أمازون: الذكاء الاصطناعي التوليدي

يُحدث الذكاء الاصطناعي التوليدي تحولًا جذريًا في العمليات التجارية من خلال تطبيقات متنوعة، بما في ذلك المساعدين الحواريين مثل Rufus وAmazon Seller Assistant التابعين لشركة Amazon. بالإضافة إلى ذلك، تعمل بعض تطبيقات الذكاء الاصطناعي التوليدي الأكثر تأثيرًا بشكل مستقل في الخلفية، وهي وظيفة ضرورية تمكن الشركات من تحويل عملياتها ومعالجة البيانات وإنشاء المحتوى على نطاق واسع. تتجلى هذه التطبيقات غير الحوارية عادةً في شكل سير عمل الوكلاء المدعومين بنماذج لغوية كبيرة (LLM)، والتي تنفذ أهدافًا تجارية محددة عبر الصناعات دون تفاعل مباشر من المستخدم.

بالمقارنة مع التطبيقات الحوارية التي تستفيد من ملاحظات المستخدم الفورية وإشرافه، تتمتع التطبيقات غير الحوارية بمزايا فريدة مثل تحمل زمن الوصول العالي، والمعالجة الدفعية، والتخزين المؤقت. ومع ذلك، تتطلب طبيعتها المستقلة تدابير أمنية أقوى وضمانًا شاملاً للجودة.

تستكشف هذه المقالة أربع دراسات حالة مختلفة لتطبيقات الذكاء الاصطناعي التوليدي في Amazon:

• إنشاء قوائم المنتجات وتحسين جودة بيانات الكتالوج في Amazon – توضح كيف يمكن لـ LLM مساعدة شركاء البيع وAmazon على إنشاء قوائم منتجات عالية الجودة على نطاق واسع.
• معالجة الوصفات الطبية في Amazon Pharmacy – توضح التنفيذ في بيئة شديدة التنظيم وتفكيك المهام لسير عمل الوكلاء.
• أبرز مراجعات العملاء – توضح المعالجة الدفعية على نطاق واسع، وتكامل التعلم الآلي التقليدي (ML)، واستخدام LLM الصغيرة، والحلول الفعالة من حيث التكلفة.
• إنشاء الصور ومقاطع الفيديو الإعلانية الإبداعية في Amazon Ads – تسلط الضوء على الذكاء الاصطناعي التوليدي متعدد الوسائط والممارسات المسؤولة للذكاء الاصطناعي في العمل الإبداعي.

تكشف كل دراسة حالة عن جوانب مختلفة لتنفيذ تطبيقات الذكاء الاصطناعي التوليدي غير الحوارية، من البنية التقنية إلى الاعتبارات التشغيلية. من خلال هذه الأمثلة، ستفهم كيف يمكن لمجموعة AWS الكاملة من الخدمات، بما في ذلك Amazon Bedrock وAmazon SageMaker، أن تكون مفتاحًا للنجاح. أخيرًا، نسرد الخبرات الرئيسية المشتركة بشكل عام في حالات الاستخدام المختلفة.

إنشاء قوائم منتجات عالية الجودة على Amazon

يساعد إنشاء قوائم منتجات عالية الجودة بتفاصيل شاملة العملاء على اتخاذ قرارات شراء مستنيرة. تقليديًا، يقوم شركاء البيع بإدخال العديد من السمات لكل منتج يدويًا. يعمل حل الذكاء الاصطناعي التوليدي الجديد، الذي تم إطلاقه في عام 2024، على تحسين تجربة العملاء من خلال الحصول بشكل استباقي على معلومات المنتج من مواقع الويب الخاصة بالعلامات التجارية ومصادر أخرى، وبالتالي تغيير هذه العملية.

يعمل الذكاء الاصطناعي التوليدي على تبسيط تجربة شركاء البيع من خلال دعم إدخال المعلومات بتنسيقات مختلفة (مثل عناوين URL أو صور المنتج أو جداول البيانات) وتحويلها تلقائيًا إلى الهيكل والتنسيق المطلوبين. استخدمه أكثر من 900,000 شريك بيع، وتم قبول ما يقرب من 80% من مسودات قوائم المنتجات التي تم إنشاؤها، مع الحد الأدنى من التعديلات. يوفر المحتوى الذي تم إنشاؤه بواسطة الذكاء الاصطناعي تفاصيل شاملة للمنتج، مما يساعد على تحسين الوضوح والدقة، وبالتالي المساهمة في اكتشاف المنتج في عمليات بحث العملاء.

بالنسبة لقوائم المنتجات الجديدة، يبدأ سير العمل بتزويد شركاء البيع بمعلومات أولية. ثم يستخدم النظام مصادر معلومات متعددة لإنشاء قائمة منتجات شاملة، بما في ذلك العناوين والأوصاف والسمات التفصيلية. تتم مشاركة قائمة المنتجات التي تم إنشاؤها مع شركاء البيع للموافقة عليها أو تعديلها.

بالنسبة لقوائم المنتجات الحالية، يحدد النظام المنتجات التي يمكن إثراؤها ببيانات إضافية.

تكامل البيانات ومعالجتها لإخراج كميات كبيرة

قام فريق Amazon ببناء موصلات قوية للمصادر الداخلية والخارجية لـ LLM API الصديقة باستخدام Amazon Bedrock وخدمات AWS الأخرى، مما يتيح التكامل السلس مع أنظمة Amazon.com الخلفية.

كان التحدي الرئيسي هو تجميع البيانات المتنوعة في قائمة منتجات متماسكة عبر أكثر من 50 سمة (بما في ذلك النصوص والأرقام). تتطلب LLM آليات تحكم وتعليمات محددة لشرح مفاهيم التجارة الإلكترونية بدقة، لأنها قد لا تؤدي الأداء الأمثل بهذه البيانات المعقدة والمتنوعة. على سبيل المثال، قد تخطئ LLM في اعتبار “السعة” في حاوية السكاكين باعتبارها حجمًا بدلاً من عدد الفتحات، أو “Fit Wear” كوصف للنمط بدلاً من اسم العلامة التجارية. تم استخدام هندسة المطالبات والضبط الدقيق على نطاق واسع لحل هذه الحالات.

استخدام LLM للإنشاء والتحقق

يجب أن تكون قوائم المنتجات التي تم إنشاؤها كاملة وصحيحة. للمساعدة في تحقيق هذا الهدف، يطبق الحل سير عمل متعدد الخطوات يستخدم LLM لإنشاء السمات والتحقق منها. يساعد هذا النهج المزدوج للـ LLM على منع الهلوسة، وهو أمر بالغ الأهمية عند التعامل مع مخاوف تتعلق بالسلامة أو المواصفات الفنية. طور الفريق تقنيات متقدمة للتفكير الذاتي لضمان أن عمليات الإنشاء والتحقق تكمل بعضها البعض بشكل فعال.

ضمان الجودة متعدد الطبقات مع ملاحظات بشرية

تعتبر الملاحظات البشرية جوهر ضمان جودة الحل. تتضمن العملية تقييمًا أوليًا من قبل خبراء Amazon.com، بالإضافة إلى مدخلات من شركاء البيع للموافقة أو التعديل. يوفر هذا مخرجات عالية الجودة ويتيح التحسين المستمر لنماذج الذكاء الاصطناعي.

تتضمن عملية ضمان الجودة دمج طرق الاختبار الآلية التي تجمع بين التقييمات المستندة إلى ML أو الخوارزميات أو LLM. يتم إعادة إنشاء قوائم المنتجات الفاشلة، وتخضع قوائم المنتجات الناجحة لمزيد من الاختبارات. باستخدام [نماذج الاستدلال السببي]، نحدد الخصائص الأساسية التي تؤثر على أداء قائمة المنتجات وفرص الإثراء. في النهاية، يتم نشر قوائم المنتجات التي اجتازت فحوصات الجودة وتم قبولها من قبل شركاء البيع، مما يضمن حصول العملاء على معلومات دقيقة وشاملة عن المنتج.

تحسين نظام على مستوى التطبيق للدقة والتكلفة

نظرًا للمعايير العالية للدقة والاكتمال، اتبع الفريق نهجًا تجريبيًا شاملاً ومجهزًا بنظام تحسين آلي. يستكشف هذا النظام مجموعات مختلفة من LLM، والمطالبات، والنصوص، وسير العمل، وأدوات الذكاء الاصطناعي لتحسين مقاييس الأعمال الأعلى، بما في ذلك التكلفة. من خلال التقييم المستمر والاختبار الآلي، يمكن لمنشئ قوائم المنتجات إدارة الأداء والتكلفة والكفاءة بفعالية، مع التكيف مع تطورات الذكاء الاصطناعي الجديدة. يعني هذا النهج أن العملاء يمكنهم الاستفادة من معلومات المنتج عالية الجودة، ويمكن لشركاء البيع الوصول إلى أحدث الأدوات لإنشاء قوائم المنتجات بكفاءة.

معالجة الوصفات الطبية القائمة على الذكاء الاصطناعي التوليدي في Amazon Pharmacy

بالاستناد إلى مثال قوائم البائعين الذي تمت مناقشته سابقًا، والذي يقوم على سير عمل مختلط بين الإنسان والآلة، توضح Amazon Pharmacy كيف يمكن تطبيق هذه المبادئ على صناعة منظمة بموجب [قانون قابلية نقل التأمين الصحي والمساءلة] (HIPAA). في مقالتنا [تعرف على كيفية استخدام Amazon Pharmacy لـ Amazon SageMaker لإنشاء روبوت محادثة قائم على LLM]، شاركنا مساعدًا حواريًا لمتخصصي رعاية المرضى، والآن نركز على معالجة الوصفات الطبية الآلية.

في Amazon Pharmacy، قمنا بتطوير نظام ذكاء اصطناعي يعتمد على Amazon Bedrock وSageMaker للمساعدة في فنيي الصيدلة على معالجة تعليمات الأدوية بدقة وكفاءة أكبر. يدمج هذا الحل خبراء بشريين مع LLM في أدوار الإنشاء والتحقق لتحسين دقة تعليمات أدوية المرضى.

تصميم سير عمل مفوض لدقة الرعاية الصحية

يجمع نظام معالجة الوصفات الطبية بين الخبرة البشرية (مدخلو البيانات والصيادلة) مع دعم الذكاء الاصطناعي لتقديم توصيات الإخراج وردود الفعل. يبدأ سير العمل بمعالج مسبق لقاعدة معارف الصيدلة، والذي يقوم بتوحيد نص الوصفة الطبية الأولية من [Amazon DynamoDB]، ثم يستخدم نموذج لغة صغير تم ضبطه بدقة (SLM) على SageMaker لتحديد المكونات الرئيسية (الجرعة والتكرار).

يدمج النظام بسلاسة خبراء مثل مدخلي البيانات والصيادلة، حيث يكمل الذكاء الاصطناعي التوليدي سير العمل الكلي، وبالتالي تحسين المرونة والدقة، وبالتالي خدمة مرضانا بشكل أفضل. ثم يقوم نظام تجميع الإخراج، مع ضمانات السلامة، بإنشاء تعليمات لمدخلي البيانات لإنشاء الإخراج الذي يقومون بإدراجه من خلال وحدة الاقتراحات. تقوم وحدة العلامات بتمييز الأخطاء أو تصحيحها، وتفرض ضمانات سلامة إضافية، كتعليقات مقدمة لمدخلي البيانات. يقوم الفنيون بإنهاء الإخراج المكتوب بدقة وأمان، ليقدمه الصيادلة للحصول على ملاحظات أو تنفيذه في خدمات المصب.

أحد الجوانب البارزة في هذا الحل هو استخدام تفكيك المهام، والذي يمكّن المهندسين والعلماء من تقسيم العملية بأكملها إلى خطوات متعددة، والتي تتضمن وحدات فردية تتكون من خطوات فرعية. استخدم الفريق على نطاق واسع النماذج اللغوية الصغيرة المضبوطة بدقة. بالإضافة إلى ذلك، تستخدم العملية برامج ML التقليدية، مثل [التعرف على الكيانات المسماة (NER)] أو استخدام [نماذج الانحدار] لتقدير الثقة النهائية. يمكن أن يؤدي استخدام SLM وبرامج ML التقليدية في هذه العملية الخاضعة للرقابة والمحددة بوضوح إلى تحسين سرعة المعالجة بشكل كبير، مع الحفاظ على معايير أمان صارمة بسبب تضمين ضمانات السلامة المناسبة في خطوات محددة.

يحتوي النظام على عدة خطوات فرعية محددة بوضوح، حيث تعمل كل عملية فرعية كمكون متخصص، وتعمل بشكل شبه مستقل ولكن تعاوني نحو الهدف العام في سير العمل. يتمتع هذا النهج المجزأ بتحقق محدد في كل مرحلة، مما يثبت أنه أكثر فعالية من حل شامل، مع القدرة على استخدام SLM المضبوطة بدقة. استخدم الفريق [AWS Fargate] لتنسيق سير العمل لأنه متكامل حاليًا مع الأنظمة الخلفية الحالية.

خلال عملية تطوير المنتج لهذا الفريق، انتقلوا إلى Amazon Bedrock، الذي يوفر LLM عالية الأداء مع ميزات سهلة الاستخدام مصممة خصيصًا لتطبيقات الذكاء الاصطناعي التوليدي. يدعم SageMaker المزيد من خيارات LLM، والتخصيص الأعمق، وطرق ML التقليدية. لمعرفة المزيد حول هذه التقنية، راجع [كيف يمكن أن يجعل تفكيك المهام وLLM الأصغر الذكاء الاصطناعي أكثر فعالية من حيث التكلفة]، واقرأ [دراسة حالة أعمال Amazon Pharmacy].

بناء تطبيقات موثوقة مع ضمانات السلامة وHITL

للامتثال لمعايير HIPAA وتوفير خصوصية المرضى، قمنا بتنفيذ ممارسات حوكمة بيانات صارمة، مع اتباع نهج هجين يجمع بين LLM المضبوطة بدقة باستخدام واجهات برمجة تطبيقات Amazon Bedrock و[جيل الاسترجاع المعزز] (RAG) باستخدام [Amazon OpenSearch Service]. يتيح هذا المزيج استرجاعًا فعالاً للمعرفة مع الحفاظ على دقة عالية في المهام الفرعية المحددة.

تتطلب إدارة هلوسات LLM (وهو أمر بالغ الأهمية في مجال الرعاية الصحية) أكثر من مجرد الضبط الدقيق على مجموعات بيانات كبيرة. يطبق حلنا ضمانات سلامة خاصة بالمجال مبنية على [Amazon Bedrock Guardrails] ويكملها إشراف الحلقة البشرية في الدائرة (HITL) لتحسين موثوقية النظام.

يواصل فريق Amazon Pharmacy تحسين هذا النظام من خلال ملاحظات في الوقت الفعلي من الصيادلة ووظائف تنسيق الوصفات الطبية الموسعة. لا يؤدي هذا النهج المتوازن للابتكار والخبرة في المجال وخدمات الذكاء الاصطناعي المتقدمة والإشراف البشري إلى تحسين الكفاءة التشغيلية فحسب، بل يعني أيضًا أن أنظمة الذكاء الاصطناعي قادرة على تمكين متخصصي الرعاية الصحية بشكل صحيح، وبالتالي توفير رعاية مُثلى للمرضى.

أبرز مراجعات العملاء القائمة على الذكاء الاصطناعي التوليدي

بينما يوضح مثالنا السابق كيف تدمج Amazon Pharmacy LLM في سير عمل في الوقت الفعلي لمعالجة الوصفات الطبية، توضح حالة الاستخدام هذه كيف يمكن تطبيق تقنيات مماثلة (SLM وML التقليدي وتصميم سير عمل مدروس) على واسع النطاق [الاستدلال الدفعي دون اتصال].

أطلقت Amazon [أبرز مراجعات العملاء التي تم إنشاؤها بواسطة الذكاء الاصطناعي] لمعالجة أكثر من 200 مليون تقييم وتقييم سنوي للمنتجات. تعمل هذه الميزة على تلخيص آراء العملاء المشتركة في فقرات موجزة، وتسليط الضوء على التعليقات الإيجابية والمحايدة والسلبية حول المنتجات وميزاتها. يمكن للمتسوقين فهم الإجماع بسرعة، مع الحفاظ على الشفافية من خلال توفير الوصول إلى مراجعات العملاء ذات الصلة والاحتفاظ بالمراجعات الأصلية.

يعزز النظام اتخاذ القرارات الشرائية من خلال واجهة يمكن للعملاء من خلالها استكشاف أبرز المراجعات عن طريق تحديد ميزات محددة (مثل جودة الصورة أو وظيفة التحكم عن بعد أو سهولة تثبيت Fire TV). يتم تمثيل هذه الميزات بعلامة اختيار خضراء لتدل على المشاعر الإيجابية، وعلامة طرح برتقالية للمشاعر السلبية، ورمادية للمشاعر المحايدة - مما يعني أنه يمكن للمتسوقين تحديد نقاط القوة والضعف في المنتجات بسرعة بناءً على مراجعات الشراء التي تم التحقق منها.

استخدام LLM بطريقة فعالة من حيث التكلفة لحالات الاستخدام دون اتصال

طور الفريق بنية هجينة فعالة من حيث التكلفة تجمع بين طرق ML التقليدية والنماذج اللغوية الصغيرة المتخصصة. يخصص هذا النهج تحليل المشاعر واستخراج الكلمات الرئيسية لـ ML التقليدي، مع استخدام SLM محسّنة لمهام إنشاء النصوص المعقدة، وبالتالي تحسين الدقة وكفاءة المعالجة.

تستخدم هذه الميزة [تحويل الدفعات في SageMaker] للمعالجة غير المتزامنة، مما يوفر تخفيضات كبيرة في التكاليف مقارنة بنقاط النهاية في الوقت الفعلي. لتوفير تجربة قريبة من الكمون الصفري، يقوم الحل [بتخزين] الرؤى المستخرجة والمراجعات الحالية مؤقتًا، وبالتالي تقليل أوقات الانتظار والسماح للعديد من العملاء بالوصول في وقت واحد دون الحاجة إلى حساب إضافي. يعالج النظام المراجعات الجديدة بشكل تدريجي، وتحديث الرؤى دون الحاجة إلى إعادة معالجة مجموعة البيانات الكاملة. للحصول على الأداء الأمثل وفعالية التكلفة، تستخدم هذه الميزة [Amazon Elastic Compute Cloud] (Amazon EC2) [مثيلات Inf2] لمهام تحويل الدفعات [مما يوفر ما يصل إلى 40% من نسبة السعر إلى الأداء الأعلى مقارنة بالبدائل].

باتباع هذا النهج الشامل، تمكن الفريق من إدارة التكاليف بشكل فعال أثناء معالجة كميات هائلة من المراجعات والمنتجات، مما جعل الحل فعالاً وقابلاً للتطوير.

إنشاء الصور ومقاطع الفيديو الإعلانية الإبداعية المدفوعة بالذكاء الاصطناعي في Amazon Ads

في الأمثلة السابقة، استكشفنا بشكل أساسي تطبيقات الذكاء الاصطناعي التوليدي التي تركز على النصوص، والآن ننتقل إلى الذكاء الاصطناعي التوليدي متعدد الوسائط مع [إنشاء محتوى إعلاني إبداعي برعاية Amazon Ads]. يتميز هذا الحل بقدرات إنشاء [الصور] و[مقاطع الفيديو]، وسنشارك تفاصيل حول هذه الميزات في هذا القسم. بشكل عام، يستخدم جوهر الحل [Amazon Nova] نموذج إنشاء المحتوى الإبداعي.

بالرجوع إلى احتياجات العملاء، كشف استطلاع أجرته Amazon في مارس 2023 أن ما يقرب من 75% من المعلنين أدرجوا إنشاء المحتوى الإبداعي كتحديهم الرئيسي عند السعي لتحقيق النجاح في الحملات الإعلانية. يواجه العديد من المعلنين (خاصة أولئك الذين ليس لديهم قدرات داخلية أو دعم من الوكالات) عقبات كبيرة بسبب الخبرة والتكلفة لإنتاج مرئيات عالية الجودة.. يضفي حل Amazon Ads الطابع الديمقراطي على إنشاء المحتوى المرئي، مما يجعله في متناول المعلنين من جميع الأحجام وقابلاً للاستخدام بكفاءة. التأثير كبير: المعلنون الذين يستخدمون الصور التي تم إنشاؤها بواسطة الذكاء الاصطناعي في [الحملات الإعلانية للعلامات التجارية المدعومة] لديهم [نسبة نقر إلى ظهور (CTR)] تقترب من 8%، ويقدمون حملات أكثر بنسبة 88% من غير المستخدمين.

في العام الماضي، نشرت مدونة AW