نگاهی به آمازون کندرا بیندازید

سلام Devs

در این وبلاگ قصد داریم از طریق یکی دیگر از خدمات شگفت انگیز AWS که اخیراً در آمازون AI Conclave، بنگلور 2022 راه اندازی شده است، آشنا شویم.

آمازون کندرا

بیایید بفهمیم چرا آمازون کندرا.

یافتن سریع پاسخ های دقیق، با جستجوی هوشمند ML

در یک جستجوی سنتی مانند جستجوی الاستیک، هر زمان که یک سوال را جستجو می کنید، الگوریتم سعی می کند سوال را به کلمات کلیدی تقسیم کند و سعی می کند همه کلمات کلیدی را در داده های موجود پیدا کند. به تصویر زیر نگاه کنید. مشکل اصلی داشتن پاسخ درست یا می توان گفت لینک یا مکان مناسب برای دریافت پاسخ بود، با جستجوی سنتی کمی چالش برانگیز بود.

در اینجا آمازون کندرا به شما کمک می کند تا به مکان مناسب به نقطه ای که دقیقاً پاسخ است بروید. آمازون کندرا به کاربران اجازه می دهد تا داده های بدون ساختار و ساختار یافته را با استفاده از NLP (پردازش زبان طبیعی) و جستجوی پیشرفته جستجو کنند. ارائه تجربه ای به کاربران دقیقاً شبیه به صحبت کردن متخصص انسانی. سوال را مثال بزنید “میز IT در شرکت کجاست؟ برای این کار در جستجوی سنتی لیستی از پیوندهایی دریافت می شود که دارای کلمه هستندآی تی“،”میز مطالعه“”شرکت“و غیره. اما کندرا مستقیماً به صفحه ای که در آن ذکر شده است برجسته می شود”طبقه 1“

بیایید بررسی کنیم که چه چیزی کندرا را به یک جستجوی قدرتمند تبدیل می کند.

پشت کندرا چیست؟

Kendra از منابع داده مانند سطل S3، Salesforce یا Slack یا هر منبع داده سفارشی دیگری به عنوان یک رابط استفاده می کند. گاهی اوقات می توانید چندین کانکتور را متصل کنید. یک نمایه از همه منابع داده ایجاد کنید و یک فهرست قابل به روز رسانی از اسناد از انواع مختلف مانند متن ساختاریافته و متن بدون ساختار خواهد بود. در زیر لیستی از پشتیبانی از فرمت متن بدون ساختار وجود دارد.

• فایل های HTML

• ارائه های مایکروسافت پاورپوینت (PPT).

• اسناد MS WORD

• اسناد متنی ساده

• فایل های PDF

• فایل های مقادیر جدا شده با کاما (CSV).

• فایل های مایکروسافت اکسل (MS EXCEL).

• فایل های XML

• فایل های JSON

• فایل های Markdown Documentation (MD).

• فایل های با فرمت متن غنی (RTF).

• فایل‌های تبدیل زبان صفحه سبک (XSLT) قابل توسعه

هنگامی که یک فهرست از منبع داده ایجاد می کند، مرحله بعدی اضافه کردن اسناد به طور مستقیم به آن یا از منبع داده است. آخرین مرحله استفاده از Kendra API برای جستجو در داده ها خواهد بود.

یک نمونه از Kendra API:

import boto3
import pprint

kendra = boto3.client("kendra")

# Provide the index ID
index_id = <index-id>
# Provide the query text
query = "search string"

response = kendra.query(
        QueryText = query,
        IndexId = index_id)

Kendra همچنین از پارامترهای قابل تنظیم دیگری پشتیبانی می کند که به فرمت پاسخ و نحوه نمایش نتیجه شما کمک می کند، مانند

موارد استفاده چیست؟

• تجارب جستجوی داخلی را برای کارمندان افزایش دهید

• تعاملات مشتری مانند ربات چت یا مرکز تماس را بهبود بخشید

• جستجو را در برنامه های SaaS مانند CRM، Salesforce ادغام کنید

پیش نیازهای شروع کندرا:

• اگر حساب AWS دیگری دارید باید یک حساب AWS جدید ایجاد کنید

• تحت آزمایش رایگان، AWS 750 ساعت رایگان ارائه می دهد.

• آشنا با AWS Console، AWS CLI یا Boto3 برای Python یا SDK زبان های دیگر

کانکتورهای ارائه شده توسط Kendra چیست:

لیست بزرگ است شما می توانید این لینک را بررسی کنید https://aws.amazon.com/kendra/connectors/

امکانات :

• از طریق Amazon Kendra Experience Builder رابط کاربری جستجوی آمازون را با چند کلیک اجرا کنید

• جستجوی هوشمند

• یادگیری افزایشی

• تنظیم و دقت

• اتصال دهنده ها

• بهینه سازی دامنه

• جستجو در داشبورد تجزیه و تحلیل

• غنی سازی اسناد سفارشی

• تکمیل خودکار پرس و جو

قیمت گذاری:

برای 30 روز اول می توانید یک حساب کاربری رایگان به مدت 750 ساعت راه اندازی کنید. استفاده از رابط‌ها تحت استفاده رایگان نیست.

توجه داشته باشید: هزینه ها بر اساس شاخص اعمال می شود. هزینه‌ها اعمال می‌شود حتی اگر نمایه‌های ارائه شده حاوی هیچ سندی نباشند و هیچ درخواستی اجرا نشده باشد.

جزئیات بیشتر در مورد قیمت گذاری برای هر مورد استفاده را می توانید در اینجا پیدا کنید https://aws.amazon.com/kendra/pricing/

امیدوارم این وبلاگ به شما در یادگیری کمک کند. با خیال راحت با من در توییتر من تماس بگیرید @AvinashDalvi_ یا در وبلاگ نظر دهید.

به یادگیری ادامه دهید و به اشتراک گذاری ادامه دهید!

منابع :