அமேசான் வழிகாட்டலில் AI மறுவடிவமைப்பு

செயற்கை நுண்ணறிவு உதவியாளர்களைத் தாண்டி: அமேசான் உருவாக்கும் செயற்கை நுண்ணறிவைப் பயன்படுத்தி தொழில்துறையை மறுவடிவமைக்கும் நிகழ்வு ஆய்வுகள்

உருவாக்கும் செயற்கை நுண்ணறிவு பல பயன்பாடுகள் மூலம் வணிக நடவடிக்கைகளை முழுமையாக மாற்றி வருகிறது. இதில் அமேசானின் ரூஃபஸ் (Rufus) மற்றும் அமேசான் விற்பனையாளர் உதவியாளர் (Amazon Seller Assistant) போன்ற உரையாடல் சார்ந்த உதவியாளர்கள் குறிப்பிடத்தக்கவர்கள். மேலும், சில அதிக தாக்கத்தை ஏற்படுத்தும் உருவாக்கும் செயற்கை நுண்ணறிவு பயன்பாடுகள் திரைக்குப் பின்னால் தானாக இயங்குகின்றன. இது ஒரு இன்றியமையாத அம்சமாகும். ஏனெனில் இது நிறுவனங்கள் தங்கள் செயல்பாடுகள், தரவு செயலாக்கம் மற்றும் உள்ளடக்க உருவாக்கத்தை பெரிய அளவில் மாற்ற உதவுகிறது. இந்த உரையாடல் அல்லாத செயலாக்கங்கள் பெரும்பாலும் பெரிய மொழி மாதிரிகள் (LLM) மூலம் இயக்கப்படும் முகவர் பணிப்பாய்வுகளின் வடிவத்தில் அமைந்துள்ளன. இவை நேரடி பயனர் தொடர்பு இல்லாமல் குறிப்பிட்ட வணிக இலக்குகளை குறுக்கு தொழில் முறையில் செயல்படுத்துகின்றன.

உடனடி பயனர் கருத்து மற்றும் மேற்பார்வை மூலம் பயனடையும் உரையாடல் பயன்பாடுகளுடன் ஒப்பிடும்போது, உரையாடல் அல்லாத பயன்பாடுகள் அதிக தாமத சகிப்புத்தன்மை, தொகுதி செயலாக்கம் மற்றும் தற்காலிக சேமிப்பு போன்ற தனித்துவமான நன்மைகளைக் கொண்டுள்ளன. அதே நேரத்தில் அவற்றின் தன்னியக்கத்தன்மை வலுவான பாதுகாப்பு நடவடிக்கைகள் மற்றும் விரிவான தர உத்தரவாதத்தை உறுதிப்படுத்த வேண்டியது அவசியமாகிறது.

அமேசானின் நான்கு வேறுபட்ட உருவாக்கும் செயற்கை நுண்ணறிவு பயன்பாட்டு நிகழ்வுகளை இந்தக் கட்டுரை ஆராய்கிறது:

• அமேசான் தயாரிப்பு பட்டியல் உருவாக்கம் மற்றும் தரவு தர மேம்பாடு – விற்பனை பங்காளிகள் மற்றும் அமேசான் அதிக தரமான தயாரிப்பு பட்டியல்களை பெரிய அளவில் உருவாக்க LLM கள் எவ்வாறு உதவுகின்றன என்பதைக் காட்டுகிறது.
• அமேசான் மருந்தகத்தில் மருந்துச் சீட்டு செயலாக்கம் – அதிக கட்டுப்பாடுள்ள சூழலில் செயலாக்கம் மற்றும் முகவர் பணிப்பாய்வுகளுக்கான பணி முறிவைக் காட்டுகிறது.
• விமர்சன சிறப்பம்சங்கள் – பெரிய அளவிலான தொகுதி செயலாக்கம், பாரம்பரிய இயந்திர கற்றல் (ML) ஒருங்கிணைப்பு, சிறிய LLM-களின் பயன்பாடு மற்றும் செலவு குறைந்த தீர்வுகளை விளக்குகிறது.
• அமேசான் விளம்பர ஆக்கப்பூர்வமான படங்கள் மற்றும் வீடியோ உருவாக்கம் – ஆக்கப்பூர்வமான வேலைகளில் பல்லூடக உருவாக்கும் செயற்கை நுண்ணறிவு மற்றும் பொறுப்பான AI நடைமுறைகளை எடுத்துக்காட்டுகிறது.

ஒவ்வொரு நிகழ்வு ஆய்வும் உருவாக்கும் செயற்கை நுண்ணறிவு பயன்பாடுகளை செயல்படுத்துவதில் உள்ள பல்வேறு அம்சங்களை வெளிப்படுத்துகிறது. தொழில்நுட்ப கட்டுமானம் முதல் செயல்பாட்டு பரிசீலனைகள் வரை அனைத்தையும் இந்தப் பகுதிகள் உள்ளடக்கியது. இந்த எடுத்துக்காட்டுகள் மூலம், Amazon Bedrock மற்றும் Amazon SageMaker உள்ளிட்ட முழுமையான AWS சேவைகள் எவ்வாறு வெற்றிக்கு முக்கியமாக உள்ளன என்பதை நீங்கள் புரிந்து கொள்வீர்கள். இறுதியாக, பல்வேறு பயன்பாட்டு நிகழ்வுகளில் பொதுவாகப் பகிர்ந்து கொள்ளப்படும் முக்கிய படிப்பினைகளை நாங்கள் பட்டியலிடுகிறோம்.

அமேசானில் உயர்தர தயாரிப்பு பட்டியல்களை உருவாக்குதல்

விரிவான விவரங்களுடன் கூடிய உயர்தர தயாரிப்பு பட்டியல்களை உருவாக்குவது, வாடிக்கையாளர்கள் தகவலறிந்த கொள்முதல் முடிவுகளை எடுக்க உதவுகிறது. பாரம்பரியமாக, விற்பனை பங்காளிகள் ஒவ்வொரு தயாரிப்புக்கும் பல பண்புகளை கைமுறையாக உள்ளிடுகிறார்கள். 2024 இல் அறிமுகப்படுத்தப்பட்ட ஒரு புதிய உருவாக்கும் செயற்கை நுண்ணறிவு தீர்வு, பிராண்ட் இணையதளங்களிலிருந்து மற்றும் பிற மூலங்களிலிருந்து தயாரிப்பு தகவல்களைத் தானாகப் பெறுவதன் மூலம் வாடிக்கையாளர் அனுபவத்தை மேம்படுத்துகிறது. மேலும் இதன் மூலம் இந்த செயல்முறையை மாற்றியமைக்கிறது.

உருவாக்கும் செயற்கை நுண்ணறிவு, URL, தயாரிப்பு படங்கள் அல்லது விரிதாள்கள் போன்ற பல்வேறு வடிவங்களில் தகவல்களை உள்ளீடு செய்வதை ஆதரிப்பதன் மூலமும், தேவையான அமைப்பு மற்றும் வடிவமாக தானாக மாற்றுவதன் மூலமும் விற்பனை பங்காளர்களின் அனுபவத்தை எளிதாக்குகிறது. 900,000 க்கும் அதிகமான விற்பனை பங்காளிகள் இதைப் பயன்படுத்தியுள்ளனர், மேலும் 80% உருவாக்கபட்ட தயாரிப்பு பட்டியல் வரைவுகள் குறைந்தபட்ச எடிட்டிங் உடன் ஏற்றுக்கொள்ளப்படுகின்றன. செயற்கை நுண்ணறிவால் உருவாக்கப்பட்ட உள்ளடக்கம் விரிவான தயாரிப்பு விவரங்களை வழங்குகிறது, இது தெளிவு மற்றும் துல்லியத்தை மேம்படுத்த உதவுகிறது. இதன் மூலம் வாடிக்கையாளர் தேடல்களில் தயாரிப்புகளைக் கண்டுபிடிப்பதற்கும் உதவுகிறது.

புதிய தயாரிப்பு பட்டியல்களுக்கு, விற்பனை கூட்டாளர்கள் ஆரம்ப தகவல்களை வழங்குவதுடன் பணிப்பாய்வு தொடங்குகிறது. பின்னர், தலைப்பு, விளக்கம் மற்றும் விரிவான பண்புகள் உட்பட ஒரு விரிவான தயாரிப்பு பட்டியலை உருவாக்க கணினி பல தகவல் ஆதாரங்களைப் பயன்படுத்துகிறது. உருவாக்கப்பட்ட பட்டியல் விற்பனை பங்காளிகளுடன் ஒப்புதல் அல்லது திருத்தத்திற்காக பகிரப்படுகிறது.

தற்போதுள்ள பட்டியல்களுக்கு, கூடுதல் தரவுகளுடன் செறிவூட்டக்கூடிய தயாரிப்புகளை கணினி அடையாளம் காட்டுகிறது.

அதிக வெளியீட்டிற்கான தரவு ஒருங்கிணைப்பு மற்றும் செயலாக்கம்

அமேசான் குழு, அமேசான் பெட்ராக் (Amazon Bedrock) மற்றும் பிற AWS சேவைகளைப் பயன்படுத்தி LLM நட்பு API க்கான வலுவான உள் மற்றும் வெளிப்புற மூல இணைப்பிகளை உருவாக்கியுள்ளது. இது Amazon.com பின்புல அமைப்புடன் தடையின்றி ஒருங்கிணைக்கிறது.

ஒரு முக்கிய சவால் என்னவென்றால், உரை மற்றும் எண்கள் உட்பட 50 க்கும் மேற்பட்ட பண்புகளில் பல்வேறு தரவுகளை ஒருங்கிணைத்துத் தயாரிப்பு பட்டியலை உருவாக்குவது. LLMகள் வணிகக் கருத்துகளை துல்லியமாக விளக்க குறிப்பிட்ட கட்டுப்பாட்டு வழிமுறைகள் மற்றும் அறிவுறுத்தல்கள் தேவைப்படுகின்றன, ஏனெனில் அவை இத்தகைய சிக்கலான, மாறுபட்ட தரவுடன் சிறந்த முறையில் செயல்பட முடியாமல் போகலாம். எடுத்துக்காட்டாக, LLM ஒரு கத்தித் தொகுதியில் உள்ள "கொள்ளளவை" அளவுகோலாக இல்லாமல் ஸ்லாட்டுகளின் எண்ணிக்கையாக தவறாக நினைக்கலாம் அல்லது "ஃபிட் வெயரை" ஒரு பிராண்ட் பெயராக இல்லாமல் ஸ்டைல் விளக்கமாக தவறாக நினைக்கலாம். இந்த நிகழ்வுகளைத் தீர்க்க ப்ராம்ட் இன்ஜினியரிங் (Prompt Engineering) மற்றும் நுணுக்கமான ட்யூனிங் (Fine Tuning) பரவலாகப் பயன்படுத்தப்படுகின்றன.

LLM களை பயன்படுத்தி உருவாக்கம் மற்றும் சரிபார்த்தல்

உருவாக்கப்பட்ட தயாரிப்பு பட்டியல் முழுமையாகவும் சரியாகவும் இருக்க வேண்டும். இந்த இலக்கை அடைய உதவும் வகையில், தீர்வு உருவாக்கம் மற்றும் சரிபார்ப்பிற்காக LLM களைப் பயன்படுத்தும் பல-படி பணிப்பாய்வுகளை செயல்படுத்துகிறது. இரட்டை LLM முறை பாதுகாப்பு கவலைகள் அல்லது தொழில்நுட்ப விவரக்குறிப்புகளைக் கையாளும் போது முக்கியமான மாயத்தோற்றங்களைத் தடுக்க உதவுகிறது. இந்த குழு உருவாக்கம் மற்றும் சரிபார்ப்பு செயல்முறைகள் ஒன்றுக்கொன்று திறம்பட செயல்படுவதை உறுதி செய்வதற்காக மேம்பட்ட சுய பிரதிபலிப்பு தொழில்நுட்பத்தை உருவாக்கியுள்ளது.

மனித கருத்துக்களைக் கொண்ட பல அடுக்கு தர உத்தரவாதம்

மனித கருத்து தீர்வு தர உத்தரவாதத்தின் மையமாகும். இந்த செயல்முறையில் Amazon.com நிபுணர்களால் ஆரம்ப மதிப்பீடு மற்றும் ஏற்றுக்கொள்வதற்காக அல்லது திருத்துவதற்கு விற்பனை பங்காளர்களின் உள்ளீட்டை வழங்குதல் ஆகியவை அடங்கும். இது உயர்தர வெளியீட்டை வழங்குகிறது மற்றும் செயற்கை நுண்ணறிவு மாதிரியை தொடர்ந்து மேம்படுத்த உதவுகிறது.

தர உத்தரவாத செயல்முறையானது ML, வழிமுறைகள் அல்லது LLM அடிப்படையிலான மதிப்பீடுகளை உள்ளடக்கிய தானியங்கி சோதனை முறைகளை உள்ளடக்கியது. தோல்வியுற்ற தயாரிப்பு பட்டியல் மீண்டும் உருவாக்கப்படும், வெற்றிகரமான தயாரிப்பு பட்டியல் மேலும் சோதனைக்கு உட்படுத்தப்படும். காரணியியல் அனுமான மாதிரியைப் பயன்படுத்தி, தயாரிப்பு பட்டியலின் செயல்திறனை பாதிக்கும் அடிப்படை பண்புகளையும், மேம்படுத்தும் வாய்ப்புகளையும் நாங்கள் அடையாளம் காண்கிறோம். இறுதியாக, தர சோதனைகள் செய்யப்பட்டு விற்பனை கூட்டாளர்களால் ஏற்றுக்கொள்ளப்படும் தயாரிப்பு பட்டியல் வெளியிடப்படும். இதன் மூலம் வாடிக்கையாளர்கள் துல்லியமான மற்றும் விரிவான தயாரிப்பு தகவல்களைப் பெறுவது உறுதி செய்யப்படுகிறது.

துல்லியம் மற்றும் செலவுக்கான பயன்பாட்டு அளவிலான அமைப்பு மேம்படுத்தல்

துல்லியம் மற்றும் முழுமைக்கான உயர் தரநிலைகளைக் கருத்தில் கொண்டு, குழு ஒரு விரிவான சோதனை முறையைப் பயன்படுத்தியது மற்றும் ஒரு தானியங்கி மேம்படுத்தல் அமைப்புடன் கூடியிருந்தது. இந்த அமைப்பு LLM-கள், தூண்டுதல்கள், ஸ்கிரிப்டுகள், பணிப்பாய்வுகள் மற்றும் செயற்கை நுண்ணறிவு கருவிகளின் பல்வேறு கலவைகளை ஆராய்ந்து வணிக அளவீடுகளை மேம்படுத்துகிறது. தொடர்ச்சியான மதிப்பீடு மற்றும் தானியங்கி சோதனை மூலம், தயாரிப்பு பட்டியல் ஜெனரேட்டர் செயல்திறன், செலவு மற்றும் செயல்திறனை திறம்பட சமநிலைப்படுத்த முடியும். அதே நேரத்தில் புதிய செயற்கை நுண்ணறிவு வளர்ச்சிக்கும் ஏற்றவாறு இருக்கும். இந்த முறையானது வாடிக்கையாளர்கள் உயர்தர தயாரிப்பு தகவல்களிலிருந்து பயனடைய முடியும் என்பதையும், விற்பனை கூட்டாளர்கள் திறமையான தயாரிப்பு பட்டியல் உருவாக்கத்திற்கான அதிநவீன கருவிகளை அணுக முடியும் என்பதையும் குறிக்கிறது.

அமேசான் மருந்தகத்தில் உருவாக்கும் செயற்கை நுண்ணறிவு அடிப்படையிலான மருந்துச் சீட்டு செயலாக்கம்

முன்னதாக விவாதிக்கப்பட்ட விற்பனையாளர் தயாரிப்பு பட்டியல் எடுத்துக்காட்டில் மனித-இயந்திர கலப்பு பணிப்பாய்வு அடிப்படையில், இந்தக் கொள்கைகள் சுகாதாரம் காப்பீட்டு பொறுப்புச் சட்டம் (HIPAA) ஒழுங்குபடுத்தும் தொழிலில் எவ்வாறு பயன்படுத்தப்படுகின்றன என்பதை அமேசான் மருந்தகம் காட்டுகிறது. அமேசான் மருந்தகம் Amazon SageMakerஐ பயன்படுத்தி LLM அடிப்படையிலான சாட்போட்டை எவ்வாறு உருவாக்குகிறது என்பதைப் பற்றிய கட்டுரையில், நோயாளி சேவை நிபுணர்களுக்கான உரையாடல் உதவியாளரைப் பகிர்ந்தோம். தற்போது தானியங்கி மருந்துச் சீட்டு செயலாக்கத்தில் கவனம் செலுத்துகிறோம்.

அமேசான் மருந்தகத்தில், மருந்துச் சீட்டு விவரங்களை இன்னும் துல்லியமாகவும் திறமையாகவும் கையாள மருந்தாளுனர்களுக்கு உதவும் வகையில் Amazon Bedrock மற்றும் SageMakerஐ அடிப்படையாகக் கொண்ட செயற்கை நுண்ணறிவு அமைப்பை உருவாக்கியுள்ளோம். இந்த தீர்வு ஒரு உருவாக்கும் பங்கை துல்லியமான மற்றும் பாதுகாப்பானதாக உருவாக்கும் திறனுடையது.

சுகாதாரத் துறையின் துல்லியத்திற்கான டெலிகேட் செய்யப்பட்டப் பணிப்பாய்வு வடிவமைப்பு

மருந்துச் சீட்டு செயலாக்க அமைப்பு மனித நிபுணத்துவம் (தரவு உள்ளீட்டாளர்கள் மற்றும் மருந்தாளுனர்கள்) செயற்கை நுண்ணறிவு ஆதரவுடன் இணைந்து பாதுகாப்புடன் கூடிய உள்ளீட்டை வழங்குகிறது. பணிப்பாய்வு மருந்துக் கடை அறிவுத் தளத்தின் முன்செயலியுடன் தொடங்குகிறது. இந்த முன்செயலி Amazon DynamoDB இல் உள்ள மூல மருந்துச்சீட்டு உரையைத் தரப்படுத்தப்படுகிறது. பின்னர் SageMaker இல் உள்ள நுணுக்கமான சிறிய மொழி மாதிரி (SLM) முக்கிய கூறுகளை (டோஸ், அதிர்வெண்) அடையாளம் காணப் பயன்படுகிறது.

இந்த அமைப்பு தரவு உள்ளீட்டு ஆபரேட்டர்கள் மற்றும் மருந்தாளுநர்கள் போன்ற நிபுணர்களை தடையின்றி ஒருங்கிணைக்கிறது. இதில் உருவாக்கும் செயற்கை நுண்ணறிவு ஒட்டுமொத்த பணிப்பாய்வுக்கு நிரப்புதலாக செயல்படுகிறது, இதனால் எங்கள் நோயாளிகளுக்கு சிறந்த சேவையை வழங்க உதவுகிறது. பின்னர் பாதுகாப்பு நடவடிக்கைகளுடன் கூடிய திசைக் கூட்டமைப்பு அமைப்பு, தரவு உள்ளீட்டு செயல்பாட்டாளர்களுக்கு திசைகளைக் குறிக்கும் அறிவுறுத்தல்களை வழங்குகிறது. குறித்தல் கூறு பிழைகளைக் குறிக்கிறது அல்லது சரிசெய்கிறது மற்றும் தரவு உள்ளீட்டு ஆபரேட்டருக்கு வழங்கப்படும் கருத்தாக கூடுதல் பாதுகாப்பு நடவடிக்கைகளை செயல்படுத்துகிறது. தொழில்நுட்ப வல்லுநர்கள் இறுதியாக அதிக துல்லியமான, பாதுகாப்பாக உள்ளிடப்பட்ட திசைகளை உறுதி செய்கிறார்கள். இது மருந்தாளுநர்கள் கருத்துக்களை வழங்க அல்லது கீழ்நிலை சேவைகளை இயக்க உதவுகிறது.

இந்த தீர்வின் சிறப்பம்சமாக பணி முறிவு உள்ளது. பொறியாளர்கள் மற்றும் விஞ்ஞானிகள் முழு செயல்முறையையும் பல படிகளாக பிரிக்கிறார்கள். இதில் துணைப் படிகளைக் கொண்ட தனிப்பட்ட தொகுதிகள் உள்ளன. இந்த குழு SLM ஐ நுணுக்கமாகப் பயன்படுத்துகிறது. கூடுதலாக, இந்த செயல்முறை பாரம்பரிய ML செயல்முறைகளையும் பயன்படுத்துகிறது. எடுத்துக்காட்டாக, பெயரிடப்பட்ட实体 அங்கீகாரம் (NER) அல்லது இறுதி நம்பிக்கையை மதிப்பிடுவதற்கு பின்னடைவு மாதிரியைப் பயன்படுத்துகிறது. SLM மற்றும் பாரம்பரிய ML ஆகியவற்றின் இந்தச் செயல்முறை பெரிய அளவிலான செயலாக்கத்தினை மேம்படுத்துகிறது. அதே நேரத்தில் குறிப்பிட்ட படிகளில் சரியான பாதுகாப்பு நடவடிக்கைகள் சேர்க்கப்படுவதால் கடுமையான பாதுகாப்பு தரநிலைகளை பராமரிக்க முடியும்.

இந்த அமைப்பு பல நன்கு வரையறுக்கப்பட்ட துணைப் படிகளைக் கொண்டுள்ளது. ஒவ்வொரு துணை செயல்முறையும் ஒரு பிரத்யேக கூறாக இயங்குகிறது. ஒரு ஒட்டுமொத்த இலக்கை நோக்கி அரை தன்னியக்க ஆனால் கூட்டு முறையில் பணிப்பாய்வுக்குள் இயங்குகிறது. இந்தச் செயல்முறை ஒவ்வொரு கட்டத்திலும் குறிப்பிட்ட சரிபார்ப்புகளைக் கொண்டுள்ளது. இந்த சரிபார்ப்புகள் இறுதி முடிவுக்கான தீர்வை விட பயனுள்ளதாக நிரூபிக்கப்பட்டுள்ளது. மேலும் இதில் சிறிய SLM களைப் பயன்படுத்தவும் முடியும். ஏற்கனவே உள்ள பின்புல அமைப்புகளில் ஒருங்கிணைக்கப்பட்டுள்ளதால் இந்த அணி AWS Fargate ஐப் பயன்படுத்துகிறது.

இந்த அணியின் தயாரிப்பு மேம்பாட்டு செயல்பாட்டில், Amazon Bedrock க்கு மாறினர். இந்த தயாரிப்பு அதிக செயல்திறன் கொண்ட LLMகளை வழங்குகிறது. மேலும் உருவாக்க செயற்கை நுண்ணறிவு பயன்பாடுகளுக்கு ஏற்ற எளிதான குணாதிசயங்களை வழங்குகிறது. SageMaker மேலும் LLM களின் தேர்வை ஆதரிக்கிறது. மேலும் ஆழமான தனிப்பயனாக்கம் மற்றும் பாரம்பரிய ML முறைகளை ஆதரிக்கிறது. இந்தத் தொழில்நுட்பத்தைப் பற்றி மேலும் அறிய பணி முறிவு மற்றும் சிறிய LLMகள் எவ்வாறு செயற்கை நுண்ணறிவை இன்னும் மலிவாக்கலாம் மற்றும் Amazon Pharmacys Business என்ற ஆய்வைப் படிக்கவும்.

பாதுகாப்பு நடவடிக்கைகள் மற்றும் HITL உடன் நம்பகமான பயன்பாட்டை உருவாக்குதல்

HIPAA தரங்களைப் பின்பற்றுவதற்கும் நோயாளி தனியுரிமையை வழங்குவதற்கும் நாங்கள் கடுமையான தரவு நிர்வாக நடைமுறைகளைச் செயல்படுத்தியுள்ளோம். அதே நேரத்தில் Amazon Bedrock APIகளை பயன்படுத்தும் நுணுக்கமான LLMகள் மற்றும் Amazon OpenSearch Service ஐப் பயன்படுத்தும் மீட்டெடுப்பு மேம்படுத்தப்பட்ட ஜெனரேஷன் (RAG) ஆகியவற்றை ஒருங்கிணைக்கும் கலப்பின அணுகுமுறையை பின்பற்ற அணுகுமுறையை பயன்படுத்தப்பட்டது. இந்த கலவையானது திறமையான அறிவு மீட்டெடுப்பை செயல்படுத்தவும், அதே நேரத்தில் குறிப்பிட்ட துணை பணிகளுக்கு அதிக துல்லியத்தை பராமரிக்கவும் உதவுகிறது.

LLM மருட்சி தன்மையை நிர்வகித்தல் சுகாதாரத்தில் மிகவும் முக்கியமானது. பெரிய தரவு தொகுப்புகளில் சரிசெய்தால் மட்டும் போதாது. எங்கள் தீர்வு Amazon Bedrock Guardrails அடிப்படையாகக் கட்டப்பட்ட கள-குறிப்பிட்ட பாதுகாப்பு நடவடிக்கைகளை செயல்படுத்துகிறது. மேலும் இந்த முறையின் நம்பகத்தன்மையை மேம்படுத்த மனித வளைய மேற்பார்வை (HITL) மூலம் முழுமையாக்கப்படுகிறது.

மருந்தாளர்களின் நிகழ்நேர கருத்து மற்றும் விரிவாக்கப்பட்ட மருந்து சீட்டு வடிவமைப்பு திறன்களைக் கொண்டு Amazon Pharmacys குழு இந்த முறையை தொடர்ந்து மேம்படுத்தி வருகிறது. புதுமை, கள நிபுணத்துவம், மேம்பட்ட செயற்கை நுண்ணறிவு சேவைகள் மற்றும் மனித மேற்பார்வை ஆகியவற்றின் இந்த சமநிலையான அணுகுமுறை செயல்பாட்டு திறனை மேம்படுத்துவதோடு மட்டுமல்லாமல், செயற்கை நுண்ணறிவு அமைப்பு சுகாதாரப் பாதுகாப்பு நிபுணர்களுக்கு மிகச்சரியாகச் செயலாற்ற உதவுகிறது. இது ஒரு சிறந்த நோயாளி பராமரிப்பு வழங்குவதை உறுதி செய்கிறது.

உருவாக்கும் செயற்கை நுண்ணறிவு அடிப்படையிலான வாடிக்கையாளர் விமர்சன சிறப்பம்சங்கள்

அமேசான் மருந்தகம் மருந்துச்சீட்டு செயலாக்கத்திற்காக LLMகளை எவ்வாறு நிகழ்நேரப் பணிப்பாய்வுகளில் ஒருங்கிணைக்கிறது என்பதை எங்கள் முந்தைய எடுத்துக்காட்டு காட்டுகிறது. அதே நேரத்தில் இந்த பயன்பாட்டு நிகழ்வு ஒத்த தொழில்நுட்பங்கள் (SLM, பாரம்பரிய ML மற்றும் சிந்தனைமிக்க பணிப்பாய்வு வடிவமைப்பு) எவ்வாறு பெரிய அளவிலான ஆஃப்லைன் தொகுதி அனுமானத்திற்கு பயன்படுத்தப்படலாம் என்பதை நிரூபிக்கிறது.

ஒவ்வொரு ஆண்டும் 200 மில்லியனுக்கும் அதிகமான தயாரிப்பு விமர்சனங்களையும் மதிப்பீடுகளையும் கையாள செயற்கை நுண்ணறிவு உருவாக்க வாடிக்கையாளர் உள்ளது. இந்த அம்சம் பகிரப்பட்ட வாடிக்கையாளர் கருத்துக்களைச் சுருக்கமான பத்திகளாக ஒருங்கிணைக்கிறது. இதன் மூலம் தயாரிப்புகள் மற்றும் அதன் அம்சங்களைப் பற்றிய நேர்மறை, நடுநிலை மற்றும் எதிர்மறை கருத்துகளை முக்கியமாக எடுத்துக்காட்டுகிறது. ஷாப்பிங் செய்பவர்கள் ஒருமித்த கருத்தை விரைவாகப் புரிந்துகொள்ள முடியும். அதே நேரத்தில் தொடர்புடைய வாடிக்கையாளர் விமர்சனங்களுக்கான அணுகலை வழங்குவதன் மூலம் இது வெளிப்படைத்தன்மையையும் பராமரிக்கிறது.

இந்த அமைப்பு ஷாப்பிங் முடிவுகளை மேம்படுத்துகிறது. வாடிக்கையாளர்கள் குறிப்பிட்ட அம்சங்களைத் தேர்ந்தெடுப்பதன் மூலம் விமர்சன சிறப்பம்சங்களை ஆராயும் இடைமுகத்தை பயனர்கள் பயன்படுத்தலாம் (எடுத்துக்காட்டாக பட தரம், ரிமோட் வசதி மற்றும் ஃபயர் டிவியின் எளிதான நிறுவல்)). இந்த அம்சங்கள் நேர்மறையான உணர்வை பச்சை நிறத்திலும், எதிர்மறை உணர்வை ஆரஞ்சு நிறத்திலும், நடுநிலையான உணர்வை சாம்பல் நிறத்திலும் குறிக்கின்றன. சரிபார்க்கப்பட்ட கொள்முதல் விமர்சனங்களின் அடிப்படையில் தயாரிப்புகளின் நன்மை தீமைகளை ஷாப்பிங் செய்பவர்கள் விரைவாக அடையாளம் காண முடியும்.

செலவு குறைந்த முறையில் LLM ஐ ஆஃப்லைன் பயன்பாட்டு நிகழ்வுகளுக்கு பயன்படுத்துதல்

பாரம்பரிய ML அணுகுமுறைகளுடன் சிறப்பு SLM களை ஒருங்கிணைத்து ஒரு செலவு குறைந்த கலப்பின கட்டமைப்பை குழு உருவாக்கியுள்ளது. இந்த அணுகுமுறை உணர்வு பகுப்பாய்வு மற்றும் முக்கிய வார்த்தை பிரித்தெடுத்தலை பாரம்பரிய ML க்கு ஒதுக்குகிறது. அதே நேரத்தில் சிக்கலான உரை உருவாக்கும் பணிகளுக்கு உகந்ததாக்கப்பட்ட SLM ஐப் பயன்படுத்துகிறது. இதன் மூலம் துல்லியம் மற்றும் செயலாக்க செயல்திறனை மேம்படுத்துகிறது.

நிகழ்நேர எண்ட் பாயிண்ட்டுகளுடன் ஒப்பிடும்போது இந்த அம்சம் ஒத்திசையாத செயலாக்கத்திற்கு SageMaker தொகுதி மாற்றத்தைப் பயன்படுத்துகிறது. இது செலவுகளைக் கணிசமாகக் குறைக்கிறது. பூஜ்ஜிய தாமத அனுபவத்தை வழங்க இந்தத் தீர்வு பிரித்தெடுக்கப்பட்ட நுண்ணறிவுகளையும் இருக்கும் விமர்சனங்களையும் சேமிக்கிறது. இதனால் காத்திருப்பு நேரம் குறைகிறது. மேலும் கூடுதல் கணக்கீடு இல்லாமல் ஒரே நேரத்தில் பல வாடிக்கையாளர்கள் அணுகவும் அனுமதிக்கிறது. இந்த அமைப்பு புதிய விமர்சனங்களை படிப்படியாகச் செயலாக்குகிறது. முழு தரவு தொகுப்பையும் மறு செயலாக்கம் செய்யாமல் நுண்ணறிவுகளைப் புதுப்பிக்கிறது. சிறந்த செயல்திறன் மற்றும் செலவுக்கான அம்சமானது தொகுதி மாற்றும் பணிகளுக்கு Amazon Elastic Compute Cloud (Amazon EC2) Inf2 நிகழ்வுகளைப் பயன்படுத்துகிறது. இதன் மூலம் மாற்று வழிகளுடன் ஒப்பிடும்போது 40% அதிக விலை செயல்திறனை வழங்குகிறது.

இந்த விரிவான அணுகுமுறையைப் பின்பற்றுவதன் மூலம், குழு மதிப்புரைகள் மற்றும் தயாரிப்புகளின் அதிக அளவுகளை திறம்பட நிர்வகிக்கிறது. இதனால் இந்த தீர்வு திறமையாகவும் அளவிடக்கூடியதாகவும் இருக்கும்.

அமேசான் விளம்பர செயற்கை நுண்ணறிவு இயக்கிய ஆக்கப்பூர்வமான படம் மற்றும் வீடியோ உருவாக்கம்

எங்கள் முந்தைய எடுத்துக்காட்டுகளில் உரை அடிப்படையிலான உருவாக்க செயற்கை நுண்ணறிவு பயன்பாடுகளை முக்கியமாக ஆராய்ந்தோம். தற்போது அமேசான் விளம்பரத்திற்கான ஆக்கப்பூர்வமான உள்ளடக்க உருவாக்கம் போன்ற பல்லூடக உருவாக்க செயற்கை நுண்ணறிவுக்கு மாறுவோம். இந்தத் தீர்வு படம் மற்றும் வீடியோ உருவாக்கும் திறன்களைக் கொண்டுள்ளது. இந்தத் தீர்வின் முக்கியமானது அமேசான் நோவா ஆக்கப்பூர்வமான உள்ளடக்க உருவாக்கும் மாதிரி ஆகும்.

வாடிக்கையாளர் தேவைகளின் அடிப்படையில் தலைகீழாகச் சிந்திக்கும்போது அமேசான் 2023 மார்ச்சில் நடத்திய ஆய்வில் ஏறக்குறைய 75% விளம்பரதாரர்கள், தங்கள் விளம்பர பிரச்சாரம் வெற்றிபெற போராடும்போது, ஆக்கப்பூர்வமான உள்ளடக்க உருவாக்கத்தை முக்கிய சவாலாகக் குறிப்பிட்டனர். பல விளம்பரதாரர்கள் குறிப்பாக உள் வசதிகள் அல்லது முகவர் ஆதரவு இல்லாதவர்கள் தரமான காட்சி விளைவுகளை உருவாக்குவதற்கான நிபுணத்துவம் மற்றும் செலவு காரணமாக குறிப்பிடத்தக்க தடைகளை எதிர்கொள்கின்றனர். அமேசான் விளம்பர தீர்வுகள் காட்சி உள்ளடக்கத்தை உருவாக்குதலை ஜனநாயகமயமாக்குகின்றன. இதனால் மாறுபட்ட அளவிலான விளம்பரதாரர்கள் அதை அணுகவும் திறமையாக பயன்படுத்தவும் முடியும். இதன் தாக்கம் மிகப்பெரியது: ஸ்பான்சர்டு பிராண்டு விளம்பர பிரச்சாரங்களில் செயற்கை நுண்ணறிவால் உருவாக்கப்பட்ட படங்களைப் பயன்படுத்தும் விளம்பரதாரர்கள் கிளிக்-த்ரூ விகிதம் (CTR) 8% நெருக்கமாக உள்ளது. மேலும் பயனர்கள் அல்லாதவர்களை விட 88% விளம்பர பிரச்சாரங்கள் சமர்ப்பிக்கப்பட்டுள்ளன.

கடந்த ஆண்டு AWS இயந்திர கற்றல் வலைப்பதிவு ஒரு பட உருவாக்கும் தீர்வு விவரங்களைப் பகிர்ந்தது. அந்த நேரத்தில் Amazon Nova Canvas ஆனது ஆக்கப்பூர்வமான பட உருவாக்கத்தின் அடிப்படையாக ஏற்றுக்கொள்ளப்பட்டது. உரை அல்லது படத் தூண்டுதல்களைப் பயன்படுத்தி, உரை அடிப்படையிலான எடிட்டிங் அம்சங்கள் மற்றும் வண்ணத் திட்டத்தையும், தளவமைப்பு சரிசெய்தல் கட்டுப்பாடுகளைப் பயன்படுத்தி தொழில்முறை தர படங்களை உருவாக்கலாம்.

2024 செப்டம்பரில் தயாரிப்பு படங்களிலிருந்து குறுகிய வீடியோ விளம்பரங்களை உருவாக்கும் திறனை அமேசான் விளம்பரக் குழு சேர்த்தது. இந்த அம்சம் Amazon Bedrock இல் கிடைக்கும் ஃபவுண்டேஷன் மாடல்களைப் பயன்படுத்துகிறது. இது இயற்கையான மொழி மூலம் காட்சி பாணி, வேகம், கேமரா இயக்கம், சுழற்சி மற்றும் பெரிதாக்கம் ஆகியவற்றுக்கான வாடிக்கையாளர்களுக்கு கட்டுப்பாட்டை வழங்குகிறது. கதம்ப உள்ளடக்கத்தை உருவாக்க வீடியோ ஸ்டோரிபோர்டை முதலில் விவரிக்க ஒரு முகவர் பணிப்பாய்வு பயன்படுத்தப்படுகிறது.

அசல் கட்டுரையில் விவாதிக்கப்பட்டபடி, பொறுப்பான செயற்கை நுண்ணறிவு இந்த தீர்வின் மையமாகும். அமேசான் நோவா ஆக்கப்பூர்வமான மாதிரி, நீர்க்குறிப்பு மற்றும் உள்ளடக்க மதிப்பாய்வு உள்ளிட்ட பாதுகாப்பான மற்றும் பொறுப்பான செயற்கை நுண்ணறிவு பயன்பாட்டை ஆதரிப்பதற்கான உள்ளமைக்கப்பட்ட கட்டுப்பாடுகளுடன் வருகிறது.

Amazon Simple Storage Service (Amazon S3) இல் உள்ள உள்ளடக்கம் சேமிக்கப்படுகிறது. DynamoDB இல் உள்ள உருப்பொருள் தரவு சேமிக்கப்படுகிறது. மேலும் Amazon API Gateway வாடிக்கையாளர்களுக்கு உருவாக்க செயல்பாடுகளுக்கான அணுகலை வழங்குகிறது. இந்த தீர்வு தற்போது அனைத்து படிகளிலும் இருக்கும் Amazon Rekognition மேலும் பாதுகாப்பு சோதனைகளுக்காக Amazon Comprehend ஒருங்கிணைப்புகளை பராமரிப்பதோடு Amazon Bedrock Guardrailsகளையும் பயன்படுத்துகிறது.

பெரிய அளவில் உயர்தர விளம்பர உள்ளடக்கத்தை உருவாக்குவது சிக்கலான சவால்களை ஏற்படுத்துகிறது. உருவாக்க செயற்கை நுண்ணறிவு மாதிரிகள் பல்வேறு தயாரிப்பு வகைகள் மற்றும் விளம்பர சூழல்களில் ஈர்க்கக்கூடிய மற்றும் பிராண்ட் உருவத்திற்குப் பொருத்தமான படங்களை உருவாக்க வேண்டும். அதே நேரத்தில் அனைத்து தொழில்நுட்ப மட்டங்களிலும் உள்ள விளம்பரதாரர்கள் அதை எளிதாக அணுகும் வகையில் இருக்க வேண்டும். தர உத்தரவாதம் மற்றும் மேம்பாடு படம் மற்றும் வீடியோ உருவாக்கும் திறன்களின் அடிப்படையாகும். Amazon SageMaker Ground Truth திறம்பட செயல்படுத்தப்பட்ட விரிவான HITL செயல்முறைகள் மூலம் இந்த அமைப்பு தொடர்ந்து மேம்படுத்தப்பட்டு வருகிறது. இந்த செயலாக்கம் விளம்பரதாரர்களின் ஆக்கப்பூர்வமான செயல்முறையை மாற்றக்கூடிய ஒரு சக்திவாய்ந்த கருவியாக நிரூபிக்கப்பட்டுள்ளது. இதனால் ஒவ்வொரு தயாரிப்பு வகையிலும் சூழலிலும் தரம் வாய்ந்த காட்சி உள்ளடக்கத்தை எளிதாக உருவாக்க முடிகிறது.

இது அமேசான் தனது விளம்பர இலக்குகளுக்கு ஏற்ற உள்ளடக்கத்தை உருவாக்க விளம்பரதாரர்களுக்கு உதவும் வகையில் செயற்கை நுண்ணறிவைப் பயன்படுத்துவதன் ஆரம்பம் மட்டுமே. குறைந்த தடைகளை உருவாக்குவது விளம்பர பிரச்சாரங்களை எவ்வாறு நேரடியாக மேம்படுத்தலாம் மற்றும் அதே நேரத்தில் பொறுப்பான செயற்கை நுண்ணறிவு பயன்பாட்டின் உயர் தரங்களை பராமரிக்க முடியும் என்பதை இந்த தீர்வு நிரூபிக்கிறது.

முக்கிய தொழில்நுட்ப அனுபவங்கள் மற்றும் விவாதங்கள்

உரையாடல் அல்லாத பயன்பாடுகள் அதிக தாமத சகிப்புத்தன்மையிலிருந்து பயனடைகின்றன. இதனால் தொகுதி செயலாக்கம் மற்றும் தற்காலிக சேமிப்புச் செய்ய முடியும். இருப்பினும் அவற்றின் தன்னியல்பின் காரணமாக வலுவான சரிபார்ப்பு இயக்கவியல் மற்றும் அதிக பாதுகாப்பு நடவடிக்கைகள் இந்த பயன்பாடுகளுக்குத் தேவைப்படுகிறது. இந்த நுண்ணறிவுகள் உரையாடல் அல்லாத மற்றும் உரையாடல் செயற்கை நுண்ணறிவு செயலாக்கத்திற்கு பொருந்தும்:

• பணி முறிவு மற்றும் முகவர் பணிப்பாய்வு: சிக்கலான சிக்கல்களை சிறிய கூறுகளாகப் பிரிப்பது பல்வேறு செயலாக்கங்களில் மதிப்புமிக்கதாக நிரூபிக்கப்பட்டுள்ளது. களம் சார்ந்த நிபுணர்களால் மேற்கொள்ளப்படும் இந்த ஆழ்நிலை பிரிவுகளானது குறிப்பிட்ட துணை பணிகளுக்கான பிரத்யேக மாடல்களை உருவாக்க உதவுகிறது. அமேசான் மருந்தகத்தில் நுணுக்கமான SLMகள் மருந்துச் சீட்டு செயலாக்கத்தில் டோஸ் அடையாளங்காணல் போன்ற தனித்துவமான பணிகளைக் கையாள முடியும் என்பது நிரூபணமாகிறது. இந்த உத்தி தெளிவான சரிபார்ப்பு படிகளுடன் கூடிய சிறப்பு முகவர்களை உருவாக்க அனுமதிக்கிறது. இதன் மூலம் நம்பகத்தன்மையை மேம்படுத்துகிறது மற்றும் பராமரிப்பை எளிதாக்குகிறது. அமேசான் விற்பனையாளர் தரவு பட்டியல் உதாரணம் தனித்தனி உருவாக்கம் மற்றும் சரிபார்ப்பு செயல்முறைகளுடன் அதன் பல-படி பணிப்பாய்வு மூலம் இதை எடுத்துக்காட்டுகிறது. கூடுதலாக, விமர்சன சிறப்பம்சங்கள் எடுத்துக்காட்டு செலவு குறைந்த மற்றும் கட்டுப்படுத்தப்பட்ட LLM பயன்பாட்டை வெளிப்படுத்துகிறது. எடுத்துக்காட்டாக பாரம்பரிய ML ஐ முந்தைய செயலாக்கத்திற்குப் பயன்படுத்துவது, LLM பணிகளுடன் இணைக்கக்கூடிய பகுதிகளை செயல்படுத்துவதன் மூலம் இதை அடையலாம்.
• கலப்பின கட்டுமானம் மற்றும் மாதிரி தேர்வு: வெறும் LLM அணுகுமுறைகளுடன் ஒப்பிடும்போது பாரம்பரிய ML ஐ LLMகளுடன் இணைப்பது சிறந்த கட்டுப்பாடு மற்றும் செலவு குறைந்த செயல்திறனை வழங்குகிறது. பாரம்பரிய ML நன்கு வரையறுக்கப்பட்ட பணிகளைக் கையாள்வதில் திறமையானது. விமர்சன சிறப்பம்சங்கள் அமைப்பு உணர்வு பகுப்பாய்வு மற்றும் தகவல் பிரித்தெடுத்தலுக்குப் பயன்படுத்தப்பட்டது போல இதனை பயன்படுத்தலாம். அமேசான் அணிகள் தேவைகளின் அடிப்படையில் பெரிய மற்றும் சிறிய மொழி மாதிரிகளை மூலோபாயமாக பயன்படுத்துகின்றன. அமேசான் மருந்தகத்தின் செயலாக்கம் போன்ற பயனுள்ள கள-குறிப்பிட்ட பயன்பாடுகளுக்கு RAG ஐ நுணுக்கத்துடன் இணைத்து வழங்குகின்றன.
• செலவு மேம்படுத்தும் உத்திகள்: அமேசான் குழு பல செயலாக்கம், அதிக அளவு செயல்பாடுகளுக்கான சேமிப்பு வழிமுறைகள், AWS Inferentia மற்றும் AWS Trainium போன்ற சிறப்பு நிகழ்வு வகைகள் மற்றும் உகந்ததாக்கப்பட்ட மாதிரித் தேர்வு மூலம் செயல்திறனை அடைந்துள்ளது. விமர்சன சிறப்பம்சங்கள் கணக்கீட்டு தேவைகளை எவ்வாறு குறைக்கிறது என்பதை நிரூபிக்கிறது. அதே நேரத்தில் அமேசான் விளம்பரம் ஆக்கப்பூர்வமான உள்ளடக்கத்தை உருவாக்க ஃபவுண்டேஷன் மாடல்களை பயன்படுத்துகிறது. இதன் மூலம் செலவு திறனுடன் உள்ளடக்கத்தை உருவாக்கிக்கொள்ளலாம்.
• தர உத்தரவாதம் மற்றும் கட்டுப்பாட்டு வழிமுறைகள்: தரக் கட்டுப்பாடு என்பது அமேசான் பெட்ராக் கார்டிரேல்கள் மூலம் கள-குறிப்பிட்ட பாதுகாப்பு நடவடிக்கைகள் மற்றும் தானியங்கி சோதனை மற்றும் மனித மதிப்பீட்டை உள்ளடக்கிய பல அடுக்கு சரிபார்ப்புகளை பயன்படுத்துவதைச் சார்ந்துள்ளது. உருவாக்கம் மற்றும் சரிபார்ப்புக்கு இரட்டை LLM முறையைப் பயன்படுத்துவது அமேசான் விற்பனையாளர் தரவு பட்டியலில் மாயத்தோற்றங்களைத் தடுக்க உதவும். அதே நேரத்தில் சுய பிரதிபலிப்புத் தொழில்நுட்பம் துல்லியத்தை அதிகரிக்கிறது. Amazon Nova உருவாக்கிய FM உள்ளார்ந்த பொறுப்பான AI கட்டுப்பாடுகளை வழங்குகிறது. மேலும் தொடர்ச்சியான A/B சோதனை மற்றும் செயல்திறன் அளவீடு மூலம் கூடுதலாக வழங்கப்படுகிறது.
• HITL செயல்படுத்துதல்: HITL அணுகுமுறை மருந்தாளர்களுக்கு நிபுணர் மதிப்பீடுகளை வழங்குவது முதல் விற்பனை கூட்டாளர்களுக்கு இறுதி பயனர் கருத்தைப் பெறுவது வரை பல அடுக்குகளை உள்ளடக்கியது. அமேசான் குழு ஒரு கட்டமைக்கப்பட்ட மேம்பாட்டு பணிப்பாய்வுகளை நிறுவியுள்ளது. இது குறிப்பிட்ட கள தேவைகள் மற்றும் அபாய சுயவிவரங்களின் அடிப்படையில் தன்னியக்கமாக்கல் மற்றும் மனித மேற்பார்வை ஆகியவற்றை சமநிலைப்படுத்துகிறது.
• பொறுப்பான AI மற்றும் இணக்கம்: பொறுப்பான AI நடைமுறைகளில் உள்ளடக்க நுகர்வுக்காக பாதுகாப்பான சூழல்கள் மற்றும் HIPAA போன்ற விதிமுறைகளை உள்ளடக்கியது. அமேசான் குழு பயனர் நோக்கிய பயன்பாடுகளுக்கு உள்ளடக்க மதிப்பாய்வை ஒருங்கிணைத்துள்ளது, விமர்சன சிறப்பம்சத்தின் வெளிப்படைத்தன்மையை வழங்குதல் மற்றும் ஒழுங்குமுறை தரத்தை அதிகரிக்கும் தரவு நிர்வாகத்தைச் செயல்படுத்துகிறது.

இந்த முறைகள் அளவிடக்கூடிய, நம்பகமான மற்றும் செலவு குறைந்த உருவாக்க AI தீர்வுகளை செயல்படுத்த உதவுகின்றன. அதே நேரத்தில் தரம் மற்றும் பொறுப்புணர்வு தரநிலைகளும் பராமரிக்கப்படுகின்றன. ஒரு பயனுள்ள தீர்வு மேம்பட்ட மாடல்களை மட்டுமல்லாமல் Architecture, செயல்பாடுகள் மற்றும் நிர்வாகம் ஆகியவற்றில் கவனமாக கவனம் செலுத்த வேண்டும். AWS சேவைகள் மற்றும் நிறுவப்பட்ட நடைமுறைகளால் வழங்கப்படும் ஆதரவையும் இந்த தீர்வு பெற்று இருக்கிறது.

அடுத்த கட்டம்

இந்தக் கட்டுரையில் பகிரப்பட்ட அமேசான் எடுத்துக்காட்டுகள் பாரம்பரிய உரையாடல் சார்ந்த உதவியாளர்களை விட உருவாக்க AI எவ்வாறு மதிப்பை உருவாக்குகிறது என்பதை விளக்குகின்றன. இந்த எடுத்துக்காட்டுகளைப் பின்பற்ற அல்லது உங்கள் சொந்த தீர்வுகளை உருவாக்க நாங்கள் உங்களை அழைக்கிறோம். உருவாக்கு AI உங்கள் வணிகத்தை அல்லது உங்கள் தொழில்துறையை எவ்வாறு மறுவடிவமைக்க முடியும் என்பதைப் புரிந்து கொள்ளுங்கள். கருத்தாக்க செயல்முறையைத் தொடங்க AWS உருவாக்க செயற்கை நுண்ணறிவு பயன்பாட்டு நிகழ்வு பக்கத்தைப் பார்வையிடலாம்.

பல்வேறு வகையான மாடல்கள் மற்றும் பணிப்பாய்வுகளை ஒருங்கிணைப்பதன் மூலம் பயனுள்ள உருவாக்க செயற்கை நுண்ணறிவு செயல்படுத்தல்கள் பயனுள்ளதாக இருக்கும் என்பதை இந்த எடுத்துக்காட்டுகள் நிரூபிக்கின்றன. AWS சேவைகள் எந்த FM களை ஆதரிக்கின்றன என்பதை அறிய, Amazon Bedrock இல் ஆதரிக்கப்படும்ஃபவுண்டேஷன் மாடல்கள் மற்றும் Amazon SageMaker JumpStartஃபவுண்டேஷன் மாடல்கள் என்பதைப் பார்க்கவும். பணிப்பாய்வுகளை உருவாக்கும் பாதையை எளிதாக்கும் Amazon Bedrock Flowsஐ ஆராய்வதும் பரிந்துரைக்கப்படுகிறது. கூடுதலாக, Trainium மற்றும் Inferentia ஆக்ஸிலரேட்டர்கள் இந்த பயன்பாடுகளில் கணிசமான செலவு சேமிப்பை வழங்கும் என்பதை நாங்கள் உங்களுக்கு நினைவூட்டுகிறோம்.

நாங்கள் விளக்கிய உதாரணங்களில் காட்டியுள்ளபடி, முகவர் பணிப்பாய்வு குறிப்பாக மதிப்புமிக்கதாக நிரூபிக்கப்பட்டுள்ளது. முகவர் பணிப்பாய்வுகளை விரைவாக உருவாக்க Amazon Bedrock Agentsஐ உலாவ பரிந்துரைக்கிறோம்.

உருவாக்கும் செயற்கை நுண்ணறிவை வெற்றிகரமாகச் செயல்படுத்துவது என்பது மாதிரித் தேர்வை மட்டுமல்ல. இது கண்காணிப்புக்கு ஒரு விரிவான மென்பொருள் மேம்பாட்டு செயல்முறையை பிரதிபலிக்கிறது. இந்த அடிப்படை சேவைகளில் உங்கள் அடித்தளத்தை உருவாக்கத் தொடங்க Amazon QuickStartஐ உலாவ உங்களை அழைக்கிறோம்.

அமேசான் செயற்கை நுண்ணறிவை எவ்வாறு பயன்படுத்துகிறது என்பதைப் பற்றி மேலும் அறிய அமேசான் செய்திகளில் செயற்கை நுண்ணறிவைப் பார்க்கவும்.