Bagikan melalui

Solusi AI generatif untuk pengembang

AI generatif, yang diaktifkan oleh model bahasa besar (LLM), membuka kemungkinan baru yang menarik bagi pengembang dan organisasi perangkat lunak. Layanan seperti Azure OpenAI dalam Model Foundry membuat pengembangan AI dapat diakses dengan API yang mudah digunakan. Pengembang di semua tingkat keterampilan dapat mengintegrasikan fungsionalitas AI tingkat lanjut ke dalam aplikasi mereka tanpa pengetahuan khusus atau investasi perangkat keras.

Sebagai pengembang aplikasi, Anda mungkin ingin memahami peran apa yang dapat Anda mainkan dan di mana Anda cocok. Misalnya, mungkin Anda bertanya-tanya pada lapisan teknologi AI mana seharusnya Anda memfokuskan pembelajaran Anda. Atau Anda mungkin bertanya-tanya apa yang mampu Anda bangun dengan teknologi yang ada.

Untuk menjawab pertanyaan-pertanyaan ini, penting bagi Anda untuk terlebih dahulu mengembangkan model mental yang memetakan bagaimana terminologi dan teknologi baru sesuai dengan apa yang sudah Anda pahami. Mengembangkan model mental membantu Anda merancang dan membangun fitur AI generatif ke dalam aplikasi Anda.

Dalam serangkaian artikel, kami menunjukkan kepada Anda bagaimana pengalaman pengembangan perangkat lunak Anda saat ini berlaku untuk AI generatif. Artikel ini juga menetapkan dasar kata kunci dan konsep untuk dibangun saat Anda mulai mengembangkan solusi AI generatif pertama Anda.

Bagaimana bisnis mendapat manfaat dari menggunakan AI generatif

Untuk memahami bagaimana pengalaman pengembangan perangkat lunak Anda saat ini berlaku untuk AI generatif, penting untuk memahami bagaimana bisnis berniat mendapatkan manfaat dari penggunaan AI generatif.

Bisnis melihat AI generatif sebagai sarana untuk meningkatkan keterlibatan pelanggan, meningkatkan efisiensi operasional, dan meningkatkan pemecahan masalah dan kreativitas. Mengintegrasikan AI generatif ke dalam sistem yang ada membuka peluang bagi bisnis untuk meningkatkan ekosistem perangkat lunak mereka. Ini dapat melengkapi fungsionalitas perangkat lunak tradisional dengan kemampuan AI tingkat lanjut, seperti rekomendasi yang dipersonalisasi untuk pengguna atau agen cerdas yang dapat menjawab pertanyaan spesifik tentang organisasi atau produk atau layanannya.

Berikut adalah beberapa skenario umum di mana AI generatif dapat membantu bisnis:

  • pembuatan konten:

    • Hasilkan teks, kode, gambar, dan suara. Skenario ini dapat berguna untuk pemasaran, penjualan, IT, komunikasi internal, dan banyak lagi.

  • pemrosesan bahasa alami :

    • Menyusun atau meningkatkan komunikasi bisnis melalui saran atau pembuatan pesan lengkap.
    • Gunakan "berinteraksi dengan data Anda." Artinya, memungkinkan pengguna untuk mengajukan pertanyaan dalam sesi obrolan interaktif dengan menggunakan data yang disimpan dalam basis data atau dokumen organisasi sebagai dasar jawaban.
    • Ringkasan, organisasi, dan penyederhanaan isi konten yang besar untuk membuat konten lebih mudah diakses.
    • Gunakan pencarian semantik. Artinya, memungkinkan pengguna untuk mencari dokumen dan data tanpa menggunakan kecocokan kata kunci yang tepat.
    • Terjemahkan bahasa untuk meningkatkan jangkauan dan aksesibilitas konten.

  • analisis data:

    • Menganalisis pasar dan mengidentifikasi tren dalam data.
    • Model skenario "bagaimana jika" untuk membantu perusahaan merencanakan kemungkinan perubahan atau tantangan di setiap bidang bisnis.
    • Analisis kode untuk menyarankan peningkatan, memperbaiki bug, dan menghasilkan dokumentasi.

Pengembang perangkat lunak memiliki kesempatan untuk secara dramatis meningkatkan dampaknya dengan mengintegrasikan aplikasi dan fungsionalitas AI generatif ke dalam perangkat lunak yang diandalkan organisasi mereka.

Cara membangun aplikasi AI generatif

Meskipun LLM menangani pekerjaan berat, Anda mengembangkan sistem yang mengintegrasikan, mengorkestrasi, dan memantau hasilnya. Ada banyak hal yang dapat dipelajari, tetapi Anda dapat menerapkan keterampilan yang sudah Anda miliki, termasuk cara:

  • Melakukan panggilan ke API dengan menggunakan REST, JSON, atau kit pengembangan perangkat lunak (SDK) khusus bahasa
  • Mengatur panggilan ke API dan melakukan logika bisnis
  • Menyimpan dan mengambil data dari penyimpanan
  • Mengintegrasikan input dan hasil ke dalam pengalaman pengguna
  • Membuat API yang dapat dipanggil dari LLM

Mengembangkan solusi AI generatif yang dibangun di atas keterampilan Anda yang sudah ada.

Alat dan layanan pengembang

Microsoft berinvestasi dalam mengembangkan alat, layanan, API, sampel, dan sumber daya pembelajaran untuk membantu Anda saat memulai perjalanan pengembangan AI generatif Anda. Masing-masing menyoroti perhatian atau tanggung jawab utama yang diperlukan untuk membangun solusi AI generatif. Untuk menggunakan layanan, API, atau sumber daya tertentu secara efektif, tantangannya adalah memastikan bahwa Anda:

  • Pahami fungsi, peran, dan tanggung jawab umum dalam jenis fitur AI generatif tertentu. Misalnya, seperti yang kita bahas panjang lebar dalam artikel konseptual yang menjelaskan sistem obrolan berbasis retrieval-augmented generation (RAG), ada banyak tanggung jawab arsitektur dalam sistem tersebut. Penting bahwa Anda memahami domain masalah dan batasan secara intim sebelum Anda merancang sistem yang mengatasi masalah.
  • Pahami API, layanan, dan alat yang ada untuk fungsi, peran, atau tanggung jawab tertentu. Sekarang setelah Anda memahami domain masalah dan batasan, Anda dapat memilih untuk membangun aspek sistem itu sendiri dengan menggunakan kode kustom atau alat kode rendah/tanpa kode yang ada, atau Anda dapat memanggil API untuk layanan yang ada.
  • Pahami opsi, termasuk solusi kode-sentris dan tanpa kode/kode rendah. Anda dapat membangun semuanya sendiri, tetapi apakah itu penggunaan yang efisien dari waktu dan keterampilan Anda? Tergantung pada kebutuhan Anda, Anda biasanya dapat menyatukan kombinasi teknologi dan pendekatan (kode, tanpa kode, kode rendah, alat).

Tidak ada satu cara yang tepat untuk membangun fitur AI generatif ke dalam aplikasi Anda. Anda dapat memilih dari banyak alat dan pendekatan. Penting untuk mengevaluasi pertukaran atau kompromi dari masing-masing.

Mulai dengan lapisan aplikasi

Anda tidak perlu memahami segala sesuatu tentang cara kerja AI generatif untuk memulai dan menjadi produktif. Seperti yang dinyatakan sebelumnya, Anda mungkin sudah cukup tahu. Anda dapat menggunakan API dan menerapkan keterampilan yang ada untuk memulai.

Misalnya, Anda tidak perlu melatih LLM Anda sendiri dari awal. Melatih LLM membutuhkan waktu dan sumber daya yang tidak ingin diinvestasikan oleh sebagian besar perusahaan. Sebagai gantinya, bangun di atas model dasar yang telah dilatih sebelumnya seperti GPT-4 dengan melakukan panggilan API ke layanan yang dihosting yang ada seperti Azure OpenAI API. Menambahkan fitur AI generatif ke aplikasi yang ada tidak berbeda dengan menambahkan fungsionalitas lain berdasarkan panggilan API.

Meneliti bagaimana LLM dilatih atau cara kerjanya mungkin memenuhi rasa ingin tahu intelektual Anda, tetapi sepenuhnya memahami cara kerja LLM membutuhkan pemahaman mendalam tentang ilmu data dan latar belakang matematika yang mendukungnya. Mendapatkan pemahaman ini mungkin termasuk kursus tingkat pascasarjana tentang statistik, probabilitas, dan teori informasi.

Jika Anda memiliki latar belakang ilmu komputer, Anda dapat menghargai bahwa sebagian besar pengembangan aplikasi terjadi pada lapisan yang lebih tinggi dalam "tumpukan" penelitian dan teknologi. Anda mungkin memiliki pemahaman tentang setiap lapisan, tetapi Anda mungkin mengkhususkan pada lapisan pengembangan aplikasi, dengan fokus pada bahasa dan platform pemrograman tertentu, seperti API, alat, dan pola yang tersedia.

Hal yang sama berlaku untuk bidang AI. Anda dapat memahami dan menghargai teori yang digunakan untuk membangun di atas LLM, tetapi Anda kemungkinan akan memusatkan perhatian pada lapisan aplikasi atau membantu menerapkan pola atau proses untuk mendukung upaya AI generatif di perusahaan Anda.

Berikut adalah representasi yang terlalu disederhanakan dari lapisan pengetahuan yang diperlukan untuk menerapkan fitur AI generatif dalam aplikasi baru atau yang sudah tersedia.

Diagram yang menggambarkan lapisan pengetahuan yang diperlukan untuk menerapkan fitur AI generatif dalam aplikasi.

Pada tingkat terendah, ilmuwan data melakukan penelitian ilmu data untuk memecahkan atau meningkatkan AI berdasarkan pemahaman matematika yang mendalam tentang statistik, teori probabilitas, dan sebagainya.

Di lapisan satu tingkat di atas, berdasarkan lapisan dasar terendah, ilmuwan data menerapkan konsep teoritis pada model pembelajaran bahasa (LLM), membangun jaringan neural dan melatih bobot serta bias untuk menyediakan perangkat lunak praktis yang dapat menerima input (prompt) dan menghasilkan hasil (completion). Proses komputasi penyusunan penyelesaian berdasarkan perintah disebut inferensi. Ilmuwan data menentukan bagaimana neuron jaringan neural memprediksi kata atau piksel berikutnya yang akan dihasilkan.

Mengingat jumlah daya pemrosesan yang diperlukan untuk melatih model dan menghasilkan hasil berdasarkan input, model sering dilatih dan dihosting di pusat data besar. Dimungkinkan untuk melatih atau menghosting model di komputer lokal, tetapi hasilnya sering lambat. Kecepatan dan efisiensi dilengkapi dengan kartu video GPU khusus yang membantu menangani komputasi yang diperlukan untuk menghasilkan hasil.

Ketika dihosting di pusat data besar, akses terprogram ke model ini disediakan melalui REST API. API terkadang "dibungkus" oleh SDK dan tersedia untuk pengembang aplikasi untuk kemudahan penggunaan. Alat lain dapat membantu meningkatkan pengalaman pengembang, memberikan pengamatan atau utilitas lainnya.

Pengembang aplikasi dapat melakukan panggilan ke API ini untuk menerapkan fungsionalitas bisnis.

Selain mendorong model secara terprogram, pola dan proses muncul untuk membantu organisasi membangun fungsionalitas bisnis yang andal berdasarkan AI generatif. Misalnya, pola muncul yang membantu bisnis memastikan bahwa teks, kode, gambar, dan suara yang dihasilkan mematuhi standar etika dan keamanan dan dengan komitmen terhadap privasi data pelanggan.

Dalam tumpukan kekhawatiran atau lapisan ini, jika Anda adalah pengembang aplikasi yang bertanggung jawab untuk membangun fungsionalitas bisnis, Anda dapat mendorong melampaui lapisan aplikasi untuk mengembangkan dan melatih LLM Anda sendiri. Tetapi tingkat pemahaman ini membutuhkan serangkaian keterampilan baru yang sering dikembangkan hanya melalui pendidikan lanjutan.

Jika Anda tidak dapat berkomitmen untuk mengembangkan kompetensi dalam ilmu data secara akademis untuk membantu membangun lapisan berikutnya di tumpukan, Anda dapat fokus pada pengembangan pengetahuan Anda tentang topik lapisan aplikasi:

  • API dan SDK: Apa yang tersedia, dan apa yang dihasilkan berbagai titik akhir.
  • Alat dan layanan terkait untuk membantu Anda membangun semua fitur yang diperlukan untuk solusi AI generatif siap produksi.
  • Rekayasa prompt: Cara mencapai hasil terbaik dengan mengajukan atau mengulangi pertanyaan.
  • Di mana hambatan muncul dan cara menskalakan solusi. Area ini termasuk memahami apa yang terlibat dalam mencatat atau mendapatkan telemetri tanpa melanggar privasi pelanggan.
  • Karakteristik berbagai LLM: Kekuatan, kasus penggunaan, tolok ukur, dan apa yang mereka ukur, dan diferensiasi utama antara vendor dan model yang diproduksi oleh setiap vendor. Informasi ini membantu Anda memilih model yang tepat untuk kebutuhan organisasi Anda.
  • Pola, alur kerja, dan proses terbaru yang dapat Anda gunakan untuk membangun fitur AI generatif yang efektif dan tangguh di aplikasi Anda.

Alat dan layanan dari Microsoft

Anda dapat menggunakan alat dan layanan AI generatif kode rendah dan tanpa kode dari Microsoft untuk membantu Anda membangun beberapa atau semua solusi Anda. Berbagai layanan Azure dapat memainkan peran penting. Masing-masing berkontribusi pada efisiensi, skalabilitas, dan ketahanan solusi.

API dan SDK untuk pendekatan berpusat pada kode

Inti dari setiap solusi AI generatif adalah model LLM. Azure OpenAI menyediakan akses ke semua fitur yang tersedia dalam model seperti GPT-4.

Produk Deskripsi
Azure OpenAI Layanan yang dihosting yang menyediakan akses ke model bahasa yang kuat seperti GPT-4. Anda dapat menggunakan beberapa API untuk melakukan semua fungsi khas LLM, termasuk membuat penyematan dan menciptakan pengalaman obrolan. Anda memiliki akses penuh ke pengaturan dan kustomisasi untuk mendapatkan hasil yang Anda inginkan.

Lingkungan eksekusi

Karena Anda membangun logika bisnis, logika presentasi, atau API untuk mengintegrasikan AI generatif ke dalam aplikasi organisasi, Anda memerlukan layanan untuk menghosting dan menjalankan logika tersebut.

Produk Deskripsi
Azure App Service (atau salah satu dari beberapa layanan cloud berbasis kontainer) Platform ini dapat menghosting antarmuka web atau API tempat pengguna berinteraksi dengan sistem obrolan RAG. Ini mendukung pengembangan, penyebaran, dan penskalaan aplikasi web yang cepat, sehingga lebih mudah untuk mengelola komponen front-end sistem.
Azure Functions Gunakan komputasi tanpa server untuk menangani tugas berbasis peristiwa dalam sistem obrolan RAG. Misalnya, gunakan untuk memicu proses pengambilan data, memproses kueri pengguna, atau menangani tugas latar belakang seperti sinkronisasi dan pembersihan data. Ini memungkinkan pendekatan yang lebih modular dan dapat diskalakan untuk membangun ujung belakang sistem.

Solusi kode rendah dan tanpa kode

Beberapa logika yang Perlu Anda terapkan visi AI generatif Anda dapat dibangun dengan cepat dan dihosting dengan andal dengan menggunakan solusi kode rendah atau tanpa kode.

Produk Deskripsi
Azure AI Foundry Anda dapat menggunakan Azure AI Foundry untuk melatih, menguji, dan menyebarkan model pembelajaran mesin kustom untuk meningkatkan sistem obrolan RAG. Misalnya, gunakan Azure AI Foundry untuk menyesuaikan pembuatan respons atau untuk meningkatkan relevansi informasi yang diambil.

Database Vektor

Beberapa solusi AI generatif mungkin memerlukan penyimpanan dan pengambilan data yang digunakan untuk meningkatkan proses pembuatan. Contohnya adalah sistem obrolan berbasis RAG yang memungkinkan pengguna untuk mengobrol dengan data organisasi Anda. Dalam kasus penggunaan ini, Anda memerlukan penyimpanan data vektor.

Produk Deskripsi
Pencarian Azure AI Anda dapat menggunakan layanan ini untuk mencari secara efisien melalui himpunan data besar untuk menemukan informasi relevan yang menginformasikan respons yang dihasilkan oleh model bahasa. Ini berguna untuk komponen pengambilan sistem RAG, sehingga respons yang dihasilkan seinformatif dan relevan secara kontekstual mungkin.
Azure Cosmos DB Layanan database multi-model yang didistribusikan secara global ini dapat menyimpan sejumlah besar data terstruktur dan tidak terstruktur yang perlu diakses sistem obrolan RAG. Kemampuan baca dan tulisnya yang cepat membuatnya ideal untuk menyajikan data real-time ke model bahasa dan untuk menyimpan interaksi pengguna untuk analisis lebih lanjut.
Azure Cache untuk Redis Penyimpanan data dalam memori yang sepenuhnya dikelola ini dapat digunakan untuk cache informasi yang sering diakses, mengurangi latensi, dan meningkatkan performa sistem obrolan RAG. Ini sangat berguna untuk menyimpan data sesi, preferensi pengguna, dan kueri umum.
Azure Database for PostgreSQL - Server yang Fleksibel Layanan database terkelola ini dapat menyimpan data aplikasi, termasuk log, profil pengguna, dan data obrolan historis. Fleksibilitas dan skalabilitasnya mendukung kebutuhan dinamis sistem obrolan RAG sehingga data tersedia dan aman secara konsisten.

Masing-masing layanan Azure ini berkontribusi untuk menciptakan arsitektur yang komprehensif, dapat diskalakan, dan efisien untuk solusi AI yang generatif. Ini membantu pengembang mengakses dan menggunakan kemampuan cloud Azure dan teknologi AI terbaik.

Pengembangan AI generatif yang ber sentris kode dengan menggunakan Api Azure OpenAI

Di bagian ini, kami berfokus pada Azure OpenAI API. Seperti yang dinyatakan sebelumnya, Anda mengakses fungsionalitas LLM secara terprogram melalui API web RESTful. Anda dapat menggunakan bahasa pemrograman modern apa pun untuk memanggil API ini. Dalam banyak kasus, SDK khusus bahasa atau platform beroperasi sebagai pembungkus di sekitar panggilan REST API untuk membuat pengalaman lebih idiomatik.

Berikut adalah daftar pembungkus Rest API Azure OpenAI:

Jika bahasa atau platform SDK tidak tersedia, skenario terburuknya adalah Anda harus melakukan panggilan REST langsung ke API web:

Sebagian besar pengembang terbiasa dengan cara memanggil API web.

Azure OpenAI menawarkan berbagai API yang dirancang untuk memfasilitasi berbagai jenis tugas yang didukung AI, sehingga pengembang dapat mengintegrasikan fungsionalitas AI tingkat lanjut ke dalam aplikasi mereka. Berikut adalah gambaran umum API kunci yang tersedia dari OpenAI:

  • CHAT Completions API: API ini berfokus pada skenario pembuatan teks, termasuk kemampuan percakapan untuk mendukung pembuatan chatbot dan asisten virtual yang dapat terlibat dalam dialog alami seperti manusia. Ini dioptimalkan untuk kasus penggunaan interaktif, termasuk dukungan pelanggan, asisten pribadi, dan lingkungan pembelajaran interaktif. Namun, ini digunakan untuk semua skenario pembuatan teks, termasuk ringkasan, pelengkapan otomatis, penulisan dokumen, analisis teks, dan terjemahan. Ini adalah titik masuk untuk kemampuan analisis visual yang saat ini sedang dalam tahap pratinjau, yaitu untuk mengunggah gambar dan mengajukan pertanyaan terkait.
  • Moderasi API: API ini dirancang untuk membantu pengembang mengidentifikasi dan memfilter konten yang berpotensi berbahaya dalam teks. Ini adalah alat yang membantu memastikan interaksi pengguna yang lebih aman dengan secara otomatis mendeteksi materi yang menyinggung, tidak aman, atau tidak pantas.
  • Embeddings API: Embeddings API menghasilkan representasi vektor input teks. Ini mengonversi kata, kalimat, atau paragraf menjadi vektor dimensi tinggi. Penyematan ini dapat digunakan untuk pencarian semantik, pengklusteran, analisis kesamaan konten, dan banyak lagi. Ini menangkap arti yang mendasar dan hubungan semantik dalam teks.
  • Image Generation API: Gunakan API ini untuk menghasilkan gambar dan seni asli berkualitas tinggi dari deskripsi tekstual. Ini didasarkan pada model DALL·E OpenAI, yang dapat membuat gambar yang sesuai dengan berbagai gaya dan subjek berdasarkan perintah yang diterimanya.
  • Audio API: API ini menyediakan akses ke model audio OpenAI dan dirancang untuk pengenalan ucapan otomatis. Ini dapat mentranskripsikan bahasa lisan ke dalam teks, atau teks ke dalam ucapan, mendukung berbagai bahasa dan dialek. Ini berguna untuk aplikasi yang memerlukan perintah suara, transkripsi konten audio, dan banyak lagi.

Meskipun Anda dapat menggunakan AI generatif untuk bekerja dengan banyak modalitas media yang berbeda, di sisa artikel ini, kami fokus pada solusi AI generatif berbasis teks. Solusi ini mencakup skenario seperti obrolan dan ringkasan.

Mulai mengembangkan dengan AI generatif

Pengembang perangkat lunak yang baru menggunakan bahasa, API, atau teknologi yang tidak dikenal biasanya mulai mempelajarinya dengan mengikuti tutorial atau modul pelatihan yang menunjukkan cara membangun aplikasi kecil. Beberapa pengembang perangkat lunak lebih suka mengambil pendekatan mandiri dan membangun aplikasi eksperimental kecil. Kedua pendekatan valid dan berguna.

Saat Anda memulai, yang terbaik adalah memulai dari yang kecil, menjanjikan sedikit, melakukan iterasi, dan membangun pemahaman dan keterampilan Anda. Mengembangkan aplikasi dengan menggunakan AI generatif memiliki tantangan unik. Misalnya, dalam pengembangan perangkat lunak tradisional, Anda dapat mengandalkan output deterministik. Artinya, untuk setiap set input, Anda dapat mengharapkan output yang sama persis setiap saat. Tetapi AI generatif tidak deterministik. Anda tidak pernah mendapatkan jawaban yang sama persis dua kali untuk perintah tertentu, yang merupakan akar dari banyak tantangan baru.

Saat Anda memulai, pertimbangkan tips ini.

Tips 1: Jelaskan tentang apa yang ingin Anda capai

  • Bersikap spesifik tentang masalah yang coba Anda pecahkan: AI Generatif dapat menyelesaikan berbagai masalah, tetapi keberhasilan berasal dari menentukan masalah spesifik yang ingin Anda selesaikan dengan jelas. Apakah Anda mencoba menghasilkan teks, gambar, kode, atau sesuatu yang lain? Semakin spesifik Anda, semakin baik Anda dapat menyesuaikan AI untuk memenuhi kebutuhan Anda.
  • Pahami audiens Anda: Mengetahui audiens Anda membantu menyesuaikan output AI agar sesuai dengan harapan mereka, baik pengguna atau pakar kasual di bidang tertentu.

Tips 2: Gunakan kekuatan LLM

  • Pahami batasan dan bias LLM: Meskipun LLM kuat, mereka memiliki batasan dan bias yang melekat. Mengetahui batasan dan bias dapat membantu Anda merancang di sekitarnya atau menggabungkan mitigasi.
  • Pahami di mana LLM unggul: LLM unggul dalam tugas seperti pembuatan konten, ringkasan, dan terjemahan bahasa. Meskipun kemampuan pengambilan keputusan dan kemampuan diskriminatif mereka semakin kuat dengan setiap versi baru, mungkin ada jenis AI lain yang lebih sesuai untuk skenario atau kasus penggunaan Anda. Pilih alat yang tepat untuk pekerjaan tersebut.

Tips 3: Untuk hasil yang baik, gunakan perintah yang baik

  • Pelajari praktik terbaik rekayasa prompt: Membuat prompt yang efektif adalah suatu seni. Bereksperimenlah dengan perintah yang berbeda untuk melihat bagaimana mereka memengaruhi output. Jadilah ringkas tetapi deskriptif.
  • Berkomitmen untuk penyempurnaan berulang: Seringkali, prompt pertama mungkin tidak menghasilkan hasil yang diinginkan. Ini adalah proses percobaan dan kesalahan. Gunakan output untuk lebih menyempurnakan perintah Anda.

Membangun solusi AI generatif pertama Anda

Jika Anda ingin mulai bereksperimen dengan segera membangun solusi AI generatif, kami sarankan Anda melihat Mulai mengobrol dengan menggunakan sampel data Anda sendiri untuk Python. Tutorial ini juga tersedia untuk .NET, Java, dan JavaScript.

Pertimbangan akhir untuk desain aplikasi

Berikut adalah daftar singkat hal-hal yang perlu dipertimbangkan dan poin penting lainnya dari artikel ini yang mungkin memengaruhi keputusan desain aplikasi Anda:

  • Tentukan ruang masalah dan audiens dengan jelas untuk menyelaraskan kemampuan AI dengan harapan pengguna. Optimalkan efektivitas solusi untuk kasus penggunaan yang dimaksudkan.
  • Gunakan platform kode rendah/tanpa kode untuk prototipe dan pengembangan yang cepat jika memenuhi persyaratan proyek Anda. Mengevaluasi pertukaran antara kecepatan pengembangan dan kemampuan penyesuaian sesuai kebutuhan. Jelajahi kemungkinan solusi kode rendah dan tanpa kode untuk bagian aplikasi Anda untuk mempercepat pengembangan dan memungkinkan anggota tim nonteknis untuk berkontribusi pada proyek.