Bu yazı Baş Bilim Adamı Greg Benson ile birlikte yazılmıştır; Aaron Kesler, Kıdemli Ürün Müdürü; ve SnapLogic'ten Kurumsal Çözümler Mimarı Rich Dill.
Birçok müşteri üretken yapay zeka uygulamaları geliştiriyor Amazon Ana Kayası ve Amazon Kodu Fısıltı doğal dile dayalı kod eserleri oluşturmak. Bu kullanım örneği, büyük dil modellerinin (LLM'ler) insan dilleri (İngilizce, İspanyolca, Arapça ve daha fazlası) ile makine tarafından yorumlanabilir diller (Python, Java, Scala, SQL vb.) arasında karmaşık dillerle birlikte nasıl bir çevirmen olabileceğini vurgulamaktadır. içsel muhakeme. LLM'lerde ortaya çıkan bu yetenek, yazılım geliştiricilerini LLM'leri, doğal dili alana özgü bir dile (DSL) dönüştüren bir otomasyon ve UX geliştirme aracı olarak kullanmaya zorladı: sistem talimatları, API istekleri, kod yapıları ve daha fazlası. Bu yazıda size nasıl yapılacağını gösteriyoruz SnapLogicAWS müşterisi, güç sağlamak için Amazon Bedrock'u kullandı SnapGPT Bu karmaşık DSL yapılarının insan dilinden otomatik olarak oluşturulması yoluyla ürün.
Müşteriler LLM'lerden DSL nesneleri oluşturduğunda, ortaya çıkan DSL, kullanıcı arayüzü ile destek hizmetindeki iş mantığı arasındaki sözleşmeyi oluşturan mevcut arayüz verilerinin ve şemasının ya tam bir kopyası ya da bir türevi olur. Bu model, yapılandırmaları kod aracılığıyla temsil etme konusundaki benzersiz yöntemleri ve müşterileri için kullanıcı deneyimini basitleştirme arzusu nedeniyle özellikle bağımsız yazılım satıcıları (ISV'ler) ve hizmet olarak yazılım (SaaS) ISV'leri arasında popülerdir. Örnek kullanım durumları şunları içerir:
AWS'de Yüksek Lisans ile metinden işlem hattına uygulamalar oluşturmanın ve ölçeklendirmenin en kolay yolu Amazon Bedrock'u kullanmaktır. Amazon Bedrock, temel modellerle (FM'ler) üretken yapay zeka uygulamaları oluşturmanın ve ölçeklendirmenin en kolay yoludur. Bu, gizlilik ve güvenlikle üretken yapay zeka uygulamaları oluşturmak için ihtiyacınız olan geniş bir yetenek kümesinin yanı sıra, önde gelen yapay zekanın yüksek performanslı temel FM seçeneklerine tek bir API aracılığıyla erişim sunan, tamamen yönetilen bir hizmettir. Güvenilir, yorumlanabilir ve yönlendirilebilir yapay zeka sistemleri oluşturan bir yapay zeka güvenlik ve araştırma laboratuvarı olan Anthropic, Amazon Bedrock'ta son teknolojiye sahip LLM'si Claude'a erişim sunan önde gelen yapay zeka şirketlerinden biridir. Claude, düşünceli diyalog, içerik oluşturma, karmaşık akıl yürütme, yaratıcılık ve kodlama gibi çok çeşitli görevlerde başarılı olan bir LLM'dir. Anthropic, tümü Amazon Bedrock'ta bulunan Claude ve Claude Instant modellerini sunuyor. Claude, belirsiz teknik problemlerin çözümünde üstünlük sağlamasına olanak tanıyan gelişmiş muhakeme yeteneği nedeniyle bu metinden boru hattına uygulamalarda hızla popülerlik kazanmıştır. Amazon Bedrock'taki Claude 2, yaklaşık 100,000 sayfalık İngilizce metne eşdeğer olan 200 jetonluk bir bağlam penceresini destekler. Bu, karmaşık akıl yürütme, ayrıntılı talimatlar ve kapsamlı örnekler gerektiren metinden işlem hattına uygulamalar oluştururken güvenebileceğiniz özellikle önemli bir özelliktir.
SnapLogic'in arka planı
SnapLogic, kurumsal otomasyonu dünyaya getirme misyonuna sahip bir AWS müşterisidir. SnapLogic Akıllı Entegrasyon Platformu (IIP), kuruluşların tüm uygulama ekosistemlerini, veritabanlarını, büyük verileri, makineleri ve cihazları, API'leri ve daha fazlasını Snaps adı verilen önceden oluşturulmuş akıllı konektörlerle bağlayarak kurumsal çapta otomasyon gerçekleştirmesine olanak tanır. SnapLogic kısa süre önce adlı bir özelliği yayınladı. SnapGPToluşturmak istediğiniz entegrasyon hattını basit insan dilinde yazabileceğiniz bir metin arayüzü sağlar. SnapGPT, bu entegrasyon işlem hatlarının kod olarak oluşturulmasını otomatikleştirmek için Amazon Bedrock aracılığıyla Anthropic'in Claude modelini kullanıyor ve bunlar daha sonra SnapLogic'in amiral gemisi entegrasyon çözümü aracılığıyla kullanılıyor. Ancak SnapLogic'in SnapGPT'ye olan yolculuğu, yapay zeka alanında uzun yıllardır faaliyet göstermenin bir sonucudur.
SnapLogic'in yapay zeka yolculuğu
Entegrasyon platformları alanında SnapLogic, yapay zekanın dönüştürücü gücünden yararlanarak sürekli olarak ön planda olmuştur. Yıllar geçtikçe şirketin yapay zeka ile yenilik yapma konusundaki kararlılığı açıkça ortaya çıktı, özellikle de yolculuğun izini sürdüğümüzde. İris için Otomatik Bağlantı.
Iris ile mütevazi başlangıçlar
2017 yılında SnapLogic, sektörde bir ilk olan yapay zeka destekli entegrasyon asistanı Iris'i tanıttı. Iris, bir veri hattı oluşturmanın sonraki adımlarını tahmin etmek için makine öğrenimi (ML) algoritmalarını kullanacak şekilde tasarlandı. Iris, milyonlarca meta veri öğesini ve veri akışını analiz ederek kullanıcılara akıllı önerilerde bulunabilir, veri entegrasyonunu demokratikleştirebilir ve derin bir teknik geçmişi olmayanların bile karmaşık iş akışları oluşturmasına olanak tanıyabilir.
Otomatik Bağlantı: İvme oluşturma
Iris'in başarısından ve öğrendiklerinden yola çıkan SnapLogic, veri eşleme sürecini daha da basitleştirmeyi amaçlayan bir özellik olan Otomatik Bağlantı'yı tanıttı. Kaynak ve hedef sistemler arasındaki alanların manuel olarak eşleştirilmesi şeklindeki sıkıcı görev, Otomatik Bağlantı ile çocuk oyuncağı haline geldi. AutoLink, yapay zekayı kullanarak potansiyel eşleşmeleri otomatik olarak belirledi ve önerdi. Eskiden saatler süren entegrasyonlar artık yalnızca birkaç dakika içinde gerçekleştirilebiliyordu.
SnapGPT ile üretken sıçrama
SnapLogic'in yapay zeka alanındaki son hamlesi bize entegrasyonda daha da devrim yaratmayı amaçlayan SnapGPT'yi getiriyor. SnapGPT ile SnapLogic dünyanın ilk üretken entegrasyon çözümünü sunuyor. Bu sadece mevcut süreçleri basitleştirmekle ilgili değil, aynı zamanda entegrasyonların nasıl tasarlandığını tamamen yeniden tasarlamakla ilgili. Üretken yapay zekanın gücü, tüm entegrasyon hatlarını sıfırdan oluşturarak iş akışını istenen sonuca ve veri özelliklerine göre optimize edebilir.
SnapGPT, SnapLogic'in müşterileri için son derece etkilidir çünkü ilk SnapLogic işlem hattını oluşturmak için gereken süreyi büyük ölçüde azaltabilmektedirler. Geleneksel olarak SnapLogic müşterilerinin entegrasyon hatlarını sıfırdan yapılandırmak için günler veya haftalar harcaması gerekir. Artık bu müşteriler SnapGPT'den örneğin "tüm aktif SFDC müşterilerimi WorkDay'e taşıyacak bir işlem hattı oluşturmasını" isteyebiliyor. Bu müşteri için otomatik olarak bir işlem hattının çalışan bir ilk taslağı oluşturulur ve bu, entegrasyon hattının temelini oluşturmak için gereken geliştirme süresini büyük ölçüde azaltır. Bu, son müşterinin, bir entegrasyon hattının yapılandırmaları üzerinde çalışmak yerine, kendileri üzerinde gerçek iş etkisine sahip olana odaklanarak daha fazla zaman harcamasına olanak tanır. Aşağıdaki örnek, bir SnapLogic müşterisinin, doğal dili kullanarak hızlı bir şekilde bir işlem hattı oluşturmak için SnapGPT özelliğine nasıl bir açıklama girebileceğini gösterir.
AWS ve SnapLogic, bu ürün yapısı boyunca yakın iş birliği yaptı ve bu süreçte çok şey öğrendi. Bu yazının geri kalanında AWS ve SnapLogic'in metinden işlem hattına uygulamalar için LLM'leri kullanma konusunda edindiği teknik bilgilere odaklanılacaktır.
Çözüme genel bakış
Bu metinden işlem hattına sorunu çözmek için AWS ve SnapLogic, aşağıdaki mimaride gösterilen kapsamlı bir çözüm tasarladı.
SnapGPT'ye yapılan bir istek aşağıdaki iş akışından geçer:
- Bir kullanıcı uygulamaya bir açıklama gönderir.
- SnapLogic, kullanıcının isteğine benzer SnapLogic ardışık düzenlerinin ilgili örneklerini almak için Alma Artırılmış Nesil (RAG) yaklaşımını kullanır.
- Çıkarılan bu ilgili örnekler, kullanıcı girişiyle birleştirilir ve Amazon Bedrock'ta Claude'a gönderilmeden önce bazı metin ön işlemlerinden geçer.
- Claude, SnapLogic ardışık düzenini temsil eden bir JSON yapısı üretir.
- JSON yapısı doğrudan çekirdek SnapLogic entegrasyon platformuna entegre edilmiştir.
- SnapLogic işlem hattı kullanıcıya görsel açıdan uygun bir şekilde sunulur.
AWS ve SnapLogic arasında yapılan çeşitli deneyler sonucunda, çözüm diyagramının hızlı mühendislik adımının, bu metinden işlem hattına çıktılar için yüksek kaliteli çıktılar üretme açısından son derece önemli olduğunu bulduk. Bir sonraki bölümde Claude ile bu alanda kullanılan bazı spesifik teknikler daha ayrıntılı olarak ele alınacaktır.
Hızlı deneme
SnapGPT'nin geliştirme aşaması boyunca AWS ve SnapLogic, Claude'a gönderilen istemlerde hızlı yinelemenin, SnapLogic'in çıktılarındaki metinden boru hattına çıktıların doğruluğunu ve alaka düzeyini artırmak için kritik bir geliştirme görevi olduğunu buldu. Kullanarak Amazon SageMaker Stüdyosu etkileşimli dizüstü bilgisayarlar sayesinde AWS ve SnapLogic ekibi, komut istemlerinin farklı sürümleri üzerinde hızlı bir şekilde çalışabildi. Amazon Bedrock'a Boto3 SDK bağlantısı. Dizüstü bilgisayar tabanlı geliştirme, ekiplerin Amazon Bedrock'a hızlı bir şekilde istemci tarafı bağlantılar oluşturmasına, Amazon Bedrock'a istem göndermek için Python kodunun yanı sıra metin tabanlı açıklamalar eklemesine ve birden fazla kişi arasında hızlı bir şekilde yinelemelerin yapıldığı ortak istem mühendisliği oturumları düzenlemesine olanak tanıdı.
Antropik Claude hızlı mühendislik yöntemleri
Bu bölümde, açıklayıcı bir kullanıcı isteğine dayalı olarak yüksek performanslı bir bilgi istemi oluşturmak için kullandığımız yinelemeli tekniklerden bazılarını açıklıyoruz: "Tüm aktif müşterileri getiren SampleCompany veritabanını kullanan bir işlem hattı oluşturun." Bu örneğin SnapGPT'nin desteklediği şema olmadığını ve yalnızca metinden boru hattına uygulamasını göstermek için kullanıldığını unutmayın.
Bilgi istemi mühendisliğimizi temellendirmek için aşağıdaki orijinal istemi kullanırız:
Tüm aktif müşterileri alan SampleCompany veritabanını kullanan bir işlem hattı oluşturun
Beklenen çıktı aşağıdaki gibidir:
{ "database": "ExampleCompany", "query": "SELECT * FROM ec_prod.customers WHERE status = 'active'" }
İyileştirme #1: İnsan ve Asistan ek açıklamalarını kullanma
Claude'un eğitim prosedürü, FM'e bir insan ile bir asistan arasındaki diyalogu hızlı yapısında anlamayı öğretir. Claude kullanıcıları, komut istemlerini Asistan:'da sonlandırarak bu yapıdan yararlanabilirler; bu, Claude'un, insanın söylediklerine dayalı olarak bir sorguya yanıt oluşturmaya başlamasını tetikler. Claude, kendisine durması söylenene kadar metin oluşturmaya devam edeceğinden, Claude'u kullanırken Amazon Bedrock'a yapılan API isteğinde nnHuman: durdurma dizisini kullandığınızdan emin olun. Bu, diyalog zincirindeki insandan beklenen bir sonraki yanıtı değil, yalnızca asistandan yanıt almanızı sağlayacaktır. Bu nnHuman ve nnAssistant göstergeleri yalnızca Claude'un ilgili bilgilere vereceği tepkiyi sınırlamaya yardımcı olmakla kalmaz, aynı zamanda birincil insan girdileri ile diğer etkileşimlerden gelen asistan yanıtları arasında net bir ayrım yapılmasına da yardımcı olur. Bu, özellikle nnHuman ile etiketlenmiş sorgular ve nnAssistant ile etiketlenmiş önceki yanıtlarla birden fazla sorgu ve yanıta sahip olabileceğiniz birkaç adımlık istem ayarında yardımcı olur. Boto3 SDK aracılığıyla Amazon Bedrock'a yapılan geliştirilmiş istem ve ilgili açıklayıcı API çağrısına bakalım.
Aşağıdaki istemi kullanıyoruz:
İnsan: Tüm aktif müşterileri alan SampleCompany veritabanını kullanan bir işlem hattı oluşturun
Asistanı:
Çıktı aşağıdaki gibidir:
Tüm aktif müşterileri SampleCompany veritabanından almak için MongoDB işlem hattı:
pipeline = [ { '$match': { 'database': 'ExampleCompany', 'status': 'active' } } ] db.customers.aggregate(pipeline)
Temel adımlar şunlardır:
– Belgeleri yalnızca SampleCompany veritabanındaki ve durumu "aktif" olanlara göre filtrelemek için "$match".
– `db.customers.aggregate()` müşteri koleksiyonu üzerinde işlem hattını çalıştırır ve filtrelenen sonuçları döndürür.
Bu, durum alanının "aktif" olarak ayarlandığı SampleCompany veritabanındaki tüm müşteri belgelerini döndürecektir.
Çıktıda Claude'un sorumuza herhangi bir bağlam olmaksızın nasıl bir yanıt oluşturduğuna dikkat edin. Cevap potansiyel olarak faydalıdır ancak çözmeye çalıştığımız soruna özgü değildir çünkü yeterli bağlam sağlanmamıştır. Anthropic'in Claude modellerini kullanırken bu insan ve asistan formatını gerektirdiğini de unutmamak gerekir; bu adımı eklemezseniz Amazon Bedrock bir hata döndürecektir.
İyileştirme #2: Claude'a ne yapması gerektiği söylenmeden önce ona özel bağlamı dahil edin
Claude, neyi başarması gerektiği ve bu görevi nasıl başarması gerektiği konusunda kendisine iyi bir bağlam sağlandığında en iyi performansı gösterir. Claude'a görevi anlatmadan önce bağlam olarak dahil etmeniz gereken birkaç örnek:
- Claude'un yerine getirmesini istediğiniz iş fonksiyonunu açıklayın. Bunu yaparak, Claude'un o işte çalışan biri gibi düşünmesini ya da daha çok o spesifik iş rolü için yeni işe alınan biri gibi düşünmesini sağlıyorsunuz. Bu, Claude'un cevabı söz konusu iş rolü perspektifinden formüle etmesine yardımcı olacak ve cevaptaki halüsinasyonu ve rastgeleliği azaltacaktır.
- Çıktı formatına ilişkin teknik ayrıntıları ekleyin. Temel modeller genellikle eylemleri takip etmekte iyidir; bu nedenle Claude'dan çıktıyı bir veya birkaç örnekle belirli bir formatta veya şemada oluşturmasını istemek, Claude'un yanıtı doğru formatta sağlamasına yardımcı olacak ve çıktının filtrelenmesi ve sonradan işlenmesi ihtiyacını azaltacaktır. Aşağıdaki istemdeki örnek, beklenen çıktıyla eşleşen hayali bir şemayı göstermektedir.
Orijinal istemimizi geliştirmek için bu önerileri birleştirelim:
İnsan: İşiniz ETL boru hatlarında uzman olarak hareket etmek. Özellikle işiniz, size sağlanan kullanıcı isteğini çözecek bir ETL işlem hattının JSON temsilini oluşturmaktır.
JSON çıktısı aşağıdaki formata uymalıdır:
İşte göreviniz: tüm aktif müşterileri getiren SampleCompany veritabanını kullanan bir işlem hattı oluşturmak
Asistanı:
Çıktı aşağıdaki gibidir:
Tüm aktif müşterileri SampleCompany veritabanından almaya yönelik bir ETL işlem hattının JSON temsili aşağıda verilmiştir:
Bu işlem hattı, durumun 'etkin' olduğu müşteriler tablosundaki tüm kayıtları seçmek için SampleCompany veritabanını ve bir SQL sorgusunu kullanır.
Bağlamın da eklenmesiyle model artık cevabımıza giden yolun çoğunu alabiliyor. Artık çıktının nasıl yapılandırılacağını biliyor ve görevi çözmek için bir SQL ifadesi yazması gerektiğini anlıyor. Ancak modelin beklediğimiz ec_prod.customers terminolojisini doğru şekilde kullanmadığını fark edeceksiniz. İyileştirme için yer! Ayrıca, pratikte metinden işlem hattına kullanım örneklerinde yüksek kaliteli sonuçlar elde etmek için bu örnekte sağladığımızdan önemli ölçüde daha fazla bağlam eklemeniz gerekeceğini unutmayın.
İyileştirme #3: Örneklerin XML etiketlerine eklenmesi
Birkaç atışta öğrenme, FM'lere görevlerinde rehberlik edecek ilgili örneklere sahip olduğunuz FM'lerde doğruluğu artırmanın popüler bir yoludur. Bu, metinden boru hattına uygulamalarda çalışırken özellikle önemlidir, çünkü bu aşırı spesifik ardışık düzen çıktıları, bireysel bir müşterinin veri temsiline özel olduğundan genellikle herhangi bir genel veri kümesine dahil edilmez. Claude'u kullanırken, bu örnekleri birkaç çekim formatında sağlamak için, onun rastgele XML etiketlerine ilişkin doğuştan gelen bilgisinden yararlanabilirsiniz. Aşağıdaki geliştirilmiş istemde, ekte yer alan örneklerin eklendiğine dikkat edin. XML etiketleri. Ayrıca, Claude'a bağlam sağlamak için bunların diyaloğun belirli parçaları olduğunu düşündürmeden H ve A ile birlikte insan ve asistan kısaltmalarını kullanabilirsiniz.
Aşağıdaki istemi kullanıyoruz:
İnsan: İşiniz ETL boru hatlarında uzman olarak hareket etmek. Özellikle işiniz, size sağlanan kullanıcı isteğini çözecek bir ETL işlem hattının JSON temsilini oluşturmaktır.
JSON çıktısı aşağıdaki formata uymalıdır:
Sağlanan görevi doğru bir şekilde çözen kullanıcı istekleri ve ilgili çıktı JSON yapıtlarının bazı örneklerini burada bulabilirsiniz. Aynı veritabanlarını kullanıyorsanız örneklerde sağlanan terminolojinin aynısını kullandığınızdan emin olun.
H: 1234 numaralı müşteri için herhangi bir aktif sipariş için SampleCompany veritabanını sorgulayın
A:
Bu sorgunun nedeni 1234 numaralı müşterinin filtrelenmiş olması ve "siparişler" tablosunda "aktif" filtreden sonra mevcut kayıtları arıyor olmamızdır.
H: SampleCompany veritabanındaki son ay aktif olmayan tüm müşterileri kaldırın
A:
Bu sorgunun nedeni, SampleCompany veritabanında müşteri kayıtlarının yer aldığı tek tablonun “ec_prod.customers” tablosu olmasıdır.
İşte göreviniz: tüm aktif müşterileri getiren SampleCompany veritabanını kullanan bir işlem hattı oluşturmak.
Asistanı:
Çıktı aşağıdaki gibidir:
Tüm aktif müşterileri SampleCompany veritabanından almak için bir ETL işlem hattının JSON temsili aşağıda verilmiştir:
Gerekçe şu:
SampleCompany veritabanı kullanılacak veritabanı olarak belirtildi
ec_prod.customers tablosu müşteri verilerini içerir
Durum alanı bir müşterinin aktif olup olmadığını gösterir, böylece sorgu yalnızca aktif müşteriler için filtrelenir
Bu, tüm aktif müşteri kayıtlarını SampleCompany veritabanından almalıdır. Herhangi bir açıklamaya ihtiyacınız varsa veya ETL boru hattına ilişkin ek gereksinimleriniz varsa bana bildirin!
JSON çıktısı artık doğru veritabanı terminolojisine sahip ve Claude, sunduğumuz örnekler sayesinde bunu kullanabildi. İnsan ve asistan göstergelerini XML etiketleriyle birleştirmek, Claude'un benzer örneklerde görevin ne olduğunu ve cevabın ne olduğunu anlamasını kolaylaştırır ve birden fazla az çekimli örnek arasında çok net bir ayrım sağlar. Claude'un anlaması ne kadar kolay olursa cevap da o kadar iyi ve alakalı olacak ve modelin halüsinasyon görme ve rastgele alakasız cevaplar verme şansı daha da azalacak.
İyileştirme #4: Claude'un XML etiketleriyle JSON oluşturmaya başlamasını tetikleme
FM kullanan metinden boru hattına uygulamalardaki küçük bir zorluk, ortaya çıkan metinden bir çıktının, aşağı akışlı bir uygulamada kod olarak yorumlanabilmesi için tam olarak ayrıştırılması ihtiyacıdır. Bunu Claude ile çözmenin bir yolu, XML etiketi anlayışından yararlanmak ve bunu özel bir durdurma dizisiyle birleştirmektir. Aşağıdaki istemde Claude'a çıktıyı içine alması talimatını verdik. XML etiketleri. Daha sonra şunu ekledik: istemin sonuna kadar etiketleyin. Bu, Claude'dan çıkan ilk metnin JSON çıktısının başlangıcı olmasını sağlar. Bunu yapmazsanız, Claude genellikle konuşma metniyle, ardından da gerçek kod yanıtıyla yanıt verir. Claude'a çıktıyı hemen üretmeye başlaması talimatını vererek kapanışı gördüğünüzde oluşturmayı kolayca durdurabilirsiniz. etiket. Bu, güncellenen Boto3 API çağrısında gösterilir. Bu tekniğin faydaları iki yönlüdür. İlk olarak, Claude'un kod yanıtını tam olarak ayrıştırabilirsiniz. İkincisi, Claude yalnızca kod çıktıları oluşturduğundan ve fazladan metin oluşturmadığından maliyeti azaltabilirsiniz. Bu, Amazon Bedrock'taki maliyeti azaltır çünkü tüm FM'lerden çıktı olarak üretilen her jeton için ücretlendirilirsiniz.
Aşağıdaki istemi kullanıyoruz:
İnsan: İşiniz ETL boru hatlarında uzman olarak hareket etmek. Özellikle işiniz, size sağlanan kullanıcı isteğini çözecek bir ETL işlem hattının JSON temsilini oluşturmaktır.
JSON çıktısı aşağıdaki formata uymalıdır:
Sağlanan görevi doğru bir şekilde çözen kullanıcı istekleri ve ilgili çıktı JSON yapıtlarının bazı örneklerini burada bulabilirsiniz. Aynı veritabanlarını kullanıyorsanız örneklerde sağlanan terminolojinin aynısını kullandığınızdan emin olun.
H: 1234 numaralı müşteri için herhangi bir aktif sipariş için SampleCompany veritabanını sorgulayın
A:
Bu sorgunun nedeni 1234 numaralı müşterinin filtrelenmiş olması ve "siparişler" tablosunda "aktif" filtreden sonra mevcut kayıtları arıyor olmamızdır.
H: SampleCompany veritabanındaki son ay aktif olmayan tüm müşterileri kaldırın
A:
Bu sorgunun nedeni, SampleCompany veritabanında müşteri kayıtlarının yer aldığı tek tablonun “ec_prod.customers” tablosu olmasıdır.
JSON çıktılarınızı her zaman içine almayı unutmayın. Etiketler.
İşte göreviniz: tüm aktif müşterileri getiren SampleCompany veritabanını kullanan bir işlem hattı oluşturmak.
Asistanı:
Aşağıdaki kodu kullanıyoruz:
body = json.dumps({"prompt": prompt, "stop_sequences": ['nnHuman:', '</json>']})
response = bedrock.invoke_model(
body=body,
modelId='anthropic.claude-v2'
)
Çıktı aşağıdaki gibidir:
{ "database": "ExampleCompany", "query": "SELECT * FROM ec_prod.customers WHERE status = 'active'" }
Artık yalnızca JSON nesnesinin döndürülmesiyle beklenen çıktıya ulaştık! Bu yöntemi kullanarak, anında kullanılabilir bir teknik eser üretebiliyoruz ve aynı zamanda çıktı tokenlerini azaltarak üretim maliyetini düşürebiliyoruz.
Sonuç
SnapGPT'yi bugün kullanmaya başlamak için bir talepte bulunun SnapLogic'in ücretsiz deneme sürümü or ürünün demosunu talep edin. Bu kavramları bugün uygulama oluşturmak için kullanmak istiyorsanız, şunu öneririz: uygulamalı denemeler yapmak Bu gönderideki hızlı mühendislik bölümüyle, aynı akışı işinize uygun farklı bir DSL nesli kullanım senaryosunda kullanarak ve daha derinlere inerek Amazon Bedrock aracılığıyla kullanılabilen RAG özellikleri.
SnapLogic ve AWS, insan dili ile Amazon Bedrock tarafından desteklenen SnapLogic entegrasyon işlem hatlarının karmaşık şeması arasında gelişmiş bir çevirici oluşturmak için etkili bir şekilde ortaklık kurmayı başardı. Bu yolculuk boyunca, Claude ile oluşturulan çıktının, belirli istem mühendisliği teknikleri kullanılarak metinden boru hattına uygulamalarında nasıl geliştirilebileceğini gördük. AWS ve SnapLogic, Üretken Yapay Zeka alanındaki bu ortaklığa devam etmekten heyecan duyuyor ve bu hızlı hareket eden alanda gelecekteki iş birliği ve yenilikleri sabırsızlıkla bekliyor.
Yazarlar Hakkında
Greg Benson San Francisco Üniversitesi'nde Bilgisayar Bilimleri Profesörü ve SnapLogic'te Baş Bilim Adamıdır. 1998 yılında USF Bilgisayar Bilimleri Bölümü'ne katıldı ve işletim sistemleri, bilgisayar mimarisi, programlama dilleri, dağıtılmış sistemler ve programlamaya giriş gibi lisans ve yüksek lisans dersleri verdi. Greg, işletim sistemleri, paralel hesaplama ve dağıtılmış sistemler alanlarında araştırmalar yayınladı. 2010 yılında SnapLogic'e katıldığından beri Greg, küme işleme, büyük veri işleme, bulut mimarisi ve makine öğrenimi dahil olmak üzere birçok temel platform özelliğinin tasarlanmasına ve uygulanmasına yardımcı oldu. Şu anda veri entegrasyonu için Üretken Yapay Zeka üzerinde çalışıyor.
Aaron Kesler SnapLogic'te Yapay Zeka ürünleri ve hizmetlerinden sorumlu Kıdemli Ürün Müdürü olan Aaron, Yapay Zeka/Makine Öğrenimi ürün geliştirmede öncü olmak ve hizmetleri kuruluş genelinde yaygınlaştırmak için on yılı aşkın ürün yönetimi uzmanlığını kullanıyor. Yakında çıkacak olan “Sorununuz Ne?” kitabının yazarıdır. yeni ürün yöneticilerine ürün yönetimi kariyeri boyunca rehberlik etmeyi amaçlamaktadır. Girişimcilik yolculuğu, daha sonra Carvertise tarafından satın alınan ve Aaron'un Delaware'de 2015 Yılının Teknoloji Startup'ı olarak tanınmasına önemli ölçüde katkıda bulunan üniversite girişimi STAK ile başladı. Aaron, profesyonel uğraşlarının ötesinde babasıyla golf oynamaktan, seyahatlerinde yeni kültürleri ve yiyecekleri keşfetmekten ve ukulele çalışmaktan keyif alıyor.
Zengin Dereotu birden fazla uzmanlık alanında geniş deneyime sahip bir Baş Çözüm Mimarıdır. Çok platformlu kurumsal yazılım ve SaaS'ı kapsayan bir başarı geçmişi. Müşteri savunuculuğunu (müşterinin sesi olarak hizmet etmek) gelir getirici yeni özelliklere ve ürünlere dönüştürmesiyle tanınır. Hızlı tempolu kara ve deniz ortamlarında en son ürünleri pazara sunma ve projeleri programa uygun ve bütçe dahilinde tamamlama konusunda kanıtlanmış yetenek. Beni tanımlamanın basit bir yolu: Bir bilim adamının zihni, bir kaşifin kalbi ve bir sanatçının ruhu.
Kil Elmore AWS'de AI/ML Uzman Çözüm Mimarıdır. Bir malzeme araştırma laboratuvarında uzun saatler geçirdikten sonra kimya mühendisliğindeki geçmişi, makine öğrenimine olan ilgisinin peşinden koşmak için hızla geride bırakıldı. Enerji ticaretinden konaklama pazarlamasına kadar birçok farklı sektörde ML uygulamaları üzerinde çalıştı. Clay'in AWS'deki mevcut çalışması, müşterilerin makine öğrenimi ve üretken yapay zeka iş yüklerine yazılım geliştirme uygulamaları getirmelerine yardımcı olmaya odaklanıyor ve müşterilerin bu karmaşık ortamlarda tekrarlanabilir, ölçeklenebilir çözümler oluşturmasına olanak tanıyor. Clay boş zamanlarında kayak yapmaktan, Rubik küplerini çözmekten, kitap okumaktan ve yemek yapmaktan hoşlanıyor.
Sina Sojoodi teknoloji yöneticisi, sistem mühendisi, ürün lideri, eski kurucu ve startup danışmanıdır. AWS'ye Mart 2021'de Baş Çözüm Mimarı olarak katıldı. Sina şu anda ABD-Batı ISV bölgesinin lider Çözüm Mimarıdır. AWS'de işlerini kurmak ve büyütmek için SaaS ve B2B yazılım şirketleriyle birlikte çalışıyor. Amazon'daki görevinden önce Sina, VMware ve Pivotal Software'de (2018'de halka arz, 2020'de VMware Birleşme ve Satın Alma) teknoloji yöneticisi olarak görev yapmış ve Xtreme Labs'de kurucu mühendis (2013'te Pivotal'ın satın alınması) da dahil olmak üzere çok sayıda liderlik görevi üstlenmiştir. Sina, iş tecrübesinin son 15 yılını işletmeler, yazılım işletmeleri ve kamu sektörü için yazılım platformları ve uygulamaları oluşturmaya adamıştır. Yeniliğe tutkuyla bağlı bir sektör lideridir. Sina, Elektrik Mühendisliği ve Psikoloji okuduğu Waterloo Üniversitesi'nden lisans derecesine sahiptir.
Sandeep Rohilla AWS'de Kıdemli Çözüm Mimarıdır ve ABD'nin Batı bölgesindeki ISV müşterilerini destekler. Müşterilerin AWS bulutunda konteynerlerden ve üretken yapay zekadan yararlanarak çözümler tasarlamasına yardımcı olmaya odaklanıyor. Sandeep, müşterilerin iş sorunlarını anlama ve teknoloji aracılığıyla hedeflerine ulaşmalarına yardımcı olma konusunda tutkuludur. On yıldan fazla bir süre çözüm mimarı olarak çalıştıktan sonra AWS'ye katıldı ve 17 yıllık deneyiminden yararlandı. Sandeep'in yüksek lisans derecesi vardır. Yazılım Mühendisliği alanında Bristol, Birleşik Krallık'taki West of England Üniversitesi'nden.
Dr. Farooq Sabir AWS'de Kıdemli Yapay Zeka ve Makine Öğrenimi Uzmanı Çözüm Mimarıdır. Austin'deki Texas Üniversitesi'nden Elektrik Mühendisliği alanında doktora ve yüksek lisans derecelerine ve Georgia Institute of Technology'den Bilgisayar Bilimleri alanında yüksek lisans derecesine sahiptir. 15 yılı aşkın iş tecrübesine sahiptir ve ayrıca üniversite öğrencilerine ders vermeyi ve rehberlik etmeyi sever. AWS'de müşterilerin veri bilimi, makine öğrenimi, bilgisayar görüşü, yapay zeka, sayısal optimizasyon ve ilgili alanlarda iş sorunlarını formüle etmelerine ve çözmelerine yardımcı olur. Dallas, Teksas'ta yaşayan o ve ailesi seyahat etmeyi ve uzun yolculuklara çıkmayı seviyor.
- SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
- PlatoData.Network Dikey Üretken Yapay Zeka. Kendine güç ver. Buradan Erişin.
- PlatoAiStream. Web3 Zekası. Bilgi Genişletildi. Buradan Erişin.
- PlatoESG. karbon, temiz teknoloji, Enerji, Çevre, Güneş, Atık Yönetimi. Buradan Erişin.
- PlatoSağlık. Biyoteknoloji ve Klinik Araştırmalar Zekası. Buradan Erişin.
- Kaynak: https://aws.amazon.com/blogs/machine-learning/how-snaplogic-built-a-text-to-pipeline-application-with-amazon-bedrock-to-translate-business-intent-into-action/
- :vardır
- :dır-dir
- :olumsuzluk
- :Neresi
- $UP
- 10
- 100
- 121
- 14
- 15 yıl
- %15
- 150
- 17
- 1998
- 200
- 2010
- 2013
- 2015
- 2017
- 2018
- 2020
- 2021
- 31
- 33
- 7
- 8
- 9
- a
- aaron
- kabiliyet
- Yapabilmek
- Hakkımızda
- erişim
- başarmak
- doğruluk
- Başarmak
- edinilen
- edinme
- karşısında
- Hareket
- Action
- eylemler
- aktif
- katma
- ilave
- Ek
- ileri
- avantaj
- danışman
- savunma
- Sonra
- AI
- AI sistemleri
- AI destekli
- AI / ML
- Hedeflenen
- Amaçları
- algoritmalar
- Türkiye
- izin
- Izin
- veriyor
- boyunca
- yanında
- zaten
- Ayrıca
- Amazon
- Amazon Web Servisleri
- miktar
- an
- analiz
- ve
- cevap
- cevaplar
- Antropik
- herhangi
- api
- API'ler
- Uygulama
- uygulamaları
- geçerlidir
- yaklaşım
- uygulamalar
- Arapça
- mimari
- ARE
- ALAN
- alanlar
- etrafında
- geldi
- Sanat
- yapay
- yapay zeka
- Yapay Zeka ve Makine Öğrenimi
- sanatçı
- AS
- sormak
- soran
- Asistan
- ilişkili
- At
- augmented
- austin
- yazar
- otomatikleştirmek
- Otomatik
- otomatik olarak
- Otomasyon
- mevcut
- AWS
- AWS Müşterisi
- B2B
- arka fon
- destek
- baz
- merkezli
- Temel
- BE
- Ayı
- oldu
- Çünkü
- müşterimiz
- olmuştur
- önce
- başladı
- başlamak
- arkasında
- olmak
- faydaları
- İYİ
- Daha iyi
- arasında
- Ötesinde
- Büyük
- büyük Veri
- kitap
- her ikisi de
- getirmek
- Bringing
- Getiriyor
- Bristol
- geniş
- geniş
- bütçe
- inşa etmek
- bina
- inşa
- yapılı
- iş
- iş etkisi
- işletmeler
- fakat
- by
- çağrı
- denilen
- CAN
- yetenekleri
- Kariyer
- dava
- durumlarda
- Merkezleri
- zincir
- meydan okuma
- şans
- özellikleri
- yüklü
- kimyasal
- baş
- seçim
- açık
- yakından
- kapanış
- bulut
- Küme
- kod
- kodlama
- işbirliği
- işbirliği
- Toplamak
- Kolej
- birleştirmek
- kombine
- geliyor
- taahhüt
- Şirketler
- Şirketin
- mecbur
- tamamlama
- karmaşık
- kapsamlı
- bilgisayar
- Bilgisayar Bilimleri
- Bilgisayar görüşü
- bilgisayar
- kavramlar
- yapılandırarak
- bağlantı
- bağ
- Bağlantılar
- sürekli
- Konteynerler
- içeren
- içerik
- içerik yaratımı
- bağlam
- devam etmek
- sözleşme
- katkıda
- konuşkan
- yemek pişirme
- çekirdek
- doğru
- doğru
- Ücret
- olabilir
- dersler
- yaratmak
- çevrimiçi kurslar düzenliyorlar.
- oluşturma
- yaratıcılık
- kritik
- akım
- Şu anda
- görenek
- müşteri
- Müşteriler
- kesim
- keskin kenar
- Dallas
- veri
- veri entegrasyonu
- veri işleme
- veri bilimi
- veritabanı
- veritabanları
- Günler
- onyıl
- azaltmak
- adanmış
- derin
- derin
- Delaware
- Gösteri
- Demokratikleştirilmesi
- bölüm
- türev
- tanımlamak
- tanım
- Dizayn
- tasarlanmış
- arzu
- İstediğiniz
- detaylı
- ayrıntılar
- geliştiriciler
- gelişme
- Cihaz
- Diyalog
- farklı
- direkt olarak
- dağıtıldı
- dağıtılmış sistemler
- dalış
- do
- evraklar
- Değil
- yapıyor
- etki
- Dont
- aşağı
- taslak
- şiddetle
- sürücü
- gereken
- her
- kolay
- kolay
- kolayca
- ekosistem
- etkili bir şekilde
- ya
- elektrik Mühendisliği
- elemanları
- sağlar
- son
- bitirme
- enerji
- mühendis
- Mühendislik
- İngiltere
- İngilizce
- artış
- yeterli
- sağlamak
- olmasını sağlar
- Keşfet
- kuruluş
- kurumsal yazılım
- Kurumsal Çözümler
- işletmelerin
- Tüm
- Baştan sona
- girişimci
- ortamları
- eşit
- Eşdeğer
- hata
- özellikle
- Eter (ETH)
- Hatta
- belirgin
- kesinlikle
- örnek
- örnekler
- Excel
- uyarılmış
- yürütme
- mevcut
- beklenen
- bekliyoruz
- deneyim
- uzman
- Uzmanlık
- kâşif
- Keşfetmek
- ekstra
- son derece
- aile
- hızlı hareket eden
- hızlı tempolu
- Özellikler(Hazırlık aşamasında)
- Özellikler
- az
- alan
- Alanlar
- filtre
- süzme
- filtreler
- bulur
- Ad
- amiral gemisi
- akış
- Akışları
- odak
- odaklanır
- odaklanma
- takip et
- takip etme
- şu
- gıdalar
- İçin
- akın
- Forefront
- biçim
- formlar
- ileri
- bulundu
- vakıf
- kurucu
- Francisco
- arkadaş canlısı
- itibaren
- yerine getirmek
- tamamen
- işlev
- daha fazla
- gelecek
- kazandı
- genellikle
- oluşturmak
- oluşturulan
- üretir
- üreten
- nesil
- üretken
- üretken yapay zeka
- Georgia Institute of Technology
- almak
- gif
- verilmiş
- Go
- Goller
- Goes
- Tercih Etmenizin
- mezun
- Büyümek
- rehberlik
- vardı
- el
- Koşum
- Var
- he
- Network XNUMX'in Kalbi
- yardım et
- yardım
- faydalı
- yardım
- yardımcı olur
- okuyun
- yüksek performans
- Yüksek kaliteli
- özeti
- onun
- ambar
- tutar
- misafirperverlik
- SAAT
- Ne kadar
- Nasıl Yapılır
- Ancak
- HTML
- HTTPS
- insan
- alçakgönüllü
- tespit
- if
- örneklemek
- hemen
- darbe
- etkili
- uygulamak
- önemli
- iyileştirmek
- gelişmiş
- geliştirme
- in
- dahil
- dahil
- Dahil olmak üzere
- Artırmak
- bağımsız
- gösterir
- göstergeler
- bireysel
- Endüstri
- sanayi
- Endüstri lideri
- bilgi
- doğuştan
- yenilik
- Yenilikçilik
- giriş
- girişler
- anlık
- yerine
- Enstitü
- talimatlar
- entegre
- bütünleşme
- entegrasyonlar
- İstihbarat
- Akıllı
- niyet
- etkileşimleri
- interaktif
- faiz
- arayüzey
- iç
- içine
- tanıttı
- Tanıtımlar
- tanıtıcı
- IPO
- isv
- IT
- tekrarlama
- yineleme
- ONUN
- Java
- İş
- katıldı
- birleştirme
- ortak
- seyahat
- sevinç
- jpg
- json
- sadece
- anahtar
- Bilmek
- bilgi
- bilinen
- bilir
- laboratuvar
- Labs
- dil
- Diller
- büyük
- Soyad
- sonra
- son
- öncülük etmek
- lider
- Liderlik
- önemli
- Sıçrama
- öğrendim
- öğrenme
- sol
- izin
- kaldıraç
- sevmek
- seviyor
- mantık
- Uzun
- Bakın
- Çok
- Aşk
- M bir
- makine
- makine öğrenme
- Makineler
- yapılmış
- yapmak
- YAPAR
- Yapımı
- yönetilen
- yönetim
- müdür
- Yöneticileri
- tavır
- el ile
- çok
- haritalama
- Mart
- pazar
- Pazarlama
- maçlar
- malzemeler
- me
- akıl hocası
- mers
- Metadata
- yöntem
- milyonlarca
- akla
- dakika
- Misyonumuz
- ML
- model
- modelleri
- MongoDB
- Daha
- çoğu
- hareket
- MS
- Çoklu platform
- çoklu
- my
- isim
- Doğal (Madenden)
- Doğal lisan
- gerek
- ihtiyaçlar
- yeni
- Yeni Özellikler
- yeni ürün
- sonraki
- yok hayır
- notlar
- dizüstü bilgisayarlar
- Fark etme..
- şimdi
- nesne
- nesneler
- oluştu
- of
- Teklifler
- sık sık
- on
- bir Zamanlar
- ONE
- bir tek
- işletme
- işletim sistemleri
- optimizasyon
- optimize
- or
- sipariş
- emir
- kuruluşlar
- organizasyonlar
- orijinal
- Diğer
- bizim
- dışarı
- Sonuç
- çıktı
- çıkışlar
- tekrar
- sayfaları
- Paralel
- özellikle
- Partner
- İş Ortaklığı
- tutku
- tutkulu
- geçmiş
- model
- gerçekleştirir
- perspektif
- faz
- doktora
- parçalar
- öncü
- boru hattı
- asıl
- yer
- platform
- Platformlar
- Platon
- Plato Veri Zekası
- PlatoVeri
- Popüler
- popülerlik
- Çivi
- potansiyel
- potansiyel
- güç kelimesini seçerim
- powered
- uygulama
- uygulamalar
- tahmin
- tahmin
- önceki
- birincil
- Anapara
- gizlilik
- Gizlilik ve Güvenlik
- Sorun
- sorunlar
- prosedür
- süreç
- Süreçler
- işleme
- Üretilmiş
- üretir
- PLATFORM
- ürün geliştirme
- ürün Yönetimi
- ürün müdürü
- Ürünler
- Ürünler ve servisler
- profesyonel
- profesör
- Programlama
- Programlama dilleri
- Projeler
- istemleri
- kanıtlanmış
- sağlamak
- sağlanan
- sağlar
- sağlama
- Psikoloji
- halka açık
- yayınlanan
- Yayınlanmış araştırma
- takip etmek
- Python
- sorgular
- soru
- hızla
- rasgele
- rasgelelik
- menzil
- değişen
- hızlı
- Okuma
- gerçekleştirmek
- alan
- teslim almak
- geçenlerde
- tanıma
- tavsiye etmek
- kayıt
- kayıtlar
- azaltmak
- azaltır
- azaltarak
- ilişkin
- bölge
- yeniden tahayyül
- ilgili
- serbest
- uygun
- güvenilir
- güvenmek
- hatırlamak
- Kaldır
- render
- tekrarlanabilir
- cevap
- temsil
- temsil
- temsil
- talep
- isteklerinizi
- gerektirir
- gereklidir
- Yer Alan Kurallar
- gerektirir
- araştırma
- yanıt
- yanıtları
- DİNLENME
- Ortaya çıkan
- Sonuçlar
- dönüş
- İade
- devrim yapmak
- Zengin
- krallar gibi yaşamaya
- yol
- Rol
- rolleri
- oda
- koşmak
- ishal
- SaaS
- Güvenlik
- sagemaker
- Adı geçen
- aynı
- San
- San Francisco
- Scala
- ölçeklenebilir
- ölçek
- program
- Bilim
- bilim adamı
- çizik
- sdk
- arama
- İkinci
- Bölüm
- sektör
- güvenlik
- görmek
- görüldü
- seçmek
- gönderme
- kıdemli
- gönderdi
- Dizi
- hizmet
- hizmet
- Hizmetler
- servis
- oturumları
- set
- ayar
- birkaç
- meli
- şov
- gösterilen
- Gösteriler
- önemli ölçüde
- benzer
- Basit
- basitleştirmek
- basitleştirilmesi
- sadece
- beri
- tek
- küçük
- So
- Yazılım
- hizmet olarak yazılım
- Yazılım geliştiricileri
- yazılım geliştirme
- yazılım Mühendisliği
- çözüm
- Çözümler
- ÇÖZMEK
- Çözme
- biraz
- Birisi
- sofistike
- ruh
- Kaynak
- uzay
- İspanyolca
- gerginlik
- uzman
- özel
- özellikle
- Belirtilen
- geçirmek
- Harcama
- SQL
- başlama
- başladı
- başlangıç
- Açıklama
- Durum
- adım
- Basamaklar
- dur
- basit
- yapı
- Öğrenciler
- okudu
- başarı
- Destek
- Destekler
- sözde
- elbette
- sistem
- Sistemler
- tablo
- TAG
- Bizi daha iyi tanımak için
- Hedef
- Görev
- görevleri
- öğretilen
- takım
- takım
- teknoloji
- teknik başlangıç
- Teknik
- teknik
- teknikleri
- Teknoloji
- söylemek
- on
- Teksas
- metin
- göre
- o
- The
- Batı
- Dünya
- ve bazı Asya
- Onları
- sonra
- Bunlar
- onlar
- işler
- düşünmek
- Re-Tweet
- Bu
- İçinden
- boyunca
- zaman
- için
- bugün
- simge
- Jeton
- söyledi
- aldı
- araç
- iz
- iz
- Trading
- geleneksel
- Eğitim
- dönüştürücü
- dönüşümler
- çevirmek
- seyahat
- seyahatleriniz
- uzanımlı
- deneme
- tetikleyebilir
- tetikleme
- gerçek
- Gerçek Kod
- çalışıyor
- Dönüş
- tip
- ui
- Uk
- altında
- anlamak
- anlayış
- anlar
- benzersiz
- üniversite
- kadar
- açıkladı
- yaklaşan
- güncellenmiş
- üzerine
- us
- kullanılabilir
- kullanım
- kullanım durumu
- Kullanılmış
- kullanıcı
- Kullanıcı Deneyimi
- kullanıcılar
- kullanım
- kullanma
- genellikle
- ux
- çeşitli
- satıcıları
- çok
- üzerinden
- vizyonumuz
- görsel
- vmware
- ses
- istemek
- oldu
- Yol..
- we
- ağ
- web hizmetleri
- Haftalar
- İYİ
- vardı
- Batısında
- Ne
- Nedir
- ne zaman
- hangi
- geniş
- Geniş ürün yelpazesi
- irade
- pencere
- ile
- olmadan
- İş
- işlenmiş
- iş akışı
- iş akışları
- çalışma
- çalışır
- Dünya
- Dünyanın en
- olur
- yazmak
- XML
- yıl
- yıl
- sen
- Youtube
- zefirnet