Mastering LLM Knowledge Graphs: ສ້າງ ແລະປະຕິບັດ GraphRAG ໃນເວລາພຽງ 5 ນາທີ

LLM Knowledge Graph Builder ແມ່ນຫນຶ່ງໃນເຄື່ອງມືລະບົບນິເວດ GraphRAG ຂອງ Neo4j ທີ່ຊ່ວຍໃຫ້ທ່ານສາມາດປ່ຽນຂໍ້ມູນທີ່ບໍ່ມີໂຄງສ້າງໄປສູ່ກາຟຄວາມຮູ້ແບບເຄື່ອນໄຫວ. ມັນໄດ້ຖືກລວມເຂົ້າກັບ chatbot Retrieval-Augmented Generation (RAG), ເຮັດໃຫ້ການສອບຖາມພາສາທໍາມະຊາດແລະຄວາມເຂົ້າໃຈທີ່ອະທິບາຍໄດ້ໃນຂໍ້ມູນຂອງທ່ານ.

Neo4j LLM Knowledge Graph Builder ແມ່ນຫຍັງ?

Neo4j ເປັນຄໍາຮ້ອງສະຫມັກອອນໄລນ໌ທີ່ມີນະວັດກໍາສໍາລັບການປ່ຽນຂໍ້ຄວາມທີ່ບໍ່ມີໂຄງສ້າງເຂົ້າໄປໃນເສັ້ນສະແດງຄວາມຮູ້ທີ່ບໍ່ມີລະຫັດແລະບໍ່ມີ Cypher, ສະຫນອງປະສົບການການປ່ຽນຂໍ້ຄວາມທີ່ມະຫັດສະຈັນ. ມັນໃຊ້ແບບຈໍາລອງ ML (LLMs: OpenAI, Gemini, Diffbot) ເພື່ອຫັນປ່ຽນ PDFs, ຫນ້າເວັບ, ແລະວິດີໂອ YouTube ເຂົ້າໄປໃນຕາຕະລາງຄວາມຮູ້ຂອງຫນ່ວຍງານແລະຄວາມສໍາພັນຂອງພວກເຂົາ.

ສ່ວນດ້ານໜ້າແມ່ນແອັບພລິເຄຊັນ React ໂດຍອີງໃສ່ ຂອງພວກເຮົາ, ແລະດ້ານຫຼັງແມ່ນແອັບພລິເຄຊັນ Python FastAPI. ມັນໃຊ້ ທີ່ Neo4j ປະກອບສ່ວນເຂົ້າໃນ LangChain.

ຄໍາຮ້ອງສະຫມັກສະຫນອງປະສົບການ seamless, ປະຕິບັດຕາມສີ່ຂັ້ນຕອນງ່າຍດາຍ:

1. ການ​ປ້ອນ​ຂໍ້​ມູນ — ສະ​ຫນັບ​ສະ​ຫນູນ​ແຫຼ່ງ​ຂໍ້​ມູນ​ຕ່າງໆ​, ລວມ​ທັງ​ເອ​ກະ​ສານ PDF​, ຫນ້າ Wikipedia​, ວິ​ດີ​ໂອ YouTube​, ແລະ​ອື່ນໆ​ອີກ​.
2. Entity Recognition - ໃຊ້ LLMs ເພື່ອກໍານົດແລະສະກັດຫນ່ວຍງານແລະຄວາມສໍາພັນອອກຈາກຂໍ້ຄວາມທີ່ບໍ່ມີໂຄງສ້າງ.
3. ການສ້າງກຣາບ - ແປງຫົວໜ່ວຍທີ່ຮັບຮູ້ ແລະຄວາມສໍາພັນເປັນຮູບແບບກຣາຟ, ໂດຍໃຊ້ຄວາມສາມາດຂອງກາຟ Neo4j.
4. ການໂຕ້ຕອບຜູ້ໃຊ້ - ສະຫນອງການໂຕ້ຕອບເວັບໄຊຕ໌ intuitive ສໍາລັບຜູ້ໃຊ້ເພື່ອພົວພັນກັບຄໍາຮ້ອງສະຫມັກ, ອໍານວຍຄວາມສະດວກໃນການອັບໂຫລດແຫຼ່ງຂໍ້ມູນ, ການເບິ່ງເຫັນຂອງກາຟທີ່ສ້າງຂຶ້ນ, ແລະການພົວພັນກັບຕົວແທນ RAG. ຄວາມສາມາດນີ້ແມ່ນຫນ້າຕື່ນເຕັ້ນເປັນພິເສດຍ້ອນວ່າມັນອະນຸຍາດໃຫ້ມີການໂຕ້ຕອບ intuitive ກັບຂໍ້ມູນ, ຄ້າຍຄືກັບການສົນທະນາກັບກາຟຄວາມຮູ້ຕົວມັນເອງ - ບໍ່ຈໍາເປັນຕ້ອງມີຄວາມຮູ້ດ້ານວິຊາການ.

ໃຫ້ລອງມັນອອກ

ພວກເຮົາສະຫນອງຄໍາຮ້ອງສະຫມັກໃນ ຂອງພວກເຮົາທີ່ບໍ່ມີບັດເຄຣດິດທີ່ຕ້ອງການແລະບໍ່ມີກະແຈ LLM — ບໍ່ມີ friction. ອີກທາງເລືອກ, ເພື່ອດໍາເນີນການມັນຢູ່ໃນທ້ອງຖິ່ນຫຼືພາຍໃນສະພາບແວດລ້ອມຂອງທ່ານ, ໄປຢ້ຽມຢາມ ສາທາລະນະແລະປະຕິບັດຕາມຄໍາແນະນໍາຂັ້ນຕອນໂດຍຂັ້ນຕອນທີ່ພວກເຮົາຈະກວມເອົາໃນການຕອບນີ້.

ກ່ອນທີ່ພວກເຮົາຈະເປີດແລະນໍາໃຊ້ LLM Knowledge Graph Builder, ໃຫ້ສ້າງຖານຂໍ້ມູນ Neo4j ໃຫມ່. ສໍາລັບການນັ້ນ, ພວກເຮົາສາມາດນໍາໃຊ້ຖານຂໍ້ມູນ AuraDB ຟຣີໂດຍປະຕິບັດຕາມຂັ້ນຕອນເຫຼົ່ານີ້:

• ເຂົ້າສູ່ລະບົບ ຫຼືສ້າງບັນຊີຢູ່ //console.neo4j.io .
• ພາຍໃຕ້ຕົວຢ່າງ, ສ້າງຖານຂໍ້ມູນ AuraDB ຟຣີໃຫມ່.
• ດາວໂຫລດໄຟລ໌ຂໍ້ມູນປະຈໍາຕົວ.
• ລໍຖ້າຈົນກ່ວາຕົວຢ່າງຈະເຮັດວຽກ.

ໃນປັດຈຸບັນທີ່ພວກເຮົາມີຖານຂໍ້ມູນ Neo4j ຂອງພວກເຮົາແລ່ນແລະຂໍ້ມູນປະຈໍາຕົວຂອງພວກເຮົາ, ພວກເຮົາສາມາດເປີດ LLM Knowledge Graph Builder, ແລະຄລິກໃສ່ ການເຊື່ອມຕໍ່ກັບ Neo4j ໃນມຸມຂວາເທິງ.

ວາງໄຟລ໌ຂໍ້ມູນປະຈໍາຕົວທີ່ດາວໂຫລດມາໃນກ່ອງໂຕ້ຕອບການເຊື່ອມຕໍ່. ຂໍ້ມູນທັງຫມົດຄວນຈະຖືກຕື່ມໃສ່ໂດຍອັດຕະໂນມັດ. ອີກທາງເລືອກ, ທ່ານສາມາດໃສ່ທຸກສິ່ງທຸກຢ່າງດ້ວຍຕົນເອງ.

ການສ້າງ Knowledge Graph

ຂະບວນການເລີ່ມຕົ້ນດ້ວຍການເອົາຂໍ້ມູນທີ່ບໍ່ມີໂຄງສ້າງຂອງທ່ານ, ເຊິ່ງຫຼັງຈາກນັ້ນໄດ້ຜ່ານ LLM ເພື່ອກໍານົດຫນ່ວຍງານທີ່ສໍາຄັນແລະຄວາມສໍາພັນຂອງພວກເຂົາ.

ທ່ານ​ສາ​ມາດ drag ແລະ​ລົງ PDF ແລະ​ໄຟລ​໌​ອື່ນໆ​ເຂົ້າ​ໄປ​ໃນ​ເຂດ​ການ​ປ້ອນ​ຂໍ້​ມູນ​ທໍາ​ອິດ​ຢູ່​ເບື້ອງ​ຊ້າຍ​. ການປ້ອນຂໍ້ມູນທີສອງຈະເຮັດໃຫ້ເຈົ້າຄັດລອກ/ວາງລິ້ງໄປຫາວິດີໂອ YouTube ທີ່ເຈົ້າຕ້ອງການໃຊ້, ໃນຂະນະທີ່ການປ້ອນຂໍ້ມູນທີສາມໃຊ້ລິ້ງໜ້າ Wikipedia.

ຕົວຢ່າງນີ້, ຂ້ອຍຈະໂຫລດ PDF ຈໍານວນຫນ້ອຍທີ່ຂ້ອຍມີກ່ຽວກັບບໍລິສັດລະບົບຕ່ອງໂສ້ການສະຫນອງທີ່ເອີ້ນວ່າ GraphACME, , ແລະ ກ່ຽວກັບ Corporate Sustainability Due Diligence Directive (CSDDD), ເຊັ່ນດຽວກັນກັບສອງຫນ້າຈາກ Wikipedia: ແລະ .

ໃນຂະນະທີ່ການອັບໂຫລດໄຟລ໌, ແອັບພລິເຄຊັນຈະເກັບແຫຼ່ງທີ່ອັບໂຫລດໄວ້ເປັນຈຸດເອກະສານໃນກາຟໂດຍໃຊ້ LangChain Document Loaders ແລະຕົວແຍກວິເຄາະ YouTube. ເມື່ອໄຟລ໌ທັງຫມົດໄດ້ຖືກອັບໂຫລດ, ທ່ານຄວນເຫັນບາງສິ່ງບາງຢ່າງທີ່ຄ້າຍຄືກັນນີ້:

ທັງໝົດທີ່ພວກເຮົາຕ້ອງເຮັດຕອນນີ້ແມ່ນເລືອກຕົວແບບເພື່ອໃຊ້, ຄລິກ ສ້າງກຣາບ , ແລະປ່ອຍໃຫ້ເວດມົນເຮັດສ່ວນທີ່ເຫຼືອໃຫ້ກັບເຈົ້າ!

ຖ້າທ່ານຕ້ອງການສ້າງການເລືອກໄຟລ໌, ທ່ານສາມາດເລືອກໄຟລ໌ທໍາອິດ (ໂດຍມີກ່ອງກາເຄື່ອງຫມາຍຢູ່ໃນຖັນທໍາອິດຂອງຕາຕະລາງ) ແລະຄລິກ ສ້າງຕາຕະລາງ .

ໃນຂະນະທີ່ມັນກໍາລັງປະມວນຜົນໄຟລ໌ຂອງເຈົ້າ ແລະສ້າງ Knowledge Graph ຂອງເຈົ້າ, ໃຫ້ຂ້ອຍສະຫຼຸບສິ່ງທີ່ເກີດຂຶ້ນພາຍໃຕ້ຫົວ:

1. ເນື້ອໃນແມ່ນແບ່ງອອກເປັນຕ່ອນ.
2. Chunks ຖືກເກັບໄວ້ໃນກາຟແລະເຊື່ອມຕໍ່ກັບ node ເອກະສານແລະເຊິ່ງກັນແລະກັນສໍາລັບຮູບແບບ RAG ຂັ້ນສູງ.
3. chunks ທີ່​ຄ້າຍ​ຄື​ກັນ​ສູງ​ແມ່ນ​ເຊື່ອມ​ຕໍ່​ກັບ​ຄວາມ​ສໍາ​ພັນ SIMILAR ເພື່ອ​ປະ​ກອບ​ເປັນ K-Nearest Neighbors graph.
4. ການຝັງຕົວໄດ້ຖືກຄິດໄລ່ແລະເກັບໄວ້ໃນ chunks ແລະ vector index.
5. ການນໍາໃຊ້ llm-graph-transformer ຫຼື diffbot-graph-transformer, ຫນ່ວຍງານແລະຄວາມສໍາພັນແມ່ນຖືກສະກັດອອກຈາກຂໍ້ຄວາມ.
6. ຫນ່ວຍງານຖືກເກັບໄວ້ໃນກາຟແລະເຊື່ອມຕໍ່ກັບ chunks ຕົ້ນກໍາເນີດ.

ສຳຫຼວດ Knowledge Graph ຂອງທ່ານ

ຂໍ້​ມູນ​ທີ່​ຖືກ​ແຍກ​ອອກ​ຈາກ​ເອ​ກະ​ສານ​ຂອງ​ທ່ານ​ແມ່ນ​ມີ​ໂຄງ​ສ້າງ​ເປັນ​ຮູບ​ແບບ​ກ​ຣາ​ຟ​, ບ່ອນ​ທີ່​ຫົວ​ຫນ່ວຍ​ກາຍ​ເປັນ nodes​, ແລະ​ຄວາມ​ສໍາ​ພັນ​ໄດ້​ກາຍ​ເປັນ​ຂອບ​ການ​ເຊື່ອມ​ຕໍ່​ຂໍ້​ເຫຼົ່າ​ນີ້​. ຄວາມງາມຂອງການນໍາໃຊ້ Neo4j ແມ່ນຢູ່ໃນຄວາມສາມາດໃນການເກັບຮັກສາແລະສອບຖາມເຄືອຂ່າຍຂໍ້ມູນທີ່ສັບສົນເຫຼົ່ານີ້ຢ່າງມີປະສິດທິພາບ, ເຮັດໃຫ້ເສັ້ນສະແດງຄວາມຮູ້ທີ່ສ້າງຂຶ້ນທັນທີເປັນປະໂຫຍດສໍາລັບຫຼາຍໆຄໍາຮ້ອງສະຫມັກ.

ກ່ອນທີ່ພວກເຮົາຈະໃຊ້ຕົວແທນ RAG ເພື່ອຖາມຄໍາຖາມກ່ຽວກັບຂໍ້ມູນຂອງພວກເຮົາ, ພວກເຮົາສາມາດເລືອກເອກະສານຫນຶ່ງ (ຫຼືຫຼາຍ) ດ້ວຍກ່ອງກາເຄື່ອງຫມາຍແລະຄລິກ Show Graph . ນີ້ຈະສະແດງຫນ່ວຍງານທີ່ສ້າງຂຶ້ນສໍາລັບເອກະສານທີ່ທ່ານເລືອກ; ນອກນັ້ນທ່ານຍັງສາມາດສະແດງເອກະສານແລະ chunks node ໃນມຸມເບິ່ງນັ້ນ:

ປຸ່ມ Open Graph with Bloom ຈະເປີດ ເພື່ອຊ່ວຍໃຫ້ທ່ານເຫັນພາບ ແລະນຳທາງກາຟຄວາມຮູ້ທີ່ສ້າງຂຶ້ນໃໝ່ຂອງເຈົ້າ. ການດໍາເນີນການຕໍ່ໄປ — ລຶບໄຟລ໌ — ລຶບເອກະສານທີ່ເລືອກ ແລະ chunks ຈາກກາຟ (ແລະຫນ່ວຍງານຖ້າຫາກວ່າທ່ານເລືອກມັນຢູ່ໃນທາງເລືອກ).

ສົນທະນາກັບຄວາມຮູ້ຂອງເຈົ້າ

ຕອນນີ້ມາຮອດສ່ວນສຸດທ້າຍ: ຕົວແທນ RAG ທີ່ເຈົ້າສາມາດເຫັນໄດ້ໃນກະດານທີ່ຖືກຕ້ອງ.

ຂະບວນການດຶງຂໍ້ມູນ - ມັນເຮັດວຽກແນວໃດ?

ຮູບພາບຂ້າງລຸ່ມນີ້ສະແດງໃຫ້ເຫັນທັດສະນະທີ່ງ່າຍດາຍຂອງຂະບວນການ GraphRAG.

ເມື່ອຜູ້ໃຊ້ຖາມຄໍາຖາມ, ພວກເຮົາໃຊ້ Neo4j vector index ດ້ວຍການສອບຖາມຂໍ້ມູນເພື່ອຄົ້ນຫາ chunks ທີ່ກ່ຽວຂ້ອງທີ່ສຸດສໍາລັບຄໍາຖາມແລະຫນ່ວຍງານທີ່ເຊື່ອມຕໍ່ຂອງພວກເຂົາເຖິງຄວາມເລິກຂອງ 2 hops. ພວກເຮົາຍັງສະຫຼຸບປະຫວັດການສົນທະນາ ແລະໃຊ້ມັນເປັນອົງປະກອບເພື່ອເສີມສ້າງບໍລິບົດ.

ວັດສະດຸປ້ອນແລະແຫຼ່ງຂໍ້ມູນຕ່າງໆ (ຄໍາຖາມ, ຜົນໄດ້ຮັບ vector, ປະຫວັດການສົນທະນາ) ທັງຫມົດຖືກສົ່ງໄປຫາຕົວແບບ LLM ທີ່ເລືອກໃນການກະຕຸ້ນເຕືອນທີ່ກໍາຫນົດເອງ, ຂໍໃຫ້ສະຫນອງແລະຈັດຮູບແບບຄໍາຕອບຕໍ່ຄໍາຖາມທີ່ຖາມໂດຍອີງໃສ່ອົງປະກອບແລະສະພາບການທີ່ສະຫນອງໃຫ້. ແນ່ນອນ, ການກະຕຸ້ນເຕືອນມີ magic ຫຼາຍ, ເຊັ່ນ: ການຈັດຮູບແບບ, ຂໍໃຫ້ອ້າງເຖິງແຫຼ່ງຂໍ້ມູນ, ເພື່ອບໍ່ໃຫ້ຄາດເດົາວ່າຄໍາຕອບແມ່ນບໍ່ຮູ້, ແລະອື່ນໆ. ການເຕືອນແລະຄໍາແນະນໍາຢ່າງເຕັມທີ່ສາມາດພົບໄດ້ເປັນ FINAL_PROMPT ໃນ .

ຖາມຄໍາຖາມທີ່ກ່ຽວຂ້ອງກັບຂໍ້ມູນຂອງທ່ານ

ໃນຕົວຢ່າງນີ້, ຂ້າພະເຈົ້າໄດ້ໂຫລດເອກະສານພາຍໃນກ່ຽວກັບບໍລິສັດປອມທີ່ມີຊື່ວ່າ GraphACME (ຢູ່ໃນເອີຣົບ), ການຜະລິດແລະເອກະສານຍຸດທະສາດຕ່ອງໂສ້ການສະຫນອງແລະຜະລິດຕະພັນທັງຫມົດຂອງພວກເຂົາ. ຂ້ອຍຍັງໄດ້ໂຫລດບົດຄວາມຂ່າວແລະວິດີໂອ YouTube ທີ່ອະທິບາຍ CSDDD ໃຫມ່, ຜົນກະທົບຂອງມັນ, ແລະກົດລະບຽບ. ຕອນນີ້ພວກເຮົາສາມາດຖາມຄໍາຖາມ chatbot ກ່ຽວກັບຄວາມຮູ້ຂອງບໍລິສັດພາຍໃນ (ປອມ) ຂອງພວກເຮົາ - ຄໍາຖາມກ່ຽວກັບກົດຫມາຍ CSDDD, ຫຼືແມ້ກະທັ້ງຄໍາຖາມໃນທົ່ວທັງສອງ, ເຊັ່ນ: ການຮ້ອງຂໍບັນຊີລາຍຊື່ຂອງຜະລິດຕະພັນ GraphACME ຜະລິດ, ຖ້າພວກເຂົາໄດ້ຮັບຜົນກະທົບຈາກກົດລະບຽບ CSDDD, ແລະ. ຖ້າເປັນດັ່ງນັ້ນ, ມັນຈະສົ່ງຜົນກະທົບຕໍ່ບໍລິສັດແນວໃດ.

ຄຸນສົມບັດການສົນທະນາ

ຢູ່ເບື້ອງຂວາຂອງໜ້າຈໍຫຼັກ, ທ່ານຈະສັງເກດເຫັນສາມປຸ່ມທີ່ຕິດຢູ່ກັບໜ້າຕ່າງສົນທະນາ:

• Close ຈະປິດການໂຕ້ຕອບ chatbot.
• ລຶບປະຫວັດການສົນທະນາ ຈະລຶບປະຫວັດການສົນທະນາຂອງເຊດຊັນປັດຈຸບັນ.
• Maximize window ຈະເປີດການໂຕ້ຕອບ chatbot ໃນໂໝດເຕັມຈໍ.

ໃນຄໍາຕອບຂອງຕົວແທນ RAG, ທ່ານຈະພົບເຫັນສາມລັກສະນະຫຼັງຈາກການຕອບສະຫນອງ:

• ລາຍ​ລະ​ອຽດ ​ຈະ​ເປີດ​ຂໍ້​ມູນ​ການ​ດຶງ​ຂໍ້​ມູນ​ທີ່​ສະ​ແດງ​ໃຫ້​ເຫັນ​ວ່າ​ຕົວ​ແທນ RAG ເກັບ​ກໍາ​ແລະ​ນໍາ​ໃຊ້​ແຫຼ່ງ (ເອ​ກະ​ສານ​) chunks​, ແລະ​ຫນ່ວຍ​ງານ​. ຂໍ້​ມູນ​ກ່ຽວ​ກັບ​ຮູບ​ແບບ​ການ​ນໍາ​ໃຊ້​ແລະ​ການ​ບໍ​ລິ​ໂພກ token ແມ່ນ​ລວມ​.
• ການຄັດລອກ ຈະຄັດລອກເນື້ອໃນຂອງການຕອບສະຫນອງກັບ clipboard.
• Text-to-Speech ຈະອ່ານເນື້ອໃນການຕອບຮັບດັງໆ.

ສະຫຼຸບ

ເພື່ອລົງເລິກເຂົ້າໄປໃນ LLM Knowledge Graph Builder, ສະຫນອງຂໍ້ມູນຈໍານວນຫລາຍ, ລວມທັງລະຫັດແຫຼ່ງແລະເອກະສານ. ນອກຈາກນັ້ນ, ຂອງພວກເຮົາໃຫ້ຄໍາແນະນໍາຢ່າງລະອຽດກ່ຽວກັບການເລີ່ມຕົ້ນ, ແລະ ສະເຫນີຄວາມເຂົ້າໃຈຕື່ມອີກກ່ຽວກັບເຄື່ອງມືແລະຄໍາຮ້ອງສະຫມັກທີ່ກວ້າງຂວາງ.

ແມ່ນຫຍັງຕໍ່ໄປ — ການປະກອບສ່ວນ ແລະຄວາມສາມາດຂະຫຍາຍ

ປະສົບການຂອງທ່ານກັບ LLM Knowledge Graph Builder ແມ່ນບໍ່ມີຄ່າ. ຖ້າ​ຫາກ​ທ່ານ​ພົບ​ຂໍ້​ບົກ​ພ່ອງ​, ມີ​ຄໍາ​ແນະ​ນໍາ​ສໍາ​ລັບ​ຄຸນ​ນະ​ສົມ​ບັດ​ໃຫມ່​, ຕ້ອງ​ການ​ທີ່​ຈະ​ປະ​ກອບ​ສ່ວນ​, ຫຼື​ຕ້ອງ​ການ​ທີ່​ຈະ​ເບິ່ງ​ການ​ປັບ​ປຸງ​ບາງ​ຢ່າງ​, ເວ​ທີ​ຊຸມ​ຊົນ​ແມ່ນ​ບ່ອນ​ທີ່​ດີ​ເລີດ​ທີ່​ຈະ​ແບ່ງ​ປັນ​ຄວາມ​ຄິດ​ຂອງ​ທ່ານ​. ສໍາລັບຜູ້ທີ່ມີຄວາມຊໍານານໃນການຂຽນລະຫັດ, ການປະກອບສ່ວນໂດຍກົງໃນ GitHub ສາມາດເປັນວິທີທີ່ດີທີ່ຈະຊ່ວຍພັດທະນາໂຄງການ. ການປ້ອນຂໍ້ມູນ ແລະ ການປະກອບສ່ວນຂອງທ່ານບໍ່ພຽງແຕ່ຊ່ວຍປັບປຸງເຄື່ອງມືເທົ່ານັ້ນ ແຕ່ຍັງສົ່ງເສີມຊຸມຊົນທີ່ມີການຮ່ວມມື ແລະ ນະວັດຕະກໍາ:

ຊັບພະຍາກອນ

ສຶກສາເພີ່ມເຕີມກ່ຽວກັບຊັບພະຍາກອນໃໝ່ສຳລັບແອັບພລິເຄຊັນ GenAI: . ເຄື່ອງມືແຫຼ່ງເປີດເຫຼົ່ານີ້ເຮັດໃຫ້ມັນງ່າຍທີ່ຈະເລີ່ມຕົ້ນດ້ວຍຄໍາຮ້ອງສະຫມັກ GenAI ພື້ນຖານທີ່ມີເສັ້ນສະແດງຄວາມຮູ້, ເຊິ່ງຊ່ວຍປັບປຸງຄຸນນະພາບການຕອບສະຫນອງແລະການອະທິບາຍແລະເລັ່ງການພັດທະນາແລະການຮັບຮອງເອົາ app.

ວິດີໂອ

ລິ້ງຄ໌