ਕਨਵਰਸੇਸ਼ਨਲ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ (AI) ਸਹਾਇਕ ਸਭ ਤੋਂ ਢੁਕਵੇਂ AI ਫੰਕਸ਼ਨਾਂ ਲਈ ਸਵਾਲਾਂ ਦੇ ਬੁੱਧੀਮਾਨ ਰੂਟਿੰਗ ਦੁਆਰਾ ਸਟੀਕ, ਰੀਅਲ-ਟਾਈਮ ਜਵਾਬ ਪ੍ਰਦਾਨ ਕਰਨ ਲਈ ਤਿਆਰ ਕੀਤੇ ਗਏ ਹਨ। AWS ਜਨਰੇਟਿਵ ਏਆਈ ਸੇਵਾਵਾਂ ਦੇ ਨਾਲ ਜਿਵੇਂ ਕਿ ਐਮਾਜ਼ਾਨ ਬੈਡਰਕ, ਡਿਵੈਲਪਰ ਸਿਸਟਮ ਬਣਾ ਸਕਦੇ ਹਨ ਜੋ ਕਿ ਮਾਹਰਤਾ ਨਾਲ ਪ੍ਰਬੰਧਨ ਅਤੇ ਉਪਭੋਗਤਾ ਬੇਨਤੀਆਂ ਦਾ ਜਵਾਬ ਦਿੰਦੇ ਹਨ। ਐਮਾਜ਼ਾਨ ਬੈਡਰੋਕ ਇੱਕ ਪੂਰੀ ਤਰ੍ਹਾਂ ਨਾਲ ਪ੍ਰਬੰਧਿਤ ਸੇਵਾ ਹੈ ਜੋ AI21 ਲੈਬਜ਼, ਐਂਥਰੋਪਿਕ, ਕੋਹੇਰੇ, ਮੈਟਾ, ਸਥਿਰਤਾ ਏਆਈ, ਅਤੇ ਐਮਾਜ਼ਾਨ ਵਰਗੀਆਂ ਪ੍ਰਮੁੱਖ AI ਕੰਪਨੀਆਂ ਤੋਂ ਉੱਚ-ਪ੍ਰਦਰਸ਼ਨ ਕਰਨ ਵਾਲੇ ਫਾਊਂਡੇਸ਼ਨ ਮਾਡਲਾਂ (FMs) ਦੀ ਇੱਕ ਚੋਣ ਦੀ ਪੇਸ਼ਕਸ਼ ਕਰਦੀ ਹੈ, ਇੱਕ ਸਿੰਗਲ API ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ, ਦੇ ਇੱਕ ਵਿਸ਼ਾਲ ਸਮੂਹ ਦੇ ਨਾਲ। ਸੁਰੱਖਿਆ, ਗੋਪਨੀਯਤਾ, ਅਤੇ ਜ਼ਿੰਮੇਵਾਰ AI ਨਾਲ ਜਨਰੇਟਿਵ AI ਐਪਲੀਕੇਸ਼ਨਾਂ ਬਣਾਉਣ ਲਈ ਤੁਹਾਨੂੰ ਲੋੜੀਂਦੀਆਂ ਸਮਰੱਥਾਵਾਂ।

ਇਹ ਪੋਸਟ AI ਸਹਾਇਕਾਂ ਦੇ ਵਿਕਾਸ ਲਈ ਦੋ ਪ੍ਰਾਇਮਰੀ ਪਹੁੰਚਾਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰਦੀ ਹੈ: ਪ੍ਰਬੰਧਿਤ ਸੇਵਾਵਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਜਿਵੇਂ ਕਿ ਐਮਾਜ਼ਾਨ ਬੈਡਰੋਕ ਲਈ ਏਜੰਟ, ਅਤੇ ਓਪਨ ਸੋਰਸ ਤਕਨਾਲੋਜੀਆਂ ਨੂੰ ਰੁਜ਼ਗਾਰ ਦੇਣਾ ਜਿਵੇਂ ਕਿ ਲੈਂਗਚੇਨ. ਅਸੀਂ ਹਰੇਕ ਦੇ ਫਾਇਦਿਆਂ ਅਤੇ ਚੁਣੌਤੀਆਂ ਦੀ ਪੜਚੋਲ ਕਰਦੇ ਹਾਂ, ਤਾਂ ਜੋ ਤੁਸੀਂ ਆਪਣੀਆਂ ਲੋੜਾਂ ਲਈ ਸਭ ਤੋਂ ਢੁਕਵਾਂ ਮਾਰਗ ਚੁਣ ਸਕੋ।

ਇੱਕ AI ਸਹਾਇਕ ਕੀ ਹੈ?

ਇੱਕ AI ਸਹਾਇਕ ਇੱਕ ਬੁੱਧੀਮਾਨ ਪ੍ਰਣਾਲੀ ਹੈ ਜੋ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਦੇ ਸਵਾਲਾਂ ਨੂੰ ਸਮਝਦੀ ਹੈ ਅਤੇ ਉਪਭੋਗਤਾ ਦੀ ਤਰਫੋਂ ਕੰਮ ਕਰਨ ਜਾਂ ਜਾਣਕਾਰੀ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਵੱਖ-ਵੱਖ ਸਾਧਨਾਂ, ਡੇਟਾ ਸਰੋਤਾਂ ਅਤੇ APIs ਨਾਲ ਇੰਟਰੈਕਟ ਕਰਦੀ ਹੈ। ਪ੍ਰਭਾਵਸ਼ਾਲੀ AI ਸਹਾਇਕਾਂ ਕੋਲ ਹੇਠ ਲਿਖੀਆਂ ਮੁੱਖ ਸਮਰੱਥਾਵਾਂ ਹਨ:

• ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਪ੍ਰੋਸੈਸਿੰਗ (NLP) ਅਤੇ ਗੱਲਬਾਤ ਦਾ ਪ੍ਰਵਾਹ
• ਗੱਲਬਾਤ ਦੇ ਸੰਦਰਭ ਦੀਆਂ ਸੂਖਮਤਾਵਾਂ ਦੇ ਅਧਾਰ 'ਤੇ ਸੰਬੰਧਿਤ ਜਾਣਕਾਰੀ ਨੂੰ ਸਮਝਣ ਅਤੇ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਗਿਆਨ ਅਧਾਰ ਏਕੀਕਰਣ ਅਤੇ ਅਰਥ ਖੋਜਾਂ
• ਚੱਲ ਰਹੇ ਕਾਰਜ, ਜਿਵੇਂ ਕਿ ਡਾਟਾਬੇਸ ਪੁੱਛਗਿੱਛ ਅਤੇ ਕਸਟਮ AWS Lambda ਫੰਕਸ਼ਨ
• ਵਿਸ਼ੇਸ਼ ਗੱਲਬਾਤ ਅਤੇ ਉਪਭੋਗਤਾ ਬੇਨਤੀਆਂ ਨੂੰ ਸੰਭਾਲਣਾ

ਅਸੀਂ ਉਦਾਹਰਨ ਵਜੋਂ ਇੰਟਰਨੈੱਟ ਆਫ਼ ਥਿੰਗਜ਼ (IoT) ਡਿਵਾਈਸ ਪ੍ਰਬੰਧਨ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ AI ਸਹਾਇਕਾਂ ਦੇ ਲਾਭਾਂ ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦੇ ਹਾਂ। ਇਸ ਵਰਤੋਂ ਦੇ ਮਾਮਲੇ ਵਿੱਚ, AI ਟੈਕਨੀਸ਼ੀਅਨਾਂ ਨੂੰ ਕਮਾਂਡਾਂ ਦੇ ਨਾਲ ਮਸ਼ੀਨਾਂ ਦਾ ਕੁਸ਼ਲਤਾ ਨਾਲ ਪ੍ਰਬੰਧਨ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦਾ ਹੈ ਜੋ ਡਾਟਾ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹਨ ਜਾਂ ਕਾਰਜਾਂ ਨੂੰ ਸਵੈਚਾਲਤ ਕਰਦੇ ਹਨ, ਨਿਰਮਾਣ ਵਿੱਚ ਕਾਰਜਾਂ ਨੂੰ ਸੁਚਾਰੂ ਬਣਾਉਂਦੇ ਹਨ।

ਐਮਾਜ਼ਾਨ ਬੈਡਰੋਕ ਪਹੁੰਚ ਲਈ ਏਜੰਟ

ਐਮਾਜ਼ਾਨ ਬੈਡਰੋਕ ਲਈ ਏਜੰਟ ਤੁਹਾਨੂੰ ਜਨਰੇਟਿਵ AI ਐਪਲੀਕੇਸ਼ਨਾਂ ਬਣਾਉਣ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ ਜੋ ਕਿਸੇ ਕੰਪਨੀ ਦੇ ਸਿਸਟਮਾਂ ਅਤੇ ਡੇਟਾ ਸਰੋਤਾਂ ਵਿੱਚ ਬਹੁ-ਪੜਾਵੀ ਕਾਰਜ ਚਲਾ ਸਕਦੇ ਹਨ। ਇਹ ਹੇਠ ਲਿਖੀਆਂ ਮੁੱਖ ਸਮਰੱਥਾਵਾਂ ਦੀ ਪੇਸ਼ਕਸ਼ ਕਰਦਾ ਹੈ:

• ਨਿਰਦੇਸ਼ਾਂ, API ਵੇਰਵਿਆਂ, ਅਤੇ ਡੇਟਾ ਸਰੋਤ ਜਾਣਕਾਰੀ ਤੋਂ ਆਟੋਮੈਟਿਕ ਪ੍ਰੋਂਪਟ ਸਿਰਜਣਾ, ਪ੍ਰੋਂਪਟ ਇੰਜੀਨੀਅਰਿੰਗ ਯਤਨਾਂ ਦੇ ਹਫ਼ਤਿਆਂ ਦੀ ਬਚਤ
• ਏਜੰਟਾਂ ਨੂੰ ਕੰਪਨੀ ਦੇ ਡੇਟਾ ਸਰੋਤਾਂ ਨਾਲ ਸੁਰੱਖਿਅਤ ਢੰਗ ਨਾਲ ਜੋੜਨ ਅਤੇ ਸੰਬੰਧਿਤ ਜਵਾਬ ਪ੍ਰਦਾਨ ਕਰਨ ਲਈ ਰੀਟ੍ਰੀਵਲ ਔਗਮੈਂਟਡ ਜਨਰੇਸ਼ਨ (RAG)
• ਬੇਨਤੀਆਂ ਨੂੰ ਤਰਕਸੰਗਤ ਕ੍ਰਮਾਂ ਵਿੱਚ ਵੰਡ ਕੇ ਅਤੇ ਲੋੜੀਂਦੇ API ਨੂੰ ਕਾਲ ਕਰਕੇ ਬਹੁ-ਪੜਾਵੀ ਕਾਰਜਾਂ ਦਾ ਆਰਕੈਸਟਰੇਸ਼ਨ ਅਤੇ ਚਲਾਉਣਾ
• ਇੱਕ ਚੇਨ-ਆਫ-ਥੌਟ (CoT) ਟਰੇਸ ਦੁਆਰਾ ਏਜੰਟ ਦੇ ਤਰਕ ਵਿੱਚ ਦ੍ਰਿਸ਼ਟੀਕੋਣ, ਮਾਡਲ ਵਿਵਹਾਰ ਦੇ ਨਿਪਟਾਰੇ ਅਤੇ ਸਟੀਅਰਿੰਗ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ
• ਏਜੰਟਾਂ 'ਤੇ ਵਧੇ ਹੋਏ ਨਿਯੰਤਰਣ ਲਈ ਸਵੈਚਲਿਤ ਤੌਰ 'ਤੇ ਤਿਆਰ ਕੀਤੇ ਪ੍ਰੋਂਪਟ ਟੈਂਪਲੇਟ ਨੂੰ ਸੋਧਣ ਲਈ ਪ੍ਰੋਂਪਟ ਇੰਜੀਨੀਅਰਿੰਗ ਯੋਗਤਾਵਾਂ

ਤੁਸੀਂ ਐਮਾਜ਼ਾਨ ਬੈਡਰੋਕ ਲਈ ਏਜੰਟਾਂ ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦੇ ਹੋ ਅਤੇ ਐਮਾਜ਼ਾਨ ਬੈਡਰੋਕ ਲਈ ਗਿਆਨ ਅਧਾਰ ਗੁੰਝਲਦਾਰ ਰੂਟਿੰਗ ਵਰਤੋਂ ਦੇ ਮਾਮਲਿਆਂ ਲਈ AI ਸਹਾਇਕ ਬਣਾਉਣ ਅਤੇ ਤਾਇਨਾਤ ਕਰਨ ਲਈ। ਉਹ ਡਿਵੈਲਪਰਾਂ ਅਤੇ ਸੰਗਠਨਾਂ ਲਈ ਬੁਨਿਆਦੀ ਢਾਂਚਾ ਪ੍ਰਬੰਧਨ ਨੂੰ ਸਰਲ ਬਣਾ ਕੇ, ਸਕੇਲੇਬਿਲਟੀ ਨੂੰ ਵਧਾਉਣ, ਸੁਰੱਖਿਆ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ, ਅਤੇ ਅਣ-ਵਿਭਿੰਨ ਭਾਰੀ ਲਿਫਟਿੰਗ ਨੂੰ ਘਟਾ ਕੇ ਇੱਕ ਰਣਨੀਤਕ ਲਾਭ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ। ਉਹ ਸਧਾਰਨ ਐਪਲੀਕੇਸ਼ਨ ਲੇਅਰ ਕੋਡ ਦੀ ਵੀ ਇਜਾਜ਼ਤ ਦਿੰਦੇ ਹਨ ਕਿਉਂਕਿ ਰਾਊਟਿੰਗ ਤਰਕ, ਵੈਕਟਰਾਈਜ਼ੇਸ਼ਨ, ਅਤੇ ਮੈਮੋਰੀ ਪੂਰੀ ਤਰ੍ਹਾਂ ਪ੍ਰਬੰਧਿਤ ਹੈ।

ਹੱਲ ਸੰਖੇਪ ਜਾਣਕਾਰੀ

ਇਹ ਹੱਲ Amazon Bedrock 'ਤੇ Anthropic's Claude v2.1 ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਸਮੇਂ IoT ਡਿਵਾਈਸ ਪ੍ਰਬੰਧਨ ਅਤੇ ਓਪਰੇਸ਼ਨਾਂ ਲਈ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਇੱਕ ਸੰਵਾਦਿਕ AI ਸਹਾਇਕ ਪੇਸ਼ ਕਰਦਾ ਹੈ। AI ਸਹਾਇਕ ਦੀ ਮੁੱਖ ਕਾਰਜਕੁਸ਼ਲਤਾ ਨਿਰਦੇਸ਼ਾਂ ਦੇ ਇੱਕ ਵਿਆਪਕ ਸਮੂਹ ਦੁਆਰਾ ਨਿਯੰਤਰਿਤ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਜਿਸਨੂੰ ਕਿਹਾ ਜਾਂਦਾ ਹੈ ਸਿਸਟਮ ਪ੍ਰੋਂਪਟ, ਜੋ ਇਸਦੀਆਂ ਸਮਰੱਥਾਵਾਂ ਅਤੇ ਮੁਹਾਰਤ ਦੇ ਖੇਤਰਾਂ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ। ਇਹ ਮਾਰਗਦਰਸ਼ਨ ਯਕੀਨੀ ਬਣਾਉਂਦਾ ਹੈ ਕਿ AI ਸਹਾਇਕ ਡਿਵਾਈਸ ਦੀ ਜਾਣਕਾਰੀ ਦੇ ਪ੍ਰਬੰਧਨ ਤੋਂ ਲੈ ਕੇ ਸੰਚਾਲਨ ਕਮਾਂਡਾਂ ਨੂੰ ਚਲਾਉਣ ਤੱਕ, ਕਾਰਜਾਂ ਦੀ ਇੱਕ ਵਿਸ਼ਾਲ ਸ਼੍ਰੇਣੀ ਨੂੰ ਸੰਭਾਲ ਸਕਦਾ ਹੈ।

"""The following is the system prompt that outlines the full scope of the AI assistant's capabilities:
You are an IoT Ops agent that handles the following activities:
- Looking up IoT device information
- Checking IoT operating metrics (historical data)
- Performing actions on a device-by-device ID
- Answering general questions
You can check device information (Device ID, Features, Technical Specifications, Installation Guide, Maintenance and Troubleshooting, Safety Guidelines, Warranty, and Support) from the "IotDeviceSpecs" knowledge base.
Additionally, you can access device historical data or device metrics. The device metrics are stored in an Athena DB named "iot_ops_glue_db" in a table named "iot_device_metrics". 
The table schema includes fields for oil level, temperature, pressure, received_at timestamp, and device_id.
The available actions you can perform on the devices include start, shutdown, and reboot."""

ਇਹਨਾਂ ਸਮਰੱਥਾਵਾਂ ਨਾਲ ਲੈਸ, ਜਿਵੇਂ ਕਿ ਸਿਸਟਮ ਪ੍ਰੋਂਪਟ ਵਿੱਚ ਵਿਸਤਾਰ ਵਿੱਚ ਦੱਸਿਆ ਗਿਆ ਹੈ, AI ਸਹਾਇਕ ਉਪਭੋਗਤਾ ਦੇ ਸਵਾਲਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਇੱਕ ਸਟ੍ਰਕਚਰਡ ਵਰਕਫਲੋ ਦੀ ਪਾਲਣਾ ਕਰਦਾ ਹੈ। ਨਿਮਨਲਿਖਤ ਚਿੱਤਰ ਇਸ ਵਰਕਫਲੋ ਦੀ ਵਿਜ਼ੂਅਲ ਪ੍ਰਤੀਨਿਧਤਾ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ, ਸ਼ੁਰੂਆਤੀ ਉਪਭੋਗਤਾ ਇੰਟਰੈਕਸ਼ਨ ਤੋਂ ਲੈ ਕੇ ਅੰਤਮ ਜਵਾਬ ਤੱਕ ਹਰੇਕ ਕਦਮ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ।

ਵਰਕਫਲੋ ਹੇਠ ਲਿਖੇ ਪੜਾਵਾਂ ਨਾਲ ਬਣਿਆ ਹੈ:

1. ਇਹ ਪ੍ਰਕਿਰਿਆ ਉਦੋਂ ਸ਼ੁਰੂ ਹੁੰਦੀ ਹੈ ਜਦੋਂ ਕੋਈ ਉਪਭੋਗਤਾ ਕੰਮ ਕਰਨ ਲਈ ਸਹਾਇਕ ਨੂੰ ਬੇਨਤੀ ਕਰਦਾ ਹੈ; ਉਦਾਹਰਨ ਲਈ, ਕਿਸੇ ਖਾਸ IoT ਡਿਵਾਈਸ ਲਈ ਵੱਧ ਤੋਂ ਵੱਧ ਡਾਟਾ ਪੁਆਇੰਟ ਮੰਗਣਾ device_xxx. ਇਹ ਟੈਕਸਟ ਇਨਪੁਟ ਕੈਪਚਰ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਅਤੇ AI ਸਹਾਇਕ ਨੂੰ ਭੇਜਿਆ ਜਾਂਦਾ ਹੈ।
2. AI ਸਹਾਇਕ ਉਪਭੋਗਤਾ ਦੇ ਟੈਕਸਟ ਇਨਪੁਟ ਦੀ ਵਿਆਖਿਆ ਕਰਦਾ ਹੈ। ਇਹ ਸੰਦਰਭ ਨੂੰ ਸਮਝਣ ਅਤੇ ਲੋੜੀਂਦੇ ਕੰਮਾਂ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਨ ਲਈ ਪ੍ਰਦਾਨ ਕੀਤੇ ਗਏ ਗੱਲਬਾਤ ਇਤਿਹਾਸ, ਕਾਰਵਾਈ ਸਮੂਹਾਂ ਅਤੇ ਗਿਆਨ ਅਧਾਰਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ।
3. ਉਪਭੋਗਤਾ ਦੇ ਇਰਾਦੇ ਨੂੰ ਪਾਰਸ ਕਰਨ ਅਤੇ ਸਮਝਣ ਤੋਂ ਬਾਅਦ, AI ਸਹਾਇਕ ਕਾਰਜਾਂ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਦਾ ਹੈ। ਇਹ ਉਹਨਾਂ ਨਿਰਦੇਸ਼ਾਂ 'ਤੇ ਅਧਾਰਤ ਹੈ ਜੋ ਸਹਾਇਕ ਦੁਆਰਾ ਸਿਸਟਮ ਪ੍ਰੋਂਪਟ ਅਤੇ ਉਪਭੋਗਤਾ ਦੇ ਇਨਪੁਟ ਦੇ ਅਨੁਸਾਰ ਵਿਆਖਿਆ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।
4. ਕਾਰਜ ਫਿਰ API ਕਾਲਾਂ ਦੀ ਇੱਕ ਲੜੀ ਦੁਆਰਾ ਚਲਾਏ ਜਾਂਦੇ ਹਨ। ਇਹ ਵਰਤ ਕੇ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਪ੍ਰਤੀਕਿਰਿਆ ਕਰੋ ਪ੍ਰੋਂਪਟ ਕਰਨਾ, ਜੋ ਕਾਰਜ ਨੂੰ ਕ੍ਰਮਵਾਰ ਪ੍ਰਕਿਰਿਆਵਾਂ ਦੀ ਇੱਕ ਲੜੀ ਵਿੱਚ ਵੰਡਦਾ ਹੈ:
   1. ਡਿਵਾਈਸ ਮੈਟ੍ਰਿਕਸ ਜਾਂਚਾਂ ਲਈ, ਅਸੀਂ ਵਰਤਦੇ ਹਾਂ check-device-metrics ਐਕਸ਼ਨ ਗਰੁੱਪ, ਜਿਸ ਵਿੱਚ ਲਾਂਬਡਾ ਫੰਕਸ਼ਨਾਂ ਲਈ ਇੱਕ API ਕਾਲ ਸ਼ਾਮਲ ਹੁੰਦੀ ਹੈ ਜੋ ਫਿਰ ਪੁੱਛਗਿੱਛ ਕਰਦੀ ਹੈ ਐਮਾਜ਼ਾਨ ਐਥੀਨਾ ਬੇਨਤੀ ਕੀਤੇ ਡੇਟਾ ਲਈ.
   2. ਸਟਾਰਟ, ਸਟਾਪ ਜਾਂ ਰੀਬੂਟ ਵਰਗੀਆਂ ਸਿੱਧੀਆਂ ਡਿਵਾਈਸ ਕਿਰਿਆਵਾਂ ਲਈ, ਅਸੀਂ ਵਰਤਦੇ ਹਾਂ action-on-device ਐਕਸ਼ਨ ਗਰੁੱਪ, ਜੋ ਲਾਂਬਡਾ ਫੰਕਸ਼ਨ ਨੂੰ ਸੱਦਾ ਦਿੰਦਾ ਹੈ। ਇਹ ਫੰਕਸ਼ਨ ਇੱਕ ਪ੍ਰਕਿਰਿਆ ਸ਼ੁਰੂ ਕਰਦਾ ਹੈ ਜੋ IoT ਡਿਵਾਈਸ ਨੂੰ ਕਮਾਂਡਾਂ ਭੇਜਦਾ ਹੈ। ਇਸ ਪੋਸਟ ਲਈ, ਲਾਂਬਡਾ ਫੰਕਸ਼ਨ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਸੂਚਨਾਵਾਂ ਭੇਜਦਾ ਹੈ ਐਮਾਜ਼ਾਨ ਸਧਾਰਨ ਈਮੇਲ ਸੇਵਾ (ਐਮਾਜ਼ਾਨ ਐਸਈਐਸ).
   3. ਅਸੀਂ ਐਮਾਜ਼ਾਨ ਬੈਡਰੋਕ ਲਈ ਗਿਆਨ ਅਧਾਰਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਾਂ ਵਿੱਚ ਏਮਬੇਡਿੰਗ ਵਜੋਂ ਸਟੋਰ ਕੀਤੇ ਇਤਿਹਾਸਕ ਡੇਟਾ ਤੋਂ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਐਮਾਜ਼ਾਨ ਓਪਨ ਖੋਜ ਸੇਵਾ ਵੈਕਟਰ ਡਾਟਾਬੇਸ.
5. ਕੰਮ ਪੂਰੇ ਹੋਣ ਤੋਂ ਬਾਅਦ, ਅੰਤਿਮ ਜਵਾਬ ਐਮਾਜ਼ਾਨ ਬੈਡਰੋਕ ਐਫਐਮ ਦੁਆਰਾ ਤਿਆਰ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਅਤੇ ਉਪਭੋਗਤਾ ਨੂੰ ਵਾਪਸ ਭੇਜਿਆ ਜਾਂਦਾ ਹੈ।
6. ਐਮਾਜ਼ਾਨ ਬੈਡਰੋਕ ਲਈ ਏਜੰਟ ਉਸੇ ਗੱਲਬਾਤ ਨੂੰ ਬਰਕਰਾਰ ਰੱਖਣ ਲਈ ਸਟੇਟਫੁੱਲ ਸੈਸ਼ਨ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਆਪਣੇ ਆਪ ਜਾਣਕਾਰੀ ਸਟੋਰ ਕਰਦੇ ਹਨ। ਸੰਰਚਨਾਯੋਗ ਨਿਸ਼ਕਿਰਿਆ ਸਮਾਂ ਸਮਾਪਤ ਹੋਣ ਤੋਂ ਬਾਅਦ ਸਥਿਤੀ ਨੂੰ ਮਿਟਾ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ।

ਤਕਨੀਕੀ ਝਾਤ

ਹੇਠਾਂ ਦਿੱਤਾ ਚਿੱਤਰ ਐਮਾਜ਼ਾਨ ਬੈਡਰੋਕ ਲਈ ਏਜੰਟਾਂ ਦੇ ਨਾਲ ਇੱਕ AI ਸਹਾਇਕ ਨੂੰ ਤਾਇਨਾਤ ਕਰਨ ਲਈ ਆਰਕੀਟੈਕਚਰ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ।

ਇਸ ਵਿੱਚ ਹੇਠ ਲਿਖੇ ਮੁੱਖ ਭਾਗ ਹੁੰਦੇ ਹਨ:

• ਗੱਲਬਾਤ ਇੰਟਰਫੇਸ - ਗੱਲਬਾਤ ਵਾਲਾ ਇੰਟਰਫੇਸ ਸਟ੍ਰੀਮਲਾਈਟ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ, ਇੱਕ ਓਪਨ ਸੋਰਸ ਪਾਈਥਨ ਲਾਇਬ੍ਰੇਰੀ ਜੋ ਮਸ਼ੀਨ ਲਰਨਿੰਗ (ML) ਅਤੇ ਡੇਟਾ ਸਾਇੰਸ ਲਈ ਕਸਟਮ, ਦ੍ਰਿਸ਼ਟੀਗਤ ਤੌਰ 'ਤੇ ਆਕਰਸ਼ਕ ਵੈੱਬ ਐਪਸ ਦੀ ਰਚਨਾ ਨੂੰ ਸਰਲ ਬਣਾਉਂਦਾ ਹੈ। ਇਸ 'ਤੇ ਹੋਸਟ ਕੀਤਾ ਗਿਆ ਹੈ ਐਮਾਜ਼ਾਨ ਲਚਕੀਲਾ ਕੰਟੇਨਰ ਸੇਵਾ (ਐਮਾਜ਼ਾਨ ਈਸੀਐਸ) ਦੇ ਨਾਲ AWS ਫਾਰਗੇਟ, ਅਤੇ ਇਸ ਨੂੰ ਐਪਲੀਕੇਸ਼ਨ ਲੋਡ ਬੈਲੈਂਸਰ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਐਕਸੈਸ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਤੁਸੀਂ ਚਲਾਉਣ ਲਈ ਐਮਾਜ਼ਾਨ ਈਸੀਐਸ ਦੇ ਨਾਲ ਫਾਰਗੇਟ ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦੇ ਹੋ ਕੰਟੇਨਰ ਸਰਵਰਾਂ, ਕਲੱਸਟਰਾਂ, ਜਾਂ ਵਰਚੁਅਲ ਮਸ਼ੀਨਾਂ ਦਾ ਪ੍ਰਬੰਧਨ ਕੀਤੇ ਬਿਨਾਂ।
• ਐਮਾਜ਼ਾਨ ਬੈਡਰੋਕ ਲਈ ਏਜੰਟ - ਐਮਾਜ਼ਾਨ ਬੈਡਰੋਕ ਲਈ ਏਜੰਟ ਤਰਕ ਦੇ ਕਦਮਾਂ ਦੀ ਇੱਕ ਲੜੀ ਅਤੇ ਅਧਾਰਤ ਅਨੁਸਾਰੀ ਕਾਰਵਾਈਆਂ ਦੁਆਰਾ ਉਪਭੋਗਤਾ ਸਵਾਲਾਂ ਨੂੰ ਪੂਰਾ ਕਰਦੇ ਹਨ ਪ੍ਰਤੀਕਿਰਿਆ ਕਰਨ ਲਈ ਪ੍ਰੇਰਣਾ:
  • ਐਮਾਜ਼ਾਨ ਬੈਡਰੋਕ ਲਈ ਗਿਆਨ ਅਧਾਰ - ਐਮਾਜ਼ਾਨ ਬੈਡਰੋਕ ਲਈ ਗਿਆਨ ਅਧਾਰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਪ੍ਰਬੰਧਿਤ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ ਰਾਗ AI ਸਹਾਇਕ ਨੂੰ ਤੁਹਾਡੇ ਡੇਟਾ ਤੱਕ ਪਹੁੰਚ ਪ੍ਰਦਾਨ ਕਰਨ ਲਈ। ਸਾਡੇ ਵਰਤੋਂ ਦੇ ਮਾਮਲੇ ਵਿੱਚ, ਅਸੀਂ ਡਿਵਾਈਸ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਇੱਕ ਵਿੱਚ ਅੱਪਲੋਡ ਕੀਤਾ ਹੈ ਐਮਾਜ਼ਾਨ ਸਧਾਰਨ ਸਟੋਰੇਜ ਸੇਵਾ (Amazon S3) ਬਾਲਟੀ। ਇਹ ਗਿਆਨ ਅਧਾਰ ਲਈ ਡੇਟਾ ਸਰੋਤ ਵਜੋਂ ਕੰਮ ਕਰਦਾ ਹੈ।
  • ਐਕਸ਼ਨ ਗਰੁੱਪ - ਇਹ ਪਰਿਭਾਸ਼ਿਤ API ਸਕੀਮਾਂ ਹਨ ਜੋ IoT ਡਿਵਾਈਸਾਂ ਅਤੇ ਹੋਰ AWS ਸੇਵਾਵਾਂ ਨਾਲ ਇੰਟਰੈਕਟ ਕਰਨ ਲਈ ਖਾਸ Lambda ਫੰਕਸ਼ਨਾਂ ਦੀ ਮੰਗ ਕਰਦੀਆਂ ਹਨ।
  • ਐਮਾਜ਼ਾਨ ਬੈਡਰੋਕ 'ਤੇ ਐਂਥਰੋਪਿਕ ਕਲੌਡ v2.1 - ਇਹ ਮਾਡਲ ਉਪਭੋਗਤਾ ਸਵਾਲਾਂ ਦੀ ਵਿਆਖਿਆ ਕਰਦਾ ਹੈ ਅਤੇ ਕਾਰਜਾਂ ਦੇ ਪ੍ਰਵਾਹ ਨੂੰ ਆਰਕੈਸਟ੍ਰੇਟ ਕਰਦਾ ਹੈ।
  • ਐਮਾਜ਼ਾਨ ਟਾਈਟਨ ਏਮਬੈਡਿੰਗਜ਼ - ਇਹ ਮਾਡਲ ਇੱਕ ਟੈਕਸਟ ਏਮਬੈਡਿੰਗ ਮਾਡਲ ਦੇ ਤੌਰ 'ਤੇ ਕੰਮ ਕਰਦਾ ਹੈ, ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਦੇ ਟੈਕਸਟ ਨੂੰ ਬਦਲਦਾ ਹੈ - ਇੱਕਲੇ ਸ਼ਬਦਾਂ ਤੋਂ ਗੁੰਝਲਦਾਰ ਦਸਤਾਵੇਜ਼ਾਂ ਵਿੱਚ - ਸੰਖਿਆਤਮਕ ਵੈਕਟਰਾਂ ਵਿੱਚ। ਇਹ ਵੈਕਟਰ ਖੋਜ ਸਮਰੱਥਾਵਾਂ ਨੂੰ ਸਮਰੱਥ ਬਣਾਉਂਦਾ ਹੈ, ਸਿਸਟਮ ਨੂੰ ਪ੍ਰਭਾਵੀ ਖੋਜ ਲਈ ਸਭ ਤੋਂ ਢੁਕਵੇਂ ਗਿਆਨ ਅਧਾਰ ਇੰਦਰਾਜ਼ਾਂ ਨਾਲ ਉਪਭੋਗਤਾ ਸਵਾਲਾਂ ਨੂੰ ਅਰਥਪੂਰਨ ਤੌਰ 'ਤੇ ਮੇਲ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ।

ਹੱਲ AWS ਸੇਵਾਵਾਂ ਨਾਲ ਏਕੀਕ੍ਰਿਤ ਹੈ ਜਿਵੇਂ ਕਿ API ਕਾਲਾਂ ਦੇ ਜਵਾਬ ਵਿੱਚ ਕੋਡ ਚਲਾਉਣ ਲਈ ਲਾਂਬਡਾ, ਡੇਟਾਸੈਟਾਂ ਦੀ ਪੁੱਛਗਿੱਛ ਲਈ ਅਥੀਨਾ, ਗਿਆਨ ਅਧਾਰਾਂ ਦੁਆਰਾ ਖੋਜ ਕਰਨ ਲਈ ਓਪਨਸਰਚ ਸੇਵਾ, ਅਤੇ ਸਟੋਰੇਜ ਲਈ ਐਮਾਜ਼ਾਨ S3। ਇਹ ਸੇਵਾਵਾਂ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਕਮਾਂਡਾਂ ਦੁਆਰਾ IoT ਡਿਵਾਈਸ ਸੰਚਾਲਨ ਪ੍ਰਬੰਧਨ ਲਈ ਇੱਕ ਸਹਿਜ ਅਨੁਭਵ ਪ੍ਰਦਾਨ ਕਰਨ ਲਈ ਮਿਲ ਕੇ ਕੰਮ ਕਰਦੀਆਂ ਹਨ।

ਲਾਭ

ਇਹ ਹੱਲ ਹੇਠਾਂ ਦਿੱਤੇ ਲਾਭਾਂ ਦੀ ਪੇਸ਼ਕਸ਼ ਕਰਦਾ ਹੈ:

• ਲਾਗੂ ਕਰਨ ਦੀ ਗੁੰਝਲਤਾ:
  • ਕੋਡ ਦੀਆਂ ਘੱਟ ਲਾਈਨਾਂ ਦੀ ਲੋੜ ਹੈ, ਕਿਉਂਕਿ ਐਮਾਜ਼ਾਨ ਬੈਡਰੋਕ ਲਈ ਏਜੰਟ ਵਿਕਾਸ ਦੇ ਯਤਨਾਂ ਨੂੰ ਘਟਾਉਂਦੇ ਹੋਏ, ਬਹੁਤ ਸਾਰੀਆਂ ਅੰਤਰੀਵ ਜਟਿਲਤਾ ਨੂੰ ਦੂਰ ਕਰ ਦਿੰਦੇ ਹਨ।
  • ਵੈਕਟਰ ਡੇਟਾਬੇਸ ਜਿਵੇਂ ਕਿ ਓਪਨਸਰਚ ਸਰਵਿਸ ਦਾ ਪ੍ਰਬੰਧਨ ਕਰਨਾ ਸਰਲ ਬਣਾਇਆ ਗਿਆ ਹੈ, ਕਿਉਂਕਿ ਐਮਾਜ਼ਾਨ ਬੈਡਰੋਕ ਲਈ ਗਿਆਨ ਅਧਾਰ ਵੈਕਟਰਾਈਜ਼ੇਸ਼ਨ ਅਤੇ ਸਟੋਰੇਜ ਨੂੰ ਸੰਭਾਲਦਾ ਹੈ
  • ਵੱਖ-ਵੱਖ AWS ਸੇਵਾਵਾਂ ਨਾਲ ਏਕੀਕਰਨ ਪਹਿਲਾਂ ਤੋਂ ਪਰਿਭਾਸ਼ਿਤ ਐਕਸ਼ਨ ਗਰੁੱਪਾਂ ਰਾਹੀਂ ਵਧੇਰੇ ਸੁਚਾਰੂ ਹੈ
• ਵਿਕਾਸਕਾਰ ਅਨੁਭਵ:
  • ਐਮਾਜ਼ਾਨ ਬੈਡਰੋਕ ਕੰਸੋਲ ਤੁਰੰਤ ਵਿਕਾਸ, ਟੈਸਟਿੰਗ, ਅਤੇ ਮੂਲ ਕਾਰਨ ਵਿਸ਼ਲੇਸ਼ਣ (ਆਰਸੀਏ) ਲਈ ਇੱਕ ਉਪਭੋਗਤਾ-ਅਨੁਕੂਲ ਇੰਟਰਫੇਸ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ, ਸਮੁੱਚੇ ਵਿਕਾਸਕਾਰ ਅਨੁਭਵ ਨੂੰ ਵਧਾਉਂਦਾ ਹੈ।
• ਚੁਸਤੀ ਅਤੇ ਲਚਕਤਾ:
  • ਐਮਾਜ਼ਾਨ ਬੈਡਰੋਕ ਲਈ ਏਜੰਟ ਨਵੇਂ FM (ਜਿਵੇਂ ਕਿ ਕਲਾਉਡ 3.0) ਦੇ ਉਪਲਬਧ ਹੋਣ 'ਤੇ ਸਹਿਜ ਅੱਪਗ੍ਰੇਡ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦੇ ਹਨ, ਇਸਲਈ ਤੁਹਾਡਾ ਹੱਲ ਨਵੀਨਤਮ ਤਰੱਕੀ ਨਾਲ ਅੱਪ ਟੂ ਡੇਟ ਰਹਿੰਦਾ ਹੈ।
  • ਸੇਵਾ ਕੋਟੇ ਅਤੇ ਸੀਮਾਵਾਂ ਦਾ ਪ੍ਰਬੰਧਨ AWS ਦੁਆਰਾ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਨਿਗਰਾਨੀ ਅਤੇ ਸਕੇਲਿੰਗ ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਦੇ ਓਵਰਹੈੱਡ ਨੂੰ ਘਟਾਉਂਦਾ ਹੈ
• ਸੁਰੱਖਿਆ:
  • Amazon Bedrock ਇੱਕ ਪੂਰੀ ਤਰ੍ਹਾਂ ਪ੍ਰਬੰਧਿਤ ਸੇਵਾ ਹੈ, ਜੋ AWS ਦੇ ਸਖ਼ਤ ਸੁਰੱਖਿਆ ਅਤੇ ਪਾਲਣਾ ਮਾਪਦੰਡਾਂ ਦੀ ਪਾਲਣਾ ਕਰਦੀ ਹੈ, ਸੰਭਾਵੀ ਤੌਰ 'ਤੇ ਸੰਗਠਨਾਤਮਕ ਸੁਰੱਖਿਆ ਸਮੀਖਿਆਵਾਂ ਨੂੰ ਸਰਲ ਬਣਾਉਂਦੀ ਹੈ।

ਹਾਲਾਂਕਿ ਐਮਾਜ਼ਾਨ ਬੈਡਰੋਕ ਲਈ ਏਜੰਟ ਗੱਲਬਾਤ AI ਐਪਲੀਕੇਸ਼ਨਾਂ ਨੂੰ ਬਣਾਉਣ ਲਈ ਇੱਕ ਸੁਚਾਰੂ ਅਤੇ ਪ੍ਰਬੰਧਿਤ ਹੱਲ ਪੇਸ਼ ਕਰਦੇ ਹਨ, ਕੁਝ ਸੰਸਥਾਵਾਂ ਇੱਕ ਓਪਨ ਸੋਰਸ ਪਹੁੰਚ ਨੂੰ ਤਰਜੀਹ ਦੇ ਸਕਦੀਆਂ ਹਨ। ਅਜਿਹੇ ਮਾਮਲਿਆਂ ਵਿੱਚ, ਤੁਸੀਂ ਲੈਂਗਚੈਨ ਵਰਗੇ ਫਰੇਮਵਰਕ ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦੇ ਹੋ, ਜਿਸ ਬਾਰੇ ਅਸੀਂ ਅਗਲੇ ਭਾਗ ਵਿੱਚ ਚਰਚਾ ਕਰਾਂਗੇ।

ਲੈਂਗਚੈਨ ਡਾਇਨਾਮਿਕ ਰੂਟਿੰਗ ਪਹੁੰਚ

LangChain ਇੱਕ ਓਪਨ ਸੋਰਸ ਫਰੇਮਵਰਕ ਹੈ ਜੋ ਵੱਡੇ ਭਾਸ਼ਾ ਮਾਡਲਾਂ (LLMs) ਅਤੇ ਗਤੀਸ਼ੀਲ ਰੂਟਿੰਗ ਸਮਰੱਥਾਵਾਂ ਦੇ ਏਕੀਕਰਣ ਦੀ ਆਗਿਆ ਦੇ ਕੇ ਸੰਵਾਦ AI ਬਣਾਉਣ ਨੂੰ ਸਰਲ ਬਣਾਉਂਦਾ ਹੈ। LangChain ਐਕਸਪ੍ਰੈਸ਼ਨ ਲੈਂਗੂਏਜ (LCEL) ਦੇ ਨਾਲ, ਡਿਵੈਲਪਰ ਪਰਿਭਾਸ਼ਿਤ ਕਰ ਸਕਦੇ ਹਨ ਰੂਟਿੰਗ, ਜੋ ਤੁਹਾਨੂੰ ਗੈਰ-ਨਿਰਧਾਰਤ ਚੇਨ ਬਣਾਉਣ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ ਜਿੱਥੇ ਪਿਛਲੇ ਪੜਾਅ ਦਾ ਆਉਟਪੁੱਟ ਅਗਲੇ ਪੜਾਅ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਦਾ ਹੈ। ਰੂਟਿੰਗ LLMs ਨਾਲ ਪਰਸਪਰ ਪ੍ਰਭਾਵ ਵਿੱਚ ਢਾਂਚਾ ਅਤੇ ਇਕਸਾਰਤਾ ਪ੍ਰਦਾਨ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦੀ ਹੈ।

ਇਸ ਪੋਸਟ ਲਈ, ਅਸੀਂ IoT ਡਿਵਾਈਸ ਪ੍ਰਬੰਧਨ ਲਈ AI ਸਹਾਇਕ ਦੇ ਤੌਰ ਤੇ ਉਹੀ ਉਦਾਹਰਣ ਵਰਤਦੇ ਹਾਂ। ਹਾਲਾਂਕਿ, ਮੁੱਖ ਅੰਤਰ ਇਹ ਹੈ ਕਿ ਸਾਨੂੰ ਸਿਸਟਮ ਪ੍ਰੋਂਪਟ ਨੂੰ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਹੈਂਡਲ ਕਰਨ ਦੀ ਜ਼ਰੂਰਤ ਹੈ ਅਤੇ ਹਰੇਕ ਚੇਨ ਨੂੰ ਇੱਕ ਵੱਖਰੀ ਇਕਾਈ ਦੇ ਰੂਪ ਵਿੱਚ ਮੰਨਣਾ ਚਾਹੀਦਾ ਹੈ। ਰੂਟਿੰਗ ਚੇਨ ਉਪਭੋਗਤਾ ਦੇ ਇਨਪੁਟ ਦੇ ਅਧਾਰ ਤੇ ਮੰਜ਼ਿਲ ਚੇਨ ਦਾ ਫੈਸਲਾ ਕਰਦੀ ਹੈ। ਸਿਸਟਮ ਪ੍ਰੋਂਪਟ, ਚੈਟ ਹਿਸਟਰੀ, ਅਤੇ ਉਪਭੋਗਤਾ ਦੇ ਸਵਾਲ ਨੂੰ ਪਾਸ ਕਰਕੇ ਇੱਕ LLM ਦੇ ਸਮਰਥਨ ਨਾਲ ਫੈਸਲਾ ਲਿਆ ਜਾਂਦਾ ਹੈ।

ਹੱਲ ਸੰਖੇਪ ਜਾਣਕਾਰੀ

ਹੇਠਾਂ ਦਿੱਤਾ ਚਿੱਤਰ ਗਤੀਸ਼ੀਲ ਰੂਟਿੰਗ ਹੱਲ ਵਰਕਫਲੋ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ।

ਵਰਕਫਲੋ ਵਿੱਚ ਹੇਠ ਲਿਖੇ ਕਦਮ ਹੁੰਦੇ ਹਨ:

1. ਉਪਭੋਗਤਾ AI ਸਹਾਇਕ ਨੂੰ ਇੱਕ ਸਵਾਲ ਪੇਸ਼ ਕਰਦਾ ਹੈ। ਉਦਾਹਰਨ ਲਈ, "ਡਿਵਾਈਸ 1009 ਲਈ ਅਧਿਕਤਮ ਮੈਟ੍ਰਿਕਸ ਕੀ ਹਨ?"
2. ਇੱਕ LLM ਉਸੇ ਸੈਸ਼ਨ ਦੇ ਚੈਟ ਇਤਿਹਾਸ ਦੇ ਨਾਲ-ਨਾਲ ਹਰੇਕ ਸਵਾਲ ਦਾ ਮੁਲਾਂਕਣ ਕਰਦਾ ਹੈ ਤਾਂ ਕਿ ਇਹ ਨਿਰਧਾਰਤ ਕੀਤਾ ਜਾ ਸਕੇ ਕਿ ਇਹ ਕਿਸ ਵਿਸ਼ੇ ਦੇ ਖੇਤਰ ਵਿੱਚ ਆਉਂਦਾ ਹੈ (ਜਿਵੇਂ ਕਿ SQL, ਐਕਸ਼ਨ, ਖੋਜ, ਜਾਂ SME)। LLM ਇਨਪੁਟ ਦਾ ਵਰਗੀਕਰਨ ਕਰਦਾ ਹੈ ਅਤੇ LCEL ਰੂਟਿੰਗ ਚੇਨ ਉਸ ਇਨਪੁਟ ਨੂੰ ਲੈਂਦੀ ਹੈ।
3. ਰਾਊਟਰ ਚੇਨ ਇਨਪੁਟ ਦੇ ਆਧਾਰ 'ਤੇ ਮੰਜ਼ਿਲ ਚੇਨ ਦੀ ਚੋਣ ਕਰਦੀ ਹੈ, ਅਤੇ LLM ਨੂੰ ਹੇਠਾਂ ਦਿੱਤੇ ਸਿਸਟਮ ਪ੍ਰੋਂਪਟ ਨਾਲ ਪ੍ਰਦਾਨ ਕੀਤਾ ਜਾਂਦਾ ਹੈ:

"""Given the user question below, classify it as one of the candidate prompts. You may want to modify the input considering the chat history and the context of the question. 
Sometimes the user may just assume that you have the context of the conversation and may not provide a clear input. Hence, you are being provided with the chat history for more context. 
Respond with only a Markdown code snippet containing a JSON object formatted EXACTLY as specified below. 
Do not provide an explanation to your classification beside the Markdown, I just need to know your decision on which destination and next_inputs
<candidate prompt>
physics: Good for answering questions about physics
sql: sql: Good for querying sql from AWS Athena. User input may look like: get me max or min for device x?
lambdachain: Good to execute actions with Amazon Lambda like shutting down a device or turning off an engine User input can be like, shutdown device x, or terminate process y, etc.
rag: Good to search knowledgebase and retrieve information about devices and other related information. User question can be like: what do you know about device x?
default: if the input is not well suited for any of the candidate prompts above. this could be used to carry on the conversation and respond to queries like provide a summary of the conversation
</candidate prompt>"""

LLM ਚੈਟ ਇਤਿਹਾਸ ਦੇ ਨਾਲ ਉਪਭੋਗਤਾ ਦੇ ਸਵਾਲ ਦਾ ਮੁਲਾਂਕਣ ਕਰਦਾ ਹੈ ਤਾਂ ਕਿ ਪੁੱਛਗਿੱਛ ਦੀ ਪ੍ਰਕਿਰਤੀ ਅਤੇ ਇਹ ਕਿਸ ਵਿਸ਼ਾ ਖੇਤਰ ਵਿੱਚ ਆਉਂਦਾ ਹੈ। LLM ਫਿਰ ਇੰਪੁੱਟ ਨੂੰ ਵਰਗੀਕ੍ਰਿਤ ਕਰਦਾ ਹੈ ਅਤੇ ਹੇਠਾਂ ਦਿੱਤੇ ਫਾਰਮੈਟ ਵਿੱਚ ਇੱਕ JSON ਜਵਾਬ ਨੂੰ ਆਉਟਪੁੱਟ ਕਰਦਾ ਹੈ:

<Markdown>
```json
{{
"destination": string  name of the prompt to use
"next_inputs": string  a potentially modified version of the original input
}}
```

ਰਾਊਟਰ ਚੇਨ ਅਨੁਸਾਰੀ ਮੰਜ਼ਿਲ ਚੇਨ ਨੂੰ ਬੁਲਾਉਣ ਲਈ ਇਸ JSON ਜਵਾਬ ਦੀ ਵਰਤੋਂ ਕਰਦੀ ਹੈ। ਚਾਰ ਵਿਸ਼ਾ-ਵਿਸ਼ੇਸ਼ ਮੰਜ਼ਿਲ ਚੇਨ ਹਨ, ਹਰ ਇੱਕ ਦਾ ਆਪਣਾ ਸਿਸਟਮ ਪ੍ਰੋਂਪਟ ਹੈ:

1. SQL-ਸਬੰਧਤ ਸਵਾਲਾਂ ਨੂੰ ਡਾਟਾਬੇਸ ਪਰਸਪਰ ਕ੍ਰਿਆਵਾਂ ਲਈ SQL ਮੰਜ਼ਿਲ ਚੇਨ ਨੂੰ ਭੇਜਿਆ ਜਾਂਦਾ ਹੈ। ਤੁਸੀਂ ਬਣਾਉਣ ਲਈ LCEL ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦੇ ਹੋ SQL ਚੇਨ।
2. ਐਕਸ਼ਨ-ਅਧਾਰਿਤ ਸਵਾਲ ਚੱਲ ਰਹੇ ਓਪਰੇਸ਼ਨਾਂ ਲਈ ਕਸਟਮ ਲਾਂਬਡਾ ਮੰਜ਼ਿਲ ਚੇਨ ਦੀ ਮੰਗ ਕਰਦੇ ਹਨ। LCEL ਨਾਲ, ਤੁਸੀਂ ਆਪਣੀ ਖੁਦ ਦੀ ਪਰਿਭਾਸ਼ਾ ਦੇ ਸਕਦੇ ਹੋ ਕਸਟਮ ਫੰਕਸ਼ਨ; ਸਾਡੇ ਕੇਸ ਵਿੱਚ, ਪਾਰਸ ਕੀਤੇ ਡਿਵਾਈਸ ID ਦੇ ਨਾਲ ਇੱਕ ਈਮੇਲ ਭੇਜਣ ਲਈ ਇੱਕ ਪੂਰਵ ਪਰਿਭਾਸ਼ਿਤ ਲਾਂਬਡਾ ਫੰਕਸ਼ਨ ਚਲਾਉਣਾ ਇੱਕ ਫੰਕਸ਼ਨ ਹੈ। ਉਦਾਹਰਨ ਯੂਜ਼ਰ ਇਨਪੁਟ "ਡਿਵਾਈਸ 1009 ਬੰਦ ਕਰੋ" ਹੋ ਸਕਦਾ ਹੈ।
3. ਖੋਜ-ਕੇਂਦ੍ਰਿਤ ਪੁੱਛਗਿੱਛ ਅੱਗੇ ਵਧਦੀ ਹੈ ਰਾਗ ਜਾਣਕਾਰੀ ਪ੍ਰਾਪਤੀ ਲਈ ਮੰਜ਼ਿਲ ਲੜੀ.
4. SME-ਸਬੰਧਤ ਸਵਾਲ ਵਿਸ਼ੇਸ਼ ਸੂਝ ਲਈ SME/ਮਾਹਰ ਮੰਜ਼ਿਲ ਚੇਨ 'ਤੇ ਜਾਂਦੇ ਹਨ।
5. ਹਰੇਕ ਮੰਜ਼ਿਲ ਚੇਨ ਇਨਪੁਟ ਲੈਂਦੀ ਹੈ ਅਤੇ ਲੋੜੀਂਦੇ ਮਾਡਲਾਂ ਜਾਂ ਫੰਕਸ਼ਨਾਂ ਨੂੰ ਚਲਾਉਂਦੀ ਹੈ:
   1. SQL ਚੇਨ ਚੱਲ ਰਹੀ ਪੁੱਛਗਿੱਛ ਲਈ ਐਥੀਨਾ ਦੀ ਵਰਤੋਂ ਕਰਦੀ ਹੈ।
   2. RAG ਚੇਨ ਅਰਥ ਖੋਜ ਲਈ OpenSearch ਸੇਵਾ ਦੀ ਵਰਤੋਂ ਕਰਦੀ ਹੈ।
   3. ਕਸਟਮ ਲਾਂਬਡਾ ਚੇਨ ਕਾਰਵਾਈਆਂ ਲਈ ਲਾਂਬਡਾ ਫੰਕਸ਼ਨਾਂ ਨੂੰ ਚਲਾਉਂਦੀ ਹੈ।
   4. ਐਸਐਮਈ/ਮਾਹਰ ਚੇਨ ਐਮਾਜ਼ਾਨ ਬੈਡਰੋਕ ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਸਮਝ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ।
6. ਹਰੇਕ ਮੰਜ਼ਿਲ ਚੇਨ ਦੇ ਜਵਾਬਾਂ ਨੂੰ LLM ਦੁਆਰਾ ਸੁਚੱਜੀ ਸੂਝ ਵਿੱਚ ਤਿਆਰ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਇਹ ਜਾਣਕਾਰੀ ਫਿਰ ਪੁੱਛਗਿੱਛ ਚੱਕਰ ਨੂੰ ਪੂਰਾ ਕਰਦੇ ਹੋਏ, ਉਪਭੋਗਤਾ ਨੂੰ ਪ੍ਰਦਾਨ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।
7. ਯੂਜ਼ਰ ਇਨਪੁਟ ਅਤੇ ਜਵਾਬਾਂ ਨੂੰ ਸਟੋਰ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਐਮਾਜ਼ਾਨ ਡਾਇਨਾਮੋਡੀਬੀ ਮੌਜੂਦਾ ਸੈਸ਼ਨ ਲਈ LLM ਨੂੰ ਸੰਦਰਭ ਪ੍ਰਦਾਨ ਕਰਨ ਲਈ ਅਤੇ ਪਿਛਲੀਆਂ ਗੱਲਬਾਤ ਤੋਂ। DynamoDB ਵਿੱਚ ਨਿਰੰਤਰ ਜਾਣਕਾਰੀ ਦੀ ਮਿਆਦ ਐਪਲੀਕੇਸ਼ਨ ਦੁਆਰਾ ਨਿਯੰਤਰਿਤ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।

ਤਕਨੀਕੀ ਝਾਤ

ਹੇਠਾਂ ਦਿੱਤਾ ਚਿੱਤਰ LangChain ਡਾਇਨਾਮਿਕ ਰੂਟਿੰਗ ਹੱਲ ਦੀ ਆਰਕੀਟੈਕਚਰ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ।

ਵੈੱਬ ਐਪਲੀਕੇਸ਼ਨ ਫਾਰਗੇਟ ਨਾਲ ਐਮਾਜ਼ਾਨ ਈਸੀਐਸ 'ਤੇ ਹੋਸਟ ਕੀਤੀ ਸਟ੍ਰੀਮਲਾਈਟ 'ਤੇ ਬਣਾਈ ਗਈ ਹੈ, ਅਤੇ ਇਸ ਨੂੰ ਐਪਲੀਕੇਸ਼ਨ ਲੋਡ ਬੈਲੈਂਸਰ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਐਕਸੈਸ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਅਸੀਂ ਆਪਣੇ LLM ਦੇ ਤੌਰ 'ਤੇ Amazon Bedrock 'ਤੇ Anthropic's Claude v2.1 ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਾਂ। ਵੈਬ ਐਪਲੀਕੇਸ਼ਨ ਲੈਂਗਚੈਨ ਲਾਇਬ੍ਰੇਰੀਆਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਮਾਡਲ ਨਾਲ ਇੰਟਰੈਕਟ ਕਰਦੀ ਹੈ। ਇਹ ਅੰਤ-ਉਪਭੋਗਤਾਵਾਂ ਦੀਆਂ ਲੋੜਾਂ ਪੂਰੀਆਂ ਕਰਨ ਲਈ ਕਈ ਤਰ੍ਹਾਂ ਦੀਆਂ ਹੋਰ AWS ਸੇਵਾਵਾਂ, ਜਿਵੇਂ ਕਿ OpenSearch Service, Athena, ਅਤੇ DynamoDB ਨਾਲ ਵੀ ਗੱਲਬਾਤ ਕਰਦਾ ਹੈ।

ਲਾਭ

ਇਹ ਹੱਲ ਹੇਠਾਂ ਦਿੱਤੇ ਲਾਭਾਂ ਦੀ ਪੇਸ਼ਕਸ਼ ਕਰਦਾ ਹੈ:

• ਲਾਗੂ ਕਰਨ ਦੀ ਗੁੰਝਲਤਾ:
  • ਹਾਲਾਂਕਿ ਇਸ ਨੂੰ ਵਧੇਰੇ ਕੋਡ ਅਤੇ ਕਸਟਮ ਵਿਕਾਸ ਦੀ ਲੋੜ ਹੈ, LangChain ਰੂਟਿੰਗ ਤਰਕ ਅਤੇ ਵੱਖ-ਵੱਖ ਹਿੱਸਿਆਂ ਦੇ ਨਾਲ ਏਕੀਕਰਣ 'ਤੇ ਵਧੇਰੇ ਲਚਕਤਾ ਅਤੇ ਨਿਯੰਤਰਣ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ।
  • ਵੈਕਟਰ ਡਾਟਾਬੇਸ ਜਿਵੇਂ ਕਿ OpenSearch Service ਦੇ ਪ੍ਰਬੰਧਨ ਲਈ ਵਾਧੂ ਸੈੱਟਅੱਪ ਅਤੇ ਕੌਂਫਿਗਰੇਸ਼ਨ ਯਤਨਾਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਵੈਕਟਰਾਈਜ਼ੇਸ਼ਨ ਪ੍ਰਕਿਰਿਆ ਕੋਡ ਵਿੱਚ ਲਾਗੂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।
  • AWS ਸੇਵਾਵਾਂ ਨਾਲ ਏਕੀਕ੍ਰਿਤ ਕਰਨ ਵਿੱਚ ਵਧੇਰੇ ਕਸਟਮ ਕੋਡ ਅਤੇ ਸੰਰਚਨਾ ਸ਼ਾਮਲ ਹੋ ਸਕਦੀ ਹੈ।
• ਵਿਕਾਸਕਾਰ ਅਨੁਭਵ:
  • LangChain ਦੀ ਪਾਈਥਨ-ਅਧਾਰਿਤ ਪਹੁੰਚ ਅਤੇ ਵਿਆਪਕ ਦਸਤਾਵੇਜ਼ ਡਿਵੈਲਪਰਾਂ ਲਈ ਆਕਰਸ਼ਕ ਹੋ ਸਕਦੇ ਹਨ ਜੋ ਪਾਇਥਨ ਅਤੇ ਓਪਨ ਸੋਰਸ ਟੂਲਸ ਤੋਂ ਪਹਿਲਾਂ ਹੀ ਜਾਣੂ ਹਨ।
  • ਐਮਾਜ਼ਾਨ ਬੈਡਰੋਕ ਕੰਸੋਲ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੇ ਮੁਕਾਬਲੇ ਤੁਰੰਤ ਵਿਕਾਸ ਅਤੇ ਡੀਬੱਗਿੰਗ ਲਈ ਵਧੇਰੇ ਹੱਥੀਂ ਕੋਸ਼ਿਸ਼ਾਂ ਦੀ ਲੋੜ ਹੋ ਸਕਦੀ ਹੈ।
• ਚੁਸਤੀ ਅਤੇ ਲਚਕਤਾ:
  • LangChain LLMs ਦੀ ਇੱਕ ਵਿਸ਼ਾਲ ਸ਼੍ਰੇਣੀ ਦਾ ਸਮਰਥਨ ਕਰਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਤੁਸੀਂ ਵੱਖ-ਵੱਖ ਮਾਡਲਾਂ ਜਾਂ ਪ੍ਰਦਾਤਾਵਾਂ ਵਿਚਕਾਰ ਅਦਲਾ-ਬਦਲੀ ਕਰ ਸਕਦੇ ਹੋ, ਲਚਕਤਾ ਨੂੰ ਵਧਾਉਂਦੇ ਹੋਏ।
  • LangChain ਦੀ ਓਪਨ ਸੋਰਸ ਪ੍ਰਕਿਰਤੀ ਕਮਿਊਨਿਟੀ ਦੁਆਰਾ ਸੰਚਾਲਿਤ ਸੁਧਾਰਾਂ ਅਤੇ ਅਨੁਕੂਲਤਾਵਾਂ ਨੂੰ ਸਮਰੱਥ ਬਣਾਉਂਦੀ ਹੈ।
• ਸੁਰੱਖਿਆ:
  • ਇੱਕ ਓਪਨ ਸੋਰਸ ਫਰੇਮਵਰਕ ਦੇ ਰੂਪ ਵਿੱਚ, LangChain ਨੂੰ ਸੰਭਾਵੀ ਤੌਰ 'ਤੇ ਓਵਰਹੈੱਡ ਨੂੰ ਜੋੜਦੇ ਹੋਏ, ਸੰਗਠਨਾਂ ਵਿੱਚ ਵਧੇਰੇ ਸਖ਼ਤ ਸੁਰੱਖਿਆ ਸਮੀਖਿਆਵਾਂ ਅਤੇ ਜਾਂਚ ਦੀ ਲੋੜ ਹੋ ਸਕਦੀ ਹੈ।

ਸਿੱਟਾ

ਗੱਲਬਾਤ ਵਾਲੇ AI ਸਹਾਇਕ ਕਾਰਜਾਂ ਨੂੰ ਸੁਚਾਰੂ ਬਣਾਉਣ ਅਤੇ ਉਪਭੋਗਤਾ ਅਨੁਭਵਾਂ ਨੂੰ ਵਧਾਉਣ ਲਈ ਪਰਿਵਰਤਨਸ਼ੀਲ ਟੂਲ ਹਨ। ਇਸ ਪੋਸਟ ਨੇ AWS ਸੇਵਾਵਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਦੋ ਸ਼ਕਤੀਸ਼ਾਲੀ ਪਹੁੰਚਾਂ ਦੀ ਪੜਚੋਲ ਕੀਤੀ: ਐਮਾਜ਼ਾਨ ਬੈਡਰੋਕ ਲਈ ਪ੍ਰਬੰਧਿਤ ਏਜੰਟ ਅਤੇ ਲਚਕਦਾਰ, ਓਪਨ ਸੋਰਸ ਲੈਂਗਚੈਨ ਡਾਇਨਾਮਿਕ ਰੂਟਿੰਗ। ਇਹਨਾਂ ਪਹੁੰਚਾਂ ਵਿਚਕਾਰ ਚੋਣ ਤੁਹਾਡੀ ਸੰਸਥਾ ਦੀਆਂ ਲੋੜਾਂ, ਵਿਕਾਸ ਤਰਜੀਹਾਂ, ਅਤੇ ਅਨੁਕੂਲਤਾ ਦੇ ਲੋੜੀਂਦੇ ਪੱਧਰ 'ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ। ਚਾਹੇ ਕੋਈ ਵੀ ਰਸਤਾ ਅਪਣਾਇਆ ਜਾਵੇ, AWS ਤੁਹਾਨੂੰ ਬੁੱਧੀਮਾਨ AI ਸਹਾਇਕ ਬਣਾਉਣ ਲਈ ਸ਼ਕਤੀ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ ਜੋ ਕਾਰੋਬਾਰ ਅਤੇ ਗਾਹਕਾਂ ਦੇ ਆਪਸੀ ਤਾਲਮੇਲ ਵਿੱਚ ਕ੍ਰਾਂਤੀ ਲਿਆਉਂਦੇ ਹਨ।

ਸਾਡੇ ਵਿੱਚ ਹੱਲ ਕੋਡ ਅਤੇ ਤੈਨਾਤੀ ਸੰਪਤੀਆਂ ਲੱਭੋ ਗਿੱਟਹਬ ਰਿਪੋਜ਼ਟਰੀ, ਜਿੱਥੇ ਤੁਸੀਂ ਹਰੇਕ ਗੱਲਬਾਤ ਵਾਲੀ AI ਪਹੁੰਚ ਲਈ ਵਿਸਤ੍ਰਿਤ ਕਦਮਾਂ ਦੀ ਪਾਲਣਾ ਕਰ ਸਕਦੇ ਹੋ।

ਲੇਖਕਾਂ ਬਾਰੇ

ਅਮੀਰ ਹਾਕਮ ਪੈਨਸਿਲਵੇਨੀਆ ਵਿੱਚ ਅਧਾਰਤ ਇੱਕ AWS ਹੱਲ਼ ਆਰਕੀਟੈਕਟ ਹੈ। ਉਹ ਉੱਤਰ-ਪੂਰਬੀ ਖੇਤਰ ਵਿੱਚ ਸੁਤੰਤਰ ਸੌਫਟਵੇਅਰ ਵਿਕਰੇਤਾਵਾਂ (ISVs) ਨਾਲ ਸਹਿਯੋਗ ਕਰਦਾ ਹੈ, ਉਹਨਾਂ ਨੂੰ AWS ਕਲਾਉਡ 'ਤੇ ਸਕੇਲੇਬਲ ਅਤੇ ਆਧੁਨਿਕ ਪਲੇਟਫਾਰਮਾਂ ਨੂੰ ਡਿਜ਼ਾਈਨ ਕਰਨ ਅਤੇ ਬਣਾਉਣ ਵਿੱਚ ਸਹਾਇਤਾ ਕਰਦਾ ਹੈ। AI/ML ਅਤੇ ਜਨਰੇਟਿਵ AI ਵਿੱਚ ਇੱਕ ਮਾਹਰ, Ameer ਗਾਹਕਾਂ ਨੂੰ ਇਹਨਾਂ ਅਤਿ-ਆਧੁਨਿਕ ਤਕਨੀਕਾਂ ਦੀ ਸੰਭਾਵਨਾ ਨੂੰ ਅਨਲੌਕ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ। ਆਪਣੇ ਵਿਹਲੇ ਸਮੇਂ ਵਿੱਚ, ਉਹ ਆਪਣੇ ਮੋਟਰਸਾਈਕਲ ਦੀ ਸਵਾਰੀ ਕਰਨ ਅਤੇ ਆਪਣੇ ਪਰਿਵਾਰ ਨਾਲ ਵਧੀਆ ਸਮਾਂ ਬਿਤਾਉਣ ਦਾ ਅਨੰਦ ਲੈਂਦਾ ਹੈ।

ਸ਼ੈਰਨ ਲੀ AWS 'ਤੇ ਜਨਰੇਟਿਵ AI ਐਪਲੀਕੇਸ਼ਨਾਂ ਨੂੰ ਡਿਜ਼ਾਈਨ ਕਰਨ ਅਤੇ ਬਣਾਉਣ ਦੇ ਜਨੂੰਨ ਨਾਲ, ਬੋਸਟਨ ਸਥਿਤ ਐਮਾਜ਼ਾਨ ਵੈੱਬ ਸਰਵਿਸਿਜ਼ 'ਤੇ ਇੱਕ AI/ML ਹੱਲ਼ ਆਰਕੀਟੈਕਟ ਹੈ। ਉਹ ਨਵੀਨਤਾਕਾਰੀ ਹੱਲਾਂ ਲਈ AWS AI/ML ਸੇਵਾਵਾਂ ਦਾ ਲਾਭ ਉਠਾਉਣ ਲਈ ਗਾਹਕਾਂ ਨਾਲ ਸਹਿਯੋਗ ਕਰਦੀ ਹੈ।

ਕੌਸਰ ਕਮਲ ਬੁਨਿਆਦੀ ਢਾਂਚਾ ਆਟੋਮੇਸ਼ਨ ਅਤੇ ਸੁਰੱਖਿਆ ਸਪੇਸ ਵਿੱਚ 15 ਸਾਲਾਂ ਤੋਂ ਵੱਧ ਅਨੁਭਵ ਦੇ ਨਾਲ ਐਮਾਜ਼ਾਨ ਵੈੱਬ ਸੇਵਾਵਾਂ ਵਿੱਚ ਇੱਕ ਸੀਨੀਅਰ ਹੱਲ ਆਰਕੀਟੈਕਟ ਹੈ। ਉਹ ਕਲਾਉਡ ਵਿੱਚ ਸਕੇਲੇਬਲ DevSecOps ਅਤੇ AI/ML ਹੱਲਾਂ ਨੂੰ ਡਿਜ਼ਾਈਨ ਕਰਨ ਅਤੇ ਬਣਾਉਣ ਵਿੱਚ ਗਾਹਕਾਂ ਦੀ ਮਦਦ ਕਰਦਾ ਹੈ।

• ਐਸਈਓ ਦੁਆਰਾ ਸੰਚਾਲਿਤ ਸਮੱਗਰੀ ਅਤੇ PR ਵੰਡ. ਅੱਜ ਹੀ ਵਧਾਓ।
• PlatoData.Network ਵਰਟੀਕਲ ਜਨਰੇਟਿਵ ਏ.ਆਈ. ਆਪਣੇ ਆਪ ਨੂੰ ਸਮਰੱਥ ਬਣਾਓ। ਇੱਥੇ ਪਹੁੰਚ ਕਰੋ।
• ਪਲੈਟੋਏਆਈਸਟ੍ਰੀਮ। Web3 ਇੰਟੈਲੀਜੈਂਸ। ਗਿਆਨ ਵਧਾਇਆ। ਇੱਥੇ ਪਹੁੰਚ ਕਰੋ।
• ਪਲੇਟੋਈਐਸਜੀ. ਕਾਰਬਨ, ਕਲੀਨਟੈਕ, ਊਰਜਾ, ਵਾਤਾਵਰਨ, ਸੂਰਜੀ, ਕੂੜਾ ਕਰਕਟ ਪ੍ਰਬੰਧਨ. ਇੱਥੇ ਪਹੁੰਚ ਕਰੋ।
• ਪਲੈਟੋ ਹੈਲਥ। ਬਾਇਓਟੈਕ ਅਤੇ ਕਲੀਨਿਕਲ ਟਰਾਇਲ ਇੰਟੈਲੀਜੈਂਸ। ਇੱਥੇ ਪਹੁੰਚ ਕਰੋ।
• ਸਰੋਤ: https://aws.amazon.com/blogs/machine-learning/enhance-conversational-ai-with-advanced-routing-techniques-with-amazon-bedrock/