នៅក្នុងការគ្រប់គ្រងទ្រព្យសកម្ម អ្នកគ្រប់គ្រងផលប័ត្រត្រូវតាមដានយ៉ាងដិតដល់នូវក្រុមហ៊ុននៅក្នុងសកលលោកនៃការវិនិយោគរបស់ពួកគេដើម្បីកំណត់ហានិភ័យ និងឱកាស និងណែនាំការសម្រេចចិត្តវិនិយោគ។ ការតាមដានព្រឹត្តិការណ៍ដោយផ្ទាល់ដូចជារបាយការណ៍ប្រាក់ចំណូល ឬការបន្ទាបចំណាត់ថ្នាក់ឥណទានគឺត្រង់ - អ្នកអាចរៀបចំការជូនដំណឹងដើម្បីជូនដំណឹងដល់អ្នកគ្រប់គ្រងអំពីព័ត៌មានដែលមានឈ្មោះក្រុមហ៊ុន។ ទោះជាយ៉ាងណាក៏ដោយ ការរកឃើញផលប៉ះពាល់លំដាប់ទីពីរ និងទីបីដែលកើតឡើងពីព្រឹត្តិការណ៍នៅឯអ្នកផ្គត់ផ្គង់ អតិថិជន ដៃគូ ឬអង្គភាពផ្សេងទៀតនៅក្នុងប្រព័ន្ធអេកូរបស់ក្រុមហ៊ុនគឺមានបញ្ហាប្រឈម។

ជាឧទាហរណ៍ ការរអាក់រអួលនៃសង្វាក់ផ្គត់ផ្គង់របស់អ្នកលក់សំខាន់ទំនងជានឹងជះឥទ្ធិពលអវិជ្ជមានដល់ក្រុមហ៊ុនផលិតនៅខាងក្រោម។ ឬការបាត់បង់អតិថិជនកំពូលសម្រាប់អតិថិជនធំ បង្កហានិភ័យតម្រូវការសម្រាប់អ្នកផ្គត់ផ្គង់។ ជាញឹកញាប់ណាស់ ព្រឹត្តិការណ៍បែបនេះបរាជ័យក្នុងការបង្កើតចំណងជើងដែលបង្ហាញពីក្រុមហ៊ុនដែលរងផលប៉ះពាល់ដោយផ្ទាល់ ប៉ុន្តែនៅតែមានសារៈសំខាន់ក្នុងការយកចិត្តទុកដាក់។ នៅក្នុងការប្រកាសនេះ យើងបង្ហាញពីដំណោះស្រាយស្វ័យប្រវត្តិដែលរួមបញ្ចូលគ្នានូវក្រាហ្វចំណេះដឹង និង បញ្ញាសិប្បនិមិត្ត (AI) ដើម្បីបង្ហាញហានិភ័យបែបនេះដោយផែនទីទំនាក់ទំនងឆ្លងយោងជាមួយព័ត៌មានពេលវេលាពិត។

ជាទូទៅ វារួមបញ្ចូលពីរជំហាន៖ ទីមួយ ការកសាងទំនាក់ទំនងដ៏ស្មុគ្រស្មាញរវាងក្រុមហ៊ុន (អតិថិជន អ្នកផ្គត់ផ្គង់ នាយក) ទៅក្នុងក្រាហ្វចំណេះដឹង។ ទីពីរ ការប្រើប្រាស់មូលដ្ឋានទិន្នន័យក្រាហ្វនេះ រួមជាមួយនឹង AI ជំនាន់ថ្មី ដើម្បីរកមើលផលប៉ះពាល់លំដាប់ទីពីរ និងទីបីពីព្រឹត្តិការណ៍ព័ត៌មាន។ ជាឧទាហរណ៍ ដំណោះស្រាយនេះអាចបញ្ជាក់បានថាការពន្យារពេលរបស់អ្នកផ្គត់ផ្គង់គ្រឿងបន្លាស់អាចរំខានដល់ការផលិតសម្រាប់ក្រុមហ៊ុនផលិតរថយន្តខាងក្រោមនៅក្នុងផលប័ត្រ ទោះបីជាមិនមានការយោងដោយផ្ទាល់ក៏ដោយ។

ជាមួយ AWS អ្នកអាចដាក់ឱ្យប្រើប្រាស់ដំណោះស្រាយនេះនៅក្នុងស្ថាបត្យកម្មគ្មានម៉ាស៊ីនមេ ធ្វើមាត្រដ្ឋាន និងដំណើរការដោយព្រឹត្តិការណ៍យ៉ាងពេញលេញ។ ការបង្ហោះនេះបង្ហាញពីភ័ស្តុតាងនៃគំនិតដែលបានបង្កើតឡើងនៅលើសេវាកម្ម AWS សំខាន់ៗចំនួនពីរដែលស័ក្តិសមសម្រាប់តំណាងចំណេះដឹងក្រាហ្វ និងដំណើរការភាសាធម្មជាតិ៖ អាម៉ាហ្សូន Neptune និង ក្រុមហ៊ុន Amazon Bedrock. Neptune គឺជាសេវាកម្មមូលដ្ឋានទិន្នន័យក្រាហ្វដែលគ្រប់គ្រងយ៉ាងពេញលេញ រហ័ស គួរឱ្យទុកចិត្ត ដែលធ្វើឱ្យវាមានភាពសាមញ្ញក្នុងការបង្កើត និងដំណើរការកម្មវិធីដែលដំណើរការជាមួយសំណុំទិន្នន័យដែលមានការតភ្ជាប់ខ្ពស់។ Amazon Bedrock គឺជាសេវាកម្មគ្រប់គ្រងពេញលេញដែលផ្តល់នូវជម្រើសនៃគំរូគ្រឹះដែលដំណើរការខ្ពស់ (FMs) ពីក្រុមហ៊ុន AI ឈានមុខគេដូចជា AI21 Labs, Anthropic, Cohere, Meta, Stability AI និង Amazon តាមរយៈ API តែមួយ រួមជាមួយនឹងសំណុំទូលំទូលាយនៃ សមត្ថភាពបង្កើតកម្មវិធី AI ជំនាន់ថ្មីជាមួយនឹងសុវត្ថិភាព ឯកជនភាព និង AI ទទួលខុសត្រូវ។

សរុបមក គំរូនេះបង្ហាញពីសិល្បៈដែលអាចធ្វើទៅបានជាមួយនឹងក្រាហ្វចំណេះដឹង និង AI បង្កើត - ទទួលបានសញ្ញាដោយភ្ជាប់ចំណុចផ្សេងគ្នា។ Takeaway សម្រាប់អ្នកជំនាញវិនិយោគគឺជាសមត្ថភាពក្នុងការស្ថិតនៅលើកំពូលនៃការអភិវឌ្ឍន៍កាន់តែជិតទៅនឹងសញ្ញាខណៈពេលដែលជៀសវាងសំលេងរំខាន។

បង្កើតក្រាហ្វចំណេះដឹង

ជំហានដំបូងក្នុងដំណោះស្រាយនេះគឺការកសាងក្រាហ្វចំណេះដឹង ហើយប្រភពទិន្នន័យដ៏មានតម្លៃដែលជារឿយៗត្រូវបានគេមើលរំលងសម្រាប់ក្រាហ្វចំណេះដឹងគឺជារបាយការណ៍ប្រចាំឆ្នាំរបស់ក្រុមហ៊ុន។ ដោយសារការបោះពុម្ពផ្សាយសាជីវកម្មផ្លូវការឆ្លងកាត់ការត្រួតពិនិត្យមុនពេលចេញផ្សាយ ព័ត៌មានដែលពួកគេមានទំនងជាត្រឹមត្រូវ និងអាចទុកចិត្តបាន។ ទោះជាយ៉ាងណាក៏ដោយ របាយការណ៍ប្រចាំឆ្នាំត្រូវបានសរសេរក្នុងទម្រង់គ្មានរចនាសម្ព័ន្ធដែលមានន័យសម្រាប់ការអានរបស់មនុស្សជាជាងការប្រើប្រាស់ម៉ាស៊ីន។ ដើម្បីដោះសោសក្តានុពលរបស់ពួកគេ អ្នកត្រូវការវិធីមួយដើម្បីទាញយក និងរៀបចំរចនាសម្ព័ន្ធទ្រព្យសម្បត្តិនៃការពិត និងទំនាក់ទំនងដែលពួកគេមានជាប្រព័ន្ធ។

ជាមួយនឹងសេវាកម្ម AI ទូទៅដូចជា Amazon Bedrock ឥឡូវនេះអ្នកមានសមត្ថភាពក្នុងការធ្វើឱ្យដំណើរការនេះដោយស្វ័យប្រវត្តិ។ អ្នក​អាច​យក​របាយការណ៍​ប្រចាំ​ឆ្នាំ​មួយ ហើយ​កេះ​បំពង់​ដំណើរការ​ដើម្បី​បញ្ចូល​របាយការណ៍ បំបែក​វា​ជា​ផ្នែក​តូចៗ និង​អនុវត្ត​ការ​យល់​ដឹង​ភាសា​ធម្មជាតិ​ដើម្បី​ទាញ​ចេញ​នូវ​អង្គភាព និង​ទំនាក់ទំនង​សំខាន់ៗ។

ជាឧទាហរណ៍ ប្រយោគដែលបញ្ជាក់ថា "[ក្រុមហ៊ុន A] បានពង្រីកកងដឹកជញ្ជូនអគ្គិសនីនៅអឺរ៉ុបរបស់ខ្លួនជាមួយនឹងការបញ្ជាទិញរថយន្តអគ្គិសនីចំនួន 1,800 គ្រឿងពី [ក្រុមហ៊ុន B]" នឹងអនុញ្ញាតឱ្យក្រុមហ៊ុន Amazon Bedrock កំណត់អត្តសញ្ញាណដូចខាងក្រោម:

• [ក្រុមហ៊ុន A] ជាអតិថិជន
• [ក្រុមហ៊ុន ខ] ជាអ្នកផ្គត់ផ្គង់
• ទំនាក់ទំនងអ្នកផ្គត់ផ្គង់រវាង [ក្រុមហ៊ុន A] និង [ក្រុមហ៊ុន B]
• ព័ត៌មានលម្អិតអំពីទំនាក់ទំនង "អ្នកផ្គត់ផ្គង់រថយន្តដឹកជញ្ជូនអគ្គិសនី"

ការទាញយកទិន្នន័យដែលមានរចនាសម្ព័ន្ធបែបនេះពីឯកសារដែលមិនមានរចនាសម្ព័ន្ធតម្រូវឱ្យផ្តល់នូវការជម្រុញដែលបានបង្កើតដោយប្រុងប្រយ័ត្នចំពោះគំរូភាសាធំ (LLMs) ដូច្នេះពួកគេអាចវិភាគអត្ថបទដើម្បីទាញយកអង្គភាពដូចជាក្រុមហ៊ុន និងមនុស្ស ក៏ដូចជាទំនាក់ទំនងដូចជាអតិថិជន អ្នកផ្គត់ផ្គង់ និងអ្វីៗជាច្រើនទៀត។ ប្រអប់បញ្ចូលមានការណែនាំច្បាស់លាស់អំពីអ្វីដែលត្រូវរកមើល និងរចនាសម្ព័ន្ធដើម្បីបញ្ជូនទិន្នន័យមកវិញ។ ដោយដំណើរការនេះឡើងវិញនៅលើរបាយការណ៍ប្រចាំឆ្នាំទាំងមូល អ្នកអាចស្រង់ចេញនូវអង្គភាព និងទំនាក់ទំនងដែលពាក់ព័ន្ធដើម្បីបង្កើតក្រាហ្វចំណេះដឹងដ៏សម្បូរបែប។

ទោះជាយ៉ាងណាក៏ដោយ មុននឹងបញ្ជូនព័ត៌មានដែលបានស្រង់ចេញទៅកាន់ក្រាហ្វចំណេះដឹង អ្នកត្រូវធ្វើការបកស្រាយអំពីអង្គភាពជាមុនសិន។ ជាឧទាហរណ៍ វាអាចមានអង្គភាព '[ក្រុមហ៊ុន A]' ផ្សេងទៀតរួចហើយនៅក្នុងក្រាហ្វចំណេះដឹង ប៉ុន្តែវាអាចតំណាងឱ្យអង្គការផ្សេងដែលមានឈ្មោះដូចគ្នា។ Amazon Bedrock អាចវែកញែក និងប្រៀបធៀបគុណលក្ខណៈដូចជាតំបន់ផ្តោតលើអាជីវកម្ម ឧស្សាហកម្ម និងឧស្សាហកម្មដែលបង្កើតប្រាក់ចំណូល និងទំនាក់ទំនងទៅអង្គភាពផ្សេងទៀតដើម្បីកំណត់ថាតើអង្គភាពទាំងពីរពិតជាខុសគ្នាឬអត់។ នេះរារាំងការរួមបញ្ចូលក្រុមហ៊ុនដែលមិនពាក់ព័ន្ធដោយមិនត្រឹមត្រូវទៅក្នុងអង្គភាពតែមួយ។

បន្ទាប់ពីភាពមិនច្បាស់លាស់ត្រូវបានបញ្ចប់ អ្នកអាចបន្ថែមអង្គភាព និងទំនាក់ទំនងថ្មីៗទៅក្នុងក្រាហ្វចំណេះដឹង Neptune របស់អ្នកដោយភាពជឿជាក់ ដោយបង្កើនវាជាមួយនឹងការពិតដែលបានស្រង់ចេញពីរបាយការណ៍ប្រចាំឆ្នាំ។ យូរ ៗ ទៅការបញ្ចូលទិន្នន័យដែលអាចទុកចិត្តបាន និងការរួមបញ្ចូលប្រភពទិន្នន័យដែលអាចទុកចិត្តបានកាន់តែច្រើននឹងជួយបង្កើតក្រាហ្វចំណេះដឹងដ៏ទូលំទូលាយដែលអាចគាំទ្រការបង្ហាញការយល់ដឹងតាមរយៈសំណួរក្រាហ្វ និងការវិភាគ។

ស្វ័យប្រវត្តិកម្មនេះបានបើកដំណើរការដោយ AI ជំនាន់ថ្មីធ្វើឱ្យវាអាចដំណើរការរបាយការណ៍ប្រចាំឆ្នាំរាប់ពាន់ និងដោះសោទ្រព្យសម្បត្តិដែលមិនអាចកាត់ថ្លៃបានសម្រាប់ការរៀបចំក្រាហ្វចំណេះដឹង ដែលនឹងមិនអាចដំណើរការបានដោយសារការខិតខំប្រឹងប្រែងដោយដៃខ្ពស់ដែលចាំបាច់។

រូបថតអេក្រង់ខាងក្រោមបង្ហាញពីឧទាហរណ៍នៃការរុករកដែលមើលឃើញដែលអាចធ្វើទៅបាននៅក្នុងមូលដ្ឋានទិន្នន័យក្រាហ្វិក Neptune ដោយប្រើប្រាស់ ក្រាហ្វ Explorer ឧបករណ៍។

ដំណើរការអត្ថបទព័ត៌មាន

ជំហានបន្ទាប់នៃដំណោះស្រាយគឺការបង្កើនព័ត៌មានព័ត៌មានរបស់អ្នកគ្រប់គ្រងផលប័ត្រដោយស្វ័យប្រវត្តិ និងការរំលេចអត្ថបទដែលទាក់ទងនឹងចំណាប់អារម្មណ៍ និងការវិនិយោគរបស់ពួកគេ។ សម្រាប់ព័ត៌មាន ព័ត៌មាន អ្នកគ្រប់គ្រងផលប័ត្រអាចជាវអ្នកផ្តល់ព័ត៌មានភាគីទីបីណាមួយតាមរយៈ ការផ្លាស់ប្តូរទិន្នន័យអេ។ អេស។ អេ ឬ API ព័ត៌មានផ្សេងទៀតនៃជម្រើសរបស់ពួកគេ។

នៅពេលអត្ថបទព័ត៌មានចូលក្នុងប្រព័ន្ធ បំពង់បញ្ចូលត្រូវបានហៅឱ្យដំណើរការខ្លឹមសារ។ ដោយប្រើបច្ចេកទេសស្រដៀងគ្នាទៅនឹងដំណើរការនៃរបាយការណ៍ប្រចាំឆ្នាំ Amazon Bedrock ត្រូវបានប្រើដើម្បីទាញយកអង្គភាព គុណលក្ខណៈ និងទំនាក់ទំនងពីអត្ថបទព័ត៌មាន ដែលបន្ទាប់មកត្រូវបានប្រើដើម្បីធ្វើឱ្យអព្យាក្រឹតប្រឆាំងនឹងក្រាហ្វចំណេះដឹងដើម្បីកំណត់អត្តសញ្ញាណអង្គភាពដែលត្រូវគ្នានៅក្នុងក្រាហ្វចំណេះដឹង។

ក្រាហ្វចំណេះដឹងមានទំនាក់ទំនងរវាងក្រុមហ៊ុន និងមនុស្ស ហើយដោយការភ្ជាប់ធាតុអត្ថបទទៅនឹងថ្នាំងដែលមានស្រាប់ អ្នកអាចកំណត់ថាតើមុខវិជ្ជាណាមួយស្ថិតក្នុងរង្វង់ពីររបស់ក្រុមហ៊ុនដែលអ្នកគ្រប់គ្រងផលប័ត្របានវិនិយោគ ឬចាប់អារម្មណ៍។ ការស្វែងរកការតភ្ជាប់នេះបង្ហាញពី អត្ថបទអាចពាក់ព័ន្ធនឹងអ្នកគ្រប់គ្រងផលប័ត្រ ហើយដោយសារតែទិន្នន័យមូលដ្ឋានត្រូវបានតំណាងនៅក្នុងក្រាហ្វចំណេះដឹង វាអាចត្រូវបានគេមើលឃើញដើម្បីជួយអ្នកគ្រប់គ្រងផលប័ត្រយល់អំពីមូលហេតុ និងរបៀបដែលបរិបទនេះពាក់ព័ន្ធ។ បន្ថែមពីលើការកំណត់អត្តសញ្ញាណការតភ្ជាប់ទៅនឹងផលប័ត្រ អ្នកក៏អាចប្រើ Amazon Bedrock ដើម្បីអនុវត្តការវិភាគមនោសញ្ចេតនាលើអង្គភាពដែលបានយោងផងដែរ។

លទ្ធផលចុងក្រោយគឺជាអត្ថបទដែលបង្ហាញព័ត៌មានដែលសំបូរទៅដោយអត្ថបទដែលទំនងជាមានឥទ្ធិពលលើផ្នែកចំណាប់អារម្មណ៍ និងការវិនិយោគរបស់អ្នកគ្រប់គ្រងផលប័ត្រ។

ទិដ្ឋភាពទូទៅនៃដំណោះស្រាយ

ស្ថាបត្យកម្មរួមនៃដំណោះស្រាយមើលទៅដូចដ្យាក្រាមខាងក្រោម។

ដំណើរការការងារមានជំហានដូចខាងក្រោមៈ

1. អ្នកប្រើប្រាស់បង្ហោះរបាយការណ៍ផ្លូវការ (ជាទម្រង់ PDF) ទៅ សេវាកម្មផ្ទុកសាមញ្ញរបស់ក្រុមហ៊ុន Amazon (Amazon S3) ដាក់ធុង។ របាយការណ៍គួរតែត្រូវបានបោះពុម្ពផ្សាយជាផ្លូវការដើម្បីកាត់បន្ថយការដាក់បញ្ចូលទិន្នន័យមិនត្រឹមត្រូវទៅក្នុងក្រាហ្វចំណេះដឹងរបស់អ្នក (ខុសពីព័ត៌មាន និងផ្ទាំងព័ត៌មាន)។
2. ការជូនដំណឹងអំពីព្រឹត្តិការណ៍ S3 អំពាវនាវឱ្យមាន AWS Lambda មុខងារដែលផ្ញើ S3 bucket និងឈ្មោះឯកសារទៅ a សេវាកម្មជួរធម្មតារបស់ Amazon (Amazon SQS) ជួរ។ ជួរ First-in-First-Out (FIFO) ធ្វើឱ្យប្រាកដថាដំណើរការបញ្ចូលរបាយការណ៍ត្រូវបានអនុវត្តជាបន្តបន្ទាប់ ដើម្បីកាត់បន្ថយលទ្ធភាពនៃការណែនាំទិន្នន័យស្ទួនទៅក្នុងក្រាហ្វចំណេះដឹងរបស់អ្នក។
3. An ក្រុមហ៊ុន Amazon EventBridge ព្រឹត្តិការណ៍ផ្អែកលើពេលវេលាដំណើរការជារៀងរាល់នាទីដើម្បីចាប់ផ្តើមដំណើរការ អនុគមន៍អេ។ អេស។ អេ ម៉ាស៊ីនរដ្ឋអសមកាល។
4. Step Functions state machine ដំណើរការតាមស៊េរីនៃកិច្ចការដើម្បីដំណើរការឯកសារដែលបានផ្ទុកឡើងដោយទាញយកព័ត៌មានសំខាន់ៗ ហើយបញ្ចូលវាទៅក្នុងក្រាហ្វចំណេះដឹងរបស់អ្នក៖
   1. ទទួលបានសារជួរពី Amazon SQS ។
   2. ទាញយកឯកសាររបាយការណ៍ PDF ពី Amazon S3 បំបែកវាទៅជាបំណែកអត្ថបទតូចៗជាច្រើន (ប្រហែល 1,000 ពាក្យ) សម្រាប់ដំណើរការ ហើយរក្សាទុកកំណាត់អត្ថបទនៅក្នុង ក្រុមហ៊ុន Amazon DynamoDB.
   3. ប្រើ Claude v3 Sonnet របស់ Anthropic នៅលើ Amazon Bedrock ដើម្បីដំណើរការកំណាត់អត្ថបទពីរបីដំបូងដើម្បីកំណត់អង្គភាពសំខាន់ដែលរបាយការណ៍កំពុងសំដៅ រួមជាមួយនឹងគុណលក្ខណៈពាក់ព័ន្ធ (ដូចជាឧស្សាហកម្ម)។
   4. ទាញយកកំណាត់អត្ថបទពី DynamoDB និងសម្រាប់កំណាត់អត្ថបទនីមួយៗ ហៅមុខងារ Lambda ដើម្បីទាញយកអង្គភាព (ដូចជាក្រុមហ៊ុន ឬបុគ្គល) និងទំនាក់ទំនងរបស់វា (អតិថិជន អ្នកផ្គត់ផ្គង់ ដៃគូប្រកួតប្រជែង ឬនាយក) ទៅអង្គភាពសំខាន់ដោយប្រើ Amazon Bedrock .
   5. បង្រួបបង្រួមព័ត៌មានដែលបានស្រង់ចេញទាំងអស់។
   6. ត្រងសំឡេងរំខាន និងអង្គភាពដែលមិនពាក់ព័ន្ធ (ឧទាហរណ៍ ពាក្យទូទៅដូចជា "អ្នកប្រើប្រាស់") ដោយប្រើ Amazon Bedrock ។
   7. ប្រើ Amazon Bedrock ដើម្បីអនុវត្តភាពមិនច្បាស់លាស់ដោយការវែកញែកដោយប្រើព័ត៌មានដែលបានស្រង់ចេញពីបញ្ជីនៃអង្គភាពស្រដៀងគ្នាពីក្រាហ្វចំណេះដឹង។ ប្រសិនបើអង្គភាពមិនមានទេ សូមបញ្ចូលវា។ បើមិនដូច្នោះទេ សូមប្រើធាតុដែលមានរួចហើយនៅក្នុងក្រាហ្វចំណេះដឹង។ បញ្ចូលទំនាក់ទំនងទាំងអស់ដែលបានស្រង់ចេញ។
   8. សម្អាតដោយលុបសារជួរ SQS និងឯកសារ S3 ។
5. អ្នកប្រើប្រាស់ចូលប្រើកម្មវិធីគេហទំព័រដែលមានមូលដ្ឋានលើ React ដើម្បីមើលអត្ថបទព័ត៌មានដែលត្រូវបានបំពេញបន្ថែមដោយអង្គភាព អារម្មណ៍ និងព័ត៌មានផ្លូវតភ្ជាប់។
6. ដោយប្រើកម្មវិធីបណ្តាញ អ្នកប្រើប្រាស់បញ្ជាក់ចំនួន hops (លំនាំដើម N=2) នៅលើផ្លូវតភ្ជាប់ដើម្បីត្រួតពិនិត្យ។
7. ដោយប្រើកម្មវិធីបណ្តាញ អ្នកប្រើប្រាស់បញ្ជាក់បញ្ជីអង្គភាពដែលត្រូវតាមដាន។
8. ដើម្បីបង្កើតព័ត៌មានប្រឌិត អ្នកប្រើប្រាស់ជ្រើសរើស បង្កើតព័ត៌មានគំរូ ដើម្បីបង្កើតអត្ថបទព័ត៌មានហិរញ្ញវត្ថុគំរូចំនួន 10 ជាមួយនឹងមាតិកាចៃដន្យដែលត្រូវបញ្ចូលទៅក្នុងដំណើរការបញ្ចូលព័ត៌មាន។ ខ្លឹមសារត្រូវបានបង្កើតដោយប្រើ Amazon Bedrock និងជាការប្រឌិតសុទ្ធសាធ។
9. ដើម្បីទាញយកព័ត៌មានពិត អ្នកប្រើប្រាស់ជ្រើសរើស ទាញយកព័ត៌មានថ្មីៗ ដើម្បីទាញយកព័ត៌មានសំខាន់ៗដែលកើតឡើងនៅថ្ងៃនេះ (ដំណើរការដោយ NewsAPI.org)។
10. ឯកសារព័ត៌មាន (ទ្រង់ទ្រាយ TXT) ត្រូវបានផ្ទុកឡើងទៅក្នុងធុងទឹក S3 ។ ជំហានទី 8 និង 9 បង្ហោះព័ត៌មានទៅក្នុងធុង S3 ដោយស្វ័យប្រវត្តិ ប៉ុន្តែអ្នកក៏អាចបង្កើតការរួមបញ្ចូលជាមួយអ្នកផ្តល់ព័ត៌មានដែលអ្នកពេញចិត្តដូចជា AWS Data Exchange ឬអ្នកផ្តល់ព័ត៌មានភាគីទីបីណាមួយដើម្បីទម្លាក់អត្ថបទព័ត៌មានជាឯកសារទៅក្នុងធុង S3 ។ មាតិកាឯកសារទិន្នន័យព័ត៌មានគួរតែត្រូវបានធ្វើទ្រង់ទ្រាយជា <date>{dd mmm yyyy}</date><title>{title}</title><text>{news content}</text>.
11. ការជូនដំណឹងអំពីព្រឹត្តិការណ៍ S3 ផ្ញើ S3 bucket ឬឈ្មោះឯកសារទៅ Amazon SQS (ស្តង់ដារ) ដែលហៅមុខងារ Lambda ជាច្រើនដើម្បីដំណើរការទិន្នន័យព័ត៌មានស្របគ្នា៖
    1. ប្រើ Amazon Bedrock ដើម្បីទាញយកអង្គភាពដែលបានលើកឡើងនៅក្នុងព័ត៌មាន រួមជាមួយនឹងព័ត៌មាន ទំនាក់ទំនង និងអារម្មណ៍នៃអង្គភាពដែលបានលើកឡើង។
    2. ពិនិត្យមើលក្រាហ្វចំណេះដឹង និងប្រើប្រាស់ Amazon Bedrock ដើម្បីធ្វើការបកស្រាយដោយហេតុផលដោយប្រើព័ត៌មានដែលមានពីព័ត៌មាន និងពីក្នុងក្រាហ្វចំណេះដឹងដើម្បីកំណត់អត្តសញ្ញាណអង្គភាពដែលត្រូវគ្នា។
    3. បន្ទាប់​ពី​អង្គភាព​ត្រូវ​បាន​គេ​កំណត់​ទីតាំង​ហើយ សូម​ស្វែង​រក​និង​ត្រឡប់​ផ្លូវ​តភ្ជាប់​ដែល​តភ្ជាប់​ទៅ​អង្គភាព​ដែល​បាន​សម្គាល់ INTERESTED=YES នៅក្នុងក្រាហ្វចំណេះដឹងដែលស្ថិតនៅក្នុង N=2 លោតទៅឆ្ងាយ។
12. កម្មវិធីគេហទំព័រនឹងធ្វើឱ្យស្រស់ឡើងវិញដោយស្វ័យប្រវត្តិរៀងរាល់ 1 វិនាទី ដើម្បីទាញយកព័ត៌មានដែលបានដំណើរការចុងក្រោយបំផុតដើម្បីបង្ហាញនៅលើកម្មវិធីគេហទំព័រ។

ដាក់ពង្រាយគំរូដើម

អ្នកអាចដាក់ពង្រាយដំណោះស្រាយគំរូ ហើយចាប់ផ្តើមពិសោធន៍ដោយខ្លួនឯង។ គំរូដើមអាចរកបានពី GitHub និងរួមបញ្ចូលព័ត៌មានលម្អិតដូចខាងក្រោម៖

• លក្ខខណ្ឌនៃការដាក់ពង្រាយ
• ជំហានដាក់ពង្រាយ
• ជំហានសម្អាត

សេចក្តីសង្ខេប

ការបង្ហោះនេះបានបង្ហាញពីភ័ស្តុតាងនៃដំណោះស្រាយគំនិត ដើម្បីជួយអ្នកគ្រប់គ្រងផលប័ត្ររកឃើញហានិភ័យលំដាប់ទីពីរ និងទីបីពីព្រឹត្តិការណ៍ព័ត៌មាន ដោយគ្មានឯកសារយោងផ្ទាល់ទៅកាន់ក្រុមហ៊ុនដែលពួកគេតាមដាន។ តាមរយៈការរួមបញ្ចូលក្រាហ្វចំណេះដឹងនៃទំនាក់ទំនងក្រុមហ៊ុនដ៏ស្មុគស្មាញជាមួយការវិភាគព័ត៌មានតាមពេលវេលាជាក់ស្តែងដោយប្រើ AI ជំនាន់នោះ ផលប៉ះពាល់ខាងក្រោមអាចត្រូវបានគូសបញ្ជាក់ ដូចជាការពន្យារពេលផលិតកម្មពីការរំខានរបស់អ្នកផ្គត់ផ្គង់។

ទោះបីជាវាគ្រាន់តែជាគំរូដើមក៏ដោយ ដំណោះស្រាយនេះបង្ហាញពីការសន្យានៃក្រាហ្វចំណេះដឹង និងគំរូភាសាដើម្បីភ្ជាប់ចំនុច និងទទួលបានសញ្ញាពីសំលេងរំខាន។ បច្ចេកវិទ្យាទាំងនេះអាចជួយអ្នកជំនាញក្នុងការវិនិយោគដោយបង្ហាញពីហានិភ័យកាន់តែលឿនតាមរយៈផែនទីទំនាក់ទំនង និងការវែកញែក។ សរុបមក នេះគឺជាកម្មវិធីដ៏ជោគជ័យនៃមូលដ្ឋានទិន្នន័យក្រាហ្វ និង AI ដែលធានាការរុករកដើម្បីបង្កើនការវិភាគការវិនិយោគ និងការសម្រេចចិត្ត។

ប្រសិនបើឧទាហរណ៍នៃ AI ជំនាន់នេះនៅក្នុងសេវាកម្មហិរញ្ញវត្ថុមានការចាប់អារម្មណ៍ចំពោះអាជីវកម្មរបស់អ្នក ឬអ្នកមានគំនិតស្រដៀងគ្នា សូមទាក់ទងអ្នកគ្រប់គ្រងគណនី AWS របស់អ្នក ហើយយើងនឹងរីករាយក្នុងការស្វែងយល់បន្ថែមជាមួយអ្នក។

---

អំពី​អ្នកនិពន្ធ

Xan Huang គឺជាស្ថាបត្យករដំណោះស្រាយជាន់ខ្ពស់ជាមួយ AWS ហើយមានមូលដ្ឋាននៅប្រទេសសិង្ហបុរី។ គាត់ធ្វើការជាមួយស្ថាប័នហិរញ្ញវត្ថុធំៗ ដើម្បីរចនា និងបង្កើតដំណោះស្រាយប្រកបដោយសុវត្ថិភាព ធ្វើមាត្រដ្ឋាន និងដំណោះស្រាយដែលមានកម្រិតខ្ពស់នៅក្នុងពពក។ ក្រៅ​ពី​ការងារ លោក Xan ចំណាយ​ពេល​ទំនេរ​ភាគច្រើន​ជាមួយ​ក្រុម​គ្រួសារ ហើយ​ត្រូវ​បាន​កូន​ស្រី​អាយុ​៣​ឆ្នាំ​ធ្វើ​ជា​ថៅកែ។ អ្នកអាចស្វែងរក Xan នៅលើ LinkedIn.

• SEO ដែលដំណើរការដោយមាតិកា និងការចែកចាយ PR ។ ទទួលបានការពង្រីកថ្ងៃនេះ។
• PlatoData.Network Vertical Generative Ai. ផ្តល់អំណាចដល់ខ្លួនអ្នក។ ចូលប្រើទីនេះ។
• PlatoAiStream Web3 Intelligence ។ ចំណេះដឹងត្រូវបានពង្រីក។ ចូលប្រើទីនេះ។
• ផ្លាតូអេសជី។ កាបូន CleanTech, ថាមពល, បរិស្ថាន, ពន្លឺព្រះអាទិត្យ ការគ្រប់គ្រងកាកសំណល់។ ចូលប្រើទីនេះ។
• ផ្លាតូសុខភាព។ ជីវបច្ចេកវិទ្យា និង ភាពវៃឆ្លាត សាកល្បងគ្លីនិក។ ចូលប្រើទីនេះ។
• ប្រភព: https://aws.amazon.com/blogs/machine-learning/uncover-hidden-connections-in-unstructured-financial-data-with-amazon-bedrock-and-amazon-neptune/