Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

Schicht 4: Wiederholbare Anwendungsmuster für gängige generative KI-Anwendungsfälle

Im Zuge der Einführung generativer KI in Unternehmen haben sich klare Muster dafür herauskristallisiert, wie Unternehmen diese Technologie einsetzen, um den Geschäftswert zu steigern. Diese häufigen Anwendungsfälle demonstrieren bewährte Ansätze für die Anwendung generativer KI in verschiedenen Geschäftsfunktionen. Diese Anwendungsfälle können Unternehmen dabei helfen, ihre eigenen Implementierungsmöglichkeiten zu identifizieren und zu priorisieren.

Durch das Verständnis dieser etablierten Anwendungsfälle können Unternehmen besser einschätzen, wo generative KI die unmittelbarste Wirkung erzielen kann, und gleichzeitig eine Grundlage für eine breitere Akzeptanz schaffen. In diesem Abschnitt werden die wichtigsten Bereiche beschrieben, in denen Unternehmen erfolgreich generative KI-Lösungen einsetzen.

Generative KI-gestützte Assistenten

Generative KI-gestützte Assistenten bieten personalisierte, kontextsensitive Unterstützung für verschiedene Geschäftsfunktionen. Diese Tools sind ideal für Power-User. Sie steigern die Leistung der Mitarbeiter, die lernen, sie in ihren Arbeitsablauf zu integrieren. Durch die Verwendung von Sprachmodellen verbessern diese Assistenten die Effizienz, Produktivität und Benutzerzufriedenheit in allen Organisationen.

AWS bietet Amazon Q Business, einen KI-Assistenten für Unternehmen, der sofort einsatzbereit und hochgradig anpassbar ist. Die Implementierung beinhaltet die Anpassung der Wissensdatenbank mit unternehmensspezifischen Daten, um genaue und relevante Antworten zu erhalten. Die Integration mit Systemen für Kundenbeziehungsmanagement (CRM) und Enterprise Resource Planning (ERP) erhöht den Nutzen und fördert einen reibungslosen Datenfluss und die volle Funktionalität im gesamten Unternehmen.

Für Softwareentwicklungsteams AWS bietet Amazon Q Developer. Dieser Programmierassistent wurde entwickelt, um die Produktivität zu steigern, indem er Sie bei der Codegenerierung, der Fehlererkennung, den Vorschlägen zum Refactoring und der Erstellung von Dokumentation unterstützt. Durch die nahtlose Integration in integrierte Entwicklungsumgebungen (IDEs) können Entwickler direkt in ihrer gewohnten Codierungsumgebung auf seine Funktionen zugreifen, wodurch Arbeitsabläufe optimiert und Kontextwechsel reduziert werden. Weitere Informationen finden Sie Codegenerierung und -analyse in diesem Strategiedokument.

Zu den häufigsten Anwendungsfällen für generative KI-gestützte Assistenten gehören:

Um die Effektivität generativer KI-gestützter Assistenten zu maximieren, sollten Sie erwägen, mit einem gezielten Einsatz zu beginnen, z. B. in einer bestimmten Abteilung. Dies hilft Entwicklungsteams, die Auswirkungen zu bewerten und Benutzerfeedback einzuholen, bevor sie es im gesamten Unternehmen einsetzen. Dieser schrittweise Ansatz erleichtert den Einführungsprozess und optimiert die Anpassung des Assistenten an die Unternehmensanforderungen.

Weitere Informationen zur Entwicklung generativer KI-gestützter Assistenten für Unternehmen finden Sie unter Entwickeln eines vollautomatischen chatbasierten Assistenten mithilfe von Amazon Bedrock-Agenten und Wissensdatenbanken.

Chat-basierte RAG-Assistenten

Out-of-the-box Basismodelle sind zwar leistungsstark, werden aber durch ihre Vortrainingsdaten eingeschränkt. Ihnen fehlt das Wissen über aktuelle Ereignisse, die nach Ablauf des Stichtags für die Schulung stattgefunden haben, und sie haben kein Verständnis für unternehmensspezifische Prozesse oder benutzerdefinierte Daten. Diese Einschränkung macht sie für viele geschäftliche Anwendungsfälle ungeeignet, die Kenntnisse über das Unternehmen erfordern.

Die Anpassung von Modellen durch Feinabstimmung ist ein komplexer und teurer Prozess, und die Erfassung hochwertiger Trainingsdaten dafür kann eine Herausforderung sein. Retrieval Augmented Generation (RAG) behebt diese Einschränkungen, indem umfangreiche Sprachmodelle (LLMs) mit unternehmenseigenen Daten kombiniert werden. RAG-Ansätze schaffen KI-gestützte Interaktionen, die auf spezifischem Fachwissen basieren. Weitere Informationen zu RAG und zur Feinabstimmung finden Sie unter Generative KI-Optionen für die Abfrage benutzerdefinierter Dokumente.

Zu den häufigsten Anwendungsfällen für Chat-basierte RAG-Assistenten gehören:

AWS vereinfacht die Implementierung von Chat-basierten RAG-Assistenten über Amazon Bedrock Knowledge Bases. Dieser Service hilft Ihnen beim Einrichten einer Vektordatenbank zum Abfragen und Abrufen von Daten aus benutzerdefinierten Dokumenten. Zu den wichtigsten Funktionen gehören die Integration mit Amazon Simple Storage Service (Amazon S3) für die Datenspeicherung, die Kompatibilität mit Diensten von Drittanbietern (wie Microsoft SharePoint und Atlassian Confluence), effiziente Vektorsuchfunktionen für den Abruf relevanter Dokumente und die Integration mit Basismodellen (wie Anthropic Claude) für die Erstellung von Konversationsassistenten auf Chat-Basis. Identifizieren Sie zunächst eine klar definierte Wissensdatenbank mit begrenztem Umfang und erstellen Sie daraus einen RAG-Chat-basierten Assistenten. proof-of-concept Achten Sie bei der Skalierung der Implementierungen auf die Aktualität der Daten und die Rechenkosten umfangreicher Datenabrufe.

Weitere Informationen zur Erstellung von Chat-basierten RAG-Assistenten finden Sie im Folgenden:

Generative KI-Agenten

Generative KI-Agenten stellen einen bedeutenden Fortschritt bei der Automatisierung komplexer Geschäftsprozesse dar. Diese Agenten können komplexe Arbeitsabläufe bewältigen, die traditionell menschliches Eingreifen erforderten, indem sie Aufgaben aufteilen und mit verschiedenen Systemen interagieren.

Zu den typischen Anwendungen generativer KI-Agenten gehören die automatisierte Workflow-Orchestrierung für mehrstufige Geschäftsprozesse, intelligente virtuelle Assistenten für die abteilungsübergreifende Erledigung von Aufgaben sowie Agenten für Datenanalyse und Berichtsgenerierung, die mehrere Datenbanken abfragen können.

AWS bietet Tools wie Amazon Bedrock Agents, die Sie bei der Erstellung und Bereitstellung von KI-Agenten unterstützen. Die Implementierung umfasst die Definition von benutzerdefinierten Aktionen und API-Integrationen, die speziell auf Ihre Geschäftsanforderungen zugeschnitten sind. Sie müssen auch robuste Mechanismen zur Fehlerbehandlung und Protokollierung einrichten. Sie können es AWS Lambdafür die Ausführung serverloser Funktionen, Amazon API Gateway für die Verwaltung APIs und AWS Step Functionsfür die Workflow-Orchestrierung verwenden.

Organizations können damit beginnen, einen sich wiederholenden, mehrstufigen Prozess zu identifizieren und seine Entscheidungspunkte und Systeminteraktionen abzubilden. Dies dient als Blaupause für den ersten generativen KI-Agenten. Zu den wichtigsten Überlegungen gehören die Validierung der richtigen Fehlerbehandlung und die Wahrung der Transparenz der Entscheidungsprozesse.

Intelligente Dokumentenverarbeitung

Intelligente Dokumentenverarbeitung (IDP) verwendet generative KI und natürliche Sprachverarbeitung (NLP), um Informationen aus verschiedenen Dokumenttypen automatisch zu extrahieren, zu klassifizieren und zu verarbeiten. IDP kann die unstrukturierte Dokumentenverarbeitung in automatisierte, skalierbare Workflows umwandeln.

Moderne IDP-Lösungen können zwei Ansätze verfolgen: traditionelle, Pipeline-basierte Verarbeitung oder direkte, multimodale Verarbeitung mithilfe von Basismodellen. Um eine herkömmliche Pipeline aufzubauen AWS, können Sie Amazon Textract für optische Zeichenerkennung (OCR) und Dokumentenverständnis mit Amazon Bedrock Foundation-Modellen für erweiterte Analysen kombinieren. Alternativ können Sie für die direkte, multimodale Verarbeitung über Foundation-Modelle state-of-the-art Foundation-Modelle (wie Anthropic Claude in Amazon Bedrock) verwenden PDFs, um Bilder und gescannte Dokumente direkt in einem einzigen Schritt zu verarbeiten.

Organizations können ihren Ansatz auf der Grundlage ihrer spezifischen Bedürfnisse wählen. Herkömmliche Pipelines zeichnen sich durch die Verarbeitung großer Mengen und für Szenarien aus, die eine genaue Steuerung erfordern. Die direkte, multimodale Verarbeitung mithilfe von Basismodellen ist ideal für komplexe Dokumente, die eine verbesserte Genauigkeit durch ein ausgeklügeltes kontextuelles Verständnis erfordern.

Zu den häufigsten Anwendungsfällen für IDP gehören:

Die Implementierung verwendet in der Regel ereignisgesteuerte Architekturen, die Amazon S3 und Amazon Simple Queue Service (Amazon SQS) verwenden. AWS Lambda Wenn Sie ein Dokument in einen Amazon S3 S3-Bucket hochladen, werden Verarbeitungsworkflows initiiert. Die Ergebnisse werden in Datenbanken wie Amazon DynamoDB gespeichert oder über diese in Geschäftssysteme aufgenommen. APIs Um optimale Ergebnisse zu erzielen, sollten Unternehmen Batching-Strategien, eine robuste Fehlerbehandlung und Prüfprotokolle implementieren. Beginnen Sie mit einem bestimmten Dokumenttyp, bevor Sie den Umfang erweitern.

Diese Automatisierung reduziert manuelle Eingriffe, die Verarbeitungszeit und menschliche Fehler erheblich. Es hilft den Mitarbeitern auch, sich auf Aktivitäten zu konzentrieren, die Urteilsvermögen und Fachwissen erfordern.

Weitere Informationen zu Workflows zur Dokumentenverarbeitung finden Sie unter Automatisches Extrahieren von Inhalten aus PDF-Dateien mit Amazon Textract.

Generierung und Zusammenfassung von Inhalten

Generative KI-Modelle zeichnen sich durch die Generierung und Zusammenfassung von Inhalten aus. Dies macht sie zu wertvollen Tools für verschiedene Geschäftsanwendungen. Sie können die Funktionen großer Sprachmodelle zur Verarbeitung natürlicher Sprache nutzen, um textbasierte Informationen zu erstellen oder zu komprimieren.

Zu den häufigsten Anwendungsfällen für die Generierung und Zusammenfassung von Inhalten gehören:

Die Implementierung auf beinhaltet AWS in der Regel die Verwendung von Amazon Bedrock für Textgenerierungs- und Zusammenfassungsaufgaben. Amazon Comprehend kann zur Erkennung von Entitäten und zur Stimmungsanalyse eingesetzt werden, wodurch der Kontext und die Qualität der generierten Inhalte verbessert werden.

Zu den bewährten Methoden für Anwendungen zur Generierung und Zusammenfassung von Inhalten gehören die Implementierung von human-in-the-loop Prozessen zur Überprüfung und Qualitätskontrolle von Inhalten, die Verwendung fein abgestimmter Modelle für die domänenspezifische Inhaltsgenerierung und die Implementierung von Inhaltsfiltern zur Sicherstellung der Markenkonsistenz und der Einhaltung von Richtlinien.

Beispielsweise können Sie generative KI verwenden, um klinische Patientendaten zu analysieren und Zusammenfassungen und klinische Notizen zu erstellen. Weitere Informationen finden Sie unter Erstellen einer Anwendung für medizinische Intelligenz mit erweiterten Patientendaten.

Codegenerierung und -analyse

Generative KI-Modelle verfügen über bemerkenswerte Fähigkeiten, um Code in verschiedenen Programmiersprachen zu verstehen und zu generieren. Ihre Entwickler können diese Funktionen nutzen, um beim Schreiben, Refaktorieren und Analysieren von Code zu helfen.

Zu den häufigsten Anwendungsfällen gehören die folgenden:

AWS bietet verschiedene Dienste zur Unterstützung dieses Musters an. Amazon Q Developer bietet KI-gestützte Codegenerierung, sodass Entwickler Code schneller und mit weniger Fehlern schreiben können. Amazon CodeGuru bietet intelligente Codeprüfungen und Leistungsempfehlungen. Sie können diese Dienste AWS Lambda für die serverlose Codeausführung und das Testen integrieren.

Zu den bewährten Methoden für Anwendungen zur Codegenerierung und -analyse gehört die Integration von KI-gestützten Codierungstools in bestehende Entwicklungsumgebungen. Erwägen Sie die Implementierung strenger Verfahren zur Codeüberprüfung, um sicherzustellen, dass der generierte Code den Qualitätsstandards entspricht. Verwenden Sie KI für erste Codeentwürfe, verlassen Sie sich jedoch bei endgültigen Implementierungsentscheidungen auf menschliches Fachwissen.

Weitere Informationen zum Erstellen von Programmierassistenten finden Sie unter Verwenden Sie Amazon Q Developer als Programmierassistenten, um Ihre Produktivität zu steigern.

Multimodale KI-Anwendungen

Multimodale KI-Anwendungen kombinieren verschiedene Arten von Dateneingaben und -ausgaben wie Text, Bilder, Audio und Video. Dieses Muster nutzt die Fähigkeit fortschrittlicher generativer KI-Modelle, Inhalte über mehrere Modalitäten hinweg zu verstehen und zu generieren.

Zu den häufigsten Anwendungsfällen für multimodale KI-Anwendungen gehören:

Auf AWS, Sie können Amazon Bedrock für multimodale Fundamentmodelle verwenden. Zu den weiteren Services gehören Amazon Rekognition für die Bild- und Videoanalyse, Amazon Transcribe für die Konvertierung und Amazon speech-to-text Polly für die Konvertierung. text-to-speech Diese Dienste können die multimodalen Funktionen der Anwendung verbessern.

Zu den bewährten Verfahren für multimodale KI-Anwendungen gehören die Sicherstellung hochwertiger, vielfältiger Datensätze für das Training und die Feinabstimmung multimodaler Modelle. Implementieren Sie außerdem eine robuste Fehlerbehandlung für verschiedene Eingabemodalitäten und berücksichtigen Sie sorgfältig die ethischen Implikationen und potenziellen Vorurteile in multimodalen KI-Systemen.

Weitere Informationen zur Entwicklung multimodaler Anwendungen finden Sie unter Dokumentieren institutioneller Kenntnisse anhand von Spracheingaben mithilfe von Amazon Bedrock und Amazon Transcribe.

Empfehlungen zur Implementierung

Beachten Sie die folgenden Empfehlungen, um wiederholbare Anwendungsmuster für generative KI in Ihrem Unternehmen effektiv zu implementieren: