ਜਨਰੇਟਿਵ AI ਨਾਲ ਉਦਯੋਗ ਨੂੰ ਬਦਲ ਰਿਹਾ ਹੈ Amazon

ਜਨਰੇਟਿਵ ਨਕਲੀ ਬੁੱਧੀ (Generative Artificial Intelligence) ਵੱਖ-ਵੱਖ ਕਾਰਜਾਂ ਰਾਹੀਂ ਕਾਰੋਬਾਰੀ ਕੰਮਕਾਜ ਵਿੱਚ ਕ੍ਰਾਂਤੀ ਲਿਆ ਰਹੀ ਹੈ, ਜਿਸ ਵਿੱਚ ਐਮਾਜ਼ਾਨ (Amazon) ਦੇ ਰੂਫਸ (Rufus) ਅਤੇ ਐਮਾਜ਼ਾਨ ਸੇਲਰ ਅਸਿਸਟੈਂਟ (Amazon Seller Assistant) ਵਰਗੇ ਗੱਲਬਾਤ ਕਰਨ ਵਾਲੇ ਸਹਾਇਕ ਸ਼ਾਮਲ ਹਨ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਕੁਝ ਸਭ ਤੋਂ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਜਨਰੇਟਿਵ ਏਆਈ ਐਪਲੀਕੇਸ਼ਨ ਬੈਕਗ੍ਰਾਉਂਡ (Background) ਵਿੱਚ ਆਪਣੇ ਆਪ ਚੱਲਦੀਆਂ ਹਨ। ਇਹ ਇੱਕ ਬਹੁਤ ਜ਼ਰੂਰੀ ਫੰਕਸ਼ਨ (Function) ਹੈ, ਜੋ ਕੰਪਨੀਆਂ ਨੂੰ ਆਪਣੇ ਕੰਮਕਾਜ, ਡਾਟਾ ਪ੍ਰੋਸੈਸਿੰਗ (Data processing) ਅਤੇ ਸਮੱਗਰੀ ਬਣਾਉਣ ਦੇ ਤਰੀਕਿਆਂ ਨੂੰ ਵੱਡੇ ਪੱਧਰ ‘ਤੇ ਬਦਲਣ ਦੇ ਯੋਗ ਬਣਾਉਂਦਾ ਹੈ। ਇਹ ਗੈਰ-ਗੱਲਬਾਤ ਵਾਲੇ ਢੰਗ ਅਕਸਰ ਵੱਡੇ ਭਾਸ਼ਾ ਮਾਡਲਾਂ (LLM) ਦੁਆਰਾ ਚਲਾਏ ਜਾਂਦੇ ਏਜੰਟ ਵਰਕਫਲੋਜ਼ (Agent Workflows) ਦੇ ਰੂਪ ਵਿੱਚ ਹੁੰਦੇ ਹਨ, ਜਿਨ੍ਹਾਂ ਨੂੰ ਸਿੱਧੇ ਤੌਰ ‘ਤੇ ਉਪਭੋਗਤਾਵਾਂ ਨਾਲ ਗੱਲਬਾਤ ਕਰਨ ਦੀ ਲੋੜ ਨਹੀਂ ਹੁੰਦੀ ਅਤੇ ਇਹ ਵੱਖ-ਵੱਖ ਉਦਯੋਗਾਂ ਵਿੱਚ ਵਿਸ਼ੇਸ਼ ਕਾਰੋਬਾਰੀ ਟੀਚਿਆਂ ਨੂੰ ਪੂਰਾ ਕਰਦੇ ਹਨ।

ਰੀਅਲ-ਟਾਈਮ (Real-time) ਉਪਭੋਗਤਾ ਫੀਡਬੈਕ (Feedback) ਅਤੇ ਨਿਗਰਾਨੀ ਤੋਂ ਲਾਭ ਲੈਣ ਵਾਲੀਆਂ ਗੱਲਬਾਤ ਵਾਲੀਆਂ ਐਪਲੀਕੇਸ਼ਨਾਂ ਦੇ ਮੁਕਾਬਲੇ, ਗੈਰ-ਗੱਲਬਾਤ ਵਾਲੀਆਂ ਐਪਲੀਕੇਸ਼ਨਾਂ ਵਿੱਚ ਜ਼ਿਆਦਾ ਦੇਰੀ ਸਹਿਣਸ਼ੀਲਤਾ, ਬੈਚ ਪ੍ਰੋਸੈਸਿੰਗ (Batch processing) ਅਤੇ ਕੈਸ਼ਿੰਗ (Caching) ਵਰਗੇ ਵਿਲੱਖਣ ਫਾਇਦੇ ਹਨ, ਪਰ ਇਹਨਾਂ ਦੀ ਆਟੋਨੋਮਸ (Autonomous) ਪ੍ਰਕਿਰਤੀ ਨੂੰ ਮਜ਼ਬੂਤ ਸੁਰੱਖਿਆ ਉਪਾਵਾਂ ਅਤੇ ਵਿਸਤ੍ਰਿਤ ਗੁਣਵੱਤਾ ਭਰੋਸੇ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।

ਇਹ ਲੇਖ ਐਮਾਜ਼ਾਨ ਦੇ ਚਾਰ ਵੱਖ-ਵੱਖ ਜਨਰੇਟਿਵ ਏਆਈ ਐਪਲੀਕੇਸ਼ਨ ਕੇਸਾਂ ਦੀ ਪੜਚੋਲ ਕਰਦਾ ਹੈ:

• ਐਮਾਜ਼ਾਨ ਉਤਪਾਦ ਸੂਚੀ ਬਣਾਉਣਾ ਅਤੇ ਕੈਟਾਲਾਗ ਡਾਟਾ ਗੁਣਵੱਤਾ ਵਿੱਚ ਸੁਧਾਰ – ਇਹ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਕਿਵੇਂ LLM ਵਿਕਰੀ ਭਾਈਵਾਲਾਂ ਅਤੇ ਐਮਾਜ਼ਾਨ ਨੂੰ ਵੱਡੇ ਪੱਧਰ ‘ਤੇ ਉੱਚ ਗੁਣਵੱਤਾ ਵਾਲੇ ਉਤਪਾਦਾਂ ਦੀ ਜਾਣਕਾਰੀ ਬਣਾਉਣ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦੇ ਹਨ।
• ਐਮਾਜ਼ਾਨ ਫਾਰਮੇਸੀ (Amazon Pharmacy) ਵਿੱਚ ਪਰਚੀ ਦੀ ਪ੍ਰਕਿਰਿਆ – ਉੱਚ ਨਿਯੰਤ੍ਰਿਤ ਵਾਤਾਵਰਣ ਵਿੱਚ ਲਾਗੂ ਕਰਨ ਅਤੇ ਏਜੰਟ ਵਰਕਫਲੋਜ਼ (Agent Workflows) ਲਈ ਟਾਸਕ ਡੀਕੰਪੋਜ਼ੀਸ਼ਨ (Task Decomposition) ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ।
• ਸਮੀਖਿਆ ਹਾਈਲਾਈਟਸ (Review Highlights) – ਵੱਡੇ ਪੈਮਾਨੇ ‘ਤੇ ਬੈਚ ਪ੍ਰੋਸੈਸਿੰਗ (Batch processing), ਪਰੰਪਰਾਗਤ ਮਸ਼ੀਨ ਲਰਨਿੰਗ (ML) ਏਕੀਕਰਣ, ਛੋਟੇ LLM ਦੀ ਵਰਤੋਂ ਅਤੇ ਲਾਗਤ-ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਹੱਲਾਂ ਦੀ ਵਿਆਖਿਆ ਕਰਦਾ ਹੈ।
• ਐਮਾਜ਼ਾਨ ਵਿਗਿਆਪਨ (Amazon Advertising) ਰਚਨਾਤਮਕ ਚਿੱਤਰ ਅਤੇ ਵੀਡੀਓ ਬਣਾਉਣਾ – ਰਚਨਾਤਮਕ ਕੰਮ ਵਿੱਚ ਮਲਟੀਮੋਡਲ (Multimodal) ਜਨਰੇਟਿਵ ਏਆਈ ਅਤੇ ਜ਼ਿੰਮੇਵਾਰ ਏਆਈ ਅਭਿਆਸਾਂ ਨੂੰ ਉਜਾਗਰ ਕਰਦਾ ਹੈ।

ਹਰੇਕ ਕੇਸ ਸਟੱਡੀ ਗੈਰ-ਗੱਲਬਾਤ ਵਾਲੀਆਂ ਜਨਰੇਟਿਵ ਏਆਈ ਐਪਲੀਕੇਸ਼ਨਾਂ ਨੂੰ ਲਾਗੂ ਕਰਨ ਦੇ ਵੱਖ-ਵੱਖ ਪਹਿਲੂਆਂ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ, ਜੋ ਤਕਨੀਕੀ ਢਾਂਚੇ ਤੋਂ ਲੈ ਕੇ ਸੰਚਾਲਨ ਸੰਬੰਧੀ ਵਿਚਾਰਾਂ ਤੱਕ ਫੈਲੇ ਹੋਏ ਹਨ। ਇਹਨਾਂ ਉਦਾਹਰਣਾਂ ਦੇ ਜ਼ਰੀਏ, ਤੁਹਾਨੂੰ ਇਹ ਸਮਝ ਮਿਲੇਗੀ ਕਿ ਐਮਾਜ਼ਾਨ ਬੈੱਡਰਾਕ (Amazon Bedrock) ਅਤੇ ਐਮਾਜ਼ਾਨ ਸੇਜਮੇਕਰ (Amazon SageMaker) ਸਮੇਤ ਏਡਬਲਯੂਐਸ (AWS) ਸੇਵਾਵਾਂ ਦਾ ਪੂਰਾ ਸੂਟ ਸਫਲਤਾ ਲਈ ਕਿਵੇਂ ਮਹੱਤਵਪੂਰਨ ਹੈ। ਅੰਤ ਵਿੱਚ, ਅਸੀਂ ਵੱਖ-ਵੱਖ ਵਰਤੋਂ ਦੇ ਕੇਸਾਂ ਵਿੱਚ ਆਮ ਤੌਰ ‘ਤੇ ਸਾਂਝੇ ਕੀਤੇ ਗਏ ਮੁੱਖ ਤਜ਼ਰਬਿਆਂ ਦੀ ਸੂਚੀ ਦਿੰਦੇ ਹਾਂ।

ਐਮਾਜ਼ਾਨ ‘ਤੇ ਉੱਚ-ਗੁਣਵੱਤਾ ਵਾਲੀ ਉਤਪਾਦ ਸੂਚੀ ਬਣਾਉਣਾ

ਵਿਸਤ੍ਰਿਤ ਜਾਣਕਾਰੀ ਦੇ ਨਾਲ ਉੱਚ-ਗੁਣਵੱਤਾ ਵਾਲੀ ਉਤਪਾਦ ਸੂਚੀ ਬਣਾਉਣਾ ਗਾਹਕਾਂ ਨੂੰ ਸੂਚਿਤ ਖਰੀਦਦਾਰੀ ਫੈਸਲੇ ਲੈਣ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ। ਰਵਾਇਤੀ ਤੌਰ ‘ਤੇ, ਵਿਕਰੀ ਭਾਈਵਾਲ ਹਰੇਕ ਉਤਪਾਦ ਦੀਆਂ ਕਈ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਹੱਥੀਂ ਦਰਜ ਕਰਦੇ ਹਨ। 2024 ਵਿੱਚ ਪੇਸ਼ ਕੀਤਾ ਗਿਆ ਨਵਾਂ ਜਨਰੇਟਿਵ ਏਆਈ ਹੱਲ, ਬ੍ਰਾਂਡ (Brand) ਦੀਆਂ ਵੈੱਬਸਾਈਟਾਂ ਅਤੇ ਹੋਰ ਸਰੋਤਾਂ ਤੋਂ ਸਰਗਰਮੀ ਨਾਲ ਉਤਪਾਦ ਦੀ ਜਾਣਕਾਰੀ ਪ੍ਰਾਪਤ ਕਰਕੇ ਗਾਹਕ ਅਨੁਭਵ ਨੂੰ ਬਿਹਤਰ ਬਣਾ ਕੇ ਇਸ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਬਦਲਦਾ ਹੈ।

ਜਨਰੇਟਿਵ ਏਆਈ ਜਾਣਕਾਰੀ ਨੂੰ ਵੱਖ-ਵੱਖ ਫਾਰਮੈਟਾਂ (ਜਿਵੇਂ ਕਿ ਯੂਆਰਐਲ (URL), ਉਤਪਾਦ ਚਿੱਤਰ ਜਾਂ ਸਪ੍ਰੈਡਸ਼ੀਟ (Spreadsheet)) ਵਿੱਚ ਇਨਪੁਟ (Input) ਕਰਨ ਅਤੇ ਇਸਨੂੰ ਆਪਣੇ ਆਪ ਲੋੜੀਂਦੇ ਢਾਂਚੇ ਅਤੇ ਫਾਰਮੈਟ ਵਿੱਚ ਬਦਲਣ ਦੀ ਸਹੂਲਤ ਦੇ ਕੇ ਵਿਕਰੀ ਭਾਈਵਾਲਾਂ ਦੇ ਅਨੁਭਵ ਨੂੰ ਸਰਲ ਬਣਾਉਂਦਾ ਹੈ। 900,000 ਤੋਂ ਵੱਧ ਵਿਕਰੀ ਭਾਈਵਾਲਾਂ ਦੁਆਰਾ ਇਸਦੀ ਵਰਤੋਂ ਕੀਤੀ ਗਈ ਹੈ, ਅਤੇ ਤਿਆਰ ਕੀਤੀਆਂ ਗਈਆਂ ਲਗਭਗ 80% ਉਤਪਾਦ ਸੂਚੀਆਂ ਦੇ ਡਰਾਫਟ (Draft) ਨੂੰ ਥੋੜ੍ਹੀ ਜਿਹੀ ਸੋਧ ਨਾਲ ਸਵੀਕਾਰ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਏਆਈ ਦੁਆਰਾ ਤਿਆਰ ਕੀਤੀ ਗਈ ਸਮੱਗਰੀ ਵਿਆਪਕ ਉਤਪਾਦ ਵੇਰਵੇ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ, ਜੋ ਸਪੱਸ਼ਟਤਾ ਅਤੇ ਸ਼ੁੱਧਤਾ ਨੂੰ ਵਧਾਉਣ ਵਿੱਚ ਮਦਦ ਕਰਦੀ ਹੈ, ਇਸ ਤਰ੍ਹਾਂ ਗਾਹਕ ਦੀ ਖੋਜ ਵਿੱਚ ਉਤਪਾਦਾਂ ਦੀ ਖੋਜ ਨੂੰ ਉਤਸ਼ਾਹਿਤ ਕਰਦੀ ਹੈ।

ਨਵੀਂ ਉਤਪਾਦ ਸੂਚੀ ਲਈ, ਵਰਕਫਲੋ (Workflow) ਵਿਕਰੀ ਭਾਈਵਾਲ ਦੁਆਰਾ ਸ਼ੁਰੂਆਤੀ ਜਾਣਕਾਰੀ ਪ੍ਰਦਾਨ ਕਰਨ ਨਾਲ ਸ਼ੁਰੂ ਹੁੰਦਾ ਹੈ। ਫਿਰ, ਸਿਸਟਮ (System) ਸਿਰਲੇਖ, ਵਰਣਨ ਅਤੇ ਵਿਸਤ੍ਰਿਤ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਸਮੇਤ ਇੱਕ ਵਿਆਪਕ ਉਤਪਾਦ ਸੂਚੀ ਤਿਆਰ ਕਰਨ ਲਈ ਜਾਣਕਾਰੀ ਦੇ ਕਈ ਸਰੋਤਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ। ਤਿਆਰ ਕੀਤੀ ਗਈ ਉਤਪਾਦ ਸੂਚੀ ਨੂੰ ਪ੍ਰਵਾਨਗੀ ਜਾਂ ਸੰਪਾਦਨ ਲਈ ਵਿਕਰੀ ਭਾਈਵਾਲਾਂ ਨਾਲ ਸਾਂਝਾ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।

ਮੌਜੂਦਾ ਉਤਪਾਦ ਸੂਚੀ ਲਈ, ਸਿਸਟਮ ਉਹਨਾਂ ਉਤਪਾਦਾਂ ਦੀ ਪਛਾਣ ਕਰਦਾ ਹੈ ਜਿਨ੍ਹਾਂ ਨੂੰ ਵਾਧੂ ਡਾਟਾ ਨਾਲ ਭਰਪੂਰ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।

ਵੱਡੀ ਮਾਤਰਾ ਵਿੱਚ ਆਉਟਪੁੱਟ (Output) ਲਈ ਡਾਟਾ ਏਕੀਕਰਨ ਅਤੇ ਪ੍ਰੋਸੈਸਿੰਗ (Processing)

ਐਮਾਜ਼ਾਨ ਟੀਮ ਨੇ ਐਮਾਜ਼ਾਨ ਬੈੱਡਰਾਕ (Amazon Bedrock) ਅਤੇ ਹੋਰ ਏਡਬਲਯੂਐਸ (AWS) ਸੇਵਾਵਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ LLM ਅਨੁਕੂਲ ਏਪੀਆਈ (API) ਲਈ ਮਜ਼ਬੂਤ ਅੰਦਰੂਨੀ ਅਤੇ ਬਾਹਰੀ ਸਰੋਤ ਕਨੈਕਟਰ (Connector) ਬਣਾਏ, ਜਿਸ ਨਾਲ ਐਮਾਜ਼ਾਨ ਡਾਟ ਕਾਮ (Amazon.com) ਬੈਕਐਂਡ (Backend) ਸਿਸਟਮਾਂ ਵਿੱਚ ਨਿਰਵਿਘਨ ਏਕੀਕਰਣ ਹੋਇਆ।

ਇੱਕ ਵੱਡੀ ਚੁਣੌਤੀ ਵੱਖ-ਵੱਖ ਡਾਟਾ ਨੂੰ 50 ਤੋਂ ਵੱਧ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ (ਟੈਕਸਟ (Text) ਅਤੇ ਨੰਬਰਾਂ ਸਮੇਤ) ਵਿੱਚ ਇਕਸਾਰ ਉਤਪਾਦ ਸੂਚੀ ਵਿੱਚ ਜੋੜਨਾ ਸੀ। LLM ਨੂੰ ਈ-ਕਾਮਰਸ ਸੰਕਲਪਾਂ ਦੀ ਸਹੀ ਵਿਆਖਿਆ ਕਰਨ ਲਈ ਵਿਸ਼ੇਸ਼ ਨਿਯੰਤਰਣ ਵਿਧੀਆਂ ਅਤੇ ਹਦਾਇਤਾਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਕਿਉਂਕਿ ਉਹ ਇੰਨੇ ਗੁੰਝਲਦਾਰ ਅਤੇ ਵੱਖ-ਵੱਖ ਡਾਟਾ ਨਾਲ ਵਧੀਆ ਪ੍ਰਦਰਸ਼ਨ ਨਹੀਂ ਕਰ ਸਕਦੇ ਹਨ। ਉਦਾਹਰਨ ਦੇ ਤੌਰ ‘ਤੇ, LLM ਚਾਕੂ ਬਲਾਕ ਵਿੱਚ “ਸਮਰੱਥਾ” ਨੂੰ ਸਲਾਟ (Slot) ਦੀ ਗਿਣਤੀ ਦੀ ਬਜਾਏ ਆਕਾਰ ਸਮਝ ਸਕਦਾ ਹੈ, ਜਾਂ “ਫਿਟਵੀਅਰ (FitWear)” ਨੂੰ ਬ੍ਰਾਂਡ (Brand) ਨਾਮ ਦੀ ਬਜਾਏ ਸਟਾਈਲ (Style) ਵਰਣਨ ਸਮਝ ਸਕਦਾ ਹੈ। ਇਨ੍ਹਾਂ ਮਾਮਲਿਆਂ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਪਰੋਂਪਟ ਇੰਜੀਨੀਅਰਿੰਗ (Prompt Engineering) ਅਤੇ ਫਾਈਨ-ਟਿਊਨਿੰਗ (Fine-tuning) ਦੀ ਵਿਆਪਕ ਤੌਰ ‘ਤੇ ਵਰਤੋਂ ਕੀਤੀ ਗਈ ਸੀ।

LLM ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਜਨਰੇਸ਼ਨ (Generation) ਅਤੇ ਵੈਰੀਫਿਕੇਸ਼ਨ (Verification)

ਤਿਆਰ ਕੀਤੀ ਗਈ ਉਤਪਾਦ ਸੂਚੀ ਪੂਰੀ ਅਤੇ ਸਹੀ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ। ਇਸ ਟੀਚੇ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਨ ਲਈ, ਹੱਲ ਨੇ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਜਨਰੇਸ਼ਨ (Generation) ਅਤੇ ਵੈਰੀਫਿਕੇਸ਼ਨ (Verification) ਲਈ LLM ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਇੱਕ ਬਹੁ-ਪੜਾਵੀ ਵਰਕਫਲੋ (Workflow) ਨੂੰ ਲਾਗੂ ਕੀਤਾ। ਇਹ ਦੋਹਰਾ LLM ਤਰੀਕਾ ਹੈਲੂਸੀਨੇਸ਼ਨ (Hallucination) ਨੂੰ ਰੋਕਣ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ, ਜੋ ਸੁਰੱਖਿਆ ਚਿੰਤਾਵਾਂ ਜਾਂ ਤਕਨੀਕੀ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨਾਲ ਨਜਿੱਠਣ ਵੇਲੇ ਮਹੱਤਵਪੂਰਨ ਹੁੰਦਾ ਹੈ। ਟੀਮ ਨੇ ਇਹ ਯਕੀਨੀ ਬਣਾਉਣ ਲਈ ਕਿ ਜਨਰੇਸ਼ਨ (Generation) ਅਤੇ ਵੈਰੀਫਿਕੇਸ਼ਨ (Verification) ਪ੍ਰਕਿਰਿਆਵਾਂ ਇੱਕ ਦੂਜੇ ਦੀ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਪੂਰਤੀ ਕਰਨ, ਉੱਨਤ ਸਵੈ-ਪ੍ਰਤੀਬਿੰਬਤ ਤਕਨੀਕਾਂ ਵਿਕਸਿਤ ਕੀਤੀਆਂ ਹਨ।

ਮਨੁੱਖੀ ਫੀਡਬੈਕ (Feedback) ਦੇ ਨਾਲ ਬਹੁ-ਪਰਤੀ ਗੁਣਵੱਤਾ ਭਰੋਸਾ

ਹੱਲ ਦੀ ਗੁਣਵੱਤਾ ਭਰੋਸੇ ਦਾ ਮੁੱਖ ਹਿੱਸਾ ਮਨੁੱਖੀ ਫੀਡਬੈਕ (Feedback) ਹੈ। ਇਸ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਐਮਾਜ਼ਾਨ ਡਾਟ ਕਾਮ (Amazon.com) ਦੇ ਮਾਹਿਰਾਂ ਦੁਆਰਾ ਕੀਤੀ ਸ਼ੁਰੂਆਤੀ ਮੁਲਾਂਕਣ ਅਤੇ ਸਵੀਕਾਰ ਕਰਨ ਜਾਂ ਸੰਪਾਦਿਤ ਕਰਨ ਲਈ ਵਿਕਰੀ ਭਾਈਵਾਲਾਂ ਦੁਆਰਾ ਇਨਪੁਟ (Input) ਪ੍ਰਦਾਨ ਕਰਨਾ ਸ਼ਾਮਲ ਹੈ। ਇਹ ਉੱਚ-ਗੁਣਵੱਤਾ ਵਾਲੀ ਆਉਟਪੁੱਟ (Output) ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ, ਅਤੇ ਨਕਲੀ ਬੁੱਧੀ ਮਾਡਲ (Model) ਨੂੰ ਲਗਾਤਾਰ ਵਧਾਉਣ ਦੀ ਸਮਰੱਥਾ ਹੁੰਦੀ ਹੈ।

ਗੁਣਵੱਤਾ ਭਰੋਸਾ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ML, ਐਲਗੋਰਿਦਮ (Algorithm) ਜਾਂ LLM-ਅਧਾਰਤ ਮੁਲਾਂਕਣਾਂ ਨੂੰ ਜੋੜਨ ਵਾਲੇ ਆਟੋਮੇਟਿਡ (Automated) ਟੈਸਟਿੰਗ (Testing) ਢੰਗ ਸ਼ਾਮਲ ਹਨ। ਅਸਫਲ ਉਤਪਾਦ ਸੂਚੀ ਦੁਬਾਰਾ ਤਿਆਰ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਜਦੋਂ ਕਿ ਸਫਲ ਉਤਪਾਦ ਸੂਚੀ ਦੀ ਹੋਰ ਜਾਂਚ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। [ਕਾਰਣਾਤਮਕ ਤਰਕ ਮਾਡਲ (Causal Inference Model)] ਦੀ ਵਰਤੋਂ ਕਰਕੇ, ਅਸੀਂ ਉਹਨਾਂ ਅੰਡਰਲਾਈੰਗ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਪਛਾਣ ਕਰਦੇ ਹਾਂ ਜੋ ਉਤਪਾਦ ਸੂਚੀ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਨੂੰ ਪ੍ਰਭਾਵਤ ਕਰਦੀਆਂ ਹਨ ਅਤੇ ਭਰਪੂਰ ਮੌਕੇ ਪ੍ਰਦਾਨ ਕਰਦੀਆਂ ਹਨ। ਅੰਤ ਵਿੱਚ, ਗੁਣਵੱਤਾ ਜਾਂਚ ਵਿੱਚੋਂ ਲੰਘਣ ਵਾਲੀ ਅਤੇ ਵਿਕਰੀ ਭਾਈਵਾਲਾਂ ਦੁਆਰਾ ਸਵੀਕਾਰ ਕੀਤੀ ਗਈ ਉਤਪਾਦ ਸੂਚੀ ਪ੍ਰਕਾਸ਼ਤ ਕੀਤੀ ਜਾਵੇਗੀ, ਜਿਸ ਨਾਲ ਇਹ ਯਕੀਨੀ ਹੋਵੇਗਾ ਕਿ ਗਾਹਕਾਂ ਨੂੰ ਸਹੀ ਅਤੇ ਵਿਆਪਕ ਉਤਪਾਦ ਜਾਣਕਾਰੀ ਮਿਲੇ।

ਸ਼ੁੱਧਤਾ ਅਤੇ ਲਾਗਤ ਲਈ ਐਪਲੀਕੇਸ਼ਨ-ਪੱਧਰ ਦੀ ਸਿਸਟਮ ਅਨੁਕੂਲਤਾ

ਸ਼ੁੱਧਤਾ ਅਤੇ ਸੰਪੂਰਨਤਾ ਦੇ ਉੱਚ ਮਿਆਰਾਂ ਨੂੰ ਦੇਖਦੇ ਹੋਏ, ਟੀਮ ਨੇ ਇੱਕ ਵਿਆਪਕ ਪ੍ਰਯੋਗਾਤਮਕ ਪਹੁੰਚ ਅਪਣਾਈ, ਅਤੇ ਇੱਕ ਆਟੋਮੇਟਿਡ (Automated) ਅਨੁਕੂਲਤਾ ਸਿਸਟਮ (System) ਨਾਲ ਲੈਸ ਕੀਤੀ। ਇਹ ਸਿਸਟਮ (System) ਉੱਚ ਕਾਰੋਬਾਰੀ ਮੈਟ੍ਰਿਕਸ (Metrics), ਜਿਸ ਵਿੱਚ ਲਾਗਤ ਵੀ ਸ਼ਾਮਲ ਹੈ, ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਲਈ LLM, ਪਰੋਂਪਟ (Prompt), ਪਲੇਬੁੱਕ (Playbook), ਵਰਕਫਲੋ (Workflow) ਅਤੇ ਨਕਲੀ ਬੁੱਧੀ ਟੂਲ (Tool) ਦੇ ਵੱਖ-ਵੱਖ ਸੰਜੋਗਾਂ ਦੀ ਪੜਚੋਲ ਕਰਦਾ ਹੈ। ਨਿਰੰਤਰ ਮੁਲਾਂਕਣ ਅਤੇ ਆਟੋਮੇਟਿਡ (Automated) ਟੈਸਟਿੰਗ (Testing) ਰਾਹੀਂ, ਉਤਪਾਦ ਸੂਚੀ ਜਨਰੇਟਰ (Generator) ਪ੍ਰਦਰਸ਼ਨ, ਲਾਗਤ ਅਤੇ ਕੁਸ਼ਲਤਾ ਨੂੰ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਸੰਤੁਲਿਤ ਕਰ ਸਕਦਾ ਹੈ, ਅਤੇ ਨਾਲ ਹੀ ਨਕਲੀ ਬੁੱਧੀ ਦੇ ਨਵੇਂ ਵਿਕਾਸ ਦੇ ਅਨੁਕੂਲ ਹੋ ਸਕਦਾ ਹੈ। ਇਸ ਪਹੁੰਚ ਦਾ ਮਤਲਬ ਹੈ ਕਿ ਗਾਹਕ ਉੱਚ-ਗੁਣਵੱਤਾ ਵਾਲੀ ਉਤਪਾਦ ਜਾਣਕਾਰੀ ਤੋਂ ਲਾਭ ਲੈ ਸਕਦੇ ਹਨ, ਅਤੇ ਵਿਕਰੀ ਭਾਈਵਾਲਾਂ ਕੋਲ ਕੁਸ਼ਲ ਉਤਪਾਦ ਸੂਚੀ ਬਣਾਉਣ ਲਈ ਅਤਿ ਆਧੁਨਿਕ ਟੂਲ (Tool) ਤੱਕ ਪਹੁੰਚ ਹੋ ਸਕਦੀ ਹੈ।

ਐਮਾਜ਼ਾਨ ਫਾਰਮੇਸੀ (Amazon Pharmacy) ਵਿੱਚ ਜਨਰੇਟਿਵ ਏਆਈ-ਅਧਾਰਤ ਪਰਚੀ ਦੀ ਪ੍ਰਕਿਰਿਆ

ਪਹਿਲਾਂ ਵਿਚਾਰੇ ਗਏ ਸੇਲਰ ਉਤਪਾਦ ਸੂਚੀ ਦੀ ਉਦਾਹਰਨ ਵਿੱਚ, ਮਨੁੱਖੀ-ਮਸ਼ੀਨੀ ਮਿਸ਼ਰਤ ਵਰਕਫਲੋ (Workflow) ‘ਤੇ ਅਧਾਰਤ, ਐਮਾਜ਼ਾਨ ਫਾਰਮੇਸੀ (Amazon Pharmacy) ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਇਹਨਾਂ ਸਿਧਾਂਤਾਂ ਨੂੰ [ਸਿਹਤ ਬੀਮਾ ਪੋਰਟੇਬਿਲਟੀ (Portability) ਅਤੇ ਜਵਾਬਦੇਹੀ ਐਕਟ (Accountability Act) (HIPAA)] ਨਿਯੰਤ੍ਰਿਤ ਉਦਯੋਗ ਵਿੱਚ ਕਿਵੇਂ ਲਾਗੂ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। [ਐਮਾਜ਼ਾਨ ਫਾਰਮੇਸੀ (Amazon Pharmacy) Amazon SageMaker ਦੀ ਵਰਤੋਂ ਕਰਕੇ LLM-ਅਧਾਰਤ ਚੈਟਬੋਟ (Chatbot) ਕਿਵੇਂ ਬਣਾਉਂਦਾ ਹੈ] ਲੇਖ ਵਿੱਚ, ਅਸੀਂ ਮਰੀਜ਼ ਦੇਖਭਾਲ ਮਾਹਿਰਾਂ ਲਈ ਇੱਕ ਗੱਲਬਾਤ ਸਹਾਇਕ ਸਾਂਝਾ ਕੀਤਾ, ਹੁਣ ਅਸੀਂ ਆਟੋਮੇਟਿਡ (Automated) ਪਰਚੀ ਦੀ ਪ੍ਰਕਿਰਿਆ ‘ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਦੇ ਹਾਂ।

ਐਮਾਜ਼ਾਨ ਫਾਰਮੇਸੀ (Amazon Pharmacy) ਵਿੱਚ, ਅਸੀਂ ਐਮਾਜ਼ਾਨ ਬੈੱਡਰਾਕ (Amazon Bedrock) ਅਤੇ ਸੇਜਮੇਕਰ (SageMaker) ‘ਤੇ ਅਧਾਰਤ ਇੱਕ ਨਕਲੀ ਬੁੱਧੀ ਸਿਸਟਮ (System) ਵਿਕਸਿਤ ਕੀਤਾ ਹੈ, ਤਾਂ ਜੋ ਦਵਾਈਆਂ ਦੇ ਨਿਰਦੇਸ਼ਾਂ ਨੂੰ ਵਧੇਰੇ ਸਹੀ ਅਤੇ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਪ੍ਰੋਸੈਸ (Process) ਕਰਨ ਵਿੱਚ ਫਾਰਮਾਸਿਸਟ (Pharmacist) ਟੈਕਨੀਸ਼ੀਅਨ (Technician) ਦੀ ਮਦਦ ਕੀਤੀ ਜਾ ਸਕੇ। ਇਹ ਹੱਲ ਸਹੀ ਦਵਾਈਆਂ ਦੇ ਨਿਰਦੇਸ਼ਾਂ ਨੂੰ ਬਣਾਉਣ ਅਤੇ ਤਸਦੀਕ ਕਰਨ ਵਿੱਚ ਮਨੁੱਖੀ ਮਾਹਿਰਾਂ ਨੂੰ LLM ਨਾਲ ਜੋੜਦਾ ਹੈ, ਤਾਂ ਜੋ ਮਰੀਜ਼ਾਂ ਲਈ ਦਵਾਈਆਂ ਦੇ ਨਿਰਦੇਸ਼ਾਂ ਦੀ ਸ਼ੁੱਧਤਾ ਨੂੰ ਵਧਾਇਆ ਜਾ ਸਕੇ।

ਸਿਹਤ ਸੰਭਾਲ ਸ਼ੁੱਧਤਾ ਲਈ ਸੌਂਪੇ ਗਏ ਵਰਕਫਲੋ (Workflow) ਡਿਜ਼ਾਈਨ (Design)

ਪਰਚੀ ਪ੍ਰੋਸੈਸਿੰਗ (Processing) ਸਿਸਟਮ (System) ਨਿਰਦੇਸ਼ ਸੁਝਾਅ ਅਤੇ ਫੀਡਬੈਕ (Feedback) ਪ੍ਰਦਾਨ ਕਰਨ ਲਈ ਮਨੁੱਖੀ ਮੁਹਾਰਤ (ਡਾਟਾ ਐਂਟਰੀ (Data Entry) ਕਰਨ ਵਾਲੇ ਅਤੇ ਫਾਰਮਾਸਿਸਟ (Pharmacist)) ਨੂੰ ਨਕਲੀ ਬੁੱਧੀ ਸਹਾਇਤਾ ਨਾਲ ਜੋੜਦਾ ਹੈ। ਵਰਕਫਲੋ (Workflow) ਫਾਰਮੇਸੀ (Pharmacy) ਗਿਆਨ ਅਧਾਰ ਪ੍ਰੀਪ੍ਰੋਸੈਸਰ (Pre-processor) ਨਾਲ ਸ਼ੁਰੂ ਹੁੰਦਾ ਹੈ, ਜੋ [ਐਮਾਜ਼ਾਨ ਡਾਇਨਮੋਡੀਬੀ (Amazon DynamoDB)] ਵਿੱਚ ਮੂਲ ਪਰਚੀ ਟੈਕਸਟ (Text) ਨੂੰ ਸਟੈਂਡਰਡਾਈਜ਼ (Standardize) ਕਰਦਾ ਹੈ, ਫਿਰ ਮੁੱਖ ਭਾਗਾਂ (ਖੁਰਾਕ, ਫਰੀਕੁਐਂਸੀ (Frequency)) ਦੀ ਪਛਾਣ ਕਰਨ ਲਈ ਸੇਜਮੇਕਰ (SageMaker) ‘ਤੇ ਫਾਈਨ-ਟਿਊਨਡ (Fine-tuned) ਛੋਟੇ ਭਾਸ਼ਾ ਮਾਡਲ (SLM) ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ।

ਇਹ ਸਿਸਟਮ (System) ਡਾਟਾ ਐਂਟਰੀ (Data Entry) ਕਰਨ ਵਾਲਿਆਂ ਅਤੇ ਫਾਰਮਾਸਿਸਟ (Pharmacist) ਵਰਗੇ ਮਾਹਿਰਾਂ ਨੂੰ ਨਿਰਵਿਘਨ ਢੰਗ ਨਾਲ ਜੋੜਦਾ ਹੈ, ਅਤੇ ਇੱਥੇ ਜਨਰੇਟਿਵ ਏਆਈ ਪੂਰੇ ਵਰਕਫਲੋ (Workflow) ਵਿੱਚ ਸਹਾਇਕ ਹੈ, ਜਿਸ ਨਾਲ ਚੁਸਤੀ ਅਤੇ ਸ਼ੁੱਧਤਾ ਵਿੱਚ ਸੁਧਾਰ ਹੁੰਦਾ ਹੈ, ਤਾਂ ਜੋ ਸਾਡੇ ਮਰੀਜ਼ਾਂ ਦੀ ਬਿਹਤਰ ਸੇਵਾ ਕੀਤੀ ਜਾ ਸਕੇ। ਫਿਰ, ਸੁਰੱਖਿਆ ਉਪਾਵਾਂ ਵਾਲਾ ਨਿਰਦੇਸ਼ ਅਸੈਂਬਲੀ (Assembly) ਸਿਸਟਮ (System) ਡਾਟਾ ਐਂਟਰੀ (Data Entry) ਕਰਨ ਵਾਲੇ ਨੂੰ ਦਿਸ਼ਾ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ, ਅਤੇ ਸੁਝਾਅ ਮੋਡੀਊਲ (Module) ਦੁਆਰਾ ਉਹਨਾਂ ਦੁਆਰਾ ਦਰਜ ਕੀਤੇ ਨਿਰਦੇਸ਼ਾਂ ਨੂੰ ਬਣਾਉਣ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ। ਮਾਰਕਿੰਗ (Marking) ਮੋਡੀਊਲ (Module) ਗਲਤੀਆਂ ਨੂੰ ਮਾਰਕ (Mark) ਜਾਂ ਠੀਕ ਕਰਦਾ ਹੈ, ਅਤੇ ਹੋਰ ਸੁਰੱਖਿਆ ਉਪਾਵਾਂ ਨੂੰ ਲਾਗੂ ਕਰਦਾ ਹੈ, ਅਤੇ ਡਾਟਾ ਐਂਟਰੀ (Data Entry) ਕਰਨ ਵਾਲੇ ਨੂੰ ਫੀਡਬੈਕ (Feedback) ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਟੈਕਨੀਸ਼ੀਅਨ (Technician) ਫਾਰਮਾਸਿਸਟ (Pharmacist) ਨੂੰ ਫੀਡਬੈਕ (Feedback) ਦੇਣ ਜਾਂ ਹੇਠਾਂ ਦਿੱਤੀਆਂ ਸੇਵਾਵਾਂ ਨੂੰ ਨਿਰਦੇਸ਼ ਲਾਗੂ ਕਰਨ ਲਈ ਉੱਚ ਸ਼ੁੱਧਤਾ, ਸੁਰੱਖਿਅਤ ਢੰਗ ਨਾਲ ਦਰਜ ਕੀਤੇ ਨਿਰਦੇਸ਼ਾਂ ਨੂੰ ਅੰਤਿਮ ਰੂਪ ਦਿੰਦਾ ਹੈ।

ਇਸ ਹੱਲ ਦੀ ਇੱਕ ਖਾਸੀਅਤ ਟਾਸਕ ਡੀਕੰਪੋਜ਼ੀਸ਼ਨ (Task Decomposition) ਦੀ ਵਰਤੋਂ ਹੈ, ਜੋ ਇੰਜੀਨੀਅਰਾਂ (Engineers) ਅਤੇ ਵਿਗਿਆਨੀਆਂ ਨੂੰ ਪੂਰੀ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਕਈ ਪੜਾਵਾਂ ਵਿੱਚ ਵੰਡਣ ਦੇ ਯੋਗ ਬਣਾਉਂਦੀ ਹੈ, ਜਿਸ ਵਿੱਚ ਉਪ-ਪੜਾਵਾਂ ਵਾਲੇ ਵੱਖ-ਵੱਖ ਮੋਡੀਊਲ (Module) ਸ਼ਾਮਲ ਹਨ। ਟੀਮ ਨੇ ਫਾਈਨ-ਟਿਊਨਡ (Fine-tuned) SLM ਦੀ ਵਿਆਪਕ ਤੌਰ ‘ਤੇ ਵਰਤੋਂ ਕੀਤੀ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਇਸ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਰਵਾਇਤੀ ML ਪ੍ਰੋਗਰਾਮ (ਜਿਵੇਂ ਕਿ [ਨਾਮਿਤ ਇਕਾਈ ਪਛਾਣ (NER)] ਜਾਂ [ਰੀਗ੍ਰੇਸ਼ਨ ਮਾਡਲ (Regression Model)] ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅੰਤਿਮ ਭਰੋਸੇ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣਾ) ਵੀ ਸ਼ਾਮਲ ਕੀਤਾ ਗਿਆ ਹੈ। ਇੱਕ ਨਿਯੰਤਰਿਤ, ਸਪਸ਼ਟ ਤੌਰ ‘ਤੇ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤੀ ਗਈ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ SLM ਅਤੇ ਰਵਾਇਤੀ ML ਦੀ ਵਰਤੋਂ ਕਰਨ ਨਾਲ ਪ੍ਰੋਸੈਸਿੰਗ (Processing) ਦੀ ਗਤੀ ਵਿੱਚ ਕਾਫ਼ੀ ਸੁਧਾਰ ਹੋ ਸਕਦਾ ਹੈ, ਅਤੇ ਨਾਲ ਹੀ ਵਿਸ਼ੇਸ਼ ਕਦਮਾਂ ਵਿੱਚ ਉਚਿਤ ਸੁਰੱਖਿਆ ਉਪਾਵਾਂ ਨੂੰ ਸ਼ਾਮਲ ਕਰਨ ਨਾਲ ਸਖਤ ਸੁਰੱਖਿਆ ਮਾਪਦੰਡਾਂ ਨੂੰ ਬਣਾਈ ਰੱਖਿਆ ਜਾ ਸਕਦਾ ਹੈ।

ਸਿਸਟਮ (System) ਵਿੱਚ ਕਈ ਸਪਸ਼ਟ ਤੌਰ ‘ਤੇ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤੇ ਉਪ-ਪੜਾਵਾਂ ਸ਼ਾਮਲ ਹਨ, ਅਤੇ ਹਰੇਕ ਉਪ-ਪ੍ਰਕਿਰਿਆ ਇੱਕ ਵਿਸ਼ੇਸ਼ ਭਾਗ ਵਜੋਂ ਚਲਦੀ ਹੈ, ਜੋ ਵਰਕਫਲੋ (Workflow) ਵਿੱਚ ਅਰਧ-ਸੁਤੰਤਰ ਪਰ ਸਹਿਯੋਗੀ ਤਰੀਕੇ ਨਾਲ ਸਮੁੱਚੇ ਟੀਚੇ ਵੱਲ ਕੰਮ ਕਰਦੀ ਹੈ। ਵਿਸ਼ੇਸ਼ ਤਸਦੀਕਾਂ ਵਾਲਾ ਇਹ ਵਿਭਾਜਨ ਕਰਨ ਦਾ ਤਰੀਕਾ ਇੱਕ ਸਿਰੇ ਤੋਂ ਦੂਜੇ ਸਿਰੇ ਤੱਕ ਹੱਲ ਨਾਲੋਂ ਵਧੇਰੇ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਸਾਬਤ ਹੁੰਦਾ ਹੈ, ਅਤੇ ਨਾਲ ਹੀ ਫਾਈਨ-ਟਿਊਨਡ (Fine-tuned) SLM ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ। ਟੀਮ ਨੇ ਵਰਕਫਲੋ (Workflow) ਨੂੰ ਤਾਲਮੇਲ ਕਰਨ ਲਈ [ਏਡਬਲਯੂਐਸ ਫਾਰਗੇਟ (AWS Fargate)] ਦੀ ਵਰਤੋਂ ਕੀਤੀ, ਕਿਉਂਕਿ ਇਹ ਵਰਤਮਾਨ ਵਿੱਚ ਮੌਜੂਦਾ ਬੈਕਐਂਡ (Backend) ਸਿਸਟਮਾਂ ਵਿੱਚ ਏਕੀਕ੍ਰਿਤ ਹੈ।

ਇਸ ਟੀਮ ਦੀ ਉਤਪਾਦ ਵਿਕਾਸ ਪ੍ਰਕਿਰਿਆ ਦੇ ਦੌਰਾਨ, ਉਹ ਐਮਾਜ਼ਾਨ ਬੈੱਡਰਾਕ (Amazon Bedrock) ਵੱਲ ਮੁੜੇ, ਅਤੇ ਇਹ ਉੱਚ ਪ੍ਰਦਰਸ਼ਨ ਵਾਲਾ LLM ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ, ਅਤੇ ਇਸ ਵਿੱਚ ਜਨਰੇਟਿਵ ਏਆਈ ਐਪਲੀਕੇਸ਼ਨਾਂ ਲਈ ਅਨੁਕੂਲਿਤ ਆਸਾਨੀ ਨਾਲ ਵਰਤੇ ਜਾਣ ਵਾਲੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਹਨ। ਸੇਜਮੇਕਰ (SageMaker) LLM ਦੀ ਹੋਰ ਚੋਣ, ਡੂੰਘਾਈ ਨਾਲ ਅਨੁਕੂਲਤਾ ਅਤੇ ਰਵਾਇਤੀ ML ਤਰੀਕਿਆਂ ਦਾ ਸਮਰਥਨ ਕਰਦਾ ਹੈ। ਇਸ ਤਕਨੀਕ ਬਾਰੇ ਹੋਰ ਜਾਣਨ ਲਈ, [ਕਿਵੇਂ ਟਾਸਕ ਡੀਕੰਪੋਜ਼ੀਸ਼ਨ (Task Decomposition) ਅਤੇ ਛੋਟੇ LLM ਨਕਲੀ ਬੁੱਧੀ ਨੂੰ ਵਧੇਰੇ ਕਿਫਾਇਤੀ ਬਣਾ ਸਕਦੇ ਹਨ] ਪੜ੍ਹੋ, ਅਤੇ [ਐਮਾਜ਼ਾਨ ਫਾਰਮੇਸੀ (Amazon Pharmacy) ਕੇਸ ਸਟੱਡੀ] ਪੜ੍ਹੋ।

ਸੁਰੱਖਿਆ ਉਪਾਵਾਂ ਅਤੇ HITL ਨਾਲ ਭਰੋਸੇਯੋਗ ਐਪਲੀਕੇਸ਼ਨ ਬਣਾਉਣਾ

HIPAA ਮਾਪਦੰਡਾਂ ਦੀ ਪਾਲਣਾ ਕਰਨ ਅਤੇ ਮਰੀਜ਼ ਦੀ ਗੁਪਤਤਾ ਪ੍ਰਦਾਨ ਕਰ ਲਈ, ਅਸੀਂ ਸਖਤ ਡਾਟਾ ਪ੍ਰਬੰਧਨ ਅਭਿਆਸਾਂ ਨੂੰ ਲਾਗੂ ਕੀਤਾ, ਅਤੇ ਨਾਲ ਹੀ ਇੱਕ ਮਿਸ਼ਰਤ ਤਰੀਕਾ ਅਪਣਾਇਆ, ਜੋ [ਐਮਾਜ਼ਾਨ ਓਪਨ ਸਰਚ ਸਰਵਿਸ (Amazon OpenSearch Service)] ਦੀ ਵਰਤੋਂ ਕਰਕੇ [ਰਿਟਰੀਵਲ (Retrieval) ਵਧਾਏ ਗਏ ਜਨਰੇਸ਼ਨ (Generation) (RAG)] ਦੇ ਨਾਲ ਐਮਾਜ਼ਾਨ ਬੈੱਡਰਾਕ (Amazon Bedrock) API ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਫਾਈਨ-ਟਿਊਨਡ (Fine-tuned) LLM ਨੂੰ ਜੋੜਦਾ ਹੈ। ਇਹ ਸੁਮੇਲ ਕੁਸ਼ਲ ਗਿਆਨ ਮੁੜ ਪ੍ਰਾਪਤ ਕਰਨ ਨੂੰ ਸਮਰੱਥ ਬਣਾਉਂਦਾ ਹੈ, ਅਤੇ ਨਾਲ ਹੀ ਵਿਸ਼ੇਸ਼ ਉਪ-ਕਾਰਜਾਂ ਲਈ ਉੱਚ ਸ਼ੁੱਧਤਾ ਨੂੰ ਬਣਾਈ ਰੱਖਦਾ ਹੈ।

LLM ਹੈਲੂਸੀਨੇਸ਼ਨ (Hallucination) ਦਾ ਪ੍ਰਬੰਧਨ ਕਰਨਾ (ਜੋ ਸਿਹਤ ਸੰਭਾਲ ਖੇਤਰ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਹੈ) ਵੱਡੇ ਡਾਟਾ ਸੈੱਟਾਂ ‘ਤੇ ਫਾਈਨ-ਟਿਊਨਿੰਗ (Fine-tuning) ਤੋਂ ਵੱਧ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਸਾਡੇ ਹੱਲ ਨੇ [ਐਮਾਜ਼ਾਨ ਬੈੱਡਰਾਕ (Amazon Bedrock) ਗਾਰਡਰੇਲਜ਼ (Guardrails)] ‘ਤੇ ਅਧਾਰਤ ਖੇਤਰ-ਵਿਸ਼ੇਸ਼ ਸੁਰੱਖਿਆ ਉਪਾਵਾਂ ਨੂੰ ਲਾਗੂ ਕੀਤਾ, ਅਤੇ ਸਿਸਟਮ (System) ਦੀ ਭਰੋਸੇਯੋਗਤਾ ਨੂੰ ਵਧਾਉਣ ਲਈ ਇਹ ਮਨੁੱਖੀ-ਤਰਕ ਲੂਪ (HITL) ਨਿਗਰਾਨੀ ਦੁਆਰਾ ਪੂਰਕ ਹੈ।

ਐਮਾਜ਼ਾਨ ਫਾਰਮੇਸੀ (Amazon Pharmacy) ਟੀਮ ਫਾਰਮਾਸਿਸਟ (Pharmacist) ਦੇ ਰੀਅਲ-ਟਾਈਮ (Real-time) ਫੀਡਬੈਕ (Feedback) ਅਤੇ ਪਰਚੀ ਫਾਰਮੈਟ (Format) ਸਮਰੱਥਾਵਾਂ ਨੂੰ ਵਧਾ ਕੇ ਇਸ ਸਿਸਟਮ (System) ਨੂੰ ਵਧਾਉਣਾ ਜਾਰੀ ਰੱਖਦੀ ਹੈ। ਨਵੀਨਤਾ, ਖੇਤਰ ਦੀ ਮੁਹਾਰਤ, ਉੱਨਤ ਨਕਲੀ ਬੁੱਧੀ ਸੇਵਾਵਾਂ ਅਤੇ ਮਨੁੱਖੀ ਨਿਗਰਾਨੀ ਦਾ ਇਹ ਸੰਤੁਲਿਤ ਤਰੀਕਾ ਸਿਰਫ ਸੰਚਾਲਨ ਕੁਸ਼ਲਤਾ ਵਿੱਚ ਸੁਧਾਰ ਨਹੀਂ ਕਰਦਾ, ਸਗੋਂ ਇਹ ਵੀ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਨਕਲੀ ਬੁੱਧੀ ਸਿਸਟਮ (System) ਸਿਹਤ ਸੰਭਾਲ ਪੇਸ਼ੇਵਰਾਂ ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਸਮਰੱਥ ਬਣਾਉਣ ਦੇ ਯੋਗ ਹੈ, ਤਾਂ ਜੋ ਮਰੀਜ਼ ਦੀ ਵਧੀਆ ਦੇਖਭਾਲ ਪ੍ਰਦਾਨ ਕੀਤੀ ਜਾ ਸਕੇ।

ਜਨਰੇਟਿਵ ਏਆਈ-ਅਧਾਰਤ ਗਾਹਕ ਸਮੀਖਿਆ ਹਾਈਲਾਈਟਸ (Customer Review Highlights)

ਸਾਡੀ ਪਿਛਲੀ ਉਦਾਹਰਨ ਦਰਸਾਉਂਦੀ ਹੈ ਕਿ ਐਮਾਜ਼ਾਨ ਫਾਰਮੇਸੀ (Amazon Pharmacy) ਨੇ ਪਰਚੀ ਪ੍ਰੋਸੈਸਿੰਗ (Processing) ਲਈ ਲਾਈਵ ਵਰਕਫਲੋ (Workflow) ਵਿੱਚ LLM ਨੂੰ ਕਿਵੇਂ ਏਕੀਕ੍ਰਿਤ ਕੀਤਾ, ਜਦੋਂ ਕਿ ਇਹ ਵਰਤੋਂ ਦਾ ਕੇਸ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਕਿਸ ਤਰ੍ਹਾਂ ਦੀ ਤਕਨੀਕ (SLM, ਰਵਾਇਤੀ ML ਅਤੇ ਵਿਚਾਰਨ ਵਾਲਾ ਵਰਕਫਲੋ (Workflow) ਡਿਜ਼ਾਈਨ (Design)) ਨੂੰ ਵੱਡੇ ਪੱਧਰ ‘ਤੇ [ਔਫਲਾਈਨ ਬੈਚ ਅਨੁਮਾਨ] ‘ਤੇ ਲਾਗੂ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।

ਐਮਾਜ਼ਾਨ ਨੇ 200 ਮਿਲੀਅਨ ਤੋਂ ਵੱਧ ਸਾਲਾਨਾ ਉਤਪਾਦ ਸਮੀਖਿਆਵਾਂ ਅਤੇ ਰੇਟਿੰਗਾਂ ਨੂੰ ਪ੍ਰੋਸੈਸ (Process) ਕਰਨ ਲਈ ਇੱਕ [ਨਕਲੀ ਬੁੱਧੀ ਦੁਆਰਾ ਤਿਆਰ ਕੀਤੀਆਂ ਗਈਆਂ ਗਾਹਕ ਸਮੀਖਿਆਵਾਂ ਦੀਆਂ ਮੁੱਖ ਗੱਲਾਂ] ਪੇਸ਼ ਕੀਤੀਆਂ ਹਨ। ਇਹ ਵਿਸ਼ੇਸ਼ਤਾ ਸਾਂਝੇ ਕੀਤੇ ਗਏ ਗਾਹਕਾਂ ਦੇ ਵਿਚਾਰਾਂ ਨੂੰ ਸੰਖੇਪ ਪੈਰਿਆਂ ਵਿੱਚ ਬਦਲਦੀ ਹੈ, ਜੋ ਉਤਪਾਦ ਅਤੇ ਇਸਦੇ ਫੰਕਸ਼ਨਾਂ ਬਾਰੇ ਸਕਾਰਾਤਮਕ, ਨਿਰਪੱਖ ਅਤੇ ਨਕਾਰਾਤਮਕ ਫੀਡਬੈਕ (Feedback) ਨੂੰ ਉਜਾਗਰ ਕਰਦੇ ਹਨ। ਖਰੀਦਦਾਰ ਤੇਜ਼ੀ ਨਾਲ ਸਹਿਮਤੀ ਹਾਸਲ ਕਰ ਸਕਦੇ ਹਨ, ਜਦੋਂ ਕਿ ਸੰਬੰਧਿਤ ਗਾਹਕ ਸਮੀਖਿਆਵਾਂ ਤੱਕ ਪਹੁੰਚ ਪ੍ਰਦਾਨ ਕਰਕੇ ਅਤੇ ਮੂਲ ਸਮੀਖਿਆਵਾਂ ਨੂੰ ਸੁਰੱਖਿਅਤ ਰੱਖ ਕੇ ਪਾਰਦਰਸ਼ਤਾ ਬਣਾਈ ਰੱਖਦੇ ਹਨ।

ਇਹ ਸਿਸਟਮ (System) ਇੱਕ ਇੰਟਰਫੇਸ (Interface) ਦੁਆਰਾ ਖਰੀਦਦਾਰੀ ਫੈਸਲਿਆਂ ਨੂੰ ਵਧਾਉਂਦਾ ਹੈ, ਅਤੇ ਗਾਹਕ ਵਿਸ਼ੇਸ਼ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ (ਜਿਵੇਂ ਕਿ ਚਿੱਤਰ ਗੁਣਵੱਤਾ, ਰਿਮੋਟ (Remote) ਫੰਕਸ਼ਨ ਜਾਂ ਫਾਇਰ ਟੀਵੀ (Fire TV) ਦੀ ਆਸਾਨ ਇੰਸਟਾਲੇਸ਼ਨ (Installation)) ਦੀ ਚੋਣ ਕਰਕੇ ਸਮੀਖਿਆ ਦੀਆਂ ਮੁੱਖ ਗੱਲਾਂ ਦੀ ਪੜਚੋਲ ਕਰ ਸਕਦੇ ਹਨ। ਇਹ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਸਕਾਰਾਤਮਕ ਰੁਝਾਨ ਨੂੰ ਦਰਸਾਉਣ ਲਈ ਹਰੇ ਰੰਗ ਦੇ ਚੈੱਕ ਮਾਰਕ (Check Mark), ਨਕਾਰਾਤਮਕ ਰੁਝਾਨ ਨੂੰ ਦਰਸਾਉਣ ਲਈ ਸੰਤਰੀ ਮਾਈਨਸ (Minus) ਨਿਸ਼ਾਨ ਅਤੇ ਨਿਰਪੱਖ ਰੁਝਾਨ ਨੂੰ ਦਰਸਾਉਣ ਲਈ ਸਲੇਟੀ ਰੰਗ ਵਿੱਚ ਦਰਸਾਈਆਂ ਜਾਂਦੀਆਂ ਹਨ - ਜਿਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਖਰੀਦਦਾਰ ਪ੍ਰਮਾਣਿਤ ਖਰੀਦ ਸਮੀਖਿਆਵਾਂ ਦੇ ਆਧਾਰ ‘ਤੇ ਤੇਜ਼ੀ ਨਾਲ ਉਤਪਾਦ ਦੇ ਗੁਣਾਂ ਅਤੇ ਨੁਕਸਾਨਾਂ ਦੀ ਪਛਾਣ ਕਰ ਸਕਦੇ ਹਨ।

ਲਾਗਤ-ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਤਰੀਕੇ ਨਾਲ ਔਫਲਾਈਨ ਵਰਤੋਂ ਦੇ ਕੇਸ ਲਈ LLM ਦੀ ਵਰਤੋਂ ਕਰਨਾ

ਟੀਮ ਨੇ ਇੱਕ ਲਾਗਤ-ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਮਿਸ਼ਰਤ ਢਾਂਚਾ ਵਿਕਸਿਤ ਕੀਤਾ, ਜੋ ਮਾਹਿਰ SLM ਨਾਲ ਰਵਾਇਤੀ ML ਤਰੀਕਿਆਂ ਨੂੰ ਜੋੜਦਾ ਹੈ। ਇਹ ਤਰੀਕਾ ਭਾਵਨਾਤਮਕ ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ ਕੀਵਰਡ (Keyword) ਕੱਢਣ ਨੂੰ ਰਵਾਇਤੀ ML ਨੂੰ ਸੌਂਪਦਾ ਹੈ, ਜਦੋਂ ਕਿ ਗੁੰਝਲਦਾਰ ਟੈਕਸਟ (Text) ਤਿਆਰ ਕਰਨ ਦੇ ਕਾਰਜਾਂ ਲਈ ਅਨੁਕੂਲਿਤ SLM ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਸ਼ੁੱਧਤਾ ਅਤੇ ਪ੍ਰੋਸੈਸਿੰਗ (Processing) ਕੁਸ਼ਲਤਾ ਵਿੱਚ ਸੁਧਾਰ ਹੁੰਦਾ ਹੈ।

ਇਹ ਵਿਸ਼ੇਸ਼ਤਾ [ਸੇਜਮੇਕਰ (SageMaker) ਬੈਚ ਪਰਿਵਰਤਨ] ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਸਮਕਾਲੀ ਪ੍ਰੋਸੈਸਿੰਗ (Processing) ਲਈ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਜੋ ਰੀਅਲ-ਟਾਈਮ (Real-time) ਦੀਆਂ ਕੀਮਤਾਂ ਦੇ ਮੁਕਾਬਲੇ ਲਾਗਤ ਨੂੰ ਕਾਫ਼ੀ ਘਟਾ ਸਕਦੀ ਹੈ। ਨਿਅਰ-ਜ਼ੀਰੋ (Near-zero) ਦੇਰੀ ਦਾ ਅਨੁਭਵ ਪ੍ਰਦਾਨ ਕਰਨ ਲਈ, ਇਹ ਹੱਲ ਕੱਢੇ ਗਏ ਵਿਚਾਰਾਂ ਅਤੇ ਮੌਜੂਦਾ ਸਮੀਖਿਆਵਾਂ ਨੂੰ [ਕੈਸ਼ (Cache)] ਕਰਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਵੱਖ-ਵੱਖ ਗਾਹਕਾਂ ਨੂੰ ਵਾਧੂ ਗਣਨਾ ਕੀਤੇ ਬਿਨਾਂ ਇੱਕੋ ਸਮੇਂ ਪਹੁੰਚ ਕਰਨ ਦੀ ਆਗਿਆ ਮਿਲਦੀ ਹੈ। ਸਿਸਟਮ (System) ਨਵੀਆਂ ਸਮੀਖਿਆਵਾਂ ਨੂੰ ਹੌਲੀ-ਹੌਲੀ ਪ੍ਰੋਸੈਸ (Process) ਕਰਦਾ ਹੈ, ਅਤੇ ਪੂਰੇ ਡਾਟਾ ਸੈੱਟ ਨੂੰ ਦੁਬਾਰਾ ਪ੍ਰੋਸੈਸ (Process) ਕੀਤੇ ਬਿਨਾਂ ਵਿਚਾਰਾਂ ਨੂੰ ਅਪਡੇ