ec genai demo
1.0.0
Esta demostración ofrece los siguientes cuatro casos de uso típicos de IA de la generación de comercio electrónico, utilizando el rock de Amazon y los modelos disponibles:
Para explicaciones detalladas, también consulte el blog a continuación.
Presentación del blog: Acelerar el comercio electrónico con Generation AI Parte 2 - Una explicación de la demostración de Amazon Bedrock exhibida en AWS Summit Japan 2024 |
Incluye una implementación de demostración de Amazon Bedrock para los siguientes cuatro casos de uso:
Para explicaciones detalladas, también consulte el blog a continuación.
Presentación del blog: Acelerar el comercio electrónico con Generation AI Parte 2 - Una explicación de la demostración de Amazon Bedrock exhibida en AWS Summit Japan 2024 |
Esta implementación genera múltiples propuestas de diseño de productos al darles imágenes de productos, que son temas al diseñar un nuevo producto e imágenes de las propuestas de diseño como indicaciones.
En el ejemplo a continuación, usamos zapatillas blancas como la imagen original, y usamos la imagen de las propuestas de diseño, "zapatos de cuero coloridos, cordones blancos y logotipos cardíacos", para generar múltiples propuestas de diseño.
 |  |
|---|
Modelo de uso : Amazon Titan Image Generator G1
estructura
Esta es una implementación que analiza el producto en función de las imágenes del producto, los nombres del producto, las características del producto (entrada gratuita del material, temporada, espesor de la tela, etc.), y genera una descripción del producto de acuerdo con el elemento especificado como el tema que se incluirá en la descripción del producto. Además, generaremos tres categorías de productos y manuscritos publicados en Instagram.
 |  |
|---|
Use Modelo : Anthrope Claude 3 Sonnet/Haiku (conmutable)
estructura
Utilizamos la imagen del producto, el nombre del producto, las características del producto (entrada gratuita a materiales de entrada, temporada, espesor de tela, etc.) para realizar un aviso para analizar el producto en Claude3.
<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>
Aquí utilizamos las siguientes técnicas de inmediato para Claude:
Modelo de uso :
estructura
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>
 |  |
|---|
Esta implementación implica cargar la imagen del producto original e instruir a la imagen para generar múltiples planes de generación de fondo para preparar imágenes de productos e imágenes publicitarias.
En el siguiente ejemplo, se generan múltiples esquemas de generación de fondo utilizando una botella de vino como imagen original y se pasan en la siguiente imagen.
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
 |  |
|---|
Modelo de uso : Amazon Titan Image Generator G1
estructura
Generación de imágenes de máscara automática
Respondiendo a las indicaciones japonesas
Generación de imágenes
Esta es una implementación de búsqueda multimodal/semántica que le permite almacenar descripciones de productos e imágenes de productos como vectores en un Vector DB y recuperar una búsqueda semántica que puede estar semánticamente cerca del texto o las imágenes ingresadas durante la búsqueda de productos. Además, los resultados de búsqueda de productos son personalizados y generados al personalizar las descripciones para adaptarse a la personalidad del buscador.
 |  |
|---|
*La comida japonesa y los fideos SOBA, que son similares a la "comida saludable y saludable", están en la cima de los resultados de búsqueda, lo que demuestra que tienen una búsqueda semántica.
Modelo usado : antrópico Claude 3 Haiku, Amazon Titan Multimodal Incrustaciones G1
estructura
Consulte lo siguiente para obtener más detalles.
Diify/
Esta demostración apareció con un video en AWS Expert Online para Jaws-Ug #34 el 24 de julio de 2024.
La arquitectura es muy simple, con una aplicación web simple implementada en Steamlit implementada en Amazon ECS, accesible a través de HTTPS a través de CloudFront -> Balancador de carga de aplicaciones.
Un script de Python en Steamlit llama a la API de roca madre de Amazon para solicitar y recuperar los resultados de varias AIS de generación. Los modelos son Amazon Titan Image Generator G1 para la generación de imágenes, el soneto antrópico Claude 3/3.5 Sonnet/Haiku para el procesamiento de texto y las integridades multimodales de Amazon Titan G1 para la vectorización durante la búsqueda, desde la API de roca madre de Amazon.
Importante
Este repositorio está configurado para usar los siguientes modelos en la región de Oregon (US-West-2) como modelos de roca madre de Amazon:
Abra la pantalla de acceso del modelo (US-West-2) en la cuenta donde desea implementar esta muestra con anticipación, verifique el acceso del modelo y guarde los cambios.
Primero, use el siguiente comando para moverse al directorio cdk y configurarlo.
cd cdk
npx projen installImportante
Utilizará el Kit de desarrollo de AWS Cloud (en adelante CDK) y Projen para su implementación.
Para obtener más información sobre Projen y CDK, también consulte el blog de AWS a continuación.
https://aws.amazon.com/jp/blogs/news/getting-started-with-projen-and-aws-cdk/
Si nunca ha usado el CDK, deberá hacer Bootstrap solo por primera vez.
*El siguiente comando no se requiere en un entorno donde ya haya bootstraped.
npx cdk bootstrap A continuación, use el siguiente comando para implementar los recursos de AWS: Espere hasta que se complete la implementación.
*Tarda unos 15 minutos.
npx projen build
npx projen deploy Puede crear un entorno en un entorno local utilizando un contenedor o poesía.
Desde su entorno local, debe tener permiso para invocar a Amazon Bedrock o Amazon Translate
Establezca la clave de acceso con variables de entorno
export AWS_ACCESS_KEY_ID=xxx
export AWS_SECRET_ACCESS_KEY=xxxComience con Docker Compose
cd src
docker compose upImportante
La versión de Python asume ">=3.12,<3.13" como se ve en pyproject.toml of Poetry.
Utiliza la característica de entorno virtual de la poesía, por lo que no entra en conflicto con Python existente.
Puede crear un entorno utilizando poesía de la siguiente manera:
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
Cambie el nombre del archivo .env.example a .env y establezca sus credenciales de AWS.
# 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
Después de construir el entorno, comience a Streamlit con el siguiente comando:
source .venv/bin/activate
region=us-west-2 poetry run streamlit run app.py
Esta muestra, EC-Genai-Demo, se utilizó para considerar mejorar la experiencia de búsqueda utilizando la IA del generador. Los datos de nuestra empresa se registraron en la función de demostración de búsqueda de vectores y realizamos un POC.
Si tiene alguna solicitud o problema, vote por el problema.
Ver contribuyendo para más información.
Esta biblioteca tiene licencia bajo la licencia MIT-0.
