এআই সহকারীর বাইরে: অ্যামাজনের জেনারেটিভ এআই ব্যবহার

জেনারেটিভ আর্টিফিশিয়াল ইন্টেলিজেন্স (Generative AI) বিভিন্ন অ্যাপ্লিকেশনের মাধ্যমে ব্যবসার কার্যক্রমকে সম্পূর্ণভাবে পরিবর্তন করছে, যার মধ্যে অ্যামাজনের Rufus এবং Amazon Seller Assistant-এর মতো কথোপকথনমূলক সহকারীও রয়েছে। এছাড়াও, কিছু প্রভাবশালী জেনারেটিভ এআই অ্যাপ্লিকেশন ব্যাকগ্রাউন্ডে স্বয়ংক্রিয়ভাবে কাজ করে, যা ব্যবসাগুলোকে তাদের কার্যক্রম, ডেটা প্রক্রিয়াকরণ এবং কন্টেন্ট তৈরিতে বড় ধরনের পরিবর্তন আনতে সাহায্য করে। এই অ-কথোপকথনমূলক বাস্তবায়নগুলো প্রায়শই বৃহৎ ভাষা মডেল (Large Language Model, LLM) দ্বারা চালিত এজেন্ট ওয়ার্কফ্লো আকারে দেখা যায়, যা সরাসরি ব্যবহারকারীর ইন্টার‍্যাকশন ছাড়াই বিভিন্ন শিল্পে নির্দিষ্ট ব্যবসায়িক লক্ষ্য পূরণ করে।

রিয়েল-টাইম ব্যবহারকারীর প্রতিক্রিয়া এবং তত্ত্বাবধান থেকে উপকৃত হওয়া কথোপকথনমূলক অ্যাপ্লিকেশনগুলোর তুলনায়, অ-কথোপকথনমূলক অ্যাপ্লিকেশনগুলোর বিলম্ব সহনশীলতা, ব্যাচ প্রক্রিয়াকরণ এবং ক্যাশিংয়ের মতো কিছু বিশেষ সুবিধা রয়েছে। তবে, এদের স্বায়ত্তশাসিত বৈশিষ্ট্যগুলোর জন্য আরও শক্তিশালী সুরক্ষা ব্যবস্থা এবং বিস্তারিত কোয়ালিটি নিশ্চিতকরণ প্রয়োজন।

এই নিবন্ধে, অ্যামাজনের চারটি ভিন্ন জেনারেটিভ এআই ব্যবহারের উদাহরণ নিয়ে আলোচনা করা হয়েছে:

• অ্যামাজনে পণ্যের তালিকা তৈরি এবং ক্যাটালগ ডেটার গুণগত মান উন্নয়ন – এখানে দেখানো হয়েছে কিভাবে এলএলএম (LLM) বিক্রয় সহযোগীদের এবং অ্যামাজনকে বৃহৎ পরিসরে আরও ভালো মানের পণ্যের তালিকা তৈরি করতে সাহায্য করে।
• অ্যামাজন ফার্মেসিতে প্রেসক্রিপশন প্রক্রিয়াকরণ – একটি অত্যন্ত নিয়ন্ত্রিত পরিবেশে বাস্তবায়ন এবং এজেন্ট ওয়ার্কফ্লোর জন্য টাস্ক বিভাজন দেখানো হয়েছে।
• পর্যালোচনা হাইলাইট – বৃহৎ আকারের ব্যাচ প্রক্রিয়াকরণ, ঐতিহ্যবাহী মেশিন লার্নিং (ML) এর একত্রীকরণ, ছোট এলএলএম-এর ব্যবহার এবং সাশ্রয়ী সমাধানগুলো তুলে ধরা হয়েছে।
• অ্যামাজন বিজ্ঞাপন ক্রিয়েটিভ ইমেজ এবং ভিডিও তৈরি – মাল্টিমোডাল জেনারেটিভ এআই এবং দায়িত্বশীল এআই অনুশীলনগুলো সৃজনশীল কাজে কিভাবে ব্যবহৃত হয়, তা এখানে তুলে ধরা হয়েছে।

প্রতিটি কেস স্টাডি অ-কথোপকথনমূলক জেনারেটিভ এআই অ্যাপ্লিকেশন বাস্তবায়নের বিভিন্ন দিক তুলে ধরে, যেমন প্রযুক্তিগত আর্কিটেকচার থেকে শুরু করে অপারেশনাল বিবেচনা। এই উদাহরণগুলোর মাধ্যমে, আপনি জানতে পারবেন কিভাবে Amazon Bedrock এবং Amazon SageMaker সহ AWS পরিষেবাগুলোর সম্পূর্ণ স্যুট সাফল্যের জন্য গুরুত্বপূর্ণ। সবশেষে, বিভিন্ন ব্যবহারের ক্ষেত্রে সাধারণভাবে প্রযোজ্য কিছু গুরুত্বপূর্ণ অভিজ্ঞতা উল্লেখ করা হয়েছে।

অ্যামাজনে উচ্চ মানের পণ্যের তালিকা তৈরি

বিস্তারিত তথ্যসহ উচ্চ মানের পণ্যের তালিকা তৈরি করা গ্রাহকদের সঠিক সিদ্ধান্ত নিতে সাহায্য করে। ঐতিহ্যগতভাবে, বিক্রয় সহযোগীরা প্রতিটি পণ্যের অনেক বৈশিষ্ট্য ম্যানুয়ালি ইনপুট করেন। ২০২৪ সালে চালু হওয়া নতুন জেনারেটিভ এআই সলিউশন ব্র্যান্ডের ওয়েবসাইট এবং অন্যান্য উৎস থেকে স্বয়ংক্রিয়ভাবে পণ্যের তথ্য সংগ্রহ করে গ্রাহকদের অভিজ্ঞতা উন্নত করার মাধ্যমে এই প্রক্রিয়াটিকে পরিবর্তন করেছে।

বিভিন্ন ফরম্যাটে (যেমন URL, পণ্যের ছবি বা স্প্রেডশিট) তথ্য ইনপুট করার সুবিধা দিয়ে এবং স্বয়ংক্রিয়ভাবে সেগুলোকে প্রয়োজনীয় কাঠামো ও ফরম্যাটে রূপান্তরিত করার মাধ্যমে জেনারেটিভ এআই বিক্রয় সহযোগীদের অভিজ্ঞতাকে সহজ করে তোলে। ৯০০,০০০-এর বেশি বিক্রয় সহযোগী এটি ব্যবহার করেছেন এবং তৈরি করা পণ্যের তালিকার প্রায় ৮০% সামান্য সম্পাদনার মাধ্যমেই গ্রহণ করা হয়েছে। এআই-এর মাধ্যমে তৈরি কন্টেন্ট পণ্যের বিস্তারিত তথ্য সরবরাহ করে, যা স্পষ্টতা এবং নির্ভুলতা বাড়াতে সাহায্য করে এবং এর মাধ্যমে গ্রাহকদের অনুসন্ধানে পণ্য খুঁজে পাওয়া সহজ হয়।

নতুন পণ্যের তালিকার জন্য, ওয়ার্কফ্লো শুরু হয় যখন বিক্রয় সহযোগীরা প্রাথমিক তথ্য প্রদান করেন। এরপর, সিস্টেমটি বিভিন্ন উৎস থেকে তথ্য নিয়ে একটি পূর্ণাঙ্গ পণ্যের তালিকা তৈরি করে, যার মধ্যে পণ্যের নাম, বিবরণ এবং বিস্তারিত বৈশিষ্ট্য অন্তর্ভুক্ত থাকে। তৈরি করা এই তালিকা অনুমোদন বা সম্পাদনার জন্য বিক্রয় সহযোগীদের সাথে শেয়ার করা হয়।

অন্যদিকে, বিদ্যমান পণ্যের তালিকার ক্ষেত্রে, সিস্টেমটি অতিরিক্ত ডেটা দিয়ে সমৃদ্ধ করা যেতে পারে এমন পণ্যগুলো চিহ্নিত করে।

বৃহৎ আউটপুটের জন্য ডেটা একত্রীকরণ এবং প্রক্রিয়াকরণ

অ্যামাজন টিম Amazon Bedrock এবং অন্যান্য AWS পরিষেবা ব্যবহার করে এলএলএম (LLM) বান্ধব API তৈরি করেছে, যা Amazon.com-এর ব্যাকএন্ড সিস্টেমে নির্বিঘ্নে একত্রিত করা যায়।

একটি প্রধান চ্যালেঞ্জ ছিল ৫০টির বেশি বৈশিষ্ট্য (যার মধ্যে টেক্সট এবং সংখ্যা উভয়ই রয়েছে) জুড়ে বিভিন্ন ডেটাকে একটি সুসংহত পণ্যের তালিকায় একত্রিত করা। এলএলএমগুলোর ই-কমার্স ধারণাগুলো সঠিকভাবে ব্যাখ্যা করার জন্য সুনির্দিষ্ট নিয়ন্ত্রণ ব্যবস্থা এবং নির্দেশাবলীর প্রয়োজন, কারণ তারা এত জটিল এবং বিভিন্ন ডেটা নিয়ে সর্বোত্তম পারফর্ম করতে পারে না। উদাহরণস্বরূপ, এলএলএম একটি ছুরি ব্লকের “ক্যাপাসিটি” কে স্লটের সংখ্যা না ভেবে আকার হিসেবে ভুল করতে পারে অথবা “ফিট ওয়্যার” কে ব্র্যান্ডের নাম না ভেবে স্টাইল বিবরণ হিসেবে ধরে নিতে পারে। এই সমস্যাগুলো সমাধানের জন্য প্রম্পট ইঞ্জিনিয়ারিং এবং ফাইন-টিউনিং ব্যাপকভাবে ব্যবহৃত হয়েছে।

জেনারেশন এবং যাচাইকরণের জন্য এলএলএম-এর ব্যবহার

তৈরি করা পণ্যের তালিকা সম্পূর্ণ এবং সঠিক হওয়া উচিত। এই লক্ষ্য অর্জনে সহায়তা করার জন্য, সলিউশনটি একটি বহু-ধাপের ওয়ার্কফ্লো বাস্তবায়ন করে, যেখানে বৈশিষ্ট্য তৈরি এবং যাচাই করার জন্য এলএলএম ব্যবহার করা হয়। এই দ্বৈত এলএলএম পদ্ধতি হ্যালুসিনেশন প্রতিরোধ করতে সহায়ক, যা সুরক্ষা বিষয়ক উদ্বেগ বা প্রযুক্তিগত বৈশিষ্ট্যগুলোর ক্ষেত্রে অত্যন্ত গুরুত্বপূর্ণ। টিমটি উন্নত সেল্ফ-রিফ্লেকশন কৌশল তৈরি করেছে, যা নিশ্চিত করে যে জেনারেশন এবং যাচাইকরণ প্রক্রিয়া একে অপরের পরিপূরক হিসেবে কাজ করে।

মানুষের কাছ থেকে পাওয়া প্রতিক্রিয়া সহ বহু-স্তরের গুণগত মান নিশ্চিতকরণ

মানুষের কাছ থেকে পাওয়া প্রতিক্রিয়া সলিউশনের গুণগত মান নিশ্চিতকরণের কেন্দ্রবিন্দু। এই প্রক্রিয়ার মধ্যে Amazon.com-এর বিশেষজ্ঞদের দ্বারা প্রাথমিক মূল্যায়ন এবং বিক্রয় সহযোগীদের কাছ থেকে গ্রহণ বা সম্পাদনার জন্য ইনপুট প্রদান অন্তর্ভুক্ত। এটি উচ্চ মানের আউটপুট প্রদান করে এবং এআই মডেলকে ক্রমাগত উন্নত করতে সহায়তা করে।

গুণগত মান নিশ্চিতকরণ প্রক্রিয়ার মধ্যে एमएल, অ্যালগরিদম বা एलएलएम-ভিত্তিক মূল্যায়ন যুক্ত অটোমেটেড টেস্টিং পদ্ধতি অন্তর্ভুক্ত। ত্রুটিপূর্ণ পণ্যের তালিকা পুনরায় তৈরি করা হয় এবং সফল তালিকাগুলো আরও পরীক্ষার জন্য পাঠানো হয়। কজাল ইনফেরেন্স মডেল ব্যবহার করে, আমরা পণ্যের তালিকার পারফরম্যান্সের উপর প্রভাব ফেলে এমন বৈশিষ্ট্যগুলো এবং সমৃদ্ধ করার সুযোগগুলো চিহ্নিত করি। সবশেষে, গুণমান পরীক্ষার মাধ্যমে উত্তীর্ণ হওয়া এবং বিক্রয় সহযোগীদের দ্বারা গৃহীত পণ্যের তালিকা প্রকাশ করা হয়, যা নিশ্চিত করে যে গ্রাহকরা সঠিক এবং বিস্তারিত পণ্যের তথ্য পাচ্ছেন।

নির্ভুলতা এবং খরচের জন্য অ্যাপ্লিকেশন-স্তরের সিস্টেম অপটিমাইজেশন

নির্ভুলতা এবং সম্পূর্ণতার উচ্চ মান বজায় রাখার জন্য, টিম একটি সমন্বিত পরীক্ষামূলক পদ্ধতি অনুসরণ করে এবং একটি অটোমেটেড অপটিমাইজেশন সিস্টেম তৈরি করেছে। এই সিস্টেমটি एलएलएम, প্রম্পট, প্লেবুক, ওয়ার্কফ্লো এবং এআই টুলের বিভিন্ন সমন্বয় অনুসন্ধান করে, যাতে খরচসহ আরও বেশি ব্যবসায়িক সূচক উন্নত করা যায়। ক্রমাগত মূল্যায়ন এবং অটোমেটেড টেস্টিংয়ের মাধ্যমে, পণ্য তালিকা জেনারেটর কর্মক্ষমতা, খরচ এবং দক্ষতার মধ্যে কার্যকরভাবে ভারসাম্য বজায় রাখতে পারে এবং একই সাথে নতুন এআই উন্নয়নগুলোর সাথে খাপ খাইয়ে নিতে পারে। এই পদ্ধতির অর্থ হলো গ্রাহকরা উচ্চ মানের পণ্যের তথ্য থেকে উপকৃত হতে পারেন এবং বিক্রয় সহযোগীরা কার্যকরভাবে পণ্যের তালিকা তৈরি করার জন্য অত্যাধুনিক সরঞ্জাম ব্যবহার করতে পারেন।

অ্যামাজন ফার্মেসীতে জেনারেটিভ এআই-ভিত্তিক প্রেসক্রিপশন প্রক্রিয়াকরণ

আগের আলোচনায় আমরা দেখেছি কিভাবে একটি মানব-মেশিন সংমিশ্রণ ওয়ার্কফ্লোর ওপর ভিত্তি করে বিক্রেতাদের পণ্যের তালিকা তৈরি করা যায়। এখন, অ্যামাজন ফার্মেসী দেখাবে কিভাবে এই নীতিগুলো [স্বাস্থ্য বীমা বহনযোগ্যতা এবং জবাবদিহিতা আইন] (Health Insurance Portability and Accountability Act, HIPAA) দ্বারা নিয়ন্ত্রিত শিল্পে প্রয়োগ করা হয়। [অ্যামাজন ফার্মেসী কিভাবে Amazon SageMaker ব্যবহার করে এলএলএম-ভিত্তিক চ্যাটবট তৈরি করে] নিবন্ধে, আমরা রোগী পরিচর্যা বিশেষজ্ঞদের জন্য একটি কথোপকথনমূলক সহকারী নিয়ে আলোচনা করেছি। এখানে, আমরা স্বয়ংক্রিয় প্রেসক্রিপশন প্রক্রিয়াকরণের দিকে মনোযোগ দেবো।

অ্যামাজন ফার্মেসীতে, আমরা Amazon Bedrock এবং SageMaker-এর ওপর ভিত্তি করে একটি এআই সিস্টেম তৈরি করেছি, যা ফার্মাসিস্ট টেকনিশিয়ানদের আরও নির্ভুলভাবে এবং দক্ষতার সাথে ওষুধের নির্দেশনা প্রক্রিয়াকরণে সহায়তা করে। এই সলিউশনটি মানুষের বিশেষজ্ঞ জ্ঞান এবং এলএলএমকে একত্রিত করে, যা প্রেসক্রিপশনের সঠিকতা বাড়াতে ভূমিকা রাখে।

স্বাস্থ্যসেবার নির্ভুলতার জন্য অর্পিত ওয়ার্কফ্লো ডিজাইন

প্রেসক্রিপশন প্রক্রিয়াকরণ সিস্টেমটি ডেটা এন্ট্রি অপারেটর এবং ফার্মাসিস্টের মতো মানব বিশেষজ্ঞ এবং এআই-এর সহায়তাকে একত্রিত করে, যা দিকনির্দেশনা এবং প্রতিক্রিয়া প্রদানে সাহায্য করে। এই ওয়ার্কফ্লো ফার্মেসী নলেজ বেস প্রিপ্রসেসর থেকে শুরু হয়। এই প্রিপ্রসেসর [Amazon DynamoDB] থেকে প্রাপ্ত প্রেসক্রিপশনের মূল টেক্সটকে স্ট্যান্ডার্ডাইজ করে এবং তারপর SageMaker-এর ওপর ফাইন-টিউন করা ছোট ভাষা মডেল (Small Language Model, SLM) ব্যবহার করে মূল উপাদানগুলো (যেমন ডোজ, ফ্রিকোয়েন্সি) সনাক্ত করে।

সিস্টেমটি ডেটা এন্ট্রি অপারেটর এবং ফার্মাসিস্টের মতো বিশেষজ্ঞদের সাথে নির্বিঘ্নে একত্রিত হয়, যেখানে জেনারেটিভ এআই সামগ্রিক ওয়ার্কফ্লোর পরিপূরক হিসেবে কাজ করে, যা রোগীদের উন্নত সেবা প্রদানের জন্য তৎপরতা এবং নির্ভুলতা বাড়ায়। এরপর, নিরাপত্তা ব্যবস্থা সহ একটি নির্দেশনা অ্যাসেম্বলি সিস্টেম ডেটা এন্ট্রি অপারেটরদের জন্য নির্দেশনা তৈরি করে, যেন তারা প্রস্তাবিত মডিউলগুলোর মাধ্যমে তাদের টাইপ করা নির্দেশনা তৈরি করতে পারে। ডেটা এন্ট্রি অপারেটরদের দেওয়া প্রতিক্রিয়া হিসেবে ত্রুটি চিহ্নিত বা সংশোধন করার জন্য, সেইফটি মেজারগুলো প্রয়োগ করার জন্য একটি ট্যাগিং মডিউল রয়েছে। টেকনিশিয়ানরা ফার্মাসিস্টদের কাছ থেকে প্রতিক্রিয়া বা ডাউনস্ট্রিম পরিষেবাগুলো সম্পাদনের জন্য অত্যন্ত নির্ভুল এবং নিরাপদে টাইপ করা নির্দেশনা চূড়ান্ত করেন।

এই সলিউশনের একটি গুরুত্বপূর্ণ দিক হলো টাস্ক বিভাজন, যা প্রকৌশলী এবং বিজ্ঞানীদের পুরো প্রক্রিয়াটিকে একাধিক ধাপে বিভক্ত করতে সক্ষম করে। এর মধ্যে উপ-ধাপগুলো নিয়ে গঠিত পৃথক মডিউলও রয়েছে। এই টিম ফাইন-টিউন করা SLM ব্যবহার করেছে। এছাড়াও, এই প্রক্রিয়ায় ঐতিহ্যবাহী ML প্রোগ্রামগুলো ব্যবহার করা হয়েছে, যেমন [নামযুক্ত সত্তা স্বীকৃতি] (Named Entity Recognition, NER) অথবা চূড়ান্ত আত্মবিশ্বাসের মাত্রা অনুমান করার জন্য [রিগ্রেশন মডেল]। একটি নিয়ন্ত্রিত এবং স্পষ্টভাবে সংজ্ঞায়িত প্রক্রিয়ার মধ্যে SLM এবং ঐতিহ্যবাহী ML ব্যবহার করলে প্রক্রিয়াকরণের গতি উল্লেখযোগ্যভাবে বৃদ্ধি পায়, পাশাপাশি নির্দিষ্ট ধাপগুলোতে যথাযথ সুরক্ষা ব্যবস্থা যুক্ত করার কারণে কঠোর নিরাপত্তা মান বজায় রাখা যায়।

এই সিস্টেমে একাধিক স্পষ্টভাবে সংজ্ঞায়িত উপ-ধাপ রয়েছে, যেখানে প্রতিটি উপ-প্রক্রিয়া বিশেষায়িত উপাদান হিসেবে কাজ করে এবং ওয়ার্কফ্লোতে একটি সামগ্রিক লক্ষ্যের দিকে আধা-স্বয়ংক্রিয়ভাবে কাজ করে। এই বিভাজন পদ্ধতি প্রতিটি পর্যায়ে নির্দিষ্ট যাচাইকরণ নিশ্চিত করে, যা এন্ড-টু-এন্ড সলিউশনের চেয়ে বেশি কার্যকর প্রমাণিত হয়। সেই সাথে ফাইন-টিউন করা SLM ব্যবহার করা যায়। এই টিম ওয়ার্কফ্লো সমন্বয় করার জন্য [AWS Fargate] ব্যবহার করে, কারণ এটি বর্তমানে বিদ্যমান ব্যাকএন্ড সিস্টেমে একত্রিত করা হয়েছে।

এই টিমের পণ্য উন্নয়ন প্রক্রিয়ার সময়, তারা Amazon Bedrock-এর দিকে ঝুঁকেছিল, যা জেনারেটিভ এআই অ্যাপ্লিকেশনের জন্য বিশেষভাবে তৈরি করা সহজ ব্যবহারযোগ্য বৈশিষ্ট্যসহ উচ্চ কার্যকারিতা সম্পন্ন এলএলএম সরবরাহ করে। SageMaker আরও বেশি এলএলএম বিকল্প, গভীর কাস্টমাইজেশন এবং ঐতিহ্যবাহী ML পদ্ধতি সমর্থন করে। এই প্রযুক্তি সম্পর্কে আরও জানতে, [কিভাবে টাস্ক বিভাজন এবং ছোট এলএলএম এআইকে আরও সাশ্রয়ী করতে পারে] এবং [অ্যামাজন ফার্মেসী ব্যবসার কেস স্টাডি] পড়ুন।

নিরাপত্তা ব্যবস্থা এবং হিটএল (HITL) সহ নির্ভরযোগ্য অ্যাপ্লিকেশন তৈরি

HIPAA মান মেনে চলতে এবং রোগীর গোপনীয়তা নিশ্চিত করতে, আমরা কঠোর ডেটা গভর্নেন্স অনুশীলন বাস্তবায়ন করেছি। একই সাথে [Amazon Bedrock Guardrails ] ব্যবহার করে ফাইন-টিউন করা এলএলএম এবং [Amazon OpenSearch Service] ব্যবহার করে [পুনরুদ্ধার বর্ধিত জেনারেশন] (Retrieval Augmented Generation, RAG)-এর সমন্বয়ে একটি মিশ্র পদ্ধতি গ্রহণ করেছি। এই সংমিশ্রণ দক্ষতার সাথে জ্ঞান পুনরুদ্ধার করতে পারে এবং নির্দিষ্ট উপ-কাজের জন্য উচ্চ নির্ভুলতা বজায় রাখতে সহায়ক।

এলএলএম হ্যালুসিনেশন (যা স্বাস্থ্যসেবার ক্ষেত্রে অত্যন্ত গুরুত্বপূর্ণ) পরিচালনা করার জন্য বৃহৎ ডেটাসেটের ওপর ফাইন-টিউনিংয়ের চেয়েও বেশি কিছু প্রয়োজন। আমাদের সলিউশন ডোমেইন-নির্দিষ্ট নিরাপত্তা ব্যবস্থা বাস্তবায়ন করে, যা Amazon Bedrock Guardrails-এর ওপর ভিত্তি করে তৈরি করা হয়েছে এবং সিস্টেমের নির্ভরযোগ্যতা বাড়ানোর জন্য হিউম্যান-ইন-দ্য-লুপ (Human-in-the-Loop, HITL) তত্ত্বাবধান দ্বারা সমর্থিত।

অ্যামাজন ফার্মেসী টিম ফার্মাসিস্টদের কাছ থেকে পাওয়া রিয়েল-টাইম প্রতিক্রিয়া এবং বর্ধিত প্রেসক্রিপশন ফরম্যাটের মাধ্যমে এই সিস্টেমটিকে উন্নত করে চলেছে। নতুনত্ব, ডোমেইন বিশেষজ্ঞ জ্ঞান, উন্নত এআই পরিষেবা এবং মানুষের তত্ত্বাবধানের সমন্বিত পদ্ধতি শুধুমাত্র কর্মক্ষমতা বাড়ায় না, বরং এআই সিস্টেম স্বাস্থ্যসেবা পেশাদারদের সঠিকভাবে সমর্থন করতে পারে এবং সর্বোত্তম রোগী পরিচর্যা প্রদান করতে পারে।

জেনারেটিভ এআই-ভিত্তিক গ্রাহক পর্যালোচনার মূল বিষয়

আমাদের আগের উদাহরণে, আমরা দেখেছি কিভাবে অ্যামাজন ফার্মেসী প্রেসক্রিপশন প্রক্রিয়াকরণের জন্য রিয়েল-টাইম ওয়ার্কফ্লোতে এলএলএমকে একত্রিত করেছে। এই ব্যবহারের ক্ষেত্রে, আমরা দেখাবো কিভাবে একই ধরনের প্রযুক্তি (SLM, ঐতিহ্যবাহী ML এবং সতর্কতার সাথে ডিজাইন করা ওয়ার্কফ্লো) বৃহৎ আকারের [অফলাইন ব্যাচ অনুমানে] প্রয়োগ করা যায়।

অ্যামাজন বার্ষিক ২০ কোটির বেশি পণ্যের পর্যালোচনা এবং রেটিং প্রক্রিয়া করার জন্য [এআই-জেনারেটেড গ্রাহক পর্যালোচনার মূল বিষয়] চালু করেছে। এই বৈশিষ্ট্যটি গ্রাহকদের কাছ থেকে আসা মতামতকে সংক্ষিপ্ত অনুচ্ছেদে তুলে ধরে, যা পণ্য এবং এর কার্যকারিতা সম্পর্কে ইতিবাচক, নিরপেক্ষ এবং নেতিবাচক প্রতিক্রিয়াগুলো হাইলাইট করে। এর মাধ্যমে ক্রেতারা দ্রুত একটি ধারণা পেতে পারেন। এছাড়াও, পর্যালোচনার মূল বিষয়গুলো সংশ্লিষ্ট গ্রাহকদের পর্যালোচনার অ্যাক্সেস সরবরাহ করে এবং মূল রিভিউগুলো সংরক্ষণ করে স্বচ্ছতা বজায় রাখে।

এই সিস্টেমটি গ্রাহকদের সিদ্ধান্ত গ্রহণ প্রক্রিয়াকে উন্নত করে। গ্রাহকরা নির্দিষ্ট বৈশিষ্ট্য (যেমন ছবির গুণমান, রিমোট কন্ট্রোল বা ফায়ার টিভির সহজ ইন্সটলেশন) নির্বাচন করে পর্যালোচনার মূল বিষয়গুলো দেখতে পারেন। এই বৈশিষ্ট্যগুলো ইতিবাচক অনুভূতির জন্য সবুজ টিক চিহ্ন, নেতিবাচক অনুভূতির জন্য কমলা রঙের বিয়োগ চিহ্ন এবং নিরপেক্ষ অনুভূতির জন্য ধূসর রঙ দ্বারা চিহ্নিত করা হয়। এর ফলে, ক্রেতারা যাচাইকৃত ক্রয় পর্যালোচনার ওপর ভিত্তি করে পণ্যের সুবিধা এবং অসুবিধাগুলো দ্রুত সনাক্ত করতে পারেন।

সাশ্রয়ী উপায়ে এলএলএম ব্যবহার করে অফলাইন ব্যবহারের ক্ষেত্র

এই টিম ঐতিহ্যবাহী ML পদ্ধতির সাথে বিশেষায়িত SLM একত্রিত করে একটি সাশ্রয়ী হাইব্রিড আর্কিটেকচার তৈরি করেছে। এই পদ্ধতিটি আবেগ বিশ্লেষণ এবং কীওয়ার্ড নিষ্কাশনের মতো কাজগুলো ঐতিহ্যবাহী ML-কে দিয়ে করিয়ে নেয়। একই সাথে জটিল টেক্সট তৈরির কাজগুলোর জন্য অপটিমাইজ করা SLM ব্যবহার করে, যা নির্ভুলতা এবং প্রক্রিয়াকরণের দক্ষতা বাড়ায়।

এই বৈশিষ্ট্যটি অ্যাসিঙ্ক্রোনাস প্রক্রিয়াকরণের জন্য [SageMaker ব্যাচ ট্রান্সফর্ম] ব্যবহার করে, যা রিয়েল-টাইম এন্ডপয়েন্টের তুলনায় খরচ উল্লেখযোগ্যভাবে কমাতে পারে। প্রায় শূন্য বিলম্বের অভিজ্ঞতা প্রদানের জন্য, সলিউশনটি নিষ্কাশিত তথ্য এবং বিদ্যমান পর্যালোচনাগুলো [ক্যাশ] করে, যা অপেক্ষার সময় কমিয়ে দেয় এবং অতিরিক্ত কম্পিউটিং ছাড়াই একাধিক গ্রাহককে একই সময়ে অ্যাক্সেস করতে দেয়। এই সিস্টেমটি নতুন পর্যালোচনাগুলোকে ধীরে ধীরে প্রক্রিয়াকরণ করে এবং সম্পূর্ণ ডেটাসেট পুনরায় প্রক্রিয়াকরণ না করে তথ্য আপডেট করে। সেরা কর্মক্ষমতা এবং সাশ্রয়ীতার জন্য, এই বৈশিষ্ট্যটি ব্যাচ ট্রান্সফর্ম কাজের জন্য [Amazon Elastic Compute Cloud] (Amazon EC2) [Inf2 ইনস্ট্যান্স] ব্যবহার করে, যা [বিকল্পগুলোর তুলনায় ৪০% পর্যন্ত বেশি মূল্য-কার্যকারিতা প্রদান করে]।

এই ব্যাপক পদ্ধতি অনুসরণ করে, টিম দক্ষতার সাথে বিপুল সংখ্যক পর্যালোচনা এবং পণ্য পরিচালনা করে খরচ নিয়ন্ত্রণ করতে সক্ষম হয়েছে। এর ফলে এই সলিউশনটি কার্যকর এবং প্রসারিতযোগ্য উভয়ই হয়েছে।

অ্যামাজন বিজ্ঞাপন এআই-চালিত ক্রিয়েটিভ ইমেজ এবং ভিডিও তৈরি

আগের উদাহরণগুলোতে, আমরা মূলত টেক্সট-ভিত্তিক জেনারেটিভ এআই অ্যাপ্লিকেশনগুলো নিয়ে আলোচনা করেছি। এখন, আমরা [অ্যামাজন বিজ্ঞাপন স্পনসরড বিজ্ঞাপন ক্রিয়েটিভ কন্টেন্ট জেনারেশন] সহ মাল্টিমোডাল জেনারেটিভ এআই-এর দিকে যাবো। এই সলিউশনে [ছবি] এবং [ভিডিও] তৈরির বৈশিষ্ট্য রয়েছে। এই বিভাগে আমরা এই বৈশিষ্ট্যগুলো সম্পর্কে বিস্তারিত তথ্য শেয়ার করব। সামগ্রিকভাবে, এই সলিউশনের মূল অংশে [অ্যামাজন নোভা] ক্রিয়েটিভ কন্টেন্ট জেনারেশন মডেল ব্যবহার করা হয়েছে।

অ্যামাজন ২০২৩ সালের মার্চ মাসে একটি সমীক্ষা চালায়। গ্রাহকদের চাহিদা অনুযায়ী, প্রায় ৭৫% বিজ্ঞাপনদাতা বিজ্ঞাপন প্রচারে সাফল্য অর্জনের চেষ্টার সময় ক্রিয়েটিভ কন্টেন্ট তৈরিকে তাদের প্রধান চ্যালেঞ্জ হিসেবে উল্লেখ করেছেন। অনেক বিজ্ঞাপনদাতা (বিশেষ করে যাদের অভ্যন্তরীণ সক্ষমতা বা এজেন্সি সহায়তা নেই) উচ্চ মানের ভিজ্যুয়াল তৈরি করার দক্ষতা এবং খরচের কারণে বড় ধরনের সমস্যার সম্মুখীন হন। অ্যামাজন বিজ্ঞাপন সলিউশন ভিজ্যুয়াল কন্টেন্ট তৈরিকে সহজলভ্য করে তুলেছে, যাতে বিভিন্ন আকারের বিজ্ঞাপনদাতারা এটি অ্যাক্সেস করতে এবং কার্যকরভাবে ব্যবহার করতে পারেন। এর প্রভাব বিশাল: [স্পনসরড ব্র্যান্ড] বিজ্ঞাপন প্রচারে এআই-এর মাধ্যমে তৈরি করা ছবি ব্যবহারকারী বিজ্ঞাপনদাতাদের [ক্লিক-থ্রু রেট (Click-Through Rate, CTR)] প্রায় ৮% বেশি এবং যারা এই বৈশিষ্ট্য ব্যবহার করেন না তাদের চেয়ে এই বিজ্ঞাপন প্রচারে ৮৮% বেশি বিজ্ঞাপন জমা দেওয়া হয়।

গত বছর, AWS মেশিন লার্নিং ব্লগে [ছবি তৈরির সলিউশন নিয়ে বিস্তারিত আলোচনা করা হয়েছে]। তখন থেকে, অ্যামাজন ক্রিয়েটিভ ইমেজ তৈরির ভিত্তি হিসেবে [Amazon Nova Canvas] ব্যবহার করছে। টেক্সট বা ছবির প্রম্পট ব্যবহার করে, টেক্সট-ভিত্তিক সম্পাদনা বৈশিষ্ট্য এবং কালার স্কিম ও লেআউট সমন্বয় করার সুবিধা সহ, এটি পেশাদার মানের ছবি তৈরি করতে পারে।

২০২৪ সালের সেপ্টেম্বরে, অ্যামাজন বিজ্ঞাপন টিম পণ্যের ছবি থেকে [সংক্ষিপ্ত ভিডিও বিজ্ঞাপন] তৈরি করার বৈশিষ্ট্য যুক্ত করেছে। এই বৈশিষ্ট্যটি [Amazon Bedrock-এ উপলব্ধ ফাউন্ডেশন মডেল] ব্যবহার করে প্রাকৃতিক ভাষার মাধ্যমে ভিজ্যুয়াল স্টাইল, গতি, ক্যামেরা মুভমেন্ট, রোটেশন এবং জুমিং নিয়ন্ত্রণ করার সুবিধা দেয়। এর মাধ্যমে গ্রাহকরা নিজেদের মতো করে ভিডিও তৈরি করতে পারেন। এটি প্রথমে ভিডিও স্টোরিবোর্ড তৈরি করার জন্য একটি এজেন্ট ওয়ার্কফ্লো ব্যবহার করে এবং তারপর স্টোরির বিষয়বস্তু তৈরি করে।

মূল প্রবন্ধে আলোচনা করা হয়েছে যে [দায়িত্বশীল এআই] এই সলিউশনের কেন্দ্রবিন্দু এবং Amazon Nova ক্রিয়েটিভ মডেলটি নিরাপদ ও দায়িত্বশীল এআই ব্যবহারের জন্য বিল্ট-ইন কন্ট্রোলসহ আসে, যার মধ্যে ওয়াটারমার্ক এবং কন্টেন্ট নিরীক্ষণ অন্তর্ভুক্ত।

এই সলিউশনটি ছবি এবং ভিডিও তৈরির প্রক্রিয়া সমন্বয় করার জন্য সার্ভারবিহীন সমন্বয়ের জন্য [AWS Step Functions] এবং [AWS Lambda] ফাংশন ব্যবহার করে। তৈরি করা কন্টেন্ট [Amazon Simple Storage Service] (Amazon S3)-এ সংরক্ষণ করা হয়, মেটাডেটা DynamoDB-তে সংরক্ষণ করা হয় এবং [Amazon API Gateway] গ্রাহকদের জেনারেশন বৈশিষ্ট্যগুলোতে অ্যাক্সেস প্রদান করে। বর্তমানে এই সলিউশনটির প্রতিটি ধাপে অতিরিক্ত সুরক্ষা নিশ্চিত করার জন্য [Amazon Rekognition] এবং [Amazon Comprehend]-এর একত্রীকরণের পাশাপাশি Amazon Bedrock Guardrails ব্যবহার করা হয়েছে।

বৃহৎ পরিসরে উচ্চ মানের বিজ্ঞাপন ক্রিয়েটিভ তৈরি করা একটি জটিল চ্যালেঞ্জ। জেনারেটিভ এআই মডেলগুলোকে বিভিন্ন পণ্য বিভাগ এবং বিজ্ঞাপনের পরিবেশে আকর্ষণীয় এবং ব্র্যান্ডের সাথে সঙ্গতিপূর্ণ ছবি তৈরি করতে হয়। একই সাথে, এটি নিশ্চিত করতে হয় যেন সব ধরনের প্রযুক্তিগত দক্ষতার বিজ্ঞাপনদাতারা এটি সহজে ব্যবহার করতে পারেন। গুণগত মান নিশ্চিতকরণ এবং উন্নয়ন ছবি ও ভিডিও তৈরির বৈশিষ্ট্যগুলোর ভিত্তি। এই সিস্টেমটি [Amazon SageMaker Ground Truth]-এর মাধ্যমে বাস্তবায়িত বিস্তৃত HITL প্রক্রিয়ার মাধ্যমে ক্রমাগত উন্নত করা হয়। এই বাস্তবায়ন একটি শক্তিশালী সরঞ্জাম সরবরাহ করে, যা বিজ্ঞাপনদাতাদের সৃজনশীল প্রক্রিয়াকে পরিবর্তন করতে পারে। এর মাধ্যমে বিভিন্ন পণ্য বিভাগ এবং পরিবেশে উচ্চ মানের ভিজ্যুয়াল কন্টেন্ট তৈরি করা সহজ হয়।

এটি শুধুমাত্র শুরু। অ্যামাজন বিজ্ঞাপন জেনারেটিভ এআই ব্যবহার করে সেই বিজ্ঞাপনদাতাদের সাহায্য করতে চায়, যাদের বিজ্ঞাপনের লক্ষ্য অর্জনের জন্য উপযুক্ত কন্টেন্ট তৈরি করার প্রয়োজন। এই সলিউশনটি প্রমাণ করে যে কিভাবে সৃজনশীলতার পথে আসা বাধাগুলো কমিয়ে এনে বিজ্ঞাপন প্রচারকে সরাসরি উন্নত করা যায় এবং একই সাথে দায়িত্বশীল এআই ব্যবহারের উচ্চ মান বজায় রাখা যায়।

গুরুত্বপূর্ণ প্রযুক্তিগত অভিজ্ঞতা এবং আলোচনা

অ-কথোপকথনমূলক অ্যাপ্লিকেশনগুলো উচ্চ বিলম্ব সহনশীলতা থেকে উপকৃত হয়, যা ব্যাচ প্রক্রিয়াকরণ এবং ক্যাশিং করতে সক্ষম। তবে, এদের স্বায়ত্তশাসনের কারণে শক্তিশালী যাচাইকরণ ব্যবস্থা এবং আরও শক্তিশালী সুরক্ষা ব্যবস্থার প্রয়োজন। এই ধারণাগুলো অ-কথোপকথনমূলক এবং কথোপকথনমূলক এআই বাস্তবায়নের জন্য প্রযোজ্য:

• টাস্ক বিভাজন এবং এজেন্ট ওয়ার্কফ্লো – জটিল সমস্যাগুলোকে ছোট অংশে ভাগ করার পদ্ধতি বিভিন্ন বাস্তবায়নের ক্ষেত্রে মূল্যবান প্রমাণিত হয়েছে। ডোমেইন বিশেষজ্ঞদের দ্বারা করা এই বিবেচনামূলক বিভাজন নির্দিষ্ট উপ-কাজের জন্য বিশেষ মডেল তৈরি করতে সক্ষম, যেমন অ্যামাজন ফার্মেসীর প্রেসক্রিপশন প্রক্রিয়াকরণে দেখা যায়। এখানে, ফাইন-টিউন করা SLM ডোজ সনাক্তকরণের মতো পৃথক কাজগুলো সম্পাদন করতে পারে। এই কৌশল নির্ভরযোগ্যতা বাড়ায় এবং রক্ষণাবেক্ষণকে সহজ করে। অ্যামাজন বিক্রেতাদের পণ্যের তালিকা তৈরির উদাহরণে এর একাধিক ধাপের ওয়ার্কফ্লো রয়েছে, যেখানে পৃথক জেনারেশন এবং যাচাইকরণ প্রক্রিয়া রয়েছে। এছাড়াও, পর্যালোচনার মূল বিষয়বস্তু তৈরি করার ক্ষেত্রে সাশ্রয়ী এবং নিয়ন্ত্রিত উপায়ে এলএলএম ব্যবহার করা হয়েছে। এখানে, প্রাক-প্রক্রিয়াকরণের জন্য ঐতিহ্যবাহী ML ব্যবহার করা হয়, যা এলএলএমের কাজের সাথে সম্পর্কিত।
• হাইব্রিড আর্কিটেকচার এবং মডেল নির্বাচন – শুধুমাত্র এলএলএম পদ্ধতির তুলনায়, ঐতিহ্যবাহী ML-এর সাথে এলএলএম একত্রিত করলে আরও ভালো নিয়ন্ত্রণ এবং সাশ্রয়ীতা পাওয়া যায়। ঐতিহ্যবাহী ML সুনির্দিষ্ট কাজগুলো সম্পাদনে পারদর্শী, যেমন পর্যালোচনার মূল বিষয়বস্তু তৈরি করার সিস্টেমে আবেগ বিশ্লেষণ এবং তথ্য নিষ্কাশনের জন্য ব্যবহৃত হয়েছে। অ্যামাজন টিম তাদের প্রয়োজন অনুযায়ী কৌশলগতভাবে বড় এবং ছোট ভাষা মডেলগুলো স্থাপন করেছে। অ্যামাজন ফার্মেসীর বাস্তবায়নের মতো ডোমেইন-নির্দিষ্ট অ্যাপ্লিকেশনের জন্য কার্যকরভাবে RAG এবং ফাইন-টিউনিং একত্রিত করেছে।
• খরচ অপটিমাইজেশন কৌশল – অ্যামাজন টিম ব্যাচ প্রক্রিয়াকরণ, বৃহৎ আকারের কার্যক্রমের জন্য ক্যাশিং ব্যবস্থা, [AWS Inferentia] এবং [AWS Trainium]-এর মতো বিশেষ ইনস্ট্যান্স টাইপ এবং অপটিমাইজ করা মডেল নির্বাচনের মাধ্যমে দক্ষতা অর্জন করেছে। পর্যালোচনার মূল বিষয়বস্তু তৈরি করার ক্ষেত্রে দেখানো হয়েছে যে কিভাবে ধীরে ধীরে প্রক্রিয়াকরণ কম্পিউটিংয়ের চাহিদা কমাতে পারে। অ্যামাজন বিজ্ঞাপন Amazon Nova [ফাউন্ডেশন মডেল] (Foundation Model, FM) ব্যবহার করে সাশ্রয়ী উপায়ে ক্রিয়েটিভ কন্টেন্ট তৈরি করে।
• গুণগত মান নিশ্চিতকরণ এবং নিয়ন্ত্রণ ব্যবস্থা – গুণমান নিয়ন্ত্রণ Amazon Bedrock Guardrails-এর মাধ্যমে ডোমেইন-নির্দিষ্ট নিরাপত্তা ব্যবস্থা এবং অটোমেটেড টেস্টিংয়ের সাথে মানুষের মূল্যায়ন একত্রিত করে বহু-স্তরের যাচাইকরণের ওপর নির্ভর করে। জেনারেশন এবং যাচাইকরণের জন্য দ্বৈত এলএলএম পদ্ধতি অ্যামাজন বিক্রেতাদের পণ্যের তালিকা তৈরিতে হ্যালুসিনেশন প্রতিরোধ করতে সহায়ক, এবং সেল্ফ-রিফ্লেকশন কৌশল নির্ভুলতা বাড়ায়। Amazon Nova ক্রিয়েটিভ FM অন্তর্নিহিত দায়িত্বশীল এআই নিয়ন্ত্রণ সরবরাহ করে এবং ক্রমাগত A/B টেস্টিং ও কর্মক্ষমতা পরিমাপের মাধ্যমে এর পরিপূরক করা হয়।
• HITL বাস্তবায়ন – হিটএল পদ্ধতি একাধিক স্তরে বিস্তৃত, ফার্মাসিস্টদের বিশেষজ্ঞ মূল্যায়ন থেকে শুরু করে বিক্রয় সহযোগীদের চূড়ান্ত ব্যবহারকারীর প্রতিক্রিয়া পর্যন্ত। অ্যামাজন টিম একটি কাঠামোগত উন্নতি ওয়ার্কফ্লো তৈরি করেছে, যা নির্দিষ্ট ডোমেইনের প্রয়োজনীয়তা এবং ঝুঁকির ওপর ভিত্তি করে অটোমেশন এবং মানুষের তত্ত্বাবধানের মধ্যে ভারসাম্য বজায় রাখে।
• দায়িত্বশীল এআই এবং সম্মতি – দায়িত্বশীল এআই অনুশীলনের মধ্যে নিয়ন্ত্রিত পরিবেশের জন্য কন্টেন্ট গ্রহণের নিরাপত্তা ব্যবস্থা এবং HIPAA-এর মতো বিধিবিধানের প্রতি সম্মতি অন্তর্ভুক্ত। অ্যামাজন টিম ব্যবহারকারী-মুখী অ্যাপ্লিকেশনের জন্য কন্টেন্ট নিরীক্ষণ একত্রিত করেছে, পর্যালোচনার মূল বিষয়বস্তুর স্বচ্ছতা বজায় রাখতে উৎসের তথ্যের অ্যাক্সেস প্রদান করেছে এবং গুণমান ও সম্মতি বাড়ানোর জন্য ডেটা গভর্নেন্স বাস্তবায়ন করেছে।

এই প্যাটার্নগুলো গুণমান এবং জবাবদিহিতা বজায় রেখে প্রসারিতযোগ্য, নির্ভরযোগ্য এবং সাশ্রয়ী জেনারেটিভ এআই সমাধান তৈরি করতে সক্ষম। এই বাস্তবায়নগুলো প্রমাণ করে যে একটি কার্যকর সমাধানের জন্য শুধুমাত্র উন্নত মডেলই যথেষ্ট নয়, এর জন্য আর্কিটেকচার, অপারেশন এবং গভর্নেন্সের দিকেও মনোযোগ দিতে হয় এবং AWS পরিষেবা ও প্রতিষ্ঠিত অনুশীলন দ্বারা সমর্থিত হতে হয়।

পরবর্তী পদক্ষেপ

এই প্রবন্ধে অ্যামাজনের উদাহরণগুলো জেনারেটিভ এআই কিভাবে ঐতিহ্যবাহী কথোপকথনমূলক সহকারীকে ছাড়িয়েও মূল্য তৈরি করতে পারে, তা তুলে ধরেছে। আমরা আপনাকে এই উদাহরণগুলো অনুসরণ করতে বা আপনার নিজের সমাধান তৈরি করতে উৎসাহিত করি, যাতে আপনি জানতে পারেন জেনারেটিভ এআই কিভাবে আপনার ব্যবসা বা এমনকি আপনার শিল্পকে নতুন রূপ দিতে পারে। ধারণা তৈরি করার প্রক্রিয়া শুরু করার জন্য আপনি [AWS জেনারেটিভ এআই ব্যবহারের ক্ষেত্র] পৃষ্ঠাটি দেখতে পারেন।

এই উদাহরণগুলো প্রমাণ করে যে কার্যকর জেনারেটিভ এআই বাস্তবায়নের ক্ষেত্রে বিভিন্ন ধরনের মডেল এবং ওয়ার্কফ্লো একত্রিত করলে প্রায়শই সুবিধা পাওয়া যায়। AWS পরিষেবাগুলো কোন FM সমর্থন করে, তা জানতে [Amazon Bedrock-এ সমর্থিত ফাউন্ডেশন মডেল] এবং [Amazon SageMaker JumpStart ফাউন্ডেশন মডেল]-এ দেখে নিতে পারেন। আমরা আপনাকে [Amazon Bedrock Flows] ব্যবহার করে ওয়ার্কফ্লো তৈরি করার প্রক্রিয়া সহজ করার পরামর্শ দিচ্ছি। এছাড়াও, আমরা আপনাকে স্মরণ করিয়ে দিতে চাই যে Trainium এবং Inferentia অ্যাক্সিলারেটর এই অ্যাপ্লিকেশনগুলোতে উল্লেখযোগ্য পরিমাণে খরচ কমাতে পারে।

আমরা উপরে যে উদাহরণগুলো দিয়েছি,তাতে দেখা যাচ্ছে যে এজেন্ট ওয়ার্কফ্লো বিশেষভাবে মূল্যবান প্রমাণিত হয়েছে। দ্রুত এজেন্ট ওয়ার্কফ্লো তৈরি করার জন্য আমরা আপনাকে [Amazon Bedrock Agents] ব্রাউজ করার পরামর্শ দিচ্ছি।

সফলভাবে জেনারেটিভ এআই বাস্তবায়ন শুধুমাত্র মডেল নির্বাচন নয়—এটি পরীক্ষা-নিরীক্ষা থেকে শুরু করে অ্যাপ্লিকেশন নিরীক্ষণ পর্যন্ত একটি ব্যাপক সফ্টওয়্যার উন্নয়ন প্রক্রিয়া। এই মৌলিক পরিষেবাগুলোর ওপর ভিত্তি করে আপনার কাজ শুরু করার জন্য, আমরা আপনাকে [Amazon QuickStart] ব্রাউজ করার জন্য আমন্ত্রণ জানাচ্ছি।

অ্যামাজন কিভাবে এআই ব্যবহার করে সে সম্পর্কে আরও বিস্তারিত জানতে, অ্যামাজন নিউজের [এআই] বিভাগটি দেখুন।