Büyük dil modelleri (LLM'ler), arama motorları, doğal dil işleme (NLP), sağlık hizmetleri, robot bilimi ve kod oluşturma gibi alanlarda devrim yaratıyor. Uygulamalar aynı zamanda dinamik sohbet robotları ve yapay zeka asistanları aracılığıyla müşteri deneyimlerini geliştirebilecekleri perakendeye ve müşteri geri bildirimlerini düzenleyebilecekleri ve açıklamalara ve satın alma davranışlarına göre ürünler önerebilecekleri dijital pazarlamaya da uzanıyor.

LLM uygulamalarının kişiselleştirilmesi, genellikle birkaç bileşenin entegre edilmesini içeren güncel kullanıcı bilgilerinin dahil edilmesiyle gerçekleştirilebilir. Bu tür bileşenlerden biri, makine öğrenimi (ML) modellerine yönelik özellikleri depolayan, paylaşan ve yöneten bir araç olan özellik deposudur. Özellikler, ML modellerinin eğitimi ve çıkarımı sırasında kullanılan girdilerdir. Örneğin, film öneren bir uygulamada özellikler önceki derecelendirmeleri, tercih kategorilerini ve demografik bilgileri içerebilir. Amazon SageMaker Özellik Mağazası ML modeli özelliklerini depolamak, paylaşmak ve yönetmek için özel olarak tasarlanmış, tam olarak yönetilen bir depodur. Bir diğer önemli bileşen, hızlı mühendislik ve farklı türdeki alt görevleri yönetmeye uygun bir düzenleme aracıdır. Üretken yapay zeka geliştiricileri aşağıdaki gibi çerçeveleri kullanabilir: Dil ZinciriGörev yönetimi ve hızlı mühendislik için LLM'lerle entegrasyon modülleri ve düzenleme araçları sunan.

Kişiselleştirilmiş içerik üretmek için güncel verileri dinamik olarak getirme konseptine dayanan LLM'lerin kullanımı, tavsiye sistemlerine yönelik son araştırmalarda büyük ilgi topladı. Bu yaklaşımların altında yatan prensip, öneri görevini, kullanıcı profillerini, öğe özelliklerini ve kullanıcı-öğe etkileşimlerini kapsayan istemlerin oluşturulmasını içerir. Bu göreve özgü istemler daha sonra, belirli bir kullanıcı ile öğe arasındaki etkileşim olasılığını tahmin etmekle görevlendirilen LLM'ye beslenir. Makalede belirtildiği gibi Büyük Dil Modellerini Yönlendirerek Kişiselleştirilmiş Öneri, öneri odaklı ve etkileşim odaklı yönlendirme bileşenleri, Yüksek Lisans'ların ilgili bağlama odaklanmasını ve kullanıcı tercihleriyle uyum sağlamasını sağlamada önemli bir rol oynar.

Bu yazıda, LLM'leri kullanarak kişiselleştirilmiş içerik önerileri oluşturmak için kullanıcı profillerini ve öğe özelliklerini birleştirmenin basit ama güçlü fikrini açıklıyoruz. Gönderi boyunca gösterildiği gibi, bu modeller yüksek kaliteli, bağlama duyarlı girdi metni oluşturmada büyük bir potansiyele sahiptir ve bu da gelişmiş önerilere yol açar. Bunu göstermek amacıyla, bu kişiselleştirilmiş önerileri oluşturmak için bir özellik mağazasını (kullanıcı profillerini temsil eden) bir LLM ile entegre etme sürecinde size rehberlik ediyoruz.

Çözüme genel bakış

Bir film eğlence şirketinin bir e-posta kampanyası aracılığıyla filmleri farklı kullanıcılara tanıttığı bir senaryo hayal edelim. Promosyonda 25 tanınmış film yer alıyor ve her kullanıcı için ilgi alanlarına ve önceki derecelendirme davranışlarına göre en iyi üç öneriyi seçmek istiyoruz.

Örneğin, bir kullanıcının aksiyon, romantik ve bilim kurgu gibi farklı film türlerine olan ilgisi göz önüne alındığında, bir yapay zeka sisteminin o kullanıcı için önerilen en iyi üç filmi belirlemesini sağlayabiliriz. Ayrıca sistem, her kullanıcıya özel, tercihlerine uygun tonda kişiselleştirilmiş mesajlar üretebilmektedir. Bu yazının ilerleyen kısımlarında bazı kişiselleştirilmiş mesaj örneklerine yer vereceğiz.

Bu yapay zeka uygulaması, aşağıdaki şemada gösterildiği gibi birlikte çalışan birkaç bileşen içerecektir:

1. Kullanıcı profili oluşturma motoru, kullanıcının önceki davranışlarını alır ve ilgi alanlarını yansıtan bir kullanıcı profili çıkarır.
2. Bir özellik deposu kullanıcı profili verilerini korur.
3. Bir medya meta veri deposu, tanıtım filmi listesini güncel tutar.
4. Bir dil modeli, mevcut film listesini ve kullanıcı profili verilerini alır ve her kullanıcı için önerilen en iyi üç filmi, tercih ettikleri tonda yazılmış olarak çıkarır.
5. Bir düzenleme aracısı farklı bileşenleri koordine eder.

Özetle, akıllı aracılar, kullanıcı ve öğeyle ilgili verileri kullanarak istemler oluşturabilir ve kullanıcılara özelleştirilmiş doğal dil yanıtları sunabilir. Bu, kullanıcılara profillerine göre öğeler öneren tipik bir içerik tabanlı öneri sistemini temsil eder. Kullanıcının profili, özellik mağazasında saklanır ve korunur ve tercihleri ​​ve zevkleri etrafında döner. Genellikle derecelendirmeler gibi önceki davranışlarına göre türetilir.

Aşağıdaki diyagram nasıl çalıştığını göstermektedir.

Uygulama, bir kullanıcının tavsiyesine yanıt vermek için şu adımları izler:

1. Kullanıcının geçmişteki film derecelendirmesini girdi olarak alan, kullanıcının ilgisini çeken ve özelliği SageMaker Özellik Mağazasında saklayan kullanıcı profili oluşturma motoru. Bu süreç zamanlama şeklinde güncellenebilir.
2. Aracı, kullanıcı kimliğini girdi olarak alır, kullanıcının ilgisini arar ve kullanıcının ilgi alanlarına göre bilgi istemi şablonunu tamamlar.
3. Temsilci, promosyon öğesi listesini (film adı, açıklama, tür) bir medya meta veri deposundan alır.
4. İlgi alanları bilgi istemi şablonu ve promosyon öğesi listesi, e-posta kampanya mesajları için bir LLM'ye beslenir.
5. Temsilci, kişiselleştirilmiş e-posta kampanyasını son kullanıcıya gönderir.

Kullanıcı profili oluşturma motoru, her kullanıcı için tercihlerini ve ilgi alanlarını yakalayan bir profil oluşturur. Bu profil, film türleri gibi özelliklere eşlenen öğeler içeren ve değerlerin kullanıcının ilgi düzeyini gösteren bir vektör olarak temsil edilebilir. Özellik deposundaki kullanıcı profilleri, sistemin ilgi alanlarına uygun kişiselleştirilmiş öneriler önermesine olanak tanır. Kullanıcı profili oluşturma, öneri sistemleri içerisinde iyi çalışılmış bir alandır. Basitleştirmek gerekirse, genel tercihlerini çıkarmak için bir kullanıcının farklı kategorilerdeki önceki derecelendirmelerini kullanarak bir regresyon algoritması oluşturabilirsiniz. Bu gibi algoritmalarla yapılabilir XGBoost.

Kod incelemesi

Bu bölümde kod örnekleri vereceğiz. Kodun tam açıklamasını şu adreste bulabilirsiniz: GitHub repo.

Kullanıcı profili oluşturma motorundan kullanıcı ilgi alanları özelliğini aldıktan sonra sonuçları özellik deposunda saklayabiliriz. SageMaker Özellik Mağazası, gerçek zamanlı çıkarım için toplu özellik alımını ve çevrimiçi depolamayı destekler. Besleme için veriler çevrimdışı modda güncellenebilirken çıkarımın milisaniyeler içinde gerçekleşmesi gerekir. SageMaker Özellik Mağazası, çevrimdışı ve çevrimiçi veri kümelerinin senkronize kalmasını sağlar.

Veri alımı için aşağıdaki kodu kullanıyoruz:

from sagemaker.feature_store.feature_group import FeatureGroup feature_group_name = 'user-profile-feature-group'
feature_group = FeatureGroup(name=feature_group_name, feature_definitions=feature_definitions, sagemaker_session=sess) #Ingest data
feature_group.ingest(data_frame=data_frame, max_workers=6, wait=True)

Gerçek zamanlı çevrimiçi depolama için, kullanıcı kimliğine dayalı olarak kullanıcı profilini çıkarmak için aşağıdaki kodu kullanabiliriz:

feature_record = featurestore_runtime_client.get_record(FeatureGroupName=feature_group_name, RecordIdentifierValueAsString=customer_id)
print(feature_record)

Daha sonra, alt öneri motorunu beslemek için ilgi duyulan ilk üç film kategorisini sıralıyoruz:

Kullanıcı Kimliği: 42
İlk3 Kategoriler: ['Animasyon', 'Gerilim', 'Macera']

Uygulamamız iki ana bileşenden yararlanmaktadır. İlk bileşen, bir özellik deposundan verileri alır ve ikinci bileşen, meta veri deposundan film tanıtımlarının bir listesini alır. Bu bileşenler arasındaki koordinasyon şu şekilde yönetilir: LangChain'den Zincirlerbileşenlere yapılan çağrıların sırasını temsil eder.

Karmaşık senaryolarda uygulamanın, LLM'lere veya diğer araçlara yapılan sabit bir çağrı dizisinden daha fazlasına ihtiyaç duyabileceğini belirtmekte fayda var. DanışmanlarBir dizi araçla donatılmış olarak, gerçekleştirilecek eylemlerin sırasını belirlemek için bir Yüksek Lisans (LLM) kullanın. Zincirler sabit kodlanmış bir eylem dizisini kodlarken, aracılar eylemlerin sırasını ve doğasını belirlemek için bir dil modelinin akıl yürütme gücünü kullanır.

SageMaker Özellik Mağazası da dahil olmak üzere farklı veri kaynakları arasındaki bağlantı aşağıdaki kodda gösterilmektedir. Alınan tüm veriler, LLM için girdi görevi gören kapsamlı bir bilgi istemi oluşturmak üzere birleştirilir. Sonraki bölümde hızlı tasarımın ayrıntılarına derinlemesine dalacağız. Aşağıda, birden çok veri kaynağıyla arayüz oluşturan bir bilgi istemi şablonu tanımı yer almaktadır:

from langchain.prompts import StringPromptTemplate class FeatureStorePromptTemplate(StringPromptTemplate): feature_group_name = 'user-profile-feature-group' def format(self, **kwargs) -> str: user_id = kwargs.pop("user_id") feature_record = self.fetch_user_preference_from_feature_store(user_id) user_preference = self.rank_user_preference(feature_record) kwargs["promotion_movie_list"] = self.read_promotion_list() kwargs["user_preference"] = user_preference return prompt.format(**kwargs) def fetch_user_preference_from_feature_store(self, user_id): boto_session = boto3.Session() featurestore_runtime_client = boto_session.client('sagemaker-featurestore-runtime') feature_record = featurestore_runtime_client.get_record(FeatureGroupName=self.feature_group_name, RecordIdentifierValueAsString=str(user_id)) return feature_record['Record'] # Rank Top_3_Categories for given user's preference def rank_user_preference(self, data) -> str: # refer to the details in the notebook return str(top_categories_df.values.tolist()) # Get promotion movie list from metadata store def read_promotion_list(self,) -> str: # refer to the details in the notebook return output_string

Ek olarak, kullandığımız Amazon Adaçayı Yapıcı LLM modelimizi barındırmak ve onu LangChain SageMaker uç noktası. LLM'yi dağıtmak için şunu kullanırız: Amazon SageMaker Hızlı Başlangıç (daha fazla ayrıntı için bkz. Meta'nın Llama 2 temel modelleri artık Amazon SageMaker JumpStart'ta mevcut). Model dağıtıldıktan sonra LLM modülünü oluşturabiliriz:

from langchain import PromptTemplate, SagemakerEndpoint
from langchain.llms.sagemaker_endpoint import LLMContentHandler class ContentHandler(LLMContentHandler): def transform_input(self, prompt: str, model_kwargs: dict) -> bytes: # refer to the details in the notebook def transform_output(self, output: bytes) -> str: # refer to the details in the notebook content_handler = ContentHandler() sm_llm = SagemakerEndpoint( endpoint_name = endpoint_name, region_name = aws_region, model_kwargs = parameters, endpoint_kwargs={"CustomAttributes": 'accept_eula=true'}, content_handler = content_handler,
)

Uygulamamız bağlamında aracı, LLMChain adı verilen bir dizi adımı çalıştırır. Kullanıcı girişini biçimlendirmek, modele aktarmak, yanıt almak ve ardından model çıktısını doğrulamak (ve gerekirse düzeltmek) için bir bilgi istemi şablonu, modeli ve korkulukları entegre eder.

from langchain.chains import LLMChain
llmchain = LLMChain(llm=sm_llm, prompt=prompt_template)
email_content = llmchain.run({'user_id': 4})
print(email_content)

Bir sonraki bölümde, LLM'nin beklenen sonuçları vermesi için hızlı mühendisliğin üzerinden geçeceğiz.

LLM öneri istemi ve sonuçları

Araştırma çalışmasında açıklandığı gibi üst düzey etkileşim odaklı ipucu kavramını takip etmek Büyük Dil Modellerini Yönlendirerek Kişiselleştirilmiş Öneri, ipucu stratejimizin temel ilkesi, kullanıcı tercihlerini istem oluşturma sürecine entegre etmektir. Bu istemler, LLM'yi içerik açıklamasındaki kullanıcı tercihleriyle uyumlu nitelikleri daha etkili bir şekilde tanımlamaya yönlendirmek için tasarlanmıştır. Daha fazla detaylandırmak gerekirse, istemimiz birkaç bileşenden oluşmaktadır:

• bağlamsal alaka – Bilgi istemi şablonumuzun ilk kısmı, öğe adı (film adı), açıklama (film özeti) ve nitelik (film türü) gibi medya meta verilerini içerir. Bilgi istemi, bu bilgiyi birleştirerek Yüksek Lisans'a daha geniş bir bağlam ve içeriğin daha kapsamlı anlaşılmasını sağlar. Bu bağlamsal bilgi, Yüksek Lisans'ın öğeyi açıklaması ve özellikleri aracılığıyla daha iyi anlamasına yardımcı olur ve böylece içerik öneri senaryolarındaki faydasını artırır.
• Kullanıcı tercihi hizalaması – Kullanıcı tercihlerini belirten bir kullanıcı profili dikkate alınarak, potansiyel öneriler, hedef kullanıcılarda yankı uyandıran içerik özelliklerini ve özelliklerini belirlemek için daha iyi konumlandırılır. Bu hizalama, ilgili ve kullanıcı tercihleri ​​doğrultusunda öğelerin önerilmesinin verimliliğini arttırdığı için öğe açıklamalarının faydasını artırır.
• Geliştirilmiş öneri kalitesi – Katılım yönlendirmeli bilgi istemi, ilgili promosyon öğelerini tanımlamak için kullanıcı tercihlerini kullanır. Son çıktı için LLM'nin tonunu ayarlamak amacıyla kullanıcı tercihini de kullanabiliriz. Bu, doğru, bilgilendirici ve kişiselleştirilmiş bir deneyime yol açarak içerik öneri sisteminin genel performansını artırabilir.

Aşağıdaki kod örnek bir bilgi istemi şablonunu gösterir:

prompt_template = """
Our company, "Classic Cinema" frequently promotes movies that we aim to recommend to our customers. This month, we have several popular movies on promotion.

As an AI agent, you are tasked to assist "Classic Cinema" in crafting an email campaign to recommend relevant movies to users. The recommendations should adhere to several guidelines, including contextual relevance, ensuring the recommendations are strictly from our promotional movie list. Additionally, the recommendations should align with user preferences, suggesting items that are relevant and in harmony with the user's preferred categories. You are to provide precisely three top recommended movies. Finally, please draft the email to reflect the tone of the user's preferred categories. The email should not exceed 100 words.

The recommended movies should be sourced from this contextual relevance movie list:
{promotion_movie_list}.

The user has expressed interest in {user_preference}.

Please ensure the recommendations are relevant, and the tone of the email reflects the tastes of those interested in the {user_preference} movie category.

Ensure the letter appeals to those interested in the {user_preference} movie category, and keep the email campaign within a 100-word limit. """

Aşağıda bilimkurgu, macera ve savaş türlerine ilişkin kullanıcı tercihlerini gösteren örnek bir sonuç verilmiştir:

Konu: Bilim Kurgu, Macera ve Savaş Filmlerimizle Klasik Sinemanın Sınırlarını Keşfedin!

Sayın [İsim],
Zaman ve uzayda bir yolculuğa çıkmaya, yürek hoplatan aksiyonu deneyimlemeye ve savaş alanındaki kahramanların cesaretine tanık olmaya hazır mısınız? Başka yerde arama! Classic Cinema, Bilim Kurgu, Macera ve Savaş gibi ilgi alanlarınıza göre özel olarak hazırlanmış, özenle seçilmiş film seçkimizi gururla sunar.

İlk olarak ikonik “Yıldız Savaşları: Bölüm V – İmparatorluğun Geri Dönüşü” (1980) var. Yıldız Savaşları destanının bu klasik bölümü, Luke Skywalker'ın Jedi Ustası olma yolculuğunu konu alırken, arkadaşları şeytani İmparatorlukla karşı karşıya gelir. Çığır açan özel efektleri ve unutulmaz karakterleriyle bu film, türün her hayranının mutlaka izlemesi gereken bir film.

Daha sonra, zaman ve mekanın gizemlerini araştıran, düşündürücü ve görsel açıdan büyüleyici bir film olan “Yıldızlararası” (2014) filmini öneriyoruz. Bir grup kaşif, insanlığı kurtarmak için bir arayışa çıkarken nefes kesici manzaralarla karşılaşır ve evrenin sırlarını ortaya çıkarır.

Son olarak, kardeşleri çatışma sırasında öldürülen bir paraşütçüyü bulup kurtarmak için tehlikeli bir göreve çıkan bir grup askeri konu alan sürükleyici ve yoğun bir savaş draması olan “Er Ryan'ı Kurtarmak” (1998) var. Eleştirmenlerden tam not alan bu film, İkinci Dünya Savaşı kahramanlarına güçlü bir saygı duruşudur.
Bu sinema şaheserlerini kaçırmayın! Şimdi onları izleyin ve maceranın heyecanını, bilimkurgu harikasını ve savaş kahramanlarının cesaretini deneyimleyin.
İyi seyirler, güç sizinle olsun!

Saygılarımla,
Klasik Sinema Ekibi

Aşağıda, kullanıcının belgesel, müzikal ve drama tercihini içeren başka bir örnek sonuç verilmiştir:

Konu: Klasik Sinemanın Belgesel, Müzikal ve Dram Severlere Önerileri

Sayın [İsim],
Bu e-postanın sizi iyi bulacağını ve platformumuzdaki çeşitli filmlerden keyif alacağınızı umuyoruz. Klasik Sinema olarak müşterilerimizin farklı zevklerine hitap etmekten gurur duyuyoruz ve Belgesel, Müzikal ve Dramaya olan ilginizde yankı uyandıracağına inandığımız üç olağanüstü film seçtik.

İlk olarak, yozlaşmış ve affedilmeyen bir hapishane sisteminde umut ve kurtuluş bulan iki mahkumun yolculuğunu konu alan güçlü ve canlandırıcı bir drama olan “The Shawshank Redemption” (1994) var. Sürükleyici hikayesi, olağanüstü performansları ve eskimeyen temalarıyla bu film, iyi hazırlanmış bir dramayı seven herkesin mutlaka izlemesi gereken bir film.

Daha sonra, nefes kesici görselleri, unutulmaz karakterleri ve zengin ayrıntılara sahip bir dünyayı birleştiren destansı bir macera olan “Yüzüklerin Efendisi: Yüzük Kardeşliği”ni (2001) öneriyoruz. Bu film, sizi Orta Dünya'ya taşıyacak ve daha fazlasını istemenize neden olacak derin bir tarih ve kültür anlayışına sahip, hikaye anlatımında bir ustalık sınıfıdır.

Son olarak, İkinci Dünya Savaşı sırasında Varşova gettosunun yıkımından sağ çıkma mücadelesi veren Polonyalı Yahudi piyanist Władysław Szpilman'ın gerçek hikayesini anlatan derin ve dokunaklı bir belgesel olan “Piyanist”i (2002) öneriyoruz. Bu film, hayal bile edilemeyecek trajediler karşısında bile insan ruhunun dayanıklılık ve umut kapasitesini güçlü bir şekilde hatırlatıyor.

Bu önerilerin ilgi alanlarınıza uygun olmasını ve size keyifli ve zenginleştirici bir film deneyimi sunmasını umuyoruz. Bu zamansız klasikleri kaçırmayın; hemen izleyin ve Klasik Sinemanın büyüsünü keşfedin!
Saygılarımla,
Klasik Sinema Ekibi

Karşılaştırma için hem Llama 2 7B-Chat (aşağıdaki kod örneğine bakın) hem de Llama 70B ile testler gerçekleştirdik. Her iki model de iyi performans gösterdi ve tutarlı sonuçlar verdi. Güncel verilerle dolu bir bilgi istemi şablonu kullanarak, rastgele LLM'leri test etmenin daha kolay olduğunu gördük ve bu da performans ve maliyet arasında doğru dengeyi seçmemize yardımcı oldu. Ayrıca kayda değer birkaç ortak gözlem yaptık.

İlk olarak, sunulan önerilerin gerçekten kullanıcı tercihleriyle uyumlu olduğunu görebiliyoruz. Film önerileri, uygulamamızdaki çeşitli bileşenler tarafından, özellikle de özellik deposunda saklanan kullanıcı profili tarafından yönlendirilir.

Ayrıca e-postaların tonu kullanıcı tercihlerine karşılık gelir. LLM'nin gelişmiş dil anlama yetenekleri sayesinde, film açıklamalarını ve e-posta içeriğini kişiselleştirerek bunları her bir kullanıcıya göre özelleştirebiliyoruz.

Ayrıca, son çıktı formatı komut isteminde tasarlanabilir. Örneğin bizim durumumuzda “Sevgili [İsim]” selamlamasının e-posta hizmeti tarafından doldurulması gerekiyor. Üretken yapay zeka uygulamamızda kişisel olarak tanımlanabilir bilgileri (PII) ifşa etmekten kaçınmamıza rağmen, doğru düzeyde izinlerin verildiğini varsayarak, bu bilgileri son işleme sırasında yeniden sunma olasılığının bulunduğunu unutmamak önemlidir.

Temizlemek

Gereksiz maliyetlerden kaçınmak için SageMaker JumpStart ile dağıtılan özellik deposu ve LLM çıkarım uç noktası da dahil olmak üzere bu çözümün parçası olarak oluşturduğunuz kaynakları silin.

Sonuç

Yüksek Lisans'ın kişiselleştirilmiş öneriler oluşturmadaki gücü, özellikle doğru araçlarla birleştirildiğinde çok büyük ve dönüştürücüdür. Geliştiriciler, hızlı mühendislik için SageMaker Özellik Mağazası ve LangChain'i entegre ederek son derece özelleştirilmiş kullanıcı profilleri oluşturabilir ve yönetebilir. Bu, öneri performansını önemli ölçüde artıran yüksek kaliteli, bağlama duyarlı girdilerle sonuçlanır. Açıklayıcı senaryomuzda, film önerilerini bireysel kullanıcı tercihlerine göre uyarlamak için bunun nasıl uygulanabileceğini ve bunun sonucunda son derece kişiselleştirilmiş bir deneyim elde edilebileceğini gördük.

LLM ortamı gelişmeye devam ettikçe, daha ilgi çekici, kişiselleştirilmiş deneyimler sunmak için bu modelleri kullanan daha yenilikçi uygulamalar görmeyi bekliyoruz. Olasılıklar sınırsız ve bu araçlarla neler yaratacağınızı görmek için sabırsızlanıyoruz. SageMaker JumpStart gibi kaynaklarla ve Amazon Ana Kayası artık üretken yapay zeka uygulamalarının geliştirilmesini hızlandırmak için mevcut olduğundan, AWS'de Yüksek Lisans'ları kullanarak öneri çözümlerinin oluşturulmasını keşfetmenizi önemle öneririz.

Yazarlar Hakkında

Yanwei Cui, PhD, AWS'de Kıdemli Makine Öğrenimi Uzmanı Çözüm Mimarıdır. IRISA'da (Bilgisayar Bilimi ve Rastgele Sistemler Araştırma Enstitüsü) makine öğrenimi araştırmalarına başladı ve bilgisayarlı görme, doğal dil işleme ve çevrimiçi kullanıcı davranışı tahmini alanlarında yapay zeka destekli endüstriyel uygulamalar oluşturma konusunda uzun yıllara dayanan deneyime sahip. AWS'de alan uzmanlığını paylaşıyor ve müşterilerin iş potansiyellerini açığa çıkarmasına ve geniş ölçekte makine öğrenimi ile eyleme dönüştürülebilir sonuçlar elde etmesine yardımcı oluyor. İş dışında kitap okumaktan ve seyahat etmekten hoşlanıyor.

Gordon Wang AWS'de Kıdemli AI/ML Uzmanı TAM'dir. Birçok sektördeki stratejik müşterileri AI/ML en iyi uygulamalarıyla destekliyor. Bilgisayarla görme, NLP, üretken yapay zeka ve MLOps konusunda tutkulu. Boş zamanlarında koşmayı ve yürüyüş yapmayı seviyor.

michel hong, PhD, Amazon Web Services'te Prototipleme Çözümleri Mimarı olarak çalışıyor ve burada müşterilerin çeşitli AWS bileşenlerini kullanarak yenilikçi uygulamalar oluşturmasına yardımcı oluyor. İş süreçlerini optimize eden ve müşteri deneyimlerini iyileştiren veri odaklı çözümler geliştirmek için, özellikle doğal dil işleme olmak üzere makine öğrenimi konusundaki uzmanlığını gösterdi.

Bin Wang, PhD, AWS'de Kıdemli Analitik Uzman Çözüm Mimarıdır ve özellikle reklamcılığa odaklanarak makine öğrenimi sektöründe 12 yıldan fazla deneyime sahiptir. Doğal dil işleme (NLP), öneri sistemleri, çeşitli makine öğrenimi algoritmaları ve makine öğrenimi operasyonları konularında uzmanlığa sahiptir. Gerçek dünyadaki sorunları çözmek için ML/DL ve büyük veri tekniklerini uygulama konusunda derin bir tutkuya sahiptir. Mesleki hayatının dışında müzikten, kitap okumaktan ve seyahat etmekten hoşlanıyor.

• 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. karbon, temiz teknoloji, Enerji, Çevre, Güneş, Atık Yönetimi. Buradan Erişin.
• PlatoSağlık. Biyoteknoloji ve Klinik Araştırmalar Zekası. Buradan Erişin.
• Kaynak: https://aws.amazon.com/blogs/machine-learning/personalize-your-generative-ai-applications-with-amazon-sagemaker-feature-store/