ec genai demo
1.0.0
Cette démo propose les quatre cas d'utilisation typiques suivants d'IA de génération de commerce électronique, en utilisant le fondement d'Amazon et les modèles disponibles:
Pour des explications détaillées, veuillez également vous référer au blog ci-dessous.
Présentation du blog: Accélération du commerce électronique avec Génération AI Part 2 - Une explication de la démo du substratum rocheux d'Amazon exposée à AWS Summit Japan 2024 |
Comprend une implémentation de démonstration par le substratum rocheux d'Amazon pour les quatre cas d'utilisation suivants:
Pour des explications détaillées, veuillez également vous référer au blog ci-dessous.
Présentation du blog: Accélération du commerce électronique avec Génération AI Part 2 - Une explication de la démo du substratum rocheux d'Amazon exposée à AWS Summit Japan 2024 |
Cette implémentation génère plusieurs propositions de conception de produits en leur donnant des images de produits, qui sont des sujets lors de la conception d'un nouveau produit et des images des propositions de conception comme invites.
Dans l'exemple ci-dessous, nous utilisons des baskets blanches comme image d'origine, et nous utilisons l'image des propositions de conception, «Chaussures en cuir colorées, lacets blancs et logos de cœur», pour générer plusieurs propositions de conception.
 |  |
|---|
Modèle d'utilisation : Amazon Titan Image Generator G1
structure
Il s'agit d'une implémentation qui analyse le produit en fonction des images du produit, des noms de produits, des caractéristiques du produit (entrée gratuite du matériau, de la saison, de l'épaisseur du tissu, etc.), et génère une description du produit en fonction de l'élément spécifié comme sujet à inclure dans la description du produit. De plus, nous générerons trois catégories de produits et manuscrits publiés sur Instagram.
 |  |
|---|
Utiliser le modèle : Anthropic Claude 3 Sonnet / Haiku (Switchable)
structure
Nous utilisons l'image du produit, le nom du produit, les caractéristiques du produit (entrée gratuite pour les matériaux d'entrée, saison, épaisseur de tissu, etc.) pour effectuer une invite pour analyser le produit dans 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>
Ici, nous utilisons les techniques rapides suivantes pour Claude:
Modèle d'utilisation :
structure
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>
 |  |
|---|
Cette implémentation consiste à télécharger l'image du produit d'origine et à instruire l'image de générer plusieurs plans de génération d'arrière-plan pour préparer des images de produits et des images publicitaires.
Dans l'exemple ci-dessous, plusieurs schémas de génération d'arrière-plan sont générés à l'aide d'une bouteille de vin comme image d'origine et sont passées dans l'image suivante.
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
 |  |
|---|
Modèle d'utilisation : Amazon Titan Image Generator G1
structure
Génération d'image de masque automatique
Répondre aux invites japonaises
Génération d'images
Il s'agit d'une implémentation de recherche multimodale / sémantique qui vous permet de stocker des descriptions de produits et des images de produits en tant que vecteurs dans une base de données vectorielle et récupérer la recherche sémantique qui peut être sémantiquement proche du texte ou des images saisies lors de la recherche de produit. De plus, les résultats de la recherche de produits sont personnalisés et générés en personnalisant des descriptions en fonction de la personnalité du chercheur.
 |  |
|---|
* La nourriture japonaise et les nouilles soba, qui sont similaires aux «aliments sains et sains», sont au sommet des résultats de recherche, montrant qu'ils ont une recherche sémantique.
Modèle utilisé : Anthropic Claude 3 Haiku, Amazon Titan Multimodal Embeddings G1
structure
Veuillez vérifier ce qui suit pour plus de détails.
diify /
Cette démo a été présentée avec une vidéo chez AWS Expert Online pour Jaws-Ug # 34 le 24 juillet 2024.
L'architecture est très simple, avec une application Web simple implémentée dans Steamlit déployée sur Amazon ECS, accessible via HTTPS via CloudFront -> Balancer de charge d'application.
Un script Python sur Steamlit appelle l'API Amazon Bedrock pour inviter et récupérer les résultats de diverses AIS de génération. Les modèles sont Amazon Titan Image Generator G1 pour la génération d'images, Anthropic Claude 3 / 3.5 Sonnet / Haiku pour le traitement de texte et Amazon Titan Multimodal Embeddings G1 pour la vectorisation lors de la recherche, à partir de l'API Amazon Bedrock.
Important
Ce référentiel est configuré pour utiliser les modèles suivants dans la région de l'Oregon (US-West-2) comme modèles de substratum rocheux Amazon:
Veuillez ouvrir l'écran d'accès du modèle (US-West-2) dans le compte où vous souhaitez déployer cet échantillon à l'avance, vérifier l'accès au modèle et enregistrer les modifications.
Tout d'abord, utilisez la commande suivante pour passer au répertoire cdk et le configurer.
cd cdk
npx projen installImportant
Vous utiliserez le Kit de développement AWS Cloud (ci-après CDK) et ProJen pour le déploiement.
Pour plus d'informations sur Projen et CDK, veuillez également vous référer au blog AWS ci-dessous.
https://aws.amazon.com/jp/blogs/news/getting-started-with-projen-and-aws-cdk/
Si vous n'avez jamais utilisé le CDK, vous devrez faire Bootstrap pour la première fois seulement.
* La commande suivante n'est pas requise dans un environnement où vous avez déjà opposé.
npx cdk bootstrap Ensuite, utilisez la commande suivante pour déployer les ressources AWS: Veuillez attendre que le déploiement soit terminé.
* Cela prend environ 15 minutes.
npx projen build
npx projen deploy Vous pouvez créer un environnement dans un environnement local à l'aide d'un conteneur ou d'une poésie.
De votre environnement local, vous devez avoir la permission d'invoquer le fondement d'Amazon ou Amazon traduire
Définissez la clé d'accès avec les variables d'environnement
export AWS_ACCESS_KEY_ID=xxx
export AWS_SECRET_ACCESS_KEY=xxxCommencez par Docker Compose
cd src
docker compose upImportant
La version Python suppose ">=3.12,<3.13" comme le montre pyproject.toml de poésie.
Il utilise la caractéristique de l'environnement virtuel de la poésie, il n'est donc pas en conflit avec Python existant.
Vous pouvez créer un environnement utilisant la poésie comme suit:
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
Renommez le fichier .env.example sur .env et définissez vos informations d'identification 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
Après la construction de l'environnement, commencez à rationaliser avec la commande suivante:
source .venv/bin/activate
region=us-west-2 poetry run streamlit run app.py
Cet échantillon, EC-Genai-Demo, a été utilisé pour envisager d'améliorer l'expérience de recherche en utilisant l'IA du générateur. Les données de notre entreprise ont été enregistrées dans la fonction de démonstration de recherche vectorielle et nous avons effectué un POC.
Si vous avez des demandes ou des problèmes, veuillez voter pour la question.
Voir contribuer pour plus d'informations.
Cette bibliothèque est autorisée sous la licence MIT-0.
