Apa itu AI generatif?
Kecerdasan buatan generatif (AI generatif) adalah tipe AI yang dapat membuat konten dan ide baru, termasuk percakapan, cerita, gambar, video, dan musik. Teknologi AI mencoba meniru kecerdasan manusia dalam tugas komputasi nontradisional, seperti pengenalan gambar, pemrosesan bahasa alami (NLP), dan terjemahan. AI generatif adalah langkah selanjutnya dalam kecerdasan buatan. Anda dapat melatihnya untuk belajar bahasa manusia, bahasa pemrograman, seni, kimia, biologi, atau materi pelajaran kompleks apa pun. AI generatif menggunakan kembali data pelatihan untuk memecahkan masalah baru. Misalnya, AI generatif dapat mempelajari kosakata bahasa Inggris dan membuat puisi dari kata-kata yang diprosesnya. Organisasi Anda dapat menggunakan AI generatif untuk berbagai tujuan, seperti chatbot, pembuatan media, serta pengembangan dan desain produk.
Mengapa AI generatif penting?
Aplikasi AI generatif, seperti ChatGPT telah menarik perhatian dan imajinasi yang luas. Aplikasi ini dapat membantu menemukan kembali sebagian besar pengalaman dan aplikasi pelanggan, membuat aplikasi baru yang belum pernah dilihat sebelumnya, dan membantu pelanggan mencapai tingkat produktivitas baru.
Menurut Goldman Sachs, AI generatif dapat mendorong peningkatan sebesar 7 persen (atau hampir 7 miliar USD) dalam produk domestik bruto (PDB) global. Mereka juga mengantisipasi bahwa AI generatif dapat meningkatkan pertumbuhan produktivitas dengan poin persentase sebesar 1,5 selama 10 tahun.
Selanjutnya, kami akan memaparkan beberapa manfaat AI generatif lainnya.
Mempercepat penelitian
Algoritma AI generatif dapat mengeksplorasi dan menganalisis data kompleks dengan cara baru. Jadi, peneliti dapat menemukan tren dan pola baru yang mungkin tidak terlihat sebelumnya. Algoritma ini dapat meringkas konten, menguraikan beberapa jalur solusi, melakukan brainstorming ide, dan membuat dokumentasi terperinci dari catatan penelitian. Inilah sebabnya AI generatif secara drastis meningkatkan penelitian dan inovasi.
Misalnya, sistem AI generatif digunakan dalam industri farmasi untuk menghasilkan dan mengoptimalkan urutan protein dan secara signifikan mempercepat penemuan obat.
Meningkatkan pengalaman pelanggan
AI generatif dapat merespons percakapan manusia secara alami dan berfungsi sebagai alat untuk layanan pelanggan dan personalisasi alur kerja pelanggan.
Misalnya, Anda dapat menggunakan chatbot yang ditenagai AI, bot suara, dan asisten virtual yang merespons pelanggan dengan lebih akurat untuk resolusi kontak pertama. Chatbot ini dapat meningkatkan keterlibatan pelanggan dengan menyajikan penawaran dan komunikasi yang dikuratori dengan cara yang dipersonalisasi.
Mengoptimalkan proses bisnis
Dengan AI generatif, bisnis Anda dapat mengoptimalkan proses bisnis menggunakan machine learning (ML) dan aplikasi AI di semua lini bisnis. Anda dapat menerapkan teknologi di semua lini bisnis, termasuk rekayasa, pemasaran, layanan pelanggan, keuangan, dan penjualan.
Misalnya, berikut ini adalah kemampuan AI generatif yang dapat dilakukan untuk optimisasi:
- Mengekstraksi dan merangkum data dari sumber apa pun untuk fungsi pencarian pengetahuan
- Mengevaluasi dan mengoptimalkan berbagai skenario untuk pengurangan biaya di bidang-bidang, seperti pemasaran, periklanan, keuangan, dan logistik
- Menghasilkan data sintetis untuk membuat data berlabel untuk pembelajaran yang diawasi dan proses ML lainnya
Meningkatkan produktivitas karyawan
Model AI generatif dapat menambah alur kerja karyawan dan bertindak sebagai asisten yang efisien untuk semua orang di organisasi Anda. Model ini dapat melakukan segalanya, mulai dari pencarian hingga penciptaan dengan cara yang mirip manusia.
AI generatif dapat meningkatkan produktivitas untuk berbagai tipe pekerja:
- Mendukung tugas-tugas kreatif dengan menghasilkan beberapa prototipe berdasarkan input dan kendala tertentu. Ini juga dapat mengoptimalkan desain yang ada berdasarkan umpan balik manusia dan batasan tertentu.
- Menghasilkan saran kode perangkat lunak baru untuk tugas pengembangan aplikasi.
- Mendukung manajemen dengan menghasilkan laporan, ringkasan, dan proyeksi.
- Menghasilkan skrip penjualan baru, konten email, dan blog untuk tim pemasaran
Anda dapat menghemat waktu, mengurangi biaya, dan meningkatkan efisiensi di seluruh organisasi Anda.
Bagaimana AI generatif akan memengaruhi banyak industri?
Sementara AI generatif dapat memengaruhi semua industri dari waktu ke waktu, industri tertentu siap untuk mendapatkan manfaat dari teknologi ini dengan cepat.
Jasa keuangan
Perusahaan jasa keuangan dapat memanfaatkan kekuatan AI generatif untuk melayani pelanggan mereka dengan lebih baik sembari mengurangi biaya:
- Lembaga keuangan dapat menggunakan chatbot untuk menghasilkan rekomendasi produk dan menanggapi pertanyaan pelanggan, yang meningkatkan layanan pelanggan secara keseluruhan
- Lembaga pemberi pinjaman dapat mempercepat persetujuan pinjaman untuk pasar yang kurang terlayani secara finansial, terutama di negara-negara berkembang.
- Bank dapat dengan cepat mendeteksi penipuan dalam klaim, kartu kredit, dan pinjaman.
- Perusahaan investasi dapat menggunakan keunggulan AI generatif untuk memberikan nasihat keuangan yang dipersonalisasi kepada klien mereka dengan biaya rendah.
Layanan kesehatan dan ilmu hayati
Salah satu kasus penggunaan AI generatif yang paling menjanjikan adalah mempercepat penemuan dan penelitian obat. AI generatif menggunakan model untuk membuat urutan protein baru dengan sifat spesifik untuk merancang antibodi, enzim, vaksin, dan terapi gen.
Perusahaan layanan kesehatan dan ilmu hayat dapat menggunakan model generatif untuk merancang urutan gen sintetis untuk aplikasi dalam biologi sintetik dan rekayasa metabolisme. Misalnya, mereka dapat membuat jalur biosintetik baru atau mengoptimalkan ekspresi gen untuk tujuan biomanufaktur.
Terakhir, AI generatif dapat digunakan untuk membuat data pasien dan layanan kesehatan sintetis. Hal ini berguna untuk melatih model AI, menyimulasikan uji klinis, atau mempelajari penyakit langka tanpa akses ke set data dunia nyata yang besar.
Otomotif dan Manufaktur
Perusahaan otomotif dapat menggunakan teknologi AI generatif untuk banyak kasus penggunaan, mulai dari rekayasa hingga pengalaman berkendara dan layanan pelanggan. Misalnya, perusahaan otomotif dapat mengoptimalkan desain suku cadang mekanis untuk mengurangi hambatan dalam desain kendaraan atau menyesuaikan desain asisten pribadi.
Perusahaan otomotif menggunakan AI generatif untuk memberikan layanan pelanggan yang lebih baik dengan menjawab pertanyaan pelanggan yang paling umum dengan cepat. Desain material, chip, dan suku cadang baru dapat dibuat menggunakan AI generatif untuk mengoptimalkan proses manufaktur dan menurunkan biaya.
AI generatif juga dapat digunakan untuk pembuatan data sintetis untuk menguji aplikasi. Hal ini sangat membantu untuk data yang jarang disertakan dalam set data pengujian (seperti cacat atau kasus edge).
Media dan hiburan
Dari animasi dan skrip hingga film berdurasi penuh, model AI generatif dapat menghasilkan konten baru dengan biaya dan waktu produksi tradisional yang lebih murah.
Berikut cara lain untuk menggunakan AI generatif di industri:
- Artis dapat menambahkan dan menyempurnakan album mereka dengan musik yang dihasilkan AI untuk menciptakan pengalaman baru
- Organisasi media dapat menggunakan AI generatif untuk meningkatkan pengalaman audiens mereka dengan menawarkan konten dan iklan yang dipersonalisasi untuk meningkatkan pendapatan.
- Perusahaan game dapat menggunakan AI generatif untuk membuat game baru dan memungkinkan pemain membuat avatar
Telekomunikasi
Kasus penggunaan awal AI generatif dalam telekomunikasi difokuskan pada penciptaan kembali pengalaman pelanggan. Pengalaman pelanggan ditentukan oleh interaksi kumulatif pelanggan di semua titik kontak perjalanan pelanggan.
Misalnya, organisasi telekomunikasi dapat menerapkan AI generatif untuk meningkatkan layanan pelanggan dengan agen percakapan mirip manusia secara langsung. Organisasi telekomunikasi juga dapat mengoptimalkan performa jaringan dengan menganalisis data jaringan untuk merekomendasikan perbaikan. Dan mereka dapat menemukan kembali hubungan pelanggan dengan asisten penjualan pribadi yang dipersonalisasi.
Energi
AI generatif cocok untuk tugas-tugas sektor energi yang melibatkan analisis data mentah yang kompleks, pengenalan pola, prakiraan, dan optimisasi. Organisasi energi dapat meningkatkan layanan pelanggan dengan menganalisis data perusahaan untuk mengidentifikasi pola penggunaan. Dengan informasi ini mereka dapat mengembangkan penawaran produk yang ditargetkan, program efisiensi energi, atau inisiatif respons permintaan.
AI generatif dapat membantu manajemen jaringan, meningkatkan keamanan lokasi operasional, dan mengoptimalkan produksi energi melalui simulasi reservoir.
Bagaimana cara kerja AI generatif?
Seperti semua kecerdasan buatan, AI generatif bekerja menggunakan model machine learning, yaitu model yang sangat besar yang telah dilatih sebelumnya dengan data dalam jumlah besar.
Model dasar
Model fondasi (FM) adalah model ML yang dilatih pada spektrum luas data umum dan tidak berlabel. Model fondasi mampu melakukan berbagai macam tugas umum.
FM adalah hasil dari kemajuan teknologi terbaru yang telah berkembang selama beberapa dekade. Secara umum, FM menggunakan pola dan hubungan yang dipelajari untuk memprediksi item berikutnya secara berurutan.
Misalnya, dengan pembuatan gambar, model menganalisis gambar dan membuat versi gambar yang lebih tajam dan lebih jelas. Demikian halnya dengan teks, model memprediksi kata berikutnya dalam serangkaian teks berdasarkan kata-kata sebelumnya dan konteksnya. Kemudian, FM memilih kata berikutnya menggunakan teknik distribusi probabilitas.
Model bahasa besar
Model bahasa besar (LLM) adalah salah satu kelas FM. Misalnya, model transformator pralatih generatif (GPT) milik OpenAI adalah LLM. LLM secara khusus difokuskan pada tugas-tugas berbasis bahasa, seperti ringkasan, pembuatan teks, klasifikasi, percakapan terbuka, dan ekstraksi informasi.
Apa yang membuat LLM istimewa adalah kemampuannya untuk melakukan banyak tugas. LLM dapat melakukan hal ini karena mengandung banyak parameter yang membuatnya mampu mempelajari konsep-konsep lanjutan.
LLM, seperti GPT-3 dapat mempertimbangkan miliaran parameter dan memiliki kemampuan untuk menghasilkan konten dari input yang sangat sedikit. Selain itu, melalui paparan prapelatihan untuk data skala internet dalam berbagai bentuk dan segudang pola, LLM belajar untuk menerapkan pengetahuannya dalam berbagai konteks.
Bagaimana cara kerja model AI generatif?
Model machine learning tradisional bersifat diskriminatif atau berfokus pada klasifikasi titik data. Model tersebut mencoba untuk menentukan hubungan antara faktor yang diketahui dan tidak diketahui. Misalnya, saat melihat gambar, yaitu data yang diketahui, seperti susunan piksel, garis, warna, dan bentuk, model machine learning tradisional memetakannya ke kata-kata, yaitu faktor yang tidak diketahui. Secara matematis, model bekerja dengan mengidentifikasi persamaan yang secara numerik dapat memetakan faktor yang diketahui dan tidak diketahui sebagai variabel x dan y.
Model generatif mengambil satu langkah lebih jauh. Alih-alih memprediksi label yang diberikan beberapa fitur, model generatif mencoba memprediksi fitur yang diberi label tertentu. Secara matematis, pemodelan generatif menghitung probabilitas x dan y yang terjadi bersamaan. Pemodelan generatif mempelajari distribusi fitur data yang berbeda dan hubungannya.
Misalnya, model generatif menganalisis gambar hewan untuk merekam variabel, seperti bentuk telinga, bentuk mata, fitur ekor, dan pola kulit yang berbeda. Model generatif mempelajari fitur dan hubungannya untuk memahami seperti apa berbagai rupa hewan secara umum. Mereka kemudian dapat membuat ulang gambar hewan baru yang tidak ada dalam set pelatihan.
Selanjutnya, kami memberikan beberapa kategori umum model AI generatif.
Model difusi
Model difusi membuat data baru dengan membuat perubahan acak terkontrol secara iteratif pada sampel data awal. Model difusi memulai dengan data asli dan menambahkan perubahan (noise) halus, yang secara progresif membuatnya menjadi kurang mirip dengan aslinya. Noise ini dikontrol dengan hati-hati untuk memastikan data yang dihasilkan tetap koheren dan realistis.
Setelah menambahkan noise selama beberapa iterasi, model difusi membalikkan proses. Reverse denoising secara bertahap menghilangkan noise untuk menghasilkan sampel data baru yang menyerupai aslinya.
Generative adversarial networks
Generative adversarial networks (GAN) adalah model AI generatif lain yang dibangun di atas konsep model difusi.
GAN bekerja dengan melatih dua jaringan neural secara kompetitif. Jaringan pertama, yang dikenal sebagai generator, menghasilkan sampel data palsu dengan menambahkan noise acak. Jaringan kedua, yang disebut diskriminator, mencoba membedakan antara data nyata dan data palsu yang dihasilkan oleh generator.
Selama pelatihan, generator terus meningkatkan kemampuannya untuk membuat data yang realistis sementara diskriminator menjadi lebih baik dalam membedakan yang nyata dari yang palsu. Proses adversarial ini berlanjut sampai generator menghasilkan data yang begitu meyakinkan sehingga diskriminator tidak dapat membedakannya dari data nyata.
GAN banyak digunakan dalam menghasilkan gambar realistis, transfer gaya, dan tugas augmentasi data.
Variational autoencoders
Variational autoencoders (VAE) mempelajari representasi data yang ringkas, yang disebut ruang laten. Ruang laten adalah representasi matematis dari data. Anda dapat menganggapnya sebagai kode unik yang merepresentasikan data berdasarkan semua atributnya. Misalnya, jika mempelajari wajah, ruang laten berisi angka yang merepresentasikan bentuk mata, bentuk hidung, tulang pipi, dan telinga.
VAE menggunakan dua jaringan neural, yaitu enkoder dan dekoder. Jaringan neural enkoder memetakan data input ke rata-rata dan varian untuk setiap dimensi ruang laten. Jaringan neural enkoder menghasilkan sampel acak dari distribusi Gaussian (normal). Sampel ini adalah titik di ruang laten dan merepresentasikan versi data input yang dikompresi dan disederhanakan.
Jaringan neural dekoder mengambil titik sampel ini dari ruang laten dan merekonstruksinya kembali menjadi data yang menyerupai input asli. Fungsi matematika digunakan untuk mengukur seberapa cocok data yang direkonstruksi dengan data aslinya.
Model berbasis transformator
Model AI generatif berbasis transformator dibangun di atas konsep enkoder dan dekoder VAE. Model berbasis transformator menambahkan lebih banyak lapisan ke enkoder untuk meningkatkan performa pada tugas berbasis teks, seperti pemahaman, terjemahan, dan penulisan kreatif.
Model berbasis transformator menggunakan mekanisme self-attention. Model tersebut menimbang pentingnya bagian yang berbeda dari urutan input saat memproses setiap elemen dalam urutan.
Fitur utama lainnya adalah bahwa model AI ini menerapkan penyematan kontekstual. Pengenkodean elemen urutan tidak hanya bergantung pada elemen itu sendiri, tetapi juga pada konteksnya dalam urutan.
Cara kerja model berbasis transformator
Untuk memahami cara kerja model berbasis transformator, bayangkan kalimat sebagai urutan kata.
Self-attention membantu model fokus pada kata-kata yang relevan saat memproses setiap kata. Untuk menangkap berbagai jenis hubungan antara kata, model generatif berbasis transformator menggunakan beberapa lapisan enkoder yang disebut attention head. Setiap head belajar memperhatikan bagian yang berbeda dari urutan input. Hal ini memungkinkan model untuk secara bersamaan mempertimbangkan berbagai aspek data.
Setiap lapisan juga menyempurnakan penyematan kontekstual. Lapisan membuat penyematan lebih informatif dan menangkap segala sesuatu mulai dari sintaksis tata bahasa hingga makna semantik yang kompleks.
Bagaimana teknologi AI generatif berkembang?
Model generatif primitif telah digunakan selama beberapa dekade dalam statistik untuk membantu analisis data numerik. Jaringan neural dan deep learning adalah prekursor terbaru untuk AI generatif modern. Enkoder otomatis variasional yang dikembangkan pada tahun 2013 adalah model generatif mendalam pertama yang dapat menghasilkan gambar dan ucapan yang realistis.
VAE memperkenalkan kemampuan untuk membuat variasi baru dari beberapa tipe data. Hal ini memicu pesatnya kemunculan model AI generatif lainnya, seperti generative adversarial network (GAN) dan model difusi. Inovasi ini difokuskan pada penghasilan data yang makin menyerupai data nyata, meskipun dibuat secara artifisial.
Pada tahun 2017, pergeseran lebih lanjut dalam penelitian AI terjadi dengan diperkenalkannya transformator. Transformator mengintegrasikan arsitektur enkoder dan dekoder secara lancar dengan mekanisme perhatian. Mereka menyederhanakan proses pelatihan model bahasa dengan efisiensi dan keserbagunaan yang luar biasa. Model-model terkenal seperti GPT muncul sebagai model fondasi yang mampu melakukan prapelatihan pada kumpulan teks mentah yang ekstensif dan menyempurnakan tugas yang beragam.
Transformator mengubah apa yang mungkin dilakukan dalam pemrosesan bahasa alami. Transformator memberdayakan kemampuan generatif untuk tugas-tugas mulai dari menerjemahkan dan meringkas hingga menjawab pertanyaan.
Banyak model AI generatif terus membuat langkah signifikan dan berhasil menemukan aplikasi lintas industri. Inovasi terbaru berfokus pada penyempurnaan model untuk bekerja dengan data eksklusif. Para peneliti juga ingin membuat teks, gambar, video, dan ucapan yang makin mirip manusia.
Apa saja praktik terbaik dalam adopsi AI generatif?
Jika organisasi Anda ingin menerapkan solusi AI generatif, pertimbangkan praktik terbaik berikut untuk meningkatkan upaya Anda.
Mulailah dengan aplikasi internal
Memulai adopsi AI generatif dengan pengembangan aplikasi internal adalah cara terbaik, yang berfokus pada optimisasi proses dan produktivitas karyawan. Anda mendapatkan lingkungan yang lebih terkontrol untuk menguji hasil sekaligus membangun keterampilan dan pemahaman teknologi. Anda dapat menguji model secara ekstensif dan bahkan menyesuaikannya pada sumber pengetahuan internal.
Dengan cara ini, pelanggan Anda memiliki pengalaman yang jauh lebih baik ketika Anda akhirnya menggunakan model untuk aplikasi eksternal.
Tingkatkan transparansi
Berikan informasi yang jelas tentang semua aplikasi dan output AI generatif sehingga pengguna Anda tahu bahwa mereka berinteraksi dengan AI dan bukan manusia. Misalnya, AI dapat memperkenalkan dirinya sebagai AI, atau hasil pencarian berbasis AI dapat ditandai dan disorot.
Dengan begitu, pengguna Anda dapat menggunakan konten dengan cara mereka sendiri. Mereka mungkin juga lebih proaktif dalam menangani ketidakakuratan atau bias tersembunyi yang mungkin dimiliki model yang mendasarinya karena keterbatasan data pelatihan mereka.
Terapkan keamanan
Terapkan pagar pembatas sehingga aplikasi AI generatif Anda tidak mengizinkan akses tidak sah yang tidak disengaja ke data sensitif. Libatkan tim keamanan sejak awal sehingga semua aspek dapat dipertimbangkan dari awal. Misalnya, Anda mungkin harus menyembunyikan data dan menghapus informasi pengenal pribadi (PII) sebelum melatih model apa pun pada data internal.
Uji secara ekstensif
Kembangkan proses pengujian otomatis dan manual untuk memvalidasi hasil, serta uji semua tipe skenario yang mungkin dialami sistem AI generatif. Siapkan grup penguji beta yang berbeda yang menguji coba aplikasi dengan cara yang berbeda dan mendokumentasikan hasil. Model ini juga akan terus meningkat melalui pengujian, dan Anda mendapatkan kontrol lebih besar atas hasil dan respons yang diharapkan.
Apa saja aplikasi yang sudah umum dari AI generatif?
Dengan AI generatif, Anda dapat memanfaatkan machine learning untuk bisnis Anda dengan lebih cepat dan menerapkannya ke serangkaian kasus penggunaan yang lebih luas. Anda dapat menerapkan AI generatif di semua lini bisnis termasuk teknik, pemasaran, layanan pelanggan, keuangan, dan penjualan. Pembuatan kode adalah salah satu aplikasi yang paling menjanjikan untuk AI generatif dan, dengan Amazon CodeWhisperer, yang merupakan pendamping pengodean AI, kami melihat hasil yang luar biasa dalam hal produktivitas developer. Selama pratinjau, Amazon menjalankan tantangan produktivitas, dan peserta yang menggunakan Amazon CodeWhisperer mempunyai kemungkinan 27% lebih besar untuk berhasil menyelesaikan tugas dan rata-rata 57% dapat menyelesaikan lebih cepat dibandingkan peserta yang tidak menggunakan CodeWhisperer.
Selain pembuatan kode, terdapat banyak aplikasi yang dapat Anda gunakan untuk menerapkan AI generatif guna mencapai perubahan besar dalam pengalaman pelanggan, produktivitas karyawan, efisiensi bisnis, dan kreativitas. Anda dapat menggunakan AI generatif untuk meningkatkan pengalaman pelanggan melalui kemampuan, seperti chatbots, asisten virtual, pusat kontak cerdas, personalisasi, dan moderasi konten. Anda dapat meningkatkan produktivitas karyawan Anda antara lain dengan pencarian percakapan, pembuatan konten, dan ringkasan teks yang didukung oleh AI generatif. Anda dapat meningkatkan operasi bisnis dengan pemrosesan dokumen, asisten pemeliharaan, kontrol kualitas dan inspeksi visual, serta pembuatan data pelatihan sintetis yang cerdas. Terakhir, Anda dapat menggunakan AI generatif untuk meningkatkan produksi semua jenis konten kreatif mulai dari pembuatan seni dan musik dengan teks, animasi, video, dan gambar.
Bagaimana cara AWS membantu AI Generatif?
Amazon Web Services (AWS) memudahkan pembuatan dan penskalaan aplikasi AI generatif untuk data, kasus penggunaan, dan pelanggan Anda. Dengan AI generatif di AWS, Anda mendapatkan keamanan dan privasi tingkat korporasi, akses ke FM terkemuka di industri, aplikasi yang ditenagai AI generatif, dan pendekatan yang mengutamakan data.
Pilih dari berbagai teknologi AI generatif yang mendukung semua jenis organisasi di setiap tahap adopsi dan kematangan AI generatif:
- Pembuatan kode adalah salah satu aplikasi paling menjanjikan untuk AI generatif. Dengan Amazon CodeWhisperer, pendamping pengodean AI, Anda bisa mendapatkan hasil yang luar biasa dalam produktivitas developer. Selama pratinjau, Amazon menjalankan tantangan produktivitas. Peserta yang menggunakan CodeWhisperer 27 persen lebih mungkin untuk menyelesaikan tugas dengan sukses. Rata-rata, mereka menyelesaikan tugas 57 persen lebih cepat daripada mereka yang tidak menggunakan CodeWhisperer.
- Amazon Bedrock adalah layanan lain yang terkelola penuh yang menawarkan pilihan FM beperforma tinggi dan serangkaian kemampuan yang luas. Anda dapat dengan mudah bereksperimen dengan berbagai FM teratas, menyesuaikannya secara pribadi dengan data Anda, dan membuat agen terkelola yang menjalankan tugas bisnis kompleks.
- Anda juga dapat menggunakan Amazon SageMaker JumpStart untuk menemukan, menjelajahi, dan melakukan deployment FM sumber terbuka, atau bahkan membuat FM Anda sendiri. SageMaker JumpStart menyediakan infrastruktur dan peralatan yang terkelola untuk mempercepat pembuatan, pelatihan, dan deployment model yang dapat diskalakan, andal, serta aman.
- AWS HealthScribe adalah layanan yang memenuhi persyaratan HIPAA yang memberdayakan vendor perangkat lunak layanan kesehatan untuk membangun aplikasi klinis yang secara otomatis menghasilkan catatan klinis dengan menganalisis percakapan antara pasien dan dokter. AWS HealthScribe menggabungkan pengenalan ucapan dan kecerdasan buatan (AI) generatif untuk mengurangi beban dokumentasi klinis dengan menyalin percakapan antara pasien dan dokter serta menghasilkan catatan klinis yang lebih mudah ditinjau.
- Amazon Q di QuickSight membantu analis bisnis membuat dan menyesuaikan visual dengan mudah menggunakan perintah bahasa alami. Kemampuan penulisan BI Generatif baru memperluas kueri bahasa alami QuickSight Q selain menjawab pertanyaan yang terstruktur dengan baik (seperti “apa saja 10 produk teratas yang dijual di California?”) untuk membantu analis membuat visual yang dapat disesuaikan dari fragmen pertanyaan (seperti “10 produk teratas”) dengan cepat, memperjelas maksud kueri dengan mengajukan pertanyaan lanjutan, menyempurnakan visualisasi, dan menyelesaikan perhitungan yang kompleks.
Mulai AI generatif di AWS dengan membuat akun sekarang juga.
Langkah Berikutnya di AWS
