Această postare a fost scrisă împreună cu Greg Benson, om de știință șef; Aaron Kesler, Sr. Manager de produs; și Rich Dill, arhitect de soluții pentru întreprinderi de la SnapLogic.
Mulți clienți construiesc aplicații AI generative Amazon Bedrock și Amazon Code Whisperer pentru a crea artefacte de cod bazate pe limbajul natural. Acest caz de utilizare evidențiază modul în care modelele de limbaj mari (LLM) pot deveni un traducător între limbile umane (engleză, spaniolă, arabă și altele) și limbi interpretabile automate (Python, Java, Scala, SQL și așa mai departe), împreună cu limbi sofisticate. raționamentul intern. Această abilitate emergentă a LLM-urilor i-a obligat pe dezvoltatorii de software să folosească LLM-urile ca instrument de automatizare și îmbunătățire a UX care transformă limbajul natural într-un limbaj specific domeniului (DSL): instrucțiuni de sistem, solicitări API, artefacte de cod și multe altele. În această postare, vă arătăm cum SnapLogic, un client AWS, a folosit Amazon Bedrock pentru a-și alimenta SnapGPT produs prin crearea automată a acestor artefacte DSL complexe din limbajul uman.
Atunci când clienții creează obiecte DSL din LLM-uri, DSL-ul rezultat este fie o replică exactă, fie un derivat al datelor și schemei unei interfețe existente care formează contractul dintre UI și logica de afaceri din serviciul de suport. Acest model este în mod deosebit în tendințe cu furnizorii independenți de software (ISV) și ISV-uri software ca serviciu (SaaS) datorită modului lor unic de a reprezenta configurațiile prin cod și dorinței de a simplifica experiența utilizatorului pentru clienții lor. Exemple de cazuri de utilizare includ:
Cel mai simplu mod de a construi și scala aplicații text-to-pipeline cu LLM-uri pe AWS este utilizarea Amazon Bedrock. Amazon Bedrock este cel mai simplu mod de a construi și scala aplicații AI generative cu modele de fundație (FM). Este un serviciu complet gestionat care oferă acces la o gamă de FM de bază de înaltă performanță de la AI de vârf printr-un singur API, împreună cu un set larg de capabilități de care aveți nevoie pentru a construi aplicații AI generative cu confidențialitate și securitate. Anthropic, un laborator de cercetare și siguranță AI care construiește sisteme AI fiabile, interpretabile și orientabile, este una dintre companiile lider în AI care oferă acces la LLM de ultimă generație, Claude, pe Amazon Bedrock. Claude este un LLM care excelează într-o gamă largă de sarcini, de la dialog atent, creare de conținut, raționament complex, creativitate și codare. Anthropic oferă atât modelele Claude, cât și Claude Instant, toate fiind disponibile prin Amazon Bedrock. Claude a câștigat rapid popularitate în aceste aplicații text-to-pipeline datorită capacității sale de raționament îmbunătățite, care îi permite să exceleze în rezolvarea problemelor tehnice ambigue. Claude 2 de pe Amazon Bedrock acceptă o fereastră de context de 100,000 de jetoane, ceea ce este echivalent cu aproximativ 200 de pagini de text în limba engleză. Aceasta este o caracteristică deosebit de importantă pe care vă puteți baza atunci când construiți aplicații text-to-pipeline care necesită un raționament complex, instrucțiuni detaliate și exemple cuprinzătoare.
Fundal SnapLogic
SnapLogic este un client AWS cu misiunea de a aduce automatizarea întreprinderilor în lume. Platforma de integrare inteligentă (IIP) SnapLogic permite organizațiilor să realizeze automatizarea la nivel de întreprindere prin conectarea întregului ecosistem de aplicații, baze de date, date mari, mașini și dispozitive, API-uri și multe altele cu conectori inteligenți pre-construiți numiti Snaps. SnapLogic a lansat recent o caracteristică numită SnapGPT, care oferă o interfață text în care puteți introduce conducta de integrare dorită pe care doriți să o creați într-un limbaj uman simplu. SnapGPT folosește modelul Claude Anthropic prin Amazon Bedrock pentru a automatiza crearea acestor conducte de integrare ca cod, care sunt apoi utilizate prin soluția de integrare emblematică a SnapLogic. Cu toate acestea, călătoria SnapLogic către SnapGPT a fost un punct culminant al multor ani de activitate în spațiul AI.
Călătoria AI a SnapLogic
În domeniul platformelor de integrare, SnapLogic a fost constant în frunte, valorificând puterea de transformare a inteligenței artificiale. De-a lungul anilor, angajamentul companiei de a inova cu AI a devenit evident, mai ales atunci când urmărim călătoria de la Iris la Link automat.
Începuturile umile cu Iris
În 2017, SnapLogic a dezvăluit Iris, primul asistent de integrare bazat pe inteligență artificială din industrie. Iris a fost conceput pentru a utiliza algoritmi de învățare automată (ML) pentru a prezice următorii pași în construirea unei conducte de date. Analizând milioane de elemente de metadate și fluxuri de date, Iris ar putea face sugestii inteligente utilizatorilor, democratizând integrarea datelor și permițând chiar și celor fără un fundal tehnic profund să creeze fluxuri de lucru complexe.
AutoLink: Creșterea impulsului
Bazându-se pe succesul și învățăturile de la Iris, SnapLogic a introdus AutoLink, o caracteristică menită să simplifice și mai mult procesul de cartografiere a datelor. Sarcina plictisitoare de a mapa manual câmpurile dintre sistemele sursă și țintă a devenit o briză cu AutoLink. Folosind AI, AutoLink a identificat și a sugerat automat potriviri potențiale. Integrările care odată durau ore în șir puteau fi executate în doar câteva minute.
Saltul generativ cu SnapGPT
Cea mai recentă incursiune a SnapLogic în AI ne aduce SnapGPT, care își propune să revoluționeze și mai mult integrarea. Cu SnapGPT, SnapLogic introduce prima soluție de integrare generativă din lume. Nu este vorba doar de simplificarea proceselor existente, ci de reimaginarea completă a modului în care sunt proiectate integrările. Puterea AI generativă poate crea întregi conducte de integrare de la zero, optimizând fluxul de lucru pe baza rezultatului dorit și a caracteristicilor datelor.
SnapGPT are un impact extrem de important pentru clienții SnapLogic, deoarece aceștia sunt capabili să scadă drastic timpul necesar pentru a genera prima conductă SnapLogic. În mod tradițional, clienții SnapLogic ar trebui să petreacă zile sau săptămâni pentru a configura conductele de integrare de la zero. Acum, acești clienți pot să solicite pur și simplu SnapGPT să, de exemplu, „creeze o conductă care să-i mute pe toți clienții mei activi SFDC la WorkDay”. O primă schiță funcțională a unei conducte este creată automat pentru acest client, reducând drastic timpul de dezvoltare necesar pentru crearea bazei conductei lor de integrare. Acest lucru permite clientului final să petreacă mai mult timp concentrându-se pe ceea ce are un impact real asupra afacerii pentru el, în loc să lucreze la configurațiile unei conducte de integrare. Următorul exemplu arată cum un client SnapLogic poate introduce o descriere în caracteristica SnapGPT pentru a genera rapid o conductă, folosind limbajul natural.
AWS și SnapLogic au colaborat strâns pe parcursul dezvoltării acestui produs și au învățat multe pe parcurs. Restul acestei postări se va concentra pe învățările tehnice pe care AWS și SnapLogic le-au avut în legătură cu utilizarea LLM-urilor pentru aplicații text-to-pipeline.
Prezentare generală a soluțiilor
Pentru a rezolva această problemă de tip text-to-pipeline, AWS și SnapLogic au conceput o soluție cuprinzătoare prezentată în următoarea arhitectură.
O solicitare către SnapGPT trece prin următorul flux de lucru:
- Un utilizator trimite o descriere la aplicație.
- SnapLogic utilizează o abordare Retrieval Augmented Generation (RAG) pentru a prelua exemple relevante de conducte SnapLogic care sunt similare cu solicitarea utilizatorului.
- Aceste exemple relevante extrase sunt combinate cu introducerea utilizatorului și trec printr-o preprocesare a textului înainte de a fi trimise lui Claude pe Amazon Bedrock.
- Claude produce un artefact JSON care reprezintă o conductă SnapLogic.
- Artefactul JSON este integrat direct platformei de integrare SnapLogic de bază.
- Conducta SnapLogic este redată utilizatorului într-o manieră prietenoasă vizuală.
Prin diferite experimente între AWS și SnapLogic, am constatat că pasul prompt de inginerie al diagramei soluției este extrem de important pentru a genera rezultate de înaltă calitate pentru aceste ieșiri text-to-pipeline. Următoarea secțiune merge mai departe în câteva tehnici specifice utilizate cu Claude în acest spațiu.
Experimentare promptă
Pe parcursul fazei de dezvoltare a SnapGPT, AWS și SnapLogic au descoperit că iterația rapidă a solicitărilor trimise către Claude a fost o sarcină de dezvoltare critică pentru îmbunătățirea acurateței și relevanței ieșirilor text-to-pipeline în ieșirile SnapLogic. Prin utilizarea Amazon SageMaker Studio notebook-uri interactive, echipa AWS și SnapLogic au putut să lucreze rapid prin diferite versiuni de prompturi folosind Conexiune SDK Boto3 la Amazon Bedrock. Dezvoltarea bazată pe notebook a permis echipelor să creeze rapid conexiuni pe partea clientului la Amazon Bedrock, să includă descrieri bazate pe text alături de codul Python pentru trimiterea solicitărilor către Amazon Bedrock și să organizeze sesiuni comune de inginerie promptă în care s-au făcut iterații rapid între mai multe persoane.
Claude antropic metode prompte de inginerie
În această secțiune, descriem câteva dintre tehnicile iterative pe care le-am folosit pentru a crea un prompt de înaltă performanță bazat pe o solicitare ilustrativă a utilizatorului: „Creați o conductă care folosește baza de date ExampleCompany care preia toți clienții activi.” Rețineți că acest exemplu nu este schema cu care este alimentat SnapGPT și este folosit doar pentru a ilustra o aplicație text-to-pipeline.
Pentru a baza ingineria noastră promptă, folosim următorul prompt original:
Creați o conductă care să folosească baza de date ExampleCompany care preia toți clienții activi
Rezultatul așteptat este după cum urmează:
{ "database": "ExampleCompany", "query": "SELECT * FROM ec_prod.customers WHERE status = 'active'" }
Îmbunătățirea nr. 1: Utilizarea adnotărilor Uman și Asistent
Procedura de instruire a lui Claude îl învață pe FM să înțeleagă dialogul dintre un om și un asistent în structura sa promptă. Utilizatorii Claude pot profita de această structură prin încheierea solicitării lor în Asistent:, ceea ce îl va declanșa pe Claude să înceapă să genereze răspunsul la o interogare pe baza a ceea ce a spus umanul. Rețineți că, deoarece Claude va continua să genereze text până când i se spune să se oprească, asigurați-vă că utilizați o secvență de oprire a lui nnHuman: în solicitarea API către Amazon Bedrock când utilizați Claude. Acest lucru vă va asigura că primiți doar răspunsul de la asistent și nu următorul răspuns prezis de la om din lanțul de dialog. Acești indicatori nnHuman și nnAssistant nu numai că ajută la limitarea răspunsului lui Claude la informații relevante, dar ajută și la asigurarea unei delimitări clare între inputurile umane primare și răspunsurile asistenților din alte interacțiuni. Acest lucru vă ajută în special într-o setare de prompturi de câteva fotografii în care puteți avea mai multe interogări și răspunsuri cu interogări etichetate cu nnHuman și răspunsuri anterioare etichetate cu nnAssistant. Să ne uităm la promptul îmbunătățit și la apelul API ilustrativ asociat către Amazon Bedrock prin SDK-ul Boto3.
Folosim următorul prompt:
Uman: Creați o conductă care să folosească baza de date ExampleCompany care preia toți clienții activi
Asistent:
Ieșirea este după cum urmează:
Iată o conductă MongoDB pentru a prelua toți clienții activi din baza de date ExampleCompany:
pipeline = [ { '$match': { 'database': 'ExampleCompany', 'status': 'active' } } ] db.customers.aggregate(pipeline)
Pașii cheie sunt:
– `$match` pentru a filtra documentele numai la cele din baza de date ExampleCompany și cu statut egal cu „activ”.
– `db.customers.aggregate()` rulează pipeline pe colecția de clienți și returnează rezultatele filtrate.
Deci, aceasta va returna toate documentele clientului din baza de date ExampleCompany unde câmpul de stare este setat la „activ”.
Observați cum în rezultat, Claude alcătuiește un răspuns la întrebarea noastră fără niciun context. Răspunsul este potențial util, dar nu este specific problemei pe care încercăm să o rezolvăm, deoarece nu este furnizat cu suficient context. De asemenea, este important să rețineți că Anthropic necesită acest format uman și asistent atunci când se utilizează modelele Claude; dacă nu includeți acest pas, Amazon Bedrock va returna o eroare.
Îmbunătățirea nr. 2: Includeți un context hiper-specific pentru Claude înainte să i se spună ce să facă
Claude performează cel mai bine atunci când i se oferă un context bun despre ceea ce trebuie să îndeplinească, precum și cum ar trebui să îndeplinească acea sarcină. Iată câteva exemple de lucruri de inclus ca context pentru Claude înainte de a-i spune sarcina:
- Descrieți funcția pe care doriți să o îndeplinească Claude. Făcând acest lucru, îl faci pe Claude să se gândească la rolul unei persoane care lucrează în acel loc de muncă sau mai mult ca cineva care tocmai este angajat în acel rol specific. Acest lucru îl va ajuta pe Claude să formuleze răspunsul din perspectiva funcției specifice, reducând halucinațiile și aleatoriile răspunsului.
- Includeți detalii tehnice privind formatul de ieșire. Modelele de bază sunt, în general, bune în a urmări acțiunile, așa că a-i cere lui Claude să genereze rezultatul într-un format sau o schemă specifică cu unul sau câteva exemple îl va ajuta pe Claude să ofere răspunsul în formatul potrivit, reducând nevoia de filtrare și postprocesare a rezultatelor. Exemplul din promptul următor arată o schemă fictivă care se potrivește cu rezultatul așteptat.
Să combinăm aceste sugestii pentru a îmbunătăți promptul nostru inițial:
Om: Treaba ta este să acționezi ca un expert în conductele ETL. Mai exact, sarcina dvs. este să creați o reprezentare JSON a unei conducte ETL care va rezolva solicitarea utilizatorului care ți-a fost furnizată.
Ieșirea JSON ar trebui să urmeze următorul format:
Iată sarcina ta: creați o conductă care să folosească baza de date ExampleCompany care preia toți clienții activi
Asistent:
Ieșirea este după cum urmează:
Iată o reprezentare JSON a unei conducte ETL pentru a prelua toți clienții activi din baza de date ExampleCompany:
Această conductă utilizează baza de date ExampleCompany și o interogare SQL pentru a selecta toate înregistrările din tabelul clienți în care starea este „activă”.
Cu adăugarea contextului, modelul este acum capabil să obțină cea mai mare parte a răspunsului nostru. Acum știe cum să structureze rezultatul și înțelege că trebuie să scrie o instrucțiune SQL pentru a rezolva sarcina. Cu toate acestea, veți observa că modelul nu folosește corect nomenclatura ec_prod.customers la care ne așteptăm. Loc pentru imbunatatiri! De asemenea, rețineți că, în practică, va trebui să includeți mult mai mult context decât ceea ce am furnizat în acest exemplu pentru rezultate de înaltă calitate în cazuri de utilizare text-to-pipeline.
Îmbunătățirea nr. 3: includerea exemplelor în etichete XML
Învățarea cu puține lovituri este o modalitate populară de a crește acuratețea cu FM-urile în care aveți exemple relevante pentru a ghida FM-ul în sarcina lor. Acest lucru este deosebit de important atunci când lucrați în aplicații text-to-pipeline, deoarece aceste ieșiri de conducte hiper-specifice nu sunt de obicei incluse în niciun set de date publice, deoarece sunt specifice reprezentării datelor unui client individual. Când utilizați Claude, puteți profita de cunoștințele sale înnăscute despre etichetele XML arbitrare pentru a oferi aceste exemple într-un format de câteva fotografii. În următorul prompt îmbunătățit, observați adăugarea de exemple incluse în Etichete XML. De asemenea, puteți folosi abrevieri pentru om și asistent cu H și A pentru a oferi context lui Claude, fără a-l face să creadă că acestea sunt părți specifice ale dialogului care au avut loc deja.
Folosim următorul prompt:
Om: Treaba ta este să acționezi ca un expert în conductele ETL. Mai exact, sarcina dvs. este să creați o reprezentare JSON a unei conducte ETL care va rezolva solicitarea utilizatorului care ți-a fost furnizată.
Ieșirea JSON ar trebui să urmeze următorul format:
Iată câteva exemple de solicitări ale utilizatorilor și artefacte JSON de ieșire asociate care rezolvă corect sarcina furnizată. Asigurați-vă că utilizați aceeași nomenclatură care este furnizată în exemple dacă utilizați aceleași baze de date.
H: interogați baza de date ExampleCompany pentru orice comenzi active pentru clientul #1234
A:
Motivul pentru această interogare este că clientul #1234 este filtrat și căutăm în tabelul „comenzi” orice înregistrări existente după filtrul „activ”.
H: eliminați toți clienții din baza de date ExampleCompany care nu au fost activi în ultima lună
A:
Motivul pentru această interogare este că tabelul „ec_prod.customers” este singurul tabel din baza de date ExampleCompany care conține înregistrările clienților.
Iată sarcina ta: creați o conductă care să folosească baza de date ExampleCompany care preia toți clienții activi.
Asistent:
Ieșirea este după cum urmează:
Iată reprezentarea JSON pentru o conductă ETL pentru a prelua toți clienții activi din baza de date ExampleCompany:
Raționamentul este:
Baza de date ExampleCompany este specificată ca bază de date de utilizat
Tabelul ec_prod.customers conține datele despre clienți
Câmpul de stare indică dacă un client este activ, astfel încât interogarea filtrează numai clienții activi
Aceasta ar trebui să recupereze toate înregistrările clienților activi din baza de date ExampleCompany. Anunțați-mă dacă aveți nevoie de clarificări sau aveți cerințe suplimentare pentru conducta ETL!
Ieșirea JSON are acum nomenclatura corectă a bazei de date, pe care Claude a putut-o folosi datorită exemplelor pe care le-am oferit. Cuplarea indicatorilor umani și ai indicatorilor de asistență cu etichete XML îi face mai ușor pentru Claude să înțeleagă care este sarcina și care a fost răspunsul în exemple similare, cu o separare foarte clară între mai multe exemple cu câteva fotografii. Cu cât îi este mai ușor de înțeles pentru Claude, cu atât răspunsul va fi mai bun și mai relevant, reducând și mai mult șansa modelului de a halucina și de a oferi răspunsuri irelevante aleatorii.
Îmbunătățirea nr. 4: Declanșarea lui Claude pentru a începe generarea JSON cu etichete XML
O mică provocare cu aplicațiile text-to-pipeline care utilizează FM-uri este necesitatea de a analiza exact o ieșire din textul rezultat, astfel încât să poată fi interpretat ca cod într-o aplicație din aval. O modalitate de a rezolva acest lucru cu Claude este să profitați de înțelegerea etichetei XML și să combinați acest lucru cu o secvență de oprire personalizată. În următorul prompt, i-am cerut lui Claude să includă rezultatul în Etichete XML. Apoi, am adăugat etichetați până la sfârșitul promptului. Acest lucru asigură că primul text care iese din Claude va fi începutul ieșirii JSON. Dacă nu faci asta, Claude răspunde adesea cu un text conversațional, apoi răspunsul adevărat al codului. Instruindu-i lui Claude să înceapă imediat generarea ieșirii, puteți opri cu ușurință generarea când vedeți închiderea etichetă. Acest lucru este afișat în apelul API Boto3 actualizat. Beneficiile acestei tehnici sunt duble. În primul rând, puteți analiza exact răspunsul codului de la Claude. În al doilea rând, puteți reduce costurile, deoarece Claude generează numai coduri și fără text suplimentar. Acest lucru reduce costurile pe Amazon Bedrock, deoarece sunteți taxat pentru fiecare token care este produs ca ieșire de la toate FM.
Folosim următorul prompt:
Om: Treaba ta este să acționezi ca un expert în conductele ETL. Mai exact, sarcina dvs. este să creați o reprezentare JSON a unei conducte ETL care va rezolva solicitarea utilizatorului care ți-a fost furnizată.
Ieșirea JSON ar trebui să urmeze următorul format:
Iată câteva exemple de solicitări ale utilizatorilor și artefacte JSON de ieșire asociate care rezolvă corect sarcina furnizată. Asigurați-vă că utilizați aceeași nomenclatură care este furnizată în exemple dacă utilizați aceleași baze de date.
H: interogați baza de date ExampleCompany pentru orice comenzi active pentru clientul #1234
A:
Motivul pentru această interogare este că clientul #1234 este filtrat și căutăm în tabelul „comenzi” orice înregistrări existente după filtrul „activ”.
H: eliminați toți clienții din baza de date ExampleCompany care nu au fost activi în ultima lună
A:
Motivul pentru această interogare este că tabelul „ec_prod.customers” este singurul tabel din baza de date ExampleCompany care conține înregistrările clienților.
Nu uitați întotdeauna să includeți ieșirile dvs. JSON în Etichete.
Iată sarcina ta: creați o conductă care să folosească baza de date ExampleCompany care preia toți clienții activi.
Asistent:
Folosim următorul cod:
body = json.dumps({"prompt": prompt, "stop_sequences": ['nnHuman:', '</json>']})
response = bedrock.invoke_model(
body=body,
modelId='anthropic.claude-v2'
)
Ieșirea este după cum urmează:
{ "database": "ExampleCompany", "query": "SELECT * FROM ec_prod.customers WHERE status = 'active'" }
Acum am ajuns la ieșirea așteptată cu doar obiectul JSON returnat! Prin utilizarea acestei metode, suntem capabili să generăm un artefact tehnic imediat utilizabil, precum și să reducem costul de generare prin reducerea jetoanelor de ieșire.
Concluzie
Pentru a începe astăzi cu SnapGPT, solicitați a încercare gratuită a SnapLogic or solicitați o demonstrație a produsului. Dacă doriți să utilizați aceste concepte pentru a construi aplicații astăzi, vă recomandăm experimentând hands-on cu secțiunea de inginerie promptă din această postare, folosind același flux într-un caz de utilizare diferit de generație DSL care se potrivește afacerii dvs. și scufundându-vă mai adânc în Funcții RAG care sunt disponibile prin Amazon Bedrock.
SnapLogic și AWS au reușit să colaboreze eficient pentru a construi un traducător avansat între limbajul uman și schema complexă a conductelor de integrare SnapLogic alimentată de Amazon Bedrock. De-a lungul acestei călătorii, am văzut cum rezultatul generat cu Claude poate fi îmbunătățit în aplicațiile text-to-pipeline folosind tehnici specifice de inginerie promptă. AWS și SnapLogic sunt încântați să continue acest parteneriat în IA generativă și așteaptă cu nerăbdare colaborarea și inovația viitoare în acest spațiu în mișcare rapidă.
Despre Autori
Greg Benson este profesor de informatică la Universitatea din San Francisco și om de știință șef la SnapLogic. Sa alăturat Departamentului de Informatică al USF în 1998 și a predat cursuri universitare și postuniversitare, inclusiv sisteme de operare, arhitectură computerizată, limbaje de programare, sisteme distribuite și programare introductivă. Greg a publicat cercetări în domeniile sistemelor de operare, calculului paralel și sistemelor distribuite. De când s-a alăturat SnapLogic în 2010, Greg a ajutat la proiectarea și implementarea mai multor caracteristici cheie ale platformei, inclusiv procesarea clusterului, procesarea datelor mari, arhitectura cloud și învățarea automată. În prezent, lucrează la IA generativă pentru integrarea datelor.
Aaron Kesler este Senior Product Manager pentru produse și servicii AI la SnapLogic, Aaron aplică peste zece ani de experiență în managementul produselor pentru a deveni pionierat în dezvoltarea de produse AI/ML și pentru a evangheliza serviciile în întreaga organizație. El este autorul cărții viitoare „Care este problema ta?” menit să ghideze noii manageri de produs prin cariera de management de produs. Călătoria sa antreprenorială a început cu startup-ul său de colegiu, STAK, care a fost achiziționat ulterior de Carvertise, Aaron contribuind în mod semnificativ la recunoașterea lor ca Tech Startup of the Year 2015 în Delaware. Dincolo de activitățile sale profesionale, Aaron își găsește bucurie în a juca golf cu tatăl său, a explora noi culturi și mâncăruri în călătoriile sale și a practica ukulele.
Mărar bogat este un arhitect principal de soluții cu experiență în mai multe domenii de specializare. Un istoric de succes care acoperă software-ul pentru întreprinderi multi-platformă și SaaS. Cunoscut pentru că a transformat susținerea clienților (care servește drept vocea clientului) în funcții și produse noi generatoare de venituri. Capacitate dovedită de a conduce produse de ultimă oră pe piață și proiecte până la finalizarea în termen și sub buget în medii onshore și offshore cu ritm rapid. Un mod simplu de a mă descrie: mintea unui om de știință, inima unui explorator și sufletul unui artist.
Clay Elmore este arhitect specializat în soluții AI/ML la AWS. După ce a petrecut multe ore într-un laborator de cercetare a materialelor, experiența sa în inginerie chimică a fost rapid lăsată în urmă pentru a-și continua interesul pentru învățarea automată. El a lucrat la aplicații ML în multe industrii diferite, de la comercializarea energiei până la marketingul hotelier. Activitatea actuală a lui Clay la AWS se concentrează pe a ajuta clienții să aducă practici de dezvoltare software în ML și încărcături de lucru AI generative, permițându-le clienților să construiască soluții repetabile și scalabile în aceste medii complexe. În timpul liber, lui Clay îi place să schieze, să rezolve cuburile lui Rubik, să citească și să gătească.
Sina Sojoodi este director de tehnologie, inginer de sisteme, lider de produs, fost fondator și consilier pentru startup. Sa alăturat AWS în martie 2021 ca arhitect principal de soluții. Sina este în prezent arhitectul de soluții lider în zona SUA-Vest ISV. El lucrează cu companii de software SaaS și B2B pentru a-și construi și dezvolta afacerile pe AWS. Înainte de rolul său la Amazon, Sina a fost director de tehnologie la VMware și Pivotal Software (IPO în 2018, VMware M&A în 2020) și a ocupat mai multe roluri de conducere, inclusiv inginer fondator la Xtreme Labs (achiziție Pivotal în 2013). Sina și-a dedicat ultimii 15 ani de experiență de lucru pentru a construi platforme software și practici pentru întreprinderi, afaceri de software și sectorul public. Este un lider în industrie cu o pasiune pentru inovație. Sina deține o licență de la Universitatea din Waterloo, unde a studiat Inginerie Electrică și Psihologie.
Sandeep Rohilla este arhitect senior de soluții la AWS, care sprijină clienții ISV din regiunea de vest a SUA. El se concentrează pe a ajuta clienții să proiecteze soluții care folosesc containere și AI generativă pe cloud-ul AWS. Sandeep este pasionat de înțelegerea problemelor de afaceri ale clienților și de a-i ajuta să-și atingă obiectivele prin tehnologie. Sa alăturat AWS după ce a lucrat mai bine de un deceniu ca arhitect de soluții, punând în practică cei 17 ani de experiență. Sandeep deține un MSc. în Inginerie Software de la Universitatea de Vest a Angliei din Bristol, Marea Britanie.
Dr. Farooq Sabir este arhitect senior de soluții specializat în inteligență artificială și învățare automată la AWS. El deține diplome de doctorat și master în inginerie electrică de la Universitatea din Texas din Austin și un master în informatică de la Georgia Institute of Technology. Are peste 15 ani de experiență în muncă și, de asemenea, îi place să predea și să îndrume studenții. La AWS, el îi ajută pe clienți să-și formuleze și să-și rezolve problemele de afaceri în știința datelor, învățarea automată, viziunea computerizată, inteligența artificială, optimizarea numerică și domeniile conexe. Cu sediul în Dallas, Texas, lui și familia lui le place să călătorească și să plece în călătorii lungi.
- Distribuție de conținut bazat pe SEO și PR. Amplifică-te astăzi.
- PlatoData.Network Vertical Generative Ai. Împuterniciți-vă. Accesați Aici.
- PlatoAiStream. Web3 Intelligence. Cunoștințe amplificate. Accesați Aici.
- PlatoESG. carbon, CleanTech, Energie, Mediu inconjurator, Solar, Managementul deșeurilor. Accesați Aici.
- PlatoHealth. Biotehnologie și Inteligență pentru studii clinice. Accesați Aici.
- Sursa: https://aws.amazon.com/blogs/machine-learning/how-snaplogic-built-a-text-to-pipeline-application-with-amazon-bedrock-to-translate-business-intent-into-action/
- :are
- :este
- :nu
- :Unde
- $UP
- 10
- 100
- 121
- 14
- ani 15
- 15%
- 150
- 17
- 1998
- 200
- 2010
- 2013
- 2015
- 2017
- 2018
- 2020
- 2021
- 31
- 33
- 7
- 8
- 9
- a
- Aaron
- capacitate
- Capabil
- Despre Noi
- acces
- realiza
- precizie
- Obține
- dobândite
- achiziție
- peste
- act
- Acțiune
- acțiuni
- activ
- adăugat
- plus
- Suplimentar
- avansat
- Avantaj
- consilier
- susţinere
- După
- AI
- Sisteme AI
- AI-alimentat
- AI / ML
- vizează
- isi propune
- algoritmi
- TOATE
- permis
- Permiterea
- permite
- de-a lungul
- pe langa
- deja
- de asemenea
- Amazon
- Amazon Web Services
- sumă
- an
- analiza
- și
- răspunde
- răspunsuri
- Antropică
- Orice
- api
- API-uri
- aplicație
- aplicatii
- se aplică
- abordare
- Apps
- limba arabă
- arhitectură
- SUNT
- ZONĂ
- domenii
- în jurul
- a sosit
- Artă
- artificial
- inteligență artificială
- Inteligența artificială și învățarea în mașină
- artist
- AS
- cere
- solicitând
- Asistent
- asociate
- At
- augmented
- Austin
- autor
- automatizarea
- Automata
- în mod automat
- Automatizare
- disponibil
- AWS
- Client AWS
- B2B
- fundal
- sprijin
- de bază
- bazat
- De bază
- BE
- Urs
- a devenit
- deoarece
- deveni
- fost
- înainte
- început
- începe
- în spatele
- fiind
- Beneficiile
- CEL MAI BUN
- Mai bine
- între
- Dincolo de
- Mare
- Datele mari
- carte
- atât
- aduce
- Aducere
- Aduce
- Bristol
- larg
- in linii mari
- buget
- construi
- Clădire
- construiește
- construit
- afaceri
- impactul asupra afacerii
- întreprinderi
- dar
- by
- apel
- denumit
- CAN
- capacități
- Carieră
- caz
- cazuri
- Centre
- lanţ
- contesta
- șansă
- Caracteristici
- încărcat
- chimic
- şef
- alegere
- clar
- îndeaproape
- închidere
- Cloud
- Grup
- cod
- Codificare
- a colaborat
- colaborare
- colectare
- Colegiu
- combina
- combinate
- vine
- angajament
- Companii
- Compania
- obligat
- completare
- complex
- cuprinzător
- calculator
- Informatică
- Computer Vision
- tehnica de calcul
- Concepte
- configurarea
- Conectarea
- conexiune
- Conexiuni
- consecvent
- Containere
- conține
- conţinut
- crearea de continut
- context
- continua
- contract
- contribuind
- de conversaţie
- gătit
- Nucleu
- corecta
- corect
- A costat
- ar putea
- cursuri
- crea
- a creat
- creaţie
- creativitate
- critic
- Curent
- În prezent
- personalizat
- client
- clienţii care
- tăiere
- ultima generație
- Dallas
- de date
- integrarea datelor
- de prelucrare a datelor
- știința datelor
- Baza de date
- baze de date
- Zi
- deceniu
- scădea
- dedicat
- adânc
- Mai adânc
- Delaware
- Demo
- democratizarea
- Departament
- derivat
- descrie
- descriere
- Amenajări
- proiectat
- dorință
- dorit
- detaliat
- detalii
- Dezvoltatorii
- Dezvoltare
- Dispozitive
- Dialog
- diferit
- direct
- distribuite
- sisteme distribuite
- scufundare
- do
- documente
- Nu
- face
- domenii
- Dont
- jos
- proiect
- drastic
- conduce
- două
- fiecare
- mai ușor
- Cel mai simplu
- cu ușurință
- ecosistem
- în mod eficient
- oricare
- Inginerie Electrică
- element
- permite
- capăt
- sfârșit
- energie
- inginer
- Inginerie
- Anglia
- Engleză
- sporire
- suficient de
- asigura
- asigură
- Intrați
- Afacere
- software pentru întreprinderi
- Soluții pentru întreprinderi
- Companii
- Întreg
- în întregime
- antreprenoriale
- medii
- egal
- Echivalent
- eroare
- mai ales
- Eter (ETH)
- Chiar
- evident
- exact
- exemplu
- exemple
- Excel
- excitat
- executiv
- existent
- de aşteptat
- aşteaptă
- experienţă
- expert
- expertiză
- explorator
- Explorarea
- suplimentar
- extrem
- familie
- în mișcare rapidă
- ritm rapid
- Caracteristică
- DESCRIERE
- puțini
- camp
- Domenii
- filtru
- filtrare
- Filtre
- descoperiri
- First
- pilot
- debit
- fluxurilor
- Concentra
- se concentrează
- concentrându-se
- urma
- următor
- urmează
- alimente
- Pentru
- Incursiune
- frunte
- format
- formulare
- Înainte
- găsit
- Fundație
- fondator
- Francisco
- prietenos
- din
- Îndeplini
- complet
- funcţie
- mai mult
- viitor
- dobândită
- în general
- genera
- generată
- generează
- generator
- generaţie
- generativ
- AI generativă
- Georgia
- Institutul de Tehnologie din Georgia
- obține
- gif
- dat
- Go
- Goluri
- Merge
- bine
- absolvent
- Crește
- ghida
- HAD
- mână
- Cablaje
- Avea
- he
- inimă
- ajutor
- a ajutat
- util
- ajutor
- ajută
- aici
- performanta inalta
- de înaltă calitate
- highlights-uri
- lui
- deţine
- deține
- ospitalitate
- ORE
- Cum
- Cum Pentru a
- Totuși
- HTML
- HTTPS
- uman
- umil
- identificat
- if
- ilustra
- imediat
- Impactul
- impactant
- punerea în aplicare a
- important
- îmbunătăţi
- îmbunătățit
- îmbunătățirea
- in
- include
- inclus
- Inclusiv
- Crește
- independent
- indică
- Indicatorii
- individ
- industrii
- industrie
- lider în industrie
- informații
- înnăscut
- inovatoare
- Inovaţie
- intrare
- intrări
- clipă
- in schimb
- Institut
- instrucțiuni
- integrate
- integrare
- integrările
- Inteligență
- Inteligent
- scop
- interacţiuni
- interactiv
- interes
- interfaţă
- intern
- în
- introdus
- Prezintă
- introductiv
- IPO
- isv
- IT
- repetare
- iterații
- ESTE
- Java
- Loc de munca
- alăturat
- aderarea
- comun
- călătorie
- bucurie
- jpg
- JSON
- doar
- Cheie
- Cunoaște
- cunoştinţe
- cunoscut
- știe
- de laborator
- Labs
- limbă
- Limbă
- mare
- Nume
- mai tarziu
- Ultimele
- conduce
- lider
- Conducere
- conducere
- Salt
- învățat
- învăţare
- stânga
- lăsa
- efectului de pârghie
- ca
- îi place
- logică
- Lung
- Uite
- Lot
- dragoste
- M & A
- maşină
- masina de învățare
- Masini
- făcut
- face
- FACE
- Efectuarea
- gestionate
- administrare
- manager
- Manageri
- manieră
- manual
- multe
- cartografiere
- Martie
- Piață
- Marketing
- meciuri
- Materiale
- me
- mentor
- Mers
- Metadata
- metodă
- milioane
- minte
- minute
- Misiune
- ML
- model
- Modele
- MongoDB
- mai mult
- cele mai multe
- muta
- MS
- Multi-platformă
- multiplu
- my
- nume
- Natural
- Limbajul natural
- Nevoie
- nevoilor
- Nou
- Funcții noi
- produs nou
- următor
- Nu.
- nota
- notebook-uri
- Înștiințare..
- acum
- obiect
- obiecte
- a avut loc
- of
- promoții
- de multe ori
- on
- dată
- ONE
- afară
- de operare
- sisteme de operare
- optimizare
- optimizarea
- or
- comandă
- comenzilor
- organizație
- organizații
- original
- Altele
- al nostru
- afară
- Rezultat
- producție
- iesiri
- peste
- pagini
- Paralel
- în special
- partener
- Asociere
- pasiune
- pasionat
- trecut
- Model
- efectuează
- perspectivă
- fază
- PhD
- piese
- pionier
- conducte
- pivot
- Loc
- platformă
- Platforme
- Plato
- Informații despre date Platon
- PlatoData
- Popular
- popularitate
- Post
- potenţial
- potenţial
- putere
- alimentat
- practică
- practicile
- prezice
- a prezis
- precedent
- primar
- Principal
- intimitate
- Confidențialitate și securitate
- Problemă
- probleme
- procedură
- proces
- procese
- prelucrare
- Produs
- produce
- Produs
- dezvoltare de produs
- management de produs
- manager de produs
- Produse
- Produse si Servicii
- profesional
- Profesor
- Programare
- limbaje de programare
- Proiecte
- solicitări
- dovedit
- furniza
- prevăzut
- furnizează
- furnizarea
- Psihologie
- public
- publicat
- Cercetări publicate
- urmări
- Piton
- interogări
- întrebare
- repede
- aleator
- dezordine
- gamă
- variind
- rapid
- Citind
- realiza
- tărâm
- a primi
- recent
- recunoaştere
- recomanda
- record
- înregistrări
- reduce
- reduce
- reducerea
- cu privire la
- regiune
- reimaginare
- legate de
- eliberat
- de încredere
- se bazează
- minte
- scoate
- prestate
- repetabil
- răspunde
- reprezentare
- reprezentând
- reprezintă
- solicita
- cereri de
- necesita
- necesar
- Cerinţe
- Necesită
- cercetare
- răspuns
- răspunsuri
- REST
- rezultând
- REZULTATE
- reveni
- Returnează
- revoluţiona
- Bogat
- dreapta
- drum
- Rol
- rolurile
- Cameră
- Alerga
- ruleaza
- SaaS
- Siguranţă
- sagemaker
- Said
- acelaşi
- San
- San Francisco
- Scala
- scalabil
- Scară
- programa
- Ştiinţă
- Om de stiinta
- zgâria
- sdk
- căutare
- Al doilea
- Secțiune
- sector
- securitate
- vedea
- văzut
- selecta
- trimitere
- senior
- trimis
- Secvenţă
- servit
- serviciu
- Servicii
- servire
- Sesiunile
- set
- instalare
- câteva
- să
- Arăta
- indicat
- Emisiuni
- semnificativ
- asemănător
- simplu
- simplifica
- simplificarea
- pur şi simplu
- întrucât
- singur
- mic
- So
- Software
- sistem de operare ca serviciu
- Dezvoltatori de software
- de dezvoltare de software
- Inginerie software
- soluţie
- soluţii
- REZOLVAREA
- Rezolvarea
- unele
- Cineva
- sofisticat
- Suflet
- Sursă
- Spaţiu
- Spaniolă
- tensiune
- specialist
- specific
- specific
- specificată
- petrece
- Cheltuire
- SQL
- Începe
- început
- lansare
- Declarație
- Stare
- Pas
- paşi
- Stop
- simplu
- structura
- Elevi
- studiat
- succes
- De sprijin
- Sprijină
- a presupus
- sigur
- sistem
- sisteme
- tabel
- TAG
- Lua
- Ţintă
- Sarcină
- sarcini
- învățat
- echipă
- echipe
- tech
- pornire tehnologică
- Tehnic
- tehnică
- tehnici de
- Tehnologia
- spune
- zece
- Texas
- a) Sport and Nutrition Awareness Day in Manasia Around XNUMX people from the rural commune Manasia have participated in a sports and healthy nutrition oriented activity in one of the community’s sports ready yards. This activity was meant to gather, mainly, middle-aged people from a Romanian rural community and teach them about the benefits that sports have on both their mental and physical health and on how sporting activities can be used to bring people from a community closer together. Three trainers were made available for this event, so that the participants would get the best possible experience physically and so that they could have the best access possible to correct information and good sports/nutrition practices. b) Sports Awareness Day in Poiana Țapului A group of young participants have taken part in sporting activities meant to teach them about sporting conduct, fairplay, and safe physical activities. The day culminated with a football match.
- decât
- acea
- Vestul
- lumea
- lor
- Lor
- apoi
- Acestea
- ei
- lucruri
- crede
- acest
- aceste
- Prin
- de-a lungul
- timp
- la
- astăzi
- semn
- indicativele
- a spus
- a luat
- instrument
- urmări
- urmări
- Trading
- tradiţional
- Pregătire
- transformativă
- transformatele
- Traduceți
- călătorie
- CĂLĂTORII
- trend
- proces
- declanşa
- declanșând
- adevărat
- Cod adevărat
- încercat
- Cotitură
- tip
- ui
- Uk
- în
- înţelege
- înţelegere
- înțelege
- unic
- universitate
- până la
- dezvaluit
- viitoare
- actualizat
- pe
- us
- utilizabil
- utilizare
- carcasa de utilizare
- utilizat
- Utilizator
- Experiența de utilizare
- utilizatorii
- utilizări
- folosind
- obișnuit
- ux
- diverse
- furnizori
- foarte
- de
- viziune
- vizual
- VMware
- Voce
- vrea
- a fost
- Cale..
- we
- web
- servicii web
- săptămâni
- BINE
- au fost
- Vest
- Ce
- Ce este
- cand
- care
- larg
- Gamă largă
- voi
- fereastră
- cu
- fără
- Apartamente
- a lucrat
- flux de lucru
- fluxuri de lucru
- de lucru
- fabrică
- lume
- lume
- ar
- scrie
- XML
- an
- ani
- tu
- Ta
- youtube
- zephyrnet