Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
# Lapisan 4: Pola aplikasi yang dapat diulang untuk kasus penggunaan AI generatif umum
Ketika perusahaan mengadopsi AI generatif, pola yang jelas telah muncul tentang bagaimana organisasi menggunakan teknologi ini untuk mendorong nilai bisnis. Kasus penggunaan umum ini menunjukkan pendekatan yang terbukti untuk menerapkan AI generatif di berbagai fungsi bisnis. Kasus penggunaan ini dapat membantu organisasi mengidentifikasi dan memprioritaskan peluang implementasi mereka sendiri.
Dengan memahami kasus penggunaan yang sudah mapan ini, organisasi dapat mengevaluasi dengan lebih baik di mana AI generatif dapat memberikan dampak paling langsung sambil membangun fondasi untuk adopsi yang lebih luas. Bagian ini menjelaskan area utama di mana perusahaan berhasil menerapkan solusi AI generatif.
**Topics**
+ [Asisten bertenaga AI generatif](#patterns-assistants)
+ [Asisten berbasis obrolan RAG](#patterns-chat)
+ [Agen AI generatif](#patterns-agents)
+ [Pemrosesan dokumen cerdas](#patterns-idp)
+ [Pembuatan dan ringkasan konten](#patterns-content)
+ [Pembuatan dan analisis kode](#patterns-code)
+ [Aplikasi AI multimodal](#patterns-multimodal-apps)
+ [Rekomendasi implementasi](#patterns-implementation-recs)
## Asisten bertenaga AI generatif
Asisten bertenaga AI generatif menawarkan dukungan yang dipersonalisasi dan sadar konteks di berbagai fungsi bisnis. Ini adalah alat yang ideal untuk pengguna listrik. Mereka meningkatkan output dari karyawan yang belajar mengintegrasikan mereka ke dalam alur kerja mereka. Dengan menggunakan model bahasa, asisten ini meningkatkan efisiensi, produktivitas, dan kepuasan pengguna di seluruh organisasi.
AWS menawarkan [Amazon Q Business](https://docs.aws.amazon.com/amazonq/latest/qbusiness-ug/what-is.html), asisten AI tingkat perusahaan yang siap digunakan dan sangat dapat disesuaikan. Implementasi melibatkan menyesuaikan basis pengetahuannya dengan data spesifik organisasi untuk mendorong respons yang akurat dan relevan. Integrasi dengan manajemen hubungan pelanggan (CRM) dan sistem perencanaan sumber daya perusahaan (ERP) meningkatkan utilitas dan mempromosikan aliran data yang lancar dan fungsionalitas penuh di seluruh perusahaan.
Untuk tim pengembangan perangkat lunak, AWS menyediakan [Amazon Q Developer](https://docs.aws.amazon.com/amazonq/latest/qdeveloper-ug/what-is.html). Asisten pengkodean ini dirancang untuk meningkatkan produktivitas dengan membantu pembuatan kode, deteksi bug, saran refactoring, dan pembuatan dokumentasi. Ketika terintegrasi dengan mulus ke dalam lingkungan pengembangan terintegrasi (IDEs), pengembang dapat mengakses fitur-fiturnya secara langsung dalam lingkungan pengkodean mereka yang biasa, yang merampingkan alur kerja dan mengurangi peralihan konteks. Untuk informasi lebih lanjut, lihat [Pembuatan dan analisis kode](#patterns-code) di dokumen strategi ini.
Kasus penggunaan umum untuk asisten bertenaga AI generatif meliputi yang berikut:
+ Asisten eksekutif yang mendukung manajemen jadwal, ringkasan laporan, dan persiapan singkat.
+ Asisten SDM yang mendukung orientasi karyawan, menjawab pertanyaan terkait kebijakan, dan membantu manajemen kinerja.
+ Alat pemberdayaan penjualan yang memberikan informasi produk real-time dan wawasan kompetitif.
Untuk memaksimalkan efektivitas asisten generatif yang didukung AI, pertimbangkan untuk memulai dengan penyebaran yang ditargetkan, seperti di dalam departemen tertentu. Ini membantu tim pengembangan untuk mengevaluasi dampak dan mengumpulkan umpan balik pengguna sebelum meluncurkannya secara lebih luas di seluruh organisasi. Pendekatan bertahap ini memperlancar proses adopsi dan mengoptimalkan keselarasan asisten dengan kebutuhan perusahaan.
Untuk informasi selengkapnya tentang membangun asisten bertenaga AI generatif perusahaan, lihat [Mengembangkan asisten berbasis obrolan otomatis sepenuhnya menggunakan agen dan basis pengetahuan Amazon Bedrock](https://docs.aws.amazon.com/prescriptive-guidance/latest/patterns/develop-a-fully-automated-chat-based-assistant-by-using-amazon-bedrock-agents-and-knowledge-bases.html).
## Asisten berbasis obrolan RAG
Out-of-the-box model pondasi, meskipun kuat, dibatasi oleh data pra-pelatihan mereka. Mereka tidak memiliki pengetahuan tentang peristiwa baru-baru ini di luar batas waktu pelatihan mereka dan tidak memiliki pemahaman tentang proses khusus perusahaan atau data khusus. Keterbatasan ini membuat mereka tidak cocok untuk banyak kasus penggunaan bisnis yang membutuhkan pengetahuan tentang organisasi.
Menyesuaikan model melalui fine-tuning adalah proses yang kompleks dan mahal, dan mengumpulkan data pelatihan berkualitas tinggi untuk itu bisa menjadi tantangan. Retrieval Augmented Generation (RAG) mengatasi keterbatasan ini dengan menggabungkan model bahasa besar (LLMs) dengan data milik organisasi. Pendekatan RAG menciptakan interaksi bertenaga AI yang diinformasikan oleh pengetahuan domain tertentu. Untuk informasi selengkapnya tentang RAG dan fine-tuning, lihat [Opsi AI generatif](https://docs.aws.amazon.com/en_us/prescriptive-guidance/latest/retrieval-augmented-generation-options/options.html) untuk menanyakan dokumen khusus.
Kasus penggunaan umum untuk asisten berbasis obrolan RAG meliputi:
+ Sistem dukungan pelanggan yang memiliki akses ke dokumentasi produk dan FAQs
+ Alat manajemen pengetahuan internal yang dengan cepat mengambil informasi spesifik perusahaan
+ Asisten berbasis obrolan hukum atau kepatuhan yang mengacu pada kebijakan dan peraturan organisasi
AWS [menyederhanakan implementasi asisten berbasis obrolan RAG melalui Pangkalan Pengetahuan Amazon Bedrock.](https://docs.aws.amazon.com/bedrock/latest/userguide/knowledge-base.html) Layanan ini membantu Anda mengatur database vektor untuk kueri dan mengambil data dari dokumen kustom. Fitur utama termasuk integrasi dengan Amazon Simple Storage Service (Amazon S3) untuk penyimpanan data, kompatibilitas dengan layanan pihak ketiga (seperti SharePoint Microsoft dan Atlassian Confluence), kemampuan pencarian vektor yang efisien untuk pengambilan dokumen yang relevan, dan integrasi dengan model dasar (seperti Anthropic Claude) untuk membangun asisten berbasis obrolan percakapan. Untuk memulai, identifikasi basis pengetahuan dengan cakupan terbatas yang terdefinisi dengan baik dan gunakan untuk membuat asisten berbasis obrolan proof-of-concept RAG. Sebagai skala implementasi, perhatikan kesegaran data dan biaya komputasi operasi pengambilan skala besar.
Untuk informasi lebih lanjut tentang membangun asisten berbasis obrolan RAG, lihat berikut ini:
+ [Pengambilan opsi dan arsitektur Augmented Generation di AWS](https://docs.aws.amazon.com/prescriptive-guidance/latest/retrieval-augmented-generation-options/introduction.html)
+ [Terapkan kasus penggunaan RAG AWS dengan menggunakan Terraform dan Amazon Bedrock](https://docs.aws.amazon.com/prescriptive-guidance/latest/patterns/deploy-rag-use-case-on-aws.html)
+ [Kembangkan asisten berbasis obrolan AI generatif tingkat lanjut dengan menggunakan RAG dan prompt ReAct](https://docs.aws.amazon.com/prescriptive-guidance/latest/patterns/develop-advanced-generative-ai-chat-based-assistants-by-using-rag-and-react-prompting.html)
## Agen AI generatif
Agen AI generatif mewakili kemajuan signifikan dalam mengotomatiskan proses bisnis yang kompleks. Agen ini dapat menangani alur kerja canggih yang secara tradisional membutuhkan intervensi manusia dengan memecah tugas dan berinteraksi dengan berbagai sistem.
Aplikasi umum agen AI generatif termasuk orkestrasi alur kerja otomatis untuk proses bisnis multi-langkah, asisten virtual cerdas untuk penyelesaian tugas lintas departemen, dan analisis data dan agen pembuatan laporan yang dapat menanyakan beberapa database.
AWS menyediakan alat, seperti [Amazon Bedrock Agents](https://docs.aws.amazon.com/bedrock/latest/userguide/agents.html), untuk membantu Anda membuat dan menerapkan agen AI. Implementasi melibatkan mendefinisikan tindakan kustom dan integrasi API yang spesifik untuk kebutuhan bisnis Anda. Anda juga perlu menyiapkan mekanisme penanganan kesalahan dan pencatatan yang kuat. Anda dapat menggunakan [AWS Lambda](https://docs.aws.amazon.com/lambda/latest/dg/welcome.html)untuk eksekusi fungsi tanpa server, [Amazon API Gateway](https://docs.aws.amazon.com/apigateway/latest/developerguide/welcome.html) untuk mengelola APIs, dan [AWS Step Functions](https://docs.aws.amazon.com/step-functions/latest/dg/welcome.html)untuk orkestrasi alur kerja.
Organizations dapat memulai dengan mengidentifikasi proses multi-langkah yang berulang dan memetakan poin keputusan dan interaksi sistemnya. Ini berfungsi sebagai cetak biru untuk agen AI generatif awal. Pertimbangan utama termasuk memvalidasi penanganan kesalahan yang tepat dan menjaga transparansi dalam proses pengambilan keputusan.
## Pemrosesan dokumen cerdas
*Intelligent Document Processing (IDP)* menggunakan AI generatif dan natural language processing (NLP) untuk secara otomatis mengekstrak, mengklasifikasikan, dan memproses informasi dari berbagai jenis dokumen. IDP dapat mengubah pemrosesan dokumen yang tidak terstruktur menjadi alur kerja yang otomatis dan dapat diskalakan.
Solusi IDP modern dapat mengambil dua pendekatan: tradisional, pemrosesan berbasis pipa atau pemrosesan multimodal langsung melalui model pondasi. Untuk membangun pipeline tradisional AWS, Anda dapat menggabungkan [Amazon Textract](https://docs.aws.amazon.com/textract/latest/dg/what-is.html) untuk pengenalan karakter optik (OCR) dan pemahaman dokumen dengan [model fondasi Amazon Bedrock](https://docs.aws.amazon.com/bedrock/latest/userguide/foundation-models-reference.html) untuk analisis lanjutan. Atau, untuk pemrosesan multimodal langsung melalui model pondasi, Anda dapat menggunakan model state-of-the-art fondasi (seperti Anthropic Claude di Amazon Bedrock) untuk memproses gambar secara langsung PDFs,, dan memindai dokumen dalam satu langkah.
Organizations dapat memilih pendekatan mereka berdasarkan kebutuhan spesifik mereka. Pipa tradisional unggul dalam pemrosesan volume tinggi dan skenario yang memerlukan kontrol berbutir halus. Pemrosesan multimodal langsung melalui model pondasi sangat ideal untuk dokumen kompleks yang membutuhkan akurasi yang lebih baik melalui pemahaman kontekstual yang canggih.
Kasus penggunaan umum untuk IDP meliputi:
+ Pemrosesan klaim yang mengotomatiskan peninjauan dokumen klaim asuransi, validasi, dan ekstraksi data.
+ Pemrosesan faktur yang mengekstrak item baris, total, dan informasi vendor untuk otomatisasi hutang.
+ Analisis kontrak yang meninjau dokumen hukum untuk mengekstrak persyaratan utama, kewajiban, dan tanggal kedaluwarsa.
+ Pemrosesan rekam medis yang menganalisis catatan pasien untuk mengekstrak informasi medis dan pengkodean yang relevan.
Implementasi biasanya menggunakan arsitektur berbasis peristiwa yang menggunakan Amazon S3, AWS Lambda, dan Amazon Simple Queue Service (Amazon SQS). Saat Anda mengunggah dokumen ke bucket Amazon S3, dokumen tersebut memulai alur kerja pemrosesan. Hasil disimpan dalam database, seperti Amazon DynamoDB, atau dicerna ke dalam sistem bisnis melalui. APIs Untuk hasil yang optimal, organisasi harus menerapkan strategi batching, penanganan kesalahan yang kuat, dan jejak audit. Mulailah dengan jenis dokumen tertentu sebelum memperluas cakupan.
Otomatisasi ini secara signifikan mengurangi intervensi manual, waktu pemrosesan, dan kesalahan manusia. Ini juga membantu staf untuk fokus pada kegiatan yang membutuhkan penilaian dan keahlian.
Untuk informasi selengkapnya tentang alur kerja pemrosesan dokumen, lihat [Secara otomatis mengekstrak konten dari file PDF menggunakan Amazon](https://docs.aws.amazon.com/prescriptive-guidance/latest/patterns/automatically-extract-content-from-pdf-files-using-amazon-textract.html) Ttract.
## Pembuatan dan ringkasan konten
Model AI generatif unggul dalam menghasilkan dan meringkas konten. Ini menjadikannya alat yang berharga untuk berbagai aplikasi bisnis. Anda dapat menggunakan kemampuan pemrosesan bahasa alami dari model bahasa besar untuk membuat atau memadatkan informasi berbasis teks.
Kasus penggunaan umum untuk pembuatan dan ringkasan konten meliputi yang berikut:
+ Pembuatan laporan otomatis dari data terstruktur
+ Pembuatan konten untuk materi pemasaran, deskripsi produk, dan posting media sosial
+ Ringkasan dokumen untuk makalah penelitian, dokumen hukum, atau laporan panjang
Implementasi pada AWS biasanya melibatkan penggunaan Amazon Bedrock untuk pembuatan teks dan tugas ringkasan. Amazon Comprehend dapat digunakan untuk pengakuan entitas dan analisis sentimen, meningkatkan konteks dan kualitas konten yang dihasilkan.
Praktik terbaik untuk pembuatan konten dan aplikasi ringkasan mencakup penerapan human-in-the-loop proses untuk tinjauan konten dan kontrol kualitas, menggunakan model yang disetel dengan baik untuk pembuatan konten khusus domain, dan menerapkan filter konten untuk memastikan konsistensi merek dan kepatuhan terhadap pedoman.
Misalnya, Anda dapat menggunakan AI generatif untuk menganalisis data klinis pasien dan menghasilkan ringkasan dan catatan klinis. Untuk informasi lebih lanjut, lihat [Membangun aplikasi intelijen medis dengan data pasien yang diperbesar](https://docs.aws.amazon.com/prescriptive-guidance/latest/rag-healthcare-use-cases/case-1.html).
## Pembuatan dan analisis kode
Model AI generatif memiliki kemampuan luar biasa untuk memahami dan menghasilkan kode di berbagai bahasa pemrograman. Pengembang Anda dapat menggunakan kemampuan ini untuk membantu menulis, memfaktorkan ulang, dan menganalisis kode.
Kasus penggunaan umum meliputi yang berikut:
+ Pembuatan kode otomatis untuk tugas boilerplate
+ Saran refactoring dan pengoptimalan kode
+ Deteksi bug dan analisis kerentanan keamanan
AWS menawarkan beberapa layanan untuk membantu mendukung pola ini. [Amazon Q Developer](https://docs.aws.amazon.com/amazonq/latest/qdeveloper-ug/what-is.html) menyediakan pembuatan kode yang dibantu AI, membantu pengembang menulis kode lebih cepat dan dengan lebih sedikit kesalahan. [Amazon CodeGuru](https://docs.aws.amazon.com/codeguru/) menawarkan ulasan kode cerdas dan rekomendasi kinerja. Anda dapat mengintegrasikan layanan ini dengan AWS Lambda eksekusi dan pengujian kode tanpa server.
Praktik terbaik untuk pembuatan kode dan aplikasi analisis termasuk mengintegrasikan alat pengkodean berbantuan AI ke dalam lingkungan pengembangan yang ada. Pertimbangkan untuk menerapkan proses peninjauan kode yang ketat untuk memastikan bahwa kode yang dihasilkan memenuhi standar kualitas. Gunakan AI untuk konsep kode awal tetapi mengandalkan keahlian manusia untuk keputusan implementasi akhir.
Untuk informasi selengkapnya tentang membangun asisten pengkodean, lihat Menggunakan [Amazon Q Developer sebagai asisten pengkodean untuk meningkatkan produktivitas Anda](https://docs.aws.amazon.com/prescriptive-guidance/latest/patterns/use-q-developer-as-coding-assistant-to-increase-productivity.html).
## Aplikasi AI multimodal
Aplikasi AI multimodal menggabungkan berbagai jenis input dan output data, seperti teks, gambar, audio, dan video. Pola ini menggunakan kemampuan model AI generatif canggih untuk memahami dan menghasilkan konten di berbagai modalitas.
Kasus penggunaan umum untuk aplikasi AI multimodal meliputi yang berikut:
+ Sistem penjawab pertanyaan visual untuk dukungan pelanggan atau dokumentasi internal
+ Moderasi konten gambar dan video yang cerdas
+ Analisis data multimodal untuk intelijen bisnis
Pada AWS, Anda dapat menggunakan Amazon Bedrock untuk model pondasi multimodal. [Layanan tambahan termasuk [Amazon Rekognition](https://docs.aws.amazon.com/rekognition/latest/dg/what-is.html) untuk analisis gambar dan video, Amazon [Transcribe untuk konversi speech-to-text, dan Amazon](https://docs.aws.amazon.com/transcribe/latest/dg/what-is.html) Polly untuk konversi.](https://docs.aws.amazon.com/polly/latest/dg/what-is.html) text-to-speech Layanan ini dapat meningkatkan kemampuan multimodal aplikasi.
Praktik terbaik untuk aplikasi AI multimodal termasuk memastikan kumpulan data berkualitas tinggi dan beragam untuk pelatihan dan penyempurnaan model multimodal. Juga, terapkan penanganan kesalahan yang kuat untuk modalitas input yang berbeda, dan pertimbangkan dengan cermat implikasi etis dan potensi bias dalam sistem AI multimodal.
Untuk informasi selengkapnya tentang membangun aplikasi multimodal, lihat [Mendokumentasikan pengetahuan kelembagaan dari input suara menggunakan Amazon Bedrock dan Amazon Transcribe](https://docs.aws.amazon.com/prescriptive-guidance/latest/patterns/document-institutional-knowledge-from-voice-inputs-by-using-amazon-bedrock-and-amazon-transcribe.html).
## Rekomendasi implementasi
Untuk menerapkan pola aplikasi berulang secara efektif untuk AI generatif di seluruh organisasi Anda, pertimbangkan rekomendasi berikut:
+ Mulailah dengan katalog pola yang mendokumentasikan implementasi yang berhasil dan menyediakan templat, arsitektur referensi, dan contoh kode yang mempercepat pengembangan.
+ Menetapkan proses tata kelola pola terpusat untuk mengevaluasi, menyetujui, dan mempertahankan pola standar untuk mempromosikan konsistensi dan kualitas di seluruh perusahaan.
+ Memprioritaskan kasus penggunaan berdasarkan dampak bisnis, kelayakan teknis, dan keselarasan dengan tujuan strategis.
+ Buat tim pengembangan pola lintas fungsi yang mencakup spesialis AI, pakar domain, dan pengguna akhir yang dapat memastikan bahwa pola memenuhi kebutuhan bisnis nyata.
+ Terapkan pendekatan “build once, reuse many times” dengan membuat komponen modular yang dapat dikomposisi yang dapat dirakit menjadi pola aplikasi yang berbeda.
+ Mengembangkan kriteria evaluasi yang jelas untuk setiap jenis pola untuk mengukur efektivitas. Sertakan metrik untuk nilai bisnis, kepuasan pengguna, dan kinerja teknis.
+ Menetapkan model kematangan pola yang mengklasifikasikan pola sebagai eksperimental, terbukti, atau standar perusahaan untuk memandu tim dalam proses seleksi mereka.
+ Buat dokumentasi komprehensif yang mempromosikan keberhasilan adopsi untuk setiap pola, termasuk panduan implementasi, batasan, dan praktik terbaik.
+ Melakukan tinjauan pola reguler untuk mengidentifikasi peluang untuk perbaikan, konsolidasi, atau pensiun sebagai teknologi dan kebutuhan bisnis berkembang.