ما شاهد افزایش سریع در پذیرش مدلهای زبان بزرگ (LLM) هستیم که برنامههای کاربردی هوش مصنوعی را در سراسر صنایع تقویت میکنند. LLM ها قادر به انجام وظایف مختلفی مانند تولید محتوای خلاقانه، پاسخگویی به سوالات از طریق چت بات ها، تولید کد و غیره هستند.
سازمان هایی که به دنبال استفاده از LLM برای تقویت برنامه های خود هستند، به طور فزاینده ای در مورد حفظ حریم خصوصی داده ها محتاط هستند تا اطمینان حاصل کنند که اعتماد و ایمنی در برنامه های کاربردی هوش مصنوعی مولد آنها حفظ می شود. این شامل مدیریت صحیح داده های اطلاعات شناسایی شخصی (PII) مشتریان است. همچنین شامل جلوگیری از انتشار محتوای توهین آمیز و ناایمن به LLM ها و بررسی اینکه داده های تولید شده توسط LLM از همان اصول پیروی می کنند، می شود.
در این پست، ویژگی های جدید ارائه شده توسط درک آمازون که یکپارچه سازی یکپارچه را برای اطمینان از حفظ حریم خصوصی داده ها، ایمنی محتوا و ایمنی سریع در برنامه های کاربردی هوش مصنوعی جدید و موجود امکان پذیر می کند.
Amazon Comprehend یک سرویس پردازش زبان طبیعی (NLP) است که از یادگیری ماشینی (ML) برای کشف اطلاعات در دادهها و متن بدون ساختار درون اسناد استفاده میکند. در این پست، در مورد اینکه چرا اعتماد و ایمنی با LLM ها برای حجم کاری شما مهم است، بحث می کنیم. ما همچنین عمیق تر به چگونگی استفاده از این قابلیت های تعدیل جدید با چارچوب توسعه AI مولد محبوب می پردازیم. LangChain برای معرفی یک مکانیسم اعتماد و ایمنی قابل تنظیم برای مورد استفاده شما.
چرا اعتماد و ایمنی با LLM مهم است
اعتماد و ایمنی هنگام کار با LLM ها به دلیل تأثیر عمیق آنها بر طیف گسترده ای از برنامه ها، از چت ربات های پشتیبانی مشتری گرفته تا تولید محتوا، بسیار مهم است. از آنجایی که این مدلها حجم وسیعی از دادهها را پردازش میکنند و پاسخهای انسانی ایجاد میکنند، احتمال سوء استفاده یا نتایج ناخواسته افزایش مییابد. اطمینان از اینکه این سیستمهای هوش مصنوعی در محدودههای اخلاقی و قابل اعتماد عمل میکنند، نه تنها برای شهرت کسبوکارهایی که از آنها استفاده میکنند، بلکه برای حفظ اعتماد کاربران نهایی و مشتریان نیز بسیار مهم است.
علاوه بر این، همانطور که LLM ها در تجارب دیجیتال روزانه ما ادغام می شوند، تأثیر آنها بر ادراکات، باورها و تصمیمات ما افزایش می یابد. اطمینان از اعتماد و ایمنی با LLM فراتر از اقدامات فنی است. این به مسئولیت گستردهتر شاغلان و سازمانهای هوش مصنوعی در حفظ استانداردهای اخلاقی اشاره میکند. با اولویت دادن به اعتماد و ایمنی، سازمان ها نه تنها از کاربران خود محافظت می کنند، بلکه رشد پایدار و مسئولانه هوش مصنوعی در جامعه را تضمین می کنند. همچنین می تواند به کاهش خطر تولید محتوای مضر کمک کند و به رعایت الزامات قانونی کمک کند.
در حوزه اعتماد و ایمنی، تعدیل محتوا مکانیزمی است که به جنبههای مختلفی میپردازد، از جمله اما نه محدود به:
- حریم خصوصی – کاربران می توانند ناخواسته متنی را ارائه دهند که حاوی اطلاعات حساس است و حریم خصوصی آنها را به خطر می اندازد. شناسایی و ویرایش هر PII ضروری است.
- مسمومیت - شناسایی و فیلتر کردن محتوای مضر، مانند سخنان مشوق عداوت و تنفر، تهدید یا سوء استفاده، از اهمیت بالایی برخوردار است.
- قصد کاربر - تشخیص اینکه آیا ورودی کاربر (اعلان) ایمن یا ناامن است بسیار مهم است. درخواستهای ناامن میتوانند به طور صریح یا ضمنی نیت مخرب را بیان کنند، مانند درخواست اطلاعات شخصی یا خصوصی و تولید محتوای توهینآمیز، تبعیضآمیز یا غیرقانونی. درخواستها همچنین ممکن است به طور ضمنی در مورد پزشکی، حقوقی، سیاسی، بحثانگیز، شخصی یا مالی توصیه کنند.
تعدیل محتوا با Amazon Comprehend
در این بخش، مزایای تعدیل محتوا با آمازون Comprehend را مورد بحث قرار می دهیم.
پرداختن به حریم خصوصی
Amazon Comprehend در حال حاضر حریم خصوصی را از طریق شناسایی و ویرایش PII موجود خود از طریق DetectPIIentities و شامل PIIEnities API ها این دو API توسط مدلهای NLP پشتیبانی میشوند که میتوانند تعداد زیادی از نهادهای PII مانند شمارههای تامین اجتماعی (SSN)، شماره کارت اعتباری، نام، آدرس، شماره تلفن و غیره را شناسایی کنند. برای لیست کامل موجودیت ها، مراجعه کنید انواع موجودیت جهانی PII. DetectPII همچنین موقعیت سطح کاراکتر موجودیت PII را در یک متن فراهم می کند. به عنوان مثال، موقعیت کاراکتر شروع موجودیت NAME (John Doe) در جمله "نام من است Jاوه دوe” 12 است و موقعیت کاراکتر پایانی 19 است. این آفست ها می توانند برای انجام مخفی کردن یا ویرایش مقادیر استفاده شوند، در نتیجه خطر انتشار داده های خصوصی در LLM ها کاهش می یابد.
رسیدگی به سمیت و ایمنی سریع
امروز، ما دو ویژگی جدید Amazon Comprehend را در قالب API ها اعلام می کنیم: تشخیص سمیت از طریق DetectToxicContent
API، و طبقه بندی ایمنی سریع از طریق ClassifyDocument
API. توجه داشته باشید که DetectToxicContent
یک API جدید است، در حالی که ClassifyDocument
یک API موجود است که اکنون از طبقه بندی ایمنی سریع پشتیبانی می کند.
تشخیص سمیت
با تشخیص سمیت آمازون Comprehend، میتوانید محتوایی را که ممکن است مضر، توهینآمیز یا نامناسب باشد شناسایی و پرچمگذاری کنید. این قابلیت به ویژه برای پلتفرمهایی که کاربران محتوا تولید میکنند، مانند سایتهای رسانههای اجتماعی، انجمنها، رباتهای گفتگو، بخشهای نظرات و برنامههایی که از LLM برای تولید محتوا استفاده میکنند، ارزشمند است. هدف اولیه حفظ یک محیط مثبت و ایمن با جلوگیری از انتشار محتوای سمی است.
در هسته خود، مدل تشخیص سمیت، متن را تجزیه و تحلیل می کند تا احتمال وجود محتوای نفرت انگیز، تهدید، فحاشی یا سایر اشکال متن مضر را مشخص کند. این مدل بر روی مجموعه دادههای وسیعی که حاوی نمونههایی از محتوای سمی و غیرسمی است آموزش داده شده است. سمیت API یک متن معین را ارزیابی می کند تا طبقه بندی سمیت و امتیاز اطمینان را ارائه دهد. سپس برنامههای هوش مصنوعی مولد میتوانند از این اطلاعات برای انجام اقدامات مناسب مانند توقف انتشار متن به LLM استفاده کنند. از زمان نوشتن این مقاله، برچسب های شناسایی شده توسط API تشخیص سمیت هستند HATE_SPEECH
, GRAPHIC
, HARRASMENT_OR_ABUSE
, SEXUAL
, VIOLENCE_OR_THREAT
, INSULT
و PROFANITY
. کد زیر تماس API با Python Boto3 را برای تشخیص سمیت آمازون Comprehend نشان میدهد:
طبقه بندی ایمنی سریع
طبقهبندی سریع ایمنی با آمازون Comprehend به طبقهبندی متن ورودی به عنوان امن یا ناامن کمک میکند. این قابلیت برای برنامههایی مانند رباتهای گفتگو، دستیاران مجازی یا ابزارهای تعدیل محتوا که درک ایمنی یک اعلان میتواند پاسخها، اقدامات یا انتشار محتوا را به LLM تعیین کند، بسیار مهم است.
در اصل، طبقهبندی سریع ایمنی، ورودیهای انسانی را برای هر گونه قصد مخرب آشکار یا ضمنی، مانند درخواست اطلاعات شخصی یا خصوصی و تولید محتوای توهینآمیز، تبعیضآمیز یا غیرقانونی تجزیه و تحلیل میکند. همچنین به دنبال مشاوره در مورد موضوعات پزشکی، حقوقی، سیاسی، بحث برانگیز، شخصی یا مالی است. طبقه بندی سریع دو کلاس را برمی گرداند، UNSAFE_PROMPT
و SAFE_PROMPT
، برای یک متن مرتبط، با یک امتیاز اطمینان مرتبط برای هر یک. امتیاز اطمینان بین 0 تا 1 است و در مجموع به 1 می رسد. به عنوان مثال، در یک چت بات پشتیبانی مشتری، متن "چگونه رمز عبور خود را بازنشانی کنم؟" نشانه ای از قصد برای جستجوی راهنمایی در مورد روش های بازنشانی رمز عبور است و به عنوان برچسب گذاری می شود SAFE_PROMPT
. به طور مشابه، بیانیه ای مانند "کاش اتفاق بدی برات بیفته” را می توان به دلیل داشتن یک هدف بالقوه مضر پرچم گذاری کرد و به عنوان برچسب گذاری کرد UNSAFE_PROMPT
. توجه به این نکته مهم است که طبقه بندی ایمنی سریع در درجه اول بر روی تشخیص هدف از ورودی های انسانی (اعلانات)، به جای متن تولید شده توسط ماشین (خروجی های LLM) متمرکز است. کد زیر نحوه دسترسی به ویژگی طبقه بندی ایمنی سریع با ClassifyDocument
API ها:
توجه داشته باشید که endpoint_arn
در کد قبلی یک AWS ارائه شده است شماره منبع آمازون (ARN) الگو arn:aws:comprehend:<region>:aws:document-classifier-endpoint/prompt-safety
، که در آن <region>
منطقه AWS انتخابی شما است که در آن Amazon Comprehend در دسترس است.
برای نشان دادن این قابلیتها، ما یک نمونه برنامه چت ایجاد کردیم که در آن از یک LLM میخواهیم تا موجودیتهای PII مانند آدرس، شماره تلفن و SSN را از یک قطعه متن خاص استخراج کند. همانطور که در تصویر سمت چپ نشان داده شده است، LLM موجودیت های PII مناسب را پیدا کرده و برمی گرداند.
با تعدیل آمازون Comprehend، میتوانیم ورودی را به LLM و خروجی را از LLM ویرایش کنیم. در تصویر سمت راست، مقدار SSN مجاز است بدون ویرایش به LLM منتقل شود. با این حال، هر مقدار SSN در پاسخ LLM ویرایش می شود.
در زیر نمونه ای از نحوه جلوگیری از رسیدن یک اعلان حاوی اطلاعات PII به طور کلی به LLM آمده است. این مثال نشان میدهد که کاربر سؤالی میپرسد که حاوی اطلاعات PII است. ما از تعدیل آمازون Comprehend برای شناسایی موجودیت های PII در اعلان استفاده می کنیم و با قطع جریان، خطا را نشان می دهیم.
نمونههای چت قبلی نشان میدهد که چگونه تعدیل آمازون Comprehend محدودیتهایی را برای ارسال دادهها به یک LLM اعمال میکند. در بخشهای بعدی، نحوه اجرای این مکانیسم تعدیل با استفاده از LangChain را توضیح میدهیم.
ادغام با LangChain
با امکانات بی پایان کاربرد LLM در موارد استفاده مختلف، ساده کردن توسعه برنامه های کاربردی هوش مصنوعی مولد به همان اندازه مهم شده است. LangChain یک چارچوب منبع باز محبوب است که توسعه برنامه های کاربردی هوش مصنوعی را بدون دردسر می کند. تعدیل آمازون Comprehend چارچوب LangChain را برای ارائه شناسایی و ویرایش PII، تشخیص سمیت و قابلیتهای طبقهبندی ایمنی سریع از طریق گسترش میدهد. AmazonComprehendModerationChain
.
AmazonComprehendModerationChain
یک پیاده سازی سفارشی از است زنجیره پایه LangChain رابط. این بدان معنی است که برنامه های کاربردی می توانند از این زنجیره با خود استفاده کنند زنجیره های LLM برای اعمال تعدیل مورد نظر بر روی اعلان ورودی و همچنین متن خروجی از LLM. زنجیر را می توان با ادغام زنجیره های متعدد یا با مخلوط کردن زنجیر با اجزای دیگر ساخت. شما می توانید استفاده کنید AmazonComprehendModerationChain
با دیگر زنجیره های LLM برای توسعه برنامه های کاربردی پیچیده هوش مصنوعی به شیوه ای ماژولار و انعطاف پذیر.
برای توضیح بیشتر، چند نمونه را در قسمت های بعدی ارائه می دهیم. کد منبع برای AmazonComprehendModerationChain
پیاده سازی را می توان در داخل پیدا کرد مخزن منبع باز LangChain. برای مستندات کامل رابط API، به مستندات LangChain API مراجعه کنید زنجیره تعدیل آمازون Comprehend. استفاده از این زنجیره تعدیل به سادگی اولیه سازی یک نمونه از کلاس با تنظیمات پیش فرض است:
همانطور که در نمودار زیر توضیح داده شده است، در پشت صحنه، زنجیره اعتدال سه بررسی اعتدال متوالی، یعنی PII، سمیت و ایمنی سریع را انجام می دهد. این جریان پیشفرض برای تعدیل است.
قطعه کد زیر یک مثال ساده از استفاده از زنجیره تعدیل را نشان می دهد آمازون فالکون لایت LLM (که یک نسخه کوانتیزه شده از مدل Falcon 40B SFT OASST-TOP1) میزبانی شده در Hugging Face Hub:
در مثال قبل، ما زنجیره خود را با آن افزایش می دهیم comprehend_moderation
هم برای متنی که به LLM می رود و هم برای متن تولید شده توسط LLM. با این کار تعدیل پیشفرض انجام میشود که PII، سمیت و طبقهبندی ایمنی را در آن دنباله بررسی میکند.
تعدیل خود را با تنظیمات فیلتر سفارشی کنید
شما می توانید با استفاده از AmazonComprehendModerationChain
با پیکربندیهای خاص، که به شما این توانایی را میدهد که کنترل کنید چه تعدیلهایی را میخواهید در برنامه مبتنی بر هوش مصنوعی خود انجام دهید. در هسته پیکربندی، شما سه پیکربندی فیلتر در دسترس دارید.
- ModerationPiiConfig - برای پیکربندی فیلتر PII استفاده می شود.
- ModerationToxicityConfig - برای پیکربندی فیلتر محتوای سمی استفاده می شود.
- ModerationIntentConfig - برای پیکربندی فیلتر قصد استفاده می شود.
میتوانید از هر یک از این پیکربندیهای فیلتر برای سفارشی کردن رفتار نظارتهای خود استفاده کنید. تنظیمات هر فیلتر دارای چند پارامتر مشترک و برخی پارامترهای منحصر به فرد است که می توان با آنها مقداردهی اولیه کرد. بعد از اینکه تنظیمات را تعریف کردید، از BaseModerationConfig
کلاس برای تعریف دنباله ای که در آن فیلترها باید روی متن اعمال شوند. به عنوان مثال در کد زیر ابتدا سه پیکربندی فیلتر را تعریف کرده و سپس ترتیب اعمال آنها را مشخص می کنیم:
بیایید کمی عمیق تر غواصی کنیم تا بفهمیم این پیکربندی به چه چیزی می رسد:
- ابتدا برای فیلتر سمیت، آستانه 0.6 را مشخص کردیم. این به این معنی است که اگر متن حاوی هر یک از برچسبها یا موجودات سمی موجود با امتیاز بیشتر از آستانه باشد، کل زنجیره قطع میشود.
- اگر محتوای سمی در متن یافت نشد، بررسی PII است. از آنجا که
redact
پارامتر روی تنظیم شده استTrue
، زنجیره مقادیر SSN شناسایی شده (در صورت وجود) را در جایی که امتیاز اطمینان موجودیت SSN بزرگتر یا مساوی 0.5 باشد، با کاراکتر ماسک مشخص شده (X) پنهان می کند. اگرredact
تنظیم شده استFalse
، زنجیره برای هر SSN شناسایی شده قطع می شود. - در نهایت، زنجیره طبقهبندی ایمنی سریع را انجام میدهد و در صورت طبقهبندی محتوا، از انتشار بیشتر محتوا در زنجیره جلوگیری میکند.
UNSAFE_PROMPT
با نمره اطمینان بیشتر یا مساوی 0.8.
نمودار زیر این گردش کار را نشان می دهد.
در صورت وقفه در زنجیره تعدیل (در این مثال، برای فیلترهای طبقه بندی سمیت و ایمنی سریع اعمال می شود)، زنجیره یک مقدار را افزایش می دهد. استثنا پایتون، اساساً زنجیره در حال پیشرفت را متوقف می کند و به شما امکان می دهد استثنا را بگیرید (در یک بلوک try-catch) و هر اقدام مرتبط را انجام دهید. سه نوع استثنای ممکن عبارتند از:
ModerationPIIError
ModerationToxicityError
ModerationPromptSafetyError
می توانید با استفاده از یک فیلتر یا بیش از یک فیلتر پیکربندی کنید BaseModerationConfig
. شما همچنین می توانید همان نوع فیلتر با پیکربندی های مختلف را در یک زنجیره داشته باشید. به عنوان مثال، اگر مورد استفاده شما فقط به PII مربوط می شود، می توانید پیکربندی را مشخص کنید که در صورت شناسایی SSN باید زنجیره را قطع کند. در غیر این صورت، باید ویرایش را روی سن و نام نهادهای PII انجام دهد. یک پیکربندی برای این می تواند به صورت زیر تعریف شود:
استفاده از callback و شناسه های منحصر به فرد
اگر با مفهوم گردش کار آشنا هستید، ممکن است با آن نیز آشنا باشید تماس با ما. Callback های درون گردش کار قطعات مستقلی از کد هستند که زمانی اجرا می شوند که شرایط خاصی در گردش کار برآورده شود. یک تماس برگشتی می تواند جریان کار را مسدود یا غیرمسدود کند. زنجیره های LangChain، در اصل، گردش کار برای LLM ها هستند. AmazonComprehendModerationChain
به شما اجازه می دهد تا عملکردهای پاسخ به تماس خود را تعریف کنید. در ابتدا، پیادهسازی فقط به توابع برگشت تماس ناهمزمان (غیر مسدودکننده) محدود میشود.
این به طور موثر به این معنی است که اگر از تماسهای برگشتی با زنجیره تعدیل استفاده میکنید، بدون مسدود کردن آن، مستقل از اجرای زنجیره اجرا میشوند. برای زنجیره تعدیل، پس از اجرای هر تعدیل، مستقل از زنجیره، گزینههایی برای اجرای قطعات کد، با هر منطق تجاری، دریافت میکنید.
شما همچنین می توانید به صورت اختیاری یک رشته شناسه منحصر به فرد دلخواه هنگام ایجاد یک ارائه دهید AmazonComprehendModerationChain
برای فعال کردن گزارش و تجزیه و تحلیل بعدا. به عنوان مثال، اگر از یک ربات چت مجهز به LLM استفاده می کنید، ممکن است بخواهید کاربرانی را که به طور مداوم سوء استفاده می کنند یا عمدا یا ناآگاهانه اطلاعات شخصی خود را افشا می کنند، ردیابی کنید. در چنین مواردی، ردیابی منشأ چنین اعلانها و شاید ذخیره آنها در پایگاه داده یا ثبت آنها برای اقدامات بعدی ضروری است. می توانید یک شناسه منحصر به فرد ارسال کنید که به طور مشخص یک کاربر را شناسایی کند، مانند نام کاربری یا ایمیل او، یا نام برنامه ای که درخواست را ایجاد می کند.
ترکیبی از تماسهای برگشتی و شناسههای منحصربهفرد روشی قدرتمند برای پیادهسازی یک زنجیره تعدیل که متناسب با مورد استفاده شما است، به شیوهای بسیار منسجمتر با کد کمتری که نگهداری آسانتر است، در اختیار شما قرار میدهد. کنترل کننده تماس از طریق در دسترس است BaseModerationCallbackHandler
، با سه پاسخ تماس موجود: on_after_pii()
, on_after_toxicity()
و on_after_prompt_safety()
. هر یک از این توابع برگشت به تماس پس از انجام بررسی تعدیل مربوطه در زنجیره به صورت ناهمزمان فراخوانی می شوند. این توابع همچنین دو پارامتر پیش فرض را دریافت می کنند:
- moderation_beacon – یک فرهنگ لغت حاوی جزئیاتی مانند متنی که تعدیل روی آن انجام شده است، خروجی کامل JSON آمازون Comprehend API، نوع تعدیل، و اینکه آیا برچسب های ارائه شده (در پیکربندی) در متن یافت شده است یا خیر.
- شناسه منحصر به فرد - شناسه منحصربهفردی که هنگام شروع اولیه یک نمونه از آن اختصاص دادهاید
AmazonComprehendModerationChain
.
در زیر نمونه ای از نحوه عملکرد پیاده سازی با callback آورده شده است. در این مورد، ما یک callback واحد تعریف کردیم که میخواهیم زنجیره بعد از بررسی PII اجرا شود:
سپس از my_callback
شی در حالی که زنجیره تعدیل را مقداردهی می کند و همچنین a را پاس می کند unique_id
. میتوانید از تماسهای برگشتی و شناسههای منحصربهفرد با یا بدون پیکربندی استفاده کنید. وقتی زیر کلاس می گذارید BaseModerationCallbackHandler
، بسته به فیلترهایی که قصد استفاده از آن را دارید، باید یک یا همه روش های برگشت تماس را اجرا کنید. برای اختصار، مثال زیر روشی برای استفاده از callbacks و unique_id
بدون هیچ تنظیماتی:
نمودار زیر نحوه عملکرد این زنجیره تعدیل با تماسهای برگشتی و شناسههای منحصربهفرد را توضیح میدهد. به طور خاص، ما پاسخ تماس PII را پیاده سازی کردیم که باید یک فایل JSON با داده های موجود در آن بنویسد moderation_beacon
و unique_id
گذشت (ایمیل کاربر در این مورد).
در زیر نوت بوک پایتون، ما چند روش مختلف برای پیکربندی و استفاده از زنجیره تعدیل با LLM های مختلف، مانند LLM های میزبانی شده با Amazon SageMaker JumpStart و میزبانی شد هاب صورت در آغوش. ما همچنین نمونه برنامه چت را که قبلاً در مورد آن صحبت کردیم با موارد زیر اضافه کرده ایم نوت بوک پایتون.
نتیجه
پتانسیل تحولآفرین مدلهای زبان بزرگ و هوش مصنوعی مولد غیرقابل انکار است. با این حال، استفاده مسئولانه و اخلاقی آنها به رفع نگرانی های مربوط به اعتماد و ایمنی بستگی دارد. با شناخت چالشها و اجرای فعالانه اقدامات برای کاهش خطرات، توسعهدهندگان، سازمانها و جامعه در کل میتوانند از مزایای این فناوریها بهره ببرند و در عین حال اعتماد و ایمنی را که زیربنای ادغام موفقیتآمیز آنها است، حفظ کنند. از Amazon Comprehend ContentModerationChain برای افزودن ویژگیهای اعتماد و ایمنی به هر گردش کار LLM، از جمله جریانهای کاری Retrieval Augmented Generation (RAG) که در LangChain پیادهسازی شدهاند، استفاده کنید.
برای کسب اطلاعات در مورد ساخت راه حل های مبتنی بر RAG با استفاده از LangChain و آمازون کندرا با یادگیری ماشینی بسیار دقیق (ML) جستجوی هوشمند، دیدن - با استفاده از Amazon Kendra، LangChain و مدل های زبان بزرگ، به سرعت برنامه های هوش مصنوعی مولد با دقت بالا را روی داده های سازمانی بسازید.. در مرحله بعد به نمونه کد ما برای استفاده از تعدیل آمازون Comprehend با LangChain ایجاد کردیم. برای مستندات کامل API زنجیره تعدیل آمازون Comprehend، به LangChain مراجعه کنید مستندات API.
درباره نویسندگان
ریک تالوکدار یک معمار ارشد با تیم آمازون Comprehend Service است. او با مشتریان AWS کار می کند تا به آنها کمک کند یادگیری ماشینی را در مقیاس بزرگ اتخاذ کنند. او در خارج از محل کار به مطالعه و عکاسی علاقه دارد.
انجان بیسواس یک معمار ارشد راه حل های خدمات هوش مصنوعی با تمرکز بر AI/ML و تجزیه و تحلیل داده ها است. Anjan بخشی از تیم خدمات هوش مصنوعی در سراسر جهان است و با مشتریان همکاری می کند تا به آنها کمک کند تا راه حل هایی برای مشکلات تجاری با هوش مصنوعی و ML ایجاد کنند. Anjan بیش از 14 سال تجربه کار با زنجیره تامین جهانی، تولید و سازمانهای خردهفروشی دارد و به طور فعال به مشتریان کمک میکند تا خدمات هوش مصنوعی AWS را شروع کرده و مقیاس کنند.
نیکیل جا یک مدیر ارشد حساب فنی در خدمات وب آمازون است. حوزه های تمرکز او شامل AI/ML و تجزیه و تحلیل است. او در اوقات فراغت خود از بدمینتون بازی با دخترش و کاوش در فضای باز لذت می برد.
چین رین یک معمار راه حل های تخصصی AI/ML در خدمات وب آمازون است. او علاقه زیادی به ریاضیات کاربردی و یادگیری ماشین دارد. او بر روی طراحی راه حل های پردازش اسناد هوشمند برای مشتریان AWS تمرکز دارد. خارج از محل کار، او از رقص سالسا و باچاتا لذت می برد.
- محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
- PlatoData.Network Vertical Generative Ai. به خودت قدرت بده دسترسی به اینجا.
- PlatoAiStream. هوش وب 3 دانش تقویت شده دسترسی به اینجا.
- PlatoESG. کربن ، CleanTech، انرژی، محیط، خورشیدی، مدیریت پسماند دسترسی به اینجا.
- PlatoHealth. هوش بیوتکنولوژی و آزمایشات بالینی. دسترسی به اینجا.
- منبع: https://aws.amazon.com/blogs/machine-learning/build-trust-and-safety-for-generative-ai-applications-with-amazon-comprehend-and-langchain/
- : دارد
- :است
- :نه
- :جایی که
- $UP
- 1
- 100
- 11
- 12
- 14
- ٪۱۰۰
- 17
- 19
- 500
- 7
- 8
- 9
- a
- توانایی
- توانایی
- درباره ما
- سو استفاده کردن
- دسترسی
- حساب
- دقیق
- دستیابی به
- در میان
- عمل
- اقدامات
- فعالانه
- اضافه کردن
- نشانی
- آدرس
- خطاب به
- پایبند بودن
- اتخاذ
- اتخاذ
- نصیحت
- پس از
- سن
- AI
- خدمات هوش مصنوعی
- سیستم های هوش مصنوعی
- AI / ML
- معرفی
- مجاز
- اجازه دادن
- اجازه می دهد تا
- قبلا
- همچنین
- در مجموع
- آمازون
- درک آمازون
- آمازون کندرا
- آمازون خدمات وب
- مقدار
- an
- علم تجزیه و تحلیل
- تجزیه و تحلیل
- و
- اعلام كردن
- پاسخ
- هر
- API
- رابط های برنامه کاربردی
- مربوط
- کاربرد
- برنامه های کاربردی
- اعمال می شود
- اعمال میشود
- درخواست
- مناسب
- به درستی
- هستند
- مناطق
- AS
- پرسیدن
- خواهان
- جنبه
- اختصاص داده
- دستیاران
- مرتبط است
- At
- تقویت کردن
- افزوده شده
- در دسترس
- AWS
- حمایت کرد
- بد
- پایه
- مستقر
- BE
- زیرا
- شدن
- شود
- رفتار
- بودن
- باورهای
- مزایای
- میان
- خارج از
- مسدود کردن
- انسداد
- هر دو
- مرز
- گسترده تر
- ساختن
- ایجاد اعتماد
- بنا
- ساخته
- کسب و کار
- کسب و کار
- اما
- by
- صدا
- تماس با ما
- نام
- CAN
- قابلیت های
- قابلیت
- توانا
- سرمایه
- کارت
- مورد
- موارد
- کشتی
- معین
- زنجیر
- زنجیر
- چالش ها
- شخصیت
- chatbot
- chatbots
- بررسی
- بررسی
- چک
- چانه
- انتخاب
- کلاس
- کلاس ها
- طبقه بندی
- طبقه بندی
- طبقه بندی کنید
- مشتری
- رمز
- منسجم
- COM
- ترکیب
- ترکیب شده
- توضیح
- مشترک
- پیچیده
- اجزاء
- درک
- مفهوم
- علاقمند
- نگرانی ها
- شرایط
- اعتماد به نفس
- پیکر بندی
- متوالی
- همواره
- شامل
- محتوا
- تولید محتوا
- کنترل
- بحث برانگیز
- هسته
- ایجاد شده
- ایجاد
- خالق
- اعتبار
- کارت اعتباری
- بحرانی
- بسیار سخت
- سفارشی
- مشتری
- پشتیبانی مشتریان
- مشتریان
- سفارشی
- سفارشی
- روزانه
- رقص
- داده ها
- تجزیه و تحلیل داده ها
- حریم خصوصی داده ها
- پایگاه داده
- مجموعه داده ها
- تصمیم گیری
- عمیق تر
- به طور پیش فرض
- تعريف كردن
- مشخص
- غرق کردن
- نشان دادن
- نشان می دهد
- بستگی دارد
- طراحی
- مطلوب
- جزئیات
- تشخیص
- شناسایی شده
- کشف
- مشخص کردن
- توسعه
- توسعه دهندگان
- پروژه
- مختلف
- دیجیتال
- بحث و تبادل نظر
- بحث کردیم
- مجزا
- شیرجه رفتن
- do
- سند
- مستندات
- اسناد و مدارک
- داری
- پایین
- دو
- e
- هر
- پیش از آن
- آسان تر
- به طور موثر
- بدون دردسر
- هر دو
- دیگر
- پست الکترونیک
- قادر ساختن
- پایان
- بی پایان
- اطمینان حاصل شود
- حصول اطمینان از
- سرمایه گذاری
- اشخاص
- موجودیت
- محیط
- برابر
- به همان اندازه
- خطا
- ماهیت
- ضروری است
- اساسا
- اخلاقی
- مثال
- مثال ها
- جز
- استثنا
- موجود
- تجربه
- تجارب
- توضیح دهید
- توضیح داده شده
- توضیح می دهد
- به صراحت
- بررسی
- صریح
- گسترش می یابد
- عصاره
- چهره
- آشنا
- ویژگی
- امکانات
- کمی از
- پرونده
- فیلتر
- فیلتر
- فیلترها برای تصفیه آب
- مالی
- پیدا کردن
- پیدا می کند
- نام خانوادگی
- پرچم گذاری شده
- پرچم ها
- قابل انعطاف
- جریان
- تمرکز
- متمرکز شده است
- تمرکز
- پیروی
- به دنبال آن است
- برای
- فرم
- قالب
- اشکال
- انجمن
- یافت
- چارچوب
- فرانسه
- از جانب
- کامل
- توابع
- بیشتر
- تولید می کنند
- تولید
- مولد
- نسل
- مولد
- هوش مصنوعی مولد
- دریافت کنید
- GIF
- دادن
- داده
- می دهد
- جهانی
- هدف
- می رود
- رفتن
- خوب
- بیشتر
- رشد می کند
- رشد
- راهنمایی
- اداره
- اتفاق می افتد
- مضر
- دهنه
- نفرت
- آیا
- داشتن
- he
- کمک
- کمک
- کمک می کند
- خیلی
- لولا
- خود را
- میزبانی
- چگونه
- چگونه
- اما
- HTML
- HTTPS
- قطب
- انسان
- شبیه انسان
- i
- ID
- شناسایی
- شناسه
- شناسه ها
- شناسایی می کند
- شناسایی
- شناسایی
- if
- غیر مجاز
- نشان می دهد
- تصویر
- تأثیر
- انجام
- پیاده سازی
- اجرا
- اجرای
- واردات
- اهمیت
- مهم
- in
- ناخواسته
- شامل
- مشمول
- شامل
- از جمله
- افزایش
- افزایش
- به طور فزاینده
- مستقل
- به طور مستقل
- لوازم
- نفوذ
- اطلاعات
- در ابتدا
- ورودی
- ورودی
- سوالات
- نمونه
- یکپارچه
- ادغام
- هوشمند
- پردازش هوشمند اسناد
- قصد
- قصد
- علاقه مند
- رابط
- منقطع
- به
- معرفی
- IT
- ITS
- جان
- جون خونه
- JPG
- json
- تنها
- برچسب ها
- زبان
- بزرگ
- بعد
- یادگیری
- ترک کرد
- قانونی
- کمتر
- پسندیدن
- احتمال
- محدود شده
- فهرست
- کوچک
- کمی عمیق تر
- LLM
- ورود به سیستم
- ورود به سیستم
- منطق
- به دنبال
- دستگاه
- فراگیری ماشین
- حفظ
- باعث می شود
- مدیر
- روش
- تولید
- ماسک
- ریاضیات
- ماده
- ممکن است..
- me
- به معنی
- معیارهای
- مکانیزم
- رسانه ها
- پزشکی
- ادغام
- با
- روش
- سوء استفاده
- کاهش
- خلط
- ML
- مدل
- مدل
- اعتدال
- پیمانهای
- بیش
- بسیار
- باید
- my
- نام
- از جمله
- نام
- طبیعی
- پردازش زبان طبیعی
- لازم
- جدید
- ویژگی های جدید
- بعد
- nlp
- نه
- اکنون
- عدد
- تعداد
- متعدد
- هدف
- of
- توهین آمیز
- ارائه
- جبران
- on
- ONE
- فقط
- باز کن
- منبع باز
- کار
- عملیاتی
- گزینه
- or
- سفارش
- سازمان های
- منشاء
- دیگر
- در غیر این صورت
- ما
- خارج
- نتایج
- خارج از منزل
- تولید
- خروجی
- خارج از
- روی
- خود
- پارامتر
- پارامترهای
- برترین
- بخش
- ویژه
- عبور
- گذشت
- احساساتی
- کلمه عبور
- تنظیم مجدد رمز عبور
- الگو
- انجام
- انجام
- انجام می دهد
- شاید
- شخصی
- شخصا
- تلفن
- عکاسی
- قطعه
- قطعات
- سیستم عامل
- افلاطون
- هوش داده افلاطون
- PlatoData
- بازی
- سیاسی
- محبوب
- موقعیت
- مثبت
- فرصت
- ممکن
- پست
- پتانسیل
- بالقوه
- قدرت
- صفحه اصلی
- قوی
- حفظ کردن
- جلوگیری
- در درجه اول
- اصلی
- از اصول
- اولویت بندی
- خلوت
- خصوصی
- اطلاعات خصوصی
- مشکلات
- روش
- روند
- در حال پردازش
- عمیق
- پیشرفت
- به درستی
- محافظت از
- ارائه
- فراهم می کند
- پــایتــون
- سوال
- بالا بردن
- محدوده
- محدوده ها
- سریع
- نسبتا
- رسیدن به
- مطالعه
- قلمرو
- گرفتن
- شناختن
- كاهش دادن
- کاهش
- مراجعه
- منطقه
- تنظیم کننده
- مربوط
- قابل اعتماد
- شهرت
- درخواست
- مورد نیاز
- منابع
- قابل احترام
- پاسخ
- پاسخ
- مسئوليت
- مسئوليت
- محدودیت های
- خرده فروشی
- بازده
- راست
- خطر
- خطرات
- دویدن
- s
- امن
- ایمنی
- حکیم ساز
- همان
- مقیاس
- صحنه های
- نمره
- بدون درز
- بخش
- بخش
- تیم امنیت لاتاری
- دیدن
- به دنبال
- خود
- ارشد
- حساس
- فرستاده
- جمله
- دنباله
- سرویس
- خدمات
- تنظیم
- او
- باید
- نشان
- نمایشگاه
- نشان داده شده
- نشان می دهد
- سیگنال
- به طور مشابه
- ساده
- ساده کردن
- تنها
- سایت
- قطعه
- So
- آگاهی
- رسانه های اجتماعی
- جامعه
- مزایا
- برخی از
- چیزی
- منبع
- کد منبع
- صحبت می کند
- متخصص
- خاص
- به طور خاص
- مشخص شده
- سخنرانی - گفتار
- استانداردهای
- شروع
- آغاز شده
- بیانیه
- گام
- توقف
- متوقف کردن
- opbevare
- رشته
- متعاقبا
- موفق
- چنین
- عرضه شده است
- عرضه
- زنجیره تامین
- پشتیبانی
- پشتیبانی از
- قابل تحمل
- سیستم های
- گرفتن
- وظایف
- تیم
- فنی
- فن آوری
- قالب
- متن
- نسبت به
- که
- La
- پایتخت
- منبع
- شان
- آنها
- سپس
- آنجا.
- در نتیجه
- اینها
- آنها
- این
- تهدید
- سه
- آستانه
- از طریق
- زمان
- به
- ابزار
- مسیر
- آموزش دیده
- دگرگونی
- اعتماد
- امتحان
- دو
- نوع
- انواع
- برملا کردن
- غیر قابل انکار
- زیربنای
- فهمیدن
- درک
- منحصر به فرد
- جهانی
- حمایت
- استفاده کنید
- مورد استفاده
- استفاده
- کاربر
- کاربران
- استفاده
- با استفاده از
- استفاده کنید
- استفاده
- ارزشمند
- ارزش
- ارزشها
- تنوع
- مختلف
- وسیع
- نسخه
- از طريق
- مجازی
- W
- می خواهم
- بود
- مسیر..
- راه
- we
- وب
- خدمات وب
- خوب
- بود
- چی
- چه شده است
- چه زمانی
- در حالیکه
- چه
- که
- در حین
- WHO
- تمام
- چرا
- وسیع
- دامنه گسترده
- اراده
- آرزو
- با
- در داخل
- بدون
- شاهد
- مهاجرت کاری
- گردش کار
- گردش کار
- کارگر
- با این نسخهها کار
- نوشتن
- نوشته
- X
- سال
- شما
- شما
- زفیرنت