ec genai demo
1.0.0
Demo ini menawarkan empat kasus penggunaan khas AI generasi e-commerce berikut, menggunakan Amazon Bedrock dan model yang tersedia di atasnya:
Untuk penjelasan terperinci, silakan juga merujuk ke blog di bawah ini.
Memperkenalkan Blog: Accelerating E -Commerce dengan Generasi AI Bagian 2 - Penjelasan Demo Amazon Bedrock yang dipamerkan di AWS Summit Japan 2024 |
Termasuk implementasi demo oleh Amazon Bedrock untuk empat kasus penggunaan berikut:
Untuk penjelasan terperinci, silakan juga merujuk ke blog di bawah ini.
Memperkenalkan Blog: Accelerating E -Commerce dengan Generasi AI Bagian 2 - Penjelasan Demo Amazon Bedrock yang dipamerkan di AWS Summit Japan 2024 |
Implementasi ini menghasilkan banyak proposal desain produk dengan memberi mereka gambar produk, yang merupakan topik saat merancang produk baru, dan gambar proposal desain sebagai petunjuk.
Dalam contoh di bawah ini, kami menggunakan sepatu kets putih sebagai gambar asli, dan kami menggunakan gambar proposal desain, "sepatu kulit berwarna -warni, tali putih, dan logo hati," untuk menghasilkan banyak proposal desain.
 |  |
|---|
Model Penggunaan : Generator Gambar Amazon Titan G1
struktur
Ini adalah implementasi yang menganalisis produk berdasarkan gambar produk, nama produk, fitur produk (memasukkan material, musim, ketebalan kain, dll.), Dan menghasilkan deskripsi produk sesuai dengan item yang ditentukan sebagai topik yang akan dimasukkan dalam deskripsi produk. Selain itu, kami akan menghasilkan tiga kategori produk dan manuskrip yang diposting ke Instagram.
 |  |
|---|
Gunakan Model : Antropik Claude 3 Sonnet/Haiku (Switchable)
struktur
Kami menggunakan gambar produk, nama produk, fitur produk (input gratis ke material input, musim, ketebalan kain, dll.) Untuk melakukan prompt untuk menganalisis produk di 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>
Di sini kami menggunakan teknik cepat berikut untuk Claude:
Model Penggunaan :
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>
 |  |
|---|
Implementasi ini melibatkan pengunggahan gambar produk asli dan menginstruksikan gambar untuk menghasilkan beberapa rencana pembuatan latar belakang untuk menyiapkan gambar produk dan gambar iklan.
Dalam contoh di bawah ini, beberapa skema pembuatan latar belakang dihasilkan menggunakan botol anggur sebagai gambar asli dan dilewatkan pada gambar berikut.
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
 |  |
|---|
Model Penggunaan : Generator Gambar Amazon Titan G1
struktur
Pembuatan gambar topeng otomatis
Menanggapi petunjuk Jepang
Pembuatan gambar
Ini adalah implementasi pencarian multimodal/semantik yang memungkinkan Anda untuk menyimpan deskripsi produk dan gambar produk sebagai vektor dalam vektor DB dan mengambil pencarian semantik yang dapat secara semantik dekat dengan teks atau gambar yang dimasukkan selama pencarian produk. Selain itu, hasil pencarian produk dipersonalisasi dan dihasilkan dengan personalisasi deskripsi agar sesuai dengan kepribadian pencari.
 |  |
|---|
*Makanan Jepang dan mie soba, yang mirip dengan "makanan sehat dan sehat," berada di puncak hasil pencarian, menunjukkan bahwa mereka memiliki pencarian semantik.
Model bekas : Antropik Claude 3 Haiku, Amazon Titan Multimodal Embeddings G1
struktur
Silakan periksa detail berikut.
Diify/
Demo ini ditampilkan dengan video di AWS Expert Online untuk Jaws-Ug #34 pada 24 Juli 2024.
Arsitekturnya sangat sederhana, dengan aplikasi web sederhana yang diimplementasikan di SteamLit yang digunakan di Amazon ECS, dapat diakses melalui HTTPS melalui CloudFront -> Balancer beban aplikasi.
Skrip python tentang Steamlit memanggil Amazon Bedrock API untuk meminta dan mengambil hasil dari berbagai generasi AIS. Modelnya adalah generator gambar Amazon Titan G1 untuk pembuatan gambar, antropik Claude 3/3.5 soneta/haiku untuk pemrosesan teks, dan embeddings multimodal Amazon Titan G1 untuk vektorisasi selama pencarian, dari API Amazon Bedrock.
Penting
Repositori ini dikonfigurasi untuk menggunakan model berikut di wilayah Oregon (US-West-2) sebagai model Amazon Bedrock:
Harap buka layar Model Access (US-West-2) di akun tempat Anda ingin menggunakan sampel ini terlebih dahulu, periksa akses model dan menyimpan perubahan.
Pertama, gunakan perintah berikut untuk pindah ke direktori cdk dan mengaturnya.
cd cdk
npx projen installPenting
Anda akan menggunakan AWS Cloud Development Kit (selanjutnya CDK) dan Projen untuk penempatan.
Untuk informasi lebih lanjut tentang Projen dan CDK, silakan lihat juga blog AWS di bawah ini.
https://aws.amazon.com/jp/blogs/news/getting-started-with-projen-and-aws-cdk/
Jika Anda belum pernah menggunakan CDK, Anda perlu melakukan Bootstrap untuk pertama kalinya saja.
*Perintah berikut tidak diperlukan di lingkungan di mana Anda telah bootstraped.
npx cdk bootstrap Selanjutnya, gunakan perintah berikut untuk menggunakan sumber daya AWS: Harap tunggu sampai penempatan selesai.
*Dibutuhkan sekitar 15 menit.
npx projen build
npx projen deploy Anda dapat menciptakan lingkungan di lingkungan lokal menggunakan wadah atau puisi.
Dari lingkungan lokal Anda, Anda harus memiliki izin untuk memohon Amazon Bedrock atau Amazon Translate
Atur tombol akses dengan variabel lingkungan
export AWS_ACCESS_KEY_ID=xxx
export AWS_SECRET_ACCESS_KEY=xxxMulailah dengan Docker Compose
cd src
docker compose upPenting
Versi Python mengasumsikan ">=3.12,<3.13" seperti yang terlihat dalam pyproject.toml of poetry.
Ini memanfaatkan fitur lingkungan virtual puisi, sehingga tidak bertentangan dengan ular python yang ada.
Anda dapat membuat lingkungan menggunakan puisi sebagai berikut:
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
Ubah nama file .env.example ke .env dan atur kredensial AWS Anda.
# 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
Setelah membangun lingkungan, mulailah diuntungkan dengan perintah berikut:
source .venv/bin/activate
region=us-west-2 poetry run streamlit run app.py
Sampel ini, EC-Genai-Demo, digunakan untuk mempertimbangkan meningkatkan pengalaman pencarian menggunakan AI generator. Data perusahaan kami terdaftar dalam fungsi demo pencarian vektor dan kami melakukan POC.
Jika Anda memiliki permintaan atau masalah, silakan pilih masalah ini.
Lihat berkontribusi untuk informasi lebih lanjut.
Perpustakaan ini dilisensikan di bawah lisensi MIT-0.
