Designed by Amazon Lex'i, AWS'de QnABot çözüm açık kaynaklı, çok kanallı, çok dilli bir sohbet robotudur. QnABot, self servis konuşma yapay zekasını iletişim merkezinize, web sitelerinize ve sosyal medya kanallarınıza hızlı bir şekilde dağıtmanıza olanak tanıyarak maliyetleri azaltır, bekletme sürelerini kısaltır ve müşteri deneyimini ve marka duyarlılığını artırır. Müşteriler artık üretken yapay zeka yetenekleriyle müşteri deneyimini daha da geliştirmek için büyük dil modellerinin (LLM'ler) gücünden yararlanmak istiyor. Buna, mevcut şirket belgelerinden ve bilgi tabanlarından otomatik olarak doğru yanıtlar oluşturma ve self-servis sohbet robotlarını daha konuşkan hale getirme de dahildir.

En son QnABot sürümlerimiz olan v5.4.0+, konuşma bağlamını hesaba katarak, ilgili SSS'lerden veya dinamik olarak yanıtlar oluşturarak müşteri sorularını netleştirmek için artık bir LLM kullanabilir veya Amazon Kendrası arama sonuçları ve belge pasajları. Ayrıca cevapları oluşturmak için LLM tarafından kullanılan referans belgelere ve bağlam pasajlarına bağlantılar görüntüleyerek atıf ve şeffaflık sağlar.

QnABot'u dağıttığınızda, son teknolojiye sahip açık kaynaklı bir LLM modelini otomatik olarak dağıtmayı seçebilirsiniz (Falcon-40B-talimat) bir Amazon Adaçayı Yapıcı uç nokta. LLM ortamı sürekli olarak gelişmektedir; sık sık yeni modeller yayınlanmaktadır ve müşterilerimiz, kendi kullanım durumları için en iyi neyin işe yaradığını görmek amacıyla farklı modeller ve sağlayıcılarla denemeler yapmak istemektedir. Bu nedenle QnABot aynı zamanda herhangi bir LLM ile de entegre olur. AWS Lambda sağladığınız işlev. Başlamanıza yardımcı olmak için, tek tıklamayla dağıtılabilen bir dizi örnek Lambda işlevini de yayınladık (eklentileri) QnABot'u, bizimki de dahil olmak üzere, seçtiğiniz lider LLM sağlayıcılarıyla entegre etmek için Amazon Ana Kayası Anthropic ve AI21 gibi üçüncü taraf sağlayıcılardan hizmet ve API'ler.

Bu yazıda, QnABot için yeni Üretken Yapay Zeka özelliklerini tanıtıyoruz ve bu özellikleri kullanmak üzere QnABot'u oluşturmak, dağıtmak ve özelleştirmek için bir eğitimden geçiyoruz. Ayrıca bazı ilgili kullanım örneklerini de tartışıyoruz.

Yeni Üretken Yapay Zeka özellikleri

LLM'yi kullanan QnABot artık bu bölümde tartışacağımız iki yeni önemli özelliğe sahip.

Amazon Kendra arama sonuçlarından veya metin pasajlarından sorulara yanıtlar oluşturun

QnABot artık Amazon Kendra araması tarafından sağlanan belge alıntılarından veya doğrudan oluşturulan veya içe aktarılan metin pasajlarından sorulara kısa yanıtlar üretebiliyor. Bu, aşağıdaki avantajları sağlar:

• Korumanız ve QnABot'a aktarmanız gereken SSS sayısı azaldı çünkü artık kısa ve öz yanıtları mevcut belgelerinizden anında sentezleyebilirsiniz.
• Oluşturulan yanıtlar, amaçlanan kanal için en iyi deneyimi yaratacak şekilde değiştirilebilir. Örneğin yanıtları kısa, öz ve ses kanalı iletişim merkezi botlarına uygun olacak şekilde ayarlayabilirsiniz; web sitesi veya metin botları potansiyel olarak daha ayrıntılı bilgi sağlayabilir.
• Oluşturulan yanıtlar, QnABot'un çoklu dil desteğiyle tamamen uyumludur; kullanıcılar seçtikleri dillerde etkileşim kurabilir ve oluşturulan yanıtları aynı dilde alabilirler.
• Oluşturulan yanıtlar, LLM'nin yanıtları nasıl oluşturduğuna ilişkin atıf ve şeffaflık sağlamak için kullanılan referans belgelere ve bağlam pasajlarına bağlantılar içerebilir.

Örneğin, "Amazon Lex nedir?" sorusu sorulduğunda QnABot, Amazon Kendra dizininden (AWS belgelerini içeren) ilgili bölümleri alabilir. QnABot daha sonra LLM'den soruyu pasajların bağlamına göre yanıtlamasını ister (isteğe bağlı olarak web istemcisinde de görüntülenebilir). Aşağıdaki ekran görüntüsü bir örneği göstermektedir.

Önceki konuşma bağlamına dayanan takip sorularını netleştirin

Sürekli gelişen bir konuşmanın yönünü ve bağlamını anlamak, doğal, insan benzeri konuşma arayüzleri oluşturmanın anahtarıdır. Kullanıcı sorguları genellikle istekleri konuşma belleğine ve bağlama göre yorumlayacak bir bot gerektirir. Şimdi QnABot, LLM'den konuşma geçmişine dayalı olarak belirsizliği giderilmiş bir soru oluşturmasını isteyecek. Bu daha sonra kullanıcının sorusunu yanıtlamak amacıyla SSS'leri, pasajları veya Amazon Kendra sonuçlarını almak için bir arama sorgusu olarak kullanılabilir. Aşağıda örnek bir sohbet geçmişi verilmiştir:

Human: What is Amazon Lex?
AI: "Amazon Lex is an AWS service for building conversational interfaces for applications using voice and text..."
Human: Can it integrate with my CRM?

QnABot, "onu" netleştirmek amacıyla takip sorusunu yeniden yazmak için Yüksek Lisans'ı kullanıyor; örneğin, "Amazon Lex, CRM sistemimle entegre olabilir mi?" Bu, kullanıcıların bir insan konuşmasında olduğu gibi etkileşime girmesine olanak tanır ve QnABot, kullanıcının sorusunu yanıtlayacak bilgileri içeren ilgili SSS'leri veya belge pasajlarını bulmak için net arama sorguları oluşturur.

Bu yeni özellikler, QnABot'u daha konuşkan hale getiriyor ve bir bilgi tabanına dayalı olarak dinamik olarak yanıtlar oluşturma yeteneği sağlıyor. Bu hala muazzam potansiyele sahip deneysel bir özelliktir. Kullanıcıların, kullanılacak en iyi LLM'yi ve karşılık gelen istemleri ve model parametrelerini bulmak için deneme yapmalarını önemle tavsiye ederiz. QnABot deneme yapmayı kolaylaştırıyor!

Klavuz

Deneme zamanı! En yeni QnABot'u (v5.4.0 veya üzeri) dağıtalım ve yeni Üretken Yapay Zeka özelliklerini etkinleştirelim. Üst düzey adımlar aşağıdaki gibidir:

1. Bir Amazon Kendra dizini oluşturun ve doldurun.
2. Bir LLM eklentisi seçin ve dağıtın (isteğe bağlı).
3. QnABot'u dağıtın.
4. Lambda eklentiniz için QnABot'u yapılandırın (bir eklenti kullanıyorsanız).
5. QnABot web istemcisine erişin ve denemeye başlayın.
6. QnABot ayarlarını kullanarak davranışı özelleştirin.
7. Bilgi tabanına özel olarak hazırlanmış Soru-Cevap ve metin pasajları ekleyin.

Amazon Kendra Dizini oluşturma ve doldurma

Aşağıdakileri indirin ve kullanın AWS CloudFormation şablonu yeni bir Amazon Kendra dizini oluşturmak için.

Bu şablon, Amazon Kendra, Amazon Lex ve SageMaker için AWS çevrimiçi belgelerini içeren örnek verileri içerir. Yığını dağıtmak yaklaşık 30 dakika gerektirir ve bunu senkronize etmek ve dizindeki verileri almak için yaklaşık 15 dakika gerekir.

Amazon Kendra dizin yığını başarıyla dağıtıldığında yığının Çıkışlar sekmesine tıklayın ve şunu not edin: Index IdDaha sonra QnABot'u dağıtırken kullanacağınız.

Alternatif olarak, kendi içeriğinize sahip bir Amazon Kendra dizininiz zaten varsa, bunu eğitim için kendi örnek sorularınızla birlikte kullanabilirsiniz.

Bir LLM eklentisi seçin ve dağıtın (isteğe bağlı)

QnABot, yerleşik bir LLM'yi (SageMaker'da Falcon-40B talimatı) dağıtabilir veya seçtiğiniz diğer LLM'leri çağırmak için Lambda işlevlerini kullanabilir. Bu bölümde Lambda seçeneğini önceden oluşturulmuş örnek Lambda işleviyle nasıl kullanacağınızı gösteriyoruz. Bunun yerine yerleşik LLM'yi kullanmak istiyorsanız bir sonraki adıma geçin.

Öncelikle kullanmak istediğiniz LLM eklentisini seçin. Seçeneklerinizi şuradan gözden geçirin: qnabot-on-aws-plugin-samples Depo README. Bu yazının yazıldığı an itibarıyla Amazon Bedrock (önizleme aşamasında) ve AI21 ile Anthropic üçüncü taraf API'leri için eklentiler mevcuttu. Zamanla daha fazla örnek eklenti eklemeyi umuyoruz.

Seçtiğiniz eklentiyi seçerek dağıtın Yığını Başlat içinde Yeni bir Eklenti yığını dağıtın içine dağıtılacak olan bölüm us-east-1 Varsayılan olarak bölge (diğer Bölgelere dağıtmak için bkz. QnABot Eklentileri CloudFormation yapıtlarını oluşturun ve yayınlayın).

Eklenti yığını başarıyla dağıtıldığında yığının Çıkışlar sekmesini açın (aşağıdaki ekran görüntüsüne bakın) ve QnABot'u dağıtmak ve yapılandırmak için aşağıdaki adımlarda kullanacağınız içeriğini inceleyin. Bu sekmeyi tarayıcınızda açık tutun.

QnABot'u dağıtın

Klinik Çözümü Başlat QnABot'tan uygulama kılavuzu AWS CloudFormation aracılığıyla en yeni QnABot şablonunu dağıtmak için. Aşağıdaki parametreleri sağlayın:

• İçin DefaultKendraIndexId, daha önce topladığınız Amazon Kendra Dizin Kimliğini (GUID) kullanın
• İçin EmbeddingsApi (görmek Metin Gömmelerini Kullanarak Anlamsal Arama), aşağıdakilerden birini seçin:
  • SAGEMAKER (varsayılan yerleşik yerleştirme modeli)
  • LAMBDA (Amazon Bedrock yerleştirme API'sini kullanmak için BEDROCK-EMBEDDINGS-AND-LLM Eklenti)
    • İçin EmbeddingsLambdaArn, kullan EmbeddingsLambdaArn çıktı değeri BEDROCK-EMBEDDINGS-AND-LLM Eklenti yığını.
• İçin LLMApi (görmek Konuşmaya Dayalı Erişim ve Üretken Soru Yanıtlama için Sorgu Belirsizliğini Giderme), aşağıdakilerden birini seçin:
  • SAGEMAKER (varsayılan yerleşik LLM modeli)
  • LAMBDA (daha önce dağıtılan LLM Eklentisini kullanmak için)
    • İçin LLMLambdaArn, kullan LLMLambdaArn Eklenti yığınınızdan çıktı değeri

Diğer tüm parametreler için varsayılanları kabul edin (bkz. uygulama kılavuzu parametre tanımları için) ve QnABot yığınını başlatmaya devam edin.

Lambda eklentiniz için QnABot'u yapılandırın (bir eklenti kullanıyorsanız)

Farklı bir LLM'ye erişmek için örnek bir LLM Lambda eklentisi kullanarak QnABot'u dağıttıysanız, QnABot model parametrelerini ve bilgi istemi şablonu ayarlarını seçtiğiniz eklenti için önerildiği şekilde güncelleyin. Daha fazla bilgi için bakınız QnABot Ayarlarını Güncelleyin. SageMaker (yerleşik) LLM seçeneğini kullandıysanız bir sonraki adıma geçin çünkü ayarlar zaten sizin için yapılandırılmıştır.

QnABot web istemcisine erişin ve denemeye başlayın

AWS CloudFormation konsolunda şunu seçin: Çıkışlar QnABot CloudFormation yığınının sekmesini seçin ve ClientURL bağlantı. Alternatif olarak, istemciyi seçerek başlatın. AWS İstemcisinde QnABot İçerik Tasarımcısı araçları menüsünden.

Şimdi AWS hizmetleriyle ilgili sorular sormaya çalışın, örneğin:

• Amazon Lex nedir?
• SageMaker çıkarım iş yüklerini nasıl ölçeklendirir?
• Kendra bir arama hizmeti midir?

Daha sonra, daha önce bahsedilen hizmetleri veya bağlamı belirtmeden takip soruları sorabilirsiniz, örneğin:

• Güvenli mi
• Ölçeklenir mi?

QnABot ayarlarını kullanarak davranışı özelleştirin

QnABot'ta birçok ayarı özelleştirebilirsiniz İçerik Tasarımcısı Ayarları sayfa—bkz. BENİOKU – Yüksek Lisans Ayarları İlgili ayarların tam listesi için. Örneğin aşağıdakileri deneyin:

• set ENABLE_DEBUG_RESPONSES için TRUE, ayarları kaydedin ve önceki soruları tekrar deneyin. Artık her yanıtın üst kısmında, LLM'nin sohbet geçmişine dayalı olarak Amazon Kendra arama sorgusunu nasıl oluşturduğunu, LLM çıkarımlarının çalıştırılmasının ne kadar sürdüğünü ve daha fazlasını gösteren ek hata ayıklama çıktısını göreceksiniz. Örneğin:

  [User Input: "Is it fast?", LLM generated query (1207 ms): "Does Amazon Kendra provide search results quickly?", Search string: "Is it fast? / Does Amazon Kendra provide search results quickly?"["LLM: LAMBDA"], Source: KENDRA RETRIEVE API

• set ENABLE_DEBUG_RESPONSES geri FALSE, ayarla LLM_QA_SHOW_CONTEXT_TEXT ve LLM_QA_SHOW_SOURCE_LINKS için FALSEve örnekleri tekrar deneyin. Artık bağlam ve kaynaklar bağlantıları gösterilmiyor ve çıktı yalnızca LLM tarafından oluşturulan yanıtı içeriyor.
• Kendinizi maceraperest hissediyorsanız LLM bilgi istemi şablonu ayarlarını da deneyin.LLM_GENERATE_QUERY_PROMPT_TEMPLATE ve LLM_QA_PROMPT_TEMPLATE. Bakın BENİOKU – Yüksek Lisans Ayarları sohbet geçmişi, bağlam, kullanıcı girişi, sorgu ve daha fazlası gibi çalışma zamanı değerleri için yer tutucuları nasıl kullanabileceğinizi görmek için. Varsayılan istemlerin büyük olasılıkla kullanım durumlarınıza daha iyi uyacak şekilde geliştirilebileceğini ve özelleştirilebileceğini unutmayın; bu nedenle denemekten korkmayın! Bir şeyi kırarsanız, her zaman varsayılan ayarlara geri dönebilirsiniz. VARSAYILANLARA DÖN ayarlar sayfasındaki seçenek.

Bilgi tabanına özel olarak hazırlanmış Soru-Cevap ve metin pasajları ekleyin

QnABot elbette seçilmiş Soru ve Cevaplara dayalı olarak soruları yanıtlamaya devam edebilir. Amazon Kendra dizinini kullanmanın yanı sıra, doğrudan QnABot'a oluşturulan veya içe aktarılan metin pasajlarından yanıtlar oluşturmak için LLM'yi de kullanabilir.

QnABot, belirsizliği giderilmiş kullanıcı sorusuna aşağıdaki sırayla iyi bir yanıt bulmaya çalışır:

1. Soru-Cevap öğeleri
2. Metin pasajı öğeleri
3. Amazon Kendra dizini

Bazı örnekleri deneyelim.

QnABot İçerik Tasarımcısı araçları menüsünde, ithalat, ardından iki örnek paketi yükleyin:

• TextPassages-NurseryRhymeExamples
• blog-samples-final

QnABot kullanabilir metin yerleştirmeleri standart OpenSearch anahtar kelime tabanlı eşleştirmeyle karşılaştırıldığında doğruluğu artıran ve soru ayarlamayı azaltan anlamsal arama yeteneği sağlamak (QnABot'un yerleşik OpenSearch dizinini bir vektör deposu olarak kullanmak). Bunu göstermek için aşağıdaki gibi soruları deneyin:

• “Bana ekranlı Alexa cihazından bahset”
• “Bana Amazon'un video yayın cihazından bahseder misiniz?”

Soruyu sormak için kullanılan kelimeler yapılandırılmış Soru-Cevap öğeleriyle zayıf anahtar kelime eşleşmeleri (ancak iyi anlamsal eşleşmeler) olsa bile, bunlar ideal olarak içe aktardığınız örnek QNA ile eşleşmelidir: Alexa.001 (Amazon Echo Show nedir) ve FireTV.001 (Amazon Fire TV nedir?)

Amazon Kendra'yı (henüz) kullanmıyor olsanız bile (ve kullanmalısınız!), QnABot ayrıca İçerik Tasarımcısı'nda oluşturulan veya içe aktarılan pasajlara dayalı olarak soruları yanıtlayabilir. Aşağıdaki soruların (ve takip eden soruların) tümü, tekerlemeyi içeren içe aktarılmış bir metin pasajından yanıtlanmıştır. 0.HumptyDumpty:

• "Humpty Dumpty düşmeden önce nerede oturuyordu?"
• "Düştükten sonra ne oldu? İyi miydi?”

Yerleştirmeleri kullanırken iyi bir yanıt, karşılık gelen eşik ayarı tarafından tanımlanan eşiğin üzerinde bir benzerlik puanı döndüren yanıttır. Görmek Büyük Dil Modeli Metin Gömmelerini kullanarak anlamsal soru eşleştirme Eşik ayarlarının nasıl test edileceği ve ayarlanacağı hakkında daha fazla ayrıntı için.

İyi yanıt yoksa veya LLM'nin yanıtı, içinde tanımlanan normal ifadeyle eşleşiyorsa LLM_QA_NO_HITS_REGEX, ardından QnABot yapılandırılabilir olanı çağırır Özel Bilmiyorum (no_hits) varsayılan olarak "Beni şaşırttın" diyen bir mesaj döndüren davranış.

QnABot'ta Soru-Cevap veya metin pasajları oluşturarak ve yedek üretken yanıtlar için Amazon Kendra dizini kullanarak bazı deneyler yapmayı deneyin. Deney (kullanarak TEST İstediğiniz davranışı elde etmek amacıyla yerleştirme eşiği ayarlarında kullanılacak en iyi değerleri bulmak için tasarımcıdaki sekmeyi kullanın. Mükemmel dengeyi elde etmek zordur, ancak çoğu zaman yararlı yanıtlarla sonuçlanan yeterince iyi bir denge bulup bulamayacağınıza bakın.

Temizlemek

Elbette QnABot'u çalışır halde bırakarak denemeler yapabilir ve meslektaşlarınıza gösterebilirsiniz! Ancak bunun bir miktar maliyeti vardır; bkz. Dağıtımınızı planlayın – Maliyet daha fazla ayrıntı için. Kaynakları kaldırmak ve maliyetlerden kaçınmak için aşağıdaki CloudFormation yığınlarını silin:

• QnABot yığını
• LLM Eklenti yığını (varsa)
• Amazon Kendra dizin yığını

Kullanım örnekleri

Bu yeni özellikler, QnABot'u self-servis müşteri hizmetleri ve destek botları ve otomatik web tabanlı Soru-Cevap botları gibi birçok müşteri kullanım durumu için uygun hale getirir. Bu bölümde bu tür iki kullanım durumunu tartışacağız.

Bir iletişim merkeziyle entegrasyon

QnABot'un otomatik soru yanıtlama yetenekleri, iletişim merkezlerinde gelen sesli çağrılar için etkileyici sonuçlarla etkili bir self-servis sunar. Örneğin, bkz. nasıl Kentucky Transport Cabinet, Amazon Connect ve Amazon Lex'i kullanan self-servis sanal temsilciler sayesinde çağrı bekletme süresini kısalttı ve müşteri deneyimini iyileştirdi. Yeni üretken yapay zeka özelliklerinin entegre edilmesi, belgeler, bilgi tabanları ve web siteleri gibi mevcut içeriklerden dinamik olarak güvenilir yanıtlar üreterek bu değer teklifini daha da güçlendirir. Bu, bot tasarımcılarının bir kullanıcının sorabileceği her olası soruya verilecek yanıtları önceden tahmin etme ve manuel olarak seçme ihtiyacını ortadan kaldırır. QnABot'u entegre etmek için Amazon BağlantısıBakın AWS'de QnABot'u Amazon Connect çağrı merkezine bağlama. Diğer iletişim merkezleriyle entegrasyon için bkz. Amazon Chime SDK, Amazon Lex sesli botlarına bağlanmak için kullanılabilir 3 ile^rd SIPREC aracılığıyla taraf iletişim merkezleri ve QnABot ve Amazon Lex kullanarak Genesys Cloud için yapay zeka destekli bir sanal aracı oluşturun.

LLM destekli QnABot, otomatikleştirilmiş gerçek zamanlı temsilci asistanı olarak da önemli bir rol oynayabilir. Bu çözümde, QnABot konuşmayı pasif olarak dinler ve LLM'yi kullanarak belirli ipuçlarına dayalı olarak insan aracılara gerçek zamanlı öneriler üretir. Kurulumu ve denemesi çok kolay; mutlaka deneyin! Bu çözüm hem Amazon Connect hem de diğer şirket içi ve bulut iletişim merkezleriyle kullanılabilir. Daha fazla bilgi için bakınız Amazon dil yapay zeka hizmetleriyle iletişim merkeziniz için canlı çağrı analitiği ve temsilci desteği.

Bir web sitesiyle entegrasyon

QnABot'u web sitelerinize ve uygulamalarınıza yerleştirmek, kullanıcıların doğal diyalogla otomatik yardım almasına olanak tanır. Daha fazla bilgi için bakınız Chatbot'unuz için bir Web kullanıcı arayüzü dağıtma. Özel Soru-Cevap içeriği için işaretleme sözdizimini ve kullanıcı arayüzü düğmelerini kullanın ve kullanıcılarınızı bilgilendiren ve memnun eden bağlantılar, resimler, videolar ve diğer dinamik öğeleri ekleyin. Otomatik asistanın bir kullanıcının sorgusunu kendi başına tam olarak yanıtlayamadığı durumlarda, insan aracılara hızlı bir şekilde iletmeyi kolaylaştırmak için QnABot Amazon Lex web kullanıcı arayüzünü Amazon Connect canlı sohbetiyle entegre edin.

AWS eklenti örnekleri deposundaki QnABot

Bu yazıda gösterildiği gibi, QnABot v5.4.0+ yalnızca SageMaker'da barındırılan yerleştirmeler ve LLM modelleri için yerleşik destek sunmakla kalmıyor, aynı zamanda Lambda işlevlerini kullanarak diğer herhangi bir LLM ile kolayca entegre olma yeteneği de sunuyor. Kendi özel Lambda işlevlerinizi yazabilir veya yeni bölümümüzde sunduğumuz örneklerden biriyle daha hızlı başlayabilirsiniz. qnabot-on-aws-eklenti örnekleri deposu.

Bu depo, Amazon Bedrock için hem yerleştirmeleri hem de metin oluşturma isteklerini destekleyen, dağıtıma hazır bir eklenti içerir. Bu yazının yazıldığı sırada Amazon Bedrock'a özel önizleme yoluyla erişilebiliyordu; önizleme erişimi iste. Amazon Bedrock genel kullanıma sunulduğunda, bunu doğrudan QnABot ile entegre etmeyi umuyoruz, ancak neden bekleyelim? Önizleme erişimi için başvurun ve denemeye başlamak için örnek eklentimizi kullanın!

Günümüzün Yüksek Lisans inovasyon döngüsü, her biri bir öncekini geçmeyi hedefleyen yeni modellerin baş döndürücü bir hızla piyasaya sürülmesini sağlıyor. Bu depo zamanla ek QnABot eklenti örneklerini içerecek şekilde genişleyecektir. Bu yazının yazıldığı an itibarıyla iki üçüncü taraf model sağlayıcıyı destekliyoruz: Anthropic ve AI21. Daha fazla LLM, yerleştirme ve Lambda kancaları ve bilgi tabanlarını içeren potansiyel olarak yaygın kullanım senaryosu örnekleri için entegrasyonlar eklemeyi planlıyoruz. Bu eklentiler, size kolaylık sağlamak amacıyla hiçbir garanti olmaksızın olduğu gibi sunulmaktadır; dağıtıldıktan sonra bunların desteklenmesi ve bakımından kullanıcılar sorumludur.

QnABot eklenti deposunun gelişen bir açık kaynak topluluk projesine dönüşeceğini umuyoruz. Bir şeyi izlemek qnabot-on-aws-eklenti örnekleri GitHub deposu Yeni eklentiler ve özelliklerle ilgili güncellemeleri almak için Sorunlar sorunları bildirmek veya geri bildirimde bulunmak ve iyileştirmelere katkıda bulunmak için forum istekleri çekme. Katkılarınızı bekliyoruz!

Sonuç

Bu yazıda, QnABot için yeni üretken yapay zeka özelliklerini tanıttık ve bu özellikleri kullanmak için QnABot'u oluşturmaya, dağıtmaya ve özelleştirmeye yönelik bir çözümü inceledik. Ayrıca bazı ilgili kullanım örneklerini de tartıştık. Tekrarlanan sorgulamaların otomatikleştirilmesi, çalışanların serbest kalmasını sağlar ve üretkenliği artırır. Zengin yanıtlar ilgi çekici deneyimler yaratır. LLM destekli QnABot'u dağıtmak, müşterileriniz ve çalışanlarınız için self servis deneyimini yükseltmenize yardımcı olabilir.

Bu fırsatı kaçırmayın; bugün başlayın ve QnABot kurulumunuzda kullanıcı deneyiminde devrim yaratın!

yazarlar hakkında

Clevester Teo AWS'de Kamu Sektörü iş ortağı ekosistemine odaklanan Kıdemli İş Ortağı Çözüm Mimarıdır. Prototipler yapmaktan, açık havada aktif kalmaktan ve yeni mutfakları deneyimlemekten hoşlanıyor. Clevester, gelişen teknolojileri deneme ve AWS iş ortaklarının yenilik yapmasına ve kamu sektörü müşterilerine daha iyi hizmet vermesine yardımcı olma konusunda tutkuludur.

Rüzgâr zengini AWS'de, finans ve ulaşım gibi sektörlerdeki müşterilerle birlikte çalışarak bulutu benimseme yolculuklarını hızlandırmaya yardımcı olan bir Çözüm Mimarıdır. Özellikle Sunucusuz teknolojiler ve müşterilerin işlerine değer katmak için bunlardan nasıl yararlanabileceğiyle ilgileniyor. Windrich, iş dışında spor yapmayı ve izlemeyi, ayrıca dünya çapındaki farklı mutfakları keşfetmeyi seviyor.

Bob Strahan AWS Dil Yapay Zeka Hizmetleri ekibinde Baş Çözüm Mimarıdır.

• SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
• PlatoData.Network Dikey Üretken Yapay Zeka. Kendine güç ver. Buradan Erişin.
• PlatoAiStream. Web3 Zekası. Bilgi Genişletildi. Buradan Erişin.
• PlatoESG. Otomotiv / EV'ler, karbon, temiz teknoloji, Enerji, Çevre, Güneş, Atık Yönetimi. Buradan Erişin.
• PlatoSağlık. Biyoteknoloji ve Klinik Araştırmalar Zekası. Buradan Erişin.
• ChartPrime. Ticaret Oyununuzu ChartPrime ile yükseltin. Buradan Erişin.
• Blok Ofsetleri. Çevre Dengeleme Sahipliğini Modernleştirme. Buradan Erişin.
• Kaynak: https://aws.amazon.com/blogs/machine-learning/deploy-self-service-question-answering-with-the-qnabot-on-aws-solution-powered-by-amazon-lex-with-amazon-kendra-and-large-language-models/