Ta objava je bila napisana skupaj z Gregom Bensonom, glavnim znanstvenikom; Aaron Kesler, višji produktni vodja; in Rich Dill, arhitekt za podjetniške rešitve iz SnapLogic.
Veliko strank gradi generativne aplikacije AI Amazon Bedrock in Amazon Code Whisperer za ustvarjanje artefaktov kode na podlagi naravnega jezika. Ta primer uporabe poudarja, kako veliki jezikovni modeli (LLM) lahko postanejo prevajalnik med človeškimi jeziki (angleščina, španščina, arabščina in drugi) in jeziki, ki jih je mogoče strojno razlagati (Python, Java, Scala, SQL in tako naprej), skupaj s sofisticiranimi notranje sklepanje. Ta nova zmožnost v LLM-jih je prisilila razvijalce programske opreme, da uporabljajo LLM-je kot orodje za avtomatizacijo in izboljšavo uporabniške izkušnje, ki pretvori naravni jezik v jezik, specifičen za domeno (DSL): sistemska navodila, zahteve API-ja, artefakte kode in drugo. V tej objavi vam pokažemo, kako SnapLogic, stranka AWS, je uporabila Amazon Bedrock za napajanje svojih SnapGPT izdelka z avtomatiziranim ustvarjanjem teh kompleksnih artefaktov DSL iz človeškega jezika.
Ko stranke ustvarijo objekte DSL iz LLM-jev, je nastali DSL natančna replika ali izpeljanka obstoječih podatkov in sheme vmesnika, ki tvori pogodbo med uporabniškim vmesnikom in poslovno logiko v podporni storitvi. Ta vzorec je še posebej priljubljen pri neodvisnih ponudnikih programske opreme (ISV) in ISV programske opreme kot storitve (SaaS) zaradi njihovega edinstvenega načina predstavljanja konfiguracij s kodo in želje po poenostavitvi uporabniške izkušnje za svoje stranke. Primeri uporabe vključujejo:
Najbolj enostaven način za gradnjo in prilagajanje aplikacij besedila v cevovod z LLM-ji na AWS je uporaba Amazon Bedrock. Amazon Bedrock je najpreprostejši način za gradnjo in povečanje generativnih aplikacij AI s temeljnimi modeli (FM). To je popolnoma upravljana storitev, ki ponuja dostop do izbire visoko zmogljivih temeljnih FM-jev vodilnih AI prek enega samega API-ja, skupaj s širokim naborom zmogljivosti, ki jih potrebujete za izdelavo generativnih aplikacij AI z zasebnostjo in varnostjo. Anthropic, varnostni in raziskovalni laboratorij za umetno inteligenco, ki gradi zanesljive, razložljive in vodljive sisteme za umetno inteligenco, je eno od vodilnih podjetij za umetno inteligenco, ki ponuja dostop do njihovega najsodobnejšega LLM, Clauda, na Amazon Bedrock. Claude je LLM, ki se odlikuje po številnih nalogah, od premišljenega dialoga, ustvarjanja vsebine, zapletenega razmišljanja, ustvarjalnosti in kodiranja. Anthropic ponuja modele Claude in Claude Instant, ki so vsi na voljo prek Amazon Bedrock. Claude je hitro pridobil priljubljenost v teh aplikacijah za pretvorbo besedila v cevovod zaradi svoje izboljšane zmožnosti razmišljanja, ki mu omogoča odličnost pri reševanju dvoumnih tehničnih problemov. Claude 2 na Amazon Bedrock podpira kontekstno okno s 100,000 žetoni, kar je enako približno 200 stranem angleškega besedila. To je še posebej pomembna funkcija, na katero se lahko zanesete, ko gradite aplikacije za pretvorbo besedila v cevovod, ki zahtevajo zapleteno razmišljanje, podrobna navodila in izčrpne primere.
Ozadje SnapLogic
SnapLogic je stranka AWS na misiji prinesti avtomatizacijo podjetij v svet. SnapLogic Intelligent Integration Platform (IIP) omogoča organizacijam, da uresničijo avtomatizacijo v celotnem podjetju s povezovanjem njihovega celotnega ekosistema aplikacij, baz podatkov, velikih podatkov, strojev in naprav, API-jev in še več z vnaprej vgrajenimi inteligentnimi priključki, imenovanimi Snaps. SnapLogic je pred kratkim izdal funkcijo, imenovano SnapGPT, ki ponuja besedilni vmesnik, kjer lahko v preprostem človeškem jeziku vnesete želeni integracijski cevovod, ki ga želite ustvariti. SnapGPT uporablja Anthropicov model Claude prek Amazon Bedrock za avtomatizacijo ustvarjanja teh integracijskih cevovodov kot kode, ki se nato uporabijo prek vodilne integracijske rešitve SnapLogic. Vendar pa je bila pot SnapLogic do SnapGPT vrhunec mnogih let delovanja v prostoru umetne inteligence.
Pot SnapLogic z umetno inteligenco
Na področju integracijskih platform je SnapLogic vedno v ospredju, saj izkorišča transformativno moč umetne inteligence. Z leti je zavezanost podjetja k inovacijam z umetno inteligenco postala očitna, zlasti če sledimo poti od Iris do Samodejna povezava.
Skromni začetki z Iris
Leta 2017 je SnapLogic predstavil Iris, prvega pomočnika za integracijo, ki temelji na AI. Iris je bil zasnovan za uporabo algoritmov strojnega učenja (ML) za napovedovanje naslednjih korakov pri izgradnji podatkovnega cevovoda. Z analizo milijonov metapodatkovnih elementov in podatkovnih tokov bi lahko Iris uporabnikom podajal inteligentne predloge, demokratiziral integracijo podatkov in omogočil ustvarjanje zapletenih delovnih tokov celo tistim brez globokega tehničnega znanja.
AutoLink: Gradimo zagon
Na podlagi uspeha in izkušenj pri Iris je SnapLogic uvedel AutoLink, funkcijo, katere namen je dodatno poenostaviti postopek preslikave podatkov. Dolgočasno opravilo ročnega preslikave polj med izvornim in ciljnim sistemom je s funkcijo AutoLink postalo preprosto. Z uporabo umetne inteligence je AutoLink samodejno prepoznal in predlagal potencialna ujemanja. Integracije, ki so nekoč trajale ure, je bilo mogoče zagnati v pičlih minutah.
Generativni preskok s SnapGPT
Najnovejši napad SnapLogic na področju umetne inteligence nam prinaša SnapGPT, katerega namen je še bolj spremeniti integracijo. SnapLogic s SnapGPT predstavlja prvo rešitev generativne integracije na svetu. Ne gre samo za poenostavitev obstoječih procesov, ampak za popolnoma novo zasnovo oblikovanja integracij. Moč generativne umetne inteligence lahko ustvari celotne integracijske cevovode iz nič, optimizira potek dela na podlagi želenega rezultata in značilnosti podatkov.
SnapGPT ima izjemen vpliv na stranke SnapLogic, saj lahko drastično skrajšajo čas, potreben za ustvarjanje svojega prvega cevovoda SnapLogic. Tradicionalno bi morale stranke SnapLogic porabiti dneve ali tedne za konfiguriranje integracijskih cevovodov iz nič. Zdaj lahko te stranke preprosto prosijo SnapGPT, da na primer "ustvari cevovod, ki bo vse moje aktivne stranke SFDC premaknil na WorkDay." Delujoč prvi osnutek cevovoda je samodejno ustvarjen za to stranko, kar drastično skrajša razvojni čas, potreben za ustvarjanje osnove njihovega integracijskega cevovoda. To končnemu kupcu omogoča, da porabi več časa za osredotočanje na tisto, kar ima zanj pravi poslovni vpliv, namesto da bi delal na konfiguracijah integracijskega cevovoda. Naslednji primer prikazuje, kako lahko stranka SnapLogic vnese opis v funkcijo SnapGPT za hitro ustvarjanje cevovoda z uporabo naravnega jezika.
AWS in SnapLogic sta tesno sodelovala med gradnjo tega izdelka in se ob tem veliko naučila. Preostanek te objave se bo osredotočil na tehnična spoznanja, ki sta jih AWS in SnapLogic pridobila pri uporabi LLM-jev za aplikacije besedila v cevovod.
Pregled rešitev
Za rešitev te težave s pretvorbo besedila v cevovod sta AWS in SnapLogic oblikovala celovito rešitev, prikazano v naslednji arhitekturi.
Zahteva za SnapGPT gre skozi naslednji potek dela:
- Uporabnik odda opis v aplikacijo.
- SnapLogic uporablja pristop RAG (Retrieval Augmented Generation) za pridobivanje ustreznih primerov cevovodov SnapLogic, ki so podobni zahtevi uporabnika.
- Ti ekstrahirani ustrezni primeri so združeni z uporabniškim vnosom in gredo skozi predhodno obdelavo besedila, preden so poslani Claudu na Amazon Bedrock.
- Claude ustvari artefakt JSON, ki predstavlja cevovod SnapLogic.
- Artefakt JSON je neposredno integriran v osrednjo integracijsko platformo SnapLogic.
- Cevovod SnapLogic je uporabniku upodobljen na vizualno prijazen način.
Z različnimi eksperimenti med AWS in SnapLogic smo ugotovili, da je hiter inženirski korak diagrama rešitve izjemno pomemben za generiranje visokokakovostnih izhodov za te izhode besedila v cevovod. Naslednji razdelek se podrobneje seznani z nekaterimi specifičnimi tehnikami, ki jih Claude uporablja v tem prostoru.
Hitro eksperimentiranje
Skozi celotno razvojno fazo SnapGPT sta AWS in SnapLogic ugotovila, da je hitro ponavljanje pozivov, poslanih Claudu, ključna razvojna naloga za izboljšanje natančnosti in ustreznosti izhodov besedila v cevovod v izhodih SnapLogic. Z uporabo Amazon SageMaker Studio interaktivnih zvezkov sta ekipi AWS in SnapLogic lahko hitro obdelali različne različice pozivov z uporabo Povezava Boto3 SDK z Amazon Bedrock. Razvoj, ki temelji na prenosnem računalniku, je ekipam omogočil hitro ustvarjanje povezav na strani odjemalca z Amazon Bedrock, vključitev besedilnih opisov poleg kode Python za pošiljanje pozivov v Amazon Bedrock in izvedbo skupnih sej inženiringa s pozivi, kjer so bile iteracije narejene hitro med več osebami.
Anthropic Claude hitre inženirske metode
V tem razdelku opisujemo nekaj iterativnih tehnik, ki smo jih uporabili za ustvarjanje visoko zmogljivega poziva na podlagi nazorne zahteve uporabnika: "Naredite cevovod, ki uporablja bazo podatkov ExampleCompany, ki pridobi vse aktivne stranke." Upoštevajte, da ta primer ni shema, ki jo poganja SnapGPT, in se uporablja samo za ponazoritev aplikacije za pretvorbo besedila v cevovod.
Za osnovo našega hitrega inženiringa uporabljamo naslednji izvirni poziv:
Naredite cevovod, ki uporablja bazo podatkov ExampleCompany, ki pridobi vse aktivne stranke
Pričakovani rezultat je naslednji:
{ "database": "ExampleCompany", "query": "SELECT * FROM ec_prod.customers WHERE status = 'active'" }
Izboljšava št. 1: Uporaba opomb Človek in Pomočnik
Claudov postopek usposabljanja uči FM razumeti dialog med človekom in pomočnikom v njegovi hitri strukturi. Uporabniki Clauda lahko izkoristijo to strukturo tako, da končajo svoj poziv v pomočniku:, kar bo sprožilo Clauda, da začne generirati odgovor na poizvedbo na podlagi tega, kar je povedal človek. Upoštevajte, da ker bo Claude še naprej generiral besedilo, dokler mu ne bo ukazano, naj se ustavi, se prepričajte, da uporabljate zaustavitveno zaporedje nnHuman: v zahtevi API za Amazon Bedrock, ko uporabljate Claude. To bo zagotovilo, da boste prejeli samo odgovor od pomočnika in ne predvidenega naslednjega odgovora od človeka v verigi dialoga. Ti kazalniki nnHuman in nnAssistant ne pomagajo samo pri omejevanju Claudovega odziva na ustrezne informacije, ampak pomagajo tudi pri zagotavljanju jasne razmejitve med primarnimi človeškimi vložki in odzivi pomočnikov iz drugih interakcij. To še posebej pomaga pri nastavitvi nekajkratnih pozivov, kjer imate lahko več poizvedb in odgovorov s poizvedbami, označenimi z nnHuman, in prejšnjimi odgovori, označenimi z nnAssistant. Oglejmo si izboljšan poziv in povezan ilustrativni klic API-ja za Amazon Bedrock prek Boto3 SDK.
Uporabljamo naslednji poziv:
Človek: Ustvarite cevovod, ki uporablja zbirko podatkov ExampleCompany, ki pridobi vse aktivne stranke
Pomočnik:
Izhod je naslednji:
Tukaj je cevovod MongoDB za pridobivanje vseh aktivnih strank iz baze podatkov ExampleCompany:
pipeline = [ { '$match': { 'database': 'ExampleCompany', 'status': 'active' } } ] db.customers.aggregate(pipeline)
Ključni koraki so:
– `$match` za filtriranje dokumentov samo na tiste v zbirki podatkov ExampleCompany in s statusom, ki je enak »aktivno«.
– `db.customers.aggregate()` zažene cevovod v zbirki strank in vrne filtrirane rezultate.
To bo torej vrnilo vse dokumente strank iz baze podatkov ExampleCompany, kjer je statusno polje nastavljeno na »aktivno«.
Opazite, kako si Claude v rezultatu izmisli odgovor na naše vprašanje brez konteksta. Odgovor je lahko koristen, vendar ni specifičen za težavo, ki jo poskušamo rešiti, ker ni opremljen z dovolj konteksta. Pomembno je tudi omeniti, da Anthropic pri uporabi modelov Claude zahteva ta format za človeka in pomočnika; če tega koraka ne vključite, bo Amazon Bedrock vrnil napako.
Izboljšava št. 2: Vključite zelo specifičen kontekst za Clauda, preden se mu pove, kaj naj naredi
Claude se najbolje obnese, če ima dober kontekst o tem, kaj mora doseči, in kako naj bi to nalogo izpolnil. Tukaj je nekaj primerov stvari, ki jih vključite kot kontekst za Clauda, preden mu zaupate nalogo:
- Opišite delovno funkcijo, za katero želite, da jo Claude opravlja. S tem spodbudite Clauda, da razmišlja v vlogi nekoga, ki dela na tem delovnem mestu, ali bolj kot nekoga, ki je pravkar zaposlen v tej posebni delovni vlogi. To bo Claudu pomagalo oblikovati odgovor z vidika te posebne delovne vloge, kar bo zmanjšalo halucinacije in naključje v odgovoru.
- Vključite tehnične podrobnosti glede izhodnega formata. Temeljni modeli so na splošno dobri pri sledenju dejanjem, zato če Clauda prosite, naj ustvari izhod v določenem formatu ali shemi z enim ali nekaj primeri, bo Claudu pomagal zagotoviti odgovor v pravem formatu, kar bo zmanjšalo potrebo po filtriranju in naknadni obdelavi izhoda. Primer v naslednjem pozivu prikazuje fiktivno shemo, ki se ujema s pričakovanim rezultatom.
Združimo te predloge, da izboljšamo prvotni poziv:
Človek: Vaša naloga je, da delujete kot strokovnjak za cevovode ETL. Natančneje, vaša naloga je ustvariti predstavitev JSON cevovoda ETL, ki bo rešil zahtevo uporabnika, ki vam je bila posredovana.
Izhod JSON mora biti v naslednji obliki:
Tukaj je vaša naloga: naredite cevovod, ki uporablja bazo podatkov ExampleCompany, ki pridobi vse aktivne stranke
Pomočnik:
Izhod je naslednji:
Tukaj je predstavitev cevovoda ETL v obliki JSON za pridobivanje vseh aktivnih strank iz baze podatkov ExampleCompany:
Ta cevovod uporablja bazo podatkov ExampleCompany in poizvedbo SQL za izbiro vseh zapisov iz tabele strank, kjer je status »aktiven«.
Z dodatkom konteksta lahko model zdaj pripelje večino poti do našega odgovora. Zdaj ve, kako strukturirati izhod, in razume, da mora za rešitev naloge napisati stavek SQL. Vendar boste opazili, da model ne uporablja pravilno nomenklature ec_prod.customers, ki jo pričakujemo. Prostor za izboljšave! Upoštevajte tudi, da boste v praksi morali za visokokakovostne rezultate v primerih uporabe besedila v cevovod vključiti bistveno več konteksta od tistega, kar smo zagotovili v tem primeru.
Izboljšava št. 3: vključevanje primerov v oznake XML
Nekajkratno učenje je priljubljen način za povečanje natančnosti s FM-ji, kjer imate ustrezne primere za usmerjanje FM-jev pri njihovi nalogi. To je še posebej pomembno pri delu v aplikacijah za pretvorbo besedila v cevovod, ker ti hiperspecifični izhodi cevovoda običajno niso vključeni v noben javni nabor podatkov, ker so specifični za predstavitev podatkov posamezne stranke. Ko uporabljate Claude, lahko izkoristite njegovo prirojeno znanje o poljubnih oznakah XML, da zagotovite te primere v obliki nekaj posnetkov. V naslednjem izboljšanem pozivu opazite dodatke primerov, priloženih v oznake XML. Uporabite lahko tudi okrajšave za človeka in pomočnika s H in A, da Claudu zagotovite kontekst, ne da bi mislil, da gre za posebne dele dialoga, ki se je že zgodil.
Uporabljamo naslednji poziv:
Človek: Vaša naloga je, da delujete kot strokovnjak za cevovode ETL. Natančneje, vaša naloga je ustvariti predstavitev JSON cevovoda ETL, ki bo rešil zahtevo uporabnika, ki vam je bila posredovana.
Izhod JSON mora biti v naslednji obliki:
Tukaj je nekaj primerov uporabniških zahtev in povezanih izhodnih artefaktov JSON, ki pravilno rešujejo ponujeno nalogo. Prepričajte se, da uporabljate isto nomenklaturo, ki je navedena v primerih, če uporabljate iste baze podatkov.
H: v zbirki podatkov ExampleCompany poizvedite morebitna aktivna naročila za stranko št. 1234
A:
Razlog za to poizvedbo je, da je stranka št. 1234 filtrirana in v tabeli »naročil« iščemo vse obstoječe zapise po »aktivnem« filtru.
H: odstranite vse stranke v bazi podatkov ExampleCompany, ki v zadnjem mesecu niso bile aktivne
A:
Razlog za to poizvedbo je, da je tabela »ec_prod.customers« edina tabela v zbirki podatkov ExampleCompany, ki vsebuje zapise strank.
Tukaj je vaša naloga: naredite cevovod, ki uporablja bazo podatkov ExampleCompany, ki pridobi vse aktivne stranke.
Pomočnik:
Izhod je naslednji:
Tukaj je predstavitev JSON za cevovod ETL za pridobivanje vseh aktivnih strank iz baze podatkov ExampleCompany:
Obrazložitev je:
Baza podatkov ExampleCompany je podana kot baza podatkov za uporabo
Tabela ec_prod.customers vsebuje podatke o strankah
Polje statusa označuje, ali je stranka aktivna, tako da poizvedba filtrira samo za aktivne stranke
To bi moralo pridobiti vse aktivne zapise o strankah iz baze podatkov ExampleCompany. Sporočite mi, če potrebujete pojasnilo ali imate dodatne zahteve za cevovod ETL!
Izhod JSON ima zdaj pravilno nomenklaturo baze podatkov, ki jo je Claude lahko uporabil zaradi primerov, ki smo jih zagotovili. S povezovanjem indikatorjev za ljudi in pomočnike z oznakami XML Claude lažje razume, kaj je naloga in kakšen je bil odgovor v podobnih primerih z zelo jasno ločitvijo med več primeri z nekaj posnetki. Lažje ko ga Claude razume, boljši in ustreznejši bo odgovor, kar dodatno zmanjša možnost, da bi model haluciniral in zagotovil naključne nepomembne odgovore.
Izboljšava št. 4: Sproži Clauda, da začne generirati JSON z oznakami XML
Majhen izziv pri aplikacijah za pretvorbo besedila v cevovod, ki uporabljajo FM, je potreba po natančnem razčlenjevanju izhoda iz nastalega besedila, tako da ga je mogoče interpretirati kot kodo v nadaljnji aplikaciji. Eden od načinov, kako to rešiti s Claudeom, je, da izkoristite njegovo razumevanje oznak XML in to združite z zaporedjem zaustavitev po meri. V naslednjem pozivu smo Claudu naročili, naj priloži izhod oznake XML. Nato smo dodali oznako do konca poziva. To zagotavlja, da bo prvo besedilo, ki ga izda Claude, začetek izhoda JSON. Če tega ne storite, se Claude pogosto odzove z nekaj pogovornega besedila, nato pa z odgovorom s pravo kodo. Če naročite Claudu, naj takoj začne generirati izhod, lahko enostavno ustavite generiranje, ko vidite zaključek oznaka. To je prikazano v posodobljenem klicu API-ja Boto3. Prednosti te tehnike so dvojne. Prvič, lahko natančno razčlenite odgovor kode Clauda. Drugič, lahko zmanjšate stroške, ker Claude ustvari samo izhodne kode in brez dodatnega besedila. To zmanjša stroške na Amazon Bedrock, ker vam zaračunamo vsak žeton, ki je proizveden kot izhod iz vseh FM.
Uporabljamo naslednji poziv:
Človek: Vaša naloga je, da delujete kot strokovnjak za cevovode ETL. Natančneje, vaša naloga je ustvariti predstavitev JSON cevovoda ETL, ki bo rešil zahtevo uporabnika, ki vam je bila posredovana.
Izhod JSON mora biti v naslednji obliki:
Tukaj je nekaj primerov uporabniških zahtev in povezanih izhodnih artefaktov JSON, ki pravilno rešujejo ponujeno nalogo. Prepričajte se, da uporabljate isto nomenklaturo, ki je navedena v primerih, če uporabljate iste baze podatkov.
H: v zbirki podatkov ExampleCompany poizvedite morebitna aktivna naročila za stranko št. 1234
A:
Razlog za to poizvedbo je, da je stranka št. 1234 filtrirana in v tabeli »naročil« iščemo vse obstoječe zapise po »aktivnem« filtru.
H: odstranite vse stranke v bazi podatkov ExampleCompany, ki v zadnjem mesecu niso bile aktivne
A:
Razlog za to poizvedbo je, da je tabela »ec_prod.customers« edina tabela v zbirki podatkov ExampleCompany, ki vsebuje zapise strank.
Vedno ne pozabite priložiti svojih izhodov JSON oznake.
Tukaj je vaša naloga: naredite cevovod, ki uporablja bazo podatkov ExampleCompany, ki pridobi vse aktivne stranke.
Pomočnik:
Uporabljamo naslednjo kodo:
body = json.dumps({"prompt": prompt, "stop_sequences": ['nnHuman:', '</json>']})
response = bedrock.invoke_model(
body=body,
modelId='anthropic.claude-v2'
)
Izhod je naslednji:
{ "database": "ExampleCompany", "query": "SELECT * FROM ec_prod.customers WHERE status = 'active'" }
Zdaj smo prispeli do pričakovanega izhoda z vrnjenim samo objektom JSON! Z uporabo te metode lahko ustvarimo takoj uporaben tehnični artefakt in zmanjšamo stroške generiranja z zmanjšanjem izhodnih žetonov.
zaključek
Če želite danes začeti uporabljati SnapGPT, zahtevajte a brezplačen preizkus SnapLogic or zahtevajte predstavitev izdelka. Če bi radi te koncepte uporabili za gradnjo aplikacij danes, priporočamo praktično eksperimentiranje z razdelkom o hitrem inženiringu v tej objavi, z uporabo istega toka v drugem primeru uporabe generacije DSL, ki ustreza vašemu poslu, in poglobljenim poglabljanjem v Funkcije RAG, ki so na voljo prek Amazon Bedrock.
SnapLogic in AWS sta lahko učinkovito sodelovala pri izdelavi naprednega prevajalnika med človeškim jezikom in kompleksno shemo cevovodov integracije SnapLogic, ki jih poganja Amazon Bedrock. Na tem potovanju smo videli, kako je mogoče izhodne podatke, ustvarjene s programom Claude, izboljšati v aplikacijah za pretvorbo besedila v cevovod z uporabo posebnih hitrih inženirskih tehnik. AWS in SnapLogic sta navdušena nad nadaljevanjem tega partnerstva v Generative AI in se veselita prihodnjega sodelovanja in inovacij v tem hitro razvijajočem se prostoru.
O avtorjih
Greg Benson je profesor računalništva na Univerzi v San Franciscu in glavni znanstvenik pri SnapLogic. Oddelku za računalništvo USF se je pridružil leta 1998 in je poučeval dodiplomske in podiplomske tečaje, vključno z operacijskimi sistemi, računalniško arhitekturo, programskimi jeziki, porazdeljenimi sistemi in uvodnim programiranjem. Greg je objavil raziskave na področjih operacijskih sistemov, vzporednega računalništva in porazdeljenih sistemov. Odkar se je leta 2010 pridružil podjetju SnapLogic, je Greg pomagal oblikovati in implementirati več ključnih funkcij platforme, vključno z obdelavo gruče, obdelavo velikih podatkov, arhitekturo v oblaku in strojnim učenjem. Trenutno dela na Generative AI za integracijo podatkov.
Aaron Kesler je višji produktni vodja za izdelke in storitve AI pri SnapLogic, Aaron uporablja več kot deset let strokovnega znanja o upravljanju izdelkov za pionirski razvoj izdelkov AI/ML in širjenje storitev v celotni organizaciji. Je avtor prihajajoče knjige "What's Your Problem?" namenjeno vodenju novih produktnih menedžerjev skozi kariero produktnega menedžmenta. Njegova podjetniška pot se je začela z njegovim študentskim startupom STAK, ki ga je kasneje prevzel Carvertise, Aaron pa je pomembno prispeval k njihovemu priznanju za tehnološki startup leta 2015 v Delawareu. Poleg poklicnega udejstvovanja Aaron najde veselje v igranju golfa z očetom, raziskovanju novih kultur in hrane na svojih potovanjih ter vadbi ukulele.
Rich Dill je glavni arhitekt rešitev z izkušnjami na številnih področjih specializacije. Referenčni uspeh, ki obsega večplatformsko programsko opremo za podjetja in SaaS. Dobro znan po spreminjanju zagovorništva strank (ki služi kot glas stranke) v nove funkcije in izdelke, ki ustvarjajo prihodke. Dokazana zmožnost popeljati vrhunske izdelke na trg in dokončati projekte v roku in pod proračunom v hitro razvijajočih se okoljih na kopnem in na morju. Preprost način, da me opišete: um znanstvenika, srce raziskovalca in duša umetnika.
Clay Elmore je specialist za rešitve AI/ML pri AWS. Potem ko je veliko ur preživel v laboratoriju za raziskovanje materialov, je svoje ozadje kemijskega inženiringa hitro pustil za seboj in se posvetil svojemu zanimanju za strojno učenje. Delal je na aplikacijah ML v številnih različnih panogah, od trgovanja z energijo do trženja v gostinstvu. Clayevo trenutno delo pri AWS je osredotočeno na pomoč strankam pri prenosu praks razvoja programske opreme v ML in generativne delovne obremenitve umetne inteligence, kar strankam omogoča izgradnjo ponovljivih, razširljivih rešitev v teh kompleksnih okoljih. V prostem času Clay rad smuča, rešuje Rubikove kocke, bere in kuha.
Sina Sojoodi je tehnološki izvršni direktor, sistemski inženir, produktni vodja, nekdanji ustanovitelj in svetovalec pri zagonu. AWS se je pridružil marca 2021 kot glavni arhitekt rešitev. Sina je trenutno vodilni arhitekt rešitev ISV za območje ZDA-Zahod. Sodeluje s podjetji programske opreme SaaS in B2B pri gradnji in rasti njihovih podjetij na AWS. Pred svojo vlogo pri Amazonu je bil Sina tehnološki izvršni direktor pri VMware in Pivotal Software (IPO leta 2018, VMware M&A leta 2020) in opravljal več vodilnih vlog, vključno z ustanovnim inženirjem pri Xtreme Labs (prevzem Pivotal leta 2013). Sina je zadnjih 15 let svojih delovnih izkušenj posvetil izgradnji programskih platform in praks za podjetja, podjetja s programsko opremo in javni sektor. Je vodilni v industriji s strastjo do inovacij. Sina je diplomiral na Univerzi Waterloo, kjer je študiral elektrotehniko in psihologijo.
Sandeep Rohilla je višji arhitekt rešitev pri AWS, ki podpira stranke ISV v zahodni regiji ZDA. Osredotoča se na pomoč strankam pri načrtovanju rešitev, ki izkoriščajo vsebnike in generativno umetno inteligenco v oblaku AWS. Sandeep je navdušen nad razumevanjem poslovnih težav strank in jim s tehnologijo pomaga doseči njihove cilje. AWS se je pridružil po več kot desetletju dela kot arhitekt rešitev, s čimer je prinesel svoje 17-letne izkušnje. Sandeep ima magisterij. doktoriral iz programskega inženiringa na Univerzi Zahodne Anglije v Bristolu v Veliki Britaniji.
Dr. Farooq Sabir je višji strokovnjak za rešitve za umetno inteligenco in strojno učenje pri AWS. Ima doktorat in magisterij iz elektrotehnike na Univerzi v Teksasu v Austinu in magisterij iz računalništva na Georgia Institute of Technology. Ima več kot 15 let delovnih izkušenj, rad pa tudi poučuje in mentorira študente. Pri AWS strankam pomaga oblikovati in reševati njihove poslovne probleme na področju podatkovne znanosti, strojnega učenja, računalniškega vida, umetne inteligence, numerične optimizacije in sorodnih področij. S sedežem v Dallasu v Teksasu on in njegova družina radi potujejo in se odpravijo na dolga potovanja.
- Distribucija vsebine in PR s pomočjo SEO. Okrepite se še danes.
- PlatoData.Network Vertical Generative Ai. Opolnomočite se. Dostopite tukaj.
- PlatoAiStream. Web3 Intelligence. Razširjeno znanje. Dostopite tukaj.
- PlatoESG. Ogljik, CleanTech, Energija, Okolje, sončna energija, Ravnanje z odpadki. Dostopite tukaj.
- PlatoHealth. Obveščanje o biotehnologiji in kliničnih preskušanjih. Dostopite tukaj.
- vir: https://aws.amazon.com/blogs/machine-learning/how-snaplogic-built-a-text-to-pipeline-application-with-amazon-bedrock-to-translate-business-intent-into-action/
- :ima
- : je
- :ne
- :kje
- $GOR
- 10
- 100
- 121
- 14
- 15 let
- 15%
- 150
- 17
- 1998
- 200
- 2010
- 2013
- 2015
- 2017
- 2018
- 2020
- 2021
- 31
- 33
- 7
- 8
- 9
- a
- Aaron
- sposobnost
- Sposobna
- O meni
- dostop
- doseganje
- natančnost
- Doseči
- pridobljenih
- pridobitev
- čez
- Zakon
- Ukrep
- dejavnosti
- aktivna
- dodano
- Poleg tega
- Dodatne
- napredno
- Prednost
- svetovalec
- zagovorništvo
- po
- AI
- AI sistemi
- Z AI napajanjem
- AI / ML
- Namerjen
- Cilje
- algoritmi
- vsi
- dovoljene
- Dovoli
- omogoča
- skupaj
- skupaj
- že
- Prav tako
- Amazon
- Amazon Web Services
- znesek
- an
- analiziranje
- in
- odgovor
- odgovori
- Antropično
- kaj
- API
- API-ji
- uporaba
- aplikacije
- velja
- pristop
- aplikacije
- arabski
- Arhitektura
- SE
- OBMOČJE
- območja
- okoli
- prispeli
- Umetnost
- umetni
- Umetna inteligenca
- Umetna inteligenca in strojno učenje
- umetnik
- AS
- vprašati
- sprašuje
- Pomočnik
- povezan
- At
- Povečana
- Austin
- Avtor
- avtomatizirati
- Avtomatizirano
- samodejno
- Avtomatizacija
- Na voljo
- AWS
- Stranka AWS
- B2B
- ozadje
- podloga
- baza
- temeljijo
- Izhodišče
- BE
- Nosijo
- postal
- ker
- postanejo
- bilo
- pred
- začel
- začetek
- zadaj
- počutje
- Prednosti
- BEST
- Boljše
- med
- Poleg
- Big
- Big Podatki
- Knjiga
- tako
- prinašajo
- Predložitev
- Prinaša
- bristol
- široka
- splošno
- proračun
- izgradnjo
- Building
- Gradi
- zgrajena
- poslovni
- poslovni učinek
- podjetja
- vendar
- by
- klic
- se imenuje
- CAN
- Zmogljivosti
- Kariera
- primeru
- primeri
- centri
- verige
- izziv
- priložnost
- lastnosti
- zaračuna
- kemijske
- šef
- izbira
- jasno
- tesno
- zapiranje
- Cloud
- Grozd
- Koda
- Kodiranje
- sodeloval
- sodelovanje
- zbirka
- College
- združujejo
- kombinirani
- prihaja
- Zaveza
- Podjetja
- Podjetja
- prisiljen
- dokončanje
- kompleksna
- celovito
- računalnik
- Računalništvo
- Računalniška vizija
- računalništvo
- koncepti
- konfiguriranje
- Povezovanje
- povezava
- povezave
- dosledno
- Zabojniki
- Vsebuje
- vsebina
- ustvarjanje vsebine
- ozadje
- naprej
- Naročilo
- prispeva
- pogovorni
- kuhanje
- Core
- popravi
- pravilno
- strošek
- bi
- tečaji
- ustvarjajo
- ustvaril
- Oblikovanje
- ustvarjalnost
- kritično
- Trenutna
- Trenutno
- po meri
- stranka
- Stranke, ki so
- rezanje
- vrhunsko
- Dallas
- datum
- integracija podatkov
- obdelava podatkov
- znanost o podatkih
- Baze podatkov
- baze podatkov
- Dnevi
- desetletje
- zmanjša
- namenjen
- globoko
- globlje
- Delaware
- Predstavitev
- Demokratiziranje
- Oddelek
- derivat
- opisati
- opis
- Oblikovanje
- zasnovan
- Želja
- želeno
- podrobno
- Podrobnosti
- Razvijalci
- Razvoj
- naprave
- Dialog
- drugačen
- neposredno
- porazdeljena
- porazdeljeni sistemi
- potapljanje
- do
- Dokumenti
- Ne
- tem
- domen
- dont
- navzdol
- Osnutek
- drastično
- pogon
- 2
- vsak
- lažje
- najlažje
- enostavno
- ekosistem
- učinkovito
- bodisi
- elektrotehnike
- elementi
- omogoča
- konec
- konec
- energija
- inženir
- Inženiring
- Anglija
- Angleščina
- Izboljšave
- dovolj
- zagotovitev
- zagotavlja
- Vnesite
- Podjetje
- programska oprema za podjetja
- Rešitve za podjetja
- podjetja
- Celotna
- popolnoma
- podjetniško
- okolja
- enako
- Enakovredna
- Napaka
- zlasti
- Eter (ETH)
- Tudi
- očitno
- točno
- Primer
- Primeri
- Excel
- razburjen
- izvršni
- obstoječih
- Pričakuje
- pričakovati
- izkušnje
- strokovnjak
- strokovno znanje
- raziskovalec
- Raziskovati
- dodatna
- izredno
- družina
- hitro gibljiv
- hitro tempu
- Feature
- Lastnosti
- Nekaj
- Polje
- Področja
- filter
- filtriranje
- Filtri
- najdbe
- prva
- Vodilna
- Pretok
- Tokovi
- Osredotočite
- Osredotoča
- osredotoča
- sledi
- po
- sledi
- živila
- za
- Napad
- ospredju
- format
- Obrazci
- Naprej
- je pokazala,
- Fundacija
- ustanovitve
- Francisco
- Prijazno
- iz
- Izpolnite
- v celoti
- funkcija
- nadalje
- Prihodnost
- pridobljeno
- splošno
- ustvarjajo
- ustvarila
- ustvarja
- ustvarjajo
- generacija
- generativno
- Generativna AI
- Georgia
- Tehnološki institut Georgia
- dobili
- gif
- dana
- Go
- Cilji
- goes
- dobro
- diplomiral
- Grow
- vodi
- imel
- strani
- Dovoljenje
- Imajo
- he
- Srce
- pomoč
- pomagal
- pomoč
- pomoč
- Pomaga
- tukaj
- visoko zmogljiv
- visoka kvaliteta
- Poudarki
- njegov
- držite
- drži
- Gostoljubnost
- URE
- Kako
- Kako
- Vendar
- HTML
- HTTPS
- človeškega
- ponižen
- identificirati
- if
- ilustrirajte
- takoj
- vpliv
- vplivno
- izvajati
- Pomembno
- izboljšanje
- izboljšalo
- izboljšanju
- in
- vključujejo
- vključeno
- Vključno
- Povečajte
- Neodvisni
- označuje
- kazalniki
- individualna
- industrij
- Industrija
- vodja industrije
- Podatki
- prirojeno
- inoviranje
- Inovacije
- vhod
- vhodi
- instant
- Namesto
- Inštitut
- Navodila
- integrirana
- integracija
- integracije
- Intelligence
- Inteligentna
- namen
- interakcije
- interaktivno
- obresti
- vmesnik
- notranji
- v
- Uvedeno
- Predstavlja
- uvodno
- IPO
- izv
- IT
- ponovitev
- ponovitve
- ITS
- Java
- Job
- pridružil
- pridružil
- skupno
- Potovanje
- veselje
- jpg
- json
- samo
- Ključne
- Vedite
- znanje
- znano
- ve
- lab
- Labs
- jezik
- jeziki
- velika
- Zadnja
- pozneje
- Zadnji
- vodi
- Vodja
- Vodstvo
- vodi
- Leap
- naučili
- učenje
- levo
- Naj
- vzvod
- kot
- všeč mi je
- Logika
- Long
- Poglej
- Sklop
- ljubezen
- M&A
- stroj
- strojno učenje
- Stroji
- je
- Znamka
- IZDELA
- Izdelava
- upravlja
- upravljanje
- upravitelj
- Vodje
- Način
- ročno
- več
- kartiranje
- marec
- Tržna
- Trženje
- tekme
- materiali
- me
- mentor
- Mers
- metapodatki
- Metoda
- milijoni
- moti
- min
- Mission
- ML
- Model
- modeli
- MongoDB
- več
- Najbolj
- premikanje
- MS
- Več platform
- več
- my
- Ime
- naravna
- Naravni jezik
- Nimate
- potrebe
- Novo
- Nove funkcije
- Nov izdelek
- Naslednja
- št
- Upoštevajte
- zvezki
- Opaziti..
- zdaj
- predmet
- predmeti
- zgodilo
- of
- Ponudbe
- pogosto
- on
- enkrat
- ONE
- samo
- deluje
- Operacijski sistemi
- optimizacija
- optimizacijo
- or
- Da
- naročila
- Organizacija
- organizacije
- izvirno
- Ostalo
- naši
- ven
- Rezultat
- izhod
- izhodi
- več
- strani
- vzporedno
- zlasti
- partner
- Partnerstvo
- strast
- strastno
- preteklosti
- Vzorec
- opravlja
- perspektiva
- faza
- Dr.
- kosov
- Pionir
- plinovod
- ključno
- Kraj
- platforma
- Platforme
- platon
- Platonova podatkovna inteligenca
- PlatoData
- Popular
- Priljubljenost
- Prispevek
- potencial
- potencialno
- moč
- poganja
- praksa
- vaje
- napovedati
- napovedano
- prejšnja
- primarni
- , ravnateljica
- zasebnost
- Zasebnost in varnost
- problem
- Težave
- postopek
- Postopek
- Procesi
- obravnavati
- Proizvedeno
- proizvaja
- Izdelek
- Razvoj izdelkov
- upravljanje izdelkov
- produktni vodja
- Izdelki
- Izdelki in storitve
- strokovni
- Učitelj
- Programiranje
- programskih jezikov
- projekti
- pozove
- dokazano
- zagotavljajo
- če
- zagotavlja
- zagotavljanje
- Psihologija
- javnega
- objavljeno
- Objavljena raziskava
- zasledovati
- Python
- poizvedbe
- vprašanje
- hitro
- naključno
- naključnost
- območje
- obsegu
- hitro
- reading
- uresničitev
- kraljestvo
- prejeti
- Pred kratkim
- Priznanje
- Priporočamo
- zapis
- evidence
- zmanjša
- zmanjšuje
- zmanjšanje
- o
- okolica
- ponovno predstavljanje
- povezane
- sprosti
- pomembno
- zanesljiv
- zanašajo
- ne pozabite
- odstrani
- opravljene
- ponovljivo
- odgovori
- zastopanje
- predstavlja
- predstavlja
- zahteva
- zahteva
- zahteva
- obvezna
- Zahteve
- zahteva
- Raziskave
- Odgovor
- odgovorov
- REST
- rezultat
- Rezultati
- vrnitev
- vrne
- revolucijo
- Rich
- Pravica
- cesta
- vloga
- vloge
- soba
- Run
- deluje
- SaaS
- Varnost
- sagemaker
- Je dejal
- Enako
- San
- San Francisco
- Lestvica
- razširljive
- Lestvica
- urnik
- Znanost
- Znanstvenik
- praska
- SDK
- iskanje
- drugi
- Oddelek
- sektor
- varnost
- glej
- videl
- izberite
- pošiljanja
- višji
- poslan
- Zaporedje
- služil
- Storitev
- Storitve
- služijo
- sej
- nastavite
- nastavitev
- več
- shouldnt
- Prikaži
- pokazale
- Razstave
- bistveno
- Podoben
- Enostavno
- poenostavitev
- poenostavitev
- preprosto
- saj
- sam
- majhna
- So
- Software
- programske opreme kot storitve
- Razvijalci programske opreme
- Razvoj programske opreme
- inženiring programske opreme
- Rešitev
- rešitve
- SOLVE
- Reševanje
- nekaj
- nekdo
- prefinjeno
- Soul
- vir
- Vesolje
- španski
- napetost
- specialist
- specifična
- posebej
- določeno
- preživeti
- Poraba
- SQL
- Začetek
- začel
- zagon
- Izjava
- Status
- Korak
- Koraki
- stop
- naravnost
- Struktura
- Študenti
- študiral
- uspeh
- Podpora
- Podpira
- naj
- Preverite
- sistem
- sistemi
- miza
- TAG
- Bodite
- ciljna
- Naloga
- Naloge
- učil
- skupina
- Skupine
- tech
- tehnološki zagon
- tehnični
- tehnika
- tehnike
- Tehnologija
- povej
- deset
- texas
- besedilo
- kot
- da
- O
- Zahod
- svet
- njihove
- Njih
- POTEM
- te
- jih
- stvari
- mislim
- ta
- tisti,
- skozi
- vsej
- čas
- do
- danes
- žeton
- Boni
- Rekel
- vzel
- orodje
- sledenje
- sledenje
- Trgovanje
- tradicionalno
- usposabljanje
- transformativno
- transformacije
- prevesti
- potovanja
- potovanja
- trending
- sojenje
- sprožijo
- sproži
- Res
- Resnična koda
- poskuša
- Obračalni
- tip
- ui
- Uk
- pod
- razumeli
- razumevanje
- razume
- edinstven
- univerza
- dokler
- predstavil
- prihajajoče
- posodobljeno
- naprej
- us
- uporabno
- uporaba
- primeru uporabe
- Rabljeni
- uporabnik
- Uporabniška izkušnja
- Uporabniki
- uporablja
- uporabo
- navadno
- ux
- različnih
- prodajalci
- zelo
- preko
- Vizija
- vizualna
- VMware
- Voice
- želeli
- je
- način..
- we
- web
- spletne storitve
- Weeks
- Dobro
- so bili
- West
- Kaj
- Kaj je
- kdaj
- ki
- široka
- Širok spekter
- bo
- okno
- z
- brez
- delo
- delal
- potek dela
- delovnih tokov
- deluje
- deluje
- svet
- svetu
- bi
- pisati
- XML
- leto
- let
- jo
- Vaša rutina za
- youtube
- zefirnet