مصنوعی ذہانت کے مددگار سے آگے: ایمازون کا کیس

تخلیقی مصنوعی ذہانت مختلف ایپلی کیشنز کے ذریعے کاروباری کاموں میں مکمل طور پر تبدیلی لا رہی ہے، جس میں ایمازون کے Rufus اور Amazon Seller Assistant جیسے مکالماتی معاونین شامل ہیں۔ اس کے علاوہ، تخلیقی مصنوعی ذہانت کی کچھ انتہائی بااثر ایپلی کیشنز پس منظر میں خود بخود چلتی ہیں، جو ایک لازمی خصوصیت ہے جو کاروباری اداروں کو اپنے کاموں، ڈیٹا پروسیسنگ اور مواد کی تخلیق کو بڑے پیمانے پر تبدیل کرنے کی صلاحیت فراہم کرتی ہے۔ یہ غیر مکالماتی عمل درآمد اکثر بڑے لسانی ماڈلز (LLM) کے ذریعے چلائے جانے والے ایجنٹ ورک فلو کی شکل میں ہوتے ہیں، جو کسی بھی براہ راست صارف کے تعامل کے بغیر مخصوص کاروباری اہداف کو مختلف صنعتوں میں انجام دیتے ہیں۔

ریئل ٹائم صارف کے تاثرات اور نگرانی سے فائدہ اٹھانے والی مکالماتی ایپلی کیشنز کے مقابلے میں، غیر مکالماتی ایپلی کیشنز میں زیادہ تاخیر برداشت کرنے کی صلاحیت، بیچ پروسیسنگ اور کیشنگ جیسی منفرد خوبیاں ہوتی ہیں، لیکن ان کی خودمختار نوعیت کے لیے مضبوط حفاظتی اقدامات اور تفصیلی معیار کی یقین دہانی کی ضرورت ہوتی ہے۔

یہ مضمون ایمازون کے تخلیقی مصنوعی ذہانت کے چار مختلف اطلاقی معاملات کی کھوج کرتا ہے:

• ایمازون پراڈکٹ لسٹنگ کی تخلیق اور کیٹلاگ ڈیٹا کے معیار میں بہتری - اس بات کو ظاہر کرتا ہے کہ کس طرح LLM فروخت کرنے والے شراکت داروں اور ایمازون کو بڑے پیمانے پر اعلیٰ معیار کی پراڈکٹ لسٹنگ بنانے میں مدد کر سکتا ہے۔
• ایمازون فارمیسی کی جانب سے نسخے کی کارروائی - ایک انتہائی باقاعدہ ماحول میں عمل درآمد اور ایجنٹ ورک فلو کے لیے ٹاسک کی خرابی کو ظاہر کرتا ہے۔
• جائزوں کی جھلکیاں - بڑے پیمانے پر بیچ پروسیسنگ، روایتی مشین لرننگ (ML) انضمام، چھوٹے LLM کے استعمال اور کم لاگت والے حل کی وضاحت کرتا ہے۔
• ایمازون ایڈورٹائزنگ تخلیقی تصاویر اور ویڈیوز کی تخلیق - تخلیقی کام میں ملٹی موڈل تخلیقی مصنوعی ذہانت اور ذمہ دارانہ مصنوعی ذہانت کے طریقوں کو اجاگر کرتا ہے۔

ہر کیس اسٹڈی غیر مکالماتی تخلیقی مصنوعی ذہانت کی ایپلی کیشنز کو نافذ کرنے کے مختلف پہلوؤں کو ظاہر کرتی ہے، بشمول تکنیکی فن تعمیر سے لے کر آپریشنل تحفظات تک۔ ان مثالوں کے ذریعے، آپ سمجھ جائیں گے کہ کس طرح AWS سروسز کا مکمل مجموعہ، بشمول Amazon Bedrock اور Amazon SageMaker، کامیابی کی کنجی ہے۔ آخر میں، ہم مختلف استعمال کے معاملات میں عام طور پر شیئر کیے جانے والے اہم اسباق کی فہرست دیتے ہیں۔

ایمازون پر اعلیٰ معیار کی پراڈکٹ لسٹنگ بنانا

جامع تفصیلات کے ساتھ اعلیٰ معیار کی پراڈکٹ لسٹنگ بنانے سے صارفین کو باخبر خریداری کے فیصلے کرنے میں مدد ملتی ہے۔ روایتی طور پر، فروخت کرنے والے شراکت دار ہر پروڈکٹ کی بہت سی خصوصیات کو دستی طور پر درج کرتے ہیں۔ 2024 میں متعارف کرایا گیا ایک نیا تخلیقی مصنوعی ذہانت کا حل برانڈ کی ویب سائٹس اور دیگر ذرائع سے فعال طور پر پروڈکٹ کی معلومات حاصل کرکے کسٹمر کے تجربے کو بہتر بنا کر اس عمل کو تبدیل کرتا ہے۔

تخلیقی مصنوعی ذہانت مختلف فارمیٹس (مثال کے طور پر، URL، پراڈکٹ تصاویر، یا اسپریڈ شیٹس) میں معلومات کے اندراج کی معاونت کرکے اور خود بخود مطلوبہ ساخت اور فارمیٹ میں تبدیل کرکے فروخت کرنے والے شراکت داروں کے تجربے کو آسان بناتی ہے۔ 900,000 سے زیادہ فروخت کرنے والے شراکت داروں نے اسے استعمال کیا ہے، اور تقریباً 80% تیار کردہ پراڈکٹ لسٹنگ کے مسودے کم سے کم تدوین کے ساتھ قبول کیے جاتے ہیں۔ مصنوعی ذہانت سے تیار کردہ مواد پروڈکٹ کی جامع تفصیلات فراہم کرتا ہے، جو وضاحت اور درستگی کو بہتر بنانے میں مدد کرتا ہے، اس طرح کسٹمر کی تلاش میں پروڈکٹ کو دریافت کرنے میں مدد ملتی ہے۔

نئی پراڈکٹ لسٹنگ کے لیے، ورک فلو فروخت کرنے والے شراکت دار کی جانب سے ابتدائی معلومات فراہم کرنے کے ساتھ شروع ہوتا ہے۔ پھر، سسٹم متعدد معلومات کے ذرائع کا استعمال کرتے ہوئے ایک جامع پراڈکٹ لسٹنگ تیار کرتا ہے، جس میں عنوان، تفصیل اور تفصیلی خصوصیات شامل ہیں۔ تیار کردہ پراڈکٹ لسٹنگ منظوری یا تدوین کے لیے فروخت کرنے والے شراکت دار کے ساتھ شیئر کی جاتی ہے۔

موجودہ پراڈکٹ لسٹنگ کے لیے، سسٹم ان پروڈکٹس کی شناخت کرتا ہے جنہیں اضافی ڈیٹا کے ساتھ بہتر بنایا جا سکتا ہے۔

بڑی مقدار میں آؤٹ پٹ کے لیے ڈیٹا کا انضمام اور پروسیسنگ

ایمازون ٹیم نے Amazon Bedrock اور دیگر AWS سروسز کا استعمال LLM دوستانہ APIs کے لیے مضبوط اندرونی اور بیرونی ماخذ کنیکٹرز بنانے کے لیے کیا، جس سے Amazon.com کے بیک اینڈ سسٹمز میں بغیر کسی رکاوٹ کے انضمام ہو سکے۔

ایک اہم چیلنج 50 سے زیادہ خصوصیات (بشمول متن اور اعداد) پر محیط مربوط پراڈکٹ لسٹنگ میں مختلف قسم کے ڈیٹا کو مربوط کرنا تھا۔ LLM کو ای کامرس کے تصورات کی درست تشریح کے لیے مخصوص کنٹرول میکانزم اور ہدایات کی ضرورت ہوتی ہے، کیونکہ وہ اتنے پیچیدہ، متنوع ڈیٹا کے ساتھ بہترین کارکردگی کا مظاہرہ نہیں کر سکتے ہیں۔ مثال کے طور پر، LLM چاقو کے بلاک میں "گنجائش" کو سائز کے بجائے سلاٹوں کی تعداد سمجھ سکتا ہے، یا "فٹ ویئر" کو برانڈ نام کے بجائے اسٹائل کی تفصیل سمجھ سکتا ہے۔ ان معاملات کو حل کرنے کے لیے پرامپٹ انجینئرنگ اور فائن ٹیوننگ کا بڑے پیمانے پر استعمال کیا گیا۔

LLM کا استعمال تخلیق اور توثیق کے لیے

تیار کردہ پراڈکٹ لسٹنگ مکمل اور درست ہونی چاہیے۔ اس مقصد کو حاصل کرنے میں مدد کرنے کے لیے، حل نے ایک کثیر قدمی ورک فلو نافذ کیا، جس میں خصوصیات کی تخلیق اور توثیق کے لیے LLM کا استعمال کیا گیا۔ یہ دوہری LLM نقطہ نظر فریب کاری کو روکنے میں مدد کرتا ہے، جو حفاظتی خطرات یا تکنیکی تفصیلات سے نمٹنے کے وقت بہت ضروری ہے۔ ٹیم نے اس بات کو یقینی بنانے کے لیے جدید خود شناسی تکنیک تیار کی کہ تخلیق اور توثیق کے عمل ایک دوسرے کے تکمیلی ہوں۔

انسانی آراء کے ساتھ کثیر سطحی معیار کی یقین دہانی

انسانی آراء حل کے معیار کی یقین دہانی کا مرکز ہیں۔ اس عمل میں Amazon.com کے ماہرین کی جانب سے ابتدائی تشخیص کے ساتھ ساتھ منظوری یا تدوین کے لیے ان پٹ فراہم کرنے والے سیلنگ پارٹنرز شامل ہیں۔ یہ اعلیٰ معیار کی آؤٹ پٹ فراہم کرتا ہے اور مصنوعی ذہانت ماڈل کو مسلسل تقویت دینے کی صلاحیت فراہم کرتا ہے۔

معیار کی یقین دہانی کے عمل میں ML، الگورتھم، یا LLM پر مبنی تشخیص کے ساتھ مل کر خودکار جانچ کے طریقے شامل ہیں۔ ناکام پراڈکٹ لسٹنگ کو دوبارہ تیار کیا جاتا ہے، اور کامیاب پراڈکٹ لسٹنگ کی مزید جانچ کی جاتی ہے۔ [علتی استدلال ماڈلز] کا استعمال کرتے ہوئے، ہم ان بنیادی خصوصیات کی نشاندہی کرتے ہیں جو پراڈکٹ لسٹنگ کی کارکردگی کو متاثر کرتی ہیں اور بہتری کے مواقع فراہم کرتی ہیں۔ آخر میں، وہ پراڈکٹ لسٹنگ جو کوالٹی چیک پاس کرتی ہیں اور جنہیں فروخت کرنے والے شراکت داروں کی جانب سے منظور کیا جاتا ہے، شائع کی جاتی ہیں، اس بات کو یقینی بناتی ہیں کہ صارفین کو درست اور جامع پروڈکٹ کی معلومات حاصل ہوں۔

درستگی اور لاگت کے لیے ایپلیکیشن لیول سسٹم کی اصلاح

درستگی اور سالمیت کے لیے اعلیٰ معیار کو مدنظر رکھتے ہوئے، ٹیم نے ایک جامع تجرباتی طریقہ کار اپنایا اور ایک خودکار اصلاحی نظام سے لیس تھی۔ یہ نظام LLM، اشارے، اسکرپٹس، ورک فلو اور مصنوعی ذہانت کے اوزاروں کے مختلف امتزاجات کو تلاش کرتا ہے تاکہ لاگت سمیت اعلیٰ کاروباری میٹرکس کو بہتر بنایا جا سکے۔ مسلسل تشخیص اور خودکار جانچ کے ذریعے، پروڈکٹ پراڈکٹ لسٹنگ جنریٹر مؤثر طریقے سے کارکردگی، لاگت اور کارکردگی کو متوازن کر سکتا ہے، جبکہ نئی مصنوعی ذہانت کی ترقی کے ساتھ خود کو ڈھالتا ہے۔ اس نقطہ نظر کا مطلب ہے کہ صارفین اعلیٰ معیار کی پروڈکٹ کی معلومات سے فائدہ اٹھا سکتے ہیں، اور فروخت کرنے والے شراکت داروں کو موثر طریقے سے پروڈکٹ لسٹنگ بنانے کے لیے جدید اوزاروں تک رسائی حاصل ہوتی ہے۔

ایمازون فارمیسی میں تخلیقی مصنوعی ذہانت پر مبنی نسخے کی کارروائی

فروخت کرنے والے کی پراڈکٹ لسٹنگ کی مثال میں جس پر پہلے تبادلہ خیال کیا گیا، انسان-مشین ہائبرڈ ورک فلو کی بنیاد پر، ایمازون فارمیسی نے ظاہر کیا کہ [صحت انشورنس پورٹیبلٹی اینڈ اکاونٹیبلٹی ایکٹ] (HIPAA) کے زیر نگرانی صنعت میں ان اصولوں کو کیسے لاگو کیا جا سکتا ہے۔ [ایمازون فارمیسی Amazon SageMaker کا استعمال کرتے ہوئے LLM پر مبنی چیٹ بوٹ کیسے بناتی ہے] کے بارے میں ایک مضمون میں، ہم نے مریض کی دیکھ بھال کے ماہرین کے لیے ایک مکالماتی معاون کے بارے میں بتایا، اب ہم خودکار نسخے کی کارروائی پر توجہ مرکوز کرتے ہیں۔

ایمازون فارمیسی میں، ہم نے Amazon Bedrock اور SageMaker پر مبنی ایک مصنوعی ذہانت کا نظام تیار کیا ہے تاکہ فارماسیوٹیکل ٹیکنیشنز کو ادویات کی ہدایات پر زیادہ درستگی اور کارکردگی کے ساتھ کارروائی کرنے میں مدد مل سکے۔ حل انسانی ماہرین کو LLM کے ساتھ تخلیق اور توثیق کے کردار میں ضم کرتا ہے تاکہ مریض کی دوائیوں کی ہدایات کی درستگی کو بہتر بنایا جا سکے۔

صحت کی دیکھ بھال میں درستگی کے لیے سپرد کردہ ورک فلو ڈیزائن

نسخے کی کارروائی کا نظام انسانی مہارت (ڈیٹا انٹری آپریٹرز اور فارماسسٹ) کو مصنوعی ذہانت کی مدد سے ملا کر ہدایات کی تجاویز اور آراء فراہم کرتا ہے۔ ورک فلو فارمیسی نالج بیس پری پروسیسر کے ساتھ شروع ہوتا ہے، جو [Amazon DynamoDB] میں خام نسخے کے متن کو معیاری بناتا ہے، پھر SageMaker پر فائن ٹیونڈ چھوٹے لسانی ماڈل (SLM) کا استعمال اہم اجزاء (خوراک، تعدد) کی شناخت کرتا ہے۔

یہ نظام ڈیٹا انٹری آپریٹرز اور فارماسسٹس جیسے ماہرین کو بغیر کسی رکاوٹ کے ضم کرتا ہے، جہاں تخلیقی مصنوعی ذہانت مجموعی ورک فلو کی تکمیل کرتی ہے، اس طرح چستی اور درستگی کو بہتر بناتی ہے، جس کے نتیجے میں ہمارے مریضوں کی بہتر خدمت ہوتی ہے۔ پھر، حفاظتی اقدامات کے ساتھ ہدایات اسمبلی نظام، ڈیٹا انٹری آپریٹرز کے لیے ہدایات تیار کرتا ہے تاکہ تجاویز ماڈیول کے ذریعے وہ ہدایات ٹائپ کر سکیں۔ ٹیگنگ ماڈیول غلطیوں کو ٹیگ یا درست کرتا ہے، اور ڈیٹا انٹری آپریٹرز کو فراہم کی جانے والی آراء کے طور پر اضافی حفاظتی اقدامات نافذ کرتا ہے۔ تکنیکی ماہرین آخر میں فارماسسٹ کو آراء فراہم کرنے یا ہدایات کو ڈاؤن اسٹریم خدمات کے لیے انجام دینے کے لیے انتہائی درست، محفوظ طریقے سے ٹائپ کی گئی ہدایات کو حتمی شکل دیتے ہیں۔

اس حل کی ایک خاص بات ٹاسک کی خرابی کا استعمال ہے، جس سے انجینئرز اور سائنسدانوں کو پورے عمل کو متعدد مراحل میں توڑنے کی اجازت ملتی ہے، جس میں ہر ماڈیول ذیلی مراحل پر مشتمل ہوتا ہے۔ ٹیم نے فائن ٹیونڈ SLM کا بڑے پیمانے پر استعمال کیا۔ اس کے علاوہ، اس عمل میں روایتی ML پروگراموں کو بھی شامل کیا گیا ہے، جیسے [نامزد اکائی کی شناخت (NER)] یا [ریگریشن ماڈل] کا استعمال حتمی وشوسنییتا کا اندازہ لگانے کے لیے۔ اس کنٹرول، واضح طور پر بیان کردہ عمل میں SLM اور روایتی ML کا استعمال پروسیسنگ کی رفتار کو نمایاں طور پر بڑھا سکتا ہے، جبکہ مخصوص مراحل میں مناسب حفاظتی اقدامات شامل کرنے کی وجہ سے سخت حفاظتی معیارات کو برقرار رکھا جا سکتا ہے۔

اس نظام میں متعدد واضح طور پر بیان کردہ ذیلی مراحل شامل ہیں، ہر ذیلی عمل ایک خصوصی جزو کے طور پر چلتا ہے، جو مجموعی مقصد کی جانب ورک فلو میں نیم خود مختار لیکن باہمی تعاون کے ساتھ کام کرتا ہے۔ یہ خرابی کا طریقہ کار ہر مرحلے پر مخصوص توثیق رکھتا ہے، جو اختتام سے آخر تک حل سے زیادہ موثر ثابت ہوتا ہے، جبکہ فائن ٹیونڈ SLM کا استعمال کیا جا سکتا ہے۔ ٹیم ورک فلو کو مربوط کرنے کے لیے [AWS Fargate] کا استعمال کرتی ہے، کیونکہ یہ فی الحال موجودہ بیک اینڈ سسٹم میں مربوط ہے۔

ٹیم کی پروڈکٹ ڈویلپمنٹ کے عمل میں، انہوں نے Amazon Bedrock کا رخ کیا، جو ایک اعلیٰ کارکردگی والا LLM پیش کرتا ہے، اور اس میں تخلیقی مصنوعی ذہانت کی ایپلی کیشنز کے لیے تیار کردہ استعمال میں آسان خصوصیات ہیں۔ SageMaker LLM کے مزید انتخاب، گہری سطح کی تخصیص اور روایتی ML طریقوں کی معاونت کرتا ہے۔ اس ٹیکنالوجی کے بارے میں مزید جاننے کے لیے، [ٹاسک کی خرابی اور چھوٹے LLM مصنوعی ذہانت کو زیادہ سستی کیسے بنا سکتے ہیں] اور [ایمازون فارمیسی کے کاروباری کیس اسٹڈی] پڑھیں۔

حفاظتی اقدامات اور HITL کے ساتھ قابل اعتماد ایپلیکیشن بنانا

HIPAA معیارات کی تعمیل کرنے اور مریض کی رازداری فراہم کرنے کے لیے، ہم نے سخت ڈیٹا گورننس کے طریقوں کو نافذ کیا، جبکہ ایک ہائبرڈ طریقہ اختیار کیا، جو Amazon Bedrock API کا استعمال کرتے ہوئے فائن ٹیونڈ LLM اور [Amazon OpenSearch Service] کا استعمال کرتے ہوئے [بازیابی میں اضافہ] (RAG) کو یکجا کرتا ہے۔ یہ مجموعہ مخصوص ذیلی کاموں کے لیے اعلیٰ درستگی کو برقرار رکھتے ہوئے، مؤثر طریقے سے علم کی بازیافت کو قابل بناتا ہے۔

LLM فریب کاری کا انتظام کرنا (جو صحت کی دیکھ بھال کے شعبے میں بہت ضروری ہے) بڑے ڈیٹا سیٹس پر صرف فائن ٹیوننگ سے کہیں زیادہ ضرورت ہے۔ ہمارے حل نے [Amazon Bedrock Guardrails] پر مبنی مخصوص ڈومین حفاظتی اقدامات نافذ کیے، اور سسٹم کی وشوسنییتا کو بہتر بنانے کے لیے انسان-مشین لوپ (HITL) کی نگرانی کے ذریعے اس کی تکمیل کی گئی۔

ایمازون فارمیسی ٹیم فارماسسٹ کی ریئل ٹائم آراء اور نسخے کی توسیعی فارمیٹ کاری کی صلاحیتوں کے ذریعے نظام کو مسلسل بہتر بنا رہی ہے۔ جدت، ڈومین کی مہارت، جدید مصنوعی ذہانت خدمات اور انسانی نگرانی کا یہ متوازن طریقہ نہ صرف آپریشنل کارکردگی کو بہتر بناتا ہے، بلکہ اس کا مطلب یہ بھی ہے کہ مصنوعی ذہانت کا نظام صحت کی دیکھ بھال کے پیشہ ور افراد کو صحیح طریقے سے بااختیار بنانے کے قابل ہے، اس طرح مریض کی بہترین دیکھ بھال فراہم کی جاتی ہے۔

تخلیقی مصنوعی ذہانت پر مبنی کسٹمر کے جائزوں کی جھلکیاں

ہماری پچھلی مثال میں ایمازون فارمیسی نے ظاہر کیا کہ LLM کو نسخے کی کارروائی کے لیے ریئل ٹائم ورک فلو میں کیسے ضم کیا جا سکتا ہے، جبکہ یہ استعمال کا معاملہ ظاہر کرتا ہے کہ کس طرح اسی طرح کی ٹیکنالوجی (SLM، روایتی ML، اور سوچ سمجھ کر ورک فلو ڈیزائن) کو بڑے پیمانے پر [آف لائن بیچ تخمینہ] پر لاگو کیا جا سکتا ہے۔

ایمازون نے 200 ملین سے زیادہ سالانہ پروڈکٹ کے جائزوں اور درجہ بندیوں پر کارروائی کرنے کے لیے [مصنوعی ذہانت سے تیار کردہ کسٹمر کے جائزوں کی جھلکیاں] متعارف کرائی ہیں۔ یہ خصوصیت مشترکہ کسٹمر کے تاثرات کو جامع پیراگراف میں تبدیل کرتی ہے، جس میں پروڈکٹ اور اس کی خصوصیات کے بارے میں مثبت، غیر جانبدار اور منفی آراء کو اجاگر کیا جاتا ہے۔ خریدار تیزی سے اتفاق رائے کو سمجھ سکتے ہیں، جبکہ متعلقہ کسٹمر کے جائزوں تک رسائی فراہم کرکے اور اصل جائزوں کو برقرار رکھ کر شفافیت برقرار رکھتے ہیں۔

یہ نظام ایک ایسے انٹرفیس کے ذریعے خریداری کے فیصلوں کو بہتر بناتا ہے جس کے ذریعے صارفین مخصوص خصوصیات (جیسے تصویر کا معیار، ریموٹ کنٹرول کی فعالیت، یا Fire TV کی آسانی سے تنصیب) کو منتخب کرکے جائزوں کی جھلکیاں دریافت کر سکتے ہیں۔ ان خصوصیات کو سبز رنگ کے چیک مارکس سے مثبت جذبات، نارنجی منفی علامت سے منفی جذبات اور سرمئی رنگ سے غیر جانبدار جذبات سے ظاہر کیا جاتا ہے – اس کا مطلب ہے کہ خریدار تصدیق شدہ خریداری کے جائزوں کی بنیاد پر پروڈکٹ کی خوبیوں اور خامیوں کی فوری طور پر شناخت کر سکتے ہیں۔

کم لاگت طریقے سے آف لائن استعمال کے معاملات کے لیے LLM کا استعمال

ٹیم نے روایتی ML طریقوں کو خصوصی SLM کے ساتھ ملا کر ایک کم لاگت والا ہائبرڈ فن تعمیر تیار کیا۔ اس طریقہ کار میں جذبات کے تجزیے اور کلیدی الفاظ کے استخراج کو روایتی ML کے لیے مختص کیا گیا ہے، جبکہ پیچیدہ متن کی تخلیق کے کاموں کے لیے بہتر کردہ SLM کا استعمال کیا گیا ہے، اس طرح درستگی اور پروسیسنگ کی کارکردگی میں بہتری آئی ہے۔

اس خصوصیت میں غیر مطابقت پذیر پروسیسنگ کے لیے [SageMaker بیچ کی تبدیلی] استعمال کی جاتی ہے، جس سے ریئل ٹائم اینڈ پوائنٹس کے مقابلے میں لاگت میں نمایاں کمی کی جا سکتیہے۔ تقریباً صفر تاخیر کا تجربہ فراہم کرنے کے لیے، حل نکالی گئی بصیرت اور موجودہ جائزوں کو [کیش] کرتا ہے، اس طرح انتظار کے وقت کو کم کرتا ہے اور اضافی حساب کتاب کی ضرورت کے بغیر متعدد صارفین کو بیک وقت رسائی کی اجازت دیتا ہے۔ یہ نظام نئے جائزوں پر بتدریج کارروائی کرتا ہے، مکمل ڈیٹا سیٹ پر دوبارہ کارروائی کیے بغیر بصیرت کو اپ ڈیٹ کرتا ہے۔ بہترین کارکردگی اور لاگت کی تاثیر کے لیے، یہ خصوصیت بیچ تبدیلی کے کاموں کے لیے [Amazon Elastic Compute Cloud] (Amazon EC2) [Inf2 مثالوں] کا استعمال کرتی ہے، [جو متبادل کے مقابلے میں 40% تک بہتر کارآمدگی کی فراہمی فراہم کرتی ہے]۔

اس جامع طریقہ کار پر عمل کرکے، ٹیم جائزوں اور پروڈکٹس کی بڑی مقدار پر کارروائی کرتے ہوئے مؤثر طریقے سے لاگت کا انتظام کرتی ہے، اس طرح حل کو موثر اور قابل توسیع بنایا جاتا ہے۔

ایمازون اشتہار مصنوعی ذہانت سے چلنے والی تخلیقی امیج اور ویڈیو کی تخلیق

پچھلی مثالوں میں، ہم نے زیادہ تر متن پر مبنی تخلیقی مصنوعی ذہانت کی ایپلی کیشنز کی کھوج کی، اب ہم [ایمازون اشتہار اسپانسرڈ اشتہارات تخلیقی مواد کی تخلیق] کے ساتھ ملٹی موڈل تخلیقی مصنوعی ذہانت کی جانب بڑھیں گے۔ اس حل میں [امیج] اور [ویڈیو] کی تخلیق کی فعالیت موجود ہے، ہم ان خصوصیات کے بارے میں اس سیکشن میں تفصیلی معلومات شیئر کریں گے۔ مجموعی طور پر، اس حل کے مرکز میں [ایمازون نووا] تخلیقی مواد کی تخلیق کا ماڈل استعمال کیا گیا ہے۔

کسٹمر کی ضروریات کی بنیاد پر، ایمازون کی جانب سے مارچ 2023 میں کرائے جانے والے ایک سروے سے معلوم ہوا کہ تقریباً 75% مشتہرین نے تشہیری مہم میں کامیابی حاصل کرنے کی کوشش کرتے وقت تخلیقی مواد کی تخلیق کو اپنے اہم چیلنج کے طور پر درج کیا۔ بہت سے مشتہرین (خاص طور پر وہ جن کے پاس اندرونی صلاحیت یا ایجنسی سپورٹ نہیں ہے) کو اعلیٰ معیار کے بصری اثرات تیار کرنے کی مہارت اور لاگت کی وجہ سے سنگین رکاوٹوں کا سامنا ہے۔ ایمازون اشتہار حل بصری مواد کی تخلیق کو جمہوری بناتا ہے، جس سے مختلف سائز کے مشتہرین کے لیے رسائی آسانی سے دستیاب ہو جاتی ہے۔ اس کا اثر بہت بڑا ہے: [اسپانسرڈ برانڈ] کی تشہیری مہم میں مصنوعی ذہانت سے تیار کی گئی تصاویر استعمال کرنے والے مشتہرین کی [کلک تھرو ریٹ (CTR)] تقریباً 8% ہے، اور نان صارفین کے مقابلے میں 88% زیادہ تشہیری مہم جمع کرائی جاتی ہے۔

پچھلے سال، AWS مشین لرننگ بلاگ نے [امیج تخلیق کے حل کی تفصیلات] پر ایک مضمون شائع کیا۔ اس کے بعد سے، ایمازون نے تخلیقی امیج کی تخلیق کی بنیاد کے طور پر [Amazon Nova Canvas] کو اپنایا ہے۔ متن یا امیج اشارے کا استعمال کرنا، ٹیکسٹ پر مبنی تدوین کی فعالیت اور رنگ سکیم اور لے آؤٹ ایڈجسٹمنٹ کنٹرول کے ساتھ مل کر پروفیشنل درجے کی تصاویر تیار کریں۔

ستمبر 2024 میں، ایمازون اشتہار ٹیم نے پروڈکٹ تصاویر سے [مختصر ویڈیو اشتہار] بنانے کی فعالیت شامل کی۔ یہ خصوصیت [Amazon Bedrock پر دستیاب فاؤنڈیشن ماڈلز] کا استعمال کرتی ہے، جو قدرتی زبان کے ذریعے بصری اسٹائل، رفتار، کیمرے کی حرکت، گردش اور زومنگ کو کنٹرول کرکے صارفین کو کنٹرول فراہم کرتی ہے۔ یہ ویڈیو اسٹوری بورڈ کی وضاحت کرنے اور پھر اسٹوری کا مواد تیار کرنے کے لیے ایک ایجنٹ ورک فلو استعمال کرتا ہے۔

جیسا کہ اصل مضمون میں تبادلہ خیال کیا گیا ہے، [ذمہ دارانہ مصنوعی ذہانت] اس حل کا مرکز ہے، اور Amazon Nova تخلیقی ماڈل محفوظ اور ذمہ دارانہ مصنوعی ذہانت کے استعمال کی معاونت کے لیے بلٹ ان کنٹرولز کے ساتھ آتا ہے، بشمول واٹر مارک اور مواد کی جانچ۔

یہ حل امیج اور ویڈیو کی تخلیق کے عمل کی بے سرور کوآرڈینیشن کے لیے [AWS Step Functions] اور [AWS Lambda] فنکشنز کا استعمال کرتا ہے۔ تیار کردہ مواد [Amazon Simple Storage Service] (Amazon S3) میں اسٹور کیا جاتا ہے، میٹا ڈیٹا DynamoDB میں اسٹور کیا جاتا ہے، جبکہ [Amazon API Gateway] صارفین کو تخلیق کی فعالیت تک رسائی فراہم کرتا ہے۔ یہ حل اب اضافی حفاظتی جانچ کے لیے مختلف مراحل میں [Amazon Rekognition] اور [Amazon Comprehend] انضمام کو برقرار رکھنے کے علاوہ، Amazon Bedrock Guardrails کو بھی اپناتا ہے۔

بڑے پیمانے پر اعلیٰ معیار کے تشہیری تخلیقی مواد کی تخلیق پیچیدہ چیلنجز لاتی ہے۔ تخلیقی مصنوعی ذہانت ماڈلز کو مختلف پروڈکٹ کیٹیگریز اور تشہیری ماحول میں دل چسپ اور برانڈ کی تصویر کے مطابق تصاویر تیار کرنے کی ضرورت ہے، جبکہ یہ یقینی بنانا ہے کہ تمام تکنیکی سطح کے مشتہرین کے لیے اس تک رسائی آسان ہو۔ معیار کی یقین دہانی اور بہتری امیج اور ویڈیو کی تخلیق کی فعالیت کی بنیاد ہیں۔ یہ نظام [Amazon SageMaker Ground Truth] کے ذریعے نافذ کیے گئے وسیع HITL عمل کے ذریعے مسلسل تقویت پاتا ہے۔ اس نفاذ سے ایک طاقت ور آلے کی فراہمی ہوتی ہے جو مشتہرین کے تخلیقی عمل کو تبدیل کر سکتا ہے، اس طرح مختلف پروڈکٹ کیٹیگریز اور ماحول میں اعلیٰ معیار کے بصری مواد کی تخلیق آسان ہو جاتی ہے۔

یہ صرف ایمازون اشتہار کا آغاز ہے جو اشتہار کے اہداف کے مطابق مواد بنانے کی ضرورت والے مشتہرین کی مدد کے لیے تخلیقی مصنوعی ذہانت کا استعمال کرتا ہے۔ یہ حل ظاہر करता ہے کہ تخلیق کی رکاوٹوں کو کم کرنے سے تشہیری مہم کو براہ راست کیسے بہتر بنایا جا سکتا ہے، جبکہ ذمہ دارانہ مصنوعی ذہانت کے استعمال کے اعلیٰ معیار کو برقرار رکھا جا سکتا ہے۔

اہم تکنیکی تجربات اور بحث

غیر مکالماتی ایپلی کیشنز زیادہ تاخیر برداشت करने की क्षमता سے فائدہ اٹھاتی ہیں، जिससे بیچ پروسیسنگ और कैッシング को सक्षम किया जा सकता है, لیکن ان کی автономیت की वजह से, मजबूत توثیقی میکانزم اور سخت حفاظتی اقدامات کی ضرورت ہوتی ہے۔ یہ بصیرتیں غیر مکالماتی اور مکالماتی مصنوعی ذہانت کے دونوں نفاذوں پر لاگو ہوتی ہیں:

• ٹاسک کی خرابی اور ایجنٹ ورک فلو – پیچیدہ مسئلے को چھوٹے اجزاء میں तोड़ने کے طریقہ کار کو مختلف نفاذ میں قیمتی ثابت کیا گیا ہے۔ ڈومین کے ماہرین کے ذریعے کی جانے والی यह معقول خرابی مخصوص ذیلی کاموں کے لیے خصوصی ماڈل بنانے کی क्षमता प्रदान करती है، جیسا کہ ایمازون فارمیسی की جانب से نسخے پر کارروائی करने के मामले में میں دکھایا گیا ہے، جہاں فائن ٹیونڈ SLM الگ الگ کاموں کو سنبھال سکتا ہے जैसे खुराक की पहचान। यह стратеजी स्पष्ट توثیقی مراحل کے ساتھ विशेष ایجنٹ بنانے کی اجازت देती है، जिससे وشوسنییتا میں بہتری آتی ہے اور دیکھ بھال सरलहो जाती है। ایمازون سیلر پراڈکٹ لسٹنگ کے इस्तेमाल سے معلوم ہوا کہ اس کے ملٹی اس مرحلے کے ورک فلو میں الگ تخلیق اور توثیق کرنے کے عمل ہیں۔ اس کے علاوہ، ریوو کی فوکل پوائنٹ کی مثال، کم لاگت اور منظم LLM کی طرف اشارہ کرتی है، یعنی روایتی MLతో ప్రీ-प्रोసెసింగ్ اور ایل ایل ایم کے ذریعے ان کاموں کو انجام देना ہے۔
• مخلوط فن تعمیر اور ماڈل کا انتخاب – خالص LLM طریقوں کے مقابلے میں، روایتی ML को LLM کے ساتھ ملانے سے سے زیادہ بہتر نظم و نسق اور لاگت کی کارکردگی حاصل کی جا سکتی ہے۔ روایتی ML واضح طور پر بیان کردہ کاموں کو سنبھالنے میں माहिर ہے، جیسا کہ ریویو فوکل اپوائنٹمنٹ سسٹم جذبات کے تجزیے اور માહિતી نکالنے کے लिए استعمال किया جاتا ہے۔ ایمازون کی ٹیموں نے ضروریات کے مطابق बड़े اور چھوٹے زبانی ماڈلز کو حکمت عملی سے متعین کیا ہے، اور کارآمد مخصوص ڈومین ایپلی کیشنز کے لیے ٹھیک ٹیوننگ کے ساتھ ایک ساتھ RAG का इस्तेमाल किया है, جیسے ایمازون فارمیسی का نفاذ।
• لاگت کی اصلاح حکمت عملیاں – ایمازون کی ٹیموں نے بیچ پروسیسنگ, بڑے حجم वाले آپریشنز کے لیےکیشिंग میکانزم کا استعمال, اور خصوصی مثال کے طور پر [AWS Inferentia] اور [AWS Trainium] جیسے استعمال해서 효율یت میں اضافہ کیا ہے۔ रेवेरे के महत्वपूर्ण बिंदुओं को प्रदर्शित करना यह दर्शाता है कि गणना आवश्यकताओं को कैसे कम करना किया जाए, और ایمازون ایڈورٹائزنگ Amazon Nova [फाউنڈেশন ମେଡেল] (FM) استعمال करके कम खर्च करके تخلیقی कंटेंट بنانا۔
• کوالٹی کی یقین دہانی اور کنٹرول میکانزم – کوالٹی کا نظم کرنا Amazon Bedrock Guardrails ਦੇ माध्यम से ਖੇਤਰ ਦੇ आधार ‘ਤੇ, ਆٹੋਮੇਟਿਡ ਆਡਿਟ ਅਤੇ ਹਿਊਮਨ ਮੈਨੂੰ ਵਿਚਾਰਾਂ ਨਾਲ ਬਹੁ-ਲੇਅਰ ਪ੍ਰਮਾਣੂ ਸ਼ਾਮਲ ਹੁੰਦਾ ਹੈ। ایک ڈوئل ایل ایل ایم اپروچ تشکیل دینا اور سیلر پروڈکٹ کی معلومات خود سے ظاہر करना और आत्म-दर्शन प्रक्रियाओं का प्रयोग करने से शुद्धता में सुधार होता हैं। Amazon Nova एक FM को रचनात्मक रूप से प्रदान करता है, इस प्रकार उन जिम्मेदारताओं से बचा जाता है जिन्हें A/B اختبار और प्रदर्शन मूल्यांकन के द्वारा पूरा करना पड़ता है।
• HITL لاگونے – HITL طريقه کار کئی ਤਰ੍ਹਾਂ ਦੇ ਹੈ, ਫਾਰਮਾਕੀਟਸ ਦੀ ਤਰ੍ਹਾਂ ਇਸਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ। ਅਤੇ ਵਿਕਰੀ ਭਾਈਵਾਲों ਦੇ ਪ੍ਰਬੰਧਕਾਂ ਦੀ ਜਾਣਕਾਰੀ ਨਾਲ, ਇਹੀ ਰੋਜ਼ਾਨਾ ਕਾਰਜ ਕਰਨ ਦੇ ਤਰੀਕੇ ਹਨ। amazon کی ٹیم ﺳﺎﺯﻧﮧ ﺩﺍﺭ ﯾﻢﺗﺮﻗﯽ ﻭﺭ ورک فلوﺯ ﻧﮯ ਵਧਦੀ ਜ਼ੋਨ کی ضرورت کو دیکھ ﺳਮﺗﻮਲ ﺑﻨایا ہے۔
• ایمنجنس اور ذمہ داری के लिए जिम्मेदारी का प्रबंधन करने की आदतें और नियमों का पालन చేయడం – જવાબદاری એમનેਜમنٹ પ્રેક્ટિકल्सમા રેગ્યુலேટેડ હેરિટેજને કાબૂમાં રાખવાની સુરক্ষাના નિયમો અને HIPAA ના નિયમો ਦਾ સમાવેશ થાય છે। ایمیزون ٹیم نے گاہکوں کے لیے موزوں مواد پر نظرثانی کی، جائیداد سے متعلق जानकारी प्रदान करने के लिए रिविव फोल्डर को पारदर्शी रखने और गुणवत्ता और अनुपालन को बेहतर बनाने के लिए निगरानी के साथ ایک ڈیٹا گورننس ایمپوریم قائم کرنے کی کوشش کی ہے۔

ان نمونوں کے ذریعے، قابل توسیع، قابل اعتبار اور قابل تبادلہ تخلیق کنندہ حل کو مکمل طور پر نافذ کیا جا سکتا ہے، جبکہ معیار اور ذمہ داری کے معقول پیمانے کو بھی برقرار رکھا جا سکتا ہے۔ یہ معلومات حاصل کرنے کے لیے، درست حل بنانے کے لیے عمارت، آپریشنز اور درستگی پر خاص طور پر توجہ دینا ضروری ہے۔

آئندہ قدم

یہ مضمون میں ایمیزون نمائشों کے ذریعے دکھائے گئے ہیں کہ تخلیق کننده искусственный интеллект کی قدر کس طرح کی જાਵੇ۔ اس کا مطلب ہے کہ وہ اپنی کمپنیوں کو سنبھال کر ان میں کیسے لا सकते ہیں। مزید जानकारी کے लिए آپ AWS जेनेरेटिव आर्टिफिशियल इंटेलिजेंस کی تفصیلات ملاحظہ کر सकते ہیں۔

इन उदाहरणों से पता चलता है कि एक प्रभावी जनरेटिव एआई कार्यान्वयन अक्सर विभिन्न प्रकार के मॉडलों और वर्कफ़्लो के संयोजन से लाभान्वित होता है। यह जानने के लिए कि एडब्ल्यूএস सेवाएं किन एफएम का समर्थन करती हैं, अमेज़न बेड रॉक में समर्थित फाउंडेशन मॉडल और अमेज़न सेज मेकर जम्पस्टार्ट फाउंडेशन मॉडल देखें। हम अनुशंसा करते हैं कि आप अमेज़न बेड रॉक फ्लो को भी एक्सप्लोर करें, जो वर्कफ़्लो के निर्माण के रास्ते को सरल बनाता है। इसके अतिरिक्त, हम आपको याद दिलाते हैं कि Trainium और Inferentia त्वरक इन अनुप्रयोगों में महत्वपूर्ण लागत बचत प्रदान करते हैं।

जैसा कि हमने उदाहरणों द्वारा दिखाया है, एजेंट वर्कफ़्लो विशेष रूप से मूल्यवान साबित हुए हैं। हम आपको एजेंट वर्कफ़्लो को जल्दी से बनाने के लिए अमेज़न बेड रॉक एजेंट्स ब्राउज़ करने के लिए प्रोत्साहित करते हैं।

सफल जनरेटिव एआई कार्यान्वयन मॉडल चयन से कहीं अधिक है - यह प्रयोग से लेकर एप्लिकेशन मॉनिटरिंग तक संपूर्ण सॉफ्टवेयर विकास प्रक्रिया का प्रतिनिधित्व करता है। इन बुनियादी सेवाओं पर एक नींव बनाना शुरू करने के लिए, हम आपको अमेज़न क्विकस्टार्ट को ब्राउज़ करने के लिए invit करते हैं।

ई-कॉमर्स के लिए डेटा-चालित जनरेटिव एआई को सक्षम करने के लिए, एडब्ल्यूएस मार्केटप्लेस की जनरेटिव एआई पेशकशों का अन्वेषण करें।

जनरेटिव एआई के माध्यम से एमेजॉन क्या कर रहा है इसके बारे में और जानने के लिए, एमेजॉन समाचार में कृत्रिम बुद्धिमत्ता देखें।