ec genai demo
1.0.0
Esta demonstração oferece os quatro casos de uso típicos a seguir de geração de comércio eletrônico IA, usando a Amazon Bedrock e os modelos disponíveis:
Para explicações detalhadas, consulte também o blog abaixo.
Apresentando o blog: acelerando o comércio eletrônico com a geração AI Parte 2 - Uma explicação da demonstração da Amazon Bedrock exibida no AWS Summit Japan 2024 |
Inclui uma implementação de demonstração da Amazon Bedrock para os quatro casos de uso seguintes:
Para explicações detalhadas, consulte também o blog abaixo.
Apresentando o blog: acelerando o comércio eletrônico com a geração AI Parte 2 - Uma explicação da demonstração da Amazon Bedrock exibida no AWS Summit Japan 2024 |
Essa implementação gera várias propostas de design de produtos, dando -lhes imagens de produtos, que são tópicos ao projetar um novo produto e imagens das propostas de design como avisos.
No exemplo abaixo, usamos tênis brancos como imagem original e usamos a imagem das propostas de design, "sapatos de couro coloridos, cadarços brancos e logotipos de coração" para gerar várias propostas de design.
 |  |
|---|
Modelo de uso : Amazon Titan Image Generator G1
estrutura
Esta é uma implementação que analisa o produto com base em imagens do produto, nomes de produtos, recursos do produto (inserindo o material gratuito, estação, espessura do tecido etc.) e gera uma descrição de um produto de acordo com o item especificado como o tópico a ser incluído na descrição do produto. Além disso, geraremos três categorias de produtos e manuscritos postados no Instagram.
 |  |
|---|
Use Modelo : Antrópico Claude 3 Sonnet/Haiku (comutável)
estrutura
Utilizamos a imagem do produto, o nome do produto, os recursos do produto (entrada gratuita para inserir materiais, estação, espessura do tecido etc.) para executar um aviso para analisar o produto em 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>
Aqui usamos as seguintes técnicas de prompt de várias várias técnicas de Claude:
Modelo de uso :
estrutura
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>
 |  |
|---|
Essa implementação envolve o upload da imagem original do produto e a instruções da imagem para gerar vários planos de geração de fundo para preparar imagens de produtos e imagens de publicidade.
No exemplo abaixo, vários esquemas de geração de fundo são gerados usando uma garrafa de vinho como imagem original e são passados na imagem a seguir.
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
estrutura
Geração automática de imagem de máscara
Respondendo aos prompts japoneses
Geração de imagens
Esta é uma implementação de pesquisa multimodal/semântica que permite armazenar descrições de produtos e imagens de produtos como vetores em um db de vetor e recuperar a pesquisa semântica que pode ser semanticamente próxima do texto ou das imagens inseridas durante a pesquisa de produtos. Além disso, os resultados da pesquisa de produtos são personalizados e gerados, personalizando as descrições para se adequar à persona do pesquisador.
 |  |
|---|
*Comida japonesa e macarrão soba, que são semelhantes a "alimentos saudáveis e saudáveis", estão no topo dos resultados da pesquisa, e você pode ver que eles têm uma pesquisa semântica.
Modelo usado : Claude Anthrópico 3 Haiku, Amazon Titan Multimodal incorporados G1
estrutura
Por favor, verifique o seguinte para obter detalhes.
diify/
Esta demonstração foi apresentada com um vídeo no AWS Expert Online para Jaws-UG #34 em 24 de julho de 2024.
A arquitetura é muito simples, com um aplicativo Web simples implementado no SteamLit implantado no Amazon ECS, acessível via HTTPS via CloudFront -> Balanceador de carga de aplicativos.
Um script python no SteamLit chama a API da Amazon Bedrock para solicitar e recuperar os resultados de várias AIs de geração. Os modelos são o gerador de imagens do Amazon Titan G1 para geração de imagens, claude antropic 3/3,5 sonetos/haiku para processamento de texto e incorporação multimodal Amazon Titan G1 para vetorização durante a pesquisa na Amazon Bedrock API.
Importante
Este repositório está configurado para usar os seguintes modelos na região de Oregon (US-West-2) como modelos de rocha da Amazon:
Abra a tela de acesso ao modelo (US-WEST-2) na conta em que você deseja implantar esta amostra com antecedência, verifique o acesso ao modelo e salve alterações.
Primeiro, use o comando a seguir para passar para o diretório cdk e configurá -lo.
cd cdk
npx projen installImportante
Você usará o Kit de Desenvolvimento em Cloud da AWS (daqui em diante CDK) e Projen para implantação.
Para obter mais informações sobre Projen e CDKs, consulte também o blog da AWS abaixo.
https://aws.amazon.com/jp/blogs/news/getting-started-with-projen-and-aws-cdk/
Se você nunca usou o CDK, precisará fazer Bootstrap apenas pela primeira vez.
*O comando a seguir não é necessário em um ambiente em que você já tenha inicializado.
npx cdk bootstrap Em seguida, use o seguinte comando para implantar os recursos da AWS: Aguarde até que a implantação esteja concluída.
*Demora cerca de 15 minutos.
npx projen build
npx projen deploy Você pode criar um ambiente em um ambiente local usando um contêiner ou poesia.
Do seu ambiente local, você deve ter permissão para invocar a Amazon Bedrock ou a Amazon traduzir
Defina a chave de acesso com variáveis de ambiente
export AWS_ACCESS_KEY_ID=xxx
export AWS_SECRET_ACCESS_KEY=xxxComece com o Docker Compose
cd src
docker compose upImportante
A versão Python assume ">=3.12,<3.13" como visto em pyproject.toml da poesia.
Ele utiliza o recurso de ambiente virtual da poesia, por isso não entra em conflito com o Python existente.
Você pode criar um ambiente usando poesia da seguinte maneira:
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
Renomeie o arquivo .env.example para .env e defina suas credenciais da 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
Depois de construir o meio ambiente, comece a simplificar com o seguinte comando:
source .venv/bin/activate
region=us-west-2 poetry run streamlit run app.py
Esta amostra, EC-Genai-Demo, foi usada para considerar melhorar a experiência de pesquisa usando a IA gerada. Os dados de nossa empresa foram registrados na função de demonstração de pesquisa vetorial e realizamos um POC.
Se você tiver algum pedido ou problema, vote no problema.
Consulte contribuindo para mais informações.
Esta biblioteca está licenciada sob a licença MIT-0.
