本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

第 4 層：常見生成式 AI 使用案例的可重複應用程式模式

隨著企業採用生成式 AI，組織如何使用此技術來推動商業價值出現了明確的模式。這些常用案例示範了在不同業務職能之間套用生成式 AI 的成熟方法。這些使用案例可協助組織識別自己的實作機會，並排定其優先順序。

透過了解這些已建立的使用案例，組織可以更好地評估生成式 AI 可以提供最立即的影響，同時為更廣泛的採用打下基礎。本節說明企業成功部署生成式 AI 解決方案的關鍵領域。

生成式 AI 輔助

採用 AI 技術的生成助理可跨各種業務職能提供個人化的內容感知支援。這些工具非常適合進階使用者。他們加強了那些學習將他們整合到工作流程的員工的輸出。透過使用語言模型，這些助理可增強組織中的效率、生產力和使用者滿意度。

AWS 提供 Amazon Q Business，這是一種企業級 AI 助理，可隨時使用且高度自訂。實作涉及使用組織特定資料來量身打造其知識庫，以推動準確、相關的回應。與客戶關係管理 (CRM) 和企業資源規劃 (ERP) 系統整合可增強其公用程式，並提升整個企業的順暢資料流程和完整功能。

對於軟體開發團隊， AWS 提供 Amazon Q Developer。此編碼助理旨在透過協助程式碼產生、錯誤偵測、重構建議和文件建立來提高生產力。當無縫整合到整合開發環境 (IDEs) 時，開發人員可以直接在其平常的編碼環境中存取其功能，從而簡化工作流程並減少內容切換。如需詳細資訊，請參閱此策略文件中程式碼產生和分析的 。

生成式 AI 支援助理的常見使用案例包括下列項目：

為了最大限度地提高生成式 AI 支援助理的有效性，請考慮從目標部署開始，例如在特定部門內。這有助於開發團隊評估影響並收集使用者意見回饋，然後再在整個組織中更廣泛地推出。這種分階段方法可簡化採用程序，並最佳化助理與企業需求的一致性。

如需建置企業生成式 AI 輔助程式的詳細資訊，請參閱使用 Amazon Bedrock 代理程式和知識庫開發全自動化聊天輔助程式。

RAG 聊天式助理

Out-of-the-box的基礎模型雖然功能強大，但受到預先訓練資料的限制。他們缺乏訓練截止日期後最近事件的知識，也無法了解公司特定的程序或自訂資料。此限制使它們不適合需要組織知識的許多商業使用案例。

透過微調自訂模型是一個複雜且昂貴的程序，因此收集高品質的訓練資料可能是一項挑戰。擷取增強生成 (RAG) 透過結合大型語言模型 (LLMs) 與組織的專屬資料來解決這些限制。RAG 方法會建立由特定領域知識告知的 AI 互動。如需 RAG 和微調的詳細資訊，請參閱查詢自訂文件的生成式 AI 選項。

RAG 聊天式助理的常見使用案例包括下列項目：

AWS 透過 Amazon Bedrock 知識庫簡化 RAG 聊天式助理的實作。此服務可協助您設定向量資料庫，從自訂文件查詢和擷取資料。主要功能包括與 Amazon Simple Storage Service (Amazon S3) 整合以進行資料儲存、與第三方服務 （例如 Microsoft SharePoint 和 Atlassian Confluence) 的相容性、相關文件擷取的高效向量搜尋功能，以及與基礎模型 （例如 Anthropic Claude) 整合以建置對話式聊天式助理。若要開始，請識別定義良好的有限範圍知識庫，並使用它來建立proof-of-conceptRAG 聊天式助理。隨著實作擴展，請注意資料新鮮度和大規模擷取操作的運算成本。

如需建置 RAG 聊天式助理的詳細資訊，請參閱下列內容：

生成式 AI 代理器

生成式 AI 代理器代表自動化複雜業務流程的重大進展。這些代理程式可以透過分解任務並與各種系統互動，來處理傳統上需要人工介入的複雜工作流程。

生成式 AI 代理程式的典型應用程式包括多步驟業務流程的自動化工作流程協同運作、跨部門任務完成的智慧型虛擬助理，以及可查詢多個資料庫的資料分析和報告產生代理程式。

AWS 提供工具，例如 Amazon Bedrock 代理程式，協助您建立和部署 AI 代理程式。實作涉及定義專屬於您業務需求的自訂動作和 API 整合。您也需要設定強大的錯誤處理和記錄機制。您可以使用 AWS Lambda 執行無伺服器函數、Amazon Amazon API Gateway 管理 APIs，以及AWS Step Functions工作流程協同運作。

組織可以從識別重複的多步驟程序開始，並映射其決策點和系統互動。這可做為初始生成式 AI 代理器的藍圖。重要考量包括驗證適當的錯誤處理，以及維護決策過程中的透明度。

智慧文件處理

智慧文件處理 (IDP) 使用生成式 AI 和自然語言處理 (NLP) 自動擷取、分類和處理各種文件類型的資訊。IDP 可以將非結構化文件處理轉換為自動化、可擴展的工作流程。

現代 IDP 解決方案可以採取兩種方法：傳統的管道型處理，或透過基礎模型直接進行多模式處理。若要在 上建置傳統管道 AWS，您可以結合 Amazon Textract 進行光學字元辨識 (OCR)，並將了解文件與 Amazon Bedrock 基礎模型進行進階分析。或者，對於透過基礎模型的直接多模態處理，您可以使用state-of-the-art基礎模型 （例如 Amazon Bedrock 中的 Anthropic Claude)，以單一步驟直接處理影像、PDFs和掃描的文件。

組織可以根據其特定需求選擇其方法。傳統管道在需要精細控制的高容量處理和情境中表現卓越。透過基礎模型進行直接多模式處理，非常適合需要透過複雜情境理解提高準確性的複雜文件。

IDP 的常見使用案例包括下列項目：

實作通常會使用使用 Amazon S3 AWS Lambda和 Amazon Simple Queue Service (Amazon SQS) 的事件驅動架構。當您將文件上傳至 Amazon S3 儲存貯體時，它會啟動處理工作流程。結果會存放在資料庫，例如 Amazon DynamoDB，或透過 APIs 擷取至業務系統。為了獲得最佳結果，組織應該實作批次處理策略、強大的錯誤處理和稽核線索。展開範圍之前，請先從特定文件類型開始。

此自動化可大幅減少手動介入、處理時間和人為錯誤。它還有助於員工專注於需要判斷和專業知識的活動。

如需文件處理工作流程的詳細資訊，請參閱使用 Amazon Textract 從 PDF 檔案自動擷取內容。

內容產生和摘要

生成式 AI 模型擅長產生和摘要內容。這使它們成為各種商業應用程式的重要工具。您可以使用大型語言模型的自然語言處理功能來建立或精簡文字型資訊。

內容產生和摘要的常見使用案例包括下列項目：

在 上的實作 AWS 通常涉及使用 Amazon Bedrock 產生文字和摘要任務。Amazon Comprehend 可以用於實體辨識和情緒分析，增強產生內容的內容和品質。

內容產生和摘要應用程式的最佳實務包括實作human-in-the-loop程序、使用微調模型進行網域特定內容產生，以及實作內容篩選條件以確保品牌一致性和遵守準則。

例如，您可以使用生成式 AI 來分析患者臨床資料，並產生摘要和臨床備註。如需詳細資訊，請參閱使用擴增患者資料建置醫療智慧應用程式。

程式碼產生和分析

生成式 AI 模型具有卓越的功能，可了解和產生各種程式設計語言的程式碼。您的開發人員可以使用這些功能來協助撰寫、重構和分析程式碼。

常見的使用案例包括下列項目：

AWS 提供多種 服務來協助支援此模式。Amazon Q Developer 提供 AI 輔助程式碼產生，協助開發人員更快撰寫程式碼，並減少錯誤。Amazon CodeGuru 提供智慧型程式碼檢閱和效能建議。您可以將這些服務與 整合 AWS Lambda ，以進行無伺服器程式碼執行和測試。

程式碼產生和分析應用程式的最佳實務包括將 AI 輔助編碼工具整合到現有的開發環境中。考慮實作嚴格的程式碼檢閱程序，以確保產生的程式碼符合品質標準。將 AI 用於初始程式碼草稿，但依賴人類專業知識進行最終實作決策。

如需建置編碼助理的詳細資訊，請參閱使用 Amazon Q Developer 作為編碼助理以提高您的生產力。

多模態 AI 應用程式

多模態 AI 應用程式結合不同類型的資料輸入和輸出，例如文字、影像、音訊和影片。此模式使用進階生成式 AI 模型的能力，來了解和產生跨多個模態的內容。

多模態 AI 應用程式的常見使用案例包括下列項目：

在 上 AWS，您可以將 Amazon Bedrock 用於多模態基礎模型。其他服務包括用於影像和影片分析的 Amazon Rekognition、用於speech-to-text轉換的 Amazon Transcribe，以及用於text-to-speechAmazon Polly。這些服務可以增強應用程式的多模式功能。

多模態 AI 應用程式的最佳實務包括確保用於訓練和微調多模態模型的高品質、多樣化資料集。此外，針對不同的輸入模式實作強大的錯誤處理，並仔細考慮多模式 AI 系統中的道德影響和潛在偏差。

如需建置多模式應用程式的詳細資訊，請參閱使用 Amazon Bedrock 和 Amazon Transcribe 從語音輸入記錄機構知識。

實作建議

若要在整個組織中有效實作生成式 AI 的可重複應用程式模式，請考慮下列建議：