51 lines
1.9 KiB
Markdown
51 lines
1.9 KiB
Markdown
---
|
||
title: "Public Cloud Learning Sessions (OpenText) - AI Use Cases - 20241126"
|
||
type: source
|
||
tags:
|
||
- AI
|
||
- Use-Cases
|
||
- OpenText
|
||
- AWS
|
||
date: 2024-11-26
|
||
---
|
||
|
||
## Source File
|
||
- [[raw/Cloud & DevOps/Public-Cloud-Learning-Sessions/09_Serverless_AI/public-cloud-learning-sessions-opentext-ai-use-cases-20241126-160106-meeting-rec.md]]
|
||
|
||
## Summary
|
||
- 核心主题：AWS AI 专家分享企业级 AI 应用案例与实践
|
||
- 问题域：企业如何利用生成式 AI 创造价值
|
||
- 方法/机制：AWS 三层产品策略（基础设施 + Bedrock + AI 应用）、RAG、微调、持续预训练
|
||
- 结论/价值：数据是差异化关键，负责任 AI 实践至关重要
|
||
|
||
## Key Claims
|
||
- 生成式 AI 自 2000 年代数据量爆发以来快速增长
|
||
- 企业软件公司是生成式 AI 的早期采用者
|
||
- 数据是差异化的关键，生成式 AI 与现有业务数据集成控制输出结果
|
||
- AWS 三层产品策略：基础设施层 → Amazon Bedrock → 即用型 AI 应用
|
||
|
||
## Key Quotes
|
||
> "Data is key to differentiation, as generative AI applications integrate with existing business data to control outcomes."
|
||
|
||
> "When implementing your services, we do have to look at this more holistically."
|
||
|
||
## Key Concepts
|
||
- [[Generative-AI]]：利用大语言模型生成新内容的 AI 技术
|
||
- [[RAG]]：检索增强生成，通过检索增强解决 LLM 幻觉问题
|
||
- [[Fine-Tuning]]：使用标记数据集定制基础模型
|
||
- [[Amazon-Bedrock]]：AWS 全托管基础模型服务
|
||
- [[Amazon-SageMaker]]：AWS 机器学习平台
|
||
- [[Responsible-AI]]：负责任 AI，包括公平性、可解释性、透明度和治理
|
||
|
||
## Key Entities
|
||
- [[Stephen-Frank]]：AWS AI 专家
|
||
- [[AWS]]：亚马逊云服务
|
||
- [[OpenText]]：企业软件公司
|
||
|
||
## Connections
|
||
- [[AWS]] ← provides ← [[Amazon-Bedrock]]
|
||
- [[AWS]] ← provides ← [[Amazon-SageMaker]]
|
||
- [[Generative-AI]] ← uses ← [[RAG]]
|
||
- [[Generative-AI]] ← requires ← [[Responsible-AI]]
|
||
|
||
## Contradictions |