Цю публікацію було написано спільно з Грегом Бенсоном, головним науковим співробітником; Аарон Кеслер, старший менеджер із продукції; та Річ Ділл, архітектор корпоративних рішень із SnapLogic.
Багато клієнтів створюють генеративні програми ШІ Amazon Bedrock та Amazon Code Whisperer створювати артефакти коду на основі природної мови. Цей приклад використання підкреслює, як великі мовні моделі (LLM) можуть стати перекладачем між людськими мовами (англійською, іспанською, арабською тощо) і машинно інтерпретованими мовами (Python, Java, Scala, SQL тощо), а також складними внутрішні міркування. Ця нова здатність LLM змусила розробників програмного забезпечення використовувати LLM як інструмент автоматизації та покращення UX, який перетворює природну мову на доменно-орієнтовану мову (DSL): системні інструкції, запити API, артефакти коду тощо. У цій публікації ми покажемо вам, як це зробити SnapLogic, клієнт AWS, використовував Amazon Bedrock для живлення своїх SnapGPT продукт шляхом автоматизованого створення цих складних артефактів DSL з людської мови.
Коли клієнти створюють об’єкти DSL із LLM, отриманий DSL є або точною копією, або похідною від існуючих даних і схеми інтерфейсу, які формують договір між інтерфейсом користувача та бізнес-логікою у допоміжній службі. Цей шаблон особливо популярний серед незалежних постачальників програмного забезпечення (ISV) і постачальників програмного забезпечення як послуги (SaaS) через їхній унікальний спосіб представлення конфігурацій за допомогою коду та бажання спростити роботу користувача для своїх клієнтів. Приклади використання включають:
Найпростіший спосіб створювати та масштабувати додатки з текстом у конвеєр за допомогою LLM на AWS — використовувати Amazon Bedrock. Amazon Bedrock — це найпростіший спосіб створювати та масштабувати генеративні програми ШІ за допомогою базових моделей (FM). Це повністю керований сервіс, який пропонує доступ до вибору високопродуктивних базових FM від провідних AI через єдиний API, а також широкий набір можливостей, необхідних для створення генеративних програм AI з конфіденційністю та безпекою. Anthropic, дослідницька лабораторія безпеки ШІ, яка створює надійні системи штучного інтелекту, які можна інтерпретувати та керувати ними, є однією з провідних компаній штучного інтелекту, яка пропонує доступ до свого найсучаснішого доктора права, Клода, на Amazon Bedrock. Клод — це магістр права, який чудово справляється з широким спектром завдань, починаючи від продуманого діалогу, створення контенту, складних міркувань, креативності та програмування. Anthropic пропонує моделі Claude і Claude Instant, усі з яких доступні через Amazon Bedrock. Claude швидко набув популярності в цих програмах для перетворення тексту в конвеєр завдяки своїй покращеній здатності міркувати, що дозволяє йому досягати успіхів у розв’язанні неоднозначних технічних проблем. Claude 2 на Amazon Bedrock підтримує контекстне вікно з 100,000 200 токенів, що еквівалентно приблизно XNUMX сторінкам англійського тексту. Це особливо важлива функція, на яку можна покластися, створюючи програми з перетворенням тексту в конвеєр, які вимагають складних міркувань, докладних інструкцій і вичерпних прикладів.
Фон SnapLogic
SnapLogic є клієнтом AWS, який має на меті запровадити автоматизацію підприємств у світі. Платформа інтелектуальної інтеграції SnapLogic (IIP) дозволяє організаціям реалізувати автоматизацію на рівні підприємства, об’єднавши всю свою екосистему додатків, баз даних, великих даних, машин і пристроїв, API тощо за допомогою попередньо створених інтелектуальних з’єднувачів під назвою Snaps. SnapLogic нещодавно випустила функцію під назвою SnapGPT, який надає текстовий інтерфейс, де ви можете вводити потрібний конвеєр інтеграції, який ви хочете створити, простою людською мовою. SnapGPT використовує модель Claude від Anthropic через Amazon Bedrock для автоматизації створення цих конвеєрів інтеграції у вигляді коду, який потім використовується через флагманське рішення для інтеграції SnapLogic. Проте шлях SnapLogic до SnapGPT став кульмінацією багатьох років роботи у сфері ШІ.
Штучна подорож SnapLogic
У царині інтеграційних платформ SnapLogic незмінно була в авангарді, використовуючи трансформаційну силу штучного інтелекту. З роками прихильність компанії до інновацій за допомогою штучного інтелекту стала очевидною, особливо коли ми простежуємо шлях від Райдужка до Автопосилання.
Скромний початок з Айріс
У 2017 році SnapLogic представила Iris, першого в галузі помічника інтеграції на основі ШІ. Iris розроблено для використання алгоритмів машинного навчання (ML) для прогнозування наступних кроків у створенні конвеєра даних. Аналізуючи мільйони елементів метаданих і потоків даних, Iris може надавати розумні пропозиції користувачам, демократизуючи інтеграцію даних і дозволяючи навіть тим, хто не має глибокої технічної підготовки, створювати складні робочі процеси.
AutoLink: нарощування імпульсу
Спираючись на успіх і досвід Iris, SnapLogic представила AutoLink, функцію, спрямовану на подальше спрощення процесу відображення даних. Завдяки AutoLink нудна задача зіставлення полів між вихідною та цільовою системами вручну стала простою справою. Використовуючи штучний інтелект, AutoLink автоматично визначив і запропонував потенційні збіги. Інтеграції, які колись займали години, можна було запустити за лічені хвилини.
Генеративний стрибок із SnapGPT
Остання спроба SnapLogic у галузі штучного інтелекту представляє нам SnapGPT, який має на меті ще більше революціонізувати інтеграцію. Завдяки SnapGPT SnapLogic представляє перше в світі рішення для генеративної інтеграції. Йдеться не лише про спрощення існуючих процесів, але й про повне переосмислення планування інтеграції. Потужність генеративного штучного інтелекту може створювати цілі конвеєри інтеграції з нуля, оптимізуючи робочий процес на основі бажаних результатів і характеристик даних.
SnapGPT надзвичайно впливає на клієнтів SnapLogic, оскільки вони можуть значно скоротити кількість часу, необхідного для створення свого першого конвеєра SnapLogic. Традиційно клієнтам SnapLogic доводилося витрачати дні або тижні на налаштування конвеєрів інтеграції з нуля. Тепер ці клієнти можуть просто попросити SnapGPT, наприклад, «створити конвеєр, який переведе всіх моїх активних клієнтів SFDC на WorkDay». Робочий перший проект конвеєра автоматично створюється для цього клієнта, що значно скорочує час розробки, необхідний для створення основи його інтеграційного конвеєра. Це дозволяє кінцевому клієнту витрачати більше часу на те, що справді впливає на його бізнес, замість того, щоб працювати над конфігураціями конвеєра інтеграції. У наступному прикладі показано, як клієнт SnapLogic може ввести опис у функцію SnapGPT, щоб швидко створити конвеєр за допомогою природної мови.
AWS і SnapLogic тісно співпрацювали під час створення цього продукту та багато чому навчилися. Решта цієї публікації буде зосереджена на технічних напрацюваннях AWS і SnapLogic щодо використання магістерських програм LLM для програм перетворення тексту в конвеєр.
Огляд рішення
Щоб вирішити цю проблему перетворення тексту в конвеєр, AWS і SnapLogic розробили комплексне рішення, показане в наведеній нижче архітектурі.
Запит до SnapGPT проходить через такий робочий процес:
- Користувач надсилає опис до програми.
- SnapLogic використовує підхід Retrieval Augmented Generation (RAG) для отримання відповідних прикладів конвеєрів SnapLogic, подібних до запиту користувача.
- Ці витягнуті релевантні приклади поєднуються з введеними користувачами та проходять певну попередню обробку тексту, перш ніж їх надсилають Клоду на Amazon Bedrock.
- Клод створює артефакт JSON, який представляє конвеєр SnapLogic.
- Артефакт JSON безпосередньо інтегровано в основну інтеграційну платформу SnapLogic.
- Конвеєр SnapLogic відображається користувачеві у зручній формі.
Завдяки різноманітним експериментам між AWS і SnapLogic ми виявили, що оперативний етап розробки діаграми рішення є надзвичайно важливим для створення високоякісних вихідних даних для цих виходів тексту в конвеєр. У наступному розділі детальніше розглядаються деякі конкретні техніки, які використовуються з Клодом у цьому просторі.
Оперативний експеримент
На етапі розробки SnapGPT AWS і SnapLogic виявили, що швидка ітерація підказок, які надсилаються Клоду, була критично важливим завданням розробки для підвищення точності та релевантності виводів тексту в конвеєр у виходах SnapLogic. З допомогою Студія Amazon SageMaker інтерактивних блокнотів команда AWS і SnapLogic змогли швидко працювати з різними версіями підказок за допомогою Підключення Boto3 SDK до Amazon Bedrock. Розробка на базі ноутбуків дозволила командам швидко створювати підключення до Amazon Bedrock на стороні клієнта, додавати текстові описи разом із кодом Python для надсилання підказок до Amazon Bedrock, а також проводити спільні сеанси розробки підказок, на яких швидко виконувалися ітерації між кількома особами.
Антропні методи підказки Клода
У цьому розділі ми описуємо деякі з ітераційних методів, які ми використовували для створення високоефективного підказки на основі ілюстративного запиту користувача: «Створіть конвеєр, який використовує базу даних ExampleCompany, яка отримує всіх активних клієнтів». Зауважте, що цей приклад не є схемою, на основі якої працює SnapGPT, і використовується лише для ілюстрації програми перетворення тексту в конвеєр.
Для базової розробки нашої оперативної підказки ми використовуємо таку оригінальну підказку:
Створіть конвеєр, який використовує базу даних ExampleCompany, яка отримує всіх активних клієнтів
Очікуваний результат виглядає наступним чином:
{ "database": "ExampleCompany", "query": "SELECT * FROM ec_prod.customers WHERE status = 'active'" }
Покращення №1: використання анотацій «Людина» та «Помічник».
Процедура навчання Клода вчить FM розуміти діалог між людиною та помічником у його оперативній структурі. Користувачі Claude можуть скористатися цією структурою, завершивши підказку в Assistant:, після чого Клод почне генерувати відповідь на запит на основі сказаного користувачем. Зауважте, що оскільки Claude продовжуватиме генерувати текст, доки йому не буде сказано зупинитися, переконайтеся, що ви використовуєте послідовність зупинки nnHuman: у запиті API до Amazon Bedrock під час використання Claude. Це гарантує, що ви отримаєте лише відповідь від помічника, а не прогнозовану наступну відповідь від людини в ланцюжку діалогу. Ці індикатори nnHuman і nnAssistant не лише допомагають обмежити реакцію Клода на релевантну інформацію, але й допомагають забезпечити чітке розмежування між основними людськими введеннями та відповідями помічників від інших взаємодій. Це особливо корисно в налаштуваннях підказок із кількома випадками, коли ви можете мати кілька запитів і відповідей із запитами, позначеними тегом nnHuman, і попередніми відповідями, позначеними тегом nnAssistant. Давайте розглянемо вдосконалену підказку та пов’язаний ілюстративний виклик API для Amazon Bedrock через Boto3 SDK.
Ми використовуємо наступну підказку:
Людина: створіть конвеєр, який використовує базу даних ExampleCompany, яка отримує всіх активних клієнтів
Помічник:
Вихід такий:
Ось конвеєр MongoDB для отримання всіх активних клієнтів із бази даних ExampleCompany:
pipeline = [ { '$match': { 'database': 'ExampleCompany', 'status': 'active' } } ] db.customers.aggregate(pipeline)
Ключовими кроками є:
– `$match`, щоб відфільтрувати документи лише за тими, що містяться в базі даних ExampleCompany і мають статус «активний».
– `db.customers.aggregate()` запускає конвеєр для колекції клієнтів і повертає відфільтровані результати.
Таким чином, це поверне всі клієнтські документи з бази даних ExampleCompany, де для поля статусу встановлено значення «активний».
Зверніть увагу, як у вихідних даних Клод вигадує відповідь на наше запитання без жодного контексту. Відповідь потенційно може бути корисною, але вона не стосується проблеми, яку ми намагаємося вирішити, оскільки в ній недостатньо контексту. Також важливо зазначити, що Anthropic вимагає цього формату людини та помічника під час використання моделей Claude; якщо ви не включите цей крок, Amazon Bedrock поверне повідомлення про помилку.
Покращення №2: додайте гіперспецифічний контекст для Claude, перш ніж йому буде вказано, що робити
Claude працює найкраще, коли йому надається хороший контекст щодо того, що йому потрібно виконати, а також як він має виконати це завдання. Ось кілька прикладів речей, які слід включити як контекст для Клода, перш ніж повідомити йому завдання:
- Опишіть роботу, яку ви хочете виконати Клодом. Роблячи це, ви змушуєте Клода думати в ролі людини, яка працює на цій посаді, або, скоріше, як людини, яку просто найняли на цю конкретну посаду. Це допоможе Клоду сформулювати відповідь з точки зору конкретної роботи, зменшуючи галюцинації та випадковість у відповіді.
- Включіть технічні деталі щодо вихідного формату. Основні моделі, як правило, добре виконують дії, тому попросити Клода згенерувати вихідні дані в певному форматі чи схемі з одним або кількома прикладами допоможе Клоду надати відповідь у правильному форматі, зменшуючи потребу у фільтрації та постобробці вихідних даних. Приклад у наступній підказці показує фіктивну схему, яка відповідає очікуваному результату.
Давайте об’єднаємо ці пропозиції, щоб покращити наш вихідний запит:
Людина: Ваше завдання — діяти в якості експерта з конвеєрів ETL. Зокрема, ваше завдання полягає в тому, щоб створити JSON-представлення конвеєра ETL, який вирішить наданий вам запит користувача.
Вихідні дані JSON мають мати такий формат:
Ось ваше завдання: створити конвеєр, який використовує базу даних ExampleCompany, яка отримує всіх активних клієнтів
Помічник:
Вихід такий:
Ось JSON-представлення конвеєра ETL для отримання всіх активних клієнтів із бази даних ExampleCompany:
Цей конвеєр використовує базу даних ExampleCompany і запит SQL для вибору всіх записів із таблиці клієнтів зі статусом «активний».
З додаванням контексту модель тепер може отримати більшу частину шляху до нашої відповіді. Тепер він знає, як структурувати вихідні дані, і розуміє, що для вирішення завдання йому потрібно написати оператор SQL. Однак ви помітите, що модель неправильно використовує номенклатуру ec_prod.customers, яку ми очікуємо. Можливість вдосконалення! Також зауважте, що на практиці вам потрібно буде включити значно більше контексту, ніж те, що ми надали в цьому прикладі, для високоякісних результатів у випадках використання тексту в конвеєр.
Удосконалення №3: включення прикладів у теги XML
Поетапне навчання — це популярний спосіб підвищити точність за допомогою FM, де у вас є доречні приклади, щоб керувати FM у виконанні їх завдань. Це особливо важливо під час роботи в програмах перетворення тексту в конвеєр, оскільки ці гіперспецифічні конвеєрні виходи зазвичай не включаються в жодний загальнодоступний набір даних, оскільки вони є специфічними для представлення даних окремого клієнта. Використовуючи Claude, ви можете скористатися його вродженим знанням довільних XML-тегів, щоб надати ці приклади у форматі кількох кадрів. У наступній покращеній підказці зверніть увагу на додавання прикладів, укладених у Теги XML. Крім того, ви можете використовувати абревіатури для людини та помічника з H і A, щоб надати Клоду контекст, не змушуючи його думати, що це конкретні частини діалогу, які вже відбулися.
Ми використовуємо наступну підказку:
Людина: Ваше завдання — діяти в якості експерта з конвеєрів ETL. Зокрема, ваше завдання полягає в тому, щоб створити JSON-представлення конвеєра ETL, який вирішить наданий вам запит користувача.
Вихідні дані JSON мають мати такий формат:
Нижче наведено кілька прикладів запитів користувачів і пов’язаних з ними вихідних артефактів JSON, які правильно вирішують надане завдання. Обов’язково використовуйте ту саму номенклатуру, яка наведена в прикладах, якщо ви використовуєте однакові бази даних.
H: зверніться до бази даних ExampleCompany щодо будь-яких активних замовлень для клієнта №1234
A:
Причиною цього запиту є те, що клієнт №1234 відфільтровано, і ми шукаємо в таблиці «замовлень» будь-які існуючі записи після «активного» фільтра.
H: видалити всіх клієнтів із бази даних ExampleCompany, які не були активними протягом останнього місяця
A:
Причиною цього запиту є те, що таблиця “ec_prod.customers” є єдиною таблицею в базі даних ExampleCompany, яка містить записи клієнтів.
Ось ваше завдання: створити конвеєр, який використовує базу даних ExampleCompany, яка отримує всіх активних клієнтів.
Помічник:
Вихід такий:
Ось представлення JSON для конвеєра ETL для отримання всіх активних клієнтів із бази даних ExampleCompany:
Аргументація така:
База даних ExampleCompany вказана як база даних для використання
Таблиця ec_prod.customers містить дані клієнта
Поле статусу вказує, чи активний клієнт, тому запит фільтрує лише активних клієнтів
Це має отримати всі активні записи клієнтів із бази даних ExampleCompany. Дайте мені знати, якщо вам потрібні будь-які роз’яснення або у вас є додаткові вимоги до конвеєра ETL!
Вихідні дані JSON тепер мають правильну номенклатуру бази даних, яку Клод зміг використати завдяки наданим нами прикладам. Поєднання індикаторів людини та помічника з XML-тегами полегшує для Клода розуміння того, що є завданням і якою була відповідь у подібних прикладах з дуже чітким розподілом між кількома прикладами. Чим простіше це зрозуміти для Клода, тим кращою та релевантнішою буде відповідь, що ще більше зменшить шанс для моделі на галюцинації та надання випадкових нерелевантних відповідей.
Удосконалення №4: ініціювання Claude для початку генерації JSON з тегами XML
Невелика проблема з додатками для перетворення тексту в конвеєр, які використовують FM, полягає в необхідності точного аналізу виводу з результуючого тексту, щоб його можна було інтерпретувати як код у подальшій програмі. Один із способів вирішити цю проблему за допомогою Claude — скористатися перевагами його розуміння тегів XML і поєднати це з власною послідовністю зупинки. У наступному запиті ми наказали Клоду вкласти вихідні дані Теги XML. Потім ми додали до кінця підказки. Це гарантує, що перший текст, який виходить із Claude, буде початком виводу JSON. Якщо ви цього не зробите, Клод часто відповідає деяким розмовним текстом, а потім справжньою кодовою відповіддю. Доручивши Клоду негайно розпочати генерацію виводу, ви можете легко зупинити генерацію, коли побачите закриття тег. Це показано в оновленому виклику Boto3 API. Переваги цієї техніки подвійні. По-перше, ви можете точно розібрати код відповіді від Клода. По-друге, ви можете зменшити витрати, оскільки Claude генерує лише вихідні коди без додаткового тексту. Це зменшує витрати на Amazon Bedrock, оскільки з вас стягується плата за кожен токен, створений як результат усіх FM.
Ми використовуємо наступну підказку:
Людина: Ваше завдання — діяти в якості експерта з конвеєрів ETL. Зокрема, ваше завдання полягає в тому, щоб створити JSON-представлення конвеєра ETL, який вирішить наданий вам запит користувача.
Вихідні дані JSON мають мати такий формат:
Нижче наведено кілька прикладів запитів користувачів і пов’язаних з ними вихідних артефактів JSON, які правильно вирішують надане завдання. Обов’язково використовуйте ту саму номенклатуру, яка наведена в прикладах, якщо ви використовуєте однакові бази даних.
H: зверніться до бази даних ExampleCompany щодо будь-яких активних замовлень для клієнта №1234
A:
Причиною цього запиту є те, що клієнт №1234 відфільтровано, і ми шукаємо в таблиці «замовлень» будь-які існуючі записи після «активного» фільтра.
H: видалити всіх клієнтів із бази даних ExampleCompany, які не були активними протягом останнього місяця
A:
Причиною цього запиту є те, що таблиця “ec_prod.customers” є єдиною таблицею в базі даних ExampleCompany, яка містить записи клієнтів.
Завжди пам’ятайте, що потрібно вкладати ваші вихідні дані JSON теги.
Ось ваше завдання: створити конвеєр, який використовує базу даних ExampleCompany, яка отримує всіх активних клієнтів.
Помічник:
Ми використовуємо такий код:
body = json.dumps({"prompt": prompt, "stop_sequences": ['nnHuman:', '</json>']})
response = bedrock.invoke_model(
body=body,
modelId='anthropic.claude-v2'
)
Вихід такий:
{ "database": "ExampleCompany", "query": "SELECT * FROM ec_prod.customers WHERE status = 'active'" }
Тепер ми досягли очікуваного результату, повернувши лише об’єкт JSON! Використовуючи цей метод, ми можемо генерувати технічний артефакт, який можна негайно використовувати, а також зменшити вартість генерації за рахунок зменшення вихідних токенів.
Висновок
Щоб розпочати роботу зі SnapGPT сьогодні, надішліть запит безкоштовна пробна версія SnapLogic or запросити демонстрацію продукту. Якщо ви хочете використовувати ці концепції для створення програм сьогодні, ми рекомендуємо практичні експерименти з розділом швидкого проектування в цій публікації, використовуючи той самий потік для іншого сценарію генерації DSL, який підходить вашому бізнесу, і глибше занурюючись у Функції RAG, доступні через Amazon Bedrock.
SnapLogic і AWS змогли ефективно співпрацювати, щоб створити передовий перекладач між людською мовою та складною схемою конвеєрів інтеграції SnapLogic на основі Amazon Bedrock. Під час цієї подорожі ми бачили, як результати, створені за допомогою Claude, можна покращити в додатках з перетворенням тексту в конвеєр за допомогою спеціальних методів оперативного проектування. AWS і SnapLogic раді продовжити це партнерство в Generative AI і з нетерпінням чекають майбутньої співпраці та інновацій у цьому швидкозмінному просторі.
Про авторів
Грег Бенсон є професором комп’ютерних наук в Університеті Сан-Франциско та головним науковим співробітником SnapLogic. Він приєднався до факультету комп’ютерних наук USF у 1998 році та викладав курси бакалаврату та магістратури, включаючи операційні системи, комп’ютерну архітектуру, мови програмування, розподілені системи та початкове програмування. Грег опублікував дослідження в області операційних систем, паралельних обчислень і розподілених систем. З моменту приєднання до SnapLogic у 2010 році Грег допоміг розробити та впровадити кілька ключових функцій платформи, включаючи кластерну обробку, обробку великих даних, хмарну архітектуру та машинне навчання. Зараз він працює над Generative AI для інтеграції даних.
Аарон Кеслер Як старший менеджер із продуктів і послуг штучного інтелекту в SnapLogic, Аарон застосовує понад десять років досвіду в управлінні продуктами, щоб розпочати розробку продуктів штучного інтелекту/ML і поширювати послуги в усій організації. Він є автором майбутньої книги «What's Your Problem?» спрямований на те, щоб скеровувати нових менеджерів продукту через кар’єру управління продуктом. Його підприємницька подорож почалася з його стартапу в коледжі STAK, який пізніше був придбаний компанією Carvertise, а Аарон зробив значний внесок у визнання їх технічним стартапом 2015 року в Делавері. Окрім професійних занять, Аарон знаходить радість у грі в гольф зі своїм батьком, досліджуючи нові культури та їжу під час своїх подорожей, а також займаючись укулеле.
Багатий кріп є головним архітектором рішень із широким досвідом роботи в багатьох галузях спеціалізації. Послужний список успіху, що охоплює багатоплатформне корпоративне програмне забезпечення та SaaS. Добре відомий тим, що перетворив захист інтересів клієнтів (служачи голосом клієнтів) у нові функції та продукти, що приносять прибуток. Перевірена здатність виводити передові продукти на ринок і завершувати проекти вчасно та в рамках бюджету в швидкоплинних наземних і морських середовищах. Мене можна описати просто: розум вченого, серце дослідника і душа художника.
Клей Елмор є архітектором спеціалістів із штучного інтелекту та ML в AWS. Провівши багато годин у дослідницькій лабораторії матеріалів, його досвід хімічної інженерії швидко залишився позаду, щоб продовжити інтерес до машинного навчання. Він працював над додатками ML у багатьох галузях, починаючи від торгівлі енергетикою та закінчуючи маркетингом гостинності. Поточна робота Клея в AWS зосереджена на допомозі клієнтам перенести методи розробки програмного забезпечення в ML і генеративні робочі навантаження ШІ, дозволяючи клієнтам створювати повторювані, масштабовані рішення в цих складних середовищах. У вільний час Клей любить кататися на лижах, складати кубики Рубіка, читати та готувати.
Сіна Соджуді є технічним керівником, системним інженером, керівником продукту, колишнім засновником і радником зі стартапів. Він приєднався до AWS у березні 2021 року як головний архітектор рішень. Зараз Сіна є провідним архітектором рішень у регіоні ISV із західного регіону США. Він працює з компаніями, що займаються програмним забезпеченням SaaS і B2B, щоб будувати та розвивати свій бізнес на AWS. До своєї посади в Amazon Сіна працював технічним керівником у VMware та Pivotal Software (IPO у 2018 році, VMware M&A у 2020 році) і обіймав кілька керівних посад, зокрема інженера-засновника в Xtreme Labs (придбання Pivotal у 2013 році). Сіна присвятив останні 15 років свого досвіду роботи створенню програмних платформ і практик для підприємств, програмного забезпечення та державного сектора. Він є лідером галузі з пристрастю до інновацій. Сіна має ступінь бакалавра в Університеті Ватерлоо, де він вивчав електротехніку та психологію.
Сандіп Рохілла є старшим архітектором рішень в AWS, який підтримує клієнтів ISV у західному регіоні США. Він зосереджується на допомозі клієнтам створювати рішення, що використовують контейнери та генеративний штучний інтелект у хмарі AWS. Сандіп прагне зрозуміти бізнес-проблеми клієнтів і допомогти їм досягти цілей за допомогою технологій. Він приєднався до AWS після того, як більше десяти років працював архітектором рішень, використавши свій 17-річний досвід. Сандіп має ступінь магістра наук. в Університеті Західної Англії в Брістолі, Великобританія.
Доктор Фарук Сабір є старшим архітектором рішень зі штучного інтелекту та машинного навчання в AWS. Він має ступінь доктора філософії та магістра з електротехніки в Техаському університеті в Остіні та ступінь магістра з комп’ютерних наук у Технологічному інституті Джорджії. Він має понад 15 років досвіду роботи, а також любить навчати та наставляти студентів коледжу. В AWS він допомагає клієнтам формулювати та вирішувати їхні бізнес-проблеми в області обробки даних, машинного навчання, комп’ютерного зору, штучного інтелекту, чисельної оптимізації та пов’язаних областях. Живучи в Далласі, штат Техас, він і його сім’я люблять подорожувати та їздити в далекі подорожі.
- Розповсюдження контенту та PR на основі SEO. Отримайте посилення сьогодні.
- PlatoData.Network Vertical Generative Ai. Додайте собі сили. Доступ тут.
- PlatoAiStream. Web3 Intelligence. Розширення знань. Доступ тут.
- ПлатонЕСГ. вуглець, CleanTech, Енергія, Навколишнє середовище, Сонячна, Поводження з відходами. Доступ тут.
- PlatoHealth. Розвідка про біотехнології та клінічні випробування. Доступ тут.
- джерело: https://aws.amazon.com/blogs/machine-learning/how-snaplogic-built-a-text-to-pipeline-application-with-amazon-bedrock-to-translate-business-intent-into-action/
- : має
- :є
- : ні
- :де
- $UP
- 10
- 100
- 121
- 14
- 15 роки
- 15%
- 150
- 17
- 1998
- 200
- 2010
- 2013
- 2015
- 2017
- 2018
- 2020
- 2021
- 31
- 33
- 7
- 8
- 9
- a
- Аарон
- здатність
- Здатний
- МЕНЮ
- доступ
- виконувати
- точність
- Achieve
- придбаний
- придбання
- через
- Діяти
- дію
- дії
- активний
- доданий
- доповнення
- Додатковий
- просунутий
- Перевага
- радник
- пропаганда
- після
- AI
- Системи ШІ
- Можливість
- AI / ML
- спрямований
- Цілі
- алгоритми
- ВСІ
- дозволено
- Дозволити
- дозволяє
- по
- пліч-о-пліч
- вже
- Також
- Amazon
- Amazon Web Services
- кількість
- an
- Аналізуючи
- та
- відповідь
- Відповіді
- Антропний
- будь-який
- API
- Інтерфейси
- додаток
- застосування
- застосовується
- підхід
- додатка
- арабська
- архітектура
- ЕСТЬ
- ПЛОЩА
- області
- навколо
- прибулий
- Art
- штучний
- штучний інтелект
- Штучний інтелект і машинне навчання
- художник
- AS
- запитати
- запитувач
- Помічник
- асоційований
- At
- збільшено
- Остін
- автор
- автоматизувати
- Автоматизований
- автоматично
- Автоматизація
- доступний
- AWS
- Клієнт AWS
- B2B
- фон
- підтримка
- база
- заснований
- Базова лінія
- BE
- ведмідь
- стали
- оскільки
- ставати
- було
- перед тим
- почалася
- починати
- за
- буття
- Переваги
- КРАЩЕ
- Краще
- між
- За
- Великий
- Великий даних
- книга
- обидва
- приносити
- Приведення
- Приносить
- Брістоль
- широкий
- широко
- бюджет
- будувати
- Створюємо
- Будує
- побудований
- бізнес
- вплив на бізнес
- підприємства
- але
- by
- call
- званий
- CAN
- можливості
- кар'єра
- випадок
- випадків
- Центри
- ланцюг
- виклик
- шанс
- характеристика
- стягується
- хімічний
- головний
- вибір
- ясно
- тісно
- закриття
- хмара
- кластер
- код
- Кодування
- співпрацював
- співробітництво
- збір
- коледж
- об'єднувати
- комбінований
- приходить
- зобов'язання
- Компанії
- Компанії
- вимушений
- завершення
- комплекс
- всеосяжний
- комп'ютер
- Інформатика
- Комп'ютерне бачення
- обчислення
- поняття
- конфігурування
- З'єднувальний
- зв'язку
- Зв'язки
- послідовно
- Контейнери
- містить
- зміст
- контент-створення
- контекст
- продовжувати
- контракт
- внесок
- діалоговий
- приготування
- Core
- виправити
- правильно
- Коштувати
- може
- курси
- створювати
- створений
- створення
- креативність
- критичний
- Поточний
- В даний час
- виготовлений на замовлення
- клієнт
- Клієнти
- різання
- передовий
- Даллас
- дані
- інтеграція даних
- обробка даних
- наука про дані
- Database
- базами даних
- Днів
- десятиліття
- зменшити
- присвячених
- глибокий
- глибше
- Делавер
- Демонстрація
- Демократизувати
- відділ
- похідної
- описувати
- description
- дизайн
- призначений
- бажання
- бажаний
- докладно
- деталі
- розробників
- розробка
- прилади
- Діалог
- різний
- безпосередньо
- розподілений
- розподілені системи
- дайвінг
- do
- документація
- Ні
- справи
- домени
- Не знаю
- вниз
- проект
- різко
- управляти
- два
- кожен
- легше
- Найпростіший
- легко
- екосистема
- фактично
- або
- електротехніка
- елементи
- дозволяє
- кінець
- закінчення
- енергія
- інженер
- Машинобудування
- England
- англійська
- Посилення
- досить
- забезпечувати
- гарантує
- Що натомість? Створіть віртуальну версію себе у
- підприємство
- програмне забезпечення підприємства
- Рішення для підприємств
- підприємств
- Весь
- повністю
- підприємницький
- середовищах
- рівним
- Еквівалент
- помилка
- особливо
- Ефір (ETH)
- Навіть
- очевидний
- точно
- приклад
- Приклади
- перевершувати
- збуджений
- виконавчий
- існуючий
- очікуваний
- очікував
- досвід
- експерт
- експертиза
- дослідник
- Дослідження
- додатково
- надзвичайно
- сім'я
- швидко рухається
- швидкий темп
- особливість
- риси
- кілька
- поле
- Поля
- фільтрувати
- фільтрація
- Фільтри
- знахідки
- Перший
- Флагман
- потік
- Потоки
- Сфокусувати
- фокусується
- фокусування
- стежити
- після
- слідує
- продукти
- для
- Напад
- передній край
- формат
- форми
- Вперед
- знайдений
- фонд
- заснування
- Франциско
- дружній
- від
- Виконати
- повністю
- функція
- далі
- майбутнє
- отримала
- в цілому
- породжувати
- генерується
- генерує
- породжує
- покоління
- генеративний
- Генеративний ШІ
- Грузія
- Технологічний інститут штату Джорджія
- отримати
- GIF
- даний
- Go
- Цілі
- йде
- добре
- випускник
- Рости
- керівництво
- було
- рука
- Запрягання
- Мати
- he
- Серце
- допомога
- допоміг
- корисний
- допомогу
- допомагає
- тут
- високопродуктивний
- високоякісний
- основний момент
- його
- тримати
- тримає
- гостинність
- ГОДИННИК
- Як
- How To
- Однак
- HTML
- HTTPS
- людина
- скромний
- ідентифікований
- if
- ілюструвати
- негайно
- Impact
- вражаючий
- здійснювати
- важливо
- удосконалювати
- поліпшений
- поліпшення
- in
- включати
- включені
- У тому числі
- Augmenter
- незалежний
- вказує
- індикатори
- індивідуальний
- промисловості
- промисловість
- лідер галузі
- інформація
- вроджений
- інноваційний
- інновація
- вхід
- витрати
- мить
- замість
- Інститут
- інструкції
- інтегрований
- інтеграція
- інтеграцій
- Інтелект
- Розумний
- намір
- Взаємодії
- інтерактивний
- інтерес
- інтерфейс
- внутрішній
- в
- введені
- Вводить
- вступний
- IPO
- ісв
- IT
- ітерація
- ітерації
- ЙОГО
- Java
- робота
- приєднався
- приєднання
- спільна
- подорож
- радість
- JPG
- json
- просто
- ключ
- Знати
- знання
- відомий
- знає
- lab
- Labs
- мова
- мови
- великий
- останній
- пізніше
- останній
- вести
- лідер
- Керівництво
- провідний
- Стрибок
- вчений
- вивчення
- залишити
- дозволяти
- використання
- як
- Сподобалося
- логіка
- Довго
- подивитися
- серія
- любов
- ПРИВІТ
- машина
- навчання за допомогою машини
- Машинки для перманенту
- made
- зробити
- РОБОТИ
- Робить
- вдалося
- управління
- менеджер
- Менеджери
- манера
- вручну
- багато
- відображення
- березня
- ринок
- Маркетинг
- сірники
- Матеріали
- me
- наставник
- меров
- метадані
- метод
- мільйони
- mind
- протокол
- Місія
- ML
- модель
- Моделі
- MongoDB
- більше
- найбільш
- рухатися
- MS
- Мультиплатформа
- множинний
- my
- ім'я
- Природний
- Природна мова
- Необхідність
- потреби
- Нові
- Нові можливості
- новий продукт
- наступний
- немає
- увагу
- ноутбуки
- Зверніть увагу..
- зараз
- об'єкт
- об'єкти
- сталося
- of
- Пропозиції
- часто
- on
- один раз
- ONE
- тільки
- операційний
- операційні системи
- оптимізація
- оптимізуючий
- or
- порядок
- замовлень
- організація
- організації
- оригінал
- Інше
- наші
- з
- Результат
- вихід
- виходи
- над
- сторінок
- Паралельні
- особливо
- партнер
- Партнерство
- пристрасть
- пристрасний
- Минуле
- Викрійки
- виступає
- перспектива
- фаза
- Вчений ступінь
- частин
- піонер
- трубопровід
- основний
- місце
- платформа
- Платформи
- plato
- Інформація про дані Платона
- PlatoData
- популярний
- популярність
- пошта
- потенціал
- потенційно
- влада
- Харчування
- практика
- практики
- передбачати
- передвіщений
- попередній
- первинний
- Головний
- недоторканність приватного життя
- Конфіденційність та безпека
- Проблема
- проблеми
- процедура
- процес
- процеси
- обробка
- Вироблений
- випускає
- Product
- розробка продукту
- Управління продуктом
- менеджер по продукції
- Продукти
- Продукти та послуги
- професійний
- Професор
- Програмування
- мови програмування
- проектів
- підказок
- доведений
- забезпечувати
- за умови
- забезпечує
- забезпечення
- Психологія
- громадськість
- опублікований
- Опубліковані дослідження
- переслідувати
- Python
- запити
- питання
- швидко
- випадковий
- випадковість
- діапазон
- ранжування
- швидко
- читання
- реалізувати
- царство
- отримати
- нещодавно
- визнання
- рекомендувати
- запис
- облік
- зменшити
- знижує
- зниження
- про
- регіон
- переосмислення
- пов'язаний
- випущений
- доречний
- надійний
- покладатися
- запам'ятати
- видаляти
- винесено
- повторюваний
- відповідь
- подання
- представляє
- представляє
- запросити
- запитів
- вимагати
- вимагається
- Вимога
- Вимагається
- дослідження
- відповідь
- відповіді
- REST
- в результаті
- результати
- повертати
- Умови повернення
- здійснити революцію
- Багаті
- право
- дорога
- Роль
- ролі
- Кімната
- прогін
- пробіжки
- SaaS
- Безпека
- мудрець
- Зазначений
- то ж
- Сан -
- Сан Франциско
- масштаб
- масштабовані
- шкала
- розклад
- наука
- вчений
- подряпати
- Sdk
- Грати короля карти - безкоштовно Nijumi логічна гра гри
- другий
- розділ
- сектор
- безпеку
- побачити
- бачив
- вибрати
- відправка
- старший
- посланий
- Послідовність
- служив
- обслуговування
- Послуги
- виступаючої
- сесіях
- комплект
- установка
- кілька
- Повинен
- Показувати
- показаний
- Шоу
- істотно
- аналогічний
- простий
- спростити
- спрощення
- просто
- з
- один
- невеликий
- So
- Софтвер
- програмне забезпечення як послуга
- Розробники ПЗ
- розробка програмного забезпечення
- розробка програмного забезпечення
- рішення
- Рішення
- ВИРІШИТИ
- Розв’язування
- деякі
- Хтось
- складний
- Soul
- Source
- Простір
- іспанська
- напруга
- спеціаліст
- конкретний
- конкретно
- зазначений
- витрачати
- Витрати
- SQL
- старт
- почалася
- введення в експлуатацію
- Заява
- Статус
- Крок
- заходи
- Стоп
- просто
- структура
- Студентам
- навчався
- успіх
- Підтримуючий
- Опори
- передбачуваний
- Переконайтеся
- система
- Systems
- таблиця
- TAG
- Приймати
- Мета
- Завдання
- завдання
- навчав
- команда
- команди
- технології
- технічний запуск
- технічний
- техніка
- методи
- Технологія
- сказати
- десять
- Техас
- текст
- ніж
- Що
- Команда
- Захід
- світ
- їх
- Їх
- потім
- Ці
- вони
- речі
- думати
- це
- ті
- через
- по всьому
- час
- до
- сьогодні
- знак
- Жетони
- сказав
- прийняли
- інструмент
- простежувати
- трек
- торгові площі
- традиційно
- Навчання
- перетворювальний
- перетворення
- переводити
- подорожувати
- мандри
- трендів
- суд
- викликати
- спрацьовування
- правда
- Справжній код
- намагається
- Поворот
- тип
- ui
- Uk
- при
- розуміти
- розуміння
- розумієш
- створеного
- університет
- до
- представила
- Майбутні
- оновлений
- на
- us
- корисний
- використання
- використання випадку
- використовуваний
- користувач
- User Experience
- користувачі
- використовує
- використання
- зазвичай
- ux
- різний
- постачальники
- дуже
- через
- бачення
- візуальний
- VMware
- Голос
- хотіти
- було
- шлях..
- we
- Web
- веб-сервіси
- тижня
- ДОБРЕ
- були
- West
- Що
- Що таке
- коли
- який
- широкий
- Широкий діапазон
- волі
- вікно
- з
- без
- Work
- працював
- робочий
- Робочі процеси
- робочий
- працює
- світ
- світі
- б
- запис
- XML
- рік
- років
- ви
- вашу
- YouTube
- зефірнет