Этот пост был написан в соавторстве с Грегом Бенсоном, главным научным сотрудником; Аарон Кеслер, старший менеджер по продукту; и Рич Дилл, архитектор корпоративных решений из SnapLogic.
Многие клиенты создают генеративные приложения ИИ на Коренная порода Амазонки и Amazon Code Whisperer для создания артефактов кода на основе естественного языка. Этот вариант использования показывает, как большие языковые модели (LLM) могут стать переводчиком между человеческими языками (английским, испанским, арабским и т. д.) и машинно-интерпретируемыми языками (Python, Java, Scala, SQL и т. д.) наряду со сложными внутреннее рассуждение. Эта новая способность LLM вынудила разработчиков программного обеспечения использовать LLM в качестве инструмента автоматизации и улучшения пользовательского интерфейса, который преобразует естественный язык в язык, специфичный для предметной области (DSL): системные инструкции, запросы API, артефакты кода и многое другое. В этом посте мы покажем вам, как SnapLogic, клиент AWS, использовал Amazon Bedrock для обеспечения своей SnapGPT продукта посредством автоматического создания сложных артефактов DSL на основе человеческого языка.
Когда клиенты создают объекты DSL из LLM, полученный DSL является либо точной копией, либо производной существующих данных и схемы интерфейса, которые образуют контракт между пользовательским интерфейсом и бизнес-логикой в вспомогательной службе. Этот шаблон особенно популярен среди независимых поставщиков программного обеспечения (ISV) и независимых поставщиков программного обеспечения как услуги (SaaS) из-за их уникального способа представления конфигураций через код и желания упростить взаимодействие с пользователем для своих клиентов. Примеры вариантов использования включают в себя:
Самый простой способ создания и масштабирования приложений преобразования текста в конвейер с помощью LLM на AWS — использование Amazon Bedrock. Amazon Bedrock — это самый простой способ создания и масштабирования генеративных приложений ИИ с помощью базовых моделей (FM). Это полностью управляемый сервис, который предлагает доступ к выбору высокопроизводительных базовых FM от ведущих ИИ через единый API, а также широкий набор возможностей, необходимых для создания генеративных приложений ИИ с конфиденциальностью и безопасностью. Anthropic, лаборатория безопасности и исследований в области искусственного интеллекта, которая создает надежные, интерпретируемые и управляемые системы искусственного интеллекта, является одной из ведущих компаний в области искусственного интеллекта, которая предлагает доступ к своему современному LLM Claude на Amazon Bedrock. Клод — дипломированный специалист, который преуспевает в широком спектре задач: от вдумчивого диалога, создания контента, сложных рассуждений, творчества и программирования. Anthropic предлагает модели Claude и Claude Instant, все из которых доступны через Amazon Bedrock. Claude быстро завоевал популярность в приложениях для преобразования текста в конвейер благодаря улучшенным способностям к рассуждению, что позволяет ему преуспеть в решении неоднозначных технических проблем. Claude 2 на Amazon Bedrock поддерживает контекстное окно на 100,000 200 токенов, что эквивалентно примерно XNUMX страницам текста на английском языке. Это особенно важная функция, на которую можно положиться при создании приложений преобразования текста в конвейер, требующих сложных рассуждений, подробных инструкций и подробных примеров.
Фон SnapLogic
SnapLogic — клиент AWS, цель которого — обеспечить мир автоматизации предприятия. Платформа интеллектуальной интеграции SnapLogic (IIP) позволяет организациям реализовать автоматизацию в масштабах предприятия, подключив всю экосистему приложений, баз данных, больших данных, машин и устройств, API и т. д. с помощью предварительно созданных интеллектуальных соединителей, называемых Snaps. SnapLogic недавно выпустил функцию под названием SnapGPT, который предоставляет текстовый интерфейс, в котором вы можете ввести желаемый конвейер интеграции, который хотите создать, простым человеческим языком. SnapGPT использует модель Claude от Anthropic через Amazon Bedrock для автоматизации создания этих интеграционных конвейеров в виде кода, которые затем используются в флагманском интеграционном решении SnapLogic. Однако переход SnapLogic к SnapGPT стал кульминацией многих лет работы в сфере искусственного интеллекта.
Путешествие SnapLogic в области искусственного интеллекта
В области интеграционных платформ SnapLogic постоянно находится на переднем крае, используя преобразующую силу искусственного интеллекта. С годами приверженность компании инновациям с использованием ИИ стала очевидной, особенно если проследить путь от Ирис в AutoLink.
Скромное начало с Ирис
В 2017 году SnapLogic представила Iris, первого в отрасли помощника по интеграции на базе искусственного интеллекта. Iris был разработан для использования алгоритмов машинного обучения (ML) для прогнозирования следующих шагов при построении конвейера данных. Анализируя миллионы элементов метаданных и потоков данных, Iris может делать разумные предложения пользователям, демократизируя интеграцию данных и позволяя даже тем, у кого нет глубокого технического опыта, создавать сложные рабочие процессы.
AutoLink: наращивание темпов
Опираясь на успех и опыт Iris, SnapLogic представила AutoLink — функцию, направленную на дальнейшее упрощение процесса сопоставления данных. Утомительная задача сопоставления полей между исходной и целевой системами вручную стала проще благодаря AutoLink. Используя искусственный интеллект, AutoLink автоматически идентифицировал и предлагал потенциальные совпадения. Интеграции, которые раньше занимали часы, теперь можно выполнить за считанные минуты.
Генеративный скачок с SnapGPT
Последний набег SnapLogic на искусственный интеллект представляет нам SnapGPT, цель которого — еще больше революционизировать интеграцию. SnapGPT SnapLogic представляет первое в мире решение для генеративной интеграции. Речь идет не только об упрощении существующих процессов, но и о полном переосмыслении того, как устроена интеграция. Мощь генеративного искусственного интеллекта позволяет создавать целые конвейеры интеграции с нуля, оптимизируя рабочий процесс на основе желаемого результата и характеристик данных.
SnapGPT чрезвычайно полезен для клиентов SnapLogic, поскольку они могут значительно сократить время, необходимое для создания своего первого конвейера SnapLogic. Традиционно клиентам SnapLogic приходилось тратить дни или недели на настройку конвейеров интеграции с нуля. Теперь эти клиенты могут просто попросить SnapGPT, например, «создать конвейер, который переведет всех моих активных клиентов SFDC на WorkDay». Для этого клиента автоматически создается первый рабочий проект конвейера, что значительно сокращает время разработки, необходимое для создания основы его интеграционного конвейера. Это позволяет конечному клиенту тратить больше времени на то, что имеет для него реальное влияние на бизнес, вместо того, чтобы работать над конфигурациями конвейера интеграции. В следующем примере показано, как клиент SnapLogic может ввести описание в функцию SnapGPT, чтобы быстро создать конвейер, используя естественный язык.
AWS и SnapLogic тесно сотрудничали на протяжении всего процесса создания продукта и многому научились за это время. Остальная часть статьи будет посвящена техническим знаниям, полученным AWS и SnapLogic в области использования LLM для приложений преобразования текста в конвейер.
Обзор решения
Чтобы решить эту проблему передачи текста в конвейер, AWS и SnapLogic разработали комплексное решение, представленное в следующей архитектуре.
Запрос к SnapGPT проходит следующий рабочий процесс:
- Пользователь отправляет описание в приложение.
- SnapLogic использует подход дополненной генерации (RAG) для получения соответствующих примеров конвейеров SnapLogic, которые аналогичны запросу пользователя.
- Эти извлеченные соответствующие примеры объединяются с пользовательским вводом и проходят предварительную обработку текста перед отправкой Клоду на Amazon Bedrock.
- Клод создает артефакт JSON, представляющий конвейер SnapLogic.
- Артефакт JSON напрямую интегрируется в базовую платформу интеграции SnapLogic.
- Конвейер SnapLogic отображается для пользователя в визуально удобной форме.
В ходе различных экспериментов между AWS и SnapLogic мы пришли к выводу, что быстрый этап разработки диаграммы решения чрезвычайно важен для создания высококачественных выходных данных для вывода текста в конвейер. В следующем разделе мы рассмотрим некоторые конкретные методы, используемые Клодом в этой области.
Подскажите эксперименты
На этапе разработки SnapGPT AWS и SnapLogic обнаружили, что быстрая итерация запросов, отправляемых Клоду, была важнейшей задачей разработки для повышения точности и релевантности вывода текста в конвейер в выходных данных SnapLogic. Используя Студия Amazon SageMaker интерактивных блокнотов, команда AWS и SnapLogic смогла быстро работать с различными версиями подсказок, используя Подключение Boto3 SDK к Amazon Bedrock. Разработка с помощью ноутбуков позволила командам быстро создавать клиентские подключения к Amazon Bedrock, включать текстовые описания вместе с кодом Python для отправки подсказок в Amazon Bedrock и проводить совместные сеансы разработки подсказок, на которых быстро выполнялись итерации между несколькими пользователями.
Антропный Клод подсказывает методы инженерии
В этом разделе мы описываем некоторые итеративные методы, которые мы использовали для создания высокопроизводительного приглашения на основе наглядного запроса пользователя: «Создайте конвейер, который использует базу данных exampleCompany, которая извлекает всех активных клиентов». Обратите внимание, что этот пример не является схемой, на которой работает SnapGPT, и используется только для иллюстрации приложения преобразования текста в конвейер.
В качестве основы для разработки подсказок мы используем следующую исходную подсказку:
Создайте конвейер, использующий базу данных exampleCompany, которая извлекает всех активных клиентов.
Ожидаемый результат выглядит следующим образом:
{ "database": "ExampleCompany", "query": "SELECT * FROM ec_prod.customers WHERE status = 'active'" }
Улучшение № 1: использование аннотаций «Человек» и «Помощник»
Процедура обучения Клода учит ФМ понимать диалог человека и помощника в его оперативной структуре. Пользователи Claude могут воспользоваться этой структурой, завершив подсказку в Assistant:, что заставит Claude начать генерировать ответ на запрос на основе того, что сказал человек. Обратите внимание: поскольку Claude будет продолжать генерировать текст до тех пор, пока ему не будет приказано остановиться, убедитесь, что вы используете последовательность остановки nnHuman: в запросе API к Amazon Bedrock при использовании Claude. Это гарантирует, что вы получите только ответ от помощника, а не прогнозируемый следующий ответ от человека в цепочке диалога. Эти индикаторы nnHuman и nnAssistant не только помогают ограничить реакцию Клода на соответствующую информацию, но также помогают обеспечить четкое разграничение между основными человеческими действиями и реакциями помощника от других взаимодействий. Это особенно помогает при настройке подсказки с несколькими выстрелами, где вы можете иметь несколько запросов и ответов с запросами, помеченными nnHuman, и предыдущими ответами, помеченными nnAssistant. Давайте посмотрим на улучшенное приглашение и связанный с ним иллюстративный вызов API к Amazon Bedrock через Boto3 SDK.
Мы используем следующую подсказку:
Человек: создайте конвейер, использующий базу данных exampleCompany, которая извлекает всех активных клиентов.
Ассистент:
Вывод следующий:
Вот конвейер MongoDB для получения всех активных клиентов из базы данных exampleCompany:
pipeline = [ { '$match': { 'database': 'ExampleCompany', 'status': 'active' } } ] db.customers.aggregate(pipeline)
Ключевые шаги:
– `$match` для фильтрации документов только в базе данных exampleCompany и со статусом, равным «активному».
– `db.customers.aggregate()` запускает конвейер для коллекции клиентов и возвращает отфильтрованные результаты.
Таким образом, будут возвращены все документы клиентов из базы данных exampleCompany, где в поле статуса установлено значение «активный».
Обратите внимание, что в выводе Клод составляет ответ на наш вопрос без какого-либо контекста. Ответ потенциально полезен, но он не относится к проблеме, которую мы пытаемся решить, поскольку ему не хватает контекста. Также важно отметить, что Anthropic требует этого формата человека и помощника при использовании моделей Claude; если вы не включите этот шаг, Amazon Bedrock вернет ошибку.
Улучшение № 2: включите гиперспецифичный контекст для Клода, прежде чем ему скажут, что делать.
Claude работает лучше всего, когда ему дан хороший контекст о том, чего ему нужно достичь, а также о том, как он должен выполнить эту задачу. Вот несколько примеров того, что следует включить в качестве контекста для Клода, прежде чем передать ему задачу:
- Опишите должностную функцию, которую вы хотите, чтобы Клод выполнял. Делая это, вы заставляете Клода думать в роли человека, работающего на этой должности, или, скорее, в роли человека, которого только что наняли на эту конкретную должность. Это поможет Клоду сформулировать ответ с точки зрения конкретной должности, уменьшив галлюцинации и случайность в ответе.
- Включите технические подробности относительно выходного формата. Базовые модели, как правило, хорошо отслеживают действия, поэтому если попросить Клода сгенерировать выходные данные в определенном формате или схеме с одним или несколькими примерами, это поможет Клоду предоставить ответ в правильном формате, уменьшая необходимость в фильтрации и постобработке выходных данных. В примере в следующем приглашении показана воображаемая схема, соответствующая ожидаемому результату.
Давайте объединим эти предложения, чтобы улучшить исходное приглашение:
Человек: Ваша работа — выступать в роли эксперта по конвейерам ETL. В частности, ваша задача — создать JSON-представление конвейера ETL, которое будет обрабатывать предоставленный вам запрос пользователя.
Вывод JSON должен иметь следующий формат:
Вот ваша задача: создать конвейер, использующий базу данных exampleCompany, которая извлекает всех активных клиентов.
Ассистент:
Вывод следующий:
Вот JSON-представление конвейера ETL для получения всех активных клиентов из базы данных exampleCompany:
Этот конвейер использует базу данных exampleCompany и запрос SQL для выбора всех записей из таблицы клиентов, у которых статус «активен».
Благодаря добавлению контекста модель теперь может максимально приблизиться к нашему ответу. Теперь он знает, как структурировать выходные данные, и понимает, что для решения задачи необходимо написать оператор SQL. Однако вы заметите, что модель неправильно использует ожидаемую нами номенклатуру ec_prod.customers. Возможности для совершенствования! Также обратите внимание: на практике вам потребуется включить значительно больше контекста, чем мы предоставили в этом примере, для получения высококачественных результатов в случаях использования преобразования текста в конвейер.
Улучшение №3: включение примеров в теги XML.
Обучение за несколько шагов — это популярный способ повысить точность работы с FM, поскольку у вас есть соответствующие примеры, которые помогут FM в выполнении их задачи. Это особенно важно при работе с приложениями преобразования текста в конвейер, поскольку эти сверхспецифичные выходные данные конвейера обычно не включаются в какой-либо общедоступный набор данных, поскольку они специфичны для представления данных отдельного клиента. Используя Claude, вы можете воспользоваться его врожденным знанием произвольных тегов XML, чтобы предоставить эти примеры в формате нескольких кадров. В следующем улучшенном приглашении обратите внимание на добавление примеров, заключенных в XML-теги. Кроме того, вы можете использовать сокращения для человека и помощника с H и A, чтобы предоставить Клоду контекст, не заставляя его думать, что это конкретные фрагменты диалога, которые уже произошли.
Мы используем следующую подсказку:
Человек: Ваша работа — выступать в роли эксперта по конвейерам ETL. В частности, ваша задача — создать JSON-представление конвейера ETL, которое будет обрабатывать предоставленный вам запрос пользователя.
Вывод JSON должен иметь следующий формат:
Вот несколько примеров пользовательских запросов и связанных с ними выходных артефактов JSON, которые правильно решают поставленную задачу. Обязательно используйте ту же номенклатуру, которая представлена в примерах, если вы используете одни и те же базы данных.
H: запросить в базе данных exampleCompany все активные заказы для клиента № 1234.
A:
Причиной этого запроса является то, что клиент № 1234 отфильтрован, и мы ищем в таблице «заказы» любые существующие записи после «активного» фильтра.
H: удалить всех клиентов из базы данных exampleCompany, которые не были активны в течение последнего месяца.
A:
Причиной этого запроса является то, что таблица «ec_prod.customers» — единственная таблица в базе данных exampleCompany, содержащая записи о клиентах.
Вот ваша задача: создать конвейер, использующий базу данных exampleCompany, которая извлекает всех активных клиентов.
Ассистент:
Вывод следующий:
Вот представление JSON для конвейера ETL для получения всех активных клиентов из базы данных exampleCompany:
Обоснование таково:
База данных exampleCompany указана в качестве базы данных, которая будет использоваться.
Таблица ec_prod.customers содержит данные о клиентах.
Поле статуса указывает, активен ли клиент, поэтому запрос фильтруется только по активным клиентам.
Это должно получить все активные записи клиентов из базы данных exampleCompany. Дайте мне знать, если вам нужны какие-либо разъяснения или у вас есть дополнительные требования к конвейеру ETL!
Вывод JSON теперь имеет правильную номенклатуру базы данных, которую Клод смог использовать благодаря предоставленным нами примерам. Объединение индикаторов человека и помощника с тегами XML облегчает Клоду понимание того, в чем заключается задача и каков был ответ в аналогичных примерах с очень четким разделением между несколькими примерами с несколькими кадрами. Чем легче это понять Клоду, тем лучше и релевантнее будет ответ, что еще больше снижает вероятность галлюцинаций модели и предоставления случайных нерелевантных ответов.
Улучшение № 4: запуск Claude для начала генерации JSON с тегами XML
Небольшая проблема с приложениями преобразования текста в конвейер, использующими FM, заключается в необходимости точно проанализировать выходные данные результирующего текста, чтобы их можно было интерпретировать как код в последующих приложениях. Один из способов решить эту проблему с помощью Claude — воспользоваться преимуществами понимания XML-тегов и объединить их с настраиваемой последовательностью остановок. В следующем приглашении мы проинструктировали Клода заключить вывод в XML-теги. Затем мы добавили тег в конец приглашения. Это гарантирует, что первый текст, который выйдет из Claude, будет началом вывода JSON. Если вы этого не сделаете, Клод часто отвечает каким-нибудь разговорным текстом, а затем настоящим кодовым ответом. Поручив Клоду немедленно начать генерировать выходные данные, вы можете легко остановить генерацию, когда увидите закрывающуюся ярлык. Это показано в обновленном вызове API Boto3. Преимущества этой техники двояки. Во-первых, вы можете точно проанализировать ответ кода от Клода. Во-вторых, вы можете снизить затраты, поскольку Claude генерирует только выходные данные кода и не требует дополнительного текста. Это снижает затраты на Amazon Bedrock, поскольку с вас взимается плата за каждый токен, созданный на выходе всех FM.
Мы используем следующую подсказку:
Человек: Ваша работа — выступать в роли эксперта по конвейерам ETL. В частности, ваша задача — создать JSON-представление конвейера ETL, которое будет обрабатывать предоставленный вам запрос пользователя.
Вывод JSON должен иметь следующий формат:
Вот несколько примеров пользовательских запросов и связанных с ними выходных артефактов JSON, которые правильно решают поставленную задачу. Обязательно используйте ту же номенклатуру, которая представлена в примерах, если вы используете одни и те же базы данных.
H: запросить в базе данных exampleCompany все активные заказы для клиента № 1234.
A:
Причиной этого запроса является то, что клиент № 1234 отфильтрован, и мы ищем в таблице «заказы» любые существующие записи после «активного» фильтра.
H: удалить всех клиентов из базы данных exampleCompany, которые не были активны в течение последнего месяца.
A:
Причиной этого запроса является то, что таблица «ec_prod.customers» — единственная таблица в базе данных exampleCompany, содержащая записи о клиентах.
Всегда не забывайте заключать выходные данные JSON в теги.
Вот ваша задача: создать конвейер, использующий базу данных exampleCompany, которая извлекает всех активных клиентов.
Ассистент:
Мы используем следующий код:
body = json.dumps({"prompt": prompt, "stop_sequences": ['nnHuman:', '</json>']})
response = bedrock.invoke_model(
body=body,
modelId='anthropic.claude-v2'
)
Вывод следующий:
{ "database": "ExampleCompany", "query": "SELECT * FROM ec_prod.customers WHERE status = 'active'" }
Теперь мы получили ожидаемый результат, вернув только объект JSON! Используя этот метод, мы можем создать технический артефакт, который можно сразу использовать, а также снизить стоимость генерации за счет сокращения выходных токенов.
Заключение
Чтобы начать работу с SnapGPT сегодня, запросите бесплатная пробная версия SnapLogic or запросить демо-версию продукта. Если вы хотите использовать эти концепции для создания приложений сегодня, мы рекомендуем экспериментировать на практике с разделом быстрого проектирования в этой статье, используя тот же процесс для другого варианта использования поколения DSL, который подходит вашему бизнесу, и углубившись в Функции RAG, доступные через Amazon Bedrock.
SnapLogic и AWS смогли эффективно сотрудничать для создания усовершенствованного переводчика между человеческим языком и сложной схемой интеграционных конвейеров SnapLogic на базе Amazon Bedrock. На протяжении всего этого пути мы видели, как результаты, генерируемые с помощью Claude, могут быть улучшены в приложениях преобразования текста в конвейер с использованием специальных методов оперативного проектирования. AWS и SnapLogic рады продолжить сотрудничество в области генеративного искусственного интеллекта и надеются на будущее сотрудничество и инновации в этой быстро развивающейся сфере.
Об авторах
Грег Бенсон — профессор компьютерных наук в Университете Сан-Франциско и главный научный сотрудник SnapLogic. Он поступил на факультет компьютерных наук USF в 1998 году и преподавал курсы для студентов и аспирантов, включая операционные системы, компьютерную архитектуру, языки программирования, распределенные системы и вводное программирование. Грег опубликовал исследования в области операционных систем, параллельных вычислений и распределенных систем. С момента прихода в SnapLogic в 2010 году Грег помог спроектировать и реализовать несколько ключевых функций платформы, включая кластерную обработку, обработку больших данных, облачную архитектуру и машинное обучение. В настоящее время он работает над генеративным искусственным интеллектом для интеграции данных.
Аарон Кеслер Будучи старшим менеджером по продуктам и услугам искусственного интеллекта в SnapLogic, Аарон применяет более чем десятилетний опыт управления продуктами, чтобы стать пионером в разработке продуктов искусственного интеллекта и машинного обучения и пропагандировать услуги во всей организации. Он является автором будущей книги «В чем твоя проблема?» направлен на руководство новыми менеджерами по продуктам в карьере менеджера по продуктам. Его предпринимательский путь начался со стартапа в колледже STAK, который позже был приобретен компанией Carvertise, и Аарон внес значительный вклад в их признание как «Технологический стартап 2015 года» в Делавэре. Помимо своих профессиональных занятий, Аарон находит радость в игре в гольф со своим отцом, изучении новых культур и блюд во время путешествий, а также в игре на гавайской гитаре.
Рич Дилл — главный архитектор решений с опытом работы в различных областях специализации. Послужной список успеха, охватывающий многоплатформенное корпоративное программное обеспечение и SaaS. Хорошо известна тем, что превращает защиту интересов клиентов (выступая в качестве голоса клиента) в новые функции и продукты, приносящие доход. Доказанная способность выводить на рынок передовые продукты и завершать проекты в срок и в рамках бюджета в быстро меняющихся наземных и морских средах. Меня можно описать просто: ум учёного, сердце исследователя и душа художника.
Клэй Элмор — специалист по архитектуре решений AI/ML в AWS. Проведя много часов в лаборатории исследования материалов, его опыт в области химического машиностроения быстро ушел в прошлое, чтобы заняться машинным обучением. Он работал над приложениями машинного обучения во многих отраслях: от торговли энергией до гостиничного маркетинга. Текущая работа Клея в AWS сосредоточена на том, чтобы помочь клиентам внедрить методы разработки программного обеспечения в рабочие нагрузки машинного обучения и генеративного искусственного интеллекта, что позволяет клиентам создавать повторяемые, масштабируемые решения в этих сложных средах. В свободное время Клэй любит кататься на лыжах, собирать кубик Рубика, читать и готовить.
Сина Соджоуди — технологический руководитель, системный инженер, руководитель продукта, бывший основатель и консультант по стартапам. Он присоединился к AWS в марте 2021 года в качестве главного архитектора решений. Сина в настоящее время является ведущим архитектором решений независимого программного обеспечения на западе США. Он работает с компаниями-разработчиками программного обеспечения SaaS и B2B, чтобы строить и развивать свой бизнес на AWS. До своей должности в Amazon Сина был техническим руководителем в VMware и Pivotal Software (IPO в 2018 году, слияния и поглощения VMware в 2020 году), а также занимал несколько руководящих должностей, включая инженера-основателя в Xtreme Labs (основное приобретение в 2013 году). Сина посвятил последние 15 лет своего опыта работы созданию программных платформ и практик для предприятий, компаний-разработчиков программного обеспечения и государственного сектора. Он является лидером отрасли со страстью к инновациям. Сина получил степень бакалавра в Университете Ватерлоо, где он изучал электротехнику и психологию.
Сандип Рохилла — старший архитектор решений в AWS, занимающийся поддержкой клиентов независимых поставщиков программного обеспечения в западном регионе США. Он помогает клиентам разрабатывать решения с использованием контейнеров и генеративного искусственного интеллекта в облаке AWS. Сандип стремится понять бизнес-проблемы клиентов и помочь им достичь своих целей с помощью технологий. Он присоединился к AWS после более десяти лет работы в качестве архитектора решений, применив свой 17-летний опыт. Сандип имеет степень магистра. Степень бакалавра в области разработки программного обеспечения Университета Западной Англии в Бристоле, Великобритания.
Доктор Фарук Сабир является старшим специалистом по искусственному интеллекту и машинному обучению, архитектором решений в AWS. Он имеет степень доктора философии и магистра электротехники Техасского университета в Остине и степень магистра компьютерных наук Технологического института Джорджии. Он имеет более чем 15-летний опыт работы, а также любит учить и наставлять студентов колледжей. В AWS он помогает клиентам формулировать и решать их бизнес-задачи в области науки о данных, машинного обучения, компьютерного зрения, искусственного интеллекта, численной оптимизации и смежных областях. Живя в Далласе, штат Техас, он и его семья любят путешествовать и совершать длительные поездки.
- SEO-контент и PR-распределение. Получите усиление сегодня.
- PlatoData.Network Вертикальный генеративный ИИ. Расширьте возможности себя. Доступ здесь.
- ПлатонАйСтрим. Интеллект Web3. Расширение знаний. Доступ здесь.
- ПлатонЭСГ. Углерод, чистые технологии, Энергия, Окружающая среда, Солнечная, Управление отходами. Доступ здесь.
- ПлатонЗдоровье. Биотехнологии и клинические исследования. Доступ здесь.
- Источник: https://aws.amazon.com/blogs/machine-learning/how-snaplogic-built-a-text-to-pipeline-application-with-amazon-bedrock-to-translate-business-intent-into-action/
- :имеет
- :является
- :нет
- :куда
- $UP
- 10
- 100
- 121
- 14
- 15 лет
- 15%
- 150
- 17
- 1998
- 200
- 2010
- 2013
- 2015
- 2017
- 2018
- 2020
- 2021
- 31
- 33
- 7
- 8
- 9
- a
- Аарон
- способность
- в состоянии
- О нас
- доступ
- выполнять
- точность
- Достигать
- приобретенный
- приобретение
- через
- Действие (Act):
- Действие
- действия
- активный
- добавленный
- дополнение
- дополнительный
- продвинутый
- плюс
- советник
- пропаганда
- После
- AI
- Системы искусственного интеллекта
- Поддержка
- AI / ML
- Нацеленный
- Цель
- алгоритмы
- Все
- разрешено
- Позволяющий
- позволяет
- вдоль
- рядом
- уже
- причислены
- Amazon
- Amazon Web Services
- количество
- an
- анализ
- и
- ответ
- ответы
- Антропный
- любой
- API
- API
- Применение
- Приложения
- применяется
- подхода
- Программы
- арабский
- архитектура
- МЫ
- ПЛОЩАДЬ
- области
- около
- прибывший
- Искусство
- искусственный
- искусственный интеллект
- Искусственный интеллект и машинное обучение
- художник
- AS
- спросить
- спрашивающий
- помощник
- связанный
- At
- дополненная
- Остин
- автор
- автоматизировать
- Автоматизированный
- автоматически
- автоматизация
- доступен
- AWS
- Клиент AWS
- B2B
- фон
- поддержка
- Использование темпера с изогнутым основанием
- основанный
- Базовая линия
- BE
- медведь
- стали
- , так как:
- становиться
- было
- до
- начал
- начинать
- за
- не являетесь
- Преимущества
- ЛУЧШЕЕ
- Лучшая
- между
- Beyond
- большой
- Big Data
- книга
- изоферменты печени
- приносить
- Приведение
- Приносит
- Бристоль
- широкий
- широко
- бюджет
- строить
- Строительство
- строит
- построенный
- бизнес
- влияние на бизнес
- бизнес
- но
- by
- призывают
- под названием
- CAN
- возможности
- Карьера
- случаев
- случаев
- Центры
- цепь
- вызов
- шанс
- характеристика
- заряженный
- химический
- главный
- выбор
- Очистить
- тесно
- закрытие
- облако
- Кластер
- код
- Кодирование
- сотрудничало
- сотрудничество
- лыжных шлемов
- Колледж
- объединять
- сочетании
- выходит
- обязательство
- Компании
- Компании
- вынужденный
- завершение
- комплекс
- комплексный
- компьютер
- Информатика
- Компьютерное зрение
- вычисление
- понятия
- настройка
- Соединительный
- связи
- Коммутация
- последовательно
- Контейнеры
- содержит
- содержание
- контентного создание
- контекст
- продолжать
- контракт
- содействие
- диалоговый
- приготовление
- Основные
- исправить
- правильно
- Цена
- может
- курсы
- Создайте
- создали
- создание
- креативность
- критической
- Текущий
- В настоящее время
- изготовленный на заказ
- клиент
- Клиенты
- резки
- передовой
- Dallas
- данным
- Интеграция данных
- обработка данных
- наука о данных
- База данных
- базы данных
- Дней
- десятилетие
- снижение
- преданный
- глубоко
- более глубокий
- Делавэр
- Демо
- Демократизация
- Кафедра
- производная
- описывать
- описание
- Проект
- предназначенный
- желание
- желанный
- подробный
- подробнее
- застройщиков
- Развитие
- Устройства
- Диалог
- различный
- непосредственно
- распределенный
- распределенные системы
- дайвинг
- do
- Документация
- не
- дело
- доменов
- Dont
- вниз
- проект
- кардинально
- управлять
- два
- каждый
- легче
- Простейший
- легко
- экосистема
- фактически
- или
- электротехника
- элементы
- позволяет
- конец
- окончание
- энергетика
- инженер
- Проект и
- Англия
- Английский
- усиление
- достаточно
- обеспечивать
- обеспечивает
- Enter
- Предприятие
- корпоративное программное обеспечение
- Решения для предприятий
- предприятий
- Весь
- полностью
- предпринимательский
- средах
- равный
- Эквивалент
- ошибка
- особенно
- Эфир (ETH)
- Даже
- очевидный
- точно,
- пример
- Примеры
- Excel
- возбужденный
- исполнительный
- существующий
- ожидаемый
- ожидается
- опыт
- эксперту
- опыта
- исследователь
- Исследование
- дополнительно
- чрезвычайно
- семья
- стремительный
- быстрый темп
- Особенность
- Особенности
- несколько
- поле
- Поля
- фильтр
- фильтрация
- фильтры
- находит
- Во-первых,
- флагман
- поток
- Потоки
- Фокус
- фокусируется
- фокусировка
- следовать
- после
- следующим образом
- продукты
- Что касается
- набег
- Передний край
- формат
- формы
- вперед
- найденный
- Год основания
- учредительный
- Франциско
- дружественный
- от
- Выполнять
- полностью
- функция
- далее
- будущее
- получила
- в общем
- порождать
- генерируется
- генерирует
- порождающий
- поколение
- генеративный
- Генеративный ИИ
- ГРУЗИИ
- Технологический институт штата Джорджия
- получить
- GIF
- данный
- Go
- Цели
- идет
- хорошо
- выпускник
- Расти
- инструкция
- было
- рука
- Освоение
- Есть
- he
- Сердце
- помощь
- помог
- полезный
- помощь
- помогает
- здесь
- высокопроизводительный
- высококачественный
- основной момент
- его
- держать
- имеет
- гостеприимство
- ЧАСЫ
- Как
- How To
- Однако
- HTML
- HTTPS
- человек
- скромный
- идентифицированный
- if
- иллюстрировать
- немедленно
- Влияние
- эффектных
- осуществлять
- важную
- улучшать
- улучшенный
- улучшение
- in
- включают
- включены
- В том числе
- Увеличение
- независимые
- указывает
- индикаторы
- individual
- промышленности
- промышленность
- лидер отрасли
- информация
- врожденный
- инновации
- Инновации
- вход
- затраты
- мгновение
- вместо
- Институт
- инструкции
- интегрированный
- интеграции.
- интеграций
- Интеллекта
- Умный
- намерение
- взаимодействие
- интерактивный
- интерес
- Интерфейс
- в нашей внутренней среде,
- в
- выпустили
- Представляет
- вводный
- IPO
- ISV
- IT
- итерация
- итерации
- ЕГО
- Java
- работа
- присоединился
- присоединение
- совместная
- путешествие
- радость
- JPG
- JSON
- всего
- Основные
- Знать
- знания
- известный
- знает
- лаборатория
- Labs
- язык
- Языки
- большой
- Фамилия
- новее
- последний
- вести
- лидер
- Наша команда
- ведущий
- Leap
- узнали
- изучение
- оставил
- позволять
- Используя
- такое как
- нравится
- логика
- Длинное
- посмотреть
- серия
- любят
- М &
- машина
- обучение с помощью машины
- Продукция
- сделанный
- сделать
- ДЕЛАЕТ
- Создание
- управляемого
- управление
- менеджер
- Менеджеры
- способ
- вручную
- многих
- отображение
- Март
- рынок
- Маркетинг
- спички
- материалы
- me
- наставник
- меров
- Метаданные
- метод
- миллионы
- против
- минут
- Наша миссия
- ML
- модель
- Модели
- MongoDB
- БОЛЕЕ
- самых
- двигаться
- MS
- Мультиплатформенность
- с разными
- my
- имя
- натуральный
- Естественный язык
- Необходимость
- потребности
- Новые
- Новые функции
- новый продукт
- следующий
- нет
- в своих размышлениях
- ноутбуки
- Уведомление..
- сейчас
- объект
- объекты
- произошло
- of
- Предложения
- .
- on
- консолидировать
- ONE
- только
- операционный
- операционные системы
- оптимизация
- оптимизирующий
- or
- заказ
- заказы
- организация
- организации
- оригинал
- Другое
- наши
- внешний
- Результат
- выходной
- выходы
- за
- страниц
- Параллельные
- особенно
- партнер
- Партнерство
- страсть
- страстный
- мимо
- шаблон
- выполняет
- перспектива
- фаза
- кандидат наук
- штук
- пионер
- трубопровод
- основной
- Часть
- Платформа
- Платформы
- Платон
- Платон Интеллектуальные данные
- ПлатонДанные
- Популярное
- популярность
- После
- потенциал
- потенциально
- мощностью
- Питание
- практика
- практиками
- предсказывать
- предсказанный
- предыдущий
- первичный
- Основной
- политикой конфиденциальности.
- Конфиденциальность и безопасность
- Проблема
- проблемам
- процедуры
- процесс
- Процессы
- обработка
- Произведенный
- производит
- Продукт
- разработка продукта
- Управление продуктом
- Менеджер по продукции
- Продукция
- Продукты и услуги
- профессиональный
- Профессор
- Программирование
- языки программирования
- проектов
- наводящие
- доказанный
- обеспечивать
- при условии
- приводит
- обеспечение
- Психология
- что такое варган?
- опубликованный
- Опубликованные исследования
- преследовать
- Питон
- Запросы
- вопрос
- быстро
- случайный
- хаотичность
- ассортимент
- ранжирование
- быстро
- Reading
- реализовать
- область
- Получать
- недавно
- признание
- рекомендовать
- запись
- учет
- уменьшить
- снижает
- снижение
- по
- область
- переосмысление
- Связанный
- выпустил
- соответствующие
- складская
- полагаться
- помнить
- удаление
- оказываемых
- повторяемый
- ответ
- представление
- представляющий
- представляет
- запросить
- Запросы
- требовать
- обязательный
- Требования
- требуется
- исследованиям
- ответ
- ответы
- ОТДЫХ
- в результате
- Итоги
- возвращают
- Возвращает
- революционизировать
- Богатые
- правую
- Дорога
- Роли
- роли
- Комната
- Run
- работает
- SaaS
- Сохранность
- sagemaker
- Сказал
- то же
- Сан -
- Сан-Франциско
- масштаб
- масштабируемые
- Шкала
- график
- Наука
- Ученый
- поцарапать
- SDK
- поиск
- Во-вторых
- Раздел
- сектор
- безопасность
- посмотреть
- видел
- выберите
- отправка
- старший
- послать
- Последовательность
- служил
- обслуживание
- Услуги
- выступающей
- сессиях
- набор
- установка
- несколько
- должен
- показывать
- показанный
- Шоу
- существенно
- аналогичный
- просто
- упростить
- упрощение
- просто
- с
- одинарной
- небольшой
- So
- Software
- программное обеспечение как услуга
- Разработчики программного обеспечения
- разработка программного обеспечения
- разработка программного обеспечения
- Решение
- Решения
- РЕШАТЬ
- Решение
- некоторые
- Кто-то
- сложный
- Soul
- Источник
- Space
- Испанский
- напряженность
- специалист
- конкретный
- конкретно
- указанный
- тратить
- Расходы
- SQL
- Начало
- и политические лидеры
- ввод в эксплуатацию
- заявление
- Статус:
- Шаг
- Шаги
- Stop
- простой
- Структура
- Студенты
- учился
- успех
- поддержки
- Поддержка
- предполагаемый
- Убедитесь
- система
- системы
- ТАБЛИЦЫ
- TAG
- взять
- цель
- Сложность задачи
- задачи
- учил
- команда
- команды
- технологии
- технология запуска
- Технический
- техника
- снижения вреда
- Технологии
- сказать
- 10
- Техас
- текст
- чем
- который
- Ассоциация
- Запад,
- мир
- их
- Их
- тогда
- Эти
- они
- вещи
- think
- этой
- те
- Через
- по всему
- время
- в
- сегодня
- знак
- Лексемы
- заявил
- приняли
- инструментом
- прослеживать
- трек
- Торговля
- Традиционно
- Обучение
- преобразующей
- прообразы
- переведите
- путешествовать
- путешествия
- трендов
- суд
- вызвать
- срабатывание
- правда
- Настоящий код
- пытается
- Поворот
- напишите
- ui
- Uk
- под
- понимать
- понимание
- понимает
- созданного
- Университет
- до
- представила
- Предстоящие
- обновление
- на
- us
- годный к употреблению
- использование
- прецедент
- используемый
- Информация о пользователе
- Пользовательский опыт
- пользователей
- использования
- через
- обычно
- ux
- различный
- поставщики
- очень
- с помощью
- видение
- визуальный
- VMware
- Режимы
- хотеть
- законопроект
- Путь..
- we
- Web
- веб-сервисы
- Недели
- ЧТО Ж
- были
- запад
- Что
- Что такое
- когда
- который
- широкий
- Широкий диапазон
- будете
- окно
- без
- Работа
- работавший
- рабочий
- Рабочие процессы
- работает
- работает
- Мир
- мире
- бы
- записывать
- XML
- год
- лет
- являетесь
- ВАШЕ
- YouTube
- зефирнет