Akili bandia genereta inabadilisha kabisa uendeshaji wa biashara kwa njia tofauti, ikiwa ni pamoja na wasaidizi wa mazungumzo kama Rufus na Msaidizi wa Wauzaji wa Amazon chini ya nembo ya Amazon. Kwa kuongezea, baadhi ya matumizi ya akili bandia ya ushawishi mkubwa zaidi huendeshwa kwa kujitegemea nyuma ya pazia, kipengele muhimu ambacho huwezesha biashara kubadilisha uendeshaji, usindikaji wa data na uundaji wa maudhui kwa ukubwa mkubwa. Utekelezaji huu usio wa mazungumzo mara nyingi huja katika mfumo wa mtiririko wa kazi ya wakala unaoendeshwa na miundo mikubwa ya lugha (LLM), inayofanya malengo maalum ya biashara katika tasnia mbalimbali bila mwingiliano wa moja kwa moja wa mtumiaji.
Ikilinganishwa na matumizi ya mazungumzo ambayo hufaidika kutokana na maoni na usimamizi wa watumiaji wa wakati halisi, utumizi usio wa mazungumzo una uwezo wa kipekee kama uvumilivu wa kusubiri, uchakataji wa bechi na akiba, lakini asili yake ya kujitegemea inahitaji hatua kali za usalama na uhakikisho wa kina wa ubora.
Makala haya yanachunguza mifano minne tofauti ya matumizi ya akili bandia genereta kutoka Amazon:
- Uundaji wa Orodha ya Bidhaa za Amazon na Uboreshaji wa Ubora wa Data ya Orodha – Inaonyesha jinsi LLM inavyosaidia washirika wa mauzo na Amazon kuunda orodha ya bidhaa za ubora wa juu kwa ukubwa mkubwa.
- Usindikaji wa Maagizo ya Dawa katika Amazon Pharmacy – Inaonyesha utekelezaji katika mazingira yanayosimamiwa sana na utengano wa majukumu kwa mtiririko wa kazi ya wakala.
- Muhtasari wa Ukaguzi – Inaeleza uchakataji wa bechi kwa ukubwa mkubwa, ujumuishaji wa jadi wa ujifunzaji wa mashine (ML), utumiaji wa LLM ndogo, na suluhu za gharama nafuu.
- Uzalishaji wa Picha na Video za Ubunifu za Matangazo ya Amazon – Inaangazia akili bandia genereta ya aina nyingi na mbinu za AI zinazowajibika katika kazi ya ubunifu.
Kila utafiti huru unafunua vipengele tofauti vya utekelezaji wa matumizi yasiyo ya mazungumzo ya uakili bandia genereta, kutoka usanifu wa kiufundi hadi mazingatio ya uendeshaji. Kupitia mifano hii, utaelewa jinsi safu kamili ya huduma za AWS, ikijumuisha Amazon Bedrock na Amazon SageMaker, zinavyokuwa muhimu kwa mafanikio. Hatimaye, tunaorodhesha masomo muhimu ambayo yanashirikiwa kwa kawaida katika matumizi mbalimbali.
Kuunda Orodha za Bidhaa za Ubora wa Juu kwenye Amazon
Kuunda orodha za bidhaa za ubora wa juu na maelezo kamili huwasaidia wateja kufanya maamuzi sahihi ya ununuzi. Hapo awali, washirika wa mauzo wangeingiza kwa mkono sifa nyingi za kila bidhaa. Suluhisho jipya la akili bandia genereta lililoletwa mwaka wa 2024 hubadilisha mchakato huu kwa kuboresha matumizi ya wateja kwa kukagua habari za bidhaa kwa makini kutoka kwa tovuti za chapa na vyanzo vingine.
Akili bandia genereta hurahisisha matumizi ya washirika wa mauzo kwa kusaidia uingizaji wa taarifa katika umbizo mbalimbali (kama vile URL, picha za bidhaa au lahajedwali), na kugeuza kiatomati kuwa muundo na umbizo linalohitajika. Zaidi ya washirika wa mauzo 900,000 wameitumia, na karibu 80% ya rasimu za orodha za bidhaa zilizozalishwa zimekubaliwa, huku urekebishaji mdogo ukiombwa. Maudhui yaliyozalishwa na AI hutoa habari kamili za bidhaa, ambayo husaidia kuboresha uwazi na usahihi, na hivyo kuchangia ugunduzi wa bidhaa katika utafutaji wa wateja.
Kwa orodha mpya za bidhaa, mtiririko wa kazi huanza wakati mshirika wa mauzo anatoa maelezo ya awali. Kisha, mfumo hutumia vyanzo vingi vya habari ili kutoa orodha kamili ya bidhaa, ikijumuisha kichwa, maelezo na sifa za kina. Orodha ya bidhaa iliyozalishwa inashirikiwa na mshirika wa mauzo kwa idhini au uhariri.
Kwa orodha zilizopo za bidhaa, mfumo hutambua bidhaa ambazo zinaweza kuboreshwa na data nyingine.
Ujumuishaji na Uchakataji wa Data kwa Utoaji Mkubwa
Timu ya Amazon hutumia Amazon Bedrock na huduma zingine za AWS kuunda viunganishi thabiti vya vyanzo vya ndani na vya nje kwa API rafiki kwa LLM, na hivyo kuunganishwa kwa urahisi kwenye mifumo ya nyuma ya Amazon.com.
Changamoto kubwa ni kuunganisha data mbalimbali katika orodha ya bidhaa thabiti katika sifa zaidi ya 50 (ikijumuisha maandishi na nambari). LLM zinahitaji taratibu maalum za udhibiti na maagizo ili kufasiri kwa usahihi dhana za biashara ya mtandaoni, kwa sababu zinaweza zisifanye kazi vyema na data changamano, tofauti. Kwa mfano, LLM inaweza kudhani kwamba “uwezo” katika kizuizi cha kisu ni ukubwa badala ya idadi ya nafasi, au kwamba “Fit Wear” ni maelezo ya mtindo badala ya jina la chapa. Uhandisi wa haraka na urekebishaji mzuri ulitumika sana kutatua matukio haya.
Kutumia LLM kwa Uzalishaji na Uthibitishaji
Orodha ya bidhaa iliyozalishwa inapaswa kuwa kamili na sahihi. Ili kusaidia kufikia lengo hili, suluhisho hutekeleza mtiririko wa kazi wa hatua nyingi, kwa kutumia LLM kwa ajili ya uzalishaji na uhakiki wa sifa. Mbinu hii ya LLM maradufu husaidia kuzuia mawazo ya uwongo, ambayo ni muhimu wakati wa kushughulikia wasiwasi wa usalama au maelezo ya kiufundi. Timu ilitengeneza teknolojia ya hali ya juu ya kujitathmini ili kuhakikisha kuwa mchakato wa uzalishaji na uhakiki unakamilishana kwa ukamilifu.
Uhakikisho wa Ubora wa Tabaka Nyingi na Maoni ya Binadamu
Maoni ya binadamu ndio msingi wa uhakikisho wa ubora wa suluhisho. Mchakato huo unajumuisha tathmini ya awali na wataalamu wa Amazon.com, pamoja na washirika wa mauzo kutoa maingizo ya kukubali au kuhariri. Hii hutoa matokeo bora, na uwezo wa kuendelea kuboresha modeli ya akili bandia.
Mchakato wa uhakikisho wa ubora unajumuisha njia za majaribio ya otomatiki ambazo zinachanganya ML, algorithms au tathmini za msingi wa LLM. Orodha za bidhaa zilizoshindwa zinatengenezwa tena, na orodha za bidhaa zilizofanikiwa hufanyiwa majaribio zaidi. Kwa kutumia [modeli za sababu za kukokotoa], tunatambua sifa za msingi zinazoathiri utendakazi wa orodha za bidhaa na fursa za kuboresha. Hatimaye, orodha za bidhaa zinazopitia ukaguzi wa ubora na kukubaliwa na washirika wa mauzo huchapishwa, kuhakikisha kuwa wateja wanapokea taarifa sahihi na kamili za bidhaa.
Uboreshaji wa Mfumo wa Kiwango cha Utafutaji kwa Usahihi na Gharama
Kutokana na viwango vya juu vya usahihi na ukamilifu, timu ilitumia mbinu jumuishi ya majaribio, ikiwa na mfumo wa moja kwa moja wa uboreshaji. Mfumo huu huchunguza mchanganyiko mbalimbali wa LLM, misukumo, maandishi, utiririshaji wa kazi na zana za akili bandia ili kuboresha vipimo vya juu vya biashara, ikijumuisha gharama. Kupitia tathmini endelevu na majaribio ya otomatiki, jenereta ya orodha ya bidhaa inaweza kusawazisha utendakazi, gharama na ufanisi kwa ufanisi, huku ikikabiliana na maendeleo mapya ya AI. Mbinu hii inamaanisha kuwa wateja wanaweza kufaidika kutokana na taarifa bora za bidhaa, na washirika wa mauzo wanaweza kufikia zana za kisasa za kuunda orodha za bidhaa kwa ufanisi.
Usindikaji wa Maagizo ya Dawa kwa Kutumia Akili Bandia genereta katika Amazon Pharmacy
Katika mfano wa orodha ya bidhaa ya wauzaji uliyojadiliwa hapo awali, ambayo inategemea utiririshaji wa kazi mchanganyiko wa binadamu na mashine, Amazon Pharmacy inaonyesha jinsi kanuni hizi zinaweza kutumika katika tasnia iliyodhibitiwa na [Sheria ya Uhamishaji na Uwajibikaji wa Bima ya Afya] (HIPAA). Katika [kuelewa jinsi Amazon Pharmacy hutumia Amazon SageMaker kuunda chatbot inayotegemea LLM], tulishiriki msaidizi wa mazungumzo kwa wataalamu wa huduma ya wagonjwa, sasa tunaelekeza mawazo yetu kwenye usindikaji wa maagizo ya dawa kiotomatiki.
Katika Amazon Pharmacy, tulitengeneza mfumo wa AI kulingana na Amazon Bedrock na SageMaker ili kusaidia mafundi wa maduka ya dawa kushughulikia maagizo ya dawa kwa usahihi zaidi na kwa ufanisi. Suluhisho hili linajumuisha wataalamu binadamu na LLM katika uundaji na uhakiki wa viwango ili kuboresha usahihi wa maagizo ya dawa za mgonjwa.
Ubunifu wa Utiririshaji Kazi Uliokabidhiwa kwa Usahihi wa Huduma ya Afya
Mfumo wa usindikaji wa maagizo ya dawa huchanganya utaalamu wa binadamu (waingizaji data na wafamasia) na msaada wa AI ili kutoa mapendekezo na maoni ya mwelekeo. Utiririshaji wa kazi huanza na kichakataji cha msingi wa maarifa ya maduka ya dawa, ambacho huweka kiwango cha maandishi ya asili ya maagizo ya dawa katika [Amazon DynamoDB], kisha hutumia modeli ndogo ya lugha (SLM) iliyorekebishwa vizuri kwenye SageMaker ili kutambua vipengele muhimu (kipimo, mzunguko).
Mfumo huu huunganisha wataalamu kama vile waingizaji data na wafamasia bila mshono, ambapo akili bandia genereta humaliza utiririshaji wa kazi wa jumla, na hivyo kuongeza wepesi na usahihi, na hivyo kuhudumia wagonjwa wetu vyema. Kisha, mfumo wa kukusanya mwelekeo na hatua za usalama hutoa maelekezo kwa waingizaji data kuunda mwelekeo wanaouchapa kupitia moduli ya mapendekezo. Moduli ya kuweka alama huweka alama au kurekebisha makosa, na kutekeleza hatua zingine za usalama, kama maoni yanayotolewa kwa waingizaji data. Wataalamu hutengeneza mwongozo uliyoandikwa kwa usahihi na usalama, kwa maoni ya mfamasia au utekelezaji wa mwelekeo kwenye huduma za mkondo wa chini.
Kipengele muhimu cha suluhisho hili ni matumizi ya utengano wa kazi, ambayo huwezesha wahandisi na wanasayansi kuvunja mchakato mzima katika hatua nyingi, ambazo ni pamoja na moduli za kibinafsi zinazoundwa na hatua ndogo. Timu ilitumia sana SLM iliyorekebishwa vizuri. Zaidi ya hayo, mchakato pia unatumia programu za jadi za ML, kama vile [utambuzi wa taasisi iliyopewa jina] (NER) au kwa kutumia [modeli za kurudia] kwa ajili ya kukadiria kujiamini kwa mwisho. Kutumia SLM na ML ya jadi katika mchakato huu unaodhibitiwa, uliofafanuliwa wazi kunaweza kuboresha kasi ya usindikaji kwa kiasi kikubwa, huku ukidumisha viwango vikali vya usalama kwa sababu ya kuongezwa kwa hatua zinazofaa za usalama katika hatua maalum.
Mfumo una hatua ndogo kadhaa zilizofafanuliwa wazi, na kila mchakato mdogo unaendeshwa kama sehemu maalum, inayofanya kazi kwa nusu uhuru lakini kwa ushirikiano katika mtiririko wa kazi kuelekea lengo la jumla. Mbinu hii ya kuvunja ina uthibitishaji maalum katika kila hatua, ikithibitisha kuwa bora zaidi kuliko suluhisho la mwisho hadi mwisho, huku ikitumia SLM iliyorekebishwa vizuri. Timu ilitumia [AWS Fargate] kuratibu utiririshaji wa kazi, kwa sababu kwa sasa umeunganishwa kwenye mifumo iliyopo ya nyuma.
Katika mchakato wa maendeleo ya bidhaa wa timu, waligeukia Amazon Bedrock, ambayo hutoa LLM ya utendakazi wa juu, ikiwa na vipengele rahisi kutumia vilivyoundwa kwa ajili ya matumizi ya akili bandia genereta. SageMaker inasaidia uteuzi zaidi wa LLM, ubinafsishaji wa kina na mbinu za jadi za ML. Ili kujifunza zaidi kuhusu teknolojia hii, angalia [jinsi kuvunja kazi na LLM ndogo hufanya AI kuwa nafuu zaidi], na usome [utafiti kifani wa Amazon Pharmacy].
Kuunda Matumizi ya Kuaminika kwa Hatua za Usalama na HITL
Ili kuzingatia viwango vya HIPAA na kudumisha faragha ya wagonjwa, tulitekeleza kanuni kali za usimamizi wa data, huku tukitumia mbinu mseto ambayo ilichanganya LLM iliyorekebishwa vizuri kwa kutumia Amazon Bedrock API na [kuuza jenereta iliyoboreshwa] (RAG) kwa kutumia [Amazon OpenSearch Service]. Mchanganyiko huu huwezesha utafutaji bora wa maarifa, huku ukidumisha usahihi wa juu katika majukumu madogo maalum.
Kudhibiti mawazo ya uwongo ya LLM (ambayo ni muhimu katika sekta ya afya) kunahitaji zaidi ya marekebisho mazuri kwenye seti za data kubwa. Suluhisho letu limetekeleza hatua maalum za usalama kulingana na [Amazon Bedrock Guardrails], na kuongezewa na usimamizi wa binadamu katika kitanzi (HITL) ili kuboresha uaminifu wa mfumo.
Timu ya Amazon Pharmacy inaendelea kuboresha mfumo huu kupitia maoni ya wakati halisi kutoka kwa wafamasia na uwezo uliopanuliwa wa umbizo la maagizo. Mbinu hii ya usawa ya uvumbuzi, utaalamu wa eneo, huduma za juu za AI na usimamizi wa binadamu sio tu kwamba inaboresha ufanisi wa uendeshaji, lakini pia inamaanisha kuwa mfumo wa AI una uwezo wa kuwawezesha wataalamu wa huduma ya afya kwa usahihi, na hivyo kutoa huduma bora za wagonjwa.
Muhtasari wa Ukaguzi wa Wateja kwa Kutumia Akili Bandia genereta
Mfano wetu uliyopita ulionyesha jinsi Amazon Pharmacy inavyounganisha LLM katika mtiririko wa kazi wa papo hapo kwa ajili ya usindikaji wa maagizo ya dawa, huku matumizi haya yanaonyesha jinsi teknolojia sawa (SLM, ML ya jadi na muundo makini wa utiririshaji wa kazi) yanaweza kutumika kwa [kutoa maoni ya bechi mbali na mtandao] kwa kiwango kikubwa.
Amazon ilizindua [muhtasari wa uhakiki wa wateja uliotengenezwa na Al] ili kushughulikia zaidi ya hakiki na viwango vya bidhaa vya mwaka. Kipengele hiki hutoa maoni ya pamoja ya wateja katika aya fupi, akielezea maoni mazuri, ya upande wowote na hasi kuhusu bidhaa na vipengele vyake. Wanunuzi wanaweza kuelewa upesi makubaliano huku wakidumisha uwazi kwa kutoa ufikiaji wa hakiki husika za wateja na kudumisha hakiki asili.
Mfumo huu huboresha uamuzi wa ununuzi kupitia kiolesura ambacho wateja wanaweza kuchunguza muhtasari wa maoni kwa kuchagua vipengele maalum (kama vile ubora wa picha, utendaji wa kidhibiti cha mbali au urahisi wa usakinishaji wa Fire TV). Vipengele hivi vinawakilishwa na alama za tiki za kijani kwa hisia chanya, alama za kutoa za rangi ya machungwa kwa hisia hasi na iliyokolezwa kwa kijivu kwa upande wowote - kumaanisha kuwa wanunuzi wanaweza kutambua kwa haraka faida na hasara za bidhaa kulingana na hakiki zilizothibitishwa za ununuzi.
Kutumia LLM kwa Njia Muhimu katika Matumizi ya Nje ya Mtandao kwa Njia ya Gharama nafuu
Timu ilitengeneza usanifu mseto wa gharama nafuu ambao unachanganya mbinu za jadi za ML na SLM za kitaalamu. Njia hii hutenga uchambuzi wa hisia na uchimbaji ufunguo kwa ML ya jadi wakati inatumia SLM iliyoboreshwa kwa kazi ngumu za uzalishaji wa maandishi, na hivyo kuboresha usahihi na ufanisi wa usindikaji.
Kipengele hiki kinatumia [mageuzi ya kundi ya SageMaker] kwa usindikaji usiolandana, ambayo yanaweza kupunguza gharama kwa kiasi kikubwa ikilinganishwa na vituo vya mwisho vya wakati halisi. Ili kutoa uzoefu karibu na kusubiri sifuri, suluhisho [huongeza] mwangaza uliochimbwa na hakiki zilizopo, na hivyo kupunguza muda wa kusubiri na kuruhusu wateja kadhaa kuvifikia wakati huo huo bila kuhitaji hesabu za ziada. Mfumo hushughulikia hakiki mpya kwa matokeo, ukisasisha maarifa bila kuhitaji kusindika tena seti nzima ya data. Kwa utendakazi bora na ufanisi wa gharama, kipengele hutumia [Amazon Elastic Compute Cloud] (Amazon EC2) [matukio ya Inf2] kwa kazi za mageuzi ya kundi, [yanayotoa hadi 40% ya thamani bora zaidi ya pesa ikilinganishwa na njia mbadala].
Kwa kufuata njia hii ya kina, timu imefuta gharama kwa ufanisi huku ikishughulikia hakiki na bidhaa nyingi, na hivyo kuifanya suluhisho kuwa bora na linaweza kupanuka.
Utangazaji wa Akili Bandia Unaoendeshwa na Uzalishaji wa Picha na Video za Ubunifu za Amazon
Katika mifano uliyopita, tulichunguza zaidi matumizi ya akili bandia genereta yaliyolenga maandishi, sasa tutageuka kwenye [utangazaji wa Amazon unaofadhiliwa na maudhui ya ubunifu yanayotengenezwa na akili bandia] ya aina nyingi. Suluhisho hili lina uwezo wa [picha] na [video] kutengeneza, na tutashiriki maelezo kuhusu vipengele hivi katika sehemu hii. Kwa ujumla, msingi wa suluhisho hutumia [modeli ya Amazon Nova] kwa maudhui ya ubunifu.
Kwa kuunga mkono mahitaji ya wateja, uchunguzi uliofanywa na Amazon mwezi Machi 2023 ulifichua kuwa karibu 75% ya watangazaji, wanapojaribu kupata mafanikio ya kampeni za utangazaji, wao huainisha utengenezaji wa maudhui ya ubunifu kama swali lao kuu. Watangazaji wengi (hasa wale ambao hawana uwezo wa ndani au msaada wa wakala) wanakabiliwa na vizuizi vikubwa kutokana na utaalamu na gharama ya kuzalisha taswira bora. Suluhisho la matangazo ya Amazon hufanya uundaji wa maudhui ya kuona kuwa ya kidemokrasia, na kuifanya ipatikane na itumike kwa ufanisi na watangazaji wa ukubwa tofauti. Athari ni kubwa: watangazaji ambao wanatumia picha zilizotengenezwa na akili bandia katika kampeni za utangazaji za [bidhaa zilizodhaminiwa] wana [kiwango cha kubofya (CTR)] karibu 8%, na kampeni zilizowasilishwa na watumiaji ni 88% zaidi kuliko zisizo watumiaji.
Mwaka jana, blogu ya ujifunzaji wa mashine ya AWS ilichapisha makala [ikielezea suluhisho la uzalishaji wa picha kwa undani]. Tangu wakati huo, Amazon imechukua [Turubai ya Amazon Nova] kama msingi wa uzalishaji wa picha za ubunifu. Kwa kutumia misukumo ya maandishi au picha, iliyosaidiwa na vipengele vya kuhariri kulingana na maandishi na udhibiti wa mipango ya rangi na marekebisho ya mpangilio, tengeneza picha za kiwango cha kitaaluma.
Mwezi Septemba 2024, timu ya matangazo ya Amazon iliongeza uwezo wa kuunda [matangazo mafupi ya video] kutoka kwa picha za bidhaa. Kipengele hiki kinatumia [modeli za msingi zinazopatikana kwenye Amazon Bedrock], na kuwapa wateja udhibiti kupitia lugha asili udhibiti wa mtindo wa kuona, kasi, harakati ya kamera, mzunguko na ukuzaji. Inatumia utiririshaji wa kazi ya wakala ili kwanza kuelezea safu ya hadithi ya video, kisha itengeneze maudhui ya hadithi.
Kama ilivyojadiliwa katika makala asili, [akili bandia inayowajibika] ndio msingi wa suluhisho hili na modeli ya ubunifu ya Amazon Nova imetengenezwa kwa vidhibiti vilivyojengwa ndani ili kusaidia matumizi salama na yakini ya Al, ikijumuisha alama ya maji na ukaguzi wa maudhui.
Suluhisho hutumia [AWS Step Functions] na [kazi ya AWS Lambda] kuratibu uratibu usio na seva wa picha na video ya kuzalisha mchakato. Maudhui yanayozalishwa yanahifadhiwa katika [Huduma Rahisi ya Kuhifadhi ya Amazon] (Amazon S3), metadata inahifadhiwa katika DynamoDB, huku [Lango la API la Amazon] likitoa wateja upatikanaji wa uwezo wa kuzalisha. Suluhisho sasa linatumia ua wa Amazon Bedrock kando na kudumisha ujumuishaji wa [Amazon Rekognition] na [Amazon Comprehend] katika hatua mbalimbali kwa ajili ya ukaguzi wa ziada wa usalama.
Kuanzisha matangazo ya ubunifu bora kwa kiwango kikubwa huleta changamoto ngumu. Modelio za uzalishaji wa akili bandia zinahitaji kutengeneza picha zinazovutia na zinazofaa mtindo wa chapa katika aina mbalimbali za bidhaa na mazingira ya matangazo huku zikiwafanya zipatikane kwa urahisi kwa watangazaji wa ngazi zote za kiufundi. Uhakikisho wa ubora na uboreshaji ndio msingi wa uwezo wa kutengeneza picha na video. Mfumo unaboreshwa kila mara kupitia mchakato mpana wa HITL uliowezeshwa kupitia [Ukweli wa Msingi wa Amazon SageMaker]. Utekelezaji huu hutoa zana madhubuti ambayo inaweza kubadilisha mchakato wa uundaji wa watangazaji, na hivyo kurahisisha uundaji wa maudhui ya kuona yaliyo bora katika aina na mazingira ya bidhaa.
Huu ni mwanzo tu wa Amazon kuendeleza akili bandia genereta ili kuwasaidia watangazaji wanaohitaji kuafikia mahitaji ya maudhui yanayofaa malengo ya utangazaji. Suluhisho linaonyesha jinsi kupunguza vizuizi vya uundaji kunaweza kuongeza kwa kiasi kikubwa kampeni za utangazaji huku ukidumisha viwango vya juu vya matumizi yanayowajibika ya akili bandia.
Masomo na Majadiliano Muhimu ya Kiufundi
Matumizi yasiyo ya mazungumzo hufaa kutokana na uvumilivu wa juu wa kusubiri, na hivyo kuwezesha uchakataji wa bechi na akiba, lakini kutokana na uhuru wao, yanahitaji utaratibu thabiti wa uhakiki na hatua kali za usalama. Maarifa haya yanatumika kwa utekelezaji wa Al usio wa mazungumzo na mazungumzo:
- Utengano wa Kazi na Utiririshaji Kazi wa Wakala – Kugawanya masuala changamano katika vipengele vidogo zaidi imethibitika kuwa muhimu katika utekelezaji mbalimbali. Vio vyenye lengo vilivyozingatia ambavyo vimefanywa na wataalamu wa eneo huwezesha uundaji wa mitandao maalum la jukumu maalum, kama inavyoshuhudiwa na uzalishaji wa dawa wa Amazon Pharmacy, ambapo SLM iliyorekebishwa vizuri inaweza kushughulikia kazi tofauti kama vile utambuzi wa kipimo. Mbinu hii inaruhusu kuunda mawakala maalum na hatua wazi za uhakiki, na hivyo kuboresha uaminifu na kurahisisha matarajio. Kesi ya matumizi ya bidhaa ya Amazon inaunda matokeo haya kwa mtiririko wake wa kazi hatua nyingi na mchakato tofauti wa kizazi na uhakiki. Kwa kuongezea, kesi ya matumizi ya nukta za uhakiki inaonyesha kwa gharama nafuu na iliyodhibitiwa vizuri matumizi ya LLM, kwa kutumia ML ya jadi kwa usindikaji wa awali na kutekeleza maswali yanayoweza kuhusishwa na kazi za LLM.
- Usanifu Mseto na Uteuzi wa Mitandao – Kuchanganya ML ya jadi na LLM hutoa udhibiti bora na ufanisi wa gharama kuliko mbinu safi za LLM. ML ya jadi ni bingwa katika kushughulikia kazi zilizoelezwa vyema, kama inavyoonyeshwa na jinsi mfumo wa nukta za uhakiki ulivyotumika kwa uchambuzi wa hisia na uchimbaji mwangaza. Timu za Amazon zimeweka ki strategic mitandao mikubwa na midogo ya lugha kulingana na mahitaji, ikijumuisha RAG na kurekebisha vizuri kwa utumizi madhubuti maalum wa eneo kama vile uzalishaji wa Amazon Pharmacy.
- Mikakati ya Uboreshaji wa Gharama – Timu za Amazon zimepata ufanisi kupitia usindikaji wa kundi, taratibu za akiba kwa ajili ya utendakazi wa ujazo wa bei, vitendo maalum vya aina kama vile [AWS Inferentia] na [AWS Trainium], na utekelezaji mitandao bora. Nukta za uhakiki zinaonyesha jinsi usindikaji wa uongezaji unavyopunguza mahitaji ya hesabu, huku matangazo ya Amazon yanatumia [mitandao ya msingi] ya Amazon Nova (FM) ili kuunda maudhui ya ubunifu kwa gharama nafuu.
- Uhakikisho wa Ubora na Taratibu Dhibiti – Udhibiti wa ubora unategemea vidhibiti mahususi vya usalama wa eneo kupitia Amazon Bedrock Guardrails na uhakiki ya tabaka nyingi unaochanganya majaribio ya ki automatiki na tathmini ya eneo. Mbinu ya LLM maradufu kwa ajili ya kutengeneza na kuhakiki husaidia kuzuia udanganyifu katika orodha ya wauzaji wa Amazon, huku teknolojia ya kujitafakari inaboresha usahihi. FM ya ubunifu ya Amazon Nova anatoa udhibiti wa ndani wa AI unaowajibika na kuongezwa na majaribio endelevu ya A/B na kipimo cha utendaji.
- Utekelezaji wa HITL – Mbinu za HITL zinaenea katika tabaka nyingi, kutoka tathmini ya mtaalamu wa famasia hadi maoni ya mtumiaji wa mwisho wa washirika wa uuzaji. Timu za Amazon zimeanzisha utiririshaji wa kazi ulioandaliwa, ikisawazisha ki automatiki na usimamizi wa kibinadamu usimamizi kulingana na mahitaji maalum ya eneo na sifa za hatari.
- Akili bandia Inayowajibika na Kuzingatia – Mbinu za AI zinazowajibika zinajumuisha hatua za usalama za kunywa maudhui ya usalama kwa mazingira yanayodhibitiwa na kufuata kanuni kama vile HIPAA. Timu za Amazon zimeongeza ukaguzi wa maudhui kwa matumizi yanayoelekezwa na watumiaji, zikihifadhi uwazi wa nukta za uhakiki kwa kutoa ufikiaji wa habari za msingi, na zimetekeleza utawala wa data na ufuatiliaji ili kuongeza ubora na kuzingatia.
Mitindo hii huwezesha maendeleo yanayoweza kuongezeka, kuaminika na kwa gharama nafuu, ya suluhisho za akili bandia za kizazi huku tunadhibiti viwango vya ubora na uwajibikaji. Utekelezaji huu unaonyesha kuwa suluhisho jema halidai tu aina maalum za majukumu, lakini pia yanahitaji ukaguzi wa uangalifu kwa usanifu, uendeshaji na utawala, uliosaidiwa na huduma za AWS na mazoea yaliyoanzishwa.
Hatua Zinazofuata
Mifano ya Amazon iliyoshirikiwa katika makala haya inaelezea jinsi akili bandia genereta inaweza kuonyesha uthamani zaidi wa uzoefu wa akili bandia wa jinsi binadamu wanavyozungumza. Tunakualika kufuata mifano hii au kuwezesha suluhisho zako mwenyewe ili uelewe jinsi akili bandia genereta inaweza kuunda upya biashara yako au hata viwanda vyako. Unaweza kutembelea [kadi za matumizi ya Al ya kizazi cha AWS] ili uanzishe mchakato wa kutoa maoni.
Mifano hii inaonyesha kuwa utekelezaji wa akili bandia genereta mara nyingi hufaidika kutokana na kuchanganya maunzi tofauti ya mitandao na utiririshaji wa kazi. Ili kuelewa ni FM zipi zinazoungwa mkono na huduma za AWS, angalia [mitandao ya msingi inayotumika katika Amazon Bedrock] na [Mitandao Ya Msingi ya Amazon SageMaker JumpStart]. Pia tunapendekeza uchunguze [Mienendo ya Amazon Bedrock], ambayo inaweza kutafuta rahisi njia ya mitandao ya uzalishaji. Zaidi ya hayo, tunawakumbusha kwamba vihimilishi vya Trainium na Inferentia huleta akiba muhimu ya gharama katika matumizi haya.
Kama inavyoonyeshwa na mifano tuliyoieleza, utiririshaji wa kazi ya wakala imethibitika kuwa muhimu. Tunapendekeza uvinjari [Mawakala Wazuri wa Amazon] ili upate haraka utiririshaji wa kazi ya wakala.
Utekelezaji wa mafanikio wa akili bandia genereta ni zaidi ya uteuzi wa mitandao, unaonyesha hatua ya uhakika katika mchakato mzima wa maendeleo ya programu kutoka majaribio hadi ufuatiliaji wa matumizi. Ili uanze kuunda msingi wako katika huduma hizi muhimu, tunakualika kuvinjari [Mwongozo wa Haraka wa Amazon].
Ili kujifunza zaidi kuhusu jinsi Amazon inavyotumia akili bandia, angalia [akili bandia] katika Habari za Amazon.