61 lines
4.0 KiB
Markdown
61 lines
4.0 KiB
Markdown
---
|
||
title: "Public Cloud Learning Sessions (OpenText) - AI Use Cases - 20241126 160106"
|
||
type: source
|
||
tags:
|
||
- AI
|
||
- Use-Cases
|
||
- OpenText
|
||
- AWS
|
||
- Generative-AI
|
||
date: 2024-11-26
|
||
---
|
||
|
||
## Source File
|
||
- [[Cloud & DevOps/Public-Cloud-Learning-Sessions/09_Serverless_AI/public-cloud-learning-sessions-opentext-ai-use-cases-20241126-160106-meeting-rec.md]]
|
||
|
||
## Summary（用中文描述）
|
||
- 核心主题：AWS AI 使用场景与 Gen2 生成式 AI 落地实践，由 AWS AI 专家 Stephen Frank 分享
|
||
- 问题域：企业如何在 AWS 平台上规模化落地生成式 AI，整合业务数据，控制生成结果
|
||
- 方法/机制：AWS 三层产品策略（基础设施 / Amazon Bedrock / AI 应用）；数据整合三大方法（RAG / Fine-tuning / Continued Pre-training）；企业级 AI 落地关键考量
|
||
- 结论/价值：数据是企业差异化关键；AI 落地需兼顾实验文化、模型灵活性、安全合规与负责任 AI
|
||
|
||
## Key Claims（用中文描述）
|
||
- AWS 已在核心产品中应用 AI/ML 达 25 年，持续将经验转化为客户新服务
|
||
- 企业软件公司是生成式 AI 早期采用者，将其集成到核心产品面向客户的应用中
|
||
- 生成式 AI 应用通过与现有业务数据整合来控制结果，数据是差异化关键
|
||
- Amazon Bedrock 确保无第三方数据访问，满足 GDPR 合规要求
|
||
- AI 落地需培养实验文化、保持模型选择灵活性，并优先考虑安全、治理与合规
|
||
- 负责任 AI 实践（公平性、可解释性、透明性）至关重要
|
||
|
||
## Key Quotes
|
||
> "When implementing your services, we do have to look at this more holistically." — Stephen Frank on holistic AI implementation
|
||
> "Data is key to differentiation, as generative AI applications integrate with existing business data to control outcomes." — Stephen Frank on data as competitive advantage
|
||
> "Various methods exist for working with data, including retrieval-augmented generation (RAG), fine-tuning, and continued pre-training." — Stephen Frank on data integration methods
|
||
|
||
## Key Concepts
|
||
- [[Foundation-Models]]：基础模型是大语言模型（LLM）的核心，AWS Bedrock 提供多种基础模型 API 访问
|
||
- [[RAG]]：检索增强生成，通过整合企业现有业务数据来控制 AI 生成结果，是数据整合的关键方法之一
|
||
- [[Fine-Tuning]]：微调基础模型以适应特定业务场景，三大数据整合方法之一
|
||
- [[Responsible-AI]]：负责任 AI 包含公平性、可解释性、透明性原则，是 AWS AI 落地的核心考量
|
||
|
||
## Key Entities
|
||
- [[Stephen-Frank]]：AWS AI 专家，主讲本期 AI Use Cases 分享，涵盖 AI 演进、Gen2 AI、AWS 三层产品策略
|
||
- [[Amazon-Bedrock]]：AWS 旗舰生成式 AI 产品，通过 API 提供多种基础模型访问，确保无第三方数据访问，满足 GDPR 合规
|
||
- [[Amazon-Q]]：AWS 预构建 AI 系统，支持知识摘要、内容创作和洞察提取，通过自然语言提示连接多种数据源
|
||
- [[Amazon-SageMaker]]：AWS 全托管机器学习平台，面向数据科学家和平台工程师
|
||
|
||
## Connections
|
||
- [[Foundation-Models]] ← builds_on ← [[Responsible-AI]]
|
||
- [[Amazon-Bedrock]] ← provides ← [[Foundation-Models]]
|
||
- [[Amazon-Q]] ← uses ← [[Foundation-Models]]
|
||
- [[Amazon-SageMaker]] ← related_to ← [[Amazon-Bedrock]]
|
||
- [[RAG]] ← enables ← [[Amazon-Bedrock]]
|
||
- [[Fine-Tuning]] ← integrates_with ← [[Amazon-Bedrock]]
|
||
- [[public-cloud-learning-sessions-opentext-generative-ai-prompt-engineering-2024111.md]] ← related_to ← [[Amazon-Bedrock]]
|
||
|
||
## Contradictions
|
||
- 与 [[public-cloud-learning-sessions-opentext-generative-ai-prompt-engineering-2024111.md]] 存在视角差异：
|
||
- 冲突点：Stephen Frank 强调数据整合（RAG/Fine-tuning/Continued Pre-training）是生成式 AI 差异化关键；Generative AI & Prompt Engineering 分享更侧重 Prompt Engineering 技巧本身
|
||
- 当前观点：两者互补——数据整合决定 AI 能说什么，Prompt Engineering 决定 AI 怎么说
|
||
- 对方观点：Generative AI & Prompt Engineering 分享认为 Prompt Engineering 是最灵活、成本最低的 AI 优化手段
|