ec genai demo
1.0.0
Diese Demo bietet die folgenden vier typischen Anwendungsfälle von E-Commerce-Generierungs-KI unter Verwendung von Amazon-Grundgestein und den darauf erhältlichen Modellen:
Ausführliche Erläuterungen finden Sie auch auf den Blog unten.
Einführungsblog: Beschleunigung von E -Commerce mit Generation AI Teil 2 - Eine Erklärung der Amazon -Bedrock -Demo auf dem AWS Summit Japan 2024 |
Beinhaltet eine Demo -Implementierung von Amazon Bedrock für die folgenden vier Anwendungsfälle:
Ausführliche Erläuterungen finden Sie auch auf den Blog unten.
Einführungsblog: Beschleunigung von E -Commerce mit Generation AI Teil 2 - Eine Erklärung der Amazon -Bedrock -Demo auf dem AWS Summit Japan 2024 |
Diese Implementierung generiert mehrere Produktdesign -Vorschläge, indem sie Produktbilder geben, die beim Entwerfen eines neuen Produkts und Bilder der Entwurfsvorschläge als Eingabeaufforderungen Themen darstellen.
Im folgenden Beispiel verwenden wir weiße Turnschuhe als Originalbild und verwenden das Bild der Entwurfsvorschläge, "farbenfrohe Lederschuhe, weiße Schnürsenkel und Herzlogos", um mehrere Designvorschläge zu erzeugen.
 |  |
|---|
Verwendungsmodell : Amazon Titan Image Generator G1
Struktur
Dies ist eine Implementierung, die das Produkt basierend auf Produktbildern, Produktnamen, Produktmerkmalen (kostenloses Eingeben des Materials, der Jahreszeit, der Stoffdicke usw.) analysiert und eine Produktbeschreibung gemäß dem angegebenen Element als das Thema erzeugt, das in die Produktbeschreibung aufgenommen werden soll. Darüber hinaus generieren wir drei Produktkategorien und Manuskripte, die auf Instagram veröffentlicht wurden.
 |  |
|---|
Verwenden Sie Modell : Anthropic Claude 3 Sonnet/Haiku (schaltbar)
Struktur
Wir verwenden das Produktbild, den Produktnamen, die Produktfunktionen (kostenlose Eingabe für Eingangsmaterialien, Jahreszeit, Stoffdicke usw.), um eine Aufforderung zur Analyse des Produkts in Claude3 durchzuführen.
<your role>あなたは、Eコマースにおける売場づくりのプロフェッショナルです。</your role>
<instruction>
新商品 {focus_item}の販売促進のために、Eコマースサイトでユーザーが思わず購入したくなるような魅力的な商品説明を考えてください。
あなたが読み込んだ画像は{focus_item}の写真です。
{focus_item}の色や種類を分析し、この商品を具体的に説明してください。商品の特徴が feature に記載されます。
説明文の提案は step に則って作成してください。
</instruction>
<step>
ステップ1: 商品の基本情報を確認する
ステップ2: ターゲット層を設定する
ステップ3: ターゲット層に合わせた言葉遣いやトーンを決める
ステップ4: 概要を書く
ステップ5: 埋めるべき各項目を書く
ステップ6: 全体を通して推敲する
</step>
<feature>
{feature}
</feature>
<topic>
{topic}
</topic>
<constraint>
アウトプットは topic に記載された項目に沿って記載してください。
最後に推奨ターゲット層とそれに合わせた販売チャネルについて提案してください。
なお、XMLタグは出力しないでください。
</constraint>
Hier verwenden wir die folgenden schnellen Techniken für Claude:
Nutzungsmodell :
Struktur
あなたはある<item></item>を訴求するランディングページを作成するメディアライターです。
<target></target>に<item></item>を使った<contents></contents>の魅力を伝えたいです。そのためのLPの構成となる見出しリストを作成してください。
実際に各セクションに、見出しと本文にダミー情報を入れてください。
<content></content>を元に、各セクションに画像の説明をする文章を<rule></rule>に従って英語で作成してください。
出力は<output></output>のJSON形式で出力してください。画像名は<name></name>で与えられたモノを順に利用してください。
JSON 以外は出力しないでください。
<content>{assistant_return_3}</content>
<rule>
- HTMLのタグで表現できる内容は画像にしないでください。
- 画像の説明は{image_num}枚分作成してください。
- 暴力的な表現や誇大広告は避けてください。
- 生成する文章は AWS の責任ある AI ポリシーに従ってください。ポリシーのurl はhttps://aws.amazon.com/jp/machine-learning/responsible-ai/policy/ です。
</rule>
<name>
{img_name_dict}
</name>
<output>
{{
'image_9e3d82f':'ここに画像の説明をする文章を英語で入力します。画像生成 AI のプロンプトに沿った形式で入力してください。'
}}
</output>
<content></content>を元に、LP を作成してください。
デザインは添付の画像を参考にして作成してください。
作成には<rule></rule>に従ってください。HTML と Style のみを出力してください。それ以外は出力しないでください。
<rule>
- 出力はHTMLと、それを修飾するためのStyleのみを出力してください。
- 画像のタグは<img src="./app/static/image_7e0ceb1.png"> のように作成してください。
- <images></images>の画像から選択し、同じ画像は使わないようにしてください。
- 画像のタグは {len(image_dict)} つ作成してください。'''
</rule>
<images>
{image_dict}
</images>
<content>{assistant_return_3}</content>
 |  |
|---|
Diese Implementierung umfasst das Hochladen des ursprünglichen Produktbildes und das Anweisen des Bildes, mehrere Pläne für die Erzeugung von Hintergrundgenerierungen für die Vorbereitung von Produktbildern und Werbebildern zu generieren.
Im folgenden Beispiel werden mehrere Hintergrunderzeugungsschemata unter Verwendung einer Weinflasche als Originalbild erzeugt und im folgenden Bild übergeben.
プロのカメラマンが撮影した商品画像、大理石のテーブルの上に、たくさんの果物が置かれている、背景は少しボケている
 |  |
|---|
Verwendungsmodell : Amazon Titan Image Generator G1
Struktur
Automatische Maskenbildgenerierung
Reaktion auf japanische Aufforderungen
Bildgenerierung
Dies ist eine multimodale/semantische Such -Implementierung, mit der Sie Produktbeschreibungen und Produktbilder als Vektoren in einem Vektor -DB speichern und semantische Suche abrufen können, die semantisch in der Nähe des während der Produktsuche eingegebenen Textes oder Bilder sein können. Darüber hinaus werden die Produkt -Suchergebnisse personalisiert und generiert, indem Beschreibungen personalisiert werden, um der Persona des Suchers zu entsprechen.
 |  |
|---|
*Japanische Lebensmittel und Soba -Nudeln, die "gesundes und gesundes Essen" ähneln, stehen an der Spitze der Suchergebnisse und zeigen, dass sie eine semantische Suche haben.
Gebrauchtes Modell : Anthropic Claude 3 Haiku, Amazon Titan Multimodal Einbettungen G1
Struktur
Bitte überprüfen Sie Folgendes für Details.
diify/
Diese Demo wurde am 24. Juli 2024 mit einem Video bei AWS Expert Online für Jaws-UG #34 vorgestellt.
Die Architektur ist sehr einfach, wobei eine einfache Webanwendung, die in SteamLit implementiert ist, die auf Amazon ECS bereitgestellt werden und über HTTPS über CloudFront -> Anwendungslastausgleicher zugänglich sind.
Ein Python -Skript auf Steamlit nennt die Amazon -Grundgestein -API, um die Ergebnisse verschiedener AIS -Generationen zu fordern und zu holen. Die Modelle sind Amazon Titan Image Generator G1 für die Bildgenerierung, anthropische Claude 3/3.5 -Sonett/Haiku für die Textverarbeitung und die multimodale Amazon -Titan -Einbettung G1 für die Vektorisierung während der Suche von der Amazon Bedrock API.
Wichtig
Dieses Repository ist so konfiguriert, dass sie die folgenden Modelle in der Region Oregon (US-WEST-2) als Amazon-Grundgesteinsmodelle verwenden:
Bitte öffnen Sie den Model Access-Bildschirm (US-West-2) im Konto, in dem Sie dieses Beispiel im Voraus bereitstellen möchten, den Modellzugriff überprüfen und Änderungen speichern möchten.
Verwenden Sie zunächst den folgenden Befehl, um in das cdk -Verzeichnis zu wechseln und einzurichten.
cd cdk
npx projen installWichtig
Sie werden das AWS Cloud Development Kit (im Folgenden CDK) und das Proben zur Bereitstellung verwenden.
Weitere Informationen zu Projen und CDK finden Sie auch im AWS -Blog unten.
https://aws.amazon.com/jp/blogs/news/getting-started-with-proben-and-aws-cdk/
Wenn Sie die CDK noch nie verwendet haben, müssen Sie nur zum ersten Mal Bootstrap durchführen.
*Der folgende Befehl ist in einer Umgebung nicht erforderlich, in der Sie bereits Bootstraped haben.
npx cdk bootstrap Verwenden Sie als nächstes den folgenden Befehl, um die AWS -Ressourcen bereitzustellen: Bitte warten Sie, bis die Bereitstellung abgeschlossen ist.
*Es dauert ungefähr 15 Minuten.
npx projen build
npx projen deploy Sie können eine Umgebung in einer lokalen Umgebung mit einem Container oder einer Gedichte schaffen.
In Ihrer lokalen Umgebung müssen Sie die Erlaubnis haben, Amazon -Grundgestein oder Amazon Translate aufzurufen
Stellen Sie den Zugriffstaste mit Umgebungsvariablen ein
export AWS_ACCESS_KEY_ID=xxx
export AWS_SECRET_ACCESS_KEY=xxxBeginnen Sie mit Docker Compose
cd src
docker compose upWichtig
Die Python -Version nimmt an ">=3.12,<3.13" wie in pyproject.toml der Poesie zu sehen ist.
Es nutzt das virtuelle Umgebungsmerkmal der Poesie, so dass es nicht mit vorhandenem Python in Konflikt steht.
Sie können eine Umgebung mithilfe von Poesie wie folgt erstellen:
poetry config virtualenvs.in-project true
poetry install
# .venvで仮想環境が利用可能です。
source .venv/bin/activate
Benennen Sie die Datei .env.example in .env um und setzen Sie Ihre AWS -Anmeldeinformationen.
# EC2 や Cloud9 の IAM ロールを利用する場合は .env の設定は不要です
cp .env.example .env
Starten Sie nach dem Aufbau der Umgebung den folgenden Befehl:
source .venv/bin/activate
region=us-west-2 poetry run streamlit run app.py
Diese Stichprobe, EC-Genai-Demo, wurde verwendet, um die Sucherfahrung mithilfe der Generator AI zu verbessern. Die Daten unseres Unternehmens wurden in der Vektorsuche -Demo -Funktion registriert und wir haben einen POC durchgeführt.
Wenn Sie Anfragen oder Probleme haben, stimmen Sie bitte für das Problem.
Weitere Informationen finden Sie unter Beitrag.
Diese Bibliothek ist unter der MIT-0-Lizenz lizenziert.
