تمت كتابة هذا المنشور بالاشتراك مع شيروين تشو من Alida.

أليدا تساعد أكبر العلامات التجارية في العالم على إنشاء مجتمعات بحثية شديدة التفاعل لجمع التعليقات التي تغذي تجارب أفضل للعملاء وابتكار المنتجات.

يتلقى عملاء Alida عشرات الآلاف من الاستجابات المشاركة لاستطلاع واحد، لذلك اختار فريق Alida الاستفادة من التعلم الآلي (ML) لخدمة عملائه على نطاق واسع. ومع ذلك، عند استخدام نماذج معالجة اللغة الطبيعية التقليدية (NLP)، وجدوا أن هذه الحلول تكافح من أجل فهم التعليقات الدقيقة الموجودة في استجابات الاستطلاع المفتوح بشكل كامل. غالبًا ما استحوذت النماذج فقط على الموضوعات والمشاعر السطحية، وفقدت السياق الحاسم الذي من شأنه أن يسمح برؤى أكثر دقة وذات مغزى.

في هذا المقال، نتعرف على كيفية عمل نموذج كلود إنستانت من الأنثروبيك أمازون بيدروك مكّن فريق Alida من بناء خدمة قابلة للتطوير بسرعة تحدد الموضوع والمشاعر بشكل أكثر دقة ضمن استجابات الاستطلاع المعقدة. حققت الخدمة الجديدة تحسنًا بمقدار 4 إلى 6 مرات في تأكيد الموضوع من خلال التجميع المحكم لعشرات الموضوعات الرئيسية مقابل مئات الكلمات الرئيسية المزعجة في البرمجة اللغوية العصبية.

Amazon Bedrock هي خدمة مُدارة بالكامل توفر مجموعة مختارة من النماذج الأساسية عالية الأداء (FMs) من شركات الذكاء الاصطناعي الرائدة، مثل AI21 Labs وAnthropic وCohere وMeta وStability AI وAmazon عبر واجهة برمجة تطبيقات واحدة، إلى جانب مجموعة واسعة من مجموعة من الإمكانات التي تحتاجها لإنشاء تطبيقات ذكاء اصطناعي منتجة تتمتع بالأمان والخصوصية والذكاء الاصطناعي المسؤول.

سمح استخدام Amazon Bedrock لشركة Alida بتقديم خدماتها إلى السوق بشكل أسرع مما لو كانت قد استخدمت موفري أو بائعين آخرين للتعلم الآلي (ML).

التحدي

تتيح الاستطلاعات التي تحتوي على مجموعة من الأسئلة ذات الاختيارات المتعددة والأسئلة المفتوحة لباحثي السوق الحصول على رؤية أكثر شمولية من خلال التقاط نقاط البيانات الكمية والنوعية.

من السهل تحليل أسئلة الاختيار من متعدد على نطاق واسع، ولكنها تفتقر إلى الدقة والعمق. قد يؤدي تعيين خيارات الاستجابة أيضًا إلى انحياز أو تحضير استجابات المشاركين.

تسمح أسئلة الاستطلاع المفتوحة للمستجيبين بتوفير السياق والتعليقات غير المتوقعة. تعمل نقاط البيانات النوعية هذه على تعميق فهم الباحثين بما يتجاوز ما يمكن أن تلتقطه أسئلة الاختيار من متعدد بمفردها. التحدي الذي يواجه النص الحر هو أنه يمكن أن يؤدي إلى إجابات معقدة ودقيقة يصعب على البرمجة اللغوية العصبية التقليدية فهمها بالكامل. على سبيل المثال:

"لقد واجهت مؤخرًا بعض مصاعب الحياة وشعرت بالإحباط وخيبة الأمل حقًا. عندما دخلت، كان الموظفون دائمًا طيبون جدًا معي. لقد ساعدني في تجاوز بعض الأوقات الصعبة!

ستحدد أساليب البرمجة اللغوية العصبية التقليدية الموضوعات على أنها "الصعوبات" و"خيبة الأمل" و"الموظفون الطيبون" و"التغلب على الأوقات الصعبة". لا يمكن التمييز بين تجارب الحياة السلبية الحالية الشاملة للمستجيب وتجارب المتجر الإيجابية المحددة.

يقوم حل Alida الحالي بمعالجة كميات كبيرة من الاستجابات المفتوحة تلقائيًا، ولكنهم أرادوا أن يحصل عملاؤهم على فهم سياقي أفضل واستدلال موضوعي عالي المستوى.

أمازون بيدروك

قبل تقديم LLMs، كان الطريق إلى الأمام بالنسبة لشركة Alida لتحسين حل النموذج الفردي الحالي الخاص بها هو العمل بشكل وثيق مع خبراء الصناعة وتطوير وتدريب وتحسين نماذج جديدة خصيصًا لكل قطاع من قطاعات الصناعة التي يعمل فيها عملاء Alida. لقد كان هذا مسعى مكلفًا للوقت والتكلفة.

أحد الإنجازات التي تجعل ماجستير إدارة الأعمال قويًا جدًا هو استخدام آليات الانتباه. يستخدم LLMs آليات الاهتمام الذاتي التي تحلل العلاقات بين الكلمات في موجه معين. يتيح ذلك لـ LLMs التعامل بشكل أفضل مع الموضوع والمشاعر في المثال السابق ويقدم تقنية جديدة مثيرة يمكن استخدامها لمواجهة التحدي.

باستخدام Amazon Bedrock، يمكن للفرق والأفراد البدء فورًا في استخدام النماذج الأساسية دون الحاجة إلى القلق بشأن توفير البنية التحتية أو إعداد أطر تعلم الآلة وتكوينها. يمكنك البدء بالخطوات التالية:

1. تأكد من أن المستخدم أو الدور الخاص بك لديه الإذن لإنشاء موارد Amazon Bedrock أو تعديلها. لمزيد من التفاصيل، انظر أمثلة على السياسات القائمة على الهوية لـ Amazon Bedrock
2. تسجيل الدخول إلى أمازون بيدروك وحدة التحكم.
3. على الوصول إلى النموذج الصفحة، قم بمراجعة اتفاقية ترخيص المستخدم النهائي وقم بتمكين FMs التي تريدها في حسابك.
4. ابدأ التفاعل مع FMs عبر الطرق التالية:

كان فريق القيادة التنفيذية في Alida حريصًا على أن يكون من أوائل المتبنين لـ Amazon Bedrock لأنهم أدركوا قدرته على مساعدة فرقهم على تقديم حلول توليدية جديدة مدعومة بالذكاء الاصطناعي إلى السوق بشكل أسرع.

يقول فينسي ويليام، المدير الأول للهندسة في Alida والذي يقود الفريق المسؤول عن بناء خدمة تحليل الموضوع والمشاعر:

"توفر LLMs قفزة كبيرة في التحليل النوعي وتفعل أشياء (على نطاق) لا يمكن للبشر القيام بها. تُعد Amazon Bedrock بمثابة تغيير لقواعد اللعبة، فهي تتيح لنا الاستفادة من شهادات LLM دون أي تعقيد.

شهد الفريق الهندسي السهولة الفورية لبدء استخدام Amazon Bedrock. ويمكنهم الاختيار من بين النماذج الأساسية المختلفة والبدء في التركيز على الهندسة السريعة بدلاً من قضاء الوقت في تحديد الحجم الصحيح وتوفير الموارد ونشرها وتكوينها لتشغيل النماذج.

حل نظرة عامة

شارك شيروين تشو، كبير المهندسين المعماريين في Alida، نهج هندسة الخدمات الصغيرة لشركة Alida. قامت Alida ببناء تصنيف الموضوع والمشاعر كخدمة مع تحليل استجابة الاستطلاع كأول تطبيق لها. من خلال هذا النهج، يتم التخلص من تحديات تنفيذ LLM الشائعة مثل تعقيد إدارة المطالبات وحدود الرمز المميز وقيود الطلب وإعادة المحاولة، ويسمح الحل للتطبيقات المستهلكة بالحصول على واجهة برمجة تطبيقات بسيطة ومستقرة للعمل معها. يمكّن نهج طبقة التجريد هذا أيضًا مالكي الخدمة من التحسين المستمر لتفاصيل التنفيذ الداخلي وتقليل التغييرات التي تكسر واجهة برمجة التطبيقات. وأخيرًا، يتيح نهج الخدمة لنقطة واحدة تنفيذ أي سياسات لإدارة البيانات وأمنها والتي تتطور مع نضوج حوكمة الذكاء الاصطناعي في المؤسسة.

يوضح الرسم البياني التالي بنية الحل وتدفقه.

قامت Alida بتقييم LLMs من مقدمي خدمات مختلفين، ووجدت أن Anthropic's Claude Instant هو التوازن الصحيح بين التكلفة والأداء. من خلال العمل الوثيق مع الفريق الهندسي السريع، دعا تشو إلى تنفيذ استراتيجية تسلسل سريعة بدلاً من اتباع نهج سريع واحد.

يتيح لك التسلسل الفوري القيام بما يلي:

• قم بتقسيم هدفك إلى خطوات منطقية أصغر
• إنشاء مطالبة لكل خطوة
• قم بتقديم المطالبات بشكل تسلسلي إلى LLM

يؤدي هذا إلى إنشاء نقاط فحص إضافية، والتي لها الفوائد التالية:

• من السهل إجراء تقييم منهجي للتغييرات التي تجريها على موجه الإدخال
• يمكنك تنفيذ تتبع ومراقبة أكثر تفصيلاً للدقة والأداء في كل خطوة

تشمل الاعتبارات الرئيسية في هذه الإستراتيجية الزيادة في عدد الطلبات المقدمة إلى LLM والزيادة الناتجة في الوقت الإجمالي الذي يستغرقه إكمال الهدف. بالنسبة لحالة استخدام Alida، فقد اختاروا تجميع مجموعة من الاستجابات المفتوحة في موجه واحد إلى LLM وهو ما اختاروه لتعويض هذه التأثيرات.

البرمجة اللغوية العصبية مقابل LLM

يعتمد حل البرمجة اللغوية العصبية الحالي الخاص بشركة Alida على خوارزميات التجميع والتصنيف الإحصائي لتحليل استجابات الاستطلاع المفتوح. عند تطبيقه على عينة من التعليقات لتطبيق الهاتف المحمول الخاص بمقهى، فقد استخرج موضوعات بناءً على أنماط الكلمات ولكنها افتقرت إلى الفهم الحقيقي. يتضمن الجدول التالي بعض الأمثلة التي تقارن استجابات البرمجة اللغوية العصبية مع استجابات LLM.

تُظهر نتائج الأمثلة كيف تمكن الحل الحالي من استخراج الكلمات الأساسية ذات الصلة، ولكنه غير قادر على تحقيق مهمة مجموعة موضوعات أكثر عمومية.

في المقابل، باستخدام Amazon Bedrock وAnthropic Claude Instant، يستطيع برنامج LLM مع التدريب في السياق تعيين الإجابات لموضوعات محددة مسبقًا وتعيين المشاعر.

بالإضافة إلى تقديم إجابات أفضل لعملاء Alida، بالنسبة لحالة الاستخدام المحددة هذه، فإن البحث عن حل باستخدام LLM عبر أساليب البرمجة اللغوية العصبية التقليدية قد وفر قدرًا كبيرًا من الوقت والجهد في التدريب والحفاظ على النموذج المناسب. يقارن الجدول التالي التدريب على نموذج البرمجة اللغوية العصبية التقليدي مقابل التدريب في السياق لماجستير في القانون.

وفي الختام

يوضح استخدام Alida لنموذج Anthropic's Claude Instant على Amazon Bedrock القدرات القوية لـ LLMs في تحليل استجابات الاستطلاع المفتوح. تمكنت Alida من بناء خدمة متميزة كانت أكثر دقة بمقدار 4-6 مرات في تحليل الموضوع مقارنةً بخدمتها التي تدعم البرمجة اللغوية العصبية. بالإضافة إلى ذلك، أدى استخدام الهندسة السريعة في السياق لطلاب LLM إلى تقليل وقت التطوير بشكل كبير، لأنهم لم يحتاجوا إلى تنظيم الآلاف من نقاط البيانات التي تحمل علامات بشرية لتدريب نموذج البرمجة اللغوية العصبية التقليدي. وهذا يسمح في النهاية لشركة Alida بمنح عملائها رؤى أكثر ثراءً في وقت أقرب!

إذا كنت مستعدًا للبدء في إنشاء ابتكار نموذج الأساس الخاص بك باستخدام Amazon Bedrock، فاطلع على هذا الرابط من أجل قم بإعداد أمازون بيدروك. إذا كنت مهتمًا بالقراءة عن تطبيقات Amazon Bedrock الأخرى المثيرة للاهتمام، فراجع قسم Amazon Bedrock المحدد من مدونة AWS للتعلم الآلي.

عن المؤلفين

كينمان لام هو مهندس حلول ISV/DNB لـ AWS. يتمتع بخبرة 17 عامًا في بناء وتنمية شركات التكنولوجيا في مجال الهواتف الذكية وتحديد الموقع الجغرافي وإنترنت الأشياء ومجال البرمجيات مفتوحة المصدر. في AWS، يستخدم خبرته لمساعدة الشركات على بناء بنية تحتية قوية لتلبية المتطلبات المتزايدة للشركات المتنامية، وإطلاق منتجات وخدمات جديدة، ودخول أسواق جديدة، وإسعاد عملائها.

شيروين تشو هو كبير المهندسين المعماريين في Alida، حيث يساعد فرق المنتجات في التوجيه المعماري واختيار التكنولوجيا وحل المشكلات المعقدة. وهو مهندس برمجيات ومهندس معماري وقائد يتمتع بخبرة تزيد عن 20 عامًا في مجال SaaS لمختلف الصناعات. لقد قام ببناء وإدارة العديد من أنظمة B2B وB2C على AWS وGCP.

مارك روي هو مهندس رئيسي للتعلم الآلي لدى AWS، حيث يساعد العملاء على تصميم وبناء حلول الذكاء الاصطناعي/التعلم الآلي وحلول الذكاء الاصطناعي التوليدية. كان تركيزه منذ أوائل عام 2023 ينصب على قيادة جهود هندسة الحلول لإطلاق Amazon Bedrock، وهو عرض الذكاء الاصطناعي التوليدي الرائد من AWS للمنشئين. يغطي عمل مارك نطاقًا واسعًا من حالات الاستخدام، مع اهتمام أساسي بالذكاء الاصطناعي التوليدي والوكلاء وتوسيع نطاق تعلم الآلة عبر المؤسسة. لقد ساعد الشركات في مجالات التأمين والخدمات المالية والإعلام والترفيه والرعاية الصحية والمرافق والتصنيع. قبل انضمامه إلى AWS، كان مارك مهندسًا معماريًا ومطورًا ورائدًا في مجال التكنولوجيا لأكثر من 25 عامًا، بما في ذلك 19 عامًا في الخدمات المالية. يحمل مارك ست شهادات من AWS، بما في ذلك شهادة ML المتخصصة.

• محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
• PlatoData.Network Vertical Generative Ai. تمكين نفسك. الوصول هنا.
• أفلاطونايستريم. ذكاء Web3. تضخيم المعرفة. الوصول هنا.
• أفلاطون كربون، كلينتك ، الطاقة، بيئة، شمسي، إدارة المخلفات. الوصول هنا.
• أفلاطون هيلث. التكنولوجيا الحيوية وذكاء التجارب السريرية. الوصول هنا.
• المصدر https://aws.amazon.com/blogs/machine-learning/alida-gains-deeper-understanding-of-customer-feedback-with-amazon-bedrock/