Build a Question-answering Bot using Generative AI (Japanese)
AWS Skill Builder
414 Cursos
Resumen
En este laboratorio, crearás un chatbot para responder preguntas sobre servicios de AWS. Ofrecemos una experiencia práctica en el despliegue de modelos de lenguaje grandes (LLM), la integración con fuentes de datos de Amazon Kendra, y la creación de un chatbot Amazon Lex V2 que utiliza Recuperación Aumentada Generativa (RAG) para ejecutar consultas en el LLM. A través de este laboratorio, comprenderás cómo mejorar las capacidades básicas de un modelo de lenguaje.
El chatbot tiene tres componentes principales: el modelo base Flan T5-XL, Langchain y un índice de Kendra. Flan T5-XL es un modelo de lenguaje grande alojado en Amazon SageMaker. Langchain es un marco que permite la ingestión de un índice de Kendra compuesto por documentos de AWS. Estos documentos y las preguntas ingresadas en el texto del chatbot se pasan al modelo Flan, que genera las respuestas. A lo largo de este laboratorio, podrás construir la interfaz del chatbot utilizando Lex V2 y aprender de manera integral cómo potenciar las capacidades de un modelo de lenguaje aprovechando varios servicios de AWS.
Al completar este laboratorio, podrás:
- Explicar cómo usar la Recuperación Aumentada Generativa para mejorar las salidas generadas por una aplicación de IA generativa.
- Desplegar un chatbot Lex utilizando un modelo de lenguaje grande.
- Conectar Langchain al modelo iniciado en Amazon SageMaker.
Para realizar este laboratorio, se requiere estar familiarizado con aplicaciones en contenedores y conceptos básicos de aprendizaje automático. También se necesita conocimiento básico sobre servicios de AWS como AWS CodeBuild, AWS Lambda, AWS CloudFormation, Amazon Kendra y Amazon Lex. Asimismo, es necesario haber completado el curso Getting Started with Amazon Kendra.
La duración de este laboratorio es de aproximadamente 75 minutos.
En este laboratorio, se utilizan varios iconos para indicar diferentes pasos y notas importantes. A continuación, se explica el propósito de cada icono:
- Comando: Representa comandos que necesitas ejecutar.
- Salida esperada: Muestra ejemplos de salida que te servirán como referencia al verificar los comandos o archivos editados.
- Nota: Ofrece consejos o guías importantes.
- Más información: Indica dónde se encuentra información adicional.
- Advertencia: Resalta notas importantes o información crítica que puede requerir repetir ciertos pasos.
- Peligro: Presenta acciones irreversibles que pueden afectar el resultado de los comandos o procesos.
- Consideración: Indica momentos para pensar o discutir cómo aplicar un concepto en tu propio entorno.
- Contenido del archivo: Muestra el contenido de scripts o archivos precreados que necesitas ejecutar.
- Tarea completada: Resume o destaca la conclusión de una sección del laboratorio.
University
