Generative AI-agenter er i stand til å produsere menneskelignende svar og delta i samtaler på naturlig språk ved å orkestrere en kjede av samtaler til grunnmodeller (FM-er) og andre utvidelsesverktøy basert på brukerinndata. I stedet for bare å oppfylle forhåndsdefinerte hensikter gjennom et statisk beslutningstre, er agenter autonome innenfor konteksten av deres pakke med tilgjengelige verktøy. Amazonas grunnfjell er en fullt administrert tjeneste som gjør ledende FM-er fra AI-selskaper tilgjengelige gjennom et API sammen med utviklerverktøy for å hjelpe med å bygge og skalere generative AI-applikasjoner.
I dette innlegget viser vi hvordan du bygger en generativ AI-agent for finansielle tjenester drevet av Amazon Bedrock. Agenten kan hjelpe brukere med å finne kontoinformasjonen deres, fylle ut en lånesøknad eller svare på spørsmål om naturlig språk, samtidig som de oppgir kilder for de oppgitte svarene. Denne løsningen er ment å fungere som en startplattform for utviklere for å lage sine egne personlige samtaleagenter for ulike applikasjoner, for eksempel virtuelle arbeidere og kundestøttesystemer. Løsningskode og distribusjonsressurser finner du i GitHub repository.
Amazon Lex leverer grensesnittet for naturlig språkforståelse (NLU) og naturlig språkbehandling (NLP) for åpen kildekode LangChain samtaleagent innebygd i en AWS forsterke nettsted. Agenten er utstyrt med verktøy som inkluderer en Antropisk Claude 2.1 FM hostet på Amazon Bedrock og syntetiske kundedata lagret på Amazon DynamoDB og Amazon Kendra å levere følgende evner:
- Gi personlige svar – Spørr DynamoDB for kundekontoinformasjon, for eksempel detaljer om boliglån, forfallssaldo og neste betalingsdato
- Få tilgang til generell kunnskap – Utnytt agentens resonnementlogikk i takt med de enorme datamengdene som brukes til å forhåndstrene de forskjellige FM-ene levert gjennom Amazon Bedrock for å gi svar for enhver kundeforespørsel
- Lag meningsfulle svar – Informer agentsvar ved å bruke en Amazon Kendra-indeks konfigurert med autoritative datakilder: kundedokumenter lagret i Amazon enkel lagringstjeneste (Amazon S3) og Amazon Kendra Web Crawler konfigurert for kundens nettside
Løsningsoversikt
Demoopptak
Følgende demoopptak fremhever agentfunksjonalitet og tekniske implementeringsdetaljer.
Løsningsarkitektur
Følgende diagram illustrerer løsningsarkitekturen.
Agentens svararbeidsflyt inkluderer følgende trinn:
- Brukere utfører naturlig språkdialog med agenten gjennom deres valg av web-, SMS- eller talekanaler. Nettkanalen inkluderer et Amplify-vertsnettsted med en Amazon Lex innebygd chatbot for en fiktiv kunde. SMS- og talekanaler kan valgfritt konfigureres ved hjelp av Amazon Connect og meldingsintegrasjoner for Amazon Lex. Hver brukerforespørsel behandles av Amazon Lex for å bestemme brukerens hensikt gjennom en prosess som kalles intensjonsgjenkjenning, som innebærer å analysere og tolke brukerens input (tekst eller tale) for å forstå brukerens tiltenkte handling eller formål.
- Amazon Lex påkaller deretter en AWS Lambda behandler for oppfyllelse av brukerhensikter. Lambda-funksjonen knyttet til Amazon Lex chatbot inneholder logikken og forretningsreglene som kreves for å behandle brukerens hensikt. Lambda utfører spesifikke handlinger eller henter informasjon basert på brukerens innspill, tar beslutninger og genererer passende svar.
- Lambda instrumenterer finansagentlogikken som en LangChain-samtaleagent som kan få tilgang til kundespesifikke data lagret på DynamoDB, kuratere meningsfulle svar ved å bruke dokumentene og nettsidene dine indeksert av Amazon Kendra, og gi generelle kunnskapssvar gjennom FM på Amazon Bedrock. Svar generert av Amazon Kendra inkluderer kildeattribusjon, som viser hvordan du kan gi ytterligere kontekstuell informasjon til agenten gjennom Retrieval Augmented Generation (FILLE). RAG lar deg forbedre agentens evne til å generere mer nøyaktige og kontekstuelt relevante svar ved å bruke dine egne data.
Agentarkitektur
Følgende diagram illustrerer agentarkitekturen.
Agentens resonneringsarbeidsflyt inkluderer følgende trinn:
- LangChain-samtaleagenten inkorporerer samtaleminne slik at den kan svare på flere spørsmål med kontekstuell generering. Dette minnet lar agenten gi svar som tar hensyn til konteksten til den pågående samtalen. Dette oppnås gjennom kontekstuell generering, hvor agenten genererer svar som er relevante og kontekstuelt hensiktsmessige basert på informasjonen den har husket fra samtalen. I enklere termer husker agenten det som ble sagt tidligere og bruker denne informasjonen til å svare på flere spørsmål på en måte som gir mening i den pågående diskusjonen. Vår agent bruker LangChains DynamoDB chat melding historie klasse som en samtaleminnebuffer slik at den kan huske tidligere interaksjoner og forbedre brukeropplevelsen med mer meningsfylte, kontekstbevisste svar.
- Agenten bruker Anthropic Claude 2.1 på Amazon Bedrock for å fullføre ønsket oppgave gjennom en serie nøye egengenererte tekstinndata kjent som ledetekster. Hovedmålet med rask prosjektering er å fremkalle spesifikke og nøyaktige svar fra FM. Ulike raske ingeniørteknikker inkluderer:
- Nullskudd – Et enkelt spørsmål presenteres for modellen uten ytterligere ledetråder. Modellen forventes å generere et svar utelukkende basert på det gitte spørsmålet.
- Få-skudd – Et sett med eksempelspørsmål og deres tilsvarende svar er inkludert før selve spørsmålet. Ved å utsette modellen for disse eksemplene, lærer den å svare på en lignende måte.
- Tankekjede – En spesifikk stil med få-skudd-spørring der ledeteksten er designet for å inneholde en rekke mellomliggende resonnementtrinn, som leder modellen gjennom en logisk tankeprosess, og til slutt fører til det ønskede svaret.
Agenten vår bruker tankekjede-resonnement ved å kjøre et sett med handlinger når han mottar en forespørsel. Etter hver handling går agenten inn i observasjonstrinnet, hvor den uttrykker en tanke. Hvis et endelig svar ennå ikke er oppnådd, itererer agenten og velger forskjellige handlinger for å komme videre mot det endelige svaret. Se følgende eksempelkode:
Tanke: Trenger jeg å bruke et verktøy? Ja
Handling: Handlingen som skal utføres
Handlingsinngang: Innspillet til handlingen
Observasjon: Resultatet av handlingen
Tanke: Trenger jeg å bruke et verktøy? Nei
FSI-agent: [svar og kildedokumenter]
- Som en del av agentens ulike resonneringsveier og selvevaluerende valg for å bestemme neste handlingsmåte, har den muligheten til å få tilgang til syntetiske kundedatakilder gjennom en Amazon Kendra Index Retriever-verktøy. Ved å bruke Amazon Kendra, utfører agenten kontekstuelle søk på tvers av et bredt spekter av innholdstyper, inkludert dokumenter, vanlige spørsmål, kunnskapsbaser, manualer og nettsteder. For mer informasjon om støttede datakilder, se Datakilder. Agenten har makten til å bruke dette verktøyet til å gi meningsfulle svar på brukerforespørsler som bør besvares ved hjelp av et autoritativt, kundelevert kunnskapsbibliotek, i stedet for det mer generelle kunnskapskorpuset som brukes til å forhåndstrene Amazon Bedrock FM.
Implementeringsveiledning
I de følgende delene diskuterer vi de viktigste trinnene for å distribuere løsningen, inkludert pre-distribusjon og etter-distribusjon.
Pre-distribusjon
Før du distribuerer løsningen, må du lage din egen forked-versjon av løsningsrepositoriet med en token-sikret webhook for å automatisere kontinuerlig distribusjon av Amplify-nettstedet ditt. Amplify-konfigurasjonen peker til et GitHub-kildelager som nettstedets frontend er bygget fra.
Gaffel og klon generativ-ai-amazon-grunnfjell-langkjede-agent-eksempel Repository
- For å kontrollere kildekoden som bygger Amplify-nettstedet ditt, følg instruksjonene i Fordel et depot å dele opp lageret for generative-ai-amazon-bedrock-langchain-agent-example. Dette oppretter en kopi av depotet som er koblet fra den originale kodebasen, slik at du kan gjøre de nødvendige endringene.
- Legg merke til URL-adressen til det forklede depotet som skal brukes til å klone depotet i neste trinn og for å konfigurere miljøvariabelen GITHUB_PAT som brukes i automatiseringsskriptet for løsningsdistribusjon.
- Klon det forklede depotet ditt ved å bruke git clone-kommandoen:
Opprett et personlig GitHub-tilgangstoken
Det vertsbaserte nettstedet for Amplify bruker en GitHub personlig tilgangstoken (PAT) som OAuth-token for tredjeparts kildekontroll. OAuth-tokenet brukes til å lage en webhook og en skrivebeskyttet distribusjonsnøkkel ved hjelp av SSH-kloning.
- For å lage din PAT, følg instruksjonene i Opprette et personlig tilgangstoken (klassisk). Du foretrekker kanskje å bruke en GitHub-appen for å få tilgang til ressurser på vegne av en organisasjon eller for langvarige integrasjoner.
- Legg merke til PAT-en din før du lukker nettleseren – du vil bruke den til å konfigurere miljøvariabelen GITHUB_PAT som brukes i automatiseringsskriptet for løsningsdistribusjon. Skriptet vil publisere din PAT til AWS Secrets Manager ved hjelp av AWS kommandolinjegrensesnitt (AWS CLI) kommandoer og det hemmelige navnet vil bli brukt som GitHubTokenSecretName AWS skyformasjon parameter.
Utplassering
Automatiseringsskriptet for løsningsdistribusjon bruker den parameteriserte CloudFormation-malen, GenAI-FSI-Agent.yml, for å automatisere klargjøring av følgende løsningsressurser:
- Et Amplify-nettsted for å simulere front-end-miljøet ditt.
- En Amazon Lex-bot konfigurert gjennom en distribusjonspakke for robotimport.
- Fire DynamoDB-tabeller:
- UserPendingAccountsTable – Registrerer ventende transaksjoner (for eksempel lånesøknader).
- UserExistingAccountsTable – Inneholder brukerkontoinformasjon (for eksempel sammendrag av boliglånskonto).
- Samtaleindekstabell – Sporer samtaletilstanden.
- Samtaletabell – Lagrer samtalehistorikk.
- En S3-bøtte som inneholder Lambda-agentbehandleren, Lambda-datalasteren og Amazon Lex-distribusjonspakkene, sammen med vanlige spørsmål for kunder og eksempler på dokumenter om boliglån.
- To lambdafunksjoner:
- Agentbehandler – Inneholder LangChain samtaleagentlogikken som intelligent kan bruke en rekke verktøy basert på brukerinndata.
- Datalaster – Laster inn eksempelkundekontodata i UserExistingAccountsTable og påkalles som en tilpasset CloudFormation-ressurs under stabeloppretting.
- Et lambdalag for Amazon Bedrock Boto3, LangChain og pdfrw biblioteker. Laget forsyner LangChains FM-bibliotek med en Amazon Bedrock-modell som den underliggende FM og gir pdfrw som et åpen kildekode PDF-bibliotek for å lage og endre PDF-filer.
- En Amazon Kendra-indeks som gir en søkbar indeks over kundeautoritativ informasjon, inkludert dokumenter, vanlige spørsmål, kunnskapsbaser, manualer, nettsteder og mer.
- To Amazon Kendra-datakilder:
- Amazon S3 – Verter en eksempel kunde FAQ-dokument.
- Amazon Kendra Web Crawler – Konfigurert med et rotdomene som emulerer det kundespesifikke nettstedet (for eksempel .com).
- AWS identitets- og tilgangsadministrasjon (IAM)-tillatelser for de foregående ressursene.
AWS CloudFormation forhåndsutfyller stabelparametere med standardverdiene gitt i malen. For å gi alternative inngangsverdier, kan du spesifisere parametere som miljøvariabler som refereres til i `ParameterKey=,ParameterValue=`-parene i følgende skallskripts `aws cloudformation create-stack`-kommando.
- Før du kjører shell-skriptet, naviger til din forked-versjon av generative-ai-amazon-bedrock-langchain-agent-example repository som din arbeidskatalog og endre shell-skripttillatelsene til kjørbar:
- Angi Amplify-depotet og GitHub PAT-miljøvariablene opprettet under trinnene før distribusjon:
- Til slutt kjører du automatiseringsskriptet for løsningsdistribusjon for å distribuere løsningens ressurser, inkludert GenAI-FSI-Agent.yml CloudFormation stabel:
source ./create-stack.sh
Solution Deployment Automation Script
Det foregående source ./create-stack.sh shell
kommandoen kjører følgende AWS CLI-kommandoer for å distribuere løsningsstakken:
Etter utplassering
I denne delen diskuterer vi trinnene etter distribusjon for å lansere en frontend-applikasjon som er ment å etterligne kundens produksjonsapplikasjon. Finansagenten vil fungere som en innebygd assistent i eksempelet på nettgrensesnittet.
Start et nettgrensesnitt for chatboten din
De Amazon Lex nettgrensesnitt, også kjent som chatbot-grensesnittet, lar deg raskt klargjøre en omfattende nettklient for Amazon Lex chatbots. Brukergrensesnittet integreres med Amazon Lex for å produsere en JavaScript-plugin som vil inkludere en Amazon Lex-drevet chat-widget i din eksisterende nettapplikasjon. I dette tilfellet bruker vi nettgrensesnittet til å emulere en eksisterende kundewebapplikasjon med en innebygd Amazon Lex chatbot. Fullfør følgende trinn:
- Følg instruksjonene for å distribuer Amazon Lex web UI CloudFormation-stabelen.
- På AWS CloudFormation-konsollen, naviger til stabelens Utganger fanen og finn verdien for
SnippetUrl
.
- Kopier nettgrensesnittets Iframe-kodebit, som vil ligne formatet under Legge til ChatBot-grensesnittet på nettstedet ditt som en iframe.
- Rediger den splittede versjonen av Amplify GitHub-kildelageret ved å legge til JavaScript-plugin-modulen for nettbrukergrensesnittet i delen merket
<-- Paste your Lex Web UI JavaScript plugin here -->
for hver av HTML-filene under front-end katalog:index.html
,contact.html
ogabout.html
.
Amplify gir en automatisert bygge- og utgivelsespipeline som utløses basert på nye forpliktelser til det splittede depotet ditt og publiserer den nye versjonen av nettstedet ditt til Amplify-domenet ditt. Du kan se distribusjonsstatusen på Amplify-konsollen.
Gå til Amplify-nettstedet
Med Amazon Lex web UI JavaScript-plugin på plass, er du nå klar til å lansere Amplify-demonettstedet.
- For å få tilgang til nettstedets domene, naviger til CloudFormation-stakken Utganger og finn URL-adressen til Amplify-domenet. Alternativt kan du bruke følgende kommando:
- Etter at du har fått tilgang til Amplify-domenets URL, kan du fortsette med testing og validering.
Testing og validering
Den følgende testprosedyren tar sikte på å verifisere at agenten korrekt identifiserer og forstår brukerhensikter for å få tilgang til kundedata (som kontoinformasjon), oppfylle forretningsarbeidsflyter gjennom forhåndsdefinerte intensjoner (som å fullføre en lånesøknad) og svare på generelle spørsmål, som f.eks. følgende eksempelmeldinger:
- Hvorfor bør jeg bruke ?
- Hvor konkurransedyktige er prisene deres?
- Hvilken type boliglån bør jeg bruke?
- Hva er gjeldende boliglånstrender?
- Hvor mye trenger jeg å spare for en forskuddsbetaling?
- Hvilke andre kostnader vil jeg betale ved stenging?
Responsnøyaktigheten bestemmes ved å evaluere relevansen, sammenhengen og menneskelignende natur av svarene generert av Amazonas grunnfjell levert av Anthropic Claude 2.1 FM. Kildekoblingene som følger med hvert svar (for eksempel .com basert på Amazon Kendra Web Crawler-konfigurasjon) bør også bekreftes som troverdige.
Gi personlige svar
Bekreft at agenten får tilgang til og bruker relevant kundeinformasjon i DynamoDB for å skreddersy brukerspesifikke svar.
Merk at bruken av PIN-autentisering i agenten kun er for demonstrasjonsformål og bør ikke brukes i noen produksjonsimplementering.
Lag meningsfulle svar
Bekreft at meningsfulle spørsmål blir møtt med troverdige svar ved at agenten henter svar på riktig måte basert på autoritative kundedokumenter og nettsider indeksert av Amazon Kendra.
Lever kontekstuell generering
Bestem agentens evne til å gi kontekstuelt relevante svar basert på tidligere chattehistorikk.
Få tilgang til generell kunnskap
Bekreft agentens tilgang til generell kunnskapsinformasjon for ikke-kundespesifikke spørsmål uten mening som krever nøyaktige og sammenhengende svar basert på Amazon Bedrock FM treningsdata og RAG.
Kjør forhåndsdefinerte intensjoner
Sørg for at agenten tolker og oppfyller brukerforespørsler som er ment å bli rutet til forhåndsdefinerte hensikter, for eksempel å fullføre en lånesøknad som en del av en arbeidsflyt for bedriften, på riktig måte.
Følgende er det resulterende lånesøknadsdokumentet fullført gjennom samtaleflyten.
Flerkanalsstøttefunksjonaliteten kan testes sammen med de foregående vurderingstiltakene på tvers av web-, SMS- og talekanaler. For mer informasjon om integrering av chatbot med andre tjenester, se Integrering av en Amazon Lex V2-bot med Twilio SMS og Legg til en Amazon Lex-bot til Amazon Connect.
Rydd opp
For å unngå belastninger på AWS-kontoen din, ryd opp i løsningens klargjorte ressurser.
- Tilbakekall GitHubs personlige tilgangstoken. GitHub PAT-er er konfigurert med en utløpsverdi. Hvis du vil sikre at PAT-en din ikke kan brukes for programmatisk tilgang til det forklede Amplify GitHub-depotet ditt før det utløper, kan du tilbakekalle PAT ved å følge GitHub repos instruksjoner.
- Slett GenAI-FSI-Agent.yml CloudFormation-stakken og andre løsningsressurser ved å bruke automatiseringsskriptet for løsningssletting. Følgende kommandoer bruker standard stabelnavn. Hvis du tilpasset stabelnavnet, juster kommandoene deretter.
# export STACK_NAME=<YOUR-STACK-NAME>
./delete-stack.sh
Løsning Sletting Automation Script
De
delete-stack.sh shell
script sletter ressursene som opprinnelig ble klargjort ved hjelp av automatiseringsskriptet for løsningsdistribusjon, inkludert GenAI-FSI-Agent.yml CloudFormation-stakken.
betraktninger
Selv om løsningen i dette innlegget viser frem egenskapene til en generativ AI-agent for finanstjenester drevet av Amazon Bedrock, er det viktig å erkjenne at denne løsningen ikke er produksjonsklar. Snarere fungerer det som et illustrerende eksempel for utviklere som tar sikte på å lage personlige samtaleagenter for ulike applikasjoner som virtuelle arbeidere og kundestøttesystemer. En utviklers vei til produksjon vil gjenta denne prøveløsningen med følgende hensyn.
Sikkerhet og personvern
Sikre datasikkerhet og brukerpersonvern gjennom hele implementeringsprosessen. Implementer passende tilgangskontroller og krypteringsmekanismer for å beskytte sensitiv informasjon. Løsninger som den generative AI-agenten for finansielle tjenester vil dra nytte av data som ennå ikke er tilgjengelig for den underliggende FM-en, noe som ofte betyr at du vil bruke dine egne private data for det største hoppet i kapasitet. Vurder følgende beste fremgangsmåter:
- Hold det hemmelig, hold det trygt – Du vil at disse dataene skal forbli fullstendig beskyttet, sikre og private under den generative prosessen, og du vil ha kontroll over hvordan disse dataene deles og brukes.
- Etablere bruksrekkverk – Forstå hvordan data brukes av en tjeneste før du gjør dem tilgjengelige for teamene dine. Lag og distribuer reglene for hvilke data som kan brukes med hvilken tjeneste. Gjør disse tydelige for teamene dine slik at de kan bevege seg raskt og prototype trygt.
- Involver juridisk, før heller enn senere – La de juridiske teamene dine gjennomgå vilkårene og tjenestekortene for tjenestene du planlegger å bruke før du begynner å kjøre sensitive data gjennom dem. Dine juridiske partnere har aldri vært viktigere enn de er i dag.
Som et eksempel på hvordan vi tenker på dette hos AWS med Amazon Bedrock: All data er kryptert og forlater ikke din VPC, og Amazon Bedrock lager en egen kopi av base FM som kun er tilgjengelig for kunden, og finjusterer eller trener denne private kopien av modellen.
Brukeraksepttesting
Gjennomfør brukeraksepttesting (UAT) med ekte brukere for å evaluere ytelsen, brukervennligheten og tilfredsheten til den generative AI-agenten for finanstjenester. Samle tilbakemeldinger og gjør nødvendige forbedringer basert på brukerinnspill.
Utplassering og overvåking
Distribuer den fullt testede agenten på AWS, og implementer overvåking og logging for å spore ytelsen, identifisere problemer og optimalisere systemet etter behov. Lambdaovervåking og feilsøkingsfunksjoner er aktivert som standard for agentens Lambda-behandler.
Vedlikehold og oppdateringer
Oppdater agenten regelmessig med de nyeste FM-versjonene og dataene for å forbedre nøyaktigheten og effektiviteten. Overvåk kundespesifikke data i DynamoDB og synkroniser Amazon Kendra-datakildeindekseringen etter behov.
konklusjonen
I dette innlegget fordypet vi oss i den spennende verdenen av generative AI-agenter og deres evne til å lette menneskelignende interaksjoner gjennom orkestrering av samtaler til FM-er og andre komplementære verktøy. Ved å følge denne veiledningen kan du bruke Bedrock, LangChain og eksisterende kunderessurser til å implementere, teste og validere en pålitelig agent som gir brukerne nøyaktig og personlig økonomisk assistanse gjennom samtaler på naturlig språk.
I et kommende innlegg vil vi demonstrere hvordan samme funksjonalitet kan leveres ved å bruke en alternativ tilnærming med Agenter for Amazon Bedrock og Kunnskapsbase for Amazon Bedrock. Denne fullstendig AWS-administrerte implementeringen vil videre utforske hvordan man kan tilby intelligent automatisering og datasøkefunksjoner gjennom personaliserte agenter som transformerer måten brukerne samhandler med applikasjonene dine på, og gjør interaksjoner mer naturlige, effektive og effektive.
Om forfatteren
Kyle T. Blocksom er en Sr. Solutions Architect med AWS basert i Sør-California. Kyles lidenskap er å bringe mennesker sammen og utnytte teknologi for å levere løsninger som kundene elsker. Utenom jobben liker han å surfe, spise, bryte med hunden sin og skjemme niesen og nevøen sin.
- SEO-drevet innhold og PR-distribusjon. Bli forsterket i dag.
- PlatoData.Network Vertical Generative Ai. Styrk deg selv. Tilgang her.
- PlatoAiStream. Web3 Intelligence. Kunnskap forsterket. Tilgang her.
- PlatoESG. Karbon, CleanTech, Energi, Miljø, Solenergi, Avfallshåndtering. Tilgang her.
- PlatoHelse. Bioteknologisk og klinisk etterretning. Tilgang 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
- $OPP
- 1
- 10
- 100
- 11
- 32
- 7
- 799
- 8
- 9
- a
- evne
- Om oss
- godkjennelse
- adgang
- tilgjengelig
- Tilgang
- tilsvar
- Logg inn
- nøyaktighet
- nøyaktig
- oppnådd
- tvers
- Handling
- Handling
- handlinger
- faktiske
- legge
- Ytterligere
- justere
- Agent
- agenter
- AI
- Sikter
- mål
- Alle
- tillater
- langs
- allerede
- også
- alternativ
- Amazon
- Amazon Kendra
- Amazon Lex
- Amazon Web Services
- beløp
- forsterke
- an
- analyserer
- og
- besvare
- svar
- Antropisk
- noen
- api
- Søknad
- søknader
- tilnærming
- hensiktsmessig
- arkitektur
- ER
- AS
- evaluering
- Eiendeler
- bistå
- Assistanse
- Assistent
- assosiert
- At
- augmented
- Autentisering
- automatisere
- Automatisert
- Automatisering
- autonom
- tilgjengelig
- unngå
- AWS
- AWS skyformasjon
- AWS Lambda
- Balansere
- basen
- basert
- BE
- vært
- før du
- vegne
- nytte
- BEST
- beste praksis
- Biggest
- Bot
- bringe
- buffer
- bygge
- bygger
- bygget
- virksomhet
- by
- california
- som heter
- Samtaler
- CAN
- evner
- evne
- stand
- Kort
- nøye
- saken
- CD
- kjede
- endring
- Kanal
- kanaler
- avgifter
- chatte
- chatbot
- chatbots
- valg
- valg
- siterer
- Classic
- ren
- fjerne
- kunde
- lukking
- kode
- kodebase
- SAMMENHENGENDE
- COM
- forplikter seg
- Selskaper
- konkurranse
- utfyllende
- fullføre
- Terminado
- helt
- fullført
- omfattende
- forhold
- Konfigurasjon
- konfigurert
- BEKREFTET
- sammen
- Vurder
- betraktninger
- Konsoll
- inneholde
- inneholder
- innhold
- Innholdstyper
- kontekst
- kontekstuelle
- kontinuerlig
- kontroll
- kontroller
- Konvensjonen
- Samtale
- conversational
- samtaler
- riktig
- Tilsvarende
- Kostnader
- kurs
- crawler
- skape
- opprettet
- skaper
- Opprette
- skaperverket
- troverdig
- Gjeldende
- skikk
- kunde
- kunde Data
- Kundeservice
- Kunder
- tilpasset
- dato
- datasikkerhet
- bestemme
- avgjørelse
- beslutningstre
- avgjørelser
- Misligholde
- leverer
- levert
- Demo
- demonstrere
- demonstrere
- utplassere
- distribusjon
- designet
- ønsket
- detaljer
- Bestem
- bestemmes
- Utvikler
- utviklere
- Dialog
- forskjellig
- frakoblet
- diskutere
- diskusjon
- distribuere
- diverse
- do
- dokument
- dokumenter
- gjør
- Hund
- domene
- ned
- Utkast
- to
- under
- e
- hver enkelt
- Tidligere
- savner
- Effektiv
- effektivitet
- effektiv
- innebygd
- aktivert
- kryptert
- kryptering
- engasjerende
- Ingeniørarbeid
- forbedre
- sikre
- Går inn
- Miljø
- utstyrt
- avgjørende
- Eter (ETH)
- evaluere
- evaluere
- eksempel
- eksempler
- spennende
- eksisterende
- forventet
- erfaring
- utløp
- utløps
- utforske
- eksportere
- uttrykker
- legge til rette
- FAQ
- tilbakemelding
- filet
- Filer
- slutt~~POS=TRUNC
- finansiell
- finansielle tjenester
- finne
- slutt
- flyten
- følge
- etter
- Til
- gaffel
- format
- funnet
- Fundament
- fra
- Frontend
- oppfylle
- oppfyllelse
- fullt
- funksjon
- funksjonalitet
- funksjoner
- videre
- samle
- general
- generere
- generert
- genererer
- genererer
- generasjonen
- generative
- Generativ AI
- gå
- GitHub
- gitt
- veilede
- førings
- seletøy
- Ha
- he
- hjelpe
- her.
- striper
- hans
- historie
- vert
- Vertskapet
- Hvordan
- Hvordan
- HTML
- http
- HTTPS
- i
- IAM
- identifiserer
- identifisere
- Identitet
- if
- illustrerer
- iverksette
- gjennomføring
- importere
- viktig
- forbedringer
- in
- inkludere
- inkludert
- inkluderer
- Inkludert
- innlemme
- inkorporerer
- indeks
- indeksert
- informere
- informasjon
- inngang
- innganger
- i stedet
- instruksjoner
- instrumenter
- Integrerer
- Integrering
- integrasjoner
- Intelligent
- Intelligent automatisering
- tiltenkt
- hensikt
- samhandle
- interaksjoner
- Interface
- Mellom
- intern
- inn
- påkalt
- påkaller
- innebærer
- saker
- IT
- DET ER
- Javascript
- jpg
- hoppe
- Hold
- nøkkel
- kunnskap
- kjent
- Språk
- siste
- lansere
- lansere
- Launchpad
- lag
- ledende
- Permisjon
- Lovlig
- Leverage
- bibliotekene
- Bibliotek
- i likhet med
- linje
- lenker
- loader
- laster
- lån
- logging
- logikk
- logisk
- elsker
- lavere
- gjøre
- GJØR AT
- Making
- fikk til
- leder
- måte
- Kan..
- meningsfylt
- midler
- målinger
- mekanismer
- Minne
- melding
- møtte
- MIT
- modell
- modeller
- modifikasjoner
- modifisere
- Overvåke
- overvåking
- mer
- Boliglån
- flytte
- mye
- flere
- må
- navn
- navngiving
- Naturlig
- Naturlig språk
- Natural Language Processing
- Naturlig språkforståelse
- Natur
- Naviger
- nødvendig
- Trenger
- nødvendig
- aldri
- Ny
- neste
- nlp
- NLU
- Nei.
- note
- nå
- oauth
- Målet
- observasjon
- of
- tilby
- ofte
- on
- pågående
- bare
- åpen
- åpen kildekode
- betjene
- sta
- Optimalisere
- or
- orkestrere
- orkestre
- organisasjon
- original
- opprinnelig
- Annen
- vår
- utganger
- utenfor
- enn
- oversikt
- egen
- pakke
- pakker
- par
- parameter
- parametere
- del
- partnere
- lidenskap
- Past
- banen
- baner
- Betale
- betaling
- påvente
- Ansatte
- utføre
- ytelse
- utfører
- tillatelser
- personlig
- Personlig
- rørledning
- Sted
- fly
- plato
- Platon Data Intelligence
- PlatonData
- vær så snill
- plugg inn
- poeng
- Post
- makt
- powered
- praksis
- forut
- forhåndsdefinert
- trekker
- presentert
- forrige
- primære
- privatliv
- privat
- prosedyren
- fortsette
- prosess
- behandlet
- prosessering
- produsere
- produserende
- Produksjon
- programma
- Progress
- ledetekster
- beskytte
- beskyttet
- prototype
- gi
- forutsatt
- gir
- forsyning
- offentlig
- publisere
- utgir
- formål
- formål
- spørsmål
- spørsmål
- spørsmål
- raskt
- område
- priser
- heller
- Når
- nå
- klar
- ekte
- mottak
- anerkjennelse
- gjenkjenne
- innspilling
- poster
- referere
- slipp
- relevant
- pålitelig
- fjernkontroll
- Repository
- anmode
- krever
- påkrevd
- ressurs
- Ressurser
- Svare
- svar
- svar
- resultere
- resulterende
- anmeldelse
- root
- regler
- Kjør
- rennende
- går
- trygt
- Sa
- samme
- tilfredshet
- lagret
- Skala
- script
- Søk
- Secret
- hemmeligheter
- Seksjon
- seksjoner
- sikre
- sikkerhet
- se
- velge
- forstand
- sensitive
- separat
- Serien
- serverer
- tjeneste
- Tjenester
- sett
- delt
- Shell
- bør
- lignende
- Enkelt
- enklere
- enkelt
- SMS
- tekstutdrag
- So
- utelukkende
- løsning
- Solutions
- kilde
- kildekoden
- Kilder
- Sourcing
- Southern
- spesifikk
- tale
- stable
- Begynn
- Tilstand
- status
- opphold
- Trinn
- Steps
- lagring
- lagret
- butikker
- stil
- vellykket
- slik
- suite
- SAMMENDRAG
- rekvisita
- støtte
- Støttesystemer
- Støttes
- syntetisk
- system
- Systemer
- T
- Ta
- tandem
- Oppgave
- lag
- Teknisk
- teknikker
- Teknologi
- mal
- vilkår
- vilkår og betingelser
- test
- testet
- Testing
- tekst
- enn
- Det
- De
- informasjonen
- Kilden
- deres
- Dem
- deretter
- Disse
- de
- tenker
- tredjeparts
- denne
- trodde
- Gjennom
- hele
- til
- i dag
- sammen
- token
- verktøy
- verktøy
- mot
- spor
- Kurs
- Togene
- Transaksjoner
- Transform
- Treet
- Trender
- sant
- låter
- Twilio
- typen
- typer
- ui
- Til syvende og sist
- etter
- underliggende
- forstå
- forståelse
- forstår
- kommende
- Oppdater
- upon
- URL
- brukervennlighet
- bruk
- bruke
- brukt
- Bruker
- Brukererfaring
- brukernes personvern
- Brukere
- bruker
- ved hjelp av
- bruker
- VALIDERE
- validering
- verdi
- Verdier
- variabel
- variasjon
- ulike
- enorme
- verifisere
- versjon
- av
- Se
- virtuelle
- Voice
- vente
- ønsker
- var
- Vei..
- we
- web
- Webapplikasjon
- webtjenester
- Nettsted
- nettsteder
- var
- Hva
- hvilken
- mens
- bred
- Bred rekkevidde
- vil
- med
- innenfor
- uten
- Arbeid
- arbeidere
- arbeidsflyt
- arbeidsflyt
- arbeid
- verden
- ville
- ja
- ennå
- du
- Din
- zephyrnet
- Zip