Generativa AI-agenter kan producera mänskliga svar och delta i naturliga språkkonversationer genom att orkestrera en kedja av samtal till grundmodeller (FM) och andra förstärkningsverktyg baserade på användarinmatning. Istället för att bara uppfylla fördefinierade avsikter genom ett statiskt beslutsträd, är agenter autonoma inom ramen för sin uppsättning av tillgängliga verktyg. Amazonas berggrund är en helt hanterad tjänst som gör ledande FM:er från AI-företag tillgängliga via ett API tillsammans med utvecklarverktyg för att hjälpa till att bygga och skala generativa AI-applikationer.
I det här inlägget visar vi hur man bygger en generativ AI-agent för finansiella tjänster som drivs av Amazon Bedrock. Agenten kan hjälpa användare med att hitta deras kontoinformation, fylla i en låneansökan eller svara på naturliga språkfrågor samtidigt som de citerar källor för de angivna svaren. Denna lösning är tänkt att fungera som en startplatta för utvecklare att skapa sina egna personliga samtalsagenter för olika applikationer, såsom virtuella arbetare och kundsupportsystem. Lösningskod och distributionstillgångar finns i GitHub repository.
Amazon Lex tillhandahåller gränssnittet för naturlig språkförståelse (NLU) och naturlig språkbehandling (NLP) för öppen källkod LangChain samtalsagent inbäddad i en AWS förstärka hemsida. Agenten är utrustad med verktyg som inkluderar en Antropisk Claude 2.1 FM värd på Amazon Bedrock och syntetisk kunddata lagrad på Amazon DynamoDB och Amazon Kendra att leverera följande funktioner:
- Ge personliga svar – Fråga DynamoDB för kundkontoinformation, såsom detaljer om hypotekslån, förfallna saldo och nästa betalningsdatum
- Få tillgång till allmän kunskap – Utnyttja agentens resonemangslogik tillsammans med de enorma mängder data som används för att förträna de olika FM:er som tillhandahålls via Amazon Bedrock för att producera svar för alla kundmeddelanden
- Kurera opinionsbildande svar – Informera agentsvar med hjälp av ett Amazon Kendra-index konfigurerat med auktoritativa datakällor: kunddokument lagrade i Amazon enkel lagringstjänst (Amazon S3) och Amazon Kendra Web Crawler konfigurerad för kundens webbplats
Lösningsöversikt
Demoinspelning
Följande demoinspelning belyser agentfunktionalitet och tekniska implementeringsdetaljer.
Lösningsarkitektur
Följande diagram illustrerar lösningsarkitekturen.
Agentens svarsarbetsflöde inkluderar följande steg:
- Användare utför naturliga språkdialoger med agenten genom deras val av webb-, SMS- eller röstkanaler. Webbkanalen inkluderar en Amplify-värd webbplats med en Amazon Lex inbäddad chatbot för en fiktiv kund. SMS- och röstkanaler kan valfritt konfigureras med Amazon Connect och meddelandeintegrationer för Amazon Lex. Varje användarförfrågan bearbetas av Amazon Lex för att fastställa användarens avsikt genom en process som kallas avsiktsigenkänning, som involverar att analysera och tolka användarens input (text eller tal) för att förstå användarens avsedda handling eller syfte.
- Amazon Lex åberopar sedan en AWS Lambda hanterare för att uppfylla användarens avsikt. Lambdafunktionen associerad med Amazon Lex chatbot innehåller logiken och affärsreglerna som krävs för att bearbeta användarens avsikt. Lambda utför specifika åtgärder eller hämtar information baserat på användarens input, fattar beslut och genererar lämpliga svar.
- Lambda instrumenterar logiken för finansiella tjänster som en LangChain-konversationsagent som kan få tillgång till kundspecifik data lagrad på DynamoDB, kurera uppmärksamma svar med hjälp av dina dokument och webbsidor som indexerats av Amazon Kendra, och ge allmänna kunskapssvar genom FM på Amazon Bedrock. Svar som genereras av Amazon Kendra inkluderar källtillskrivning, som visar hur du kan tillhandahålla ytterligare kontextuell information till agenten genom Retrieval Augmented Generation (TRASA). RAG låter dig förbättra din agents förmåga att generera mer exakta och kontextuellt relevanta svar med din egen data.
Agent arkitektur
Följande diagram illustrerar agentarkitekturen.
Agentens arbetsflöde för resonemang inkluderar följande steg:
- LangChain-konversationsagenten innehåller konversationsminne så att den kan svara på flera frågor med kontextgenerering. Detta minne tillåter agenten att ge svar som tar hänsyn till sammanhanget för den pågående konversationen. Detta uppnås genom kontextuell generering, där agenten genererar svar som är relevanta och kontextuellt lämpliga baserat på informationen den har kommit ihåg från konversationen. I enklare termer kommer agenten ihåg vad som sades tidigare och använder den informationen för att svara på flera frågor på ett sätt som är vettigt i den pågående diskussionen. Vår agent använder LangChains DynamoDB chattmeddelandehistorikklass som en konversationsminnesbuffert så att den kan återkalla tidigare interaktioner och förbättra användarupplevelsen med mer meningsfulla, sammanhangsmedvetna svar.
- Agenten använder Anthropic Claude 2.1 på Amazon Bedrock för att slutföra den önskade uppgiften genom en serie noggrant egengenererade textinmatningar som kallas prompter. Det primära målet med snabb ingenjörskonst är att få fram specifika och korrekta svar från FM. Olika snabba ingenjörstekniker inkluderar:
- Nollskott – En enda fråga presenteras för modellen utan några ytterligare ledtrådar. Modellen förväntas generera ett svar baserat enbart på den givna frågan.
- Få-skott – En uppsättning exempelfrågor och deras motsvarande svar ingår före själva frågan. Genom att exponera modellen för dessa exempel lär den sig att svara på ett liknande sätt.
- Tankekedja – En specifik stil av få-shot-uppmaning där prompten är utformad för att innehålla en serie mellanliggande resonemangssteg, som guidar modellen genom en logisk tankeprocess, vilket i slutändan leder till det önskade svaret.
Vår agent använder tankekedjan genom att köra en uppsättning åtgärder vid mottagandet av en förfrågan. Efter varje åtgärd går agenten in i observationssteget, där den uttrycker en tanke. Om ett slutgiltigt svar ännu inte uppnåtts, itererar agenten och väljer olika åtgärder för att gå vidare mot att nå det slutliga svaret. Se följande exempelkod:
Tanke: Behöver jag använda ett verktyg? Ja
Åtgärd: Åtgärden som ska vidtas
Action Input: Indata till åtgärden
Observation: Resultatet av åtgärden
Tanke: Behöver jag använda ett verktyg? Nej
FSI Agent: [svar och källdokument]
- Som en del av agentens olika resonemangsvägar och självutvärderande val för att bestämma nästa handlingssätt, har den förmågan att få tillgång till syntetiska kunddatakällor via en Amazon Kendra Index Retriever-verktyg. Med hjälp av Amazon Kendra utför agenten kontextuell sökning över ett brett utbud av innehållstyper, inklusive dokument, vanliga frågor, kunskapsbaser, manualer och webbplatser. För mer information om stödda datakällor, se Datakällor. Agenten har makten att använda det här verktyget för att ge opinionsmässiga svar på användarmeddelanden som bör besvaras med hjälp av ett auktoritativt, kundtillhandahållet kunskapsbibliotek, istället för den mer allmänna kunskapskorpusen som används för att förträna Amazon Bedrock FM.
Implementeringsguide
I följande avsnitt diskuterar vi de viktigaste stegen för att distribuera lösningen, inklusive för- och efter-distribution.
Förinstallation
Innan du distribuerar lösningen måste du skapa din egen splittrade version av lösningsförrådet med en token-säker webhook för att automatisera kontinuerlig distribution av din Amplify-webbplats. Amplify-konfigurationen pekar på ett GitHub-källförråd från vilket vår webbplatss frontend är byggd.
Gaffel och klon generativ-ai-amazon-berggrund-langkedja-agent-exempel Repository
- För att kontrollera källkoden som bygger din Amplify-webbplats, följ instruktionerna i Dela ett förråd att dela förrådet generative-ai-amazon-bedrock-langchain-agent-example. Detta skapar en kopia av arkivet som är bortkopplat från den ursprungliga kodbasen, så att du kan göra lämpliga ändringar.
- Vänligen notera vilken URL-adress till ditt förgrenade arkiv som du kan använda för att klona arkivet i nästa steg och för att konfigurera miljövariabeln GITHUB_PAT som används i automatiseringsskriptet för lösningsdistribution.
- Klona ditt gaffelförråd med git clone-kommandot:
Skapa en personlig åtkomsttoken för GitHub
Den Amplify-värdade webbplatsen använder en GitHub personlig åtkomsttoken (PAT) som OAuth-token för tredjeparts källkontroll. OAuth-tokenen används för att skapa en webhook och en skrivskyddad distributionsnyckel med hjälp av SSH-kloning.
- För att skapa din PAT, följ instruktionerna i Skapa en personlig åtkomsttoken (klassisk). Du kanske föredrar att använda en GitHub-appen för att få tillgång till resurser på uppdrag av en organisation eller för långlivade integrationer.
- Notera din PAT innan du stänger webbläsaren – du kommer att använda den för att konfigurera miljövariabeln GITHUB_PAT som används i automatiseringsskriptet för lösningsdistribution. Skriptet kommer att publicera din PAT till AWS Secrets Manager med hjälp av AWS-kommandoradsgränssnitt (AWS CLI) kommandon och det hemliga namnet kommer att användas som GitHubTokenSecretName AWS molnformation parameter.
konfiguration
Automatiseringsskriptet för lösningsdistribution använder den parametriserade CloudFormation-mallen, GenAI-FSI-Agent.yml, för att automatisera tillhandahållandet av följande lösningsresurser:
- En Amplify-webbplats för att simulera din frontend-miljö.
- En Amazon Lex-bot konfigurerad genom ett distributionspaket för botimport.
- Fyra DynamoDB-tabeller:
- UserPendingAccountsTable – Registrerar pågående transaktioner (till exempel låneansökningar).
- UserExistingAccountsTable – Innehåller användarkontoinformation (till exempel sammanfattning av bolånekontot).
- Konversationsindextabell – Spårar konversationsläget.
- Konversationstabell – Lagrar konversationshistorik.
- En S3-hink som innehåller Lambda-agenthanteraren, Lambda-dataladdaren och Amazon Lex-distributionspaketen, tillsammans med kundernas vanliga frågor och exempeldokument för hypoteksansökningar.
- Två lambdafunktioner:
- Agenthanterare – Innehåller LangChains samtalsagentlogik som intelligent kan använda en mängd olika verktyg baserat på användarinmatning.
- Data laddare – Laddar exempelkundkontodata i UserExistingAccountsTable och anropas som en anpassad CloudFormation-resurs under stackskapandet.
- Ett lambdalager för Amazon Bedrock Boto3-, LangChain- och pdfrw-bibliotek. Lagret förser LangChains FM-bibliotek med en Amazon Bedrock-modell som den underliggande FM och tillhandahåller pdfrw som ett PDF-bibliotek med öppen källkod för att skapa och ändra PDF-filer.
- Ett Amazon Kendra-index som ger ett sökbart index med auktoritativ kundinformation, inklusive dokument, vanliga frågor, kunskapsbaser, manualer, webbplatser och mer.
- Två Amazon Kendra-datakällor:
- Amazon S3 – Värdar en exempel på kund FAQ-dokument.
- Amazon Kendra Web Crawler – Konfigurerad med en rotdomän som emulerar den kundspecifika webbplatsen (till exempel .com).
- AWS identitets- och åtkomsthantering (IAM)-behörigheter för de föregående resurserna.
AWS CloudFormation fyller i förväg stackparametrar med standardvärdena i mallen. För att tillhandahålla alternativa indatavärden kan du ange parametrar som miljövariabler som refereras till i paren `ParameterKey=,ParameterValue=` i följande skalskripts kommando `aws cloudformation create-stack`.
- Innan du kör skalskriptet, navigera till din splittrade version av generative-ai-amazon-bedrock-langchain-agent-example repository som din arbetskatalog och ändra skalskriptbehörigheterna till körbar:
- Ställ in ditt Amplify-förråd och GitHub PAT-miljövariabler som skapats under förinstallationsstegen:
- Slutligen kör du automatiseringsskriptet för lösningsdistribution för att distribuera lösningens resurser, inklusive GenAI-FSI-Agent.yml CloudFormation stack:
source ./create-stack.sh
Lösning Deployment Automation Script
Det föregående source ./create-stack.sh shell
kommandot kör följande AWS CLI-kommandon för att distribuera lösningsstacken:
Post-driftsättning
I det här avsnittet diskuterar vi stegen efter implementeringen för att lansera en frontend-applikation som är avsedd att efterlikna kundens produktionsapplikation. Finanstjänsteagenten kommer att fungera som en inbäddad assistent i exemplets webbgränssnitt.
Starta ett webbgränssnitt för din chatbot
Smakämnen Amazon Lex webbgränssnitt, även känd som chatbot-gränssnittet, låter dig snabbt tillhandahålla en omfattande webbklient för Amazon Lex chatbots. Användargränssnittet integreras med Amazon Lex för att producera ett JavaScript-plugin som kommer att införliva en Amazon Lex-driven chattwidget i din befintliga webbapplikation. I det här fallet använder vi webbgränssnittet för att emulera en befintlig kundwebbapplikation med en inbäddad Amazon Lex chatbot. Slutför följande steg:
- Följ instruktionerna för att distribuera Amazon Lex webbgränssnitt CloudFormation-stacken.
- På AWS CloudFormation-konsolen navigerar du till stackens Utgångarna och leta reda på värdet för
SnippetUrl
.
- Kopiera webbgränssnittets Iframe-kodavsnitt, som kommer att likna formatet under Lägga till ChatBot-gränssnittet på din webbplats som en iframe.
- Redigera din splittrade version av Amplify GitHub-källarkivet genom att lägga till ditt JavaScript-plugin för webbgränssnittet i avsnittet märkt
<-- Paste your Lex Web UI JavaScript plugin here -->
för var och en av HTML-filerna under front-end-katalog:index.html
,contact.html
ochabout.html
.
Amplify tillhandahåller en automatisk bygg- och släpppipeline som utlöses baserat på nya commits till ditt splittrade arkiv och publicerar den nya versionen av din webbplats till din Amplify-domän. Du kan se distributionsstatusen på Amplify-konsolen.
Gå till Amplifys webbplats
Med ditt Amazon Lex webbgränssnitt JavaScript-plugin på plats är du nu redo att lansera din Amplify-demowebbplats.
- För att komma åt din webbplats domän, navigera till CloudFormation-stacken Utgångarna och leta reda på Amplify-domänens URL. Alternativt kan du använda följande kommando:
- När du har kommit åt din Amplify-domän-URL kan du fortsätta med testning och validering.
Testning och validering
Följande testprocedur syftar till att verifiera att agenten korrekt identifierar och förstår användarnas avsikter för att komma åt kunddata (som kontoinformation), uppfylla affärsarbetsflöden genom fördefinierade avsikter (som att fylla i en låneansökan) och svara på allmänna frågor, såsom följande exempel på uppmaningar:
- Varför ska jag använda ?
- Hur konkurrenskraftiga är deras priser?
- Vilken typ av bolån ska jag använda?
- Vilka är nuvarande bolånetrender?
- Hur mycket behöver jag spara för en handpenning?
- Vilka andra kostnader kommer jag att betala vid stängning?
Svarsnoggrannheten bestäms genom att utvärdera relevansen, koherensen och människoliknande karaktären hos svaren som genereras av Amazonas berggrund som tillhandahålls av Anthropic Claude 2.1 FM. Källlänkarna som tillhandahålls med varje svar (till exempel .com baserat på Amazon Kendra Web Crawler-konfiguration) bör också bekräftas som trovärdiga.
Ge personliga svar
Verifiera att agenten har tillgång till och använder relevant kundinformation i DynamoDB för att skräddarsy användarspecifika svar.
Observera att användningen av PIN-autentisering inom agenten endast är i demonstrationssyfte och bör inte användas i någon produktionsimplementering.
Kurera opinionsbildande svar
Bekräfta att åsiktsfulla frågor bemöts med trovärdiga svar av agenten som korrekt skaffar svar baserat på auktoritativa kunddokument och webbsidor indexerade av Amazon Kendra.
Leverera kontextuell generering
Bestäm agentens förmåga att ge kontextuellt relevanta svar baserat på tidigare chatthistorik.
Få tillgång till allmän kunskap
Bekräfta agentens tillgång till allmän kunskapsinformation för icke-kundspecifika frågor utan åsikter som kräver korrekta och sammanhängande svar baserat på Amazon Bedrock FM-utbildningsdata och RAG.
Kör fördefinierade avsikter
Se till att agenten tolkar och konversationsmässigt uppfyller användaruppmaningar som är avsedda att dirigeras till fördefinierade syften, till exempel att fylla i en låneansökan som en del av ett affärsarbetsflöde.
Följande är det resulterande låneansökningsdokumentet som fyllts i genom samtalsflödet.
Flerkanalsstödfunktionen kan testas tillsammans med föregående bedömningsåtgärder över webb-, SMS- och röstkanaler. För mer information om att integrera chatboten med andra tjänster, se Integrera en Amazon Lex V2-bot med Twilio SMS och Lägg till en Amazon Lex-bot till Amazon Connect.
Städa upp
För att undvika avgifter på ditt AWS-konto, rensa upp lösningens tillhandahållna resurser.
- Återkalla GitHubs personliga åtkomsttoken. GitHub PATs är konfigurerade med ett utgångsvärde. Om du vill försäkra dig om att din PAT inte kan användas för programmatisk åtkomst till ditt forked Amplify GitHub-förråd innan det når sitt utgångsdatum, kan du återkalla PAT genom att följa GitHub repos instruktioner.
- Ta bort GenAI-FSI-Agent.yml CloudFormation-stacken och andra lösningsresurser med hjälp av automationsskriptet för borttagning av lösning. Följande kommandon använder standardstacknamnet. Om du anpassade stacknamnet, justera kommandona därefter.
# export STACK_NAME=<YOUR-STACK-NAME>
./delete-stack.sh
Lösning Deletion Automation Script
Smakämnen
delete-stack.sh shell
skriptet tar bort resurserna som ursprungligen tilldelades med hjälp av automatiseringsskriptet för lösningsdistribution, inklusive GenAI-FSI-Agent.yml CloudFormation-stacken.
Överväganden
Även om lösningen i det här inlägget visar upp kapaciteten hos en generativ AI-agent för finansiella tjänster som drivs av Amazon Bedrock, är det viktigt att inse att denna lösning inte är produktionsklar. Snarare fungerar det som ett illustrativt exempel för utvecklare som strävar efter att skapa personliga samtalsagenter för olika applikationer som virtuella arbetare och kundsupportsystem. En utvecklares väg till produktion skulle upprepa denna exempellösning med följande överväganden.
Säkerhet och integritet
Säkerställ datasäkerhet och användarintegritet under hela implementeringsprocessen. Implementera lämpliga åtkomstkontroller och krypteringsmekanismer för att skydda känslig information. Lösningar som den generativa AI-agenten för finansiella tjänster kommer att dra nytta av data som ännu inte är tillgänglig för den underliggande FM, vilket ofta betyder att du kommer att vilja använda din egen privata data för det största hoppet i kapacitet. Tänk på följande bästa praxis:
- Håll det hemligt, håll det säkert – Du vill att denna data ska förbli helt skyddad, säker och privat under den generativa processen och vill ha kontroll över hur denna data delas och används.
- Etablera skyddsräcken för användning – Förstå hur data används av en tjänst innan du gör den tillgänglig för dina team. Skapa och distribuera reglerna för vilken data som kan användas med vilken tjänst. Gör dessa tydliga för dina team så att de kan röra sig snabbt och prototyper säkert.
- Involvera juridiskt, förr snarare än senare – Låt dina juridiska team granska villkoren och servicekorten för de tjänster du planerar att använda innan du börjar köra känslig information genom dem. Dina juridiska partners har aldrig varit viktigare än de är idag.
Som ett exempel på hur vi tänker kring detta på AWS med Amazon Bedrock: All data är krypterad och lämnar inte din VPC, och Amazon Bedrock gör en separat kopia av bas-FM som endast är tillgänglig för kunden, och finjusterar eller tränar denna privata kopia av modellen.
Testning av användaracceptans
Genomför testning av användaracceptans (UAT) med riktiga användare för att utvärdera prestanda, användbarhet och tillfredsställelse hos den generativa AI-agenten för finansiella tjänster. Samla in feedback och gör nödvändiga förbättringar baserat på användarinput.
Utplacering och övervakning
Distribuera den fullt testade agenten på AWS och implementera övervakning och loggning för att spåra dess prestanda, identifiera problem och optimera systemet efter behov. Lambdaövervakning och felsökningsfunktioner är aktiverade som standard för agentens Lambda-hanterare.
Underhåll och uppdateringar
Uppdatera regelbundet agenten med de senaste FM-versionerna och data för att förbättra dess noggrannhet och effektivitet. Övervaka kundspecifik data i DynamoDB och synkronisera din Amazon Kendra-datakällas indexering efter behov.
Slutsats
I det här inlägget grävde vi in i den spännande världen av generativa AI-agenter och deras förmåga att underlätta mänskliga interaktioner genom orkestrering av samtal till FM:er och andra kompletterande verktyg. Genom att följa den här guiden kan du använda Bedrock, LangChain och befintliga kundresurser för att framgångsrikt implementera, testa och validera en pålitlig agent som ger användarna korrekt och personlig ekonomisk hjälp genom samtal på naturliga språk.
I ett kommande inlägg kommer vi att visa hur samma funktionalitet kan levereras med ett alternativt tillvägagångssätt med Agenter för Amazon Bedrock och Kunskapsbas för Amazon Bedrock. Denna helt AWS-hanterade implementering kommer att ytterligare utforska hur man kan erbjuda intelligent automation och datasökningsfunktioner genom personliga agenter som förändrar hur användarna interagerar med dina applikationer, vilket gör interaktioner mer naturliga, effektiva och effektiva.
Om författaren
Kyle T. Blocksom är Sr. Solutions Architect med AWS baserad i södra Kalifornien. Kyles passion är att föra människor samman och utnyttja teknik för att leverera lösningar som kunderna älskar. Utanför jobbet tycker han om att surfa, äta, brottas med sin hund och att skämma bort sin systerdotter och brorson.
- SEO-drivet innehåll och PR-distribution. Bli förstärkt idag.
- PlatoData.Network Vertical Generative Ai. Styrka dig själv. Tillgång här.
- PlatoAiStream. Web3 Intelligence. Kunskap förstärkt. Tillgång här.
- Platoesg. Kol, CleanTech, Energi, Miljö, Sol, Avfallshantering. Tillgång här.
- PlatoHealth. Biotech och kliniska prövningar Intelligence. Tillgång här.
- Källa: https://aws.amazon.com/blogs/machine-learning/build-generative-ai-agents-with-amazon-bedrock-amazon-dynamodb-amazon-kendra-amazon-lex-and-langchain/
- : har
- :är
- :inte
- :var
- $UPP
- 1
- 10
- 100
- 11
- 32
- 7
- 799
- 8
- 9
- a
- förmåga
- Om oss
- godkännande
- tillgång
- tillgänglig
- åtkomst
- i enlighet med detta
- Konto
- noggrannhet
- exakt
- uppnås
- tvärs
- Agera
- Handling
- åtgärder
- faktiska
- tillsats
- Annat
- justera
- Recensioner
- medel
- AI
- sikta
- Syftet
- Alla
- tillåter
- längs
- redan
- också
- alternativ
- amason
- Amazon Kendra
- Amazon Lex
- Amazon Web Services
- mängder
- förstärka
- an
- analys
- och
- svara
- svar
- Antropisk
- vilken som helst
- api
- Ansökan
- tillämpningar
- tillvägagångssätt
- lämpligt
- arkitektur
- ÄR
- AS
- bedömning
- Tillgångar
- bistå
- Bistånd
- Assistent
- associerad
- At
- augmented
- Autentisering
- automatisera
- Automatiserad
- Automation
- autonom
- tillgänglig
- undvika
- AWS
- AWS molnformation
- AWS Lambda
- Balansera
- bas
- baserat
- BE
- varit
- innan
- vägnar
- fördel
- BÄST
- bästa praxis
- störst
- Bot
- föra
- buffert
- SLUTRESULTAT
- bygger
- byggt
- företag
- by
- kalifornien
- kallas
- Samtal
- KAN
- kapacitet
- kapacitet
- kapabel
- Kort
- försiktigt
- Vid
- CD
- kedja
- byta
- Kanal
- kanaler
- avgifter
- chatt
- chatbot
- chatbots
- val
- val
- citera
- klassiska
- rena
- klar
- klient
- stängning
- koda
- kodbas
- SAMMANHÄNGANDE
- COM
- begår
- Företag
- konkurrenskraftig
- komplementär
- fullborda
- Avslutade
- fullständigt
- fullborda
- omfattande
- villkor
- konfiguration
- konfigurerad
- BEKRÄFTAT
- förening
- Tänk
- överväganden
- Konsol
- innehålla
- innehåller
- innehåll
- Innehållstyper
- sammanhang
- kontextuella
- kontinuerlig
- kontroll
- kontroller
- Konventionen
- Konversation
- konversera
- konversationer
- korrekt
- Motsvarande
- Kostar
- Naturligtvis
- sökrobot
- skapa
- skapas
- skapar
- Skapa
- skapande
- trovärdig
- Aktuella
- beställnings
- kund
- konsument data
- Helpdesk
- Kunder
- kundanpassad
- datum
- datasäkerhet
- beslutar
- Beslutet
- beslutsträd
- beslut
- Standard
- leverera
- levereras
- demo
- demonstrera
- demonstrera
- distribuera
- utplacering
- utformade
- önskas
- detaljer
- Bestämma
- bestämd
- Utvecklare
- utvecklare
- dialogruta
- olika
- bortkopplad
- diskutera
- diskussion
- distribuera
- flera
- do
- dokumentera
- dokument
- gör
- Dog
- domän
- ner
- utkast
- grund
- under
- e
- varje
- Tidigare
- missar
- Effektiv
- effektivitet
- effektiv
- inbäddade
- aktiverad
- krypterad
- kryptering
- engagerande
- Teknik
- förbättra
- säkerställa
- Går in
- Miljö
- utrustad
- väsentlig
- Eter (ETH)
- utvärdera
- utvärdering
- exempel
- exempel
- spännande
- befintliga
- förväntat
- erfarenhet
- utgångs
- upphörande
- utforska
- export
- uttrycker
- främja
- FAQ
- återkoppling
- Fil
- Filer
- slutlig
- finansiella
- finansiella tjänster
- finna
- änden
- flöda
- följer
- efter
- För
- gaffel
- format
- hittade
- fundament
- från
- Frontend
- uppfylla
- uppfyllandet
- fullständigt
- fungera
- funktionalitet
- funktioner
- ytterligare
- samla
- Allmänt
- generera
- genereras
- genererar
- generera
- generering
- generativ
- Generativ AI
- gå
- GitHub
- ges
- styra
- styrning
- sele
- Har
- he
- hjälpa
- här.
- höjdpunkter
- hans
- historia
- värd
- värdar
- Hur ser din drömresa ut
- How To
- html
- http
- HTTPS
- i
- IAM
- identifierar
- identifiera
- Identitet
- if
- illustrerar
- genomföra
- genomförande
- importera
- med Esport
- förbättringar
- in
- innefattar
- ingår
- innefattar
- Inklusive
- införliva
- inkorporerar
- index
- indexeras
- underrätta
- informationen
- ingång
- ingångar
- istället
- instruktioner
- instrument
- integrerar
- Integrera
- integrationer
- Intelligent
- Intelligent automatisering
- avsedd
- uppsåt
- interagera
- interaktioner
- Gränssnitt
- Mellanliggande
- inre
- in
- åberopas
- anropar
- innebär
- problem
- IT
- DESS
- JavaScript
- jpg
- hoppa
- Ha kvar
- Nyckel
- kunskap
- känd
- språk
- senaste
- lansera
- lansera
- Launchpad
- lager
- ledande
- Lämna
- Adress
- Hävstång
- bibliotek
- Bibliotek
- tycka om
- linje
- länkar
- Lastaren
- laster
- lån
- skogsavverkning
- Logiken
- logisk
- älskar
- lägre
- göra
- GÖR
- Framställning
- förvaltade
- chef
- sätt
- Maj..
- meningsfull
- betyder
- åtgärder
- mekanismer
- Minne
- meddelande
- träffade
- MIT
- modell
- modeller
- modifieringar
- modifiera
- Övervaka
- övervakning
- mer
- Inteckning
- flytta
- mycket
- multipel
- måste
- namn
- namngivning
- Natural
- Naturligt språk
- Naturlig språkbehandling
- Naturligt språkförståelse
- Natur
- Navigera
- nödvändigt för
- Behöver
- behövs
- aldrig
- Nya
- Nästa
- nlp
- NLU
- Nej
- Notera
- nu
- oauth
- mål
- observationen
- of
- erbjudanden
- Ofta
- on
- pågående
- endast
- öppet
- öppen källkod
- driva
- Påstridig
- Optimera
- or
- orkestrerar
- orkestrering
- organisation
- ursprungliga
- ursprungligen
- Övriga
- vår
- utgångar
- utanför
- över
- Översikt
- egen
- paket
- paket
- par
- parameter
- parametrar
- del
- partner
- brinner
- Tidigare
- bana
- banor
- Betala
- betalning
- väntan
- Personer
- utföra
- prestanda
- utför
- behörigheter
- personlig
- personlig
- rörledning
- Plats
- Planen
- plato
- Platon Data Intelligence
- PlatonData
- snälla du
- plugin
- poäng
- Inlägg
- kraft
- drivs
- praxis
- föregående
- fördefinierad
- föredra
- presenteras
- föregående
- primär
- privatpolicy
- privat
- förfaranden
- Fortsätt
- process
- bearbetade
- bearbetning
- producera
- producerande
- Produktion
- programma
- Framsteg
- prompter
- skydda
- skyddad
- Prototypen
- ge
- förutsatt
- ger
- tillhandahållande
- allmän
- publicera
- publicerar
- Syftet
- syfte
- sökfrågor
- fråga
- frågor
- snabbt
- område
- rates
- snarare
- når
- nå
- redo
- verklig
- mottagande
- erkännande
- känner igen
- inspelning
- register
- hänvisa
- frigöra
- relevanta
- pålitlig
- avlägsen
- Repository
- begära
- kräver
- Obligatorisk
- resurs
- Resurser
- Svara
- respons
- svar
- resultera
- resulterande
- översyn
- rot
- regler
- Körning
- rinnande
- kör
- på ett säkert sätt
- Nämnda
- Samma
- tillfredsställande
- sparade
- Skala
- skript
- Sök
- Secret
- hemligheter
- §
- sektioner
- säkra
- säkerhet
- se
- väljer
- känsla
- känslig
- separat
- Serier
- serverar
- service
- Tjänster
- in
- delas
- Shell
- skall
- liknande
- Enkelt
- enklare
- enda
- SMS
- kodavsnitt
- So
- enbart
- lösning
- Lösningar
- Källa
- källkod
- Källor
- Sourcing
- Sydlig
- specifik
- tal
- stapel
- starta
- Ange
- status
- bo
- Steg
- Steg
- förvaring
- lagras
- lagrar
- stil
- Framgångsrikt
- sådana
- svit
- SAMMANFATTNING
- tillhandahållande
- stödja
- Stödsystem
- Som stöds
- syntetisk
- system
- System
- T
- Ta
- Tandem
- uppgift
- lag
- Teknisk
- tekniker
- Teknologi
- mall
- villkor
- Villkor
- testa
- testade
- Testning
- text
- än
- den där
- Smakämnen
- den information
- källan
- deras
- Dem
- sedan
- Dessa
- de
- Tänkande
- tredje part
- detta
- trodde
- Genom
- hela
- till
- i dag
- tillsammans
- token
- verktyg
- verktyg
- mot
- spår
- Utbildning
- tåg
- Transaktioner
- Förvandla
- träd
- Trender
- sann
- låtar
- Twilio
- Typ
- typer
- ui
- Ytterst
- under
- underliggande
- förstå
- förståelse
- förstår
- kommande
- Uppdatering
- på
- URL
- användbarhet
- Användning
- användning
- Begagnade
- Användare
- Användarupplevelse
- användares integritet
- användare
- användningar
- med hjälp av
- Återvinnare
- BEKRÄFTA
- godkännande
- värde
- Värden
- variabel
- mängd
- olika
- Omfattande
- verifiera
- version
- via
- utsikt
- Virtuell
- Röst
- vänta
- vill
- var
- Sätt..
- we
- webb
- webbapplikation
- webbservice
- Webbplats
- webbsidor
- były
- Vad
- som
- medan
- bred
- Brett utbud
- kommer
- med
- inom
- utan
- Arbete
- arbetare
- arbetsflöde
- arbetsflöden
- arbetssätt
- världen
- skulle
- ja
- ännu
- dig
- Din
- zephyrnet
- Postnummer