জেনারেটিভ এআই প্রযুক্তি দ্রুত উন্নতি করছে, এবং এখন টেক্সট ইনপুটের উপর ভিত্তি করে টেক্সট এবং ইমেজ তৈরি করা সম্ভব। স্থিতিশীল বিস্তার একটি টেক্সট-টু-ইমেজ মডেল যা আপনাকে ফটোরিয়ালিস্টিক অ্যাপ্লিকেশন তৈরি করার ক্ষমতা দেয়। স্ট্যাবল ডিফিউশন মডেলের মাধ্যমে আপনি সহজেই টেক্সট থেকে ছবি তৈরি করতে পারেন আমাজন সেজমেকার জাম্পস্টার্ট।
নিম্নলিখিত ইনপুট টেক্সট এবং স্থিতিশীল বিস্তার দ্বারা উত্পন্ন সংশ্লিষ্ট আউটপুট ইমেজ উদাহরণ. ইনপুটগুলি হল "একটি বক্সার একটি টেবিলে নাচছে," "সৈকতে সাঁতারের পোশাকে একজন মহিলা, জলের রঙের স্টাইল," এবং "স্যুটে একটি কুকুর।"
যদিও জেনারেটিভ AI সমাধানগুলি শক্তিশালী এবং দরকারী, তারা হেরফের এবং অপব্যবহারের জন্যও ঝুঁকিপূর্ণ হতে পারে। ইমেজ তৈরির জন্য এগুলি ব্যবহার করা গ্রাহকদের অবশ্যই তাদের ব্যবহারকারী, প্ল্যাটফর্ম এবং ব্র্যান্ডকে সুরক্ষিত রাখার জন্য তাদের প্ল্যাটফর্ম এবং ব্র্যান্ডের খ্যাতি রক্ষা করার সময় একটি নিরাপদ এবং ইতিবাচক ব্যবহারকারীর অভিজ্ঞতা তৈরি করতে শক্তিশালী সংযম অনুশীলন বাস্তবায়নের মাধ্যমে বিষয়বস্তু সংযমকে অগ্রাধিকার দিতে হবে।
এই পোস্টে, আমরা AWS AI পরিষেবাগুলি ব্যবহার করে অন্বেষণ করি৷ আমাজন রেকোনিশন এবং অ্যামাজন সমঝোতা, অন্যান্য কৌশলগুলির সাথে, কাছাকাছি-রিয়েল টাইমে কার্যকরভাবে স্থিতিশীল ডিফিউশন মডেল-উত্পাদিত বিষয়বস্তুকে পরিমিত করতে। AWS-এ একটি স্থিতিশীল ডিফিউশন মডেল ব্যবহার করে টেক্সট থেকে ছবি কিভাবে লঞ্চ এবং জেনারেট করতে হয় তা জানতে, পড়ুন Amazon SageMaker JumpStart-এ স্থিতিশীল ডিফিউশন মডেলের সাথে পাঠ্য থেকে ছবি তৈরি করুন.
সমাধান ওভারভিউ
Amazon Recognition এবং Amazon Comprehend হল পরিচালিত AI পরিষেবা যা একটি API ইন্টারফেসের মাধ্যমে পূর্ব-প্রশিক্ষিত এবং কাস্টমাইজযোগ্য ML মডেলগুলি প্রদান করে, যা মেশিন লার্নিং (ML) দক্ষতার প্রয়োজনীয়তা দূর করে৷ Amazon Recognition Content Moderation স্বয়ংক্রিয় এবং স্ট্রীমলাইন ইমেজ এবং ভিডিও মডারেশন। Amazon Comprehend পাঠ্য বিশ্লেষণ করতে এবং মূল্যবান অন্তর্দৃষ্টি এবং সম্পর্ক উন্মোচন করতে ML ব্যবহার করে।
নিচের রেফারেন্সটি স্থির ডিফিউশন টেক্সট-টু-ইমেজ মডেল-উৎপন্ন চিত্রগুলিকে কাছাকাছি-রিয়েল টাইমে মডারেট করার জন্য একটি RESTful প্রক্সি API তৈরির চিত্র তুলে ধরে। এই সমাধানে, আমরা জাম্পস্টার্ট ব্যবহার করে একটি স্থিতিশীল ডিফিউশন মডেল (v2-1 বেস) চালু এবং স্থাপন করেছি। সমাধানটি নেতিবাচক প্রম্পট এবং টেক্সট মডারেশন সলিউশন ব্যবহার করে যেমন Amazon Comprehend এবং একটি নিয়ম-ভিত্তিক ফিল্টার ইনপুট প্রম্পটগুলিকে পরিমিত করতে। এটি জেনারেট করা ছবিগুলিকে পরিমিত করতে Amazon Recognition ব্যবহার করে৷ অনিরাপদ তথ্য শনাক্ত হলে RESTful API জেনারেট করা ছবি এবং সংযম সতর্কতা ক্লায়েন্টকে ফেরত দেবে।
কর্মপ্রবাহের ধাপগুলি নিম্নরূপ:
- ব্যবহারকারী একটি ইমেজ তৈরি করার জন্য একটি প্রম্পট পাঠান।
- An এডাব্লুএস ল্যাম্বদা ফাংশন Amazon Comprehend, JumpStart, এবং Amazon Recognition ব্যবহার করে ইমেজ জেনারেশন এবং মডারেশন সমন্বয় করে:
- নিষিদ্ধ শব্দ সনাক্তকরণের সাথে বিষয়বস্তু সংযম প্রয়োগ করে ল্যাম্বডা ফাংশনে ইনপুট প্রম্পটগুলিতে একটি নিয়ম-ভিত্তিক শর্ত প্রয়োগ করুন।
- বিষাক্ত শ্রেণীবিভাগের জন্য প্রম্পট টেক্সট বিশ্লেষণ করতে Amazon Comprehend কাস্টম ক্লাসিফায়ার ব্যবহার করুন।
- SageMaker এন্ডপয়েন্টের মাধ্যমে স্টেবল ডিফিউশন মডেলে প্রম্পট পাঠান, একটি পূর্বনির্ধারিত তালিকা থেকে ব্যবহারকারীর ইনপুট এবং নেতিবাচক প্রম্পট উভয়ই প্রম্পট পাস করে।
- সেজমেকার এন্ডপয়েন্ট থেকে ফিরে আসা ইমেজ বাইটগুলি অ্যামাজন রেকগনিশনে পাঠান
DetectModerationLabel
ছবি সংযম করার জন্য API। - একটি প্রতিক্রিয়া বার্তা তৈরি করুন যাতে ইমেজ বাইট এবং সতর্কতা অন্তর্ভুক্ত থাকে যদি পূর্ববর্তী পদক্ষেপগুলি প্রম্পট বা জেনারেটিভ ছবিতে কোনও অনুপযুক্ত তথ্য সনাক্ত করে।
- ক্লায়েন্টের কাছে প্রতিক্রিয়াটি ফেরত পাঠান।
নিম্নলিখিত স্ক্রিনশট বর্ণনা করা আর্কিটেকচার ব্যবহার করে নির্মিত একটি নমুনা অ্যাপ দেখায়। ওয়েব UI ব্যবহারকারীর ইনপুট প্রম্পটগুলি RESTful প্রক্সি API-তে পাঠায় এবং প্রতিক্রিয়ায় প্রাপ্ত চিত্র এবং যে কোনও সংযম সতর্কতা প্রদর্শন করে। ডেমো অ্যাপটি প্রকৃত জেনারেট করা ছবিকে ঝাপসা করে দেয় যদি এতে অনিরাপদ কন্টেন্ট থাকে। আমরা "একটি সেক্সি মহিলা" নমুনা প্রম্পট দিয়ে অ্যাপটি পরীক্ষা করেছি।
আপনি একটি ভাল ব্যবহারকারীর অভিজ্ঞতার জন্য আরও পরিশীলিত যুক্তি প্রয়োগ করতে পারেন, যেমন অনুরোধ প্রত্যাখ্যান যদি অনুরোধে অনিরাপদ তথ্য থাকে। অতিরিক্তভাবে, যদি প্রম্পট নিরাপদ হয় তবে আপনার কাছে চিত্রটি পুনরুত্পাদন করার জন্য একটি পুনরায় চেষ্টা করার নীতি থাকতে পারে, কিন্তু আউটপুটটি অনিরাপদ।
নেতিবাচক প্রম্পটগুলির একটি তালিকা পূর্বনির্ধারিত করুন
স্টেবল ডিফিউশন নেতিবাচক প্রম্পট সমর্থন করে, যা আপনাকে ইমেজ তৈরির সময় এড়ানোর জন্য প্রম্পট নির্দিষ্ট করতে দেয়। নেতিবাচক প্রম্পটগুলির একটি পূর্বনির্ধারিত তালিকা তৈরি করা একটি ব্যবহারিক এবং সক্রিয় পদ্ধতি যা মডেলটিকে অনিরাপদ চিত্রগুলি তৈরি করা থেকে আটকাতে পারে৷ "নগ্ন," "সেক্সি" এবং "নগ্নতা" এর মতো প্রম্পটগুলি অন্তর্ভুক্ত করে যা অনুপযুক্ত বা আপত্তিকর চিত্রগুলির দিকে পরিচালিত করে, মডেলটি তাদের চিনতে এবং এড়াতে পারে, অনিরাপদ সামগ্রী তৈরির ঝুঁকি হ্রাস করে৷
স্থিতিশীল ডিফিউশন মডেলের অনুমান চালানোর জন্য সেজমেকার এন্ডপয়েন্টকে কল করার সময়, ব্যবহারকারীর ইনপুট থেকে প্রম্পট এবং একটি পূর্বনির্ধারিত তালিকা থেকে নেতিবাচক প্রম্পট উভয়ই পাস করার সময় প্রয়োগটি ল্যাম্বডা ফাংশনে পরিচালনা করা যেতে পারে।
যদিও এই পদ্ধতিটি কার্যকর, এটি স্থিতিশীল বিস্তার মডেল দ্বারা উত্পন্ন ফলাফলগুলিকে প্রভাবিত করতে পারে এবং এর কার্যকারিতা সীমিত করতে পারে। অ্যামাজন কম্প্রিহেন্ড এবং অ্যামাজন রিকগনিশন ব্যবহার করে টেক্সট এবং ইমেজ মডারেশনের মতো অন্যান্য পদ্ধতির সাথে মিলিতভাবে এটিকে সংযম কৌশলগুলির একটি হিসাবে বিবেচনা করা গুরুত্বপূর্ণ।
পরিমিত ইনপুট প্রম্পট
টেক্সট সংযম করার একটি সাধারণ পদ্ধতি হল একটি নিয়ম-ভিত্তিক কীওয়ার্ড লুকআপ পদ্ধতি ব্যবহার করা যাতে ইনপুট টেক্সটে পূর্বনির্ধারিত তালিকা থেকে কোনো নিষিদ্ধ শব্দ বা বাক্যাংশ রয়েছে কিনা তা শনাক্ত করা যায়। ন্যূনতম কর্মক্ষমতা প্রভাব এবং কম খরচ সহ এই পদ্ধতিটি বাস্তবায়ন করা তুলনামূলকভাবে সহজ। যাইহোক, এই পদ্ধতির প্রধান ত্রুটি হল যে এটি শুধুমাত্র পূর্বনির্ধারিত তালিকায় অন্তর্ভুক্ত শব্দ সনাক্ত করার মধ্যে সীমাবদ্ধ এবং তালিকায় অন্তর্ভুক্ত নয় এমন নিষিদ্ধ শব্দগুলির নতুন বা পরিবর্তিত বৈচিত্র সনাক্ত করতে পারে না। ব্যবহারকারীরা অক্ষর প্রতিস্থাপনের জন্য বিকল্প বানান বা বিশেষ অক্ষর ব্যবহার করে নিয়মগুলি বাইপাস করার চেষ্টা করতে পারেন।
একটি নিয়ম-ভিত্তিক পাঠ্য সংযমের সীমাবদ্ধতাগুলিকে মোকাবেলা করার জন্য, অনেক সমাধান একটি হাইব্রিড পদ্ধতি গ্রহণ করেছে যা ML-ভিত্তিক বিষাক্ততা সনাক্তকরণের সাথে নিয়ম-ভিত্তিক কীওয়ার্ড সন্ধানকে একত্রিত করে। উভয় পদ্ধতির সংমিশ্রণ আরও ব্যাপক এবং কার্যকর পাঠ্য সংযম সমাধানের অনুমতি দেয়, যা অনুপযুক্ত বিষয়বস্তুর বিস্তৃত পরিসর সনাক্ত করতে এবং পরিমিত ফলাফলের নির্ভুলতা উন্নত করতে সক্ষম।
এই সমাধান, আমরা একটি ব্যবহার আমাজন কাস্টম ক্লাসিফায়ার বোঝা একটি বিষাক্ততা সনাক্তকরণ মডেল প্রশিক্ষিত করার জন্য, যা আমরা ইনপুট প্রম্পটে সম্ভাব্য ক্ষতিকারক বিষয়বস্তু সনাক্ত করতে ব্যবহার করি যেখানে কোনও স্পষ্ট নিষিদ্ধ শব্দ সনাক্ত করা যায় না। মেশিন লার্নিং এর শক্তি দিয়ে, আমরা মডেলটিকে পাঠ্যের প্যাটার্ন চিনতে শেখাতে পারি যা বিষাক্ততার ইঙ্গিত দিতে পারে, এমনকি যখন এই ধরনের প্যাটার্নগুলি নিয়ম-ভিত্তিক পদ্ধতির দ্বারা সহজে সনাক্ত করা যায় না।
একটি পরিচালিত AI পরিষেবা হিসাবে Amazon Comprehend-এর সাথে, প্রশিক্ষণ এবং অনুমান সরলীকৃত হয়। আপনি মাত্র দুটি ধাপে Amazon Comprehend কাস্টম শ্রেণীবিভাগকে সহজেই প্রশিক্ষণ এবং স্থাপন করতে পারেন। আমাদের চেক আউট কর্মশালা ল্যাব একটি Amazon Comprehend কাস্টম ক্লাসিফায়ার ব্যবহার করে বিষাক্ততা সনাক্তকরণ মডেল সম্পর্কে আরও তথ্যের জন্য। ল্যাবটি আপনার অ্যাপ্লিকেশনে একটি কাস্টম টক্সিসিটি ক্লাসিফায়ার তৈরি এবং সংহত করার জন্য একটি ধাপে ধাপে নির্দেশিকা প্রদান করে। নিম্নলিখিত চিত্রটি এই সমাধানের আর্কিটেকচারকে চিত্রিত করে।
এই নমুনা শ্রেণীবদ্ধকারী একটি সামাজিক মিডিয়া প্রশিক্ষণ ডেটাসেট ব্যবহার করে এবং বাইনারি শ্রেণীবিভাগ সম্পাদন করে। যাইহোক, যদি আপনার পাঠ্য সংযম প্রয়োজনের জন্য আপনার আরও নির্দিষ্ট প্রয়োজনীয়তা থাকে, তাহলে আপনার Amazon Comprehend কাস্টম ক্লাসিফায়ারকে প্রশিক্ষিত করতে আরও উপযোগী ডেটাসেট ব্যবহার করার কথা বিবেচনা করুন।
মাঝারি আউটপুট ইমেজ
যদিও ইনপুট টেক্সট প্রম্পটগুলিকে নিয়ন্ত্রণ করা গুরুত্বপূর্ণ, তবে এটি গ্যারান্টি দেয় না যে স্থিতিশীল ডিফিউশন মডেলের দ্বারা উত্পন্ন সমস্ত চিত্রগুলি অভিপ্রেত দর্শকদের জন্য নিরাপদ হবে, কারণ মডেলের আউটপুটগুলিতে একটি নির্দিষ্ট স্তরের এলোমেলোতা থাকতে পারে৷ অতএব, স্থিতিশীল ডিফিউশন মডেল দ্বারা উত্পন্ন চিত্রগুলিকে সংযত করা সমানভাবে গুরুত্বপূর্ণ।
এই সমাধান, আমরা ব্যবহার আমাজন স্বীকৃতি বিষয়বস্তু সংযম, যা ইমেজ এবং ভিডিওতে অনুপযুক্ত বিষয়বস্তু সনাক্ত করতে প্রাক-প্রশিক্ষিত ML মডেল নিয়োগ করে। এই সমাধান, আমরা ব্যবহার Amazon Recognition DetectModerationLabel API কাছাকাছি-রিয়েল টাইমে স্থিতিশীল ডিফিউশন মডেল দ্বারা উত্পন্ন চিত্রগুলিকে পরিমিত করতে। Amazon Recognition Content Moderation একটি বিস্তৃত অনুপযুক্ত বা আপত্তিকর বিষয়বস্তু যেমন সহিংসতা, নগ্নতা, ঘৃণার চিহ্ন এবং আরও অনেক কিছু বিশ্লেষণ করতে প্রাক-প্রশিক্ষিত API প্রদান করে। Amazon Recognition Content Moderation taxonomies এর একটি বিস্তৃত তালিকার জন্য, পড়ুন বিষয়বস্তু নিয়ন্ত্রণ করা.
নিম্নলিখিত কোডটি দেখায় কিভাবে অ্যামাজন স্বীকৃতি কল করতে হয় DetectModerationLabel
Python Boto3 লাইব্রেরি ব্যবহার করে একটি Lambda ফাংশনের মধ্যে চিত্রগুলিকে পরিমিত করতে API। এই ফাংশনটি সেজমেকার থেকে প্রত্যাবর্তিত ইমেজ বাইটগুলি নেয় এবং সংযমের জন্য ইমেজ মডারেশন এপিআইতে পাঠায়।
Amazon Recognition Image Moderation API-এর অতিরিক্ত উদাহরণের জন্য, আমাদের দেখুন কন্টেন্ট মডারেশন ইমেজ ল্যাব.
সূক্ষ্ম-টিউনিং মডেলের জন্য কার্যকর চিত্র সংযম কৌশল
ফাইন-টিউনিং হল একটি সাধারণ কৌশল যা প্রাক-প্রশিক্ষিত মডেলগুলিকে নির্দিষ্ট কাজের সাথে মানিয়ে নিতে ব্যবহৃত হয়। স্টেবল ডিফিউশনের ক্ষেত্রে, সূক্ষ্ম-টিউনিং এমন চিত্র তৈরি করতে ব্যবহার করা যেতে পারে যা নির্দিষ্ট বস্তু, শৈলী এবং অক্ষরগুলিকে অন্তর্ভুক্ত করে। অনুপযুক্ত বা আপত্তিকর ইমেজ তৈরি রোধ করতে একটি স্থিতিশীল বিস্তার মডেল প্রশিক্ষণের সময় বিষয়বস্তু সংযম গুরুত্বপূর্ণ। এই ধরনের ছবি তৈরি করতে পারে এমন কোনও ডেটা সাবধানে পর্যালোচনা করা এবং ফিল্টার করা জড়িত। এটি করার মাধ্যমে, মডেলটি ডেটা পয়েন্টের আরও বৈচিত্র্যময় এবং প্রতিনিধিত্বমূলক পরিসর থেকে শেখে, এর যথার্থতা উন্নত করে এবং ক্ষতিকারক বিষয়বস্তুর প্রচার রোধ করে।
জাম্পস্টার্ট ব্যবহার করে ট্রান্সফার লার্নিং স্ক্রিপ্ট প্রদান করে স্থিতিশীল ডিফিউশন মডেলের ফাইন-টিউনিং সহজ করে তোলে ড্রিমবুথ পদ্ধতি আপনাকে কেবল আপনার প্রশিক্ষণের ডেটা প্রস্তুত করতে হবে, হাইপারপ্যারামিটারগুলি সংজ্ঞায়িত করতে হবে এবং প্রশিক্ষণের কাজ শুরু করতে হবে। আরো বিস্তারিত জানার জন্য, পড়ুন Amazon SageMaker JumpStart-এর সাথে টেক্সট-টু-ইমেজ স্থির ডিফিউশন মডেলগুলি ফাইন-টিউন.
ফাইন-টিউনিংয়ের জন্য ডেটাসেট একটি একক হওয়া প্রয়োজন আমাজন সিম্পল স্টোরেজ সার্ভিস আপনার ছবি এবং ইনস্ট্যান্স কনফিগারেশন ফাইল সহ (Amazon S3) ডিরেক্টরি dataset_info.json
, নিচের কোডে দেখানো হয়েছে। JSON ফাইলটি ইমেজগুলিকে এইভাবে উদাহরণ প্রম্পটের সাথে সংযুক্ত করবে: {'instance_prompt':<<instance_prompt>>}
.
স্পষ্টতই, আপনি ম্যানুয়ালি ছবিগুলি পর্যালোচনা এবং ফিল্টার করতে পারেন, তবে এটি সময়সাপেক্ষ এবং এমনকি অব্যবহারিক হতে পারে যখন আপনি অনেক প্রকল্প এবং দল জুড়ে এটি করেন। এই ধরনের ক্ষেত্রে, আপনি অ্যামাজন স্বীকৃতির বিরুদ্ধে সমস্ত ছবি কেন্দ্রীয়ভাবে পরীক্ষা করতে একটি ব্যাচ প্রক্রিয়া স্বয়ংক্রিয় করতে পারেন DetectModerationLabel
API এবং স্বয়ংক্রিয়ভাবে ফ্ল্যাগ বা ছবি মুছে ফেলুন যাতে তারা আপনার প্রশিক্ষণকে দূষিত না করে।
সংযম বিলম্ব এবং খরচ
এই সমাধানে, পাঠ্য এবং চিত্রগুলিকে পরিমিত করতে একটি অনুক্রমিক প্যাটার্ন ব্যবহার করা হয়। একটি নিয়ম-ভিত্তিক ফাংশন এবং অ্যামাজন কম্প্রিহেন্ডকে টেক্সট মডারেশনের জন্য বলা হয় এবং স্ট্যাবল ডিফিউশন আহ্বান করার আগে এবং পরে উভয়ই ইমেজ মডারেশনের জন্য অ্যামাজন রিকগনিশন ব্যবহার করা হয়। যদিও এই পদ্ধতিটি কার্যকরভাবে ইনপুট প্রম্পট এবং আউটপুট চিত্রগুলিকে সংযত করে, এটি সমাধানের সামগ্রিক খরচ এবং বিলম্বিতা বাড়িয়ে তুলতে পারে, যা বিবেচনা করার মতো কিছু।
অদৃশ্যতা
Amazon Recognition এবং Amazon Comprehend উভয়ই পরিচালিত API অফার করে যা অত্যন্ত উপলব্ধ এবং অন্তর্নির্মিত স্কেলেবিলিটি রয়েছে। ইনপুট আকার এবং নেটওয়ার্ক গতির কারণে সম্ভাব্য লেটেন্সি তারতম্য থাকা সত্ত্বেও, উভয় পরিষেবা থেকে এই সমাধানে ব্যবহৃত APIগুলি প্রায়-রিয়েল-টাইম অনুমান অফার করে। Amazon Comprehend কাস্টম ক্লাসিফায়ার এন্ডপয়েন্ট 200 অক্ষরের কম ইনপুট টেক্সট আকারের জন্য 100 মিলিসেকেন্ডের কম গতির প্রস্তাব দিতে পারে, যেখানে Amazon Recognition Image Moderation API 500 MB-এর কম গড় ফাইলের আকারের জন্য প্রায় 1 মিলিসেকেন্ড পরিবেশন করে৷ (ফলাফল নমুনা অ্যাপ্লিকেশন ব্যবহার করে পরিচালিত পরীক্ষার উপর ভিত্তি করে, যা একটি কাছাকাছি-রিয়েল-টাইম প্রয়োজন হিসাবে যোগ্যতা অর্জন করে।)
মোট, অ্যামাজন রিকগনিশন এবং অ্যামাজন কম্প্রিহেন্ডে মডারেশন API কলগুলি API কলে 700 মিলিসেকেন্ড পর্যন্ত যোগ করবে। এটি লক্ষ্য করা গুরুত্বপূর্ণ যে স্থিতিশীল বিস্তার অনুরোধটি সাধারণত প্রম্পটের জটিলতা এবং অন্তর্নিহিত অবকাঠামোর ক্ষমতার উপর নির্ভর করে বেশি সময় নেয়। পরীক্ষার খাতায়, ml.p3.2xlarge-এর একটি দৃষ্টান্ত ব্যবহার করে, SageMaker এন্ডপয়েন্টের মাধ্যমে স্টেবল ডিফিউশন মডেলের গড় প্রতিক্রিয়ার সময় ছিল প্রায় 15 সেকেন্ড। অতএব, সংযম দ্বারা প্রবর্তিত লেটেন্সি সামগ্রিক প্রতিক্রিয়া সময়ের প্রায় 5%, এটি সিস্টেমের সামগ্রিক কর্মক্ষমতার উপর একটি ন্যূনতম প্রভাব তৈরি করে।
মূল্য
Amazon Recognition Image Moderation API অনুরোধের সংখ্যার উপর ভিত্তি করে একটি পে-অ্যাজ-ইউ-গো মডেল নিয়োগ করে। ব্যবহৃত AWS অঞ্চলের উপর নির্ভর করে খরচ পরিবর্তিত হয় এবং একটি টায়ার্ড মূল্য কাঠামো অনুসরণ করে। অনুরোধের পরিমাণ বাড়লে প্রতি অনুরোধের খরচ কমে যায়। আরো তথ্যের জন্য, পড়ুন আমাজন স্বীকৃতি মূল্য.
এই সমাধানে, আমরা একটি Amazon Comprehend কাস্টম ক্লাসিফায়ার ব্যবহার করেছি এবং এটিকে একটি Amazon Comprehend এন্ডপয়েন্ট হিসেবে স্থাপন করেছি যাতে রিয়েল-টাইম ইনফারেন্সের সুবিধা হয়। এই বাস্তবায়নের জন্য এককালীন প্রশিক্ষণ খরচ এবং চলমান অনুমান খরচ উভয়ই বহন করে। বিস্তারিত তথ্যের জন্য, পড়ুন আমাজন কম্প্রিহেন্ড প্রাইসিং.
জাম্পস্টার্ট আপনাকে একটি একক প্যাকেজ হিসাবে স্থিতিশীল ডিফিউশন মডেল দ্রুত চালু এবং স্থাপন করতে সক্ষম করে। স্থিতিশীল ডিফিউশন মডেলে অনুমান চালানোর জন্য অন্তর্নিহিত খরচ বহন করতে হবে অ্যামাজন ইলাস্টিক কম্পিউট ক্লাউড (Amazon EC2) উদাহরণের পাশাপাশি ইনবাউন্ড এবং আউটবাউন্ড ডেটা স্থানান্তর। বিস্তারিত তথ্যের জন্য, পড়ুন অ্যামাজন সেজমেকার প্রাইসিং.
সারাংশ
এই পোস্টে, আমরা একটি নমুনা সমাধানের একটি ওভারভিউ প্রদান করেছি যা দেখায় কিভাবে অ্যামাজন কম্প্রিহেন্ড এবং অ্যামাজন স্বীকৃতি ব্যবহার করে স্থিতিশীল ডিফিউশন ইনপুট প্রম্পট এবং আউটপুট চিত্রগুলিকে সংযত করা যায়। অতিরিক্তভাবে, আপনি অনিরাপদ বিষয়বস্তু তৈরি করা রোধ করতে স্থিতিশীল বিস্তারে নেতিবাচক প্রম্পটগুলি সংজ্ঞায়িত করতে পারেন। একাধিক সংযম স্তর প্রয়োগ করে, নিরাপদ এবং আরও নির্ভরযোগ্য ব্যবহারকারীর অভিজ্ঞতা নিশ্চিত করে, অনিরাপদ সামগ্রী তৈরির ঝুঁকি অনেকাংশে হ্রাস করা যেতে পারে।
এই সম্পর্কে আরও জানো AWS-এ বিষয়বস্তু সংযম এবং আমাদের বিষয়বস্তু সংযম ML ব্যবহার ক্ষেত্রে, এবং AWS এর সাথে আপনার বিষয়বস্তু সংযম ক্রিয়াকলাপগুলিকে স্ট্রিমলাইন করার দিকে প্রথম পদক্ষেপ নিন৷
লেখক সম্পর্কে
লানা ঝাং তিনি AWS WWSO এআই সার্ভিসেস টিমের একজন সিনিয়র সলিউশন আর্কিটেক্ট, বিষয়বস্তু সংযম, কম্পিউটার দৃষ্টি এবং প্রাকৃতিক ভাষা প্রক্রিয়াকরণের জন্য AI এবং ML-এ বিশেষজ্ঞ। তার দক্ষতার সাথে, তিনি AWS AI/ML সমাধান প্রচার করতে এবং সামাজিক মিডিয়া, গেমিং, ই-কমার্স, এবং বিজ্ঞাপন ও বিপণন সহ বিভিন্ন শিল্প জুড়ে গ্রাহকদের তাদের ব্যবসায়িক সমাধানগুলিকে রূপান্তর করতে সহায়তা করার জন্য নিবেদিত৷
জেমস উ AWS-এর একজন সিনিয়র AI/ML স্পেশালিস্ট সলিউশন আর্কিটেক্ট। গ্রাহকদের এআই/এমএল সলিউশন ডিজাইন এবং তৈরি করতে সাহায্য করা। জেমসের কাজ এমএল ব্যবহারের ক্ষেত্রের বিস্তৃত পরিসরকে কভার করে, কম্পিউটার দৃষ্টি, গভীর শিক্ষা, এবং এন্টারপ্রাইজ জুড়ে এমএল স্কেল করার প্রাথমিক আগ্রহ সহ। AWS-এ যোগদানের আগে, জেমস 10 বছরেরও বেশি সময় ধরে একজন স্থপতি, বিকাশকারী এবং প্রযুক্তি নেতা ছিলেন, যার মধ্যে 6 বছর ইঞ্জিনিয়ারিং এবং 4 বছর মার্কেটিং এবং বিজ্ঞাপন শিল্পে ছিলেন।
কেভিন কার্লসন AWS-এ কম্পিউটার ভিশনের উপর ফোকাস সহ একজন প্রিন্সিপাল AI/ML বিশেষজ্ঞ, যেখানে তিনি Amazon Recognition-এর জন্য বিজনেস ডেভেলপমেন্ট এবং GTM-এর নেতৃত্ব দেন। AWS-এ যোগদানের আগে, তিনি Fortune 500 Engineering কোম্পানি AECOM-এ বিশ্বব্যাপী ডিজিটাল ট্রান্সফরমেশনের নেতৃত্ব দিয়েছিলেন, যার লক্ষ্য ছিল কৃত্রিম বুদ্ধিমত্তা এবং জেনারেটিভ ডিজাইন এবং অবকাঠামো মূল্যায়নের জন্য মেশিন লার্নিং। তিনি শিকাগোতে বসবাস করেন, যেখানে কাজের বাইরে তিনি তার পরিবারের সাথে সময় উপভোগ করেন এবং উড়োজাহাজ চালানো এবং যুব বেসবলকে প্রশিক্ষণ দেওয়ার বিষয়ে উত্সাহী।
জন রাউস তিনি AWS-এর একজন সিনিয়র AI/ML বিশেষজ্ঞ, যেখানে তিনি কন্টেন্ট মডারেশন এবং কমপ্লায়েন্স ব্যবহারের ক্ষেত্রে AI পরিষেবাগুলির জন্য বিশ্বব্যাপী ব্যবসায়িক উন্নয়নে নেতৃত্ব দেন। এডব্লিউএস-এ যোগদানের আগে, তিনি অত্যাধুনিক প্রযুক্তি কোম্পানিগুলির সাথে সিনিয়র স্তরের ব্যবসায়িক উন্নয়ন এবং নেতৃত্বের ভূমিকা পালন করেছেন। জন AWS AI/ML স্ট্যাকের সাথে প্রতিটি ডেভেলপারের হাতে মেশিন লার্নিং দেওয়ার জন্য কাজ করছে। ছোট ধারণা ছোট প্রভাব নিয়ে আসে। গ্রাহকদের জন্য জন এর লক্ষ্য হল তাদের বড় ধারণা এবং সুযোগ দিয়ে ক্ষমতায়ন করা যা দরজা খুলে দেয় যাতে তারা তাদের গ্রাহকের সাথে একটি বড় প্রভাব ফেলতে পারে।
- এসইও চালিত বিষয়বস্তু এবং পিআর বিতরণ। আজই পরিবর্ধিত পান।
- PlatoData.Network উল্লম্ব জেনারেটিভ Ai. নিজেকে ক্ষমতায়িত করুন। এখানে প্রবেশ করুন.
- প্লেটোএআইস্ট্রিম। Web3 ইন্টেলিজেন্স। জ্ঞান প্রসারিত. এখানে প্রবেশ করুন.
- প্লেটোইএসজি। মোটরগাড়ি / ইভি, কার্বন, ক্লিনটেক, শক্তি, পরিবেশ সৌর, বর্জ্য ব্যবস্থাপনা. এখানে প্রবেশ করুন.
- ব্লকঅফসেট। পরিবেশগত অফসেট মালিকানার আধুনিকীকরণ। এখানে প্রবেশ করুন.
- উত্স: https://aws.amazon.com/blogs/machine-learning/safe-image-generation-and-diffusion-models-with-amazon-ai-content-moderation-services/
- : আছে
- : হয়
- :না
- :কোথায়
- $ ইউপি
- 1
- 10
- 100
- 15%
- 200
- 49
- 500
- 7
- 8
- a
- সম্পর্কে
- অপব্যবহার
- হিসাব
- সঠিকতা
- দিয়ে
- আসল
- খাপ খাওয়ানো
- যোগ
- অতিরিক্ত
- উপরন্তু
- ঠিকানা
- গৃহীত
- বিজ্ঞাপন
- পর
- বিরুদ্ধে
- AI
- এআই পরিষেবা
- এআই / এমএল
- এ্যারোপ্লেনের
- সব
- অনুমতি
- বরাবর
- এছাড়াও
- বিকল্প
- যদিও
- মর্দানী স্ত্রীলোক
- অ্যামাজন সমঝোতা
- আমাজন EC2
- আমাজন রেকোনিশন
- আমাজন সেজমেকার
- অ্যামাজন ওয়েব সার্ভিসেস
- an
- বিশ্লেষণ করা
- এবং
- এবং অবকাঠামো
- কোন
- API
- API গুলি
- অ্যাপ্লিকেশন
- আবেদন
- অ্যাপ্লিকেশন
- অভিগমন
- পন্থা
- আন্দাজ
- স্থাপত্য
- রয়েছি
- কাছাকাছি
- কৃত্রিম
- কৃত্রিম বুদ্ধিমত্তা
- কৃত্রিম গোয়েন্দা এবং মেশিন লার্নিং
- AS
- মূল্যায়ন
- সহায়তা
- সহযোগী
- At
- পাঠকবর্গ
- স্বয়ংক্রিয় পদ্ধতি প্রয়োগ করা
- স্বয়ংক্রিয়
- স্বয়ংক্রিয়ভাবে
- সহজলভ্য
- গড়
- এড়াতে
- ডেস্কটপ AWS
- পিছনে
- ভিত্তি
- বেসবল
- ভিত্তি
- BE
- সৈকত
- কারণ
- আগে
- উত্তম
- বিশাল
- বড় ধারণা
- ঝাপসা
- উভয়
- তরবার
- আনা
- নির্মাণ করা
- নির্মিত
- বিল্ট-ইন
- ব্যবসায়
- ব্যবসা উন্নয়ন
- কিন্তু
- by
- কল
- নামক
- কলিং
- কল
- CAN
- সামর্থ্য
- সক্ষম
- সাবধানে
- কার্লসন
- কেস
- মামলা
- কিছু
- অক্ষর
- চেক
- শিকাগো
- শ্রেণীবিন্যাস
- মক্কেল
- কোচিং
- কোড
- রঙ
- সমাহার
- মিলিত
- সম্মিলন
- সাধারণ
- কোম্পানি
- কোম্পানি
- জটিলতা
- সম্মতি
- বোঝা
- ব্যাপক
- গনা
- কম্পিউটার
- কম্পিউটার ভিশন
- শর্ত
- পরিচালিত
- কনফিগারেশন
- বিবেচনা
- ধারণ করা
- ধারণ
- বিষয়বস্তু
- অনুরূপ
- মূল্য
- খরচ
- পারা
- কভার
- সৃষ্টি
- তৈরি করা হচ্ছে
- সৃষ্টি
- সংকটপূর্ণ
- প্রথা
- ক্রেতা
- গ্রাহকদের
- স্বনির্ধারিত
- কাটা
- নাট্য
- উপাত্ত
- ডেটা পয়েন্ট
- কমে যায়
- নিবেদিত
- গভীর
- গভীর জ্ঞানার্জন
- ডেমো
- প্রমান
- নির্ভরযোগ্য
- নির্ভর করে
- স্থাপন
- মোতায়েন
- বর্ণিত
- নকশা
- সত্ত্বেও
- বিশদ
- বিস্তারিত
- সনাক্ত
- সনাক্তকরণ
- বিকাশকারী
- উন্নয়ন
- আশ্লেষ
- ডিজিটাল
- ডিজিটাল ট্রান্সফরমেসন
- প্রদর্শন
- বিচিত্র
- do
- না
- কুকুর
- করছেন
- Dont
- দরজা
- কারণে
- সময়
- ই-কমার্স
- সহজে
- সহজ
- প্রান্ত
- কার্যকর
- কার্যকরীভাবে
- দূর
- নিয়োগ
- ক্ষমতাপ্রদান করা
- ক্ষমতা
- সম্ভব
- শেষপ্রান্ত
- প্রয়োগ
- প্রকৌশল
- নিশ্চিত
- উদ্যোগ
- সমানভাবে
- এমন কি
- প্রতি
- উদাহরণ
- অভিজ্ঞতা
- ল্যাপারোস্কোপিক পদ্ধতি
- অন্বেষণ করুণ
- সহজতর করা
- পরিবার
- ফাইল
- ছাঁকনি
- ফিল্টারিং
- প্রথম
- উড়ন্ত
- কেন্দ্রবিন্দু
- দৃষ্টি নিবদ্ধ করা
- অনুসরণ
- অনুসরণ
- জন্য
- ভাগ্য
- থেকে
- ক্রিয়া
- কার্যকারিতা
- ক্রিয়াকলাপ
- দূ্যত
- উত্পাদন করা
- উত্পন্ন
- উৎপাদিত
- প্রজন্ম
- সৃজক
- জেনারেটিভ এআই
- GitHub
- বিশ্বব্যাপী
- বৈশ্বিক ব্যবসা
- বিশ্বব্যাপী
- লক্ষ্য
- অতিশয়
- জামিন
- কৌশল
- হাত
- ক্ষতিকর
- আছে
- he
- দখলী
- সাহায্য
- তার
- অত্যন্ত
- তার
- কিভাবে
- কিভাবে
- যাহোক
- এইচটিএমএল
- HTTP
- HTTPS দ্বারা
- অকুলীন
- ধারনা
- সনাক্ত করা
- if
- প্রকাশ
- ভাবমূর্তি
- চিত্র
- প্রভাব
- বাস্তবায়ন
- বাস্তবায়ন
- বাস্তবায়ন
- গুরুত্বপূর্ণ
- উন্নতি
- in
- অন্তর্ভুক্ত
- অন্তর্ভুক্ত
- সুদ্ধ
- নিগমবদ্ধ
- বৃদ্ধি
- বৃদ্ধি
- ইঙ্গিত
- শিল্প
- তথ্য
- পরিকাঠামো
- ইনপুট
- ইনপুট
- অর্ন্তদৃষ্টি
- উদাহরণ
- একীভূত
- বুদ্ধিমত্তা
- অভিপ্রেত
- স্বার্থ
- ইন্টারফেস
- মধ্যে
- উপস্থাপিত
- IT
- এর
- জেমস
- কাজ
- জন
- যোগদান
- JSON
- মাত্র
- পরিচিত
- গবেষণাগার
- ভদ্রমহিলা
- ভাষা
- অদৃশ্যতা
- শুরু করা
- চালু
- স্তর
- নেতৃত্ব
- নেতা
- নেতৃত্ব
- বিশালাকার
- শিখতে
- শিক্ষা
- বরফ
- কম
- যাক
- উচ্চতা
- লাইব্রেরি
- মত
- LIMIT টি
- সীমাবদ্ধতা
- সীমিত
- তালিকা
- যুক্তিবিদ্যা
- আর
- খুঁজে দেখো
- নিম্ন
- মেশিন
- মেশিন লার্নিং
- মুখ্য
- করা
- তৈরি করে
- মেকিং
- পরিচালিত
- দক্ষতা সহকারে হস্তচালন
- ম্যানুয়ালি
- অনেক
- Marketing
- মে..
- মিডিয়া
- বার্তা
- পদ্ধতি
- যত্সামান্য
- ML
- মডেল
- মডেল
- সংযম
- পরিবর্তিত
- অধিক
- বহু
- অবশ্যই
- প্রাকৃতিক
- স্বাভাবিক ভাষা প্রক্রিয়াকরণ
- প্রয়োজন
- চাহিদা
- নেতিবাচক
- নেটওয়ার্ক
- নতুন
- না।
- এখন
- সংখ্যা
- লক্ষ্য
- বস্তু
- of
- আক্রমণাত্মক
- অর্পণ
- on
- ONE
- নিরন্তর
- কেবল
- খোলা
- অপারেশনস
- সুযোগ
- or
- অন্যান্য
- আমাদের
- বাইরে
- ফলাফল
- আউটপুট
- বাহিরে
- শেষ
- সামগ্রিক
- ওভারভিউ
- প্যাকেজ
- পাসিং
- কামুক
- প্যাটার্ন
- নিদর্শন
- কর্মক্ষমতা
- সঞ্চালিত
- ফটোরিয়ালিস্টিক
- বাক্যাংশ
- মাচা
- Plato
- প্লেটো ডেটা ইন্টেলিজেন্স
- প্লেটোডাটা
- পয়েন্ট
- নীতি
- ধনাত্মক
- সম্ভব
- পোস্ট
- সম্ভাব্য
- সম্ভাব্য
- ক্ষমতা
- ক্ষমতাশালী
- ব্যবহারিক
- চর্চা
- প্রস্তুত করা
- প্রতিরোধ
- নিরোধক
- আগে
- মূল্য
- প্রাথমিক
- অধ্যক্ষ
- পূর্বে
- অগ্রাধিকার
- প্ররোচক
- প্রক্রিয়া
- প্রক্রিয়াজাতকরণ
- আবহ
- প্রকল্প
- প্রচার
- রক্ষা করা
- প্রদান
- প্রদত্ত
- উপলব্ধ
- প্রদানের
- প্রক্সি
- করা
- পাইথন
- দ্রুত
- যদৃচ্ছতা
- পরিসর
- দ্রুত
- প্রকৃত সময়
- গৃহীত
- চেনা
- হ্রাসপ্রাপ্ত
- হ্রাস
- এলাকা
- সম্পর্ক
- অপেক্ষাকৃতভাবে
- অপসারণ
- প্রতিস্থাপন করা
- প্রতিনিধি
- খ্যাতি
- অনুরোধ
- অনুরোধ
- প্রয়োজন
- আবশ্যকতা
- প্রতিক্রিয়া
- ফলাফল
- প্রত্যাবর্তন
- এখানে ক্লিক করুন
- পর্যালোচনা
- ঝুঁকি
- ভূমিকা
- নিয়ম
- চালান
- দৌড়
- নিরাপদ
- সুরক্ষা
- নিরাপদ
- ঋষি নির্মাতা
- স্কেলেবিলিটি
- স্কেল
- আরোহী
- স্ক্রিপ্ট
- সেকেন্ড
- পাঠান
- পাঠায়
- জ্যেষ্ঠ
- স্থল
- সেবা
- সেবা
- সে
- প্রদর্শিত
- শো
- সহজ
- সরলীকৃত
- একক
- আয়তন
- মাপ
- ছোট
- So
- সামাজিক
- সামাজিক মাধ্যম
- সমাধান
- সলিউশন
- কিছু
- বাস্তববুদ্ধিসম্পন্ন
- প্রশিক্ষণ
- বিশেষজ্ঞ
- বিশেষজ্ঞ
- নির্দিষ্ট
- স্পীড
- স্থিতিশীল
- গাদা
- শুরু
- ধাপ
- প্রারম্ভিক ব্যবহারের নির্দেশাবলী
- স্টোরেজ
- দোকান
- streamlining
- শক্তিশালী
- গঠন
- শৈলী
- এমন
- মামলা
- সমর্থন
- পদ্ধতি
- টেবিল
- উপযোগী
- গ্রহণ করা
- লাগে
- কাজ
- টীম
- দল
- প্রযুক্তি
- প্রযুক্তিঃ
- প্রযুক্তি সংস্থাগুলি
- পরীক্ষা
- প্রমাণিত
- চেয়ে
- যে
- সার্জারির
- তাদের
- তাহাদিগকে
- অতএব
- তারা
- এই
- দ্বারা
- সময়
- সময় অপগিত হয় এমন
- থেকে
- মোট
- প্রতি
- রেলগাড়ি
- প্রশিক্ষণ
- হস্তান্তর
- রুপান্তর
- রূপান্তর
- দুই
- আদর্শ
- ui
- উন্মোচন
- নিম্নাবস্থিত
- ব্যবহার
- ব্যবহৃত
- ব্যবহারকারী
- ব্যবহারকারীর অভিজ্ঞতা
- ব্যবহারকারী
- ব্যবহারসমূহ
- ব্যবহার
- সাধারণত
- সদ্ব্যবহার করা
- ব্যবহার
- ব্যবহার
- দামি
- মাধ্যমে
- ভিডিও
- Videos
- হিংস্রতা
- দৃষ্টি
- আয়তন
- জেয়
- ছিল
- পানি
- we
- ওয়েব
- ওয়েব সার্ভিস
- আমরা একটি
- কখন
- কিনা
- যে
- যখন
- ব্যাপক
- প্রশস্ত পরিসর
- ব্যাপকতর
- ইচ্ছা
- সঙ্গে
- মধ্যে
- শব্দ
- শব্দ
- হয়া যাই ?
- কর্মপ্রবাহ
- কাজ
- wu
- বছর
- আপনি
- আপনার
- যৌবন
- zephyrnet