As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

Camada 4: padrões de aplicação repetíveis para casos de uso comuns de IA generativa

À medida que as empresas adotam a IA generativa, surgiram padrões claros de como as organizações estão usando essa tecnologia para gerar valor comercial. Esses casos de uso comuns demonstram abordagens comprovadas para aplicar a IA generativa em diferentes funções de negócios. Esses casos de uso podem ajudar as organizações a identificar e priorizar suas próprias oportunidades de implementação.

Ao entender esses casos de uso estabelecidos, as organizações podem avaliar melhor onde a IA generativa pode causar o impacto mais imediato e, ao mesmo tempo, criar uma base para uma adoção mais ampla. Esta seção descreve as principais áreas em que as empresas estão implantando com sucesso soluções generativas de IA.

Assistentes generativos baseados em IA

Assistentes generativos baseados em IA oferecem suporte personalizado e sensível ao contexto em várias funções de negócios. Essas ferramentas são ideais para usuários avançados. Eles potencializam a produção dos funcionários que aprendem a integrá-los ao fluxo de trabalho. Ao usar modelos de linguagem, esses assistentes aumentam a eficiência, a produtividade e a satisfação do usuário em todas as organizações.

AWS oferece o Amazon Q Business, um assistente de IA de nível empresarial pronto para uso e altamente personalizável. A implementação envolve a adaptação de sua base de conhecimento com dados específicos da organização para gerar respostas precisas e relevantes. A integração com os sistemas de gerenciamento de relacionamento com o cliente (CRM) e planejamento de recursos corporativos (ERP) aprimora sua utilidade e promove um fluxo de dados suave e funcionalidade completa em toda a empresa.

Para equipes de desenvolvimento de software, AWS fornece Amazon Q Developer. Esse assistente de codificação foi projetado para aumentar a produtividade, auxiliando na geração de código, detecção de bugs, sugestões de refatoração e criação de documentação. Quando integrados perfeitamente aos ambientes de desenvolvimento integrados (IDEs), os desenvolvedores podem acessar seus recursos diretamente em seu ambiente de codificação normal, o que simplifica os fluxos de trabalho e reduz a troca de contexto. Para obter mais informações, consulte Geração e análise de código este documento de estratégia.

Os casos de uso comuns para assistentes generativos baseados em IA incluem o seguinte:

Para maximizar a eficácia dos assistentes generativos baseados em IA, considere começar com uma implantação direcionada, como em um departamento específico. Isso ajuda as equipes de desenvolvimento a avaliar o impacto e coletar feedback dos usuários antes de implementá-lo de forma mais ampla em toda a organização. Essa abordagem em fases facilita o processo de adoção e otimiza o alinhamento do assistente com as necessidades da empresa.

Para obter mais informações sobre como criar assistentes corporativos generativos baseados em IA, consulte Desenvolver um assistente baseado em bate-papo totalmente automatizado usando agentes e bases de conhecimento do Amazon Bedrock.

Assistentes baseados em bate-papo do RAG

Out-of-the-box os modelos básicos, embora poderosos, são limitados por seus dados de pré-treinamento. Eles não têm conhecimento de eventos recentes além da data limite de treinamento e não entendem os processos específicos da empresa ou os dados personalizados. Essa limitação os torna inadequados para muitos casos de uso comercial que exigem conhecimento da organização.

Personalizar modelos por meio de ajustes finos é um processo complexo e caro, e coletar dados de treinamento de alta qualidade para isso pode ser um desafio. O Retrieval Augmented Generation (RAG) aborda essas limitações combinando grandes modelos de linguagem (LLMs) com dados proprietários de uma organização. As abordagens do RAG criam interações baseadas em IA que são informadas pelo conhecimento específico do domínio. Para obter mais informações sobre RAG e ajuste fino, consulte Opções generativas de IA para consultar documentos personalizados.

Os casos de uso comuns para assistentes baseados em bate-papo do RAG incluem o seguinte:

AWS simplifica a implementação de assistentes baseados em bate-papo do RAG por meio das bases de conhecimento Amazon Bedrock. Esse serviço ajuda você a configurar um banco de dados vetoriais para consultar e recuperar dados de documentos personalizados. Os principais recursos incluem integração com o Amazon Simple Storage Service (Amazon S3) para armazenamento de dados, compatibilidade com serviços de terceiros (como SharePoint Microsoft e Atlassian Confluence), recursos eficientes de pesquisa vetorial para recuperação de documentos relevantes e integração com modelos básicos (como Anthropic Claude) para criar assistentes conversacionais baseados em bate-papo. Para começar, identifique uma base de conhecimento bem definida e de escopo limitado e use-a para criar um assistente baseado em bate-papo do proof-of-concept RAG. À medida que as implementações aumentam, preste atenção à atualização dos dados e aos custos computacionais das operações de recuperação em grande escala.

Para obter mais informações sobre como criar assistentes baseados em bate-papo do RAG, consulte o seguinte:

Agentes generativos de IA

Os agentes generativos de IA representam um avanço significativo na automação de processos comerciais complexos. Esses agentes podem lidar com fluxos de trabalho sofisticados que tradicionalmente exigiam intervenção humana, dividindo tarefas e interagindo com vários sistemas.

As aplicações típicas de agentes generativos de IA incluem orquestração automatizada de fluxo de trabalho para processos de negócios em várias etapas, assistentes virtuais inteligentes para conclusão de tarefas entre departamentos e agentes de análise de dados e geração de relatórios que podem consultar vários bancos de dados.

AWS fornece ferramentas, como o Amazon Bedrock Agents, para ajudar você a criar e implantar agentes de IA. A implementação envolve a definição de ações personalizadas e integrações de API específicas às necessidades de sua empresa. Você também precisa configurar mecanismos robustos de tratamento e registro de erros. Você pode usar AWS Lambdapara execução de funções sem servidor, gerenciar APIs o Amazon API Gateway e orquestrar fluxos AWS Step Functionsde trabalho.

As organizações podem começar identificando um processo repetitivo de várias etapas e mapeando seus pontos de decisão e interações do sistema. Isso serve como um modelo para o agente inicial de IA generativo. As principais considerações incluem a validação do tratamento adequado de erros e a manutenção da transparência nos processos de tomada de decisão.

Processamento inteligente de documentos

O processamento inteligente de documentos (IDP) usa IA generativa e processamento de linguagem natural (NLP) para extrair, classificar e processar automaticamente informações de vários tipos de documentos. O IDP pode transformar o processamento não estruturado de documentos em fluxos de trabalho automatizados e escaláveis.

As soluções IDP modernas podem adotar duas abordagens: processamento tradicional baseado em dutos ou processamento direto e multimodal por meio de modelos básicos. Para criar um pipeline tradicional AWS, você pode combinar o Amazon Textract para reconhecimento óptico de caracteres (OCR) e compreensão de documentos com os modelos básicos do Amazon Bedrock para análise avançada. Como alternativa, para processamento direto e multimodal por meio de modelos de base, você pode usar modelos de state-of-the-art base (como Anthropic Claude no Amazon Bedrock) para processar diretamente imagens PDFs e documentos digitalizados em uma única etapa.

As organizações podem escolher sua abordagem com base em suas necessidades específicas. Os dutos tradicionais se destacam no processamento de alto volume e em cenários que exigem controle refinado. O processamento direto e multimodal por meio de modelos básicos é ideal para documentos complexos que exigem maior precisão por meio de uma compreensão contextual sofisticada.

Os casos de uso comuns do IDP incluem o seguinte:

A implementação normalmente usa arquiteturas orientadas por eventos que usam o Amazon S3 e o Amazon Simple AWS Lambda Queue Service (Amazon SQS). Quando você carrega um documento em um bucket do Amazon S3, ele inicia o processamento dos fluxos de trabalho. Os resultados são armazenados em bancos de dados, como o Amazon DynamoDB, ou ingeridos em sistemas de negócios por meio de. APIs Para obter os melhores resultados, as organizações devem implementar estratégias de agrupamento em lotes, tratamento robusto de erros e trilhas de auditoria. Comece com um tipo de documento específico antes de expandir o escopo.

Essa automação reduz significativamente a intervenção manual, o tempo de processamento e o erro humano. Também ajuda a equipe a se concentrar em atividades que exigem julgamento e experiência.

Para obter mais informações sobre fluxos de trabalho de processamento de documentos, consulte Extrair automaticamente conteúdo de arquivos PDF usando o Amazon Textract.

Geração e resumo de conteúdo

Os modelos generativos de IA são excelentes para gerar e resumir conteúdo. Isso os torna ferramentas valiosas para vários aplicativos de negócios. Você pode usar os recursos de processamento de linguagem natural de grandes modelos de linguagem para criar ou condensar informações baseadas em texto.

Os casos de uso comuns para geração e resumo de conteúdo incluem o seguinte:

A implementação do AWS geralmente envolve o uso do Amazon Bedrock para tarefas de geração e resumo de texto. O Amazon Comprehend pode ser empregado para reconhecimento de entidades e análise de sentimentos, aprimorando o contexto e a qualidade do conteúdo gerado.

As melhores práticas para aplicativos de geração e resumo de conteúdo incluem a implementação de human-in-the-loop processos para análise de conteúdo e controle de qualidade, o uso de modelos ajustados para geração de conteúdo específico do domínio e a implementação de filtros de conteúdo para garantir a consistência da marca e a adesão às diretrizes.

Por exemplo, você pode usar a IA generativa para analisar dados clínicos de pacientes e gerar resumos e notas clínicas. Para obter mais informações, consulte Criação de um aplicativo de inteligência médica com dados de pacientes aumentados.

Geração e análise de código

Os modelos generativos de IA têm recursos notáveis para entender e gerar código em várias linguagens de programação. Seus desenvolvedores podem usar esses recursos para ajudar a escrever, refatorar e analisar código.

Os casos de uso comuns incluem o seguinte:

AWS oferece vários serviços para ajudar a suportar esse padrão. O Amazon Q Developer fornece geração de código assistida por IA, ajudando os desenvolvedores a escrever código com mais rapidez e com menos erros. A Amazon CodeGuru oferece análises inteligentes de código e recomendações de desempenho. Você pode integrar esses serviços AWS Lambda para execução e teste de código sem servidor.

As melhores práticas para aplicativos de geração e análise de código incluem a integração de ferramentas de codificação assistidas por IA em ambientes de desenvolvimento existentes. Considere implementar processos rígidos de revisão de código para garantir que o código gerado atenda aos padrões de qualidade. Use a IA para rascunhos iniciais do código, mas confie na experiência humana para as decisões finais de implementação.

Para obter mais informações sobre a criação de assistentes de codificação, consulte Use o Amazon Q Developer como assistente de codificação para aumentar sua produtividade.

Aplicativos de IA multimodais

Os aplicativos de IA multimodais combinam diferentes tipos de entradas e saídas de dados, como texto, imagens, áudio e vídeo. Esse padrão usa a capacidade de modelos avançados de IA generativa para entender e gerar conteúdo em várias modalidades.

Os casos de uso comuns para aplicativos de IA multimodais incluem o seguinte:

Ativado AWS, você pode usar o Amazon Bedrock para modelos de fundação multimodais. Serviços adicionais incluem Amazon Rekognition para análise de imagens e vídeos, Amazon speech-to-textTranscribe para conversão e Amazon Polly para conversão. text-to-speech Esses serviços podem aprimorar os recursos multimodais do aplicativo.

As melhores práticas para aplicativos de IA multimodais incluem garantir conjuntos de dados diversificados e de alta qualidade para treinamento e ajuste fino de modelos multimodais. Além disso, implemente um tratamento robusto de erros para diferentes modalidades de entrada e considere cuidadosamente as implicações éticas e os possíveis vieses nos sistemas multimodais de IA.

Para obter mais informações sobre a criação de aplicativos multimodais, consulte Documentar o conhecimento institucional a partir de entradas de voz usando o Amazon Bedrock e o Amazon Transcribe.

Recomendações de implementação

Para implementar com eficácia padrões de aplicativos reproduzíveis para IA generativa em toda a sua organização, considere as seguintes recomendações: