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។ អ្នកអាចយករបាយការណ៍ប្រចាំឆ្នាំមួយ ហើយកេះបំពង់ដំណើរការដើម្បីបញ្ចូលរបាយការណ៍ បំបែកវាជាផ្នែកតូចៗ និងអនុវត្តការយល់ដឹងភាសាធម្មជាតិដើម្បីទាញចេញនូវអង្គភាព និងទំនាក់ទំនងសំខាន់ៗ។
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
- អ្នកប្រើប្រាស់បង្ហោះរបាយការណ៍ផ្លូវការ (ជាទម្រង់ PDF) ទៅ សេវាកម្មផ្ទុកសាមញ្ញរបស់ក្រុមហ៊ុន Amazon (Amazon S3) ដាក់ធុង។ របាយការណ៍គួរតែត្រូវបានបោះពុម្ពផ្សាយជាផ្លូវការដើម្បីកាត់បន្ថយការដាក់បញ្ចូលទិន្នន័យមិនត្រឹមត្រូវទៅក្នុងក្រាហ្វចំណេះដឹងរបស់អ្នក (ខុសពីព័ត៌មាន និងផ្ទាំងព័ត៌មាន)។
- ការជូនដំណឹងអំពីព្រឹត្តិការណ៍ S3 អំពាវនាវឱ្យមាន AWS Lambda មុខងារដែលផ្ញើ S3 bucket និងឈ្មោះឯកសារទៅ a សេវាកម្មជួរធម្មតារបស់ Amazon (Amazon SQS) ជួរ។ ជួរ First-in-First-Out (FIFO) ធ្វើឱ្យប្រាកដថាដំណើរការបញ្ចូលរបាយការណ៍ត្រូវបានអនុវត្តជាបន្តបន្ទាប់ ដើម្បីកាត់បន្ថយលទ្ធភាពនៃការណែនាំទិន្នន័យស្ទួនទៅក្នុងក្រាហ្វចំណេះដឹងរបស់អ្នក។
- An ក្រុមហ៊ុន Amazon EventBridge ព្រឹត្តិការណ៍ផ្អែកលើពេលវេលាដំណើរការជារៀងរាល់នាទីដើម្បីចាប់ផ្តើមដំណើរការ អនុគមន៍អេ។ អេស។ អេ ម៉ាស៊ីនរដ្ឋអសមកាល។
- Step Functions state machine ដំណើរការតាមស៊េរីនៃកិច្ចការដើម្បីដំណើរការឯកសារដែលបានផ្ទុកឡើងដោយទាញយកព័ត៌មានសំខាន់ៗ ហើយបញ្ចូលវាទៅក្នុងក្រាហ្វចំណេះដឹងរបស់អ្នក៖
- ទទួលបានសារជួរពី Amazon SQS ។
- ទាញយកឯកសាររបាយការណ៍ PDF ពី Amazon S3 បំបែកវាទៅជាបំណែកអត្ថបទតូចៗជាច្រើន (ប្រហែល 1,000 ពាក្យ) សម្រាប់ដំណើរការ ហើយរក្សាទុកកំណាត់អត្ថបទនៅក្នុង ក្រុមហ៊ុន Amazon DynamoDB.
- ប្រើ Claude v3 Sonnet របស់ Anthropic នៅលើ Amazon Bedrock ដើម្បីដំណើរការកំណាត់អត្ថបទពីរបីដំបូងដើម្បីកំណត់អង្គភាពសំខាន់ដែលរបាយការណ៍កំពុងសំដៅ រួមជាមួយនឹងគុណលក្ខណៈពាក់ព័ន្ធ (ដូចជាឧស្សាហកម្ម)។
- ទាញយកកំណាត់អត្ថបទពី DynamoDB និងសម្រាប់កំណាត់អត្ថបទនីមួយៗ ហៅមុខងារ Lambda ដើម្បីទាញយកអង្គភាព (ដូចជាក្រុមហ៊ុន ឬបុគ្គល) និងទំនាក់ទំនងរបស់វា (អតិថិជន អ្នកផ្គត់ផ្គង់ ដៃគូប្រកួតប្រជែង ឬនាយក) ទៅអង្គភាពសំខាន់ដោយប្រើ Amazon Bedrock .
- បង្រួបបង្រួមព័ត៌មានដែលបានស្រង់ចេញទាំងអស់។
- ត្រងសំឡេងរំខាន និងអង្គភាពដែលមិនពាក់ព័ន្ធ (ឧទាហរណ៍ ពាក្យទូទៅដូចជា "អ្នកប្រើប្រាស់") ដោយប្រើ Amazon Bedrock ។
- ប្រើ Amazon Bedrock ដើម្បីអនុវត្តភាពមិនច្បាស់លាស់ដោយការវែកញែកដោយប្រើព័ត៌មានដែលបានស្រង់ចេញពីបញ្ជីនៃអង្គភាពស្រដៀងគ្នាពីក្រាហ្វចំណេះដឹង។ ប្រសិនបើអង្គភាពមិនមានទេ សូមបញ្ចូលវា។ បើមិនដូច្នោះទេ សូមប្រើធាតុដែលមានរួចហើយនៅក្នុងក្រាហ្វចំណេះដឹង។ បញ្ចូលទំនាក់ទំនងទាំងអស់ដែលបានស្រង់ចេញ។
- សម្អាតដោយលុបសារជួរ SQS និងឯកសារ S3 ។
- អ្នកប្រើប្រាស់ចូលប្រើកម្មវិធីគេហទំព័រដែលមានមូលដ្ឋានលើ React ដើម្បីមើលអត្ថបទព័ត៌មានដែលត្រូវបានបំពេញបន្ថែមដោយអង្គភាព អារម្មណ៍ និងព័ត៌មានផ្លូវតភ្ជាប់។
- ដោយប្រើកម្មវិធីបណ្តាញ អ្នកប្រើប្រាស់បញ្ជាក់ចំនួន hops (លំនាំដើម N=2) នៅលើផ្លូវតភ្ជាប់ដើម្បីត្រួតពិនិត្យ។
- ដោយប្រើកម្មវិធីបណ្តាញ អ្នកប្រើប្រាស់បញ្ជាក់បញ្ជីអង្គភាពដែលត្រូវតាមដាន។
- ដើម្បីបង្កើតព័ត៌មានប្រឌិត អ្នកប្រើប្រាស់ជ្រើសរើស បង្កើតព័ត៌មានគំរូ ដើម្បីបង្កើតអត្ថបទព័ត៌មានហិរញ្ញវត្ថុគំរូចំនួន 10 ជាមួយនឹងមាតិកាចៃដន្យដែលត្រូវបញ្ចូលទៅក្នុងដំណើរការបញ្ចូលព័ត៌មាន។ ខ្លឹមសារត្រូវបានបង្កើតដោយប្រើ Amazon Bedrock និងជាការប្រឌិតសុទ្ធសាធ។
- ដើម្បីទាញយកព័ត៌មានពិត អ្នកប្រើប្រាស់ជ្រើសរើស ទាញយកព័ត៌មានថ្មីៗ ដើម្បីទាញយកព័ត៌មានសំខាន់ៗដែលកើតឡើងនៅថ្ងៃនេះ (ដំណើរការដោយ NewsAPI.org)។
- 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>
. - ការជូនដំណឹងអំពីព្រឹត្តិការណ៍ S3 ផ្ញើ S3 bucket ឬឈ្មោះឯកសារទៅ Amazon SQS (ស្តង់ដារ) ដែលហៅមុខងារ Lambda ជាច្រើនដើម្បីដំណើរការទិន្នន័យព័ត៌មានស្របគ្នា៖
- ប្រើ Amazon Bedrock ដើម្បីទាញយកអង្គភាពដែលបានលើកឡើងនៅក្នុងព័ត៌មាន រួមជាមួយនឹងព័ត៌មាន ទំនាក់ទំនង និងអារម្មណ៍នៃអង្គភាពដែលបានលើកឡើង។
- ពិនិត្យមើលក្រាហ្វចំណេះដឹង និងប្រើប្រាស់ Amazon Bedrock ដើម្បីធ្វើការបកស្រាយដោយហេតុផលដោយប្រើព័ត៌មានដែលមានពីព័ត៌មាន និងពីក្នុងក្រាហ្វចំណេះដឹងដើម្បីកំណត់អត្តសញ្ញាណអង្គភាពដែលត្រូវគ្នា។
- បន្ទាប់ពីអង្គភាពត្រូវបានគេកំណត់ទីតាំងហើយ សូមស្វែងរកនិងត្រឡប់ផ្លូវតភ្ជាប់ដែលតភ្ជាប់ទៅអង្គភាពដែលបានសម្គាល់
INTERESTED=YES
នៅក្នុងក្រាហ្វចំណេះដឹងដែលស្ថិតនៅក្នុង N=2 លោតទៅឆ្ងាយ។
- 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។
អំពីអ្នកនិពន្ធ
Xan Huang គឺជាស្ថាបត្យករដំណោះស្រាយជាន់ខ្ពស់ជាមួយ AWS ហើយមានមូលដ្ឋាននៅប្រទេសសិង្ហបុរី។ គាត់ធ្វើការជាមួយស្ថាប័នហិរញ្ញវត្ថុធំៗ ដើម្បីរចនា និងបង្កើតដំណោះស្រាយប្រកបដោយសុវត្ថិភាព ធ្វើមាត្រដ្ឋាន និងដំណោះស្រាយដែលមានកម្រិតខ្ពស់នៅក្នុងពពក។ ក្រៅពីការងារ លោក Xan ចំណាយពេលទំនេរភាគច្រើនជាមួយក្រុមគ្រួសារ ហើយត្រូវបានកូនស្រីអាយុ៣ឆ្នាំធ្វើជាថៅកែ។ 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/