مع ظهور حلول الذكاء الاصطناعي التوليدية، تجد المؤسسات طرقًا مختلفة لتطبيق هذه التقنيات للتفوق على منافسيها. فالتطبيقات الذكية، المدعومة بنماذج أساسية متقدمة (FMs) مدربة على مجموعات بيانات ضخمة، يمكنها الآن فهم اللغة الطبيعية، وتفسير المعنى والقصد، وتوليد استجابات ذات صلة بالسياق وشبيهة بالبشر. وهذا يغذي الابتكار عبر الصناعات، حيث يُظهر الذكاء الاصطناعي الإنتاجي إمكانات هائلة لتعزيز عدد لا يحصى من العمليات التجارية، بما في ذلك ما يلي:
- تسريع البحث والتطوير من خلال توليد الفرضيات وتصميم التجارب بشكل آلي
- اكتشف الرؤى المخفية من خلال تحديد الاتجاهات والأنماط الدقيقة في البيانات
- أتمتة عمليات التوثيق التي تستغرق وقتًا طويلاً
- توفير تجربة أفضل للعملاء مع التخصيص
- تلخيص البيانات من مصادر المعرفة المختلفة
- تعزيز إنتاجية الموظفين من خلال تقديم توصيات التعليمات البرمجية البرمجية
أمازون بيدروك هي خدمة مُدارة بالكامل تجعل من السهل إنشاء تطبيقات الذكاء الاصطناعي المنتجة وتوسيع نطاقها. تقدم Amazon Bedrock مجموعة مختارة من نماذج الأساس عالية الأداء من شركات الذكاء الاصطناعي الرائدة، بما في ذلك AI21 Labs وAnthropic وCohere وMeta وStability AI وAmazon، عبر واجهة برمجة تطبيقات واحدة. فهو يمكّنك من تخصيص FMs بشكل خاص مع بياناتك باستخدام تقنيات مثل الضبط الدقيق والهندسة السريعة وتوليد الاسترجاع المعزز (RAG)، وإنشاء وكلاء يقومون بتشغيل المهام باستخدام أنظمة مؤسستك ومصادر البيانات الخاصة بك مع الامتثال لمتطلبات الأمان والخصوصية .
نناقش في هذا المنشور كيفية استخدام القدرات الشاملة لـ Amazon Bedrock لأداء مهام الأعمال المعقدة وتحسين تجربة العملاء من خلال توفير التخصيص باستخدام البيانات المخزنة في قاعدة بيانات مثل الأمازون الأحمر. نحن نستخدم تقنيات هندسية سريعة لتطوير المطالبات وتحسينها باستخدام البيانات المخزنة في قاعدة بيانات Redshift لاستخدام النماذج الأساسية بكفاءة. لقد قمنا ببناء مخطط رحلات سفر إبداعي مخصص يعتمد على الذكاء الاصطناعي كجزء من هذا المثال ونوضح كيف يمكننا تخصيص خط سير رحلة لمستخدم بناءً على حجزه وبيانات ملف تعريف المستخدم المخزنة في Amazon Redshift.
الهندسة السريعة
الهندسة السريعة هي العملية التي يمكنك من خلالها إنشاء وتصميم مدخلات المستخدم التي يمكنها توجيه حلول الذكاء الاصطناعي التوليدية لإنشاء المخرجات المطلوبة. يمكنك اختيار أنسب العبارات والتنسيقات والكلمات والرموز التي توجه النماذج الأساسية وبالتالي تطبيقات الذكاء الاصطناعي التوليدية للتفاعل مع المستخدمين بشكل أكثر فائدة. يمكنك استخدام أساليب الإبداع والتجربة والخطأ لإنشاء مجموعة عند مطالبات الإدخال، بحيث يعمل التطبيق كما هو متوقع. الهندسة السريعة تجعل تطبيقات الذكاء الاصطناعي التوليدية أكثر كفاءة وفعالية. يمكنك تغليف مدخلات المستخدم المفتوحة داخل الموجه قبل تمريرها إلى FMs. على سبيل المثال، قد يقوم المستخدم بإدخال بيان مشكلة غير مكتمل، مثل "مكان شراء قميص". داخليًا، يستخدم رمز التطبيق موجهًا هندسيًا يقول: "أنت مساعد مبيعات في شركة ملابس. يسألك أحد المستخدمين، المقيم في ألاباما، الولايات المتحدة، عن مكان شراء قميص. قم بالرد بأقرب ثلاثة مواقع للمتاجر التي تخزن قميصًا حاليًا. يقوم نموذج الأساس بعد ذلك بإنشاء معلومات أكثر دقة وذات صلة.
يتطور مجال الهندسة السريعة باستمرار ويحتاج إلى التعبير الإبداعي ومهارات اللغة الطبيعية لضبط المطالبات والحصول على المخرجات المطلوبة من FMs. يمكن أن تحتوي المطالبة على أي من العناصر التالية:
- تعليمات – مهمة أو تعليمات محددة تريد من النموذج أن يؤديها
- السياق – معلومات خارجية أو سياق إضافي يمكنه توجيه النموذج نحو استجابات أفضل
- ادخال البيانات – الإدخال أو السؤال الذي تريد العثور على إجابة له
- مؤشر الإخراج – نوع أو تنسيق الإخراج
يمكنك استخدام الهندسة السريعة لحالات استخدام مؤسسية مختلفة عبر قطاعات الصناعة المختلفة، مثل ما يلي:
- المصرفية والمالية – تعمل الهندسة السريعة على تمكين النماذج اللغوية من توليد التنبؤات وإجراء تحليل المشاعر وتقييم المخاطر وصياغة استراتيجيات الاستثمار وإنشاء التقارير المالية وضمان الامتثال التنظيمي. على سبيل المثال، يمكنك استخدام نماذج اللغة الكبيرة (LLMs) للتنبؤ المالي من خلال توفير البيانات ومؤشرات السوق كمطالبات.
- الرعاية الصحية وعلوم الحياة - يمكن أن تساعد الهندسة السريعة المتخصصين في المجال الطبي على تحسين أنظمة الذكاء الاصطناعي للمساعدة في عمليات صنع القرار، مثل التشخيص أو اختيار العلاج أو تقييم المخاطر. يمكنك أيضًا تصميم المطالبات لتسهيل المهام الإدارية، مثل جدولة المريض أو حفظ السجلات أو إعداد الفواتير، وبالتالي زيادة الكفاءة.
- خدمات البيع بالتجزئة – يمكن للهندسة السريعة أن تساعد تجار التجزئة على تنفيذ روبوتات الدردشة لمعالجة طلبات العملاء الشائعة مثل الاستعلامات حول حالة الطلب والمرتجعات والمدفوعات والمزيد، باستخدام تفاعلات اللغة الطبيعية. يمكن أن يؤدي ذلك إلى زيادة رضا العملاء والسماح أيضًا لفرق خدمة العملاء البشرية بتكريس خبراتهم لقضايا العملاء المعقدة والحساسة.
في المثال التالي، قمنا بتنفيذ حالة استخدام من صناعة السفر والضيافة لتنفيذ مخطط رحلة سفر مخصص للعملاء الذين لديهم خطط سفر قادمة. نوضح كيف يمكننا بناء روبوت محادثة مبتكر يعمل بالذكاء الاصطناعي ويتفاعل مع المستخدمين من خلال إثراء المطالبات من بيانات ملف تعريف المستخدم المخزنة في قاعدة بيانات Redshift. نرسل بعد ذلك هذه المطالبة الغنية إلى ماجستير إدارة الأعمال، على وجه التحديد، Anthropic's Claude on Amazon Bedrock، للحصول على خطة سفر مخصصة.
أعلنت Amazon Redshift عن ميزة تسمى أمازون Redshift ML وهذا يجعل من السهل على محللي البيانات ومطوري قواعد البيانات إنشاء نماذج التعلم الآلي (ML) وتدريبها وتطبيقها باستخدام أوامر SQL المألوفة في مستودعات بيانات Redshift. ومع ذلك، يستخدم هذا المنشور شهادات LLM المستضافة على Amazon Bedrock لتوضيح التقنيات الهندسية السريعة العامة وفوائدها.
حل نظرة عامة
لقد بحثنا جميعًا في الإنترنت عن أشياء يجب القيام بها في مكان معين أثناء أو قبل الذهاب في إجازة. في هذا الحل، نوضح كيف يمكننا إنشاء خط سير سفر مخصص وشخصي يمكن للمستخدمين الرجوع إليه، والذي سيتم إنشاؤه بناءً على هواياتهم واهتماماتهم وأطعمةهم المفضلة والمزيد. يستخدم الحل بيانات الحجز الخاصة بهم للبحث عن المدن التي سيذهبون إليها، بالإضافة إلى تواريخ السفر، ويخرج بقائمة دقيقة وشخصية من الأشياء التي يجب القيام بها. يمكن أن يستخدم قطاع السفر والضيافة هذا الحل لتضمين مخطط رحلة سفر مخصص في بوابة حجز السفر الخاصة بهم.
يحتوي هذا الحل على مكونين رئيسيين. أولاً، نقوم باستخراج معلومات المستخدم مثل الاسم والموقع والهوايات والاهتمامات والطعام المفضل، بالإضافة إلى تفاصيل حجز السفر القادم. باستخدام هذه المعلومات، نقوم بتجميع مطالبة المستخدم معًا وتمريرها إلى Anthropic's Claude على Amazon Bedrock للحصول على خط سير رحلة شخصي. يوفر الرسم التخطيطي التالي نظرة عامة عالية المستوى على سير العمل والمكونات المشاركة في هذه البنية.
أولاً، يقوم المستخدم بتسجيل الدخول إلى تطبيق chatbot، والذي تتم استضافته خلف Application Load Balancer ويتم المصادقة عليه باستخدام أمازون كوجنيتو. نحصل على معرف المستخدم من المستخدم باستخدام واجهة chatbot، والتي يتم إرسالها إلى الوحدة الهندسية السريعة. يتم استخراج معلومات المستخدم مثل الاسم والموقع والهوايات والاهتمامات والطعام المفضل من قاعدة بيانات Redshift بالإضافة إلى تفاصيل حجز السفر القادمة مثل مدينة السفر وتاريخ تسجيل الوصول وتاريخ تسجيل المغادرة.
المتطلبات الأساسية المسبقة
قبل نشر هذا الحل، تأكد من إعداد المتطلبات الأساسية التالية:
نشر هذا الحل
استخدم الخطوات التالية لنشر هذا الحل في بيئتك. الكود المستخدم في هذا الحل متاح في جيثب ريبو.
الخطوة الأولى هي التأكد من أن الحساب ومنطقة AWS حيث يتم نشر الحل لديهما إمكانية الوصول إلى نماذج قاعدة Amazon Bedrock.
- في وحدة تحكم Amazon Bedrock، اختر الوصول إلى النموذج في جزء التنقل.
- اختار إدارة الوصول إلى النموذج.
- اختر نموذج كلود الأنثروبي، ثم اختر حفظ التغييرات.
قد يستغرق الأمر بضع دقائق حتى تتغير حالة الوصول تم منح حق الوصول.
بعد ذلك، نستخدم ما يلي تكوين سحابة AWS قالب لنشر أمازون Redshift Serverless الكتلة جنبا إلى جنب مع جميع المكونات ذات الصلة، بما في ذلك الأمازون الحوسبة المرنة السحابية (Amazon EC2) لاستضافة تطبيق الويب.
- اختار قم بتشغيل Stack لبدء تشغيل مكدس CloudFormation:
- قم بتوفير اسم المكدس وزوج مفاتيح SSH، ثم قم بإنشاء المكدس.
- على المكدس النواتج علامة التبويب، احفظ القيم الخاصة باسم مجموعة عمل قاعدة بيانات Redshift، وARN السري، وURL، ودور خدمة Amazon Redshift ARN.
أنت الآن جاهز للاتصال بمثيل EC2 باستخدام SSH.
- افتح عميل SSH.
- حدد موقع ملف المفتاح الخاص الذي تم إدخاله أثناء تشغيل مكدس CloudFormation.
- قم بتغيير أذونات ملف المفتاح الخاص إلى 400 (
chmod 400 id_rsa). - اتصل بالمثيل باستخدام عنوان DNS أو IP العام الخاص به. على سبيل المثال:
- قم بتحديث ملف التكوين
personalized-travel-itinerary-planner/core/data_feed_config.iniباستخدام المنطقة واسم مجموعة العمل وARN السري الذي قمت بحفظه مسبقًا.
- قم بتشغيل الأمر التالي لإنشاء كائنات قاعدة البيانات التي تحتوي على معلومات المستخدم وبيانات حجز السفر:
يقوم هذا الأمر بإنشاء مخطط السفر مع الجداول المسماة user_profile و hotel_booking.
- قم بتشغيل الأمر التالي لبدء خدمة الويب:
في الخطوات التالية، عليك إنشاء حساب مستخدم لتسجيل الدخول إلى التطبيق.
- في وحدة تحكم Amazon Cognito، اختر تجمعات المستخدمين في جزء التنقل.
- حدد مجمع المستخدمين الذي تم إنشاؤه كجزء من مجموعة CloudFormation (travelplanner-user-pool).
- اختار خلق المستخدم.
- أدخل اسم المستخدم، والبريد الإلكتروني، وكلمة المرور، ثم اختر خلق المستخدم.
يمكنك الآن تحديث عنوان URL لرد الاتصال في Amazon Cognito.
- على
travelplanner-user-poolصفحة تفاصيل مجمع المستخدمين، انتقل إلى تكامل التطبيق علامة التبويب. - في مجلة قائمة عملاء التطبيق القسم، اختر العميل الذي قمت بإنشائه (
travelplanner-client). - في مجلة واجهة المستخدم المستضافة القسم، اختر تعديل.
- في حالة URL، أدخل عنوان URL الذي نسخته من مخرجات مكدس CloudFormation (تأكد من استخدام الأحرف الصغيرة).
- اختار حفظ التغييرات.
اختبر المحلول
يمكننا الآن اختبار الروبوت من خلال طرح الأسئلة عليه.
- في نافذة متصفح جديدة، أدخل عنوان URL الذي نسخته من مخرجات مكدس CloudFormation وقم بتسجيل الدخول باستخدام اسم المستخدم وكلمة المرور اللذين قمت بإنشائهما. قم بتغيير كلمة المرور إذا طُلب منك ذلك.
- أدخل معرف المستخدم الذي تريد استخدام معلوماته (في هذا المنشور، نستخدم معرف المستخدم 1028169).
- اطرح أي سؤال على الروبوت.
فيما يلي بعض الأمثلة على الأسئلة:
- هل يمكنك التخطيط لخط سير مفصل لرحلتي في شهر يوليو؟
- هل يجب أن أحمل سترة لرحلتي القادمة؟
- هل يمكنك أن توصي ببعض الأماكن للسفر في شهر مارس؟
باستخدام معرف المستخدم الذي قدمته، ستقوم وحدة هندسة المطالبة باستخراج تفاصيل المستخدم وتصميم رسالة مطالبة، بالإضافة إلى السؤال الذي طرحه المستخدم، كما هو موضح في لقطة الشاشة التالية.
النص المميز في لقطة الشاشة السابقة هو المعلومات الخاصة بالمستخدم التي تم استخراجها من قاعدة بيانات Redshift ودمجها مع بعض الإرشادات الإضافية. يتم أيضًا استدعاء عناصر الموجه الجيد مثل التعليمات والسياق وبيانات الإدخال ومؤشر الإخراج.
بعد تمرير هذه المطالبة إلى LLM، نحصل على الإخراج التالي. في هذا المثال، قامت LLM بإنشاء خط سير سفر مخصص للتواريخ المحددة للحجز القادم للمستخدم. كما أخذت في الاعتبار هوايات المستخدم واهتماماته وطعامه المفضل أثناء التخطيط لمسار الرحلة هذا.
 |
 |
تنظيف
لتجنب تكبد رسوم مستمرة، قم بتنظيف البنية الأساسية لديك.
- في وحدة تحكم AWS CloudFormation ، اختر كومات في جزء التنقل.
- حدد المكدس الذي قمت بإنشائه واختياره حذف.
وفي الختام
في هذا المنشور، أوضحنا كيف يمكننا هندسة المطالبات باستخدام البيانات المخزنة في Amazon Redshift والتي يمكن تمريرها إلى Amazon Bedrock للحصول على استجابة محسنة. يوفر هذا الحل طريقة مبسطة لإنشاء تطبيق ذكاء اصطناعي مولد باستخدام البيانات الخاصة الموجودة في قاعدة البيانات الخاصة بك. من خلال هندسة المطالبات المخصصة بناءً على البيانات الموجودة في Amazon Redshift وجعل Amazon Bedrock ينشئ استجابات، يمكنك الاستفادة من الذكاء الاصطناعي التوليدي بطريقة مخصصة باستخدام مجموعات البيانات الخاصة بك. وهذا يسمح بمخرجات أكثر تحديدًا وذات صلة وتحسينًا مما قد يكون ممكنًا مع المطالبات الأكثر عمومية. يوضح المنشور كيف يمكنك دمج خدمات AWS لإنشاء حل ذكاء اصطناعي إبداعي يطلق العنان للإمكانات الكاملة لهذه التقنيات مع بياناتك.
ابق على اطلاع بأحدث التطورات في الذكاء الاصطناعي التوليدي وابدأ في البناء على AWS. إذا كنت تبحث عن مساعدة بشأن كيفية البدء، فاطلع على مركز ابتكار الذكاء الاصطناعي التوليدي.
حول المؤلف
رافيكيران راو هو مهندس بيانات في AWS ومتحمس لحل تحديات البيانات المعقدة لمختلف العملاء. خارج العمل ، هو متحمس للمسرح ولاعب تنس هاو.
جيجنا غاندي هو مهندس الحلول الأول في Amazon Web Services، ومقره في منطقة مدينة نيويورك الكبرى. تتمتع بأكثر من 15 عامًا من الخبرة القوية في قيادة العديد من الحلول البرمجية المعقدة والقوية للغاية والقابلة للتطوير على نطاق واسع لتطبيقات المؤسسات واسعة النطاق.
جايسون بيدريزا هو أحد كبار مهندسي حلول Redshift Specialist في AWS ويتمتع بخبرة في تخزين البيانات والتعامل مع البيتابايت من البيانات. قبل انضمامه إلى AWS، قام ببناء حلول مستودعات البيانات في Amazon.com وAmazon Devices. وهو متخصص في Amazon Redshift ويساعد العملاء على بناء حلول تحليلية قابلة للتطوير.
روبالي ماهاجان هو أحد كبار مهندسي الحلول لدى AWS ومقره في نيويورك. إنها تزدهر في العمل كمستشارة موثوقة لعملائها، حيث تساعدهم على التنقل في رحلتهم على السحابة. تقضي يومها في حل مشاكل العمل المعقدة من خلال تصميم حلول فعالة باستخدام خدمات AWS. في غير ساعات العمل، تحب قضاء الوقت مع عائلتها والسفر.
- محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
- PlatoData.Network Vertical Generative Ai. تمكين نفسك. الوصول هنا.
- أفلاطونايستريم. ذكاء Web3. تضخيم المعرفة. الوصول هنا.
- أفلاطون كربون، كلينتك ، الطاقة، بيئة، شمسي، إدارة المخلفات. الوصول هنا.
- أفلاطون هيلث. التكنولوجيا الحيوية وذكاء التجارب السريرية. الوصول هنا.
- المصدر https://aws.amazon.com/blogs/machine-learning/build-generative-ai-chatbots-using-prompt-engineering-with-amazon-redshift-and-amazon-bedrock/
