Sisu modereerimine mängib veebiturvalisuse säilitamisel ning veebisaitide ja sotsiaalmeedia platvormide väärtuste ja standardite järgimisel keskset rolli. Selle olulisust rõhutab kaitse, mida see pakub kasutajatele sobimatu sisuga kokkupuutumise eest, kaitstes nende heaolu digitaalsetes ruumides. Näiteks reklaamitööstuses aitab sisu modereerimine kaitsta kaubamärke ebasoodsate seoste eest, aidates seeläbi kaasa kaubamärgi tõusule ja tulude kasvule. Reklaamijad seavad oma maine säilitamiseks ja negatiivse reklaami ärahoidmiseks esikohale oma brändi vastavusse viimise sobiva sisuga. Sisu modereerimine on kriitilise tähtsusega ka rahandus- ja tervishoiusektoris, kus see täidab mitmeid funktsioone. Sellel on oluline roll tundliku isikut tuvastava ja terviseteabe (PII, PHI) tuvastamisel ja kaitsmisel. Järgides sisemisi standardeid ja tavasid ning järgides väliseid eeskirju, suurendab sisu modereerimine kasutajate digitaalset turvalisust. Nii hoiab see ära konfidentsiaalsete andmete tahtmatu jagamise avalikel platvormidel, tagades kasutajate privaatsuse ja andmeturbe säilimise.
Selles postituses tutvustame uudset meetodit pildiandmete sisu modereerimiseks multimodaalse eelkoolituse ja suure keelemudeli (LLM) abil. Multimodaalse eelkoolituse abil saame huvipakkuvate küsimuste alusel otse pildi sisu päringuid teha ja mudel oskab neile küsimustele vastata. See võimaldab kasutajatel pildiga vestelda, et kontrollida, kas see sisaldab sobimatut sisu, mis rikub organisatsiooni eeskirju. Lõpliku otsuse, sealhulgas ohutute/ebaturvaliste siltide ja kategooria tüübi loomiseks kasutame LLM-ide võimsat genereerimisvõimet. Lisaks saame käsu kujundamisel panna LLM-i genereerima määratletud väljundvormingu, näiteks JSON-vormingu. Loodud viipamall võimaldab LLM-il kindlaks teha, kas pilt rikub modereerimispoliitikat, tuvastada rikkumise kategooria, selgitada, miks ja esitada väljund struktureeritud JSON-vormingus.
Me kasutame BLIP-2 kui multimodaalne eelkoolitusmeetod. BLIP-2 on üks tipptasemel mudeleid multimodaalses eelkoolituses ja ületab enamiku olemasolevatest meetoditest visuaalses küsimustele vastamises, piltide pealdises ja pilditeksti otsimises. Meie LLM-i jaoks kasutame Laama 2, järgmise põlvkonna avatud lähtekoodiga LLM, mis ületab olemasolevaid avatud lähtekoodiga keelemudeleid paljudes võrdlusalustes, sealhulgas arutluskäigu, kodeerimise, oskuste ja teadmiste testides. Järgnev diagramm illustreerib lahenduse komponente.
Väljakutsed sisu modereerimisel
Traditsioonilised sisu modereerimise meetodid, nagu inimpõhine modereerimine, ei suuda kasutajate loodud sisu (UGC) kasvava mahuga sammu pidada. UGC mahu suurenedes võivad moderaatorid olla ülekoormatud ja neil on raskusi sisu tõhusa modereerimisega. Selle tulemuseks on kehv kasutuskogemus, suured modereerimiskulud ja brändirisk. Inimpõhisel modereerimisel esineb ka vigu, mille tulemuseks võib olla ebajärjekindel modereerimine ja kallutatud otsused. Nende väljakutsetega toimetulemiseks on lahenduseks kerkinud masinõppel (ML) põhinev sisu modereerimine. ML-algoritmid suudavad analüüsida suuri UGC-sid ja tuvastada sisu, mis rikub organisatsiooni eeskirju. ML-mudeleid saab koolitada ära tundma mustreid ja tuvastama probleemset sisu, nagu vihakõne, rämpspost ja sobimatu materjal. Uuringu kohaselt Kaitske oma kasutajaid, kaubamärki ja eelarvet tehisintellektil põhineva sisu modereerimisegaML-toega sisu modereerimine võib aidata organisatsioonidel tagasi nõuda kuni 95% ajast, mil nende meeskonnad kulutavad sisu käsitsi modereerimisele. See võimaldab organisatsioonidel suunata oma ressursid strateegilisematele ülesannetele, nagu kogukonna loomine ja sisu loomine. ML-põhise sisu modereerimine võib samuti vähendada modereerimiskulusid, kuna see on tõhusam kui inimpõhine modereerimine.
Vaatamata ML-toega sisu modereerimise eelistele on sellel veel ruumi täiustada. ML-algoritmide tõhusus sõltub suuresti nende andmete kvaliteedist, mille kohta neid koolitatakse. Kui mudeleid koolitatakse kallutatud või mittetäielike andmete põhjal, võivad nad teha ekslikke modereerimisotsuseid, mis seavad organisatsioonid ohtu kaubamärgiga seotud riskidele ja võimalikele juriidilistele kohustustele. ML-põhiste lähenemisviiside kasutuselevõtt sisu modereerimiseks toob kaasa mitmeid väljakutseid, mis nõuavad hoolikat kaalumist. Need väljakutsed hõlmavad järgmist:
- Märgistatud andmete hankimine – See võib olla kulukas protsess, eriti keerukate sisu modereerimise ülesannete puhul, mis nõuavad märgistajate koolitamist. See kulu võib muuta piisavalt suurte andmekogumite kogumise keeruliseks, et juhendatud ML-mudelit hõlpsalt koolitada. Lisaks sõltub mudeli täpsus suuresti koolitusandmete kvaliteedist ning kallutatud või mittetäielikud andmed võivad põhjustada ebatäpseid modereerimisotsuseid, mis toob kaasa kaubamärgiriski ja juriidilised kohustused.
- Mudeli üldistus – See on ML-põhiste lähenemisviiside kasutuselevõtuks ülioluline. Ühe andmestikuga koolitatud mudel ei pruugi hästi üldistada teise andmekogumi jaoks, eriti kui andmekogumitel on erinev jaotus. Seetõttu on oluline tagada, et mudelit õpetatakse mitmekesise ja esindusliku andmekogumiga, et tagada selle hea üldistamine uutele andmetele.
- Tõhusus – See on veel üks väljakutse tavapäraste ML-põhiste lähenemisviiside kasutamisel sisu modereerimiseks. Uute siltide pidev lisamine ja mudeli ümberõpe uute klasside lisamisel võib olla aeganõudev ja kulukas. Lisaks on oluline tagada mudeli korrapärane värskendamine, et olla kursis modereeritava sisu muutustega.
- Seletatavus – Lõppkasutajad võivad tajuda platvormi kallutatud või ebaõiglasena, kui sisu märgitakse või eemaldatakse ilma põhjenduseta, mille tulemuseks on halb kasutuskogemus. Samamoodi võib selgete selgituste puudumine muuta sisu modereerimise protsessi ebatõhusaks, aeganõudvaks ja moderaatorite jaoks kulukaks.
- Konkurentsivõimeline iseloom – Pildipõhise sisu modereerimise võistlev iseloom on tavapärastele ML-põhistele lähenemisviisidele ainulaadne väljakutse. Halvad näitlejad võivad üritada sisu modereerimise mehhanismidest kõrvale hiilida, muutes sisu mitmel viisil, näiteks kasutades piltide sünonüüme või manustades nende tegeliku sisu suuremasse mitterikkuvasse sisusse. See nõuab pidevat jälgimist ja mudeli ajakohastamist, et tuvastada ja reageerida sellistele vastandlikele taktikatele.
Multimodaalne arutluskäik BLIP-2-ga
Multimodaalsuse ML-mudelid viitavad mudelitele, mis suudavad käsitleda ja integreerida mitmest allikast või modaalsusest pärinevaid andmeid, näiteks pilte, teksti, heli, videot ja muid struktureeritud või struktureerimata andmeid. Üks populaarsemaid multimodaalsuse mudeleid on visuaalse keele mudelid, nagu BLIP-2, mis ühendab arvutinägemise ja loomuliku keele töötlemise (NLP), et mõista ja genereerida nii visuaalset kui ka tekstilist teavet. Need mudelid võimaldavad arvutitel tõlgendada piltide ja teksti tähendusi viisil, mis jäljendab inimese arusaamist. Nägemiskeelsed mudelid saavad lahendada mitmesuguseid ülesandeid, sealhulgas piltide pealdisi, pilditeksti otsimist, visuaalsetele küsimustele vastamist ja palju muud. Näiteks piltide pealdiste mudel võib genereerida pildi loomuliku keele kirjelduse ja pilditeksti otsingumudel võib otsida pilte tekstipäringu alusel. Visuaalsed küsimustele vastamise mudelid võivad vastata loomuliku keele küsimustele piltide kohta ja multimodaalsed vestlusrobotid saavad vastuste genereerimiseks kasutada visuaalseid ja tekstilisi sisendeid. Sisu modereerimise osas saate seda võimalust kasutada küsimuste loendi päringute tegemiseks.
BLIP-2 sisaldab kolme osa. Esimene komponent on CLIPi külmutatud kujutise kodeerija ViT-L/14, mis võtab sisendiks pildiandmeid. Teine komponent on külmutatud LLM, FlanT5, mis väljastab teksti. Kolmas komponent on treenitav moodul nimega Q-Former, kerge trafo, mis ühendab külmutatud kujutise kodeerija külmutatud LLM-iga. Q-Former kasutab külmutatud kujutise kodeerijast visuaalsete funktsioonide eraldamiseks õpitavaid päringuvektoreid ja edastab LLM-ile kõige kasulikuma visuaalse funktsiooni soovitud teksti väljastamiseks.
Eelkoolitusprotsess hõlmab kahte etappi. Esimeses etapis viiakse läbi visiooni-keele esitusõpe, et õpetada Q-Formerit õppima teksti jaoks kõige asjakohasemat visuaalset esitust. Teises etapis viiakse läbi visioonist keeleks generatiivne õpe, ühendades Q-Formeri väljundi külmutatud LLM-iga ja koolitades Q-Formerit visuaalsete esituste väljastamiseks, mida LLM saab tõlgendada.
BLIP-2 saavutab tipptasemel jõudluse erinevate nägemiskeele ülesannete puhul, hoolimata sellest, et sellel on oluliselt vähem treenitavaid parameetreid kui olemasolevad meetodid. Mudel demonstreerib ka uusi võimalusi nullkaadri pildist tekstiks genereerimiseks, mis suudab järgida loomuliku keele juhiseid. Järgmine illustratsioon on muudetud originaalne uurimistöö.
Lahenduse ülevaade
Järgnev diagramm illustreerib lahenduse arhitektuuri.
Järgmistes osades näitame, kuidas BLIP-2 juurutada Amazon SageMaker lõpp-punkti ja kasutage sisu modereerimiseks BLIP-2 ja LLM-i.
Eeldused
Teil on vaja AWS-i kontot AWS-i identiteedi- ja juurdepääsuhaldus (IAM) roll, millel on õigused hallata lahenduse osana loodud ressursse. Üksikasjade saamiseks vaadake Looge eraldiseisev AWS-i konto.
Kui töötate esimest korda Amazon SageMaker Studio, peate esmalt looma a SageMakeri domeen. Lisaks peate võib-olla taotlema vastavate SageMakeri hostimisjuhtumite teenusekvoodi suurendamist. BLIP-2 mudeli puhul kasutame me ml.g5.2xlarge
SageMakeri hostimise eksemplar. Mudeli Llama 2 13B jaoks kasutame an ml.g5.12xlarge
SageMakeri hostimise eksemplar.
Juurutage BLIP-2 SageMakeri lõpp-punkti
Saate SageMakeris LLM-i hostida, kasutades Suur mudeli järeldus (LMI) konteiner, mis on optimeeritud suurte mudelite majutamiseks DJLServingi abil. DJLServing on suure jõudlusega universaalne mudelite teenindamise lahendus, mille toiteallikaks on Deep Java Library (DJL), mis on programmeerimiskeele agnostik. DJL-i ja DJLServingu kohta lisateabe saamiseks vaadake Rakendage Amazon SageMakeris suuri mudeleid, kasutades DJLServingi ja DeepSpeedi mudeli paralleelset järeldust. SageMakeri LMI konteineri abil saab mudelit BLIP-2 hõlpsasti juurutada Hugging Face teegiga ja majutada SageMakeris. Sa võid joosta blip2-sagemaker.ipynb
selle sammu jaoks.
Dockeri kujutise ja mudelifaili ettevalmistamiseks peate hankima DJLServingi Dockeri kujutise, pakkima järeldusskripti ja konfiguratsioonifailid model.tar.gz
faili ja laadige see üles Amazoni lihtne salvestusteenus (Amazon S3) kopp. Võite viidata järeldusskript ja konfiguratsioonifail rohkem üksikasju.
inference_image_uri = image_uris.retrieve( framework="djl-deepspeed", region=sess.boto_session.region_name, version="0.22.1"
)
! tar czvf model.tar.gz blip2/
s3_code_artifact = sess.upload_data("model.tar.gz", bucket, s3_code_prefix)
Kui Dockeri kujutise ja järeldustega seotud failid on valmis, loote mudeli, lõpp-punkti konfiguratsiooni ja lõpp-punkti:
from sagemaker.utils import name_from_base
blip_model_version = "blip2-flan-t5-xl"
model_name = name_from_base(blip_model_version)
model = Model( image_uri=inference_image_uri, model_data=s3_code_artifact, role=role, name=model_name,
)
model.deploy( initial_instance_count=1, instance_type="ml.g5.2xlarge", endpoint_name=model_name
)
Kui lõpp-punkti olek hakkab kasutusele võtma, saate lõpp-punkti kutsuda kujutise pealdisteks ja juhendatud nullkaadri visioonist keeleks genereerimiseks. Pildi pealkirjade lisamise ülesande jaoks peate pildi lõpp-punktile edastama:
import base64
import json
from PIL import Image smr_client = boto3.client("sagemaker-runtime") def encode_image(img_file): with open(img_file, "rb") as image_file: img_str = base64.b64encode(image_file.read()) base64_string = img_str.decode("latin1") return base64_string def run_inference(endpoint_name, inputs): response = smr_client.invoke_endpoint( EndpointName=endpoint_name, Body=json.dumps(inputs) ) print(response["Body"].read()) test_image = "carcrash-ai.jpeg"
base64_string = encode_image(test_image)
inputs = {"image": base64_string}
run_inference(endpoint_name, inputs)
Juhendatud nullkaadri nägemise-keele genereerimise ülesande jaoks peate lisaks sisendpildile määrama küsimuse viipana:
base64_string = encode_image(test_image)
inputs = {"prompt": "Question: what happened in this photo? Answer:", "image": base64_string}
run_inference(endpoint_name, inputs)
Kasutage sisu modereerimiseks BLIP-2 ja LLM-i
Selles etapis saate teha päringuid antud pildi kohta ja hankida peidetud teavet. LLM-i abil korraldate päringuid ja hankite teavet, et luua JSON-vormingus tulemus. Selle ülesande saab laias laastus jagada kaheks alamülesandeks:
- Eemaldage BLIP-2 mudeliga pildilt teave.
- Looge lõpptulemus ja selgitus LLM-iga.
Eemaldage BLIP-2 mudeliga pildilt teave
Et antud pildilt piisavalt kasulikku peidetud infot hankida, tuleb defineerida päringud. Kuna iga päring kutsub lõpp-punkti üks kord, pikendavad paljud päringud töötlemisaega. Seetõttu soovitame teha päringud kvaliteetseks ja hõlmama kõiki eeskirju, kuid ka ilma dubleerimiseta. Meie näidiskoodis määratleme päringud järgmiselt.
check_list = [ "Does this photo contain complete naked person?", "Does this photo contain topless person?", "Does this photo contain weapon?", "Does this photo contain contact information?", "Does this photo contain a smoker?", "Does this photo contain blood?", "Are there persons fighting in this photo?", "Does this photo contain harassment words?"
]
Eelnevate päringutega käivitage BLIP-2 lõpp-punkt, et hankida teave järgmise koodiga:
test_image = "./surf_swimwear.png"
raw_image = Image.open(test_image).convert('RGB') base64_string = encode_image(test_image)
conversations = """"""
for question in check_list: inputs = {"prompt": f"Question: {question}? Answer:", "image": base64_string} response = run_inference(endpoint_name, inputs) conversations += f"""
Question: {question}
Answer: {response}. """
Lisaks päringutega hangitud teabele saate teavet pilditiitrite ülesandega, kutsudes välja lõpp-punkti ilma prompt
kandevõime väli:
inputs = {"image": base64_string}
response = smr_client.invoke_endpoint(
EndpointName=endpoint_name, Body=json.dumps(inputs)
)
image_caption = response["Body"].read().decode('utf-8')
Saate kombineerida päringute ja vastuste sisu pildiallkirjaga ning kasutada seda hangitud teavet alljärgnevas toimingus, mida kirjeldatakse allolevas järgmises jaotises.
Looge lõpptulemus ja selgitus LLM-iga
Suured keelemudelid (LLM-id), nagu Llama 2, võivad õige viipamalliga luua kvaliteetseid tulemusi. Kasutades Amazon SageMaker JumpStart, ML-i praktikud saavad valida laia valiku avalikult kättesaadavate vundamendimudelite hulgast. Vaid mõne klõpsuga SageMaker Studios saate nüüd avastage ja juurutage Llama 2.
Lõpptulemused sõltuvad konkreetse viipamalliga LLM-ist. Selline viip koosneb: modereerimispoliitikast, mis põhineb sobimatu või solvava kategooriatel modereerimiskategooriad; BLIP-2-st eraldatud pilditeave; küsimuse mall LLM-ile, mis küsib, kas foto sisaldab ebaturvalist sisu, ning küsib selle kategooriat ja põhjust, kui see on ohtlik; ja juhised tulemuste JSON-vormingus väljastamiseks. Loodud viipamall võimaldab LLM-il kindlaks teha, kas pilt rikub modereerimispoliitikat, tuvastada rikkumise kategooria, selgitada, miks ja esitada väljund struktureeritud JSON-vormingus.
Põhiline lähtekood on järgmine:
prompt_template = f"""
The following is our company's content moderation policy, based on the moderation policy, we gather image information from the user uploaded image. Please answer the question with json format. ###### moderation policy ######
{moderation_policy} ###### Image information ######
{conversations} ###### Question ######
Based on the following Moderation policy and QA, tell me if the photo containes unsafe content, also give its category and reason if it's unsafe. Please anwser the question with the following format and only put explanation into the reason field: """ prompt_template += """
{ "flag": "xxx", "category": "xxx", "reason": "the reason is ..."
} """ dialog = [ {"role": "user", "content": prompt_template}
]
Saate viipa kohandada vastavalt oma kasutusjuhtumile. Vaadake märkmik lisateabe saamiseks. Kui viip on valmis, saate tulemuste loomiseks kutsuda LLM-i lõpp-punkti:
endpoint_name = "jumpstart-dft-meta-textgeneration-llama-2-70b-f" def query_endpoint(payload): client = boto3.client("sagemaker-runtime") response = client.invoke_endpoint( EndpointName=endpoint_name, ContentType="application/json", Body=json.dumps(payload), CustomAttributes="accept_eula=true", ) response = response["Body"].read().decode("utf8") response = json.loads(response) return response payload = { "inputs": [dialog], "parameters": {"max_new_tokens": 256, "top_p": 0.9, "temperature": 0.5}
}
result = query_endpoint(payload)[0]
Osa genereeritud väljundist on järgmine:
Aeg-ajalt lisab Laama 2 peale abilise vastuse ka täiendava selgituse. Algsetest genereeritud tulemustest JSON-andmete eraldamiseks võite kasutada sõelumiskoodi.
answer = result['generation']['content'].split('}')[0]+'}'
json.loads(answer)
Generatiivsete lähenemisviiside eelised
Eelmised osad näitasid, kuidas rakendada mudeli järelduse põhiosa. Selles jaotises käsitleme generatiivsete lähenemisviiside erinevaid aspekte, sealhulgas võrdlusi tavapäraste lähenemisviiside ja perspektiividega.
Järgmises tabelis võrreldakse iga lähenemisviisi.
. | Generatiivne lähenemine | Klassifitseerimise lähenemisviis |
Märgistatud andmete hankimine | Eelkoolitatud mudel suurel hulgal piltidel, nullkaadri järeldus | Nõuab igat tüüpi kategooriate andmeid |
Mudeli üldistus | Eelkoolitatud mudel erinevat tüüpi piltidega | Mudeli üldistamise parandamiseks on vaja suurt hulka sisu modereerimisega seotud andmeid |
Tõhusus | Nullkaadri võimalused | Nõuab mudeli väljaõpet erinevate mustrite äratundmiseks ja siltide lisamisel ümberõpet |
Seletatavus | Põhjendus tekstiväljundina, suurepärane kasutajakogemus | Raske saavutada arutluskäiku, raske seletada ja tõlgendada |
Konkurentsivõimeline iseloom | Jõuline | Kõrgsageduslik ümberõpe |
Mitmeliigilise arutluskäigu võimalikud kasutusjuhud peale sisu modereerimise
BLIP-2 mudeleid saab kasutada mitmel otstarbel koos peenhäälestusega või ilma, mis hõlmab järgmist:
- Pildi pealdised – See palub mudelil luua pildi visuaalse sisu jaoks tekstikirjeldus. Nagu on näidatud järgmisel näitepildil (vasakul), võib meil olla "Mees seisab rannas surfilauaga" nagu pildi kirjeldus.
- Visuaalne vastus küsimusele – Nagu näitab keskel olev näidispilt, võime küsida "Kas see on kaubandusega seotud sisu" ja meil on "Jah" vastusena. Lisaks toetab BLIP-2 mitmevoorulist vestlust ja väljastab järgmise küsimuse: "Miks sa nii arvad?" Tuginedes visuaalsele vihjele ja LLM-i võimalustele, BLIP-2 väljundid "See on märk Amazonile."
- Pildi teksti otsimine – Antud küsimusele kui "Tekst pildil", saame pildi teksti ekstraheerida "On esmaspäev, aga naerata edasi" nagu on näidatud parempoolsel pildil.
Järgmistel piltidel on näited visuaalsete teadmiste arutluskäigu nullkaadri kujutisest tekstiks võimekuse demonstreerimiseks.
Nagu näeme erinevatest ülaltoodud näidetest, avavad multimodaalsuse mudelid uusi võimalusi keeruliste probleemide lahendamiseks, mida traditsioonilistel ühemodaalsuse mudelitel oleks raske lahendada.
Koristage
Edaspidiste tasude vältimiseks kustutage selle postituse osana loodud ressursid. Seda saate teha, järgides sülearvuti puhastamise jaotises olevaid juhiseid või kustutada loodud lõpp-punktid SageMakeri konsooli ja S3 ämbrisse salvestatud ressursside kaudu.
Järeldus
Selles postituses arutlesime sisu modereerimise olulisuse üle digimaailmas ja tõime välja selle väljakutsed. Pakkusime välja uue meetodi, mis aitab parandada sisu modereerimist pildiandmetega ja vastata piltidele küsimustele, et kasulikku teavet automaatselt hankida. Arutasime ka generatiivse AI-põhise lähenemisviisi kasutamise eeliseid võrreldes traditsioonilise klassifikatsioonipõhise lähenemisviisiga. Lõpuks illustreerisime visuaalsete keelemudelite võimalikke kasutusjuhtumeid peale sisu modereerimise.
Soovitame teil rohkem teada saada, uurides SageMakerit ja luues lahenduse, kasutades selles postituses pakutavat multimodaalsuse lahendust ja teie ettevõtte jaoks asjakohast andmekogumit.
Autoritest
Gordon Wang on AWS-i AI/ML-i vanemspetsialist TAM. Ta toetab strateegilisi kliente AI/ML parimate tavadega paljudes tööstusharudes. Ta on kirglik arvutinägemise, NLP, generatiivse AI ja MLO-de vastu. Vabal ajal armastab ta joosta ja matkata.
Yanwei Cui, PhD, on AWS-i masinõppelahenduste vanemspetsialist. Ta alustas masinõppe uurimist IRISA-s (Research Institute of Computer Science and Random Systems) ning tal on mitmeaastane kogemus tehisintellektil töötavate tööstuslike rakenduste loomisel arvutinägemise, loomuliku keele töötlemise ja veebipõhise kasutaja käitumise ennustamise vallas. AWS-is jagab ta oma domeeniteadmisi ning aitab klientidel avada äripotentsiaali ja saavutada mastaapse masinõppega teostatavaid tulemusi. Väljaspool tööd naudib ta lugemist ja reisimist.
Melanie Li, PhD, on Austraalias Sydneys asuva AWS-i AI/ML-i vanemspetsialist TAM. Ta aitab ettevõtte klientidel luua lahendusi, kasutades AWS-i tipptasemel AI/ML-i tööriistu, ning annab juhiseid ML-lahenduste väljatöötamiseks ja rakendamiseks parimate tavade alusel. Vabal ajal meeldib talle loodusega tutvuda ning pere ja sõpradega aega veeta.
- SEO-põhise sisu ja PR-levi. Võimenduge juba täna.
- PlatoData.Network Vertikaalne generatiivne Ai. Jõustage ennast. Juurdepääs siia.
- PlatoAiStream. Web3 luure. Täiustatud teadmised. Juurdepääs siia.
- PlatoESG. Autod/elektrisõidukid, Süsinik, CleanTech, Energia, Keskkond päikeseenergia, Jäätmekäitluse. Juurdepääs siia.
- PlatoTervis. Biotehnoloogia ja kliiniliste uuringute luureandmed. Juurdepääs siia.
- ChartPrime. Tõsta oma kauplemismängu ChartPrime'iga kõrgemale. Juurdepääs siia.
- BlockOffsets. Keskkonnakompensatsiooni omandi ajakohastamine. Juurdepääs siia.
- Allikas: https://aws.amazon.com/blogs/machine-learning/build-a-generative-ai-based-content-moderation-solution-on-amazon-sagemaker-jumpstart/
- :on
- :on
- :mitte
- : kus
- $ UP
- 1
- 10
- 100
- 20
- 22
- 7
- 9
- 95%
- a
- Võimalik
- MEIST
- üle
- juurdepääs
- Vastavalt
- konto
- täpsus
- Saavutada
- Saavutab
- osalejad
- tegelik
- lisatud
- lisades
- lisamine
- Täiendavad lisad
- Lisaks
- aadress
- kinni pidades
- Vastuvõtmine
- Vastuvõtmine
- eelised
- võistlev
- Reklaamijad
- reklaam
- vastu
- AI
- Tehisintellekti toega
- AI / ML
- algoritme
- joondumine
- Materjal: BPA ja flataatide vaba plastik
- võimaldab
- Ka
- Amazon
- Amazon SageMaker
- Amazon SageMaker JumpStart
- Amazon Web Services
- an
- analüüsima
- ja
- Teine
- vastus
- vastuseid
- mistahes
- rakendused
- rakendatud
- lähenemine
- lähenemisviisid
- asjakohane
- arhitektuur
- OLEME
- AS
- küsima
- aspektid
- assistent
- ühendused
- oletab
- At
- heli-
- Austraalia
- automaatselt
- saadaval
- vältima
- AWS
- Halb
- põhineb
- BE
- rand
- sest
- muutuma
- muutub
- käitumine
- on
- alla
- kriteeriumid
- Pealegi
- BEST
- parimaid tavasid
- Peale
- erapooletu
- veri
- keha
- mõlemad
- bränd
- brändid
- Toob
- lai
- eelarve
- ehitama
- Ehitus
- äri
- kuid
- by
- kutsutud
- CAN
- Saab
- võimeid
- võime
- ettevaatlik
- juhul
- juhtudel
- kategooriad
- Kategooria
- väljakutse
- väljakutseid
- raske
- Vaidluste lahendamine
- koormuste
- jututoad
- Vali
- klassid
- selge
- klient
- riideid
- kood
- Kodeerimine
- ühendama
- ühendab
- kaubandus-
- kogukond
- kogukonna ülesehitamine
- ettevõte
- võrreldes
- täitma
- keeruline
- komponent
- komponendid
- arvuti
- Arvutiteadus
- Arvuti visioon
- arvutid
- konfiguratsioon
- Kinnitama
- ühendamine
- ühendab
- tasu
- kaaluda
- koosneb
- konsool
- pidev
- pidevalt
- kontakt
- sisaldama
- Konteiner
- sisaldab
- sisu
- sisu loomine
- sisu
- kaasa
- tavaline
- Vestlus
- vestlused
- tuum
- Vastav
- Maksma
- kulukas
- kulud
- võiks
- cover
- looma
- loodud
- loomine
- kriitiline
- Rist
- Kliendid
- kohandada
- andmed
- andmekaitse
- andmekogumid
- otsus
- otsused
- sügav
- määratlema
- määratletud
- näitama
- Näidatud
- näitab
- juurutada
- kirjeldatud
- kirjeldus
- kavandatud
- projekteerimine
- soovitud
- Vaatamata
- detailid
- avastama
- Määrama
- Dialoog
- erinev
- digitaalne
- digitaalne maailm
- otse
- arutatud
- arutelu
- Väljamaksed
- mitu
- do
- laevalaadija
- ei
- domeen
- ajam
- iga
- leevendada
- kergesti
- tõhusalt
- tõhusus
- tõhus
- kinnistamine
- tekkinud
- smirgel
- töötab
- võimaldama
- võimaldab
- julgustama
- lõpp
- Lõpp-punkt
- Parandab
- piisavalt
- tagama
- tagades
- ettevõte
- vead
- eriti
- oluline
- näide
- näited
- olemasolevate
- kogemus
- teadmised
- Selgitama
- selgitus
- uurima
- Avastades
- Säritus
- väline
- väljavõte
- nägu
- juga
- pere
- tunnusjoon
- FUNKTSIOONID
- naine
- vähe
- vähem
- väli
- võitlemine
- fail
- Faile
- lõplik
- rahastama
- esimene
- Esimest korda
- sobima
- märgistatud
- Keskenduma
- järgima
- Järel
- järgneb
- eest
- formaat
- vormid
- Sihtasutus
- Sagedus
- sõbrad
- Alates
- külmutatud
- funktsioonid
- edasi
- tulevik
- koguma
- tekitama
- loodud
- teeniva
- põlvkond
- generatiivne
- Generatiivne AI
- saama
- Andma
- antud
- suur
- Kasvavad
- Kasv
- juhised
- käepide
- juhtus
- Raske
- Olema
- võttes
- he
- Tervis
- terviseinfo
- tervishoid
- tugevalt
- aitama
- aitab
- siin
- varjatud
- Suur
- suur jõudlus
- kvaliteetne
- Esiletõstetud
- tema
- võõrustaja
- võõrustas
- Hosting
- Kuidas
- Kuidas
- HTML
- http
- HTTPS
- inim-
- identifitseerima
- identifitseerimiseks
- Identity
- if
- illustreerib
- pilt
- pildid
- rakendada
- rakendatud
- rakendamisel
- import
- tähtsus
- oluline
- parandama
- paranemine
- in
- ebatäpne
- sisaldama
- hõlmab
- Kaasa arvatud
- Suurendama
- Tõstab
- tööstus-
- tööstusharudes
- tööstus
- ebaefektiivne
- info
- sisend
- sisendite
- Näiteks
- Instituut
- juhised
- integreerima
- huvi
- sisemine
- sisse
- kehtestama
- IT
- ITS
- Java
- jpg
- Json
- lihtsalt
- hoidma
- teadmised
- Labels
- keel
- suur
- suurem
- viima
- juhtivate
- Õppida
- õppimine
- lahkus
- Õigus
- kohustused
- Raamatukogu
- kerge
- nimekiri
- Laama
- LLM
- enam
- armastab
- masin
- masinõpe
- säilitamine
- tegema
- Tegemine
- mees
- juhtima
- käsitsi
- palju
- materjal
- mai..
- me
- tähendus
- mehhanismid
- Meedia
- Meta
- meetod
- meetodid
- Kesk-
- ML
- MLOps
- mudel
- mudelid
- mõõdukus
- modifitseeritud
- moodulid
- Esmaspäev
- järelevalve
- rohkem
- tõhusam
- kõige
- mitmekordne
- Natural
- Natural Language Processing
- loodus
- Vajadus
- negatiivne
- Uus
- järgmine
- nlp
- märkmik
- romaan
- nüüd
- number
- of
- solvav
- on
- kunagi
- ONE
- Internetis
- ainult
- avatud
- avatud lähtekoodiga
- Võimalused
- optimeeritud
- or
- organisatsioonid
- originaal
- Muu
- meie
- Firmast
- tulemusi
- Ületab tulemusi
- väljund
- väljaspool
- ülekoormatud
- enda
- pakend
- Parallel
- parameetrid
- osa
- eriti
- osad
- sooritama
- kirglik
- mustrid
- täitma
- jõudlus
- teostatud
- Õigused
- inimene
- isiklik
- isikud
- perspektiivid
- phd
- foto
- Keskses
- inimesele
- Platvormid
- Platon
- Platoni andmete intelligentsus
- PlatoData
- mängib
- palun
- Poliitika
- poliitika
- vaene
- populaarne
- post
- potentsiaal
- potentsiaalid
- sisse
- võimas
- tavad
- ennustus
- Valmistama
- kingitusi
- säilitamine
- takistab
- Prioriteet
- privaatsus
- probleeme
- protsess
- töötlemine
- Programming
- pakutud
- kaitse
- anda
- tingimusel
- annab
- avalik
- avalikkus
- avalikult
- eesmärkidel
- panema
- Küsimused ja vastused
- kvaliteet
- päringud
- küsimus
- Küsimused
- juhuslik
- Lugemine
- valmis
- põhjus
- tunnistama
- tunnustamine
- vähendama
- regulaarselt
- määrused
- seotud
- asjakohane
- lootma
- Eemaldatud
- esindamine
- esindaja
- maine
- taotleda
- nõudma
- Vajab
- teadustöö
- Vahendid
- Reageerida
- vastus
- vastuste
- kaasa
- tulemuseks
- Tulemused
- tagasipöördumine
- paljastav
- tulu
- tulude kasv
- RGB
- õige
- Oht
- riskide
- Roll
- ligikaudu
- Eeskiri
- jooks
- jooksmine
- s
- kaitsmine
- ohutus
- salveitegija
- Skaala
- teadus
- Otsing
- Teine
- Osa
- lõigud
- Sektorid
- turvalisus
- vaata
- valik
- vanem
- tundlik
- teenib
- teenus
- Teenused
- teenindavad
- komplekt
- mitu
- Seksuaalne
- Aktsiad
- jagamine
- ta
- Shield
- näitama
- näitas
- Näitused
- kirjutama
- tähendus
- märgatavalt
- Samamoodi
- lihtne
- olukordades
- So
- sotsiaalmeedia
- Sotsiaalse meedia
- sotsiaalse meedia platvormidel
- lahendus
- Lahendused
- Lahendamine
- allikas
- lähtekoodi
- Allikad
- Ruum
- tühikud
- spam
- spetsialist
- konkreetse
- kõne
- kulutama
- jagada
- Stage
- etappidel
- standalone
- standardite
- alustatud
- modernne
- Ühendriigid
- olek
- Samm
- Veel
- ladustamine
- ladustatud
- Strateegiline
- struktureeritud
- võitlus
- stuudio
- Uuring
- selline
- soovitama
- Toetab
- sydney
- süsteemid
- tabel
- lahendada
- taktika
- võtab
- Ülesanne
- ülesanded
- meeskonnad
- öelda
- šabloon
- tingimused
- tekst
- tekstiline
- kui
- et
- .
- teave
- oma
- Seal.
- sellega
- seetõttu
- Need
- nad
- mõtlema
- Kolmas
- see
- kolm
- aeg
- aega võttev
- et
- töövahendid
- traditsiooniline
- Rong
- koolitatud
- koolitus
- trafo
- Reisimine
- kaks
- tüüp
- liigid
- all
- mõistma
- mõistmine
- ainulaadne
- Universaalne
- avamine
- ajakohastatud
- ajakohastamine
- Üles
- laetud
- kasutama
- kasutage juhtumit
- Kasutaja
- User Experience
- kasutaja privaatsus
- Kasutajad
- kasutamine
- Väärtused
- sort
- eri
- kaudu
- Video
- RIKKUMINE
- nägemus
- maht
- mahud
- Tee..
- kuidas
- we
- web
- veebiteenused
- veebilehed
- Hästi
- M
- millal
- mis
- miks
- will
- koos
- jooksul
- ilma
- sõnad
- Töö
- töö
- maailm
- oleks
- aastat
- sa
- Sinu
- sephyrnet