Zephyrnet Logosu

Üretken Veri Zekası

AI

Amazon Bedrock Cohere çok dilli yerleştirme modelini kullanarak finansal arama uygulamaları oluşturun | Amazon Web Hizmetleri

Plato tarafından yeniden yayınlandı
Plato tarafından yeniden yayınlandı

Tarih:

Görüntüleme: 134

Kuruluşlar, verilerin yapılandırılmamış olması nedeniyle çoğunun keşfedilmesi zor olan büyük miktarda veriye erişebilir. Analize yönelik geleneksel yaklaşımlar yapılandırılmamış veri anahtar kelime veya eşanlamlı eşleştirmeyi kullanın. Bir belgenin tüm içeriğini yansıtmazlar, bu da onları yapılandırılmamış verilerle baş etmede daha az etkili kılar.

Buna karşılık, metin yerleştirmeler şunları kullanır: makine öğrenme (ML) yapılandırılmamış verilerin anlamını yakalama yetenekleri. Gömmeler, metni sayısal vektörlere çeviren ve bir belgedeki bağlamsal bilgileri kodlayan temsili dil modelleri tarafından oluşturulur. Bu, anlamsal arama gibi uygulamalara olanak sağlar. Alma Artırılmış Nesil (RAG), konu modelleme ve metin sınıflandırma.

Örneğin, finansal hizmetler sektöründeki uygulamalar, kazanç raporlarından içgörü elde etmeyi, mali tablolardan bilgi aramayı ve mali haberlerde yer alan hisse senetleri ve piyasalar hakkındaki duyarlılığı analiz etmeyi içerir. Metin yerleştirmeler, sektör profesyonellerinin belgelerden öngörüler elde etmesine, hataları en aza indirmesine ve performanslarını artırmasına olanak tanır.

Bu yazıda, Cohere'in yazılımını kullanarak farklı dillerdeki finans haberlerinde arama ve sorgulama yapabilen bir uygulamayı sergiliyoruz. Gömmek ve Yeniden Sırala olan modeller Amazon Ana Kayası.

Cohere'in çok dilli yerleştirme modeli

Cohere, birinci sınıf büyük dil modelleri (LLM'ler) ve bilgisayarların metin içinde arama yapmasına, anlam yakalamasına ve sohbet etmesine olanak tanıyan LLM destekli çözümler geliştiren lider bir kurumsal yapay zeka platformudur. Kullanım kolaylığı ve güçlü güvenlik ve gizlilik kontrolleri sağlarlar.

Cohere'in çok dilli yerleştirme modeli 100'den fazla dil için belgelerin vektör temsillerini oluşturur ve Amazon Bedrock'ta mevcuttur. Bu, AWS müşterilerinin buna bir API olarak erişmesine olanak tanıyarak temel altyapıyı yönetme ihtiyacını ortadan kaldırır ve hassas bilgilerin güvenli bir şekilde yönetilmesini ve korunmasını sağlar.

Çok dilli model, benzer anlamlara sahip metinleri anlamsal vektör uzayında birbirine yakın konumlar atayarak gruplandırır. Çok dilli bir yerleştirme modeliyle geliştiriciler, aşağıdaki şekilde gösterildiği gibi, farklı modeller arasında geçiş yapmaya gerek kalmadan birden çok dildeki metni işleyebilir. Bu, işlemeyi daha verimli hale getirir ve çok dilli uygulamalar için performansı artırır.

Cohere'in yerleştirme modelinin öne çıkan bazı özellikleri şunlardır:

  • Belge kalitesine odaklanın – Tipik yerleştirme modelleri belgeler arasındaki benzerliği ölçmek için eğitilir, ancak Cohere'in modeli aynı zamanda belge kalitesini de ölçer
  • RAG uygulamaları için daha iyi erişim – RAG uygulamaları, Cohere'in yerleştirme modelinin üstün olduğu iyi bir erişim sistemi gerektirir
  • Uygun maliyetli veri sıkıştırma – Cohere özel, sıkıştırmaya duyarlı bir eğitim yöntemi kullanır ve bu da vektör veritabanınız için önemli maliyet tasarrufu sağlar

Metin gömmeye yönelik kullanım örnekleri

Metin yerleştirmeleri, yapılandırılmamış verileri yapılandırılmış bir forma dönüştürür. Bu, tüm bu belgeleri nesnel olarak karşılaştırmanıza, parçalara ayırmanıza ve bunlardan içgörüler elde etmenize olanak tanır. Aşağıda Cohere'in yerleştirme modelinin mümkün kıldığı örnek kullanım durumları verilmiştir:

  • Anlamsal arama – Bir vektör veritabanıyla birleştirildiğinde, arama ifadesi anlamına dayalı mükemmel alaka düzeyiyle güçlü arama uygulamalarına olanak tanır
  • Daha büyük bir sistem için arama motoru – RAG sistemleri için bağlı kurumsal veri kaynaklarından en alakalı bilgileri bulur ve alır
  • Metin sınıflandırması – Niyet tanımayı, duyarlılık analizini ve gelişmiş belge analizini destekler
  • Konu modelleme – Ortaya çıkan konuları ve temaları ortaya çıkarmak için bir belge koleksiyonunu farklı kümelere dönüştürür

Rerank ile gelişmiş arama sistemleri

Geleneksel anahtar kelime arama sistemlerinin halihazırda mevcut olduğu işletmelerde, modern anlamsal arama yeteneklerini nasıl tanıtacaksınız? Uzun süredir bir şirketin bilgi mimarisinin parçası olan bu tür sistemler için, yerleştirme tabanlı yaklaşıma tam geçiş çoğu durumda mümkün değildir.

Cohere'in Yeniden Sıralama uç noktası bu açığı kapatmak için tasarlandı. Kullanıcının sorgusu başına ilgili belgelerin sıralamasını sağlamak için arama akışının ikinci aşaması olarak görev yapar. Kuruluşlar, ilk aşama erişim için mevcut bir anahtar kelime (hatta anlamsal) sistemini koruyabilir ve ikinci aşama yeniden sıralamada Yeniden Sıralama uç noktasıyla arama sonuçlarının kalitesini artırabilir.

Rerank, anlamsal arama teknolojisini tek bir kod satırıyla kullanıcının yığınına dahil ederek arama sonuçlarını iyileştirmek için hızlı ve basit bir seçenek sunar. Uç nokta ayrıca çoklu dil desteğiyle birlikte gelir. Aşağıdaki şekilde alma ve yeniden sıralama iş akışı gösterilmektedir.

Çözüme genel bakış

Finansal analistlerin bilgili kalabilmeleri için finansal yayınlar ve haber medyası gibi birçok içeriği sindirmeleri gerekir. Göre Finans Uzmanları Derneği (AFP)Finansal analistler zamanlarının %75'ini katma değer analizi yerine veri toplamak veya süreci yönetmek için harcıyorlar. Bir sorunun cevabını çeşitli kaynak ve belgelerde bulmak, zaman alıcı ve sıkıcı bir iştir. Cohere yerleştirme modeli, analistlerin belirli bir sorguyla en alakalı makaleleri bulup sıralamak için birden çok dilde çok sayıda makale başlığında hızlı bir şekilde arama yapmasına yardımcı olarak çok büyük miktarda zaman ve çaba tasarrufu sağlar.

Aşağıdaki kullanım örneği örneğinde, Cohere'in Embed modelinin farklı dillerdeki finans haberlerinde tek bir benzersiz kanalda nasıl arama ve sorgulama yaptığını gösteriyoruz. Ardından, yerleştirme erişiminize Rerank eklemenin (veya onu eski bir sözcüksel aramaya eklemenin) sonuçları nasıl daha da iyileştirebileceğini gösteriyoruz.

Destekleyici not defteri şu adreste mevcuttur: GitHub.

Aşağıdaki diyagram uygulamanın iş akışını göstermektedir.

Amazon Bedrock aracılığıyla model erişimini etkinleştirin

Amazon Bedrock kullanıcılarının, modellerin kullanıma hazır hale getirilmesi için erişim talebinde bulunması gerekir. Ek modellere erişim istemek için Model erişimi Amazon Ana Kayasındaki gezinme bölmesi konsol. Daha fazla bilgi için bakınız Model erişimi. Bu izlenecek yol için Cohere Embed Multilingual modeline erişim talep etmeniz gerekir.

Paketleri yükleyin ve modülleri içe aktarın

Öncelikle gerekli paketleri kuruyoruz ve bu örnekte kullanacağımız modülleri içe aktarıyoruz:

!pip install --upgrade cohere-aws hnswlib translate

import pandas as pd
import cohere_aws
import hnswlib
import os
import re
import boto3

ithalat belgeleri

15 dili (İngilizce, Türkçe, Danca, İspanyolca, Lehçe, Yunanca, Fince, İbranice, Japonca, Macarca, Norveççe, Rusça, İtalyanca, İzlandaca ve İsveççe) kapsayan gerçek dünyadaki makale başlıklarının bir listesini içeren bir veri kümesi (MultiFIN) kullanıyoruz ). Bu, finansal doğal dil işleme (NLP) için seçilmiş açık kaynaklı bir veri kümesidir ve şu adreste mevcuttur: GitHub deposu.

Bizim durumumuzda, MultiFIN verilerini içeren bir CSV dosyasının yanı sıra çevirileri içeren bir sütun oluşturduk. Bu sütunu modeli beslemek için kullanmıyoruz; Danca veya İspanyolca konuşmayanlar için sonuçları yazdırırken takip etmemize yardımcı olması için bunu kullanıyoruz. Veri çerçevemizi oluşturmak için bu CSV'ye işaret ediyoruz:

url = "https://raw.githubusercontent.com/cohere-ai/cohere-aws/main/notebooks/bedrock/multiFIN_train.csv"
df = pd.read_csv(url)

# Inspect dataset
df.head(5)

Sorgulanacak belgelerin listesini seçin

MultiFIN'in 6,000 farklı dilde 15'den fazla kaydı bulunmaktadır. Örnek kullanım durumumuz için üç dile odaklanıyoruz: İngilizce, İspanyolca ve Danca. Ayrıca başlıkları uzunluğa göre sıralayıp en uzun olanları seçiyoruz.

En uzun makaleleri seçtiğimiz için uzunluğun tekrarlanan dizilerden kaynaklanmamasını sağlıyoruz. Aşağıdaki kod, durumun böyle olduğu bir örneği göstermektedir. Bunu temizleyeceğiz.

df['text'].iloc[2215]

'El 86% de las empresas españolas comprometidas con los Objetivos de Desarrollo 
Sostenible comprometidas con los Objetivos de Desarrollo Sostenible comprometidas 
con los Objetivos de Desarrollo Sostenible comprometidas con los Objetivos de 
Desarrollo Sostenible'

# Ensure there is no duplicated text in the headers
def remove_duplicates(text):
    return re.sub(r'((bw+b.{1,2}w+b)+).+1', r'1', text, flags=re.I)

df ['text'] = df['text'].apply(remove_duplicates)

# Keep only selected languages
languages = ['English', 'Spanish', 'Danish']
df = df.loc[df['lang'].isin(languages)]

# Pick the top 80 longest articles
df['text_length'] = df['text'].str.len()
df.sort_values(by=['text_length'], ascending=False, inplace=True)
top_80_df = df[:80]

# Language distribution
top_80_df['lang'].value_counts()

Belge listemiz üç dile güzel bir şekilde dağıtılmıştır:

lang
Spanish    33
English    29
Danish     18
Name: count, dtype: int64

Veri kümemizdeki en uzun makale başlığı aşağıdadır:

top_80_df['text'].iloc[0]

"CFOdirect: Resultater fra PwC's Employee Engagement Landscape Survey, herunder hvordan 
man skaber mere engagement blandt medarbejdere. Læs desuden om de regnskabsmæssige 
konsekvenser for indkomstskat ifbm. Brexit"

Belgeleri yerleştirme ve dizine ekleme

Şimdi belgelerimizi gömmek ve yerleştirmeleri saklamak istiyoruz. Gömmeler, belgemizin anlamsal anlamını özetleyen çok büyük vektörlerdir. Özellikle Cohere’in 3.0 boyutlu yerleştirmeler oluşturan embed-multilingual-v1,024 modelini kullanıyoruz.

Bir sorgu iletildiğinde, sorguyu da gömeriz ve en yakın komşuları bulmak için hnswlib kütüphanesini kullanırız.

Bir Cohere istemcisi oluşturmak, belgeleri gömmek ve arama dizinini oluşturmak yalnızca birkaç satır kod gerektirir. Sonuçların görüntülenmesini zenginleştirmek için belgenin dilini ve çevirisini de takip ediyoruz.

# Establish Cohere client
co = cohere_aws.Client(mode=cohere_aws.Mode.BEDROCK)
model_id = "cohere.embed-multilingual-v3"

# Embed documents
docs = top_80_df['text'].to_list()
docs_lang = top_80_df['lang'].to_list()
translated_docs = top_80_df['translated_text'].to_list() #for reference when returning non-English results
doc_embs = co.embed(texts=docs, model_id=model_id, input_type='search_document').embeddings

# Create a search index
index = hnswlib.Index(space='ip', dim=1024)
index.init_index(max_elements=len(doc_embs), ef_construction=512, M=64)
index.add_items(doc_embs, list(range(len(doc_embs))))

Bir geri alma sistemi oluşturun

Daha sonra, bir sorguyu girdi olarak alan, onu gömen ve onunla daha yakından ilişkili dört başlığı bulan bir işlev oluşturuyoruz:

# Retrieval of 4 closest docs to query
def retrieval(query):
    # Embed query and retrieve results
    query_emb = co.embed(texts=[query], model_id=model_id, input_type="search_query").embeddings
    doc_ids = index.knn_query(query_emb, k=3)[0][0] # we will retrieve 4 closest neighbors
    
    # Print and append results
    print(f"QUERY: {query.upper()} n")
    retrieved_docs, translated_retrieved_docs = [], []
    
    for doc_id in doc_ids:
        # Append results
        retrieved_docs.append(docs[doc_id])
        translated_retrieved_docs.append(translated_docs[doc_id])
    
        # Print results
        print(f"ORIGINAL ({docs_lang[doc_id]}): {docs[doc_id]}")
        if docs_lang[doc_id] != "English":
            print(f"TRANSLATION: {translated_docs[doc_id]} n----")
        else:
            print("----")
    print("END OF RESULTS nn")
    return retrieved_docs, translated_retrieved_docs

Geri alma sistemini sorgulayın

Sistemimizin birkaç farklı sorguyla ne yaptığını inceleyelim. İngilizce ile başlıyoruz:

queries = [
    "Are businessess meeting sustainability goals?",
    "Can data science help meet sustainability goals?"
]

for query in queries:
    retrieval(query)

Sonuçlar şöyledir:

QUERY: ARE BUSINESSES MEETING SUSTAINABILITY GOALS? 

ORIGINAL (English): Quality of business reporting on the Sustainable Development Goals 
improves, but has a long way to go to meet and drive targets.
----
ORIGINAL (English): Only 10 years to achieve Sustainable Development Goals but 
businesses remain on starting blocks for integration and progress
----
ORIGINAL (Spanish): Integrar los criterios ESG y el propósito en la estrategia 
principal reto de los Consejos de las empresas españolas en el mundo post-COVID 

TRANSLATION: Integrate ESG criteria and purpose into the main challenge strategy 
of the Boards of Spanish companies in the post-COVID world 
----
END OF RESULTS 

QUERY: CAN DATA SCIENCE HELP MEET SUSTAINABILITY GOALS? 

ORIGINAL (English): Using AI to better manage the environment could reduce greenhouse 
gas emissions, boost global GDP by up to 38m jobs by 2030
----
ORIGINAL (English): Quality of business reporting on the Sustainable Development Goals 
improves, but has a long way to go to meet and drive targets.
----
ORIGINAL (English): Only 10 years to achieve Sustainable Development Goals but 
businesses remain on starting blocks for integration and progress
----
END OF RESULTS

Aşağıdakilere dikkat edin:

  • İlgili ancak biraz farklı sorular soruyoruz ve model, en alakalı sonuçları en üstte sunacak kadar incelikli.
  • Modelimiz anahtar kelime bazlı arama değil, semantik arama gerçekleştirmektedir. "Yapay zeka" yerine "veri bilimi" gibi bir terim kullanıyor olsak bile modelimiz ne sorulduğunu anlayabilir ve en alakalı sonucu en üstte döndürebilir.

Danca bir sorguya ne dersiniz? Aşağıdaki sorguya bakalım:

query = "Hvor kan jeg finde den seneste danske boligplan?" # "Where can I find the latest Danish property plan?"
retrieved_docs, translated_retrieved_docs = retrieval(query)


QUERY: HVOR KAN JEG FINDE DEN SENESTE DANSKE BOLIGPLAN? 

ORIGINAL (Danish): Nyt fra CFOdirect: Ny PP&E-guide, FAQs om den nye leasingstandard, 
podcast om udfordringerne ved implementering af leasingstandarden og meget mere

TRANSLATION: New from CFOdirect: New PP&E guide, FAQs on the new leasing standard, 
podcast on the challenges of implementing the leasing standard and much more 
----
ORIGINAL (Danish): Lovforslag fremlagt om rentefri lån, udskudt frist for 
lønsumsafgift, førtidig udbetaling af skattekredit og loft på indestående på 
skattekontoen

TRANSLATION: Legislative proposal presented on interest-free loans, deferred payroll 
tax deadline, early payment of tax credit and ceiling on deposits in the tax account 
----
ORIGINAL (Danish): Nyt fra CFOdirect: Shareholder-spørgsmål til ledelsen, SEC 
cybersikkerhedsguide, den amerikanske skattereform og meget mere

TRANSLATION: New from CFOdirect: Shareholder questions for management, the SEC 
cybersecurity guide, US tax reform and more 
----
END OF RESULTS

Önceki örnekte, İngilizce kısaltması "PP&E" "mülk, tesis ve ekipman" anlamına gelir ve modelimiz bunu sorgumuza bağlamayı başardı.

Bu durumda, döndürülen tüm sonuçlar Danca dilindedir ancak model, anlamsal anlamı daha yakınsa, sorgu dışındaki bir dildeki bir belgeyi döndürebilir. Tam bir esnekliğe sahibiz ve birkaç satır kodla modelin yalnızca sorgu dilindeki belgelere mi bakacağını yoksa tüm belgelere mi bakacağını belirtebiliriz.

Cohere Rerank ile sonuçları iyileştirin

Gömmeler çok güçlüdür. Ancak şimdi, belgelerin bir sorguya göre alaka düzeyini puanlamak üzere eğitilmiş Cohere'in Rerank uç noktasıyla sonuçlarımızı nasıl daha da hassaslaştırabileceğimize bakacağız.

Rerank'ın bir diğer avantajı da eski bir anahtar kelime arama motorunun üzerinde çalışabilmesidir. Bir vektör veritabanına geçmeniz veya altyapınızda köklü değişiklikler yapmanız gerekmez ve yalnızca birkaç satır kod gerekir. Yeniden sıralama şurada mevcut: Amazon Adaçayı Yapıcı.

Yeni bir sorgu deneyelim. Bu sefer SageMaker kullanıyoruz:

query = "Are companies ready for the next down market?"
retrieved_docs, translated_retrieved_docs = retrieval(query)


QUERY: ARE COMPANIES READY FOR THE NEXT DOWN MARKET? 

ORIGINAL (Spanish): El valor en bolsa de las 100 mayores empresas cotizadas cae un 15% 
entre enero y marzo pero aguanta el embate del COVID-19 

TRANSLATION: The stock market value of the 100 largest listed companies falls 15% 
between January and March but withstands the onslaught of COVID-19 
----
ORIGINAL (English): 69% of business leaders have experienced a corporate crisis in the 
last five years yet 29% of companies have no staff dedicated to crisis preparedness
----
ORIGINAL (English): As work sites slowly start to reopen, CFOs are concerned about the 
global economy and a potential new COVID-19 wave - PwC survey
----
END OF RESULTS

Bu durumda anlamsal bir arama cevabımızı bulup sonuçlarda görüntüleyebildi, ancak en üstte değil. Ancak sorguyu, alınan dokümanların listesiyle birlikte Rerank uç noktamıza tekrar ilettiğimizde, Rerank en alakalı dokümanı en üstte gösterebilir.

İlk olarak istemciyi ve Rerank uç noktasını oluşturuyoruz:

# map model package arn
import boto3
cohere_package = "cohere-rerank-multilingual-v2--8b26a507962f3adb98ea9ac44cb70be1" # replace this with your info

model_package_map = {
    "us-east-1": f"arn:aws:sagemaker:us-east-1:865070037744:model-package/{cohere_package}",
    "us-east-2": f"arn:aws:sagemaker:us-east-2:057799348421:model-package/{cohere_package}",
    "us-west-1": f"arn:aws:sagemaker:us-west-1:382657785993:model-package/{cohere_package}",
    "us-west-2": f"arn:aws:sagemaker:us-west-2:594846645681:model-package/{cohere_package}",
    "ca-central-1": f"arn:aws:sagemaker:ca-central-1:470592106596:model-package/{cohere_package}",
    "eu-central-1": f"arn:aws:sagemaker:eu-central-1:446921602837:model-package/{cohere_package}",
    "eu-west-1": f"arn:aws:sagemaker:eu-west-1:985815980388:model-package/{cohere_package}",
    "eu-west-2": f"arn:aws:sagemaker:eu-west-2:856760150666:model-package/{cohere_package}",
    "eu-west-3": f"arn:aws:sagemaker:eu-west-3:843114510376:model-package/{cohere_package}",
    "eu-north-1": f"arn:aws:sagemaker:eu-north-1:136758871317:model-package/{cohere_package}",
    "ap-southeast-1": f"arn:aws:sagemaker:ap-southeast-1:192199979996:model-package/{cohere_package}",
    "ap-southeast-2": f"arn:aws:sagemaker:ap-southeast-2:666831318237:model-package/{cohere_package}",
    "ap-northeast-2": f"arn:aws:sagemaker:ap-northeast-2:745090734665:model-package/{cohere_package}",
    "ap-northeast-1": f"arn:aws:sagemaker:ap-northeast-1:977537786026:model-package/{cohere_package}",
    "ap-south-1": f"arn:aws:sagemaker:ap-south-1:077584701553:model-package/{cohere_package}",
    "sa-east-1": f"arn:aws:sagemaker:sa-east-1:270155090741:model-package/{cohere_package}",
}

region = boto3.Session().region_name
if region not in model_package_map.keys():
    raise Exception(f"Current boto3 session region {region} is not supported.")

model_package_arn = model_package_map[region]

co = cohere_aws.Client(region_name=region)
co.create_endpoint(arn=model_package_arn, endpoint_name="cohere-rerank-multilingual", instance_type="ml.g4dn.xlarge", n_instances=1)

Belgeleri Rerank'a ilettiğimizde model, en alakalı olanı doğru bir şekilde seçebiliyor:

results = co.rerank(query=query, documents=retrieved_docs, top_n=1)

for hit in results:
    print(hit.document['text'])


69% of business leaders have experienced a corporate crisis in the last five years yet 
29% of companies have no staff dedicated to crisis preparedness

Sonuç

Bu gönderide Cohere'in çok dilli yerleştirme modelinin Amazon Bedrock'ta finansal hizmetler alanında kullanılmasına yönelik bir adım adım yol sunuldu. Özellikle çok dilli bir finansal makale arama uygulamasının örneğini gösterdik. Gömme modelinin bilginin etkili ve doğru bir şekilde keşfedilmesini nasıl sağladığını, böylece bir analistin üretkenliğini ve çıktı kalitesini nasıl artırdığını gördük.

Cohere'in çok dilli yerleştirme modeli 100'den fazla dili destekler. Farklı dillerde bir dizi belgeyle çalışmayı gerektiren uygulama oluşturmanın karmaşıklığını ortadan kaldırır. Tutarlı Gömme modeli Gerçek dünya uygulamalarında sonuç sunmak üzere eğitilmiştir. Gürültülü verileri girdi olarak işler, karmaşık RAG sistemlerine uyum sağlar ve sıkıştırmaya duyarlı eğitim yöntemi sayesinde maliyet verimliliği sağlar.

Amazon Bedrock'ta Cohere'in çok dilli yerleştirme modeliyle oluşturmaya bugün başlayın.

Yazarlar Hakkında

James Yi Amazon Web Services'te Technology Partners COE Tech ekibinde Kıdemli AI/ML İş Ortağı Çözümleri Mimarıdır. İş değeri elde etmek amacıyla AI/ML uygulamalarını tasarlamak, dağıtmak ve ölçeklendirmek için kurumsal müşteriler ve iş ortaklarıyla birlikte çalışma konusunda tutkulu. İş dışında futbol oynamaktan, seyahat etmekten ve ailesiyle vakit geçirmekten hoşlanıyor.

Gonzalo Betegon En son doğal dil işleme teknolojisi sağlayıcısı olan Cohere'de Çözüm Mimarıdır. Büyük dil modellerinin dağıtımı yoluyla kuruluşların iş ihtiyaçlarını karşılamalarına yardımcı olur.

Meor Amer En son doğal dil işleme (NLP) teknolojisinin sağlayıcısı olan Cohere'de Geliştirici Avukatıdır. Cohere'in Büyük Dil Modelleri (LLM'ler) ile geliştiricilerin son teknoloji uygulamalar oluşturmasına yardımcı oluyor.

spot_img

En Son İstihbarat

spot_img

Telif Hakkı @ 2024 Plato Technologies Inc.