జనరేటివ్ ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ (AI) అనేది వివిధ రకాల అప్లికేషన్ల ద్వారా వ్యాపార కార్యకలాపాలను పూర్తిగా మార్చివేస్తోంది, వీటిలో అమెజాన్ యొక్క రూఫస్ (Rufus) మరియు అమెజాన్ సెల్లర్ అసిస్టెంట్ (Amazon Seller Assistant) వంటి సంభాషణ సహాయకులు ఉన్నాయి. అంతేకాకుండా, అత్యంత ప్రభావవంతమైన జనరేటివ్ AI అప్లికేషన్‌లలో కొన్ని నేపథ్య ప్రక్రియలలో స్వయంప్రతిపత్తితో పనిచేస్తాయి, ఇది సంస్థలు తమ కార్యకలాపాలు, డేటా ప్రాసెసింగ్ మరియు కంటెంట్ క్రియేషన్‌ను పెద్ద ఎత్తున మార్చడానికి వీలు కల్పిస్తుంది. ఈ నాన్-కాన్వర్సేషనల్ ఇంప్లిమెంటేషన్స్ సాధారణంగా పెద్ద భాషా నమూనాల (LLM) ద్వారా శక్తిని పొందిన ఏజెంట్ వర్క్‌ఫ్లోల రూపంలో ఉంటాయి, ఇవి ప్రత్యక్ష వినియోగదారు పరస్పర చర్య లేకుండా పరిశ్రమల అంతటా నిర్దిష్ట వ్యాపార లక్ష్యాలను నిర్వహిస్తాయి.
నిజ-సమయ వినియోగదారు అభిప్రాయం మరియు పర్యవేక్షణ నుండి ప్రయోజనం పొందే సంభాషణ అనువర్తనాలతో పోలిస్తే, సంభాషణయేతర అనువర్తనాలు అధిక జాప్యం సహనం, బ్యాచ్ ప్రాసెసింగ్ మరియు కాషింగ్ వంటి ప్రత్యేక ప్రయోజనాలను కలిగి ఉంటాయి, అయితే వాటి స్వయంప్రతిపత్తి స్వభావం బలమైన భద్రతా చర్యలు మరియు వివరణాత్మక నాణ్యత హామీలను కోరుతుంది.
ఈ కథనం అమెజాన్ యొక్క నాలుగు విభిన్న జనరేటివ్ AI అప్లికేషన్ కేసులను అన్వేషిస్తుంది:
- అమెజాన్ ఉత్పత్తి జాబితా సృష్టి మరియు కేటలాగ్ డేటా నాణ్యత మెరుగుదల - అమ్మకపు భాగస్వాములు మరియు అమెజాన్ అధిక నాణ్యత గల ఉత్పత్తి జాబితాలను సృష్టించడానికి LLMలు ఎలా సహాయపడతాయో ప్రదర్శిస్తుంది.
- అమెజాన్ ఫార్మసీ యొక్క ప్రిస్క్రిప్షన్ ప్రాసెసింగ్ - అధిక నియంత్రిత వాతావరణంలో అమలు మరియు ఏజెంట్ వర్క్‌ఫ్లోల కోసం టాస్క్ డికంపోజిషన్ చూపిస్తుంది.
- సమీక్ష ముఖ్యాంశాలు - పెద్ద ఎత్తున బ్యాచ్ ప్రాసెసింగ్, సాంప్రదాయ యంత్ర అభ్యాసం (ML) అనుసంధానం, చిన్న LLMల వినియోగం మరియు ఖర్చుతో కూడుకున్న పరిష్కారాలను వివరిస్తుంది.
- అమెజాన్ ప్రకటనల సృజనాత్మక చిత్రం మరియు వీడియో ఉత్పత్తి - సృజనాత్మక పనిలో బహుళ విధానాల జనరేటివ్ AI మరియు బాధ్యతాయుతమైన AI పద్ధతులను హైలైట్ చేస్తుంది.
ప్రతి కేస్ స్టడీ సాంకేతిక నిర్మాణం నుండి కార్యాచరణ పరిశీలనల వరకు సంభాషణయేతర జనరేటివ్ AI అనువర్తనాలను అమలు చేసే విభిన్న అంశాలను వెളിకితీస్తుంది. ఈ ఉదాహరణల ద్వారా, Amazon Bedrock మరియు Amazon SageMakerతో సహా AWS సేవల పూర్తి సూట్ విజయం సాధించడంలో ఎలా సహాయపడుతుందో మీరు అర్థం చేసుకుంటారు. చివరగా, వివిధ వినియోగ సందర్భాలలో సాధారణంగా భాగస్వామ్యం చేయబడిన కీలక అభ్యాసాలను మేము జాబితా చేస్తాము.
అమెజాన్‌లో అధిక-నాణ్యత ఉత్పత్తి జాబితాలను సృష్టించడం
సమగ్ర వివరాలతో అధిక-నాణ్యత ఉత్పత్తి జాబితాలను సృష్టించడం వినియోగదారులు సమాచారం ఆధారంగా కొనుగోలు నిర్ణయాలు తీసుకోవడానికి సహాయపడుతుంది. సాంప్రదాయకంగా, అమ్మకపు భాగస్వాములు ప్రతి ఉత్పత్తి యొక్క అనేక లక్షణాలను మాన్యువల్‌గా నమోదు చేస్తారు. 2024లో విడుదల చేయబడిన సరికొత్త జనరేటివ్ AI పరిష్కారం బ్రాండ్ వెబ్‌సైట్‌లు మరియు ఇతర మూలాధారాల నుండి ఉత్పత్తి సమాచారాన్ని చురుకుగా పొందడం ద్వారా కస్టమర్ అనుభవాన్ని మెరుగుపరచడం ద్వారా ఈ ప్రక్రియను మారుస్తుంది.
వివిధ ఫార్మాట్‌లలో (URLలు, ఉత్పత్తి చిత్రాలు లేదా స్ప్రెడ్‌షీట్‌ల వంటివి) సమాచారాన్ని నమోదు చేయడానికి మద్దతు ఇవ్వడం ద్వారా మరియు అవసరమైన నిర్మాణం మరియు ఫార్మాట్‌లోకి స్వయంచాలకంగా మార్చడం ద్వారా జనరేటివ్ AI అమ్మకపు భాగస్వాముల అనుభవాన్ని సులభతరం చేస్తుంది. 900,000 కంటే ఎక్కువ అమ్మకపు భాగస్వాములు దీన్ని ఉపయోగించారు మరియు ఉత్పత్తి చేయబడిన జాబితా ముసాయిదాలలో దాదాపు 80% కనీస సవరణలతో ఆమోదించబడ్డాయి. AI- రూపొందించిన కంటెంట్ సమగ్ర ఉత్పత్తి వివరాలను అందిస్తుంది, ఇది స్పష్టత మరియు ఖచ్చితత్వాన్ని మెరుగుపరచడానికి సహాయపడుతుంది, తద్వారా కస్టమర్ శోధనలలో ఉత్పత్తులను కనుగొనడానికి సహాయపడుతుంది.
కొత్త ఉత్పత్తి జాబితాల కోసం, వర్క్‌ఫ్లో అమ్మకపు భాగస్వామి ప్రారంభ సమాచారాన్ని అందించడంతో ప్రారంభమవుతుంది. ఆ తర్వాత, సిస్టమ్ శీర్షికలు, వివరణలు మరియు వివరణాత్మక లక్షణాలతో సహా సమగ్ర ఉత్పత్తి జాబితాను రూపొందించడానికి బహుళ సమాచార వనరులను ఉపయోగిస్తుంది. ఉత్పత్తి చేయబడిన జాబితా ఆమోదం లేదా సవరణ కోసం అమ్మకపు భాగస్వామితో భాగస్వామ్యం చేయబడుతుంది.
ఇప్పటికే ఉన్న ఉత్పత్తి జాబితాల కోసం, అదనపు డేటాతో మెరుగుపరచగల ఉత్పత్తులను సిస్టమ్ గుర్తిస్తుంది.
పెద్ద మొత్తంలో అవుట్‌పుట్ కోసం డేటా ఏకీకరణ మరియు ప్రాసెసింగ్
అమెజాన్ బృందం LLM- అనుకూల APIల కోసం బలమైన అంతర్గత మరియుబాహ్య మూల కనెక్టర్‌లను నిర్మించడానికి Amazon Bedrock మరియు ఇతర AWS సేవలను ఉపయోగించింది, తద్వారా Amazon.com బ్యాకెండ్ సిస్టమ్‌లలోకి సజావుగా ఏకీకరణ చేస్తుంది.
ప్రధాన సవాళ్లలో ఒకటి వచనం మరియు సంఖ్యలతో సహా 50 కంటే ఎక్కువ లక్షణాల ద్వారా విభిన్న డేటాను పొందికైన ఉత్పత్తి జాబితాగా సమీకరించడం. LLMలు వాణిజ్య భావనలను ఖచ్చితంగా వివరించడానికి నిర్దిష్ట నియంత్రణ యంత్రాంగాలు మరియు సూచనలు అవసరం, ఎందుకంటే అవి ఇంత సంక్లిష్టమైన మరియు విభిన్నమైన డేటాతో ఉత్తమ పనితీరును అందించకపోవచ్చు. ఉదాహరణకు, LLMలు కత్తి హోల్డర్‌లోని "సామర్థ్యాన్ని" స్లాట్‌ల సంఖ్యకు బదులుగా పరిమాణంగా లేదా "ఫిట్ వేర్‌ను" బ్రాండ్ పేరుకు బదులుగా శైలి వివరణగా తప్పుగా అర్థం చేసుకోవచ్చు. ఈ కేసులను పరిష్కరించడానికి ప్రాంప్ట్ ఇంజినీరింగ్ మరియు ఫైన్-ట్యూనింగ్ విస్తృతంగా ఉపయోగించబడ్డాయి.
ఉత్పత్తి మరియు ధ్రువీకరణ కోసం LLMలను ఉపయోగించడం
ఉత్పత్తి చేయబడిన జాబితా సంపూర్ణంగా మరియు ఖచ్చితమైనదిగా ఉండాలి. ఈ లక్ష్యాన్ని సాధించడానికి, పరిష్కారం లక్షణాల ఉత్పత్తి మరియు ధ్రువీకరణ కోసం LLMలను ఉపయోగించి బహుళ-దశల వర్క్‌ఫ్లోను అమలు చేస్తుంది. ఈ డ్యూయల్ LLM విధానం భ్రమలను నిరోధించడంలో సహాయపడుతుంది, ఇది భద్రతా ఆందోళనలు లేదా సాంకేతిక వివరణలను పరిష్కరించేటప్పుడు చాలా కీలకం. ఉత్పత్తి మరియు ధ్రువీకరణ ప్రక్రియలు ఒకదానికొకటి సమర్థవంతంగా పూర్తి చేస్తాయని నిర్ధారించడానికి బృందం అధునాతన స్వీయ-ప్రతిబింబ సాంకేతికతలను అభివృద్ధి చేసింది.
మానవ అభిప్రాయంతో బహుళ-స్థాయి నాణ్యత హామీ
పరిష్కారం యొక్క నాణ్యత హామీకి మానవ అభిప్రాయం కీలకం. ఈ ప్రక్రియలో Amazon.com నిపుణులచే ప్రాథమిక అంచనా మరియు ఆమోదం లేదా సవరణ కోసం అమ్మకపు భాగస్వాములు అందించే ఇన్‌పుట్ ఉన్నాయి. ఇది అధిక-నాణ్యత అవుట్‌పుట్‌ను అందిస్తుంది మరియు AI నమూనాని నిరంతరం మెరుగుపరచడానికి సహాయపడుతుంది.
నాణ్యత హామీ ప్రక్రియలో ML, అల్గారిథమ్‌లు లేదా LLM ఆధారిత మూల్యాంకనాలను మిళితం చేసే ఆటోమేటెడ్ పరీక్షా పద్ధతులు ఉంటాయి. విఫలమైన ఉత్పత్తి జాబితాలు తిరిగి ఉత్పత్తి చేయబడతాయి మరియు విజయవంతమైన ఉత్పత్తి జాబితాలు మరింత పరీక్షలకు గురవుతాయి. [కారణ అంచనా నమూనా]ను ఉపయోగించి, ఉత్పత్తి జాబితా పనితీరును ప్రభావితం చేసే అంతర్లీన లక్షణాలను మరియు మెరుగుపరచడానికి ఉన్న అవకాశాలను మేము ఖచ్చితంగా గుర్తిస్తాము. చివరికి, నాణ్యత తనిఖీ చేయడం మరియు అమ్మకపు భాగస్వామి ఆమోదించడం ద్వారా ఉత్పత్తి జాబితా ప్రచురించబడుతుంది, తద్వారా వినియోగదారులు ఖచ్చితమైన మరియు సమగ్ర ఉత్పత్తి సమాచారాన్ని అందుకుంటారని నిర్ధారిస్తుంది.
ఖచ్చితత్వం మరియు ఖర్చు కోసం అప్లికేషన్-స్థాయి సిస్టమ్ ఆప్టిమైజేషన్
ఖచ్చితత్వం మరియు సంపూర్ణత కోసం ఉన్నత ప్రమాణాలను దృష్టిలో ఉంచుకుని, బృందం సమగ్ర ప్రయోగాత్మక విధానాన్ని అవలంబించింది మరియు ఆటోమేటెడ్ ఆప్టిమైజేషన్ సిస్టమ్‌ను కలిగి ఉంది. ఖర్చుతో సహా అధిక వ్యాపార మెట్రిక్‌లను మెరుగుపరచడానికి ఈ సిస్టమ్ LLMలు, ప్రాంప్ట్‌లు, ప్లేబుక్‌లు, వర్క్‌ఫ్లోలు మరియు AI సాధనాల యొక్క వివిధ కలయికలను అన్వేషిస్తుంది. నిరంతర మూల్యాంకనం మరియు ఆటోమేటెడ్ పరీక్షల ద్వారా, ఉత్పత్తి ఉత్పత్తి జాబితా జనరేటర్ పనితీరు, ఖర్చు మరియు సామర్థ్యాన్ని సమర్థవంతంగా సమతుల్యం చేయగలదు, అదే సమయంలో కొత్త AI అభివృద్ధికి అనుగుణంగా ఉంటుంది. ఈ విధానం అంటే వినియోగదారులు అధిక-నాణ్యత ఉత్పత్తి సమాచారం నుండి ప్రయోజనం పొందగలరు మరియు అమ్మకపు భాగస్వామి సమర్థవంతంగా ఉత్పత్తి జాబితాను సృష్టించడానికి అత్యాధునిక సాధనాలను పొందగలరు.
అమెజాన్ ఫార్మసీలో జనరేటివ్ AI ఆధారిత ప్రిస్క్రిప్షన్ ప్రాసెసింగ్
ముందుగా చర్చించిన అమ్మకందారుల ఉత్పత్తి జాబితా ఉదాహరణలో, మానవ-యంత్ర హైబ్రిడ్ వర్క్‌ఫ్లో ఆధారంగా అమెజాన్ ఫార్మసీ సహిత ఆరోగ్య బీమా పోర్టబిలిటీ మరియు జవాబుదారీతనం చట్టం నియంత్రిత పరిశ్రమకు ఈ సూత్రాలను ఎలా వర్తింపజేస్తుందో చూపిస్తుంది. [అమెజాన్ ఫార్మసీ LLM ఆధారిత చాట్‌బాట్‌ను సృష్టించడానికి Amazon SageMakerను ఎలా ఉపయోగిస్తుందో తెలుసుకోండి]అనే కథనంలో, రోగుల సంరక్షణ నిపుణుల కోసం సంభాషణ సహాయకుడిని పంచుకున్నాము, ఇప్పుడు మేము ఆటోమేటెడ్ ప్రిస్క్రిప్షన్ ప్రాసెసింగ్‌పై దృష్టి పెడుతున్నాము.
అమెజాన్ ఫార్మసీలో, ఔషధ వివరణలను మరింత ఖచ్చితంగా మరియు సమర్థవంతంగా ప్రాసెస్ చేయడానికి ఫార్మసిస్ట్ టెక్నీషియన్లకు సహాయపడటానికి Amazon Bedrock మరియు SageMaker ఆధారంగా AI వ్యవస్థను అభివృద్ధి చేసాము. రోగుల ఔషధ వివరణల యొక్క ఖచ్చితత్వాన్ని మెరుగుపరచడానికి ఈ పరిష్కారం మానవ నిపుణులను LLMలతో ఏకీకృతం చేస్తుంది.
ఆరోగ్య సంరక్షణ ఖచ్చితత్వం కోసం అప్పగించిన వర్క్‌ఫ్లో డిజైన్
ప్రిస్క్రిప్షన్ ప్రాసెసింగ్ సిస్టమ్ దిశల సూచనలు మరియు అభిప్రాయాన్ని అందించడానికి మానవ నిపుణుల (డేటా ఎంట్రీ ఆపరేటర్లు మరియు ఫార్మసిస్ట్‌లు)తో కలిపి AI సహాయాన్ని ఉపయోగిస్తుంది. వర్క్‌ఫ్లో ఫార్మసీ నాలెడ్జ్ బేస్ ప్రీప్రాసెసర్‌తో ప్రారంభమవుతుంది, ఇది [Amazon DynamoDB]లోని ముడి ప్రిస్క్రిప్షన్ వచనాన్ని ప్రమాణీకరిస్తుంది, ఆపై మోతాదు, ఫ్రీక్వెన్సీ వంటి కీలక భాగాలను గుర్తించడానికి SageMakerలోని మైక్రో-ట్యూన్డ్ స్మాల్ లాంగ్వేజ్ మోడల్స్ (SLM)ని ఉపయోగిస్తుంది.
ఈ వ్యవస్థ డేటా ఎంట్రీ ఆపరేటర్లు మరియు ఫార్మసిస్ట్‌లు వంటి నిపుణులను సజావుగా ఏకీకృతం చేస్తుంది. ఇక్కడ జనరేటివ్ AI మొత్తం వర్క్‌ఫ్లోకు అనుబంధంగా ఉంటుంది. తద్వారా మా రోగులకు మెరుగైన సేవలను అందించడానికి చురుకుదనం మరియు ఖచ్చితత్వం మెరుగుపడుతుంది. ఆ తర్వాత, భద్రతా చర్యలతో కూడిన డైరెక్షన్ అసెంబ్లీ సిస్టమ్ డేటా ఎంట్రీ ఆపరేటర్‌లకు దిశలను రూపొందిస్తుంది. ట్యాగింగ్ మాడ్యూల్ దోషాలను గుర్తించి లేదా సరిచేస్తుంది. డేటా ఎంట్రీ ఆపరేటర్‌లకు అందించే అభిప్రాయంతోపాటు ఇతర భద్రతా చర్యలను అమలు చేస్తుంది. సాంకేతిక నిపుణులు చివరకు ఫార్మసిస్ట్‌లు అభిప్రాయాన్ని అందించడానికి లేదా దిగువ సేవలకు దిశలను అమలు చేయడానికి అత్యంత ఖచ్చితమైన, సురక్షితంగా టైప్ చేసిన డైరెక్షన్లను ఖరారు చేస్తారు.
ఈ పరిష్కారం యొక్క ప్రధానాంశం ఏమిటంటే టాస్క్ డికంపోజిషన్ వినియోగం. ఇది ఇంజనీర్లు మరియు శాస్త్రవేత్తలు మొత్తం ప్రక్రియను అనేక దశలుగా విభజించడానికి వీలు కల్పిస్తుంది. దీనిలో ఉప-దశలతో కూడిన వ్యక్తిగత మాడ్యూల్స్ ఉంటాయి. ఈ బృందం మైక్రో-ట్యూన్డ్ SLMలను విస్తృతంగా ఉపయోగించింది. అదనంగా, ఈ ప్రక్రియలో [గుర్తించబడిన ఎంటిటీ గుర్తింపు (NER)] లేదా తుది విశ్వాసాన్ని అంచనా వేయడానికి ఉదాహరణకు [రిగ్రెషన్ మోడల్]లను ఉపయోగించడం వంటి సాంప్రదాయ ML ప్రోగ్రామ్‌లను వర్తింపచేస్తారు. నియంత్రిత, స్పష్టంగా నిర్వచించబడిన ఈ ప్రక్రియలో SLM మరియు సాంప్రదాయ MLల వినియోగం ప్రాసెసింగ్ వేగాన్ని గణనీయంగా పెంచుతుంది. ఇది నిర్దిష్ట దశలలో సరైన భద్రతా చర్యలను చేర్చడం వల్ల కఠినమైన భద్రతా ప్రమాణాలను నిర్వహించగలదు.
ఈ వ్యవస్థలో స్పష్టంగా నిర్వచించబడిన అనేక ఉప-దశలు ఉన్నాయి. ప్రతి ఉప-ప్రక్రియ ప్రత్యేక భాగం వలె పని చేస్తుంది. ఇది మొత్తం లక్ష్యం వైపు వర్క్‌ఫ్లోలో పాక్షిక స్వయంప్రతిపత్తితో పనిచేస్తుంది. విచ్ఛిన్నం చేసే ఈ విధానం ప్రతి దశలో నిర్దిష్ట ధ్రువీకరణను కలిగి ఉంటుంది. ఇది ఎండ్-టు-ఎండ్ పరిష్కారం కంటే సమర్థవంతమైనదిగా నిరూపించబడింది. అలాగే ఇది మైక్రో-ట్యూన్డ్ SLMలను ఉపయోగించగలదు. ఈ బృందం వర్క్‌ఫ్లోను సమన్వయం చేయడానికి [AWS ఫార్గేట్‌]ను ఉపయోగించింది. ఎందుకంటే ఇది ప్రస్తుతం ఉన్న బ్యాకెండ్ సిస్టమ్‌లలోకి అనుసంధానించబడి ఉంది.
ఈ బృందం ఉత్పత్తి అభివృద్ధి ప్రక్రియలో Amazon Bedrockకు మారింది. ఇది అధిక పనితీరు గల LLMలను అందిస్తుంది మరియు తయారీ AI అనువర్తనాల కోసం రూపొందించిన సులభమైన లక్షణాలను కలిగి ఉంది. SageMaker మరింత LLM ఎన్నికకు మద్దతు ఇస్తుంది. ఇది మరింత లోతైన అనుకూలీకరణ మరియు సాంప్రదాయ ML పంథాలను అందిస్తుంది. ఈ సాంకేతికత గురించి మరింత తెలుసుకోవడానికి [టాస్క్ డికంపోజిషన్ మరియు చిన్న LLMలు AIని ఎలా మరింత ఆర్థికంగా మార్చగలవు]చదవండి మరియు [Amazon ఫార్మసీ వ్యాపార సందర్భోచిత అధ్యయనం]చదవండి.
భద్రతా చర్యలు మరియు HITLలతో విశ్వసనీయ అనువర్తనాన్ని నిర్మించడం
HIPAA ప్రమాణాలకు అనుగుణంగా ఉండటానికి మరియు రోగుల గోప్యతను అందించడానికి మేము కఠినమైన డేటా పాలన ఆచరణలను అమలు చేసాము. అయితే మేము Amazon Bedrock APIని ఉపయోగించి మైక్రో-ట్యూన్డ్ LLMలను మరియు [Amazon OpenSearch సర్వీస్]ను ఉపయోగించి రిట్రీవల్ పెంచిన తరలింపును మిళితం చేసే మిశ్రమ పద్ధతిని ఉపయోగిస్తున్నాము. ఈ కలయిక నిర్దిష్ట ఉపకార్యానికి అధిక ఖచ్చితత్వాన్ని కొనసాగించేటపుడు సమర్థవంతమైన జ్ఞాన తరలింపును శక్తివంతం చేస్తుంది.
వైద్య సంరక్షణ రంగంలో చాలా కీలకమైన LLM భ్రమలను నిర్వహించడానికి పెద్ద డేటా సెట్‌లలో మైక్రో-ట్యూనింగ్ చేయడం కంటే ఎక్కువ అవసరం. మా పరిష్కారం Amazon Bedrock Guardrails ఆధారంగా నిర్మించబడిన డొమైన్-నిర్దిష్ట భద్రతా చర్యలను అమలు చేసింది మరియు వ్యవస్థ విశ్వసనీయతను మెరుగుపరచడానికి మానవ-ఇన్-ది-లూప్ (HITL) పర్యవేక్షణ ద్వారా అనుబంధంగా అందించింది.
ఫార్మసిస్ట్‌ల నుండి నిజ-సమయ అభిప్రాయం మరియు విస్తరించిన ప్రిస్క్రిప్షన్ ఫార్మాట్ కార్యాచరణల ద్వారా Amazon ఫార్మసీ బృందం ఈ వ్యవస్థను మెరుగుపరచడం కొనసాగిస్తోంది. ఆవిష్కరణ, డొమైన్ నైపుణ్యం, అధునాతన AI సేవలు మరియు మానవ పర్యవేక్షణ యొక్క ఈ సమతుల్య విధానం కార్యాచరణ సామర్థ్యాన్ని పెంచడమే కాదు, AI వ్యవస్థ ఆరోగ్య సంరక్షణ నిపుణులను సరిగ్గా శక్తివంతం చేస్తుందని సూచిస్తుంది. తద్వారా రోగులకు ఉత్తమ సంరక్షణను అందిస్తుంది.
జనరేటివ్ AI ఆధారిత కస్టమర్ సమీక్ష ముఖ్యాంశాలు
మా మునుపటి ఉదాహరణలో అమెజాన్ ఫార్మసీ ప్రిస్క్రిప్షన్ ప్రాసెసింగ్ కోసం LLMలను నిజ-సమయ వర్క్‌ఫ్లోలో ఎలా సమగ్రపరుస్తుందో చూపిస్తుంది. ఈ వినియోగ సందర్భం సారూప్య సాంకేతిక పరిజ్ఞానాన్ని (SLM, సాంప్రదాయ ML మరియు ఆలోచనాత్మక వర్క్‌ఫ్లో డిజైన్) పెద్ద ఎత్తున [ఆఫ్‌లైన్ బ్యాచ్ అంచనా]కు ఎలా వర్తింపజేస్తుందో తెలియజేస్తుంది.
ప్రతి సంవత్సరం 200 మిలియన్లకు పైగా ఉత్పత్తి సమీక్షలు మరియు రేటింగ్‌లను ప్రాసెస్ చేయడానికి అమెజాన్ [AI రూపొందించిన కస్టమర్ సమీక్ష ముఖ్యాంశాలు]ను ప్రారంభించింది. ఈ కార్యాచరణ భాగస్వామ్యం చేయబడిన కస్టమర్ అభిప్రాయాలను సంక్షిప్త పేరాలుగా సంగ్రహిస్తుంది. ఇది ఉత్పత్తి మరియు దాని కార్యాచరణల గురించి సానుకూల, తటస్థ మరియు ప్రతికూల అభిప్రాయాన్ని హైలైట్ చేస్తుంది. షాపర్లు సంబంధిత కస్టమర్ సమీక్షలకు ప్రాప్తిని అందించడం ద్వారా మరియు అసలైన సమీక్షను నిలుపుకోవడం ద్వారా పారదర్శకతను కొనసాగిస్తూనే ఏకాభిప్రాయాన్ని త్వరగా గ్రహించగలరు.
ఈ వ్యవస్థ చిత్ర నాణ్యత, రిమోట్ కంట్రోల్ కార్యాచరణ లేదా ఫైర్ TV యొక్క సులభమైన సంస్థాపన వంటి నిర్దిష్ట లక్షణాలను ఎంచుకోవడం ద్వారా సమీక్ష ముఖ్యాంశాలను అన్వేషించడానికి వీలు కల్పించే ఇంటర్‌ఫేస్‌తో షాపింగ్ నిర్ణయాలను బలపరుస్తుంది. ఈ లక్షణాలు సానుకూల అభిప్రాయానికి ఆకుపచ్చ రంగు చెక్ మార్కుతో, ప్రతికూల అభిప్రాయానికి నారింజ మైనస్ గుర్తుతో మరియు తటస్థంగా ఉన్న అభిప్రాయానికి బూడిద రంగు గీతతో సూచించబడతాయి. అంటే ధృవీకరించబడిన కొనుగోలు సమీక్షల ఆధారంగా షాపర్లు ఉత్పత్తి యొక్క బలాలు మరియు బలహీనతలను త్వరగా గుర్తించగలరు.
ఖర్చుతో కూడుకున్న పద్ధతిలో ఆఫ్‌లైన్ వినియోగ సందర్భం కోసం LLMలను ఉపయోగించడం
సాంప్రదాయ ML పద్దతులతో ప్రత్యేక SLMలను మిళితం చేసే ఖర్చుతో కూడుకున్న మిశ్రమ నిర్మాణాన్ని ఈ బృందం అభివృద్ధి చేసింది. ఈ పద్ధతి మనోభావ విశ్లేషణ మరియు కీలకపదాల వెలికితీతను సాంప్రదాయ MLకి కేటాయిస్తుంది. అదే సమయంలో సంక్లిష్టమైన వచన ఉత్పత్తి పనుల కోసం ఆప్టిమైజ్ చేయబడిన SLMలను ఉపయోగిస్తుంది. తద్వారా ఖచ్చితత్వం మరియు ప్రాసెసింగ్ సామర్థ్యం మెరుగుపడుతుంది.
ఈ కార్యాచరణ [SageMaker బ్యాచ్ మార్పిడి]ని ఉపయోగించి అసమకాలిక ప్రాసెసింగ్ కోసం ఉపయోగిస్తుంది. ఇది నిజ-సమయ ముగింపులతో పోలిస్తే ఖర్చులను గణనీయంగా తగ్గిస్తుంది. సున్నా జాప్యంకు దగ్గరగా అనుభవాన్ని అందించడం కోసం పరిష్కారం సంగ్రహించబడిన అంతర్దృష్టులను మరియు ఇప్పటికే ఉన్న ముఖ్యాంశాలను [కాష్]చేస్తుంది. తద్వారా నిరీక్షణ సమయాన్ని తగ్గిస్తుంది మరియు అదనపు గణన లేకుండానే ఎక్కువ మంది వినియోగదారులు ఒకే సమయంలో ప్రాప్తి చేయడానికి అనుమతిస్తుంది. ఈ వ్యవస్థ కొత్త సమీక్షలను క్రమంగా ప్రాసెస్ చేస్తుంది. మొత్తం డేటా సెట్‌ను తిరిగి ప్రాసెస్ చేయకుండానే అంతర్దృష్టులను నవీకరిస్తుంది. ఉత్తమ పనితీరు మరియు ఖర్చు సమర్థతను పొందడానికి ఈ కార్యాచరణ బ్యాచ్ మార్పిడి కార్యాల కోసం [Amazon ఎలాస్టిక్ కంప్యూట్ క్లౌడ్](Amazon EC2) [Inf2 ఉదాహరణ]ను ఉపయోగిస్తుంది. ఇది [ప్రత్యామ్నాయాలతో పోలిస్తే 40% ఎక్కువ వ్యయ-పనితీరును అందిస్తుంది].
ఈ సమగ్ర పద్ధతికి అనుగుణంగా ఉండటం ద్వారా బృందం సమీక్షలను మరియు ఉత్పత్తులను సమర్థవంతంగా నిర్వహించింది. ఇది ద్రావణాన్ని సమర్థవంతంగా మరియు విస్తరించడానికి వీలు కల్పిస్తుంది.
అమెజాన్ ప్రకటనల AI నడిచే సృజనాత్మక చిత్రం మరియు వీడియో ఉత్పత్తి
మునుపటి ఉదాహరణలలో మేము ఎక్కువగా వచనం-కేంద్రీకృత జనరేటివ్ AI అనువర్తనాలను అన్వేషించాము. ఇప్పుడు మనం [అమెజాన్ ప్రకటనల స్పాన్సర్ చేయబడిన ప్రకటనల సృజనాత్మక కంటెంట్ ఉత్పత్తి]తో బహుళ విధాన జనరేటివ్ AIకి మారుతున్నాము. ఈ పరిష్కారానికి [చిత్రం] మరియు [వీడియో] ఉత్పత్తి కార్యాచరణలు ఉన్నాయి. ఈ ఫంక్షన్ల గురించిన వివరాలను ఈ విభాగంలో పంచుకుంటాము. మొత్తం మీద [అమెజాన్ నోవా] సృజనాత్మక కంటెంట్ ఉత్పత్తి నమూనాను ఈ పరిష్కారం యొక్క ప్రధానంగా ఉపయోగిస్తుంది.
కస్టమర్ అవసరాలను బట్టి అమెజాన్ 2023 మార్చిలో ఒక సర్వే నిర్వహించింది. ఇందులో దాదాపు 75% మంది ప్రకటనదారులు ప్రకటనల ప్రచారంలో విజయం సాధించడానికి ప్రయత్నిస్తున్నప్పుడు సృజనాత్మక కంటెంట్ ఉత్పత్తిని వారి ప్రధాన సవాలుగా పేర్కొన్నారు. చాలా మంది ప్రకటనదారులు (ముఖ్యంగా అంతర్గత సామర్థ్యం లేదా ఏజెన్సీ మద్దతు లేని వారు) అధిక-నాణ్యత దృశ్యాలను ఉత్పత్తి చేయడానికి నైపుణ్యం మరియు ఖర్చు కారణంగా ముఖ్యమైన అవరోధాలను ఎదుర్కొంటున్నారు. అమెజాన్ ప్రకటనల పరిష్కారం దృశ్య కంటెంట్ ఉత్పత్తిని ప్రజాస్వామ్యం చేస్తుంది. తద్వారా విభిన్న పరిమాణాల ప్రకటనదారులు దాన్ని ప్రాప్తి చేయడానికి మరియు సమర్థవంతంగా ఉపయోగించడానికి వీలు కల్పిస్తుంది. దీని ప్రభావం చాలా ఎక్కువ: [స్పాన్సర్ బ్రాండ్]ప్రకటనల ప్రచారంలో AI ద్వారా ఉత్పత్తి చేయబడిన చిత్రాలను ఉపయోగించే ప్రకటనదారుల [క్లిక్-త్రూ రేట్ (CTR)] దాదాపు 8% మరియు AIని ఉపయోగించని వారి కంటే 88% ఎక్కువ ప్రచారాలను సమర్పించారు.
గత సంవత్సరం AWS యంత్ర అభ్యాస బ్లాగ్ [చిత్రం ఉత్పత్తి పరిష్కారాన్ని వివరిస్తూ వివరంగా]ఒక కథనాన్ని ప్రచురించింది. అప్పటి నుండి అమెజాన్ సృజనాత్మక చిత్రం ఉత్పత్తికి పునాదిగా [Amazon Nova కాన్వాస్‌]ను స్వీకరించింది. వచనం ఆధారిత సవరణ లక్షణాలు మరియు రంగు పథకం మరియు లేఅవుట్ సర్దుబాటు నియంత్రణలతో కలిపి వచన లేదా ఇమేజ్ ప్రాంప్ట్‌లను ఉపయోగించి నిపుణుల స్థాయి చిత్రాలను సృష్టించండి.
2024 సెప్టెంబరులో, అమెజాన్ ప్రకటనల బృందం ఉత్పత్తి ఇమేజ్‌ల నుండి [చిన్న వీడియో ప్రకటనలను] సృష్టించే ఫంక్షన్‌ను జోడించింది. ఈ కార్యాచరణ సాధారణ భాషను ఉపయోగించి దృశ్య శైలి, వేగం, కెమెరా కదలిక, భ్రమణం మరియు కొలమానాన్ని నియంత్రించడం ద్వారా Amazon Bedrock నందు అందుబాటులో ఉన్న [పునాది నమూనాలు]ను ఉపయోగించి వినియోగదారులకు నియంత్రణను అందిస్తుంది. ఇది మొదట వీడియో స్టోరీ బోర్డ్‌ను వివరించడానికి ఆపై స్టోరీ కంటెంట్‌ను ఉత్పత్తి చేయడానికి ఏజెంట్ వర్క్‌ఫ్లోను ఉపయోగిస్తుంది.
అసలైన వ్యాసంలో చర్చించినట్లుగా [బాధ్యతాయుతమైన AI] ఈ పరిష్కారం యొక్క ప్రధాన అంశం మరియు Amazon Nova సృజనాత్మక నమూనా సురక్షితమైన మరియు బాధ్యతాయుతమైన AI వినియోగానికి మద్దతు ఇవ్వడానికి ఇన్ బిల్ట్ నియంత్రణలతో వస్తుంది. దీనిలో వాటర్‌మార్కింగ్ మరియు కంటెంట్ సమీక్ష ఉన్నాయి.
ఈ పరిష్కారం ఇమేజ్ మరియు వీడియో ఉత్పత్తి ప్రక్రియల యొక్క సర్వర్ లేని సమన్వయాన్ని సమన్వయం చేయడానికి [AWS స్టెప్ ఫంక్షన్స్]మరియు [AWS లాంబ్డా]ఫంక్షన్‌లను ఉపయోగిస్తుంది. ఉత్పత్తి చేయబడిన కంటెంట్ [Amazon సింపుల్ స్టోరేజ్ సర్వీస్](Amazon S3)లో నిల్వ చేయబడుతుంది. మెటాడేటా DynamoDBలో నిల్వ చేయబడుతుంది మరియు [Amazon API గేట్‌వే] ఉత్పత్తి ఫంక్షనాలిటీకి వినియోగదారు ప్రాప్తిని అందిస్తుంది. ఈ పరిష్కారం ఇప్పుడు ఇతర భద్రతా తనిఖీల కోసం [Amazon రెకాగ్నిషన్]మరియు [Amazon కాంప్రహెండ్]సమన్వయాన్ని అన్ని దశల్లో కొనసాగించడంతోపాటు Amazon Bedrock Guardrailsను కూడా స్వీకరించింది.
పెద్ద ఎత్తున అధిక-నాణ్యత ప్రకటనల సృష్టి సంక్లిష్టమైన సవాళ్లను తెస్తుంది. జనరేటివ్ AI ప్రతి రకమైన ఉత్పత్తికి మరియు ప్రకటనల వాతావరణంలో ఆకర్షణీయంగా ఉండేలా చూడాలి మరియు బ్రాండ్ ఇమేజ్‌కు సరిపోయేలా చూడాలి. అలాగే ఇది అన్ని సాంకేతిక స్థాయిల ప్రకటనదారులకు సులభంగా అందుబాటులో ఉండాలి. నాణ్యత హామీ మరియు మెరుగుదల చిత్రం మరియు వీడియో ఉత్పత్తి కార్యాచరణలకు పునాది. ఈ వ్యవస్థ [Amazon సాజిమెకర్ గ్రౌండ్ ట్రూత్] ద్వారా అమలు చేయబడిన విస్తృతమైన HITL ప్రక్రియ ద్వారా నిరంతరం మెరుగుపడుతుంది. ఈ అమలు ప్రకటనదారుల సృష్టి ప్రక్రియను మార్చగల శక్తివంతమైన సాధనాన్ని అందిస్తుంది. తద్వారా ప్రతి ఉత్పత్తి రకానికి మరియు వాతావరణంలో అధిక-నాణ్యత దృశ్య కంటెంట్ సులభంగా సృష్టించబడుతుంది.
ప్రకటనల లక్ష్యాల కోసం కంటెంట్‌ను సృష్టించాల్సిన ప్రకటనదారులకు సహాయం చేయడానికి అమెజాన్ ప్రకటనలు జనరేటివ్ AIని ఉపయోగించడానికి ఇది ఒక ప్రారంభం మాత్రమే. తక్కువ అవరోధాలు ఎలా ప్రచారాన్ని నేరుగా పెంచగలవో మరియు బాధ్యతాయుతమైన AI వినియోగం యొక్క ఉన్నత ప్రమాణాన్ని ఎలా కొనసాగించగలరో ఈ పరిష్కారం చూపుతుంది.
కీలక సాంకేతిక అనుభవం మరియు చర్చ
సంభాషణయేతర అనువర్తనాలు అధిక జాప్యాన్ని తట్టుకోగలగడంతో బ్యాచ్ ప్రాసెసింగ్ మరియు కాషింగ్‌ను ఉపయోగించే వెసులుబాటు ఉంది. కానీ వాటి స్వయంప్రతిపత్తి కారణంగా బలమైన ధ్రువీకరణ యంత్రాంగాలు మరియు మరింత దృఢమైన భద్రతా చర్యలు అవసరం. ఈ అంతర్దృష్టులు సంభాషణయేతర మరియు సంభాషణాత్మక AI అమలులకు వర్తిస్తాయి:
- **టాస్క్ డికంపోజిషన్ మరియు ఏజెంట్ వర్క్‌ఫ్లో-**సంక్లిష్టమైన సమస్యలను చిన్న భాగాలుగా విడదీయడం అన్ని అమలులలో విలువైనదిగా నిరూపించబడింది. డొమైన్ నిపుణులు చేసే ఈ ఆలోచనాత్మక విభజన నిర్దిష్ట ఉపవిభాగాల కోసం ప్రత్యేక నమూనాలను సృష్టించడానికి వీలు కల్పిస్తుంది. Amazon ఫార్మసీ ప్రిస్క్రిప్షన్ ప్రాసెసింగ్‌లో సూచించినట్లుగా మోతాదు గుర్తింపు వంటి వివిక్త పనులను నిర్వహించడానికి మైక్రో ట్యూన్డ్ SLMలు ఉపయోగపడతాయి. ఈ వ్యూహం స్పష్టమైన ధ్రువీకరణ దశలతో ప్రత్యేక ఏజెంట్‌లను సృష్టించడానికి అనుమతిస్తుంది. ఇది విశ్వసనీయతను పెంచడానికి మరియు నిర్వహణను సులభతరం చేయడానికి సహాయపడుతుంది. అమెజాన్ విక్రేతల ఉత్పత్తి సమాచారం తన ఉత్పత్తి మరియు ధ్రువీకరణ ప్రక్రియలతో ఈ విధానాన్ని ఉదహరించింది. అదనంగా సమీక్ష ముఖ్యాంశాలు సాంప్రదాయ MLని ఉపయోగించి ప్రాథమిక ప్రాసెసింగ్‌ను నిర్వహించడం మరియు LLM టాస్క్‌లకు సంబంధించిన కొన్ని భాగాలను అమలు చేయడం ద్వారా ఖర్చుతో కూడిన మరియు నియంత్రిత LLM వినియోగాన్ని చూపుతాయి.
- మిశ్రమ నిర్మాణాలు మరియు నమూనా ఎన్నిక - స్వచ్ఛమైన LLM పద్ధతులతో పోలిస్తే సాంప్రదాయ MLని LLMలతో కలపడం వలన అధిక నియంత్రణ మరియు ఖర్చు సమర్థత లభిస్తుంది. సాంప్రదాయ ML స్పష్టంగా నిర్వచించబడిన టాస్క్‌లను నిర్వహించడంలో నిష్ణాతులు. మనోభావ విశ్లేషణ మరియు సమాచారం వెలికితీత కోసం సమీక్ష ముఖ్యాంశాల వ్యవస్థ ఎంత ఉపయోగకరంగా ఉంటుందో చెప్పవచ్చు. అమెజాన్ బృందాలు అవసరానికి తగిన విధంగా పెద్ద మరియు చిన్న భాషా నమూనాలను వ్యూహాత్మకంగా ఉపయోగించాయి. అమెజాన్ ఫార్మసీలో LLM సమర్థవంతమైన ప్రత్యేక డొమైన్ అప్లికేషన్ల కోసం RAG మరియు ఫైన్ ట్యూనింగ్‌లను మిళితం చేసింది.
- వ్యయ ఆప్టిమైజేషన్ వ్యూహాలు - అమెజాన్ బృందాలు బ్యాచ్ ప్రాసెసింగ్, అధిక సామర్థ్య కార్యకలాపాల కోసం కాషింగ్ యంత్రాంగాలు మరియు [AWS Inferentia]మరియు [AWS Trainium]వంటి ప్రత్యేక ఉదాహరణ రకాల ద్వారా సామర్థ్యాన్ని సాధించాయి. Amazon Nova పునాది నమూనాలు ద్వారా సృజనాత్మక కంటెంట్‌ను ఆర్థికంగా ఉత్పత్తి చేయడం మరియు సమీక్ష ముఖ్యాంశాలు అభివృద్ధి చెందుతున్న అంతర్దృష్టులను చిన్న మొత్తంలో మెరుగుపరచడం ద్వారా గణన అవసరాలను తగ్గించాయి.
- నాణ్యత హామీ మరియు నియంత్రణ యంత్రాంగాలు - నాణ్యత నియంత్రణ Amazon Bedrock Guardrails ద్వారా డొమైన్ నిర్దిష్ట చర్యలను కలిగి ఉంది మరియు ఆటోమేటెడ్ పరీక్ష మరియు మానవ మూల్యాంకనంతో బహుళస్థాయి ధ్రువీకరణను మిళితం చేస్తుంది. అమెజాన్ విక్రేతల ఉత్పత్తి సమాచారంలో భ్రమలను నివారించడానికి ఉత్పత్తి మరియు ధ్రువీకరణ చేస్తున్నప్పుడు LLMలను ఉపయోగించడం వల్ల ఖచ్చితత్వం మెరుగుపడుతుంది. Amazon Nova సృజనాత్మక FM అంతర్గతంగా బాధ్యతాయుతమైన AI నియంత్రణను అందిస్తుంది మరియు నిరంతర A/B పరీక్షలు మరియు పనితీరు కొలతల ద్వారా అనుబంధంగా మద్దతు ఇస్తుంది.
- HITL అమలు - HITL పద్ధతి ఫార్మసిస్ట్‌ల నిపుణుల అంచనా నుండి అమ్మకందారుల తుది వినియోగదారు అభిప్రాయం వరకు చాలా స్థాయిలు ఉన్నాయి. అమెజాన్ బృందాలు నిర్దిష్ట ప్రాంత అవసరాలు మరియు ప్రమాద ప్రొఫైల్‌ల ఆధారంగా ఆటోమేషన్ మరియు మానవ పర్యవేక్షణను బ్యాలెన్స్ చేస్తూ మెరుగుదలల వర్క్‌ఫ్లోను కలిగి ఉన్నాయి.
- బాధ్యతాయుతమైన AI మరియు వర్తింపు - బాధ్యతాయుతమైన AI ఆచరణలు నియంత్రించబడిన వాతావరణాల కోసం కంటెంట్ ఇన్‌పుట్ భద్రతా చర్యలు మరియు HIPAA వంటి నిబంధనలకు లోబడి ఉంటాయి. Amazon సమీక్షల పారదర్శకతను కొనసాగించడానికి మరియు సమాచారంపై ప్రాప్యతను అందించడం ద్వారా సమీక్ష ముఖ్యాంశాల గురించి ఉపయోగదారులను హెచ్చరిస్తూనే ఉంది. నాణ్యత మరియు వర్తింపును మెరుగుపరచడానికి డేటా పాలనను అమలు చేసింది.
ఈ నమూనాలు నాణ్యత మరియు బాధ్యత ప్రమాణాలను నిర్వహిస్తూనే స్థాయిని పెంచడానికి, సామర్థ్యాన్ని సాధించడానికి మరియు ఆర్థికంగా జనరేటివ్ AI పరిష్కారాలను అమలు చేయడానికి అనుమతిస్తాయి. సమర్థవంతమైన పరిష్కారానికి నమూనాల ఎంపిక మాత్రమే కాదు AWS సేవలు మరియు స్థిరపడిన పద్ధతుల ద్వారా మద్దతుఇస్తూ జాగ్రత్తగా నిర్మాణం, కార్యాచరణ మరియు పాలనపై దృష్టి పెట్టాలని ఈ అమలులు చూపిస్తున్నాయి.
తదుపరి చర్యలు
ఈ కథనంలో పంచుకున్న Amazon ఉదాహరణలు సంభాషణ సహాయకులను అధిగమించి జనరేటివ్ AI ఎలా విలువను సృష్టిస్తుందో వివరిస్తాయి. జనరేటివ్ AI మీ వ్యాపారాన్ని లేదా చివరికి మీ పరిశ్రమను ఎలా మార్చగలదో తెలుసుకోవడానికి ఈ ఉదాహరణలను అనుసరించమని లేదా మీ స్వంత పరిష్కారాలను సృష్టించమని మేము మిమ్మల్ని ఆహ్వానిస్తున్నాము. ఆలోచన ప్రక్రియను ప్రారంభించడానికి మీరు AWS జనరేటివ్ AI వినియోగ సందర్భాల పేజీని సందర్శించవచ్చు.
వివిధ రకాలైన నమూనాలు మరియు వర్క్‌ఫ్లోలను కలపడం ద్వారానే సమర్థవంతమైన జనరేటివ్ AI అమలు ప్రయోజనం పొందుతుందని ఈ ఉదాహరణలు సూచిస్తున్నాయి. AWS సేవలు ఏ FMలకు మద్దతు ఇస్తాయో తెలుసుకోవడానికి [Amazon Bedrockలో మద్దతు ఉన్న పునాది నమూనాలు] మరియు [Amazon SageMaker JumpStart Foundation Models] చూడండి. మీరు వర్క్‌ఫ్లో తయారీ సులభం చేయడానికి ఉపయోగపడే [Amazon Bedrock Flows]ను కూడా చూడమని మేము సిఫార్సు చేస్తున్నాము. అదనంగా ఈ అప్లికేషన్‌లలో Trainium మరియు Inferentia యాక్సిలరేటర్‌లు ముఖ్యమైన ఖర్చు తగ్గింపులను అందిస్తున్నాయని మేము మీకు గుర్తు చేస్తున్నాము.
మేము వివరించిన ఉదాహరణలలో చూపిన విధంగానే ఏజెంట్ వర్క్‌ఫ్లో చాలా విలువైనదిగా నిరూపించబడింది. ఏజెంట్ వర్క్‌ఫ్లోను త్వరగా సృష్టించడానికి [Amazon Bedrock Agents]ను ఉపయోగించమని మేము సిఫార్సు చేస్తున్నాము.
జనరేటివ్ AIని విజయవంతంగా అమలు చేయడం అంటే మోడళ్లను ఎన్నుకోవడం మాత్రమే కాదు అభివృద్ధి ప్రక్రియలను పర్యవేక్షించడం నుండి అనువర్తనాలను ఎలా పరీక్షతో పరిశోధించాలో కూడా తెలుసుకోవాలి. ఈ ప్రాథమిక సేవలకు ఆధారంగా మీరు ప్రారంభించడానికి [Amazon QuickStart]ను తెరిచి చూడమని మిమ్మల్ని ఆహ్వానిస్తున్నాము.
Amazon AIని ఎలా ఉపయోగిస్తుందో మరింత తెలుసుకోవడానికి Amazon వార్తల్లోని [ కృత్రిమ మేధస్సు ]ను చూడండి.