AWS

Masticationpedia AWS

Premetto che già uso agevolmente ChatGPT ma incontro limitazioni di dati e soprattutto mancanza di creare un database. Vengo a esporre nel modo più lineare possibile il progetto Masticationpedia AWS.

In Masticationpedia si redigono capitoli dai contenuti molto complessi che esulano dalla specifica competenza medica considerando argomenti, spiegazioni e calcoli che necessitano di conoscenze specialistiche in matematica, fisica, chimica e quantistica, per esempio:

In questo capitolo 'Conclusion of the ‘Normal Science’ section' affrontiamo un problema epistemologico di statistica medica trattando il teorema di Bayes:

Nello specifico portiamo in discussione un modello quantistico che modifica la formula probabilistica di Bayes introducendo una seconda parte alla classica formula, di derivazione quantistica.

Part 1:	$\longrightarrow$				$P(B=\beta )=\sum _{\alpha }P(A=\alpha _{1})P(B=\beta \mid A=\alpha _{1})$					$Eq.1$
							$+$
Part 2:	$\longrightarrow$				$2\sum _{\alpha _{1}<\alpha _{2}}\cos \theta _{\alpha _{1}\alpha _{2}}{\sqrt {P(A=\alpha _{1})P(B=\beta \mid A=\alpha _{1})P(A=\alpha _{2})P(B=\beta \mid A=\alpha _{2})}}$

Ora la domanda è cosa significa questa seconda parte della formula e nello specifico i coefficienti $\alpha _{1}<\alpha _{2}$ e perciò si chiede a ChatGPT che risponde nella seguente maniera facendo un esempio pratico sui dadi a sei facce.

Probabilità complessiva

Sommiamo i due contributi:

$P(B)=P(B)_{\text{classico}}+{\text{Interferenza totale}}$

]$P(B)=0.5+0.333=0.833\ldots$

Il dubbio è: siamo sicuri che le conoscenze matematiche e quantistiche di ChatGPT siano ottimizzate?

A questo punto chiedo a ChatGPT la differenza tra un modello scientifico personalizzato tra ChatGPT ed AWS. La risposta rende razionale la scelta di AWS e la necessità di seguire in presenza passo passo il lavoro per poter verificare tutta l'evoluzione del progetto Masticationpedia AWS.

ChatGPT

ChatGPT e l'uso di AWS sta nel modo in cui interagisci con i sistemi e accedi alle risposte. AWS offre un'infrastruttura per costruire e utilizzare strumenti, ma non è un sistema di conversazione pre-configurato come ChatGPT.

Per creare un comportamento simile a ChatGPT su AWS, devi configurare strumenti specifici. Ecco come funziona e come puoi ottenere risposte in modo simile a questa chat:

1. Come ottenere risposte da AWS (simile a ChatGPT)?

AWS non fornisce direttamente risposte alle domande come fa ChatGPT, ma offre servizi e modelli AI per creare un sistema che risponde alle tue domande.

Ecco come puoi procedere:

Bedrock

Amazon Bedrock ti permette di utilizzare modelli linguistici avanzati (simili a ChatGPT) direttamente sulla piattaforma AWS. Puoi configurare un modello AI (es. Anthropic Claude, AI21 Labs) che comprenda domande tecniche e risponda utilizzando dati specifici caricati da te.

Passi:

1. Configura Amazon Bedrock per accedere a modelli preaddestrati.
2. Personalizza il modello caricando il tuo dataset (ad esempio, formule matematiche, dati ingegneristici).
3. Invia domande tecniche tramite un'interfaccia (API o chatbot) e ricevi risposte.

SageMaker

Amazon SageMaker può essere usato per addestrare modelli personalizzati che rispondano a domande tecniche. Integri modelli open-source (es. GPT-3, Codex) o sviluppi un modello basato sui tuoi dati.

Passi:

1. Addestramento: Usa un dataset specifico (es. formule matematiche, equazioni biomeccaniche) per addestrare il modello.
2. Interfaccia: Configura un'API o un'interfaccia interattiva per fare domande al modello.
3. Risposta: Il sistema esegue calcoli o cerca nei dati e restituisce la risposta.

AWS Lambda

Puoi configurare AWS Lambda per eseguire script che rispondono a domande specifiche.

Esempio: Una domanda come "Calcola il momento torcente su una leva con forza X e lunghezza Y" può essere risolta eseguendo uno script Python.

Passi

1. Crea uno script in Python per eseguire calcoli matematici.
2. Configura Lambda per attivare lo script quando fai una domanda.
3. Ottieni una risposta immediata.

Braket

1. Simulazioni di Algoritmi Quantistici

1. Utile per prototipare algoritmi come:
2. Ottimizzazione combinatoria: Ad esempio, ottimizzazione della rete di trasporti.
3. Algoritmi crittografici: Come Shor per fattorizzazione dei numeri primi.
4. Problemi di ricerca: Grover per accelerare la ricerca non strutturata.

---