같습니다.
다음은 exampleCompany 데이터베이스에서 모든 활성 고객을 검색하는 ETL 파이프라인의 JSON 표현입니다.
이 파이프라인은 exampleCompany 데이터베이스와 SQL 쿼리를 사용하여 고객 테이블에서 상태가 '활성'인 모든 레코드를 선택합니다.
컨텍스트가 추가되면서 모델은 이제 답변에 대한 대부분의 방법을 얻을 수 있습니다. 이제 출력을 구조화하는 방법을 알고 있으며 작업을 해결하려면 SQL 문을 작성해야 한다는 것을 이해합니다. 그러나 모델이 우리가 기대하는 ec_prod.customers 명명법을 올바르게 사용하지 않는다는 것을 알 수 있습니다. 개선의 여지! 또한 실제로 텍스트-파이프라인 사용 사례에서 고품질 결과를 얻으려면 이 예에서 제공한 것보다 훨씬 더 많은 컨텍스트를 포함해야 합니다.
개선 사항 #3: XML 태그로 예제 포함
퓨샷 학습은 FM의 작업을 안내하는 관련 사례가 있는 FM의 정확도를 높이는 인기 있는 방법입니다. 이는 텍스트-파이프라인 애플리케이션에서 작업할 때 특히 중요합니다. 이러한 초특정 파이프라인 출력은 개별 고객의 데이터 표현에 특정하기 때문에 일반적으로 공개 데이터 세트에 포함되지 않기 때문입니다. Claude를 사용하면 이러한 예제를 몇 장의 형식으로 제공하기 위해 임의의 XML 태그에 대한 타고난 지식을 활용할 수 있습니다. 다음 개선된 프롬프트에서 다음 예제가 추가된 것을 확인하세요. XML 태그. 또한 H와 A가 포함된 인간 및 보조자의 약어를 사용하여 이미 발생한 대화의 특정 부분이라고 생각하지 않고도 Claude에게 컨텍스트를 제공할 수 있습니다.
다음 프롬프트를 사용합니다.
인간: 당신의 임무는 ETL 파이프라인의 전문가로 행동하는 것입니다. 특히 귀하의 임무는 귀하에게 제공된 사용자 요청을 해결할 ETL 파이프라인의 JSON 표현을 생성하는 것입니다.
JSON 출력은 다음 형식을 따라야 합니다.
다음은 제공된 작업을 올바르게 해결하는 사용자 요청 및 관련 출력 JSON 아티팩트의 몇 가지 예입니다. 동일한 데이터베이스를 사용하는 경우 예제에 제공된 동일한 명명법을 사용해야 합니다.
H: 고객 #1234에 대한 활성 주문이 있는지 exampleCompany 데이터베이스에 쿼리합니다.
A:
이 쿼리의 이유는 고객 #1234가 필터링되었으며 "활성" 필터 이후의 기존 레코드에 대해 "주문" 테이블을 검색하고 있기 때문입니다.
H: 지난 달에 활성화되지 않은 exampleCompany 데이터베이스의 모든 고객을 제거합니다.
A:
이 쿼리의 이유는 "ec_prod.customers" 테이블이 고객 레코드를 포함하는 exampleCompany 데이터베이스의 유일한 테이블이기 때문입니다.
귀하의 작업은 다음과 같습니다. 모든 활성 고객을 검색하는 exampleCompany 데이터베이스를 사용하는 파이프라인을 만듭니다.
조수:
출력은 다음과 같습니다.
다음은 exampleCompany 데이터베이스에서 모든 활성 고객을 검색하는 ETL 파이프라인에 대한 JSON 표현입니다.
추론은 다음과 같습니다.
사용할 데이터베이스로 exampleCompany 데이터베이스가 지정됩니다.
ec_prod.customers 테이블에는 고객 데이터가 포함되어 있습니다.
상태 필드는 고객이 활성 상태인지 여부를 나타내므로 쿼리는 활성 고객만 필터링합니다.
그러면 exampleCompany 데이터베이스에서 모든 활성 고객 기록을 검색해야 합니다. ETL 파이프라인에 대한 설명이 필요하거나 추가 요구 사항이 있으면 알려주십시오!
이제 JSON 출력에는 올바른 데이터베이스 명명법이 있으며, 우리가 제공한 예제 덕분에 Claude가 이를 사용할 수 있었습니다. 사람과 보조자 표시기를 XML 태그와 결합하면 Claude가 작업이 무엇인지, 여러 장의 예시를 매우 명확하게 구분하여 유사한 예시에서 답변이 무엇인지 더 쉽게 이해할 수 있습니다. Claude가 이해하기 쉬울수록 답변이 더 좋고 관련성이 높아져 모델이 환각을 느끼고 관련 없는 답변을 무작위로 제공할 가능성이 더욱 줄어듭니다.
개선 사항 #4: Claude가 XML 태그를 사용하여 JSON 생성을 시작하도록 트리거
FM을 사용하는 텍스트-파이프라인 애플리케이션의 작은 과제는 다운스트림 애플리케이션에서 코드로 해석될 수 있도록 결과 텍스트의 출력을 정확하게 구문 분석해야 한다는 것입니다. Claude로 이 문제를 해결하는 한 가지 방법은 XML 태그 이해를 활용하고 이를 사용자 정의 중지 시퀀스와 결합하는 것입니다. 다음 프롬프트에서는 Claude에게 출력을 XML 태그. 그런 다음 프롬프트 끝에 태그를 추가하세요. 이렇게 하면 Claude에서 나오는 첫 번째 텍스트가 JSON 출력의 시작이 됩니다. 이렇게 하지 않으면 Claude는 종종 대화형 텍스트로 응답한 다음 실제 코드 응답으로 응답합니다. Claude에게 즉시 출력 생성을 시작하도록 지시하면 닫히는 것을 볼 때 쉽게 생성을 중지할 수 있습니다. 꼬리표. 이는 업데이트된 Boto3 API 호출에 표시됩니다. 이 기술의 이점은 두 가지입니다. 첫째, Claude의 코드 응답을 정확하게 구문 분석할 수 있습니다. 둘째, Claude는 추가 텍스트 없이 코드 출력만 생성하므로 비용을 절감할 수 있습니다. 모든 FM에서 출력으로 생성된 각 토큰에 대해 비용이 청구되므로 Amazon Bedrock의 비용이 절감됩니다.
다음 프롬프트를 사용합니다.
인간: 당신의 임무는 ETL 파이프라인의 전문가로 행동하는 것입니다. 특히 귀하의 임무는 귀하에게 제공된 사용자 요청을 해결할 ETL 파이프라인의 JSON 표현을 생성하는 것입니다.
JSON 출력은 다음 형식을 따라야 합니다.
다음은 제공된 작업을 올바르게 해결하는 사용자 요청 및 관련 출력 JSON 아티팩트의 몇 가지 예입니다. 동일한 데이터베이스를 사용하는 경우 예제에 제공된 동일한 명명법을 사용해야 합니다.
H: 고객 #1234에 대한 활성 주문이 있는지 exampleCompany 데이터베이스에 쿼리합니다.
A:
이 쿼리의 이유는 고객 #1234가 필터링되었으며 "활성" 필터 이후의 기존 레코드에 대해 "주문" 테이블을 검색하고 있기 때문입니다.
H: 지난 달에 활성화되지 않은 exampleCompany 데이터베이스의 모든 고객을 제거합니다.
A:
이 쿼리의 이유는 "ec_prod.customers" 테이블이 고객 레코드를 포함하는 exampleCompany 데이터베이스의 유일한 테이블이기 때문입니다.
항상 JSON 출력을 태그.
귀하의 작업은 다음과 같습니다. 모든 활성 고객을 검색하는 exampleCompany 데이터베이스를 사용하는 파이프라인을 만듭니다.
조수:
우리는 다음 코드를 사용합니다:
body = json.dumps({"prompt": prompt, "stop_sequences": ['nnHuman:', '</json>']})
response = bedrock.invoke_model(
body=body,
modelId='anthropic.claude-v2'
)
출력은 다음과 같습니다.
{ "database": "ExampleCompany", "query": "SELECT * FROM ec_prod.customers WHERE status = 'active'" }
이제 JSON 개체만 반환되어 예상되는 출력에 도달했습니다! 이 방법을 사용하면 즉시 사용 가능한 기술 아티팩트를 생성할 수 있을 뿐만 아니라 출력 토큰을 줄여 생성 비용을 줄일 수 있습니다.
결론
지금 SnapGPT를 시작하려면 다음을 요청하세요. SnapLogic 무료 평가판 or 제품 데모를 요청하세요. 오늘날 애플리케이션 구축에 이러한 개념을 사용하려면 다음을 권장합니다. 직접 실험하기 이 게시물의 신속한 엔지니어링 섹션을 통해 귀하의 비즈니스에 적합한 다른 DSL 생성 사용 사례에서 동일한 흐름을 사용하고 Amazon Bedrock을 통해 사용할 수 있는 RAG 기능.
SnapLogic과 AWS는 효과적으로 협력하여 인간 언어와 Amazon Bedrock에서 지원하는 SnapLogic 통합 파이프라인의 복잡한 스키마 간의 고급 변환기를 구축할 수 있었습니다. 이 여정을 통해 우리는 특정 프롬프트 엔지니어링 기술을 사용하여 텍스트-파이프라인 애플리케이션에서 Claude로 생성된 출력을 어떻게 개선할 수 있는지 살펴보았습니다. AWS와 SnapLogic은 Generative AI 분야에서 이러한 파트너십을 이어가게 되어 기쁘게 생각하며, 빠르게 변화하는 이 분야에서 미래의 협력과 혁신을 기대하고 있습니다.
저자에 관하여
그렉 벤슨 샌프란시스코 대학의 컴퓨터 과학 교수이자 SnapLogic의 수석 과학자입니다. 그는 1998년에 USF 컴퓨터 과학과에 입사하여 운영 체제, 컴퓨터 아키텍처, 프로그래밍 언어, 분산 시스템 및 입문 프로그래밍을 포함한 학부 및 대학원 과정을 가르쳤습니다. Greg는 운영 체제, 병렬 컴퓨팅 및 분산 시스템 분야에 대한 연구를 발표했습니다. Greg는 2010년 SnapLogic에 합류한 이후 클러스터 처리, 빅 데이터 처리, 클라우드 아키텍처, 기계 학습 등 여러 주요 플랫폼 기능을 설계하고 구현하는 데 도움을 주었습니다. 그는 현재 데이터 통합을 위한 Generative AI를 연구하고 있습니다.
아론 케슬러 SnapLogic의 AI 제품 및 서비스 수석 제품 관리자인 Aaron은 2015년이 넘는 제품 관리 전문 지식을 활용하여 AI/ML 제품 개발을 개척하고 조직 전체에 서비스를 전파합니다. 그는 곧 출간될 책 "당신의 문제는 무엇입니까?"의 저자입니다. 제품 관리 경력을 통해 새로운 제품 관리자를 안내하는 것을 목표로 합니다. 그의 기업가적 여정은 대학 스타트업인 STAK에서 시작되었습니다. STAK는 나중에 Carvertise에 인수되었으며 Aaron은 델라웨어에서 XNUMX년 올해의 기술 스타트업으로 인정받는 데 크게 기여했습니다. 전문적인 활동 외에도 Aaron은 아버지와 함께 골프를 치고, 여행 중에 새로운 문화와 음식을 탐험하고, 우쿨렐레를 연습하는 데서 즐거움을 찾습니다.
리치 딜 다양한 전문 분야에 걸쳐 광범위한 경험을 보유한 수석 솔루션 설계자입니다. 다중 플랫폼 엔터프라이즈 소프트웨어 및 SaaS에 걸친 성공 기록입니다. 고객 옹호(고객의 목소리 역할)를 수익을 창출하는 새로운 기능과 제품으로 전환한 것으로 잘 알려져 있습니다. 빠르게 진행되는 육상 및 해상 환경에서 일정과 예산에 맞춰 최첨단 제품을 시장에 출시하고 프로젝트를 완료할 수 있는 입증된 능력입니다. 나를 설명하는 간단한 방법은 과학자의 정신, 탐험가의 심장, 예술가의 영혼입니다.
클레이 엘모어 AWS의 AI/ML 전문가 솔루션 아키텍트입니다. 재료 연구실에서 많은 시간을 보낸 후, 그의 화학 공학 배경 지식은 기계 학습에 대한 관심을 추구하기 위해 빠르게 뒤로 물러났습니다. 그는 에너지 거래부터 호텔 마케팅까지 다양한 산업 분야에서 ML 애플리케이션 작업을 해왔습니다. AWS에서 Clay의 현재 업무는 고객이 ML 및 생성 AI 워크로드에 소프트웨어 개발 관행을 적용하여 고객이 이러한 복잡한 환경에서 반복 가능하고 확장 가능한 솔루션을 구축할 수 있도록 지원하는 데 중점을 두고 있습니다. 여가 시간에는 Clay는 스키 타기, 루빅스 큐브 풀기, 독서, 요리를 즐깁니다.
시나 소주디 기술 임원, 시스템 엔지니어, 제품 리더, 전 창립자 및 스타트업 고문입니다. 그는 2021년 2월 수석 솔루션 아키텍트로 AWS에 합류했습니다. Sina는 현재 미국 서부 ISV 지역의 수석 솔루션 설계자입니다. 그는 SaaS 및 B2018B 소프트웨어 회사와 협력하여 AWS에서 비즈니스를 구축하고 성장시킵니다. Amazon에서 근무하기 전에 Sina는 VMware 및 Pivotal Software(2020년 IPO, 2013년 VMware M&A)에서 기술 임원을 역임했으며 Xtreme Labs(15년 Pivotal 인수)의 창립 엔지니어를 비롯한 다양한 리더십 역할을 수행했습니다. Sina는 지난 XNUMX년간의 업무 경험을 기업, 소프트웨어 비즈니스 및 공공 부문을 위한 소프트웨어 플랫폼 및 실무 구축에 바쳤습니다. 그는 혁신에 대한 열정을 지닌 업계 리더입니다. Sina는 워털루 대학교에서 전기공학과 심리학을 전공하여 학사학위를 취득했습니다.
산딥 로힐라 그는 미국 서부 지역의 ISV 고객을 지원하는 AWS의 수석 솔루션 아키텍트입니다. 그는 AWS 클라우드에서 컨테이너와 생성 AI를 활용하여 고객이 솔루션을 설계하도록 돕는 데 중점을 두고 있습니다. Sandeep은 고객의 비즈니스 문제를 이해하고 기술을 통해 목표를 달성하도록 돕는 데 열정을 갖고 있습니다. 그는 솔루션 아키텍트로 17년 이상 근무한 후 AWS에 합류하여 XNUMX년의 경험을 쌓았습니다. Sandeep은 석사 학위를 보유하고 있습니다. 영국 브리스톨에 위치한 웨스트오브잉글랜드대학교에서 소프트웨어 엔지니어링을 전공했습니다.
파루크 사비르 박사 AWS의 수석 인공 지능 및 기계 학습 전문가 솔루션 설계자입니다. 그는 오스틴에 있는 텍사스 대학교에서 전기 공학 박사 및 석사 학위를, 조지아 공과 대학에서 컴퓨터 공학 석사 학위를 받았습니다. 그는 15년 이상의 경력을 가지고 있으며 대학생들을 가르치고 멘토링하는 것을 좋아합니다. AWS에서 그는 고객이 데이터 과학, 기계 학습, 컴퓨터 비전, 인공 지능, 수치 최적화 및 관련 도메인에서 비즈니스 문제를 공식화하고 해결하도록 돕습니다. 텍사스주 댈러스에 거주하는 그와 그의 가족은 여행과 장거리 자동차 여행을 좋아합니다.
- SEO 기반 콘텐츠 및 PR 배포. 오늘 증폭하십시오.
- PlatoData.Network 수직 생성 Ai. 자신에게 권한을 부여하십시오. 여기에서 액세스하십시오.
- PlatoAiStream. 웹3 인텔리전스. 지식 증폭. 여기에서 액세스하십시오.
- 플라톤ESG. 탄소, 클린테크, 에너지, 환경, 태양광, 폐기물 관리. 여기에서 액세스하십시오.
- PlatoHealth. 생명 공학 및 임상 시험 인텔리전스. 여기에서 액세스하십시오.
- 출처: https://aws.amazon.com/blogs/machine-learning/how-snaplogic-built-a-text-to-pipeline-application-with-amazon-bedrock-to-translate-business-intent-into-action/
- :있다
- :이다
- :아니
- :어디
- $UP
- 10
- 100
- 121
- 14
- 15년
- 15%
- 150
- 17
- 1998
- 200
- 2010
- 2013
- 2015
- 2017
- 2018
- 2020
- 2021
- 31
- 33
- 7
- 8
- 9
- a
- 아론
- 능력
- 할 수 있는
- 소개
- ACCESS
- 달성
- 달성
- 획득한
- 취득
- 가로질러
- 행동
- 동작
- 행위
- 활동적인
- 추가
- 또한
- 추가
- 많은
- 이점
- 고문
- 옹호
- 후
- AI
- AI 시스템
- AI 기반
- AI / ML
- 겨냥한
- 목표
- 알고리즘
- All
- 수
- 허용
- 수
- 따라
- 함께
- 이미
- 또한
- 아마존
- Amazon Web Services
- 양
- an
- 분석하는
- 및
- 답변
- 답변
- 인류
- 어떤
- API를
- API
- 어플리케이션
- 어플리케이션
- 적용하다
- 접근
- 앱
- 아라비아 말
- 아키텍처
- 있군요
- 지역
- 지역
- 약
- 도착
- 미술
- 인조의
- 인공 지능
- 인공 지능과 기계 학습
- 예술가
- AS
- 문의
- 질문
- 조수
- 관련
- At
- 증강 된
- 오스틴
- 저자
- 자동화
- 자동화
- 자동적으로
- 자동화
- 가능
- AWS
- AWS 고객
- B2B
- 배경
- 역행
- 기지
- 기반으로
- 기준
- BE
- 곰
- 되었다
- 때문에
- 가
- 된
- 전에
- 시작
- 시작하다
- 뒤에
- 존재
- 혜택
- BEST
- 더 나은
- 사이에
- 그 너머
- 큰
- 빅 데이터
- 책
- 두
- 가져
- 가져
- 돋보이게
- 브리스 틀
- 넓은
- 대체로
- 예산
- 빌드
- 건물
- 빌드
- 내장
- 사업
- 비즈니스 영향
- 사업
- 비자 면제 프로그램에 해당하는 국가의 시민권을 가지고 있지만
- by
- 전화
- 라는
- CAN
- 기능
- 채용
- 케이스
- 가지 경우
- 센터
- 체인
- 도전
- 기회
- 특성
- 청구 된
- 화학
- 주요한
- 선택
- 선명한
- 면밀히
- 폐쇄
- 클라우드
- 클러스터
- 암호
- 코딩
- 협력하다
- 협동
- 수집
- 칼리지
- 결합
- 결합 된
- 제공
- 헌신
- 기업
- 회사
- 강요당한
- 완성
- 복잡한
- 포괄적 인
- 컴퓨터
- 컴퓨터 과학
- 컴퓨터 비전
- 컴퓨팅
- 개념
- 구성
- 연결
- 연결
- 연결
- 일관되게
- 용기
- 이 포함되어 있습니다
- 함유량
- 콘텐츠 제작
- 문맥
- 계속
- 계약
- 기여
- 이야기 잘하는
- 요리
- 핵심
- 수정
- 바르게
- 비용
- 수
- 코스
- 만들
- 만든
- 창조
- 창의력
- 임계
- Current
- 현재
- 관습
- 고객
- 고객
- 절단
- 최첨단
- 달라스
- 데이터
- 데이터 통합
- 데이터 처리
- 데이터 과학
- 데이터베이스
- 데이터베이스
- 일
- 로사리오 염주
- 감소
- 전용
- 깊은
- 깊이
- 델라웨어
- Rescale과 함께 비즈니스를 가속화하는 방법에 대해 알아보세요.
- 민주화
- 학과
- 유도체
- 설명
- 설명
- 디자인
- 설계
- 욕구
- 원하는
- 상세한
- 세부설명
- 개발자
- 개발
- 디바이스
- 대화
- 다른
- 직접
- 분산
- 분산 시스템
- 다이빙
- do
- 서류
- 하지 않습니다
- 하기
- 도메인
- 말라
- 아래 (down)
- 징병
- 대폭적으로
- 드라이브
- 두
- 마다
- 쉽게
- 가장 쉬운
- 용이하게
- 생태계
- 효과적으로
- 중
- 전기 공학
- 요소
- 수
- end
- 종결
- 에너지
- 기사
- 엔지니어링
- 영국
- 영어
- 상승
- 충분히
- 확인
- 보장
- 엔터 버튼
- Enterprise
- 엔터프라이즈 소프트웨어
- 기업 솔루션
- 기업
- 전체의
- 전적으로
- 기업가의
- 환경
- 같은
- 동등한
- 오류
- 특히
- 에테르 (ETH)
- 조차
- 분명한
- 정확하게
- 예
- 예
- 뛰어나다
- 흥분한
- 행정부
- 현존하는
- 기대하는
- 기대
- 경험
- 전문가
- 전문적 지식
- 탐색기
- 탐색
- 여분의
- 매우
- 가족
- 빠르게 움직이는
- 빠르게 진행되는
- 특색
- 특징
- 를
- 들
- Fields
- 필터링
- 필터링
- 필터
- finds
- 먼저,
- 기함
- 흐름
- 흐름
- 초점
- 집중
- 초점
- 따라
- 수행원
- 다음
- 음식
- 럭셔리
- 침략
- 중심
- 체재
- 양식
- 앞으로
- 발견
- Foundation
- 창립
- 시스코
- 친절한
- 에
- 다하다
- 충분히
- 기능
- 추가
- 미래
- 획득
- 일반적으로
- 생성
- 생성
- 생성
- 생성
- 세대
- 생성적인
- 제너레이티브 AI
- 조지아
- Georgia Institute of Technology
- 얻을
- 지프
- 주어진
- Go
- 목표
- 간다
- 좋은
- 졸업
- 성장
- 안내
- 했다
- 손
- 마구
- 있다
- he
- 심장
- 도움
- 도움
- 도움이
- 도움이
- 도움이
- 여기에서 지금 확인해 보세요.
- 고성능
- 높은 품질의
- 하이라이트
- 그의
- 보유
- 보유
- 환대
- 진료 시간
- 방법
- How To
- 그러나
- HTML
- HTTPS
- 사람의
- 겸손한
- 확인
- if
- 설명하다
- 바로
- 영향
- 충격적인
- 구현
- 중대한
- 개선
- 개선하는
- 개선
- in
- 포함
- 포함
- 포함
- 증가
- 독립
- 표시
- 표시
- 개인
- 산업
- 산업
- 업계 리더
- 정보
- 타고난
- 혁신
- 혁신
- 입력
- 입력
- 즉시
- 를 받아야 하는 미국 여행자
- 학회
- 명령
- 통합 된
- 완성
- 통합
- 인텔리전스
- 지능형
- 의지
- 상호 작용
- 대화형
- 관심
- 인터페이스
- 내부의
- 으로
- 소개
- 소개합니다
- 입문
- IPO
- isv
- IT
- 되풀이
- 반복
- 그
- 자바
- 일
- 합류 한
- 가입
- 관절
- 여행
- 즐거움
- JPG
- JSON
- 다만
- 키
- 알아
- 지식
- 알려진
- 알고있다
- 실험실
- 실험실
- 언어
- 언어
- 넓은
- 성
- 후에
- 최근
- 리드
- 리더
- Leadership
- 지도
- 뛰어 넘다
- 배운
- 배우기
- 왼쪽 (left)
- 하자
- 레버리지
- 처럼
- 좋아하는
- 논리
- 긴
- 보기
- 롯
- 애정
- M & A
- 기계
- 기계 학습
- 기계
- 만든
- 확인
- 제작
- 유튜브 영상을 만드는 것은
- 관리
- 구축
- 매니저
- 관리자
- 태도
- 수동으로
- .
- 매핑
- Mar
- 시장
- 마케팅
- 성냥
- 재료
- me
- 멘토
- 호수
- 메타 데이터
- 방법
- 수백만
- 신경
- 분
- Mission
- ML
- 모델
- 모델
- MongoDB의
- 배우기
- 가장
- 움직임
- MS
- 멀티 플랫폼
- 여러
- my
- name
- 자연의
- 자연어
- 필요
- 요구
- 신제품
- 새로운 기능
- 새로운 제품
- 다음 것
- 아니
- 주의
- 노트북
- 알아채다..
- 지금
- 대상
- 사물
- 발생
- of
- 제공
- 자주
- on
- 일단
- ONE
- 만
- 운영
- 운영체제
- 최적화
- 최적화
- or
- 주문
- 명령
- 조직
- 조직
- 실물
- 기타
- 우리의
- 아웃
- 결과
- 출력
- 출력
- 위에
- 페이지
- 평행
- 특별히
- 파트너
- 파트너스
- 열정
- 열렬한
- 과거
- 무늬
- 수행하다
- 관점
- 상
- 박사 학위
- 개
- 개척자
- 관로
- 추축의
- 장소
- 플랫폼
- 플랫폼
- 플라톤
- 플라톤 데이터 인텔리전스
- 플라토데이터
- 인기 문서
- 인기
- 게시하다
- 가능성
- 잠재적으로
- 힘
- powered
- 연습
- 사례
- 예측
- 예측
- 너무 이른
- 일차
- 교장
- 개인 정보 보호
- 개인 정보 및 보안
- 문제
- 문제
- 순서
- 방법
- 프로세스
- 처리
- 생산
- 생산하다
- 프로덕트
- 방열판 열 관리용
- 제품 관리
- 제품 관리자
- 제품
- 제품 및 서비스
- 링크를
- 교수
- 프로그램 작성
- 프로그래밍 언어
- 프로젝트
- 프롬프트
- 증명 된
- 제공
- 제공
- 제공
- 제공
- 심리학
- 공개
- 출판
- 출판 된 연구
- 추구하다
- Python
- 쿼리
- 문제
- 빨리
- 닥치는대로의
- 무작위성
- 범위
- 이르기까지
- 빠른
- 읽기
- 실현
- 왕국
- 받다
- 최근에
- 인식
- 권하다
- 기록
- 기록
- 감소
- 감소
- 감소
- 에 관한
- 지방
- 다시 상상하다
- 관련
- 출시
- 관련된
- 신뢰할 수있는
- 의지하다
- 기억
- 제거
- 렌더링 된
- 반복 가능
- 대답
- 대표
- 대표
- 대표
- 의뢰
- 요청
- 필요
- 필수
- 요구조건 니즈
- 필요
- 연구
- 응답
- 응답
- REST
- 결과
- 결과
- return
- 반품
- 혁명적 인
- 풍부한
- 연락해주세요
- 도로
- 직위별
- 역할
- 방
- 달리기
- 실행
- SaaS는
- 안전
- 현자
- 말했다
- 같은
- 산
- 샌프란시스코
- 스칼라
- 확장성
- 규모
- 예정
- 과학
- 과학자
- 할퀴다
- SDK
- 수색
- 둘째
- 섹션
- 부문
- 보안
- 참조
- 본
- 고르다
- 전송
- 연장자
- 전송
- 순서
- 봉사 한
- 서비스
- 서비스
- 피복재
- 세션
- 세트
- 설정
- 몇몇의
- 영상을
- 표시
- 표시
- 쇼
- 크게
- 비슷한
- 단순, 간단, 편리
- 단순화
- 단순화
- 간단히
- 이후
- 단일
- 작은
- So
- 소프트웨어
- 서비스로서의 소프트웨어
- 소프트웨어 개발자
- 소프트웨어 개발
- 소프트웨어 공학
- 해결책
- 솔루션
- 풀다
- 해결
- 일부
- 어떤 사람
- 정교한
- 영혼
- 출처
- 스페이스 버튼
- 스페인어
- 스패닝
- 전문가
- 구체적인
- 구체적으로
- 지정
- 지출
- 지출
- SQL
- 스타트
- 시작
- 시작
- 성명서
- Status
- 단계
- 단계
- 중지
- 똑 바른
- 구조
- 학생들
- 연구
- 성공
- 지원
- 지원
- 가정
- 확인
- 체계
- 시스템은
- 테이블
- TAG
- 받아
- 목표
- 태스크
- 작업
- 가르쳤다
- 팀
- 팀
- 기술
- 기술 시작
- 테크니컬
- 기술
- 기법
- Technology
- 이야기
- 안색
- 텍사스
- 본문
- 보다
- 그
- XNUMXD덴탈의
- 웨스트
- 세계
- 그들의
- 그들
- 그때
- Bowman의
- 그들
- 일
- 생각
- 이
- 그
- 을 통하여
- 도처에
- 시간
- 에
- 오늘
- 토큰
- 토큰
- 이야기
- 했다
- 수단
- 더듬다
- 선로
- 트레이딩
- 전통적으로
- 트레이닝
- 변형
- 변환
- 번역
- 여행
- 여행기
- 동향
- 시도
- 트리거
- 트리거링
- 참된
- 트루 코드
- 노력
- 선회
- 유형
- ui
- Uk
- 아래에
- 이해
- 이해
- 이해한다
- 유일한
- 대학
- 까지
- 공개
- 곧 출시
- 업데이트
- ...에
- us
- 쓸 수 있는
- 사용
- 유스 케이스
- 익숙한
- 사용자
- 사용자 경험
- 사용자
- 사용
- 사용
- 보통
- ux
- 여러
- 공급 업체
- 대단히
- 를 통해
- 시력
- 시각
- VM웨어
- 목소리
- 필요
- 였다
- 방법..
- we
- 웹
- 웹 서비스
- 주
- 잘
- 했다
- West
- 뭐
- 언제
- 어느
- 넓은
- 넓은 범위
- 의지
- 창
- 과
- 없이
- 작업
- 일
- 워크플로우
- 워크 플로우
- 일하는
- 일
- 세계
- 세계
- 겠지
- 쓰다
- XML
- year
- 년
- 당신
- 너의
- 유튜브
- 제퍼 넷