यह पीजीए टूर के स्कॉट गटरमैन के साथ सह-लिखित एक अतिथि पोस्ट है।

जनरेटिव आर्टिफिशियल इंटेलिजेंस (जेनरेटिव एआई) ने बुद्धिमान प्रणालियों के निर्माण के लिए नई संभावनाओं को सक्षम किया है। जेनरेटिव एआई आधारित बड़े भाषा मॉडल (एलएलएम) में हाल के सुधारों ने सूचना पुनर्प्राप्ति के आसपास के विभिन्न अनुप्रयोगों में उनके उपयोग को सक्षम किया है। डेटा स्रोतों को देखते हुए, एलएलएम ने ऐसे उपकरण प्रदान किए जो हमें हफ्तों में एक प्रश्नोत्तर चैटबॉट बनाने की अनुमति देंगे, बजाय इसके कि इसमें पहले वर्षों का समय लगा होगा, और संभवतः खराब प्रदर्शन के साथ। हमने एक रिट्रीवल-ऑगमेंटेड-जेनरेशन (आरएजी) समाधान तैयार किया है जो पीजीए टूर को भविष्य के फैन एंगेजमेंट प्लेटफॉर्म के लिए एक प्रोटोटाइप बनाने की अनुमति देगा जो अपने डेटा को संवादी प्रारूप में इंटरैक्टिव फैशन में प्रशंसकों के लिए सुलभ बना सकता है।

प्रश्नों का उत्तर देने के लिए संरचित डेटा का उपयोग करने के लिए उपयोगकर्ता की क्वेरी के लिए प्रासंगिक डेटा को प्रभावी ढंग से निकालने का एक तरीका आवश्यक है। हमने एक टेक्स्ट-टू-एसक्यूएल दृष्टिकोण तैयार किया है जहां उपयोगकर्ता की प्राकृतिक भाषा क्वेरी को एलएलएम का उपयोग करके एसक्यूएल स्टेटमेंट में परिवर्तित किया जाता है। SQL द्वारा चलाया जाता है अमेज़न एथेना प्रासंगिक डेटा वापस करने के लिए. यह डेटा फिर से एक एलएलएम को प्रदान किया जाता है, जिसे डेटा दिए गए उपयोगकर्ता के प्रश्न का उत्तर देने के लिए कहा जाता है।

टेक्स्ट डेटा का उपयोग करने के लिए एक इंडेक्स की आवश्यकता होती है जिसका उपयोग उपयोगकर्ता क्वेरी का उत्तर देने के लिए एलएलएम को खोजने और प्रासंगिक संदर्भ प्रदान करने के लिए किया जा सकता है। त्वरित सूचना पुनर्प्राप्ति सक्षम करने के लिए, हम इसका उपयोग करते हैं अमेज़ॅन केंद्र इन दस्तावेज़ों के सूचकांक के रूप में। जब उपयोगकर्ता प्रश्न पूछते हैं, तो हमारा वर्चुअल असिस्टेंट प्रासंगिक जानकारी खोजने के लिए अमेज़ॅन केंद्र इंडेक्स के माध्यम से तेजी से खोज करता है। अमेज़ॅन केंद्र उपयोगकर्ता के प्रश्नों को समझने और सबसे प्रासंगिक दस्तावेज़ खोजने के लिए प्राकृतिक भाषा प्रसंस्करण (एनएलपी) का उपयोग करता है। फिर प्रासंगिक जानकारी अंतिम प्रतिक्रिया सृजन के लिए एलएलएम को प्रदान की जाती है। हमारा अंतिम समाधान इन टेक्स्ट-टू-एसक्यूएल और टेक्स्ट-आरएजी दृष्टिकोणों का संयोजन है।

इस पोस्ट में हम इस बात पर प्रकाश डालते हैं कि कैसे एडब्ल्यूएस जेनरेटिव एआई इनोवेशन सेंटर के साथ सहयोग किया AWS व्यावसायिक सेवाएँ और पीजीए टूर का उपयोग करके एक प्रोटोटाइप वर्चुअल असिस्टेंट विकसित करना अमेज़ॅन बेडरॉक जो प्रशंसकों को किसी भी घटना, खिलाड़ी, होल या शॉट स्तर के विवरण के बारे में सहज इंटरैक्टिव तरीके से जानकारी निकालने में सक्षम कर सकता है। अमेज़ॅन बेडरॉक एक पूरी तरह से प्रबंधित सेवा है जो एक ही एपीआई के माध्यम से एआई21 लैब्स, एंथ्रोपिक, कोहेयर, मेटा, स्टेबिलिटी एआई और अमेज़ॅन जैसी प्रमुख एआई कंपनियों से उच्च प्रदर्शन वाले फाउंडेशन मॉडल (एफएम) का विकल्प प्रदान करती है, साथ ही व्यापक सेट भी प्रदान करती है। सुरक्षा, गोपनीयता और जिम्मेदार AI के साथ जेनरेटिव AI एप्लिकेशन बनाने के लिए आपको जिन क्षमताओं की आवश्यकता होती है।

विकास: डेटा तैयार करना

किसी भी डेटा-संचालित प्रोजेक्ट की तरह, प्रदर्शन केवल डेटा जितना ही अच्छा होगा। हमने एलएलएम को प्रभावी ढंग से क्वेरी करने और प्रासंगिक डेटा पुनर्प्राप्त करने में सक्षम बनाने के लिए डेटा संसाधित किया।

सारणीबद्ध प्रतियोगिता डेटा के लिए, हमने सबसे बड़ी संख्या में उपयोगकर्ता प्रश्नों के लिए प्रासंगिक डेटा के एक सबसेट पर ध्यान केंद्रित किया और कॉलम को सहजता से लेबल किया, ताकि एलएलएम के लिए उन्हें समझना आसान हो जाए। हमने एलएलएम को उन अवधारणाओं को समझने में मदद करने के लिए कुछ सहायक कॉलम भी बनाए हैं जिनके साथ उन्हें अन्यथा संघर्ष करना पड़ सकता है। उदाहरण के लिए, यदि कोई गोल्फ खिलाड़ी बराबर से कम एक शॉट मारता है (जैसे कि बराबर 3 पर 4 शॉट में या बराबर 4 पर 5 शॉट में छेद में डालता है), तो इसे आमतौर पर ए कहा जाता है पक्षी. यदि कोई उपयोगकर्ता पूछता है, "खिलाड़ी एक्स ने पिछले वर्ष कितने बर्डी बनाए?", तो तालिका में केवल स्कोर और बराबर होना पर्याप्त नहीं है। परिणामस्वरूप, हमने बोगी, बर्डी और ईगल जैसे सामान्य गोल्फ शब्दों को इंगित करने के लिए कॉलम जोड़े। इसके अलावा, हमने प्रतिस्पर्धा डेटा को एक अलग वीडियो संग्रह के साथ एक कॉलम में जोड़कर जोड़ा video_id, जो हमारे ऐप को प्रतिस्पर्धा डेटा में किसी विशेष शॉट से जुड़े वीडियो को खींचने की अनुमति देगा। हमने टेक्स्ट डेटा को सारणीबद्ध डेटा में जोड़ने को भी सक्षम किया है, उदाहरण के लिए प्रत्येक खिलाड़ी की जीवनी को टेक्स्ट कॉलम के रूप में जोड़ना। निम्नलिखित आंकड़े चरण-दर-चरण प्रक्रिया दिखाते हैं कि टेक्स्ट-टू-एसक्यूएल पाइपलाइन के लिए क्वेरी को कैसे संसाधित किया जाता है। संख्याएँ किसी प्रश्न का उत्तर देने के लिए चरणों की श्रृंखला दर्शाती हैं।

निम्नलिखित चित्र में हम अपनी एंड-टू-एंड पाइपलाइन प्रदर्शित करते हैं। हम उपयोग करते हैं AWS लाम्बा हमारे ऑर्केस्ट्रेशन फ़ंक्शन के रूप में उपयोगकर्ता क्वेरी के आधार पर विभिन्न डेटा स्रोतों, एलएलएम और त्रुटि सुधार के साथ बातचीत करने के लिए जिम्मेदार है। चरण 1-8 कार्यवाही चित्र में दिखाए गए के समान हैं। असंरचित डेटा के लिए थोड़े बदलाव हैं, जिन पर हम आगे चर्चा करेंगे।

टेक्स्ट डेटा के लिए अद्वितीय प्रसंस्करण चरणों की आवश्यकता होती है जो विषय की सुसंगतता को बनाए रखते हुए लंबे दस्तावेज़ों को एलएलएम द्वारा सुपाच्य भागों में विभाजित (या खंडित) करते हैं। हमने कई दृष्टिकोणों के साथ प्रयोग किया और एक पेज-स्तरीय चंकिंग योजना बनाई जो मीडिया गाइड के प्रारूप के साथ अच्छी तरह से मेल खाती है। हमने अमेज़ॅन केंद्र का उपयोग किया, जो एक प्रबंधित सेवा है जो पुनर्प्राप्ति के लिए एक आसान एपीआई प्रदान करते हुए, एम्बेडिंग के विनिर्देश की आवश्यकता के बिना, दस्तावेजों को अनुक्रमित करने का ख्याल रखती है। निम्नलिखित चित्र इस वास्तुकला को दर्शाता है।

हमारे द्वारा विकसित एकीकृत, स्केलेबल पाइपलाइन पीजीए टूर को डेटा के उनके पूर्ण इतिहास को स्केल करने की अनुमति देती है, जिनमें से कुछ 1800 के दशक में वापस जाते हैं। यह भविष्य के अनुप्रयोगों को सक्षम बनाता है जो समृद्ध वास्तविक समय के अनुभव बनाने के लिए पाठ्यक्रम के संदर्भ में लाइव हो सकते हैं।

विकास: एलएलएम का मूल्यांकन करना और जेनेरिक एआई अनुप्रयोगों का विकास करना

हमने उस मॉडल को चुनने के लिए अमेज़ॅन बेडरॉक में उपलब्ध प्रथम और तृतीय-पक्ष एलएलएम का सावधानीपूर्वक परीक्षण और मूल्यांकन किया जो हमारी पाइपलाइन और उपयोग के मामले के लिए सबसे उपयुक्त है। हमने अमेज़ॅन बेडरॉक पर एंथ्रोपिक के क्लाउड v2 और क्लाउड इंस्टेंट का चयन किया। हमारी अंतिम संरचित और असंरचित डेटा पाइपलाइन के लिए, हमने देखा कि अमेज़ॅन बेडरॉक पर एंथ्रोपिक के क्लाउड 2 ने हमारी अंतिम डेटा पाइपलाइन के लिए बेहतर समग्र परिणाम उत्पन्न किए।

एलएलएम को वांछित आउटपुट टेक्स्ट प्राप्त करने के लिए प्रॉम्प्ट करना एक महत्वपूर्ण पहलू है। हमने प्रत्येक कार्य के लिए अलग-अलग संकेतों के साथ प्रयोग करने में काफी समय बिताया। उदाहरण के लिए, टेक्स्ट-टू-एसक्यूएल पाइपलाइन के लिए हमारे पास बढ़ती विशिष्टता और धीरे-धीरे सरलीकृत टेबल स्कीमा के साथ कई फ़ॉलबैक संकेत थे। यदि कोई SQL क्वेरी अमान्य थी और एथेना से कोई त्रुटि हुई, तो हमने एक त्रुटि सुधार प्रॉम्प्ट विकसित किया जो त्रुटि और गलत SQL को LLM में भेज देगा और इसे ठीक करने के लिए कहेगा। टेक्स्ट-टू-एसक्यूएल पाइपलाइन में अंतिम संकेत एलएलएम को एथेना आउटपुट लेने के लिए कहता है, जिसे मार्कडाउन या सीएसवी प्रारूप में प्रदान किया जा सकता है, और उपयोगकर्ता को उत्तर प्रदान किया जा सकता है। असंरचित पाठ के लिए, हमने उपयोगकर्ता के प्रश्न का उत्तर देने के लिए अमेज़ॅन केंद्र से प्राप्त संदर्भ का उपयोग करने के लिए सामान्य संकेत विकसित किए हैं। संकेत में केवल अमेज़ॅन केंद्र से प्राप्त जानकारी का उपयोग करने और एलएलएम पूर्व-प्रशिक्षण के डेटा पर भरोसा न करने के निर्देश शामिल थे।

जेनरेटिव एआई अनुप्रयोगों में विलंबता अक्सर एक चिंता का विषय है, और यहां भी यही मामला है। यह विशेष रूप से टेक्स्ट-टू-एसक्यूएल के लिए चिंता का विषय है, जिसके लिए प्रारंभिक एसक्यूएल पीढ़ी एलएलएम मंगलाचरण की आवश्यकता होती है, इसके बाद प्रतिक्रिया पीढ़ी एलएलएम मंगलाचरण की आवश्यकता होती है। यदि हम एक बड़े एलएलएम का उपयोग कर रहे हैं, जैसे कि एंथ्रोपिक का क्लाउड वी2, तो यह प्रभावी रूप से केवल एक एलएलएम आह्वान की विलंबता को दोगुना कर देता है। हमने रन टाइम के साथ-साथ शुद्धता का मूल्यांकन करने के लिए बड़े और छोटे एलएलएम की कई कॉन्फ़िगरेशन के साथ प्रयोग किया। निम्न तालिका एक प्रश्न के लिए एक उदाहरण दिखाती है जो नीचे दिखाया गया है जो विलंबता को दर्शाता है, साथ ही अमेज़ॅन बेडरॉक पर एंथ्रोपिक के क्लाउड वी2 और क्लाउड इंस्टेंट के साथ उत्पन्न प्रतिक्रियाओं को भी दर्शाता है।

प्रोटोटाइप

हमारे एप्लिकेशन में, हमने अमेज़ॅन एथेना, अमेज़ॅन केंद्र और अमेज़ॅन बेडरॉक के बीच त्वरित विकल्पों और संचार को व्यवस्थित करने के लिए लैम्ब्डा फ़ंक्शन का उपयोग किया। वर्चुअल असिस्टेंट में एक संवादात्मक इंटरफ़ेस है, जो रिएक्ट और क्लाउडस्केप डिज़ाइन सिस्टम के साथ बनाया गया है, जो उपयोगकर्ताओं के साथ जुड़ने के लिए टेक्स्ट और वीडियो का उपयोग करता है।

हमारा आभासी सहायक पीजीए टूर की घटनाओं, खिलाड़ियों, आंकड़ों, इतिहास और बहुत कुछ के बारे में विस्तृत प्रश्न पूछ सकता है। उदाहरण के लिए, जब श्रीनर्स चिल्ड्रन ओपन (पीजीए टूर के सिग्नेचर इवेंट में से एक) में टोनी फिनाउ की सबसे लंबी ड्राइव के बारे में पूछा गया, तो सहायक अपने शॉट लेवल डेटा को खींचने के लिए संरचित डेटा को क्वेरी कर सकता है। यह गज में सटीक दूरी, गोल संख्या और छेद निकाल सकता है जिसके दौरान उसने टेक्स्ट-टू-एसक्यूएल पाइपलाइन का उपयोग करके यह रिकॉर्ड हासिल किया था। फिर सहायक अंतिम प्रतिक्रिया उत्पन्न करने के लिए इस संख्यात्मक डेटा की व्याख्या करता है। निम्न तालिका में कुछ उदाहरण प्रतिक्रियाएँ हैं।

निम्नलिखित व्याख्याता वीडियो आभासी सहायक के साथ बातचीत के कुछ उदाहरणों पर प्रकाश डालता है।

प्रारंभिक परीक्षण में, हमारे पीजीए टूर वर्चुअल असिस्टेंट ने प्रशंसक अनुभवों को बेहतर बनाने में काफी संभावनाएं दिखाई हैं। टेक्स्ट-टू-एसक्यूएल, सिमेंटिक सर्च और प्राकृतिक भाषा निर्माण जैसी एआई तकनीकों को मिश्रित करके, सहायक जानकारीपूर्ण, आकर्षक प्रतिक्रियाएँ प्रदान करता है। प्रशंसकों को सहजता से डेटा और आख्यानों तक पहुंचने का अधिकार दिया गया है जिन्हें पहले ढूंढना मुश्किल था।

भविष्य में क्या है?

जैसे-जैसे हम विकास जारी रखेंगे, हम उन प्रश्नों की श्रृंखला का विस्तार करेंगे जिन्हें हमारा आभासी सहायक संभाल सकता है। इसके लिए AWS और PGA टूर के बीच सहयोग के माध्यम से व्यापक परीक्षण की आवश्यकता होगी। समय के साथ, हमारा लक्ष्य असिस्टेंट को एक वैयक्तिकृत, ओमनी-चैनल अनुभव में विकसित करना है जो वेब, मोबाइल और वॉयस इंटरफेस पर पहुंच योग्य हो।

क्लाउड-आधारित जेनरेटिव एआई असिस्टेंट की स्थापना पीजीए टूर को अपने विशाल डेटा स्रोत को कई आंतरिक और बाहरी हितधारकों के सामने पेश करने की सुविधा देती है। जैसे-जैसे स्पोर्ट्स जेनरेटर एआई परिदृश्य विकसित होता है, यह नई सामग्री के निर्माण को सक्षम बनाता है। उदाहरण के लिए, आप एआई और मशीन लर्निंग (एमएल) का उपयोग उस सामग्री को सामने लाने के लिए कर सकते हैं जिसे प्रशंसक देखना चाहते हैं क्योंकि वे कोई कार्यक्रम देख रहे हैं, या जब प्रोडक्शन टीमें पिछले टूर्नामेंट के शॉट्स की तलाश कर रही हैं जो किसी वर्तमान घटना से मेल खाते हैं। उदाहरण के लिए, यदि मैक्स होमा पिन से 20 फीट की दूरी पर पीजीए टूर चैम्पियनशिप में अपना अंतिम शॉट लेने के लिए तैयार हो रहा है, तो पीजीए टूर एआई और एमएल का उपयोग करके एआई-जनरेटेड कमेंट्री के साथ क्लिप की पहचान और प्रस्तुत कर सकता है। पहले भी पांच बार इसी तरह का शॉट लगाने का प्रयास किया गया था। इस प्रकार की पहुंच और डेटा एक उत्पादन टीम को प्रसारण में तुरंत मूल्य जोड़ने या एक प्रशंसक को उस प्रकार के डेटा को अनुकूलित करने की अनुमति देता है जिसे वे देखना चाहते हैं।

“पीजीए टूर प्रशंसकों के अनुभव को बेहतर बनाने के लिए अत्याधुनिक तकनीक का उपयोग करने में उद्योग में अग्रणी है। एआई हमारे टेक्नोलॉजी स्टैक में सबसे आगे है, जहां यह हमें प्रशंसकों के लिए अधिक आकर्षक और इंटरैक्टिव वातावरण बनाने में सक्षम बना रहा है। यह एक परिवर्तनकारी एंड-टू-एंड ग्राहक अनुभव के लिए एडब्ल्यूएस जेनरेटिव एआई इनोवेशन सेंटर के सहयोग से हमारी जेनरेटिव एआई यात्रा की शुरुआत है। हम पीजीए टूर प्रशंसकों के लिए एक इंटरैक्टिव अनुभव बनाने के लिए अमेज़ॅन बेडरॉक और हमारे स्वामित्व डेटा का लाभ उठाने के लिए काम कर रहे हैं ताकि किसी इवेंट, खिलाड़ी, आंकड़ों या अन्य सामग्री के बारे में इंटरैक्टिव फैशन में रुचि की जानकारी मिल सके।
- स्कॉट गटरमैन, पीजीए टूर में ब्रॉडकास्ट और डिजिटल प्रॉपर्टीज के एसवीपी।

निष्कर्ष

इस पोस्ट में हमने जिस प्रोजेक्ट पर चर्चा की, वह उदाहरण देता है कि अगली पीढ़ी के वर्चुअल असिस्टेंट बनाने के लिए एआई का उपयोग करके संरचित और असंरचित डेटा स्रोतों को कैसे जोड़ा जा सकता है। खेल संगठनों के लिए, यह तकनीक अधिक व्यापक प्रशंसक जुड़ाव को सक्षम बनाती है और आंतरिक क्षमताओं को अनलॉक करती है। हमारे द्वारा सामने आया डेटा इंटेलिजेंस पीजीए टूर हितधारकों जैसे खिलाड़ियों, कोचों, अधिकारियों, भागीदारों और मीडिया को तेजी से सूचित निर्णय लेने में मदद करता है। खेल के अलावा, हमारी कार्यप्रणाली को किसी भी उद्योग में दोहराया जा सकता है। वही सिद्धांत बिल्डिंग सहायकों पर लागू होते हैं जो ग्राहकों, कर्मचारियों, छात्रों, रोगियों और अन्य अंतिम-उपयोगकर्ताओं को संलग्न करते हैं। विचारशील डिजाइन और परीक्षण के साथ, वस्तुतः कोई भी संगठन एआई प्रणाली से लाभ उठा सकता है जो उनके संरचित डेटाबेस, दस्तावेज़, चित्र, वीडियो और अन्य सामग्री को प्रासंगिक बनाता है।

यदि आप समान कार्यक्षमताओं को लागू करने में रुचि रखते हैं, तो उपयोग करने पर विचार करें अमेज़ॅन बेडरॉक के लिए एजेंट और अमेज़ॅन बेडरॉक के लिए ज्ञानकोष एक वैकल्पिक, पूर्णतः AWS-प्रबंधित समाधान के रूप में। यह दृष्टिकोण अनुकूलन योग्य एजेंटों के माध्यम से बुद्धिमान स्वचालन और डेटा खोज क्षमता प्रदान करने की और जांच कर सकता है। ये एजेंट संभावित रूप से उपयोगकर्ता एप्लिकेशन इंटरैक्शन को अधिक प्राकृतिक, कुशल और प्रभावी बना सकते हैं।

लेखक के बारे में

स्कॉट गटरमैन पीजीए टूर के लिए डिजिटल संचालन के एसवीपी हैं। वह टूर के समग्र डिजिटल संचालन, उत्पाद विकास के लिए जिम्मेदार है और उनकी GenAI रणनीति चला रहा है।

अहसान अली अमेज़ॅन जेनेरेटिव एआई इनोवेशन सेंटर में एक एप्लाइड साइंटिस्ट हैं, जहां वह जेनेरेटिव एआई का उपयोग करके उनकी तत्काल और महंगी समस्याओं को हल करने के लिए विभिन्न डोमेन के ग्राहकों के साथ काम करते हैं।

ताहिन सैयद अमेज़ॅन जेनेरेटिव एआई इनोवेशन सेंटर में एक एप्लाइड साइंटिस्ट हैं, जहां वह जेनेरेटिव एआई समाधानों के साथ व्यावसायिक परिणामों को साकार करने में मदद करने के लिए ग्राहकों के साथ काम करते हैं। काम के अलावा, उन्हें नया खाना आज़माना, यात्रा करना और तायक्वोंडो सिखाना पसंद है।

ग्रेस लैंग AWS प्रोफेशनल सर्विसेज के साथ एसोसिएट डेटा और एमएल इंजीनियर हैं। कठिन चुनौतियों पर काबू पाने के जुनून से प्रेरित, ग्रेस मशीन लर्निंग संचालित समाधान विकसित करके ग्राहकों को उनके लक्ष्य हासिल करने में मदद करता है।

जा ली प्रोसर्व के एम एंड ई वर्टिकल में सीनियर एंगेजमेंट मैनेजर हैं। वह जटिल कार्यकलापों का नेतृत्व और वितरण करती है, मजबूत समस्या निवारण कौशल सेट प्रदर्शित करती है, हितधारकों की अपेक्षाओं का प्रबंधन करती है, और कार्यकारी स्तर की प्रस्तुतियों का प्रबंधन करती है। उन्हें खेल, जनरेटिव एआई और ग्राहक अनुभव पर केंद्रित परियोजनाओं पर काम करने में आनंद आता है।

कर्ण चाहर AWS में साझा डिलीवरी टीम के साथ एक सुरक्षा सलाहकार है। वह एक प्रौद्योगिकी उत्साही है जिसे ग्राहकों की सुरक्षा चुनौतियों को हल करने और क्लाउड में उनकी सुरक्षा स्थिति को बेहतर बनाने के लिए उनके साथ काम करने में आनंद आता है।

माइक अमजदी AWS प्रोसर्व के साथ एक डेटा और एमएल इंजीनियर है जो ग्राहकों को डेटा से अधिकतम मूल्य प्राप्त करने में सक्षम बनाने पर केंद्रित है। वह सुव्यवस्थित सिद्धांतों का पालन करते हुए डेटा पाइपलाइनों को डिजाइन करने, निर्माण करने और अनुकूलित करने में माहिर हैं। माइक को समस्याओं को हल करने के लिए प्रौद्योगिकी का उपयोग करने का शौक है और वह हमारे ग्राहकों के लिए सर्वोत्तम परिणाम देने के लिए प्रतिबद्ध है।

वृषाली सावंत प्रोजर्व के साथ फ्रंट एंड इंजीनियर हैं। वह प्रतिक्रियाशील वेबसाइट बनाने में अत्यधिक कुशल है। उन्हें ग्राहकों के साथ काम करना, उनकी आवश्यकताओं को समझना और उन्हें स्केलेबल, अपनाने में आसान यूआई/यूएक्स समाधान प्रदान करना पसंद है।

नीलम पटेल AWS में एक ग्राहक समाधान प्रबंधक है, जो प्रमुख जेनरेटिव AI और क्लाउड आधुनिकीकरण पहल का नेतृत्व करता है। नीलम प्रमुख अधिकारियों और प्रौद्योगिकी मालिकों के साथ उनकी क्लाउड परिवर्तन चुनौतियों का समाधान करने के लिए काम करता है और ग्राहकों को क्लाउड अपनाने के लाभों को अधिकतम करने में मदद करता है। उन्होंने यूके के वारविक बिजनेस स्कूल से एमबीए और भारत से कंप्यूटर इंजीनियरिंग में स्नातक की डिग्री हासिल की है।

डॉ. मुरली बक्था AWS में ग्लोबल गोल्फ सॉल्यूशन आर्किटेक्ट है, जो जेनरेटिव AI, डेटा एनालिटिक्स और अत्याधुनिक क्लाउड प्रौद्योगिकियों से जुड़ी महत्वपूर्ण पहलों का नेतृत्व करता है। मुरली ग्राहकों की व्यावसायिक चुनौतियों को समझने के लिए प्रमुख अधिकारियों और प्रौद्योगिकी मालिकों के साथ काम करता है और उन चुनौतियों का समाधान करने के लिए समाधान तैयार करता है। उन्होंने यूकोन से वित्त में एमबीए और आयोवा स्टेट यूनिवर्सिटी से डॉक्टरेट की उपाधि प्राप्त की है।

मेहदी नूर जेनरेटिव एआई इनोवेशन सेंटर में एप्लाइड साइंस मैनेजर हैं। प्रौद्योगिकी और नवाचार को जोड़ने के जुनून के साथ, वह एडब्ल्यूएस ग्राहकों को जेनेरेटिव एआई की क्षमता को अनलॉक करने, उन्नत एआई प्रौद्योगिकियों के स्केलेबल, मापने योग्य और प्रभावशाली उपयोग पर ध्यान केंद्रित करके संभावित चुनौतियों को तेजी से प्रयोग और नवाचार के अवसरों में बदलने और पथ को सुव्यवस्थित करने में सहायता करता है। उत्पादन के लिए.

• एसईओ संचालित सामग्री और पीआर वितरण। आज ही प्रवर्धित हो जाओ।
• प्लेटोडेटा.नेटवर्क वर्टिकल जेनरेटिव एआई। स्वयं को शक्तिवान बनाएं। यहां पहुंचें।
• प्लेटोआईस्ट्रीम। Web3 इंटेलिजेंस। ज्ञान प्रवर्धित। यहां पहुंचें।
• प्लेटोईएसजी. कार्बन, क्लीनटेक, ऊर्जा, पर्यावरण, सौर, कचरा प्रबंधन। यहां पहुंचें।
• प्लेटोहेल्थ। बायोटेक और क्लिनिकल परीक्षण इंटेलिजेंस। यहां पहुंचें।
• स्रोत: https://aws.amazon.com/blogs/machine-learning/the-journey-of-pga-tours-generative-ai-virtual-assistant-from-concept-to-development-to-prototype/