2024 AWS 生成式 AI 創新產業應用日
1.Opening
算力層,平台層,應用層
Amazon應用: 影像產生,假評價阻擋,音樂產生,購物助理,輔助建立物流中心,Amazom Q Business, Amazon Q Developer
算法重於算力
Data is the future oil
The foundation for AI is in the CLOUD
Amazon Bedrock: broad choice of model
AI21labs, Aamazon, Meta, stability.ai
生成式AI互動範例:詢問車輛保險
使用者輸入 -> 提示工程 -> LLM回應
應用:依草稿產出完整設計圖
三預測:
會使用AI的人較出眾
自然語言是下一個程式語言
內嵌式AI與機器人
2.智邦
AI發展歷程:
2018:部門成立
2019:2D AOI
2020:3D AOI
2022:使用Amazon平台
雲地混合式架構,各site工程師收集資料上傳,再分享給各site
AI訓練方式:自動記錄程序,記錄影像,以AI標記資料集,確認資料集,訓練模型,佈署模型
智邦AOI檢測能力,優於傳統2D AOI
智慧製造解決方案:4K IP cam記錄檢測 (以影片展示成品與配件裝箱時的辨識狀況)
效益:檢測時間減少90%
生成式AI辦公助手:提供界面讓user發問
應用:
自然語言產出報表
CodeGen
叫修記錄上傳共享
智邦AI應用平台:微服務,AWS
智慧製造相關事項可聯絡:mike_shen@accton.com
3.趨勢科技
2005開始以ML作anti-spam
使用AWS建立responsible AI
LLM應用生命週期:
data, model and agent, app and use
負面案例;
南韓AI公司不當使用個人資料
Open source LLM造成公司資料外流
駭客以提示注入工程取得機敏資料
Learn architecture
https://trend-tw.com/PN0kB
以AI gateway確保AI使用安全
總結:AI的使用帶來新的風險挑戰
4.Kkday
GraghRAG:基於knowledge gragh的RAG
Graph:基於關聯的數據模型,包含Node 與Edge
運用場景:social network...
Knowledge graph:連結不同資料來源,改善搜尋結果,增強AI/ML
GraghRAG生成步驟:
1.知識圖自動生成
2.回答問題
GraghRAG架構範例
優點:
找出最相關數據來源
尋找關聯數據潛在來源
使用已驗證資料
使用相關數據豐富主題
GraghRAG應用範例:旅途規劃
Amazon Neptune:圖形資料運算全託管雲端資料庫
Amazon Neptune Analytic: Amazon Neptune分析引擎
支援的程式框架:Llamaindex, langchain
傳統搜尋:
嵐山賞楓,拆兩個詞搜尋:嵐山,賞楓
加入AI:京都,一日遊,包車
透過LLM建立knowledge graph,目前使用Claude 3 Haiku
Future work:
Data source 多元
Parsing
Knowledgde gragh, vector darabase
RAG
Applications
5.Gogolook
Ideation, exection, governance
Build data foundation
找適合工具,Generative AI stack:application, LLM, infrastructure
三大主要業務:
消費者防詐,企業防詐,金融科技服務
AI如何改善whoscall流程:
現有流程與挑戰:資料來源多,人工理解與貼標
考量成本,穩定性,跨語言
建立正確資料集,給予LLM更多必要細節
以AI歸納提供建議標籤,若仍有不足再人工處理
開發流程:
商務需求,提示設計,模型選擇,評估,測試..
Whoscall新功能: 以拍照方式進行詐騙判斷
總結:
與AWS合作效益,使用OpenSearch、RedRock
6.AccuHit
生成式AI價值:新體驗,生產力,洞見,創意
系統:
CDP:跨渠道顧客數據平台
NIX:對話式商務應用平台
FLOW.ai:企業級AI方案,使用向量資料庫
使用Amazon CodeBuild, CodePipeline, Bedrock
行銷案例:唯豐肉鬆
建立行銷文本資料庫,匯入舊文案,排除不相關資料
蒐集,清洗,貼標,萃取,驗證
強化專屬AI訓練:50%採舊有文案,50%採現有產品資訊
成效:
1.開銷減少,行銷委外費-75%
2.貼文產能提升
3.效益增加:推文開封率+5%
4.營收成長:同期YOY+89萬
大語言模型在商品推薦的應用:用戶資料,商品資料,用戶行為
以LLM解決標籤製作困境:提供資料,標籤探索,探索結果,呈現
其他事項:
RAG效能檢測
提示工程
微調大語言模型
Agents
導入RAG痛點:AI答覆正確性,知識庫資料即時性
RAG系統性能量測七指標