Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.

Livello 4: modelli di applicazione ripetibili per casi d'uso comuni di intelligenza artificiale generativa

Con l'adozione dell'IA generativa da parte delle aziende, sono emersi modelli chiari sul modo in cui le organizzazioni utilizzano questa tecnologia per generare valore aziendale. Questi casi d'uso comuni dimostrano approcci collaudati all'applicazione dell'IA generativa in diverse funzioni aziendali. Questi casi d'uso possono aiutare le organizzazioni a identificare e dare priorità alle proprie opportunità di implementazione.

Comprendendo questi casi d'uso consolidati, le organizzazioni possono valutare meglio dove l'intelligenza artificiale generativa può offrire l'impatto più immediato, gettando al contempo le basi per un'adozione più ampia. Questa sezione descrive le aree chiave in cui le aziende stanno implementando con successo soluzioni di intelligenza artificiale generativa.

Assistenti generativi basati sull'intelligenza artificiale

Gli assistenti generativi basati sull'intelligenza artificiale offrono un supporto personalizzato e sensibile al contesto in varie funzioni aziendali. Si tratta di strumenti ideali per utenti esperti. Potenziano la produttività di quei dipendenti che imparano a integrarli nel loro flusso di lavoro. Utilizzando modelli linguistici, questi assistenti migliorano l'efficienza, la produttività e la soddisfazione degli utenti in tutte le organizzazioni.

AWS offre Amazon Q Business, un assistente AI di livello aziendale pronto all'uso e altamente personalizzabile. L'implementazione implica la personalizzazione della base di conoscenze con dati specifici dell'organizzazione per ottenere risposte accurate e pertinenti. L'integrazione con i sistemi di gestione delle relazioni con i clienti (CRM) e di pianificazione delle risorse aziendali (ERP) ne migliora l'utilità e promuove un flusso di dati regolare e la piena funzionalità in tutta l'azienda.

Per i team di sviluppo software, AWS fornisce Amazon Q Developer. Questo assistente di codifica è progettato per aumentare la produttività assistendo nella generazione di codice, nel rilevamento di bug, nei suggerimenti di refactoring e nella creazione di documentazione. Se integrato senza problemi in ambienti di sviluppo integrati (IDEs), gli sviluppatori possono accedere alle sue funzionalità direttamente all'interno del loro ambiente di codifica abituale, il che semplifica i flussi di lavoro e riduce il cambio di contesto. Per ulteriori informazioni, Generazione e analisi del codice consultate questo documento strategico.

I casi d'uso più comuni per gli assistenti generativi basati sull'intelligenza artificiale includono quanto segue:

Per massimizzare l'efficacia degli assistenti generativi basati sull'intelligenza artificiale, prendi in considerazione la possibilità di iniziare con un'implementazione mirata, ad esempio all'interno di un reparto specifico. Questo aiuta i team di sviluppo a valutare l'impatto e raccogliere il feedback degli utenti prima di distribuirlo su scala più ampia all'interno dell'organizzazione. Questo approccio graduale semplifica il processo di adozione e ottimizza l'allineamento dell'assistente alle esigenze aziendali.

Per ulteriori informazioni sulla creazione di assistenti generativi aziendali basati sull'intelligenza artificiale, consulta Sviluppare un assistente basato su chat completamente automatizzato utilizzando agenti e knowledge base di Amazon Bedrock.

Assistenti basati su chat RAG

Out-of-the-box i modelli di base, sebbene potenti, sono vincolati dai dati di preaddestramento. Non sono a conoscenza degli eventi recenti dopo la data limite della formazione e non comprendono i processi specifici dell'azienda o i dati personalizzati. Questa limitazione li rende inadatti a molti casi d'uso aziendali che richiedono la conoscenza dell'organizzazione.

La personalizzazione dei modelli mediante la messa a punto è un processo complesso e costoso e la raccolta di dati di formazione di alta qualità può essere una sfida. Retrieval Augmented Generation (RAG) affronta queste limitazioni combinando modelli linguistici di grandi dimensioni (LLMs) con dati proprietari di un'organizzazione. Gli approcci RAG creano interazioni basate sull'intelligenza artificiale basate su conoscenze di dominio specifiche. Per ulteriori informazioni su RAG e sulla messa a punto, consulta Opzioni di intelligenza artificiale generativa per l'interrogazione di documenti personalizzati.

I casi d'uso più comuni per gli assistenti basati su chat RAG includono quanto segue:

AWS semplifica l'implementazione di assistenti RAG basati su chat tramite Amazon Bedrock Knowledge Bases. Questo servizio ti aiuta a configurare un database vettoriale per interrogare e recuperare dati da documenti personalizzati. Le caratteristiche principali includono l'integrazione con Amazon Simple Storage Service (Amazon S3) per l'archiviazione dei dati, la compatibilità con servizi di terze parti (come SharePoint Microsoft e Atlassian Confluence), efficienti funzionalità di ricerca vettoriale per il recupero dei documenti pertinenti e l'integrazione con modelli di base (come Anthropic Claude) per la creazione di assistenti conversazionali basati su chat. Per iniziare, identifica una knowledge base ben definita e di portata limitata e usala per creare un assistente proof-of-concept RAG basato su chat. Man mano che le implementazioni sono scalabili, presta attenzione alla freschezza dei dati e ai costi computazionali delle operazioni di recupero su larga scala.

Per ulteriori informazioni sulla creazione di assistenti RAG basati su chat, consulta quanto segue:

Agenti di intelligenza artificiale generativa

Gli agenti di intelligenza artificiale generativa rappresentano un progresso significativo nell'automazione di processi aziendali complessi. Questi agenti sono in grado di gestire flussi di lavoro sofisticati che tradizionalmente richiedevano l'intervento umano suddividendo le attività e interagendo con vari sistemi.

Le applicazioni tipiche degli agenti di intelligenza artificiale generativa includono l'orchestrazione automatizzata del flusso di lavoro per processi aziendali in più fasi, assistenti virtuali intelligenti per il completamento delle attività interdipartimentali e agenti di analisi dei dati e generazione di report in grado di interrogare più database.

AWS fornisce strumenti, come Amazon Bedrock Agents, per aiutarti a creare e distribuire agenti AI. L'implementazione prevede la definizione di azioni personalizzate e integrazioni di API specifiche per le esigenze aziendali. È inoltre necessario impostare solidi meccanismi di gestione e registrazione degli errori. Puoi utilizzare AWS Lambdaper l'esecuzione di funzioni senza server, Amazon API Gateway per la gestione APIs e AWS Step Functionsper l'orchestrazione del flusso di lavoro.

Le organizzazioni possono iniziare identificando un processo ripetitivo in più fasi e mappandone i punti decisionali e le interazioni con il sistema. Questo funge da modello per l'agente AI generativo iniziale. Le considerazioni chiave includono la convalida della corretta gestione degli errori e il mantenimento della trasparenza nei processi decisionali.

Elaborazione intelligente dei documenti

L'elaborazione intelligente dei documenti (IDP) utilizza l'intelligenza artificiale generativa e l'elaborazione del linguaggio naturale (NLP) per estrarre, classificare ed elaborare automaticamente le informazioni da vari tipi di documenti. IDP può trasformare l'elaborazione di documenti non strutturati in flussi di lavoro automatizzati e scalabili.

Le moderne soluzioni IDP possono adottare due approcci: elaborazione tradizionale basata su pipeline o elaborazione diretta e multimodale tramite modelli di base. Su cui costruire una pipeline tradizionale AWS, puoi combinare Amazon Textract per il riconoscimento ottico dei caratteri (OCR) e la comprensione dei documenti con i modelli base di Amazon Bedrock per analisi avanzate. In alternativa, per l'elaborazione diretta e multimodale tramite modelli di base, puoi utilizzare modelli di state-of-the-art base (come Anthropic Claude in Amazon Bedrock) per elaborare direttamente immagini PDFs e documenti scansionati in un unico passaggio.

Organizations può scegliere il proprio approccio in base alle proprie esigenze specifiche. Le pipeline tradizionali eccellono nell'elaborazione di grandi volumi e negli scenari che richiedono un controllo preciso. L'elaborazione diretta e multimodale tramite modelli di base è ideale per documenti complessi che richiedono una maggiore precisione attraverso una comprensione contestuale sofisticata.

I casi d'uso più comuni per IDP includono quanto segue:

L'implementazione utilizza in genere architetture basate sugli eventi che utilizzano Amazon S3 e Amazon Simple Queue AWS Lambda Service (Amazon SQS). Quando carichi un documento in un bucket Amazon S3, avvia i flussi di lavoro di elaborazione. I risultati vengono archiviati in database, come Amazon DynamoDB, o inseriti nei sistemi aziendali tramite. APIs Per ottenere risultati ottimali, le organizzazioni devono implementare strategie di batch, una solida gestione degli errori e audit trail. Inizia con un tipo di documento specifico prima di ampliarne l'ambito.

Questa automazione riduce in modo significativo l'intervento manuale, i tempi di elaborazione e l'errore umano. Inoltre, aiuta il personale a concentrarsi su attività che richiedono giudizio e competenza.

Per ulteriori informazioni sui flussi di lavoro di elaborazione dei documenti, consulta Estrazione automatica di contenuti da file PDF con Amazon Textract.

Generazione e riepilogo dei contenuti

I modelli di intelligenza artificiale generativa eccellono nella generazione e nel riepilogo dei contenuti. Questo li rende strumenti preziosi per varie applicazioni aziendali. È possibile utilizzare le funzionalità di elaborazione del linguaggio naturale di modelli linguistici di grandi dimensioni per creare o condensare informazioni basate su testo.

I casi d'uso più comuni per la generazione e il riepilogo dei contenuti includono:

L'implementazione su AWS in genere prevede l'utilizzo di Amazon Bedrock per attività di generazione e riepilogo di testo. Amazon Comprehend può essere utilizzato per il riconoscimento delle entità e l'analisi del sentiment, migliorando il contesto e la qualità dei contenuti generati.

Le migliori pratiche per le applicazioni di generazione e riepilogo dei contenuti includono l'implementazione di human-in-the-loop processi per la revisione e il controllo della qualità dei contenuti, l'uso di modelli ottimizzati per la generazione di contenuti specifici del dominio e l'implementazione di filtri di contenuto per garantire la coerenza del marchio e il rispetto delle linee guida.

Ad esempio, è possibile utilizzare l'intelligenza artificiale generativa per analizzare i dati clinici dei pazienti e generare riepiloghi e note cliniche. Per ulteriori informazioni, vedere Creazione di un'applicazione di intelligenza medica con dati aumentati sui pazienti.

Generazione e analisi del codice

I modelli di intelligenza artificiale generativa hanno notevoli capacità di comprendere e generare codice in vari linguaggi di programmazione. I tuoi sviluppatori possono utilizzare queste funzionalità per facilitare la scrittura, il refactoring e l'analisi del codice.

I casi d'uso più comuni includono:

AWS offre diversi servizi per aiutare a supportare questo modello. Amazon Q Developer fornisce la generazione di codice assistita dall'intelligenza artificiale, aiutando gli sviluppatori a scrivere codice più velocemente e con meno errori. Amazon CodeGuru offre revisioni intelligenti del codice e consigli sulle prestazioni. Puoi integrare questi servizi AWS Lambda per l'esecuzione e il test del codice senza server.

Le migliori pratiche per le applicazioni di generazione e analisi del codice includono l'integrazione di strumenti di codifica assistiti dall'intelligenza artificiale negli ambienti di sviluppo esistenti. Prendi in considerazione l'implementazione di rigorosi processi di revisione del codice per assicurarti che il codice generato soddisfi gli standard di qualità. Usa l'intelligenza artificiale per le bozze iniziali del codice, ma affidati all'esperienza umana per le decisioni finali di implementazione.

Per ulteriori informazioni sulla creazione di assistenti di programmazione, consulta Usa Amazon Q Developer come assistente di codifica per aumentare la tua produttività.

Applicazioni AI multimodali

Le applicazioni AI multimodali combinano diversi tipi di input e output di dati, come testo, immagini, audio e video. Questo modello utilizza la capacità dei modelli di intelligenza artificiale generativa avanzati di comprendere e generare contenuti in più modalità.

I casi d'uso più comuni per le applicazioni di intelligenza artificiale multimodali includono quanto segue:

Sì AWS, puoi usare Amazon Bedrock per modelli di base multimodali. I servizi aggiuntivi includono Amazon Rekognition per l'analisi di immagini e video, Amazon Transcribe per la conversione e Amazon Polly speech-to-text per la conversione. text-to-speech Questi servizi possono migliorare le funzionalità multimodali dell'applicazione.

Le migliori pratiche per le applicazioni di intelligenza artificiale multimodali includono la garanzia di set di dati diversificati e di alta qualità per la formazione e la messa a punto dei modelli multimodali. Inoltre, implementa una solida gestione degli errori per diverse modalità di input e valuta attentamente le implicazioni etiche e i potenziali pregiudizi nei sistemi di intelligenza artificiale multimodali.

Per ulteriori informazioni sulla creazione di applicazioni multimodali, consulta Documentare le conoscenze istituzionali dagli input vocali utilizzando Amazon Bedrock e Amazon Transcribe.

Consigli per l'implementazione

Per implementare in modo efficace modelli applicativi ripetibili per l'IA generativa in tutta l'organizzazione, prendi in considerazione i seguenti consigli: