AI generatif secara radikal mengubah operasi bisnis melalui berbagai aplikasi, termasuk asisten percakapan seperti Rufus dan Amazon Seller Assistant dari Amazon. Selain itu, beberapa aplikasi AI generatif yang paling berdampak beroperasi secara mandiri di belakang layar, sebuah kemampuan penting yang memungkinkan perusahaan untuk mengubah operasi, pemrosesan data, dan pembuatan konten mereka dalam skala besar. Implementasi non-percakapan ini sering kali berbentuk alur kerja agen yang didukung oleh Large Language Model (LLM), yang melakukan tujuan bisnis tertentu di berbagai industri tanpa interaksi pengguna langsung.
Berbeda dengan aplikasi percakapan yang mendapat manfaat dari umpan balik dan pengawasan pengguna secara real-time, aplikasi non-percakapan предлага memiliki keunggulan unik seperti toleransi latensi yang lebih tinggi, pemrosesan batch, dan caching, tetapi sifat автоном mereka memerlukan langkah-langkah keamanan yang lebih kuat dan jaminan kualitas yang mendalam.
Artikel ini mengeksplorasi empat kasus penggunaan AI generatif yang berbeda di Amazon:
- Pembuatan Daftar Produk Amazon dan Peningkatan Kualitas Data Katalog – Menunjukkan bagaimana LLM membantu mitra penjualan dan Amazon dalam skala besar untuk membuat daftar produk berkualitas lebih tinggi
- Pemrosesan Resep Amazon Pharmacy – Menunjukkan implementasi dalam lingkungan yang sangat diatur dan dekomposisi tugas untuk tujuan alur kerja agen
- Sorotan Ulasan – Mengilustrasikan pemrosesan batch skala besar, integrasi Machine Learning (ML) tradisional, penggunaan LLM yang lebih kecil, dan solusi hemat biaya
- Pembuatan Gambar dan Video Kreatif Amazon Ads – Menyoroti AI generatif multimodal dan praktik AI yang bertanggung jawab dalam pekerjaan kreatif
Setiap studi kasus mengungkap aspek berbeda dari penerapan aplikasi AI generatif non-percakapan, mulai dari arsitektur teknis hingga pertimbangan operasional. Melalui contoh-contoh ini, Anda akan memahami bagaimana rangkaian lengkap layanan AWS, termasuk Amazon Bedrock dan Amazon SageMaker, dapat menjadi kunci keberhasilan. Terakhir, kami mencantumkan pelajaran utama yang dibagikan secara universal di berbagai kasus penggunaan.
Membuat Daftar Produk Berkualitas Tinggi di Amazon
Membuat daftar produk berkualitas tinggi dengan detail yang komprehensif membantu pelanggan membuat keputusan pembelian yang tepat. Secara tradisional, mitra penjualan secara manual memasukkan banyak atribut untuk setiap produk. Solusi AI generatif baru yang diluncurkan pada tahun 2024 mengubah proses ini dengan meningkatkan pengalaman pelanggan dengan secara proaktif mendapatkan informasi produk dari situs web merek dan sumber lain.
AI generatif menyederhanakan pengalaman mitra penjualan dengan mendukung input informasi dalam berbagai format – seperti URL, gambar produk, atau spreadsheet – dan secara otomatis mengubahnya menjadi struktur dan format yang diperlukan. Lebih dari 900.000 mitra penjualan telah menggunakannya, dan hampir 80% draf daftar produk yang dihasilkan diterima dengan pengeditan minimal. Konten yang dihasilkan AI memberikan detail produk yang komprehensif, yang membantu meningkatkan kejelasan dan akurasi, sehingga berkontribusi pada peningkatan penemuanproduk dalam pencarian pelanggan.
Untuk daftar produk baru, alur kerja dimulai dengan mitra penjualan yang memberikan informasi awal. Sistem kemudian menggunakan berbagai sumber informasi untuk menghasilkan daftar produk yang komprehensif, termasuk judul, deskripsi, dan atribut terperinci. Daftar produk yang dihasilkan dibagikan dengan mitra penjualan untuk disetujui atau diedit.
Untuk daftar produk yang sudah ada, sistem mengidentifikasi produk yang dapat diperkaya dengan data tambahan.
Integrasi dan Pemrosesan Data untuk Output Volume Tinggi
Tim Amazon membangun konektor sumber internal dan eksternal yang canggih untuk API ramah LLM menggunakan Amazon Bedrock dan layanan AWS lainnya, yang memungkinkan integrasi tanpa hambatan ke dalam sistem backend Amazon.com.
Tantangan utama adalah mensintesis berbagai data menjadi daftar produk yang koheren di lebih dari 50 atribut yang mencakup teks dan angka. LLM memerlukan mekanisme dan instruksi kontrol khusus untuk menginterpretasikan konsep e-commerce secara akurat karena mungkin tidak berkinerja optimal dengan data yang begitu kompleks dan beragam. Misalnya, LLM dapat salah menafsirkan “Kapasitas” di dudukan pisau sebagai dimensi daripada jumlah slot atau “Fit Wear” sebagai deskripsi gaya, bukan nama merek. Rekayasa prompt dan penyetelan halus digunakan secara ekstensif untuk mengatasi kasus-kasus ini.
Generasi dan Validasi Menggunakan LLM
Daftar produk yang dihasilkan harus lengkap dan benar. Untuk membantu mencapai tujuan ini, solusi ini menerapkan alur kerja многошагового, menggunakan LLM untuk generasi dan validasi атрибутов. Pendekatan LLM ganda ini membantu mencegah halusinasi, yang sangat penting saat menangani implikasi keselamatan atau spesifikasi teknis. Tim telah mengembangkan teknik refleksi diri yang canggih untuk memastikan bahwa proses generasi dan validasi saling melengkapi secara efektif.
Jaminan Kualitas Berlapis dengan Umpan Balik Manusia
Umpan balik manusia adalah inti dari jaminan kualitas solusi. Proses ini mencakup evaluasi awal oleh spesialis Amazon.com dan mitra penjualan yang memberikan masukan untuk penerimaan atau pengeditan. Ini memberikan keluaran berkualitas tinggi dan memungkinkan peningkatan berkelanjutan dari model AI.
Proses jaminan kualitas mencakup metode pengujian otomatis yang menggabungkan ML, algoritma, atau evaluasi berbasis LLM. Daftar produk yang gagal dibuat ulang, dan daftar produk yang berhasil menjalani pengujian lebih lanjut. Menggunakan [model penalaran kausal], kami mengidentifikasi fitur dasar yang memengaruhi kinerja daftar produk dan peluang pengayaan. Akhirnya, daftar produk yang lulus pemeriksaan kualitas dan diterima oleh mitra penjualan dipublikasikan, memastikan bahwa pelanggan menerima informasi produk yang akurat dan komprehensif.
Otomatisasi Tingkat Aplikasi untuk Akurasi dan Biaya
Mengingat standar akurasi dan kelengkapan yang tinggi, tim mengadopsi pendekatan eksperimental yang komprehensif yang dilengkapi dengan sistem otomatisasi для оптимизации. Sistem ini mengeksplorasi berbagai kombinasi LLM, prompt, playbook, alur kerja, dan alat AI untuk meningkatkan metrik bisnis yang lebih tinggi, termasuk biaya. Melalui evaluasi dan pengujian otomatis berkelanjutan, generator daftar produk dapat secara efektif menyeimbangkan kinerja, biaya, dan efisiensi sambil beradaptasi dengan perkembangan AI baru. Pendekatan ini berarti bahwa pelanggan dapat memperoleh manfaat dari informasi produk berkualitas tinggi, dan mitra penjualan dapat mengakses alat canggih untuk pembuatan daftar produk yang efisien.
Pemrosesan Resep Berbasis Kecerdasan Buatan Generatif di Amazon Pharmacy
Di contoh daftar produk penjual yang dibahas sebelumnya, dibangun di atas alur kerja hibrida manusia dalam lingkaran, Amazon Pharmacy menunjukkan bagaimana prinsip-prinsip ini dapat diterapkan di industri yang diatur oleh Health Insurance Portability and Accountability Act . Dalam [Memahami Bagaimana Amazon Pharmacy Menggunakan Amazon SageMaker untuk Membuat Chatbot berbasis LLM], kami berbagi asisten percakapan untuk spesialis perawatan pasien, dan sekarang kami fokus pada pemrosesan resep otomatis.
Di Amazon Pharmacy, kami mengembangkan sistem AI yang dibangun di atas Amazon Bedrock dan SageMaker untuk membantu teknisi apoteker memproses instruksi obat dengan lebih akurat dan efisien. Solusi ini mengintegrasikan pakar manusia dengan LLM dalam peran pembuatan dan validasi untuk meningkatkan keakuratan instruksi obat pasien.
Desain Alur Kerja Delegasi untuk Akurasi Perawatan Kesehatan
Sistem pemrosesan resep menggabungkan keahlian manusia (petugas entry data dan apoteker) dengan dukungan AI untuk memberikan saran arah dan umpan balik. Alur kerja dimulai dengan preprocessor basis pengetahuan farmasi, yang menstandarkan teks resep mentah dari [Amazon DynamoDB], kemudian menggunakan model bahasa kecil (SLM) yang disetel dengan baik di SageMaker untuk mengidentifikasi komponen utama (dosis, frekuensi).
Sistem ini dengan mulus mengintegrasikan para ahli seperti petugas entry data dan apoteker, di mana AI generatif melengkapi alur kerja keseluruhan, meningkatkan ketangkasan dan akurasi, untuk melayani pasien kami dengan lebih baik. Sistem perakitan arah dengan ограждения затем создает инструкции для лиц, осуществляющих ввод данных, чтобы создать направления, которые они вводят, через модуль предложений. Модуль маркировки выделяет или исправляет ошибки, а также применяет дополнительные ограждения в качестве обратной связи, предоставленной лицам, осуществляющим ввод данных. Техники завершают ввод направления с высокой точностью и безопасностью, которое предоставляется фармацевту для обратной связи или выполняется нижестоящим сервисам.
Salah satu sorotan dari solusi ini adalah penggunaan dekomposisi tugas, yang memungkinkan insinyur dan ilmuwan untuk membagi keseluruhan proses menjadi beberapa langkah yang mencakup modul individual yang terdiri dari sub-langkah. Tim menggunakan SLM yang disetel dengan baik secara ekstensif. Selain itu, proses ini mengadopsi program ML tradisional seperti [Named Entity Recognition (NER)] atau penggunaan [model regresi] untuk perkiraan kepercayaan akhir. Penggunaan SLM dan ML tradisional dalam proses yang terkontrol dan didefinisikan dengan baik ini dapat meningkatkan kecepatan pemrosesan secara signifikan sambil mempertahankan standar keamanan yang ketat karena penambahan ограждений yang tepat dalam langkah-langkah tertentu.
Sistem ini berisi banyak sub-langkah yang didefinisikan dengan jelas, dengan setiap sub-proses berfungsi sebagai komponen khusus, yang bekerja secara semi-otonom tetapi kolaboratif menuju tujuan keseluruhan dalam alur kerja. Pendekatan декомпозиции ini dengan валидациями tertentu di setiap tahap terbukti lebih efektif daripada solusi ujung ke ujung, sambil memungkinkan penggunaan SLM yang disetel dengan baik. Tim menggunakan [AWS Fargate] untuk mengatur alur kerja karena saat ini terintegrasi ke dalam sistem backend yang ada.
Selama proses pengembangan produk tim, mereka beralih ke Amazon Bedrock, yang menawarkan LLM berkinerja tinggi dengan kemudahan penggunaan yang disesuaikan untuk aplikasi AI generatif. SageMaker mendukung pilihan LLM lebih lanjut, kustomisasi yang lebih dalam, dan pendekatan ML tradisional. Untuk mempelajari lebih lanjut tentang teknologi ini, lihat [Bagaimana dekomposisi tugas dan LLM yang lebih kecil dapat membuat AI lebih terjangkau] dan baca [Studi Kasus Amazon Pharmacy].
Membangun Aplikasi Tepercaya dengan Ограждения dan HITL
Untuk mematuhi standar HIPAA dan memberikan privasi pasien, kami menerapkan praktik tata kelola data yang ketat sambil mengadopsi pendekatan hibrida yang menggabungkan SLM yang disetel dengan baik menggunakan Amazon Bedrock API dengan Retrieval Augmented Generation menggunakan [Amazon OpenSearch Service]. Kombinasi ini memungkinkan pengambilan pengetahuan yang efisien sambil mempertahankan akurasi tinggi untuk sub-tugas tertentu.
Mengelola halusinasi LLM, yang sangat penting di ruang perawatan kesehatan, memerlukan lebih dari sekadar penyetelan halus pada dataset yang besar. Solusi kami menerapkan ограждения khusus domain yang dibangun di atas [Amazon Bedrock Guardrails] dan dilengkapi dengan pengawasan Human-in-the-Loop (HITL) untuk meningkatkan keandalan sistem.
Tim Amazon Pharmacy terus menyempurnakan sistem ini melalui umpan balik real-time dari apoteker dan kemampuan format resep yang diperluas. Pendekatan penyeimbangan inovasi, keahlian domain, layanan AI canggih, dan pengawasan manusia tidak hanya meningkatkan efisiensi operasional tetapi juga berarti sistem AI memberdayakan tenaga profesional perawatan kesehatan dengan benar untuk memberikan perawatan pasien yang optimal.
Sorotan Ulasan Pelanggan Berbasis AI Generatif
Contoh kami sebelumnya menunjukkan bagaimana Amazon Pharmacy mengintegrasikan LLM ke dalam alur kerja real-time untuk pemrosesan resep, sementara kasus penggunaan ini menunjukkan bagaimana teknik serupa—SLM, ML tradisional, dan desain alur kerja yang bijaksana—dapat diterapkan pada [inferensi batch offline ] skala besar.
Amazon memperkenalkan [Sorotan Ulasan Pelanggan yang Dihasilkan AI] untuk memproses lebih dari 200 juta ulasan dan peringkat produk tahunan. Fitur ini menyaring sentimen pelanggan yang dibagikan menjadi paragraf ringkas, menyoroti umpan balik positif, netral, dan негативную tentang produk dan fiturnya. Pembeli dapat dengan cepat memahami konsensus sambil mempertahankan transparansi dengan memberikan akses ke ulasan pelanggan yang relevan dan melestarikan ulasan asli.
Sistem meningkatkan keputusan pembelian dengan antarmuka di mana pelanggan dapat menjelajahi sorotan ulasan dengan memilih fitur tertentu seperti kualitas gambar, kemampuan remote control, atau kemudahan instalasi Fire TV. Fitur-fitur ini memiliki sentimen positif yang дикта с отметками зеленым цветом, sentimen негативную yang отметками оранжевым цветом, dan sentimen netral dengan серыми, yang berarti bahwa pembeli dapat dengan cepat mengidentifikasi kekuatan dan kelemahan produk berdasarkan ulasan pembelian yang terverifikasi.
Menggunakan LLM dengan Ekonomis untuk Kasus Penggunaan Offline
Tim mengembangkan arsitektur hibrida yang hemat biaya yang menggabungkan pendekatan ML tradisional dengan SLM khusus. Pendekatan ini mendelegasikan analisis sentimen dan ekstraksi kata kunci ke ML tradisional sambil menggunakan SLM yang dioptimalkan untuk tugas pembuatan teks yang rumit, sehingga meningkatkan akurasi dan efisiensi pemrosesan.
Fitur ini menggunakan [SageMaker Batch Transform] untuk pemrosesan asinkron, yang dapat mengurangi biaya secara signifikan dibandingkan dengan titik akhir real-time. Untuk memberikan pengalaman latensi hampir nol, solusi [cache] wawasan yang diekstraksi dan ulasan yang ada, sehingga mengurangi waktu tunggu dan memungkinkan beberapa pelanggan untuk mengaksesnya secara bersamaan tanpa memerlukan komputasi tambahan. Sistem memproses ulasan baru secara bertahap, memperbarui wawasan tanpa memproses ulang kumpulan data lengkap. Untuk kinerja dan efektivitas biaya yang optimal, fitur ini menggunakan [Amazon Elastic Compute Cloud] (Amazon EC2) [Inf2 instances] untuk pekerjaan batch transform, [menyediakan hingga 40% rasio harga-kinerja yang lebih baik dibandingkan dengan alternatif].
Dengan mengikuti pendekatan komprehensif ini, tim secara efektif mengelola biaya sambil memproses sejumlah besar ulasan dan produk, membuat solusi ini efisien dan масштабируемой.
Pembuatan Gambar dan Video Kreatif yang Didukung AI Amazon Ads
Dalam contoh sebelumnya, kami terutama mengeksplorasi aplikasi AI generatif yang berfokus pada teks, dan sekarang kami beralih ke AI generatif multimodal dengan [Amazon Ads Sponsored Ads Creative Content Generation]. Solusi ini memiliki kemampuan pembuatan [gambar] dan [video], dan kami akan membagikan detail tentang kemampuan ini di bagian ini. Secara keseluruhan, inti dari solusi ini menggunakan [Amazon Nova] model pembuatan konten kreatif.
Mundur berdasarkan kebutuhan pelanggan, survei Amazon pada Maret 2023 mengungkap bahwa hampir 75% pengiklan menyebut pembuatan konten kreatif sebagai tantangan utama mereka saat berjuang untuk kesuksesan kampanye. Banyak pengiklan, особенно те, кто не имеет собственных возможностей или поддержки агентства, сталкиваются с серьезными препятствиями из-за экспертизы и стоимости создания качественных визуальных эффектов. Решение Amazon Ads демократизирует создание визуального контента, делая его доступным и эффективным для рекламодателей всех масштабов. Эффект колоссальный: рекламодатели, использующие сгенерированные AI изображения в [Sponsored Brands] кампаниях, видят повышение [Click-Through Rate (CTR)] почти 8%, а提交的广告活动比非用户多 88%.
Tahun lalu, blog AWS Machine Learning menerbitkan artikel yang [merinci solusi pembuatan gambar]. Sejak saat itu, Amazon telah mengadopsi [Amazon Nova Canvas] sebagai fondasi untuk pembuatan gambar kreatif. Dengan memanfaatkan提示文本或图像提示文本и图像提示的组合 untuk возможности редактирования на основе текста и элементы управления схемой цветов и форматированием, можно создавать изображения профессионального уровня.
Pada September 2024, tim Amazon Ads menambahkan kemampuan untuk membuat [iklan video pendek] dari gambar produk. Fitur ini menggunakan [model dasar yang tersedia di Amazon Bedrock] untuk memberi pelanggan kontrol dengan gaya визуальным, скоростью, движениями камеры, поворотами и масштабированиями с использованием элементов управления естественным языком. Он использует рабочий процесс агента, чтобы сначала описать раскадровку видео, а затем сгенерировать контент сюжета.
Как обсуждалось в исходной статье, [ответственный AI] является центральным элементом решения, а модель Amazon Nova для создания креативного контента оснащена элементами управления для поддержки безопасного и ответственного использования AI, включая водяные знаки и модерацию контента.
Решение использует [AWS Step Functions] и [AWS Lambda] функции для координации серверной координации процессов создания изображений и видео. Сгенерированный контент хранится в [Amazon Simple Storage Service] (Amazon S3), метаданные хранятся в DynamoDB, а [Amazon API Gateway] обеспечивает клиентам доступ к функциональности генерации. Решение в настоящее время включает сервисы Amazon Bedrock Guardrails, в дополнение к поддержанию интеграции [Amazon Rekognition] и [Amazon Comprehend] на этапах для проведения дополнительных проверок безопасности.
Создание качественной рекламной креативной в большом масштабе сопряжено со сложными задачами. Моделям генерирующего AI необходимо генерировать привлекательные и соответствующие фирменному имиджу изображения в различных категориях товаров и рекламных средах, обеспечивая при этом доступность для рекламодателей с любыми техническими навыками. Обеспечение и улучшение качества лежат в основе функций создания изображений и видео. Эта система непрерывно совершенствуется благодаря обширному процессу HITL, реализованному с помощью [Amazon SageMaker Ground Truth]. Эта реализация предоставляет мощный инструмент, который может преобразовать процесс создания рекламателей, упрощая создание высококачественного визуального контента в различных категориях товаров и средах.
Ini hanyalah awal dari bagaimana Amazon Ads menggunakan AI generatif untuk membantu pengiklan yang perlu membuat konten yang beresonansi dengan tujuan periklanan mereka. Solusi ini menunjukkan bagaimana mengurangi hambatan untuk kreasi dapat secara langsung meningkatkan kampanye periklanan sambil mempertahankan standar tinggi penggunaan AI yang bertanggung jawab.
Pengalaman dan Diskusi Teknis Utama
Aplikasi non-percakapan memperoleh manfaat dari toleransi latensi yang lebih tinggi yang memungkinkan pemrosesan batch dan caching, tetapi автоном sifatnya memerlukan mekanisme валидации yang kuat dan langkah-langkah keamanan yang lebih kuat. Wawasan ini berlaku untuk implementasi AI non-percakapan dan percakapan:
- Dekomposisi Tugas dan Alur Kerja Agen – Memecah masalah kompleks menjadi komponen yang lebih kecil terbukti berharga di berbagai implementasi. Dekomposisi yang cermat ini oleh pakar domain memungkinkan pembuatan model khusus untuk sub-tugas tertentu, seperti yang ditunjukkan dalam pemrosesan resep Amazon Pharmacy, di mana SLM yang disetel dengan baik menangani tugas diskrit seperti identifikasi dosis. Strategi ini memungkinkan pembuatan agen khusus dengan langkah-langkah валидации yang jelas, meningkatkan keandalan dan menyederhanakan pemeliharaan. Kasus penggunaan daftar produk penjual Amazon menunjukkan hal ini melalui alur kerja многошагового dengan proses generasi dan валидации terpisah. Selain itu, kasus penggunaan Sorotan Ulasan menunjukkan penggunaan LLM yang hemat biaya dan terkontrol, yaitu dengan menggunakan ML tradisional untuk pra-pemrosesan dan melakukan bagian yang dapat dikaitkan dengan tugas LLM.
- Arsitektur Hibrida dan Pemilihan Model – Menggabungkan ML tradisional dengan LLM menawarkan kontrol dan efektivitas biaya yang lebih baik dibandingkan dengan pendekatan LLM murni. ML tradisional unggul dalam menangani tugas yang didefinisikan с предельной точностью, seperti yang ditunjukkan sistem Sorotan Ulasan yang digunakan untuk analisis sentimen dan ekstraksi informasi. Tim Amazon telah secara strategis menggunakan модель языка больших и малых размеров на основе потребностей, сочетая RAG с тонкой настройкой для эффективных предметно-ориентированных приложений, таких как реализация Amazon Pharmacy.
- Strategi Optimasi Biaya – Efisiensi telah dicapai oleh tim Amazon melalui pemrosesan batch, mekanisme кэширования для крупномасштабных операций, специализированные типы экземпляров, такие как [AWS Inferentia] и [AWS Trainium], и оптимизированный выбор модели. Sorotan Ulasan menunjukkan bagaimana pemrosesan tambahan mengurangi kebutuhan komputasi, sementara Amazon Ads использует Amazon Nova [модели основ] (FM) для экономически эффективного создания креативного контента.
- Jaminan Kualitas dan Mekanisme Контроля – Контроль качества зависит от определенных предметно-ориентированных сервисов охраны контента через Amazon Bedrock Guardrails и многоуровневой валидации, сочетающей в себе автоматизированное тестирование и экспертные оценки. Pendekatan LLM ganda для генерирующих и валидирующих помогает предотвратить алюминации в листинге продукта продавца Amazon, а технология саморефлексии повышает точность. Модель творческого контента Amazon Nova FM обеспечивает врожденные меры контроля ответственного ИИ и дополняется постоянным A/B тестированием и измерением производительности.
- Implementasi Хитла – Методика Хитла охватывает несколько уровней, от экспертных оценок фармацевтов до отзывов конечных пользователей продавца. Команды Amazon установили структурированные рабочие процессы усовершенствования, таким образом уравновешивая автоматизацию и человеческий контроль в соответствии с конкретными требованиями домена и профилем риска.
- AI yang Bertanggung Jawab dan Kepatuhan – Praktik AI yang bertanggung jawab mencakup langkah-langkah keamanan для обработки контента в регулируемых средах и соблюдение таких правил, как HIPAA. Amazon интегрировал сервисы контроля контента для пользовательских приложений для поддержания прозрачности акцентов для обзоров путем обеспечения доступа к исходным информационные средствам, а также внедрил средство контроля над данными с мониторингом для повышения качества и соблюдения нормативных требований.
Pola-pola ini dapat memungkinkan solusi AI generatif yang dapat масштабируемой, надежной и экономически эффективных, sambil mempertahankan качество и стандарты ответственности. Implementasi ini menunjukkan bahwa solusi yang efektif membutuhkan не только современные модели, но и тщательное внимание к архитектуре, оперативной деятельности и управлению, а также обеспечивается услугами AWS и установленными практиками.
Langkah Berikutnya
Contoh Amazon yang dibagikan dalam artikel ini menunjukkan bagaimana AI generatif dapat menciptakan nilai di luar asisten percakapan tradisional. Kami mengundang Anda untuk mengikuti contoh-contoh ini atau membuat solusi Anda sendiri untuk melihat bagaimana AI generatif dapat membentuk kembali bisnis Anda atau bahkan industri Anda. Anda dapat mengunjungi halaman [Kasus Penggunaan AI Generatif AWS] untuk memulai proses ide.
Contoh-contoh ini menunjukkan bahwa реализации генеративных AI yang efektif sering kali mendapatkan manfaat dari penggunaan комбиниранного разных типов моделей и рабочих процессов. Дабы узнать, какие FM поддерживаются сервисами AWS, ознакомьтесь с [основными моделями, поддерживаемыми в Amazon Bedrock], а также с [основными моделями Amazon SageMaker JumpStart]. Рекомендам вдобавок исследовать [Amazon Bedrock Flows], что может упростить рабочие процессы. Дополнительно, обращаем Ваше внимание на то, что ускорители Trainium и Inferentia обеспечивают важную экономию затрат в этих приложениях.
Как уже показывали приведенные нами примеры, рабочие процессы агентов оказались особенно ценными. Советуем Вам просмотреть [агентов Amazon Bedrock] дабы быстро конструировать рабочие процессы агентов.
Успешная реализация генеративного AI – это это не просто выбор модели, это всеобъемлющий процесс разработки программного обеспечения от эксперимента до мониторинга приложений. Для начала строительства фундамента на этих основных сервисах, приглашаем Вас просмотреть [Amazon QuickStart].
Untuk mempelajari lebih lanjut tentang bagaimana Amazon menggunakan AI, lihat [AI di Amazon News].