Category: Artificial Intelligence

生成式人工智能的诞生使种种变革成为可能，我们的工作、生活和与世界互动的方式也可能由此受益。但是，这项技术如此强大，我们必须认识到随之而来的责任。 这段时间，从我与高管们的交谈中，我发现他们都意识到了，人们对可以开始使用人工智能这件事热情高涨，而对于生成式人工智能的出现则更是激动不已。但是高管们经常会问：“我怎样才能以安全负责的方式实施该技术，为我的客户提供出色体验？” 这是一个重要的问题，尤其是我们现在已经看到了生成式人工智能所带来的新挑战。

本文将介绍如何使用亚马逊云科技的大语言模型服务 Amazon Bedrock 以及 RAG（Retrieval Augmented Generation），实现 Text2SQL 功能，以此为基础构建基于大语言模型（LLM）的行业数据查询助手，达到使用自然语言询问直接获取数据分析结果的目的。

在这篇文章中，我们结合一个场景，简单地讲解 LLM 的原理，LLM RAG 对话机器人以及 Text2SQL 的实现方式。

部署 Automatic1111 在 SageMaker 上，以创建一个标准化的环境来实验 Stable Diffusion。

人工智能（AI）是我们这一代出现的最具变革性的技术之一，它为成为向善的力量并推动经济增长提供了机会。拥有数千亿个参数的大型语言模型（LLM）的发展解锁了新的生成式人工智能用例，以改善客户体验、提高员工工作效率等等。在亚马逊云科技，我们始终致力于以负责任的方式利用人工智能，与客户携手开发和使用人工智能系统，并将安全性、公平性和保密性放在首位。

在本篇文章中，我们会介绍使用 Horovod 和 Pytorch 利用亚马逊云科技的 EC2 GPU 资源，进行多机多卡分布式训练。本文主要分为 3 部分，方案概述（包括 3 种我们根据不同的用户场景设计的方案），配置细节以及实战中碰到的问题分享和最佳实践。

本系列博客从代码、实操层面出发，带领大家基于 Bedrock Agent 从 0 到 1 快速实现智能体构建。场景是金蝶发票云探索基于基础大模型构建面向企业用户的发票助手，希望从以前用户需要面向系统做填单操作来开发票转变为通过自然语言对话申请发票开具。该 Agent 可以实现如下两个功能： * 向客户收集开发票所需要的信息，自动调用后端 API 为用户开具发票 * 基于企业票据知识回答用户提问

文章介绍了初创及中小企业如何利用 RAG 技术，结合企业私有知识数据，基于 LLM 和智能搜索，并以无代码的形式，更简单、更快速、更灵活地构建企业私域知识库应用。

在此博客里，我们将构建一个基于 RAG 的 LLM 应用程序，使用 LLM 和 Embedding 的向量生成模型进行语义搜索与文本相似性，来构建一个带有图形界面的问答式文档 Web 应用程序。我们将模拟一个工业生产线故障诊断的搜索，并根据搜索给出智能分析方案。由于大模型基本上都支持 Streaming 的方式生成内容，这样用户不用等待所有结果输出结束就可以看到持续生成的内容。我们这里使用 AWS 基础设施，来构建一个基于 HTTP Streaming 的 LLM 应用。

本文通过 Amazon SageMaker 展示其对多模态大模型的训练及推理基础设施所带来的简化，同时针对跨模态表征在 Amazon SageMaker 的批量抽取提供了示例，使得其可以快速接入不同场景进一步帮助业务提效。