Olemme todistamassa nopeaa kasvua suurten kielimallien (LLM) käyttöönotossa, jotka tukevat generatiivisia tekoälysovelluksia eri aloilla. LLM:t pystyvät monenlaisiin tehtäviin, kuten luomaan luovaa sisältöä, vastaamaan kyselyihin chatbottien kautta, luomaan koodia ja paljon muuta.
Organisaatiot, jotka haluavat käyttää LLM:itä sovellusten tehostamiseen, ovat yhä varovaisempia tietosuojan suhteen varmistaakseen luottamuksen ja turvallisuuden säilymisen luovissa tekoälysovelluksissaan. Tämä sisältää asiakkaiden henkilökohtaisten tunnistetietojen (PII) asianmukaisen käsittelyn. Se sisältää myös loukkaavan ja vaarallisen sisällön leviämisen eston LLM:ille ja sen tarkistamisen, että LLM:iden tuottamat tiedot noudattavat samoja periaatteita.
Tässä viestissä keskustelemme uusista ominaisuuksista Amazonin käsitys jotka mahdollistavat saumattoman integroinnin ja varmistavat tietojen yksityisyyden, sisällön turvallisuuden ja nopean turvallisuuden uusissa ja olemassa olevissa generatiivisissa tekoälysovelluksissa.
Amazon Comprehend on luonnollisen kielen prosessointipalvelu (NLP), joka käyttää koneoppimista (ML) löytääkseen tietoja asiakirjojen jäsentämättömästä tiedosta ja tekstistä. Tässä viestissä keskustelemme siitä, miksi luottamus ja turvallisuus LLM:ien kanssa ovat tärkeitä työkuormillesi. Tutustumme myös syvemmälle siihen, kuinka näitä uusia moderointiominaisuuksia hyödynnetään suositun generatiivisen AI-kehityskehyksen kanssa. LangChain ottamaan käyttöön mukautettavan luottamus- ja turvamekanismin käyttötarpeeseesi.
Miksi luottamus ja turvallisuus LLM:ien kanssa ovat tärkeitä
Luottamus ja turvallisuus ovat ensiarvoisen tärkeitä työskennellessä LLM:ien kanssa, koska niillä on syvällinen vaikutus monenlaisiin sovelluksiin asiakastuen chatboteista sisällön luomiseen. Kun nämä mallit käsittelevät valtavia määriä dataa ja tuottavat ihmisen kaltaisia vastauksia, väärinkäytön tai ei-toivottujen tulosten mahdollisuus kasvaa. Näiden tekoälyjärjestelmien toiminnan eettisten ja luotettavien rajojen sisällä varmistaminen on ratkaisevan tärkeää, ei vain niitä hyödyntävien yritysten maineen, vaan myös loppukäyttäjien ja asiakkaiden luottamuksen säilyttämisen kannalta.
Lisäksi, kun LLM:t integroituvat entistä enemmän päivittäisiin digitaalisiin kokemuksiimme, heidän vaikutuksensa käsityksiimme, uskomuksiimme ja päätöksiimme kasvaa. Luottamuksen ja turvallisuuden varmistaminen LLM:ien kanssa on muutakin kuin vain teknisiä toimenpiteitä; se puhuu tekoälyn harjoittajien ja organisaatioiden laajemmasta vastuusta eettisten standardien noudattamisessa. Priorisoimalla luottamuksen ja turvallisuuden organisaatiot eivät vain suojele käyttäjiään, vaan myös varmistavat tekoälyn kestävän ja vastuullisen kasvun yhteiskunnassa. Se voi myös auttaa vähentämään haitallisen sisällön luomisen riskiä ja auttaa noudattamaan säädösvaatimuksia.
Luottamuksen ja turvallisuuden alalla sisällön valvonta on mekanismi, joka käsittelee useita näkökohtia, mukaan lukien, mutta ei rajoittuen:
- yksityisyys – Käyttäjät voivat vahingossa antaa arkaluonteisia tietoja sisältävää tekstiä, mikä vaarantaa heidän yksityisyytensä. Henkilökohtaisten tunnistetietojen havaitseminen ja poistaminen on välttämätöntä.
- Myrkyllisyys – Haitallisen sisällön, kuten vihapuheen, uhkailun tai väärinkäytön, tunnistaminen ja suodattaminen on äärimmäisen tärkeää.
- Käyttäjän tarkoitus – On tärkeää tunnistaa, onko käyttäjän syöte (kehote) turvallinen vai vaarallinen. Vaaralliset kehotteet voivat ilmaista suoraan tai epäsuorasti haitallista tarkoitusta, kuten pyytää henkilökohtaisia tai yksityisiä tietoja ja luoda loukkaavaa, syrjivää tai laitonta sisältöä. Kehotteet voivat myös implisiittisesti ilmaista tai pyytää neuvoja lääketieteellisistä, oikeudellisista, poliittisista, kiistanalaisista, henkilökohtaisista tai taloudellisista
Sisällön moderointi Amazon Comprehendillä
Tässä osiossa keskustelemme sisällön moderoinnin eduista Amazon Comprehendin kanssa.
Yksityisyyteen puuttuminen
Amazon Comprehend käsittelee jo yksityisyyttä olemassa olevien henkilökohtaisten tunnistetietojen havaitsemis- ja muokkausominaisuuksien avulla DetectPIIEtities ja SisältääPIIEnteettejä API:t. Näitä kahta sovellusliittymää tukevat NLP-mallit, jotka voivat havaita suuren määrän henkilökohtaisia tunnistetietoja, kuten sosiaaliturvanumeroita (SSN), luottokorttinumeroita, nimiä, osoitteita, puhelinnumeroita ja niin edelleen. Täydellinen luettelo entiteeteista on kohdassa PII universaali entiteettityypit. DetectPII tarjoaa myös PII-entiteetin merkkitason sijainnin tekstissä; esimerkiksi NIMI-olion (John Doe) aloitusmerkin asema lauseessa "Nimeni on John Teee” on 12 ja loppumerkin paikka on 19. Näitä poikkeamia voidaan käyttää arvojen peittämiseen tai muokkaamiseen, mikä vähentää riskiä yksityisen tiedon leviämisestä LLM:iin.
Myrkyllisyyteen puuttuminen ja nopea turvallisuus
Tänään julkistamme kaksi uutta Amazon Comprehend -ominaisuutta API:iden muodossa: Myrkyllisyyden havaitseminen DetectToxicContent
API ja nopea turvallisuusluokitus ClassifyDocument
API. Huomaa, että DetectToxicContent
on uusi API, kun taas ClassifyDocument
on olemassa oleva API, joka tukee nyt nopeaa turvallisuusluokitusta.
Myrkyllisyyden havaitseminen
Amazon Comprehend myrkyllisyyden tunnistuksen avulla voit tunnistaa ja merkitä sisällön, joka voi olla haitallista, loukkaavaa tai sopimatonta. Tämä ominaisuus on erityisen arvokas alustoissa, joissa käyttäjät luovat sisältöä, kuten sosiaalisen median sivustot, keskustelupalstat, chatbotit, kommenttiosiot ja sovellukset, jotka käyttävät LLM:itä sisällön luomiseen. Ensisijaisena tavoitteena on säilyttää myönteinen ja turvallinen ympäristö estämällä myrkyllisen sisällön leviäminen.
Myrkyllisyyden havaitsemismalli analysoi tekstiä sen todennäköisyyden määrittämiseksi, että se sisältää vihamielistä sisältöä, uhkauksia, säädyttömiä tai muita haitallisen tekstin muotoja. Malli on koulutettu laajoihin tietokokonaisuuksiin, jotka sisältävät esimerkkejä sekä myrkyllisestä että myrkyttömästä sisällöstä. Myrkyllisyys API arvioi tietyn tekstin myrkyllisyysluokituksen ja luottamuspisteiden saamiseksi. Generatiiviset tekoälysovellukset voivat sitten käyttää näitä tietoja ryhtyäkseen asianmukaisiin toimiin, kuten estääkseen tekstin leviämisen LLM:ihin. Tätä kirjoittaessa myrkyllisyyden havaitsemisen API:n havaitsemat etiketit ovat HATE_SPEECH
, GRAPHIC
, HARRASMENT_OR_ABUSE
, SEXUAL
, VIOLENCE_OR_THREAT
, INSULT
ja PROFANITY
. Seuraava koodi esittelee API-kutsun Python Boto3:n kanssa Amazon Comprehend -toksisuuden havaitsemiseen:
Nopea turvallisuusluokitus
Nopea turvallisuusluokitus Amazon Comprehendin avulla auttaa luokittelemaan syöttötekstikehotteen turvalliseksi tai vaaralliseksi. Tämä ominaisuus on erittäin tärkeä sovelluksille, kuten chatboteille, virtuaalisille avustajille tai sisällönvalvontatyökaluille, joissa kehotteen turvallisuuden ymmärtäminen voi määrittää vastaukset, toiminnot tai sisällön leviämisen LLM:ille.
Pohjimmiltaan nopea turvallisuusluokitus analysoi ihmisten antaman panoksen minkä tahansa nimenomaisen tai epäsuoran vahingollisen tarkoituksen varalta, kuten henkilökohtaisten tai yksityisten tietojen pyytämisen ja loukkaavan, syrjivän tai laittoman sisällön luomisen. Se merkitsee myös kehotteita, jotka etsivät neuvoja lääketieteellisistä, juridisista, poliittisista, kiistanalaisista, henkilökohtaisista tai taloudellisista aiheista. Pikaluokitus palauttaa kaksi luokkaa, UNSAFE_PROMPT
ja SAFE_PROMPT
, liitetylle tekstille ja jokaiselle vastaava luottamuspiste. Luottamuspisteet vaihtelevat välillä 0–1 ja yhdistettynä on 1. Esimerkiksi asiakastuen chatbotissa teksti "Kuinka voin nollata salasanani?” ilmaisee aikomuksesta hakea ohjeita salasanan palautusmenettelyihin ja on merkitty nimellä SAFE_PROMPT
. Vastaavasti lausunto, kuten "Toivon, että sinulle tapahtuisi jotain pahaa" voidaan merkitä mahdollisesti haitallisen tarkoituksen vuoksi ja merkitä nimellä UNSAFE_PROMPT
. On tärkeää huomata, että nopea turvallisuusluokitus keskittyy ensisijaisesti aikomusten havaitsemiseen ihmisen syötteistä (kehotteet) koneen luoman tekstin (LLM-ulostulot) sijaan. Seuraava koodi näyttää, kuinka nopeaan turvallisuusluokitusominaisuuteen pääsee käsiksi ClassifyDocument
API:t:
Huomaa, että endpoint_arn
edellisessä koodissa on AWS:n tarjoama Amazonin resurssinumero (ARN) mallista arn:aws:comprehend:<region>:aws:document-classifier-endpoint/prompt-safety
, Jossa <region>
on valitsemasi AWS-alue missä Amazon Comprehend on saatavilla.
Näiden ominaisuuksien esittelemiseksi rakensimme esimerkkikeskustelusovelluksen, jossa pyydämme LLM:ää poimimaan henkilökohtaisia tunnistetietoja, kuten osoitteen, puhelinnumeron ja SSN:n tietystä tekstistä. LLM etsii ja palauttaa asianmukaiset PII-entiteetit, kuten näkyy vasemmalla olevassa kuvassa.
Amazon Comprehendin moderoinnin avulla voimme muokata LLM:n syötteen ja LLM:n lähdön. Oikealla olevassa kuvassa SSN-arvo voidaan välittää LLM:lle ilman muokkausta. Kaikki SSN-arvot LLM:n vastauksessa kuitenkin poistetaan.
Seuraavassa on esimerkki siitä, kuinka PII-tietoja sisältävä kehote voidaan estää kokonaan saavuttamasta LLM:ää. Tämä esimerkki havainnollistaa käyttäjän esittävän kysymyksen, joka sisältää henkilökohtaisia tunnistetietoja. Käytämme Amazon Comprehend -valvontaa havaitaksemme PII-entiteetit kehotteessa ja näyttääksemme virheen keskeyttämällä kulun.
Edelliset chat-esimerkit osoittavat, kuinka Amazon Comprehend -moderointi rajoittaa tietojen lähettämistä LLM:lle. Seuraavissa osissa selitämme, kuinka tämä moderointimekanismi toteutetaan LangChainilla.
Integrointi LangChainin kanssa
LLM-sovellusten loputtomat mahdollisuudet soveltaa erilaisiin käyttötapauksiin on tullut yhtä tärkeäksi yksinkertaistaa generatiivisten tekoälysovellusten kehitystä. LangChain on suosittu avoimen lähdekoodin kehys, joka tekee luovien tekoälysovellusten kehittämisestä vaivatonta. Amazon Comprehend -valvonta laajentaa LangChain-kehystä tarjoamaan henkilökohtaisten tunnistetietojen tunnistamisen ja muokkaamisen, myrkyllisyyden havaitsemisen ja nopeat turvallisuusluokitusominaisuudet AmazonComprehendModerationChain
.
AmazonComprehendModerationChain
on mukautettu toteutus LangChain perusketju käyttöliittymä. Tämä tarkoittaa, että sovellukset voivat käyttää tätä ketjua omien kanssaan LLM-ketjut halutun moderoinnin soveltamiseksi syöttökehotteeseen sekä LLM:n tulostekstiin. Ketjuja voidaan rakentaa yhdistämällä useita ketjuja tai sekoittamalla ketjuja muihin komponentteihin. Voit käyttää AmazonComprehendModerationChain
muiden LLM-ketjujen kanssa kehittääkseen monimutkaisia tekoälysovelluksia modulaarisesti ja joustavasti.
Selvittääksemme sitä tarkemmin tarjoamme muutaman esimerkin seuraavissa osioissa. Lähdekoodi tiedostolle AmazonComprehendModerationChain
toteutus löytyy LangChain avoimen lähdekoodin arkisto. Katso API-rajapinnan täydelliset dokumentaatiot LangChain API -dokumentaatiosta Amazon Comprehend -valvontaketju. Tämän valvontaketjun käyttäminen on yhtä yksinkertaista kuin luokan ilmentymän alustaminen oletuskokoonpanoilla:
Valvontaketju suorittaa kulissien takana kolme peräkkäistä moderointitarkistusta, nimittäin PII:tä, myrkyllisyyttä ja nopeaa turvallisuutta, kuten seuraavassa kaaviossa selitetään. Tämä on moderoinnin oletuskulku.
Seuraava koodinpätkä näyttää yksinkertaisen esimerkin moderointiketjun käytöstä Amazon FalconLite LLM (joka on kvantisoitu versio Falcon 40B SFT OASST-TOP1 malli) isännöi Hugging Face Hubissa:
Edellisessä esimerkissä laajennamme ketjuamme comprehend_moderation
sekä LLM:ään menevälle että LLM:n luomalle tekstille. Tämä suorittaa oletusvalvontatoiminnon, joka tarkistaa PII:n, myrkyllisyyden ja nopean turvallisuusluokituksen kyseisessä järjestyksessä.
Mukauta valvontaasi suodatinkokoonpanoilla
Voit käyttää AmazonComprehendModerationChain
tietyillä kokoonpanoilla, mikä antaa sinulle mahdollisuuden hallita, mitä moderointia haluat suorittaa generatiivisessa tekoälypohjaisessa sovelluksessasi. Kokoonpanon ytimessä sinulla on käytettävissä kolme suodatinkokoonpanoa.
- ModerationPiiConfig – Käytetään PII-suodattimen määrittämiseen.
- ModerationToxicityConfig – Käytetään myrkyllisen sisällön suodattimen määrittämiseen.
- ModerationIntentConfig – Käytetään tarkoitussuodattimen määrittämiseen.
Voit käyttää jokaista näistä suodatinmäärityksistä mukauttaaksesi moderointisi toimintaa. Jokaisella suodattimen kokoonpanolla on muutama yhteinen parametri ja joitakin ainutlaatuisia parametreja, joilla ne voidaan alustaa. Kun olet määrittänyt kokoonpanot, käytät BaseModerationConfig
luokka määrittääksesi järjestyksen, jossa suodattimia tulee soveltaa tekstiin. Esimerkiksi seuraavassa koodissa määritämme ensin kolme suodatinkokoonpanoa ja määritämme sitten järjestyksen, jossa niitä on sovellettava:
Sukellaanpa hieman syvemmälle ymmärtääksemme, mitä tällä kokoonpanolla saavutetaan:
- Ensin määritimme myrkyllisyyssuodattimelle kynnysarvon 0.6. Tämä tarkoittaa, että jos teksti sisältää jonkin saatavilla olevista myrkyllisistä merkinnöistä tai kokonaisuuksista, joiden pistemäärä on suurempi kuin kynnysarvo, koko ketju keskeytyy.
- Jos tekstistä ei löydy myrkyllistä sisältöä, PII-tarkistus on. Tässä tapauksessa olemme kiinnostuneita tarkistamaan, sisältääkö teksti SSN-arvoja. Koska
redact
parametriksi on asetettuTrue
, ketju peittää havaitut SSN-arvot (jos sellaisia on), jos SSN-entiteetin luottamuspiste on suurempi tai yhtä suuri kuin 0.5, ja maskimerkki on määritetty (X). Josredact
asetetaanFalse
, ketju katkaistaan havaitun SSN:n vuoksi. - Lopuksi ketju suorittaa nopean turvallisuusluokituksen ja estää sisällön leviämisen edelleen ketjussa, jos sisältö on luokiteltu
UNSAFE_PROMPT
joiden luottamuspiste on suurempi tai yhtä suuri kuin 0.8.
Seuraava kaavio kuvaa tätä työnkulkua.
Jos moderointiketjussa esiintyy keskeytyksiä (tässä esimerkissä, joka koskee myrkyllisyys- ja nopeaa turvallisuusluokitussuodatinta), ketju nostaa Python poikkeus, joka käytännössä pysäyttää käynnissä olevan ketjun ja antaa sinun saada kiinni poikkeuksesta (try-catch -lohkossa) ja suorittaa kaikki asiaankuuluvat toiminnot. Kolme mahdollista poikkeustyyppiä ovat:
ModerationPIIError
ModerationToxicityError
ModerationPromptSafetyError
Voit määrittää yhden suodattimen tai useamman kuin yhden suodattimen käyttämällä BaseModerationConfig
. Samassa ketjussa voi olla myös samantyyppinen suodatin eri kokoonpanoilla. Jos esimerkiksi käyttötapauksesi koskee vain henkilökohtaisia tunnistetietoja, voit määrittää kokoonpanon, joka katkaisee ketjun, jos SSN havaitaan. Muussa tapauksessa sen on muokattava ikä ja nimettävä henkilökohtaisia tunnistetietoja. Tämän kokoonpano voidaan määrittää seuraavasti:
Takaisinsoittojen ja yksilöllisten tunnisteiden käyttäminen
Jos olet perehtynyt työnkulkujen käsitteeseen, saatat myös tuntea sen takaisinsoittoja. Takaisinkutsut työnkulkujen sisällä ovat itsenäisiä koodinpätkiä, jotka suoritetaan, kun tietyt ehdot täyttyvät työnkulussa. Takaisinsoitto voi olla joko estävä tai ei-esto työnkulkua. LangChain-ketjut ovat pohjimmiltaan LLM-työnkulkuja. AmazonComprehendModerationChain
voit määrittää omat takaisinsoittotoiminnot. Aluksi toteutus on rajoitettu vain asynkronisiin (estoimattomiin) takaisinsoittotoimintoihin.
Tämä tarkoittaa käytännössä sitä, että jos käytät takaisinsoittoja moderointiketjun kanssa, ne toimivat riippumatta ketjun ajosta estämättä sitä. Valvontaketjussa on vaihtoehtoja suorittaa koodinpätkiä millä tahansa liiketoimintalogiikalla jokaisen moderoinnin jälkeen ketjusta riippumatta.
Voit myös halutessasi antaa mielivaltaisen yksilöllisen tunnistemerkkijonon luodessasi AmazonComprehendModerationChain
mahdollistaaksesi kirjauksen ja analytiikan myöhemmin. Jos käytät esimerkiksi LLM:n tuottamaa chatbotia, saatat haluta seurata käyttäjiä, jotka ovat jatkuvasti loukkaavia tai paljastavat tietoisesti tai tietämättään henkilökohtaisia tietoja. Tällaisissa tapauksissa on tarpeen seurata tällaisten kehotteiden alkuperää ja ehkä tallentaa ne tietokantaan tai kirjata ne asianmukaisesti jatkotoimia varten. Voit välittää yksilöllisen tunnuksen, joka yksilöi käyttäjän selvästi, kuten käyttäjänimen tai sähköpostiosoitteen, tai kehotteen luovan sovelluksen nimen.
Takaisinsoittojen ja yksilöllisten tunnisteiden yhdistelmä tarjoaa sinulle tehokkaan tavan toteuttaa käyttötapauksiisi sopiva valvontaketju entistä yhtenäisemmällä tavalla vähemmällä koodilla, jota on helpompi ylläpitää. Takaisinsoittokäsittelijä on käytettävissä osoitteessa BaseModerationCallbackHandler
, jossa on kolme käytettävissä olevaa takaisinsoittoa: on_after_pii()
, on_after_toxicity()
ja on_after_prompt_safety()
. Kutakin näistä takaisinsoittotoiminnoista kutsutaan asynkronisesti sen jälkeen, kun vastaava moderointitarkistus on suoritettu ketjussa. Nämä toiminnot saavat myös kaksi oletusparametria:
- moderation_beacon – Sanakirja, joka sisältää yksityiskohtia, kuten tekstin, jolle valvonta suoritettiin, Amazon Comprehend API:n koko JSON-ulostulon, moderoinnin tyypin ja sen, löytyivätkö toimitetut tunnisteet (kokoonpanossa) tekstistä vai ei.
- uniikki tunniste – Ainutlaatuinen tunnus, jonka määritit alustaessasi ilmentymää
AmazonComprehendModerationChain
.
Seuraavassa on esimerkki siitä, kuinka takaisinsoitto toimii. Tässä tapauksessa määritimme yhden takaisinkutsun, jonka haluamme ketjun ajavan henkilökohtaisten tunnistetietojen tarkistuksen jälkeen:
Käytämme sitten my_callback
objektia moderointiketjun alustamisen aikana ja ohita myös a unique_id
. Voit käyttää takaisinsoittoja ja yksilöllisiä tunnisteita määrityksen kanssa tai ilman. Kun alaluokka BaseModerationCallbackHandler
, sinun on otettava käyttöön yksi tai kaikki takaisinsoittomenetelmät riippuen siitä, mitä suodattimia aiot käyttää. Seuraavassa esimerkissä esitetään lyhyyden vuoksi tapa käyttää takaisinsoittoja ja unique_id
ilman konfiguraatioita:
Seuraava kaavio selittää, kuinka tämä takaisinsoittojen ja yksilöllisten tunnisteiden valvontaketju toimii. Erityisesti otimme käyttöön henkilökohtaisten tunnistetietojen takaisinkutsun, jonka pitäisi kirjoittaa JSON-tiedosto, jossa on käytettävissä olevat tiedot moderation_beacon
ja unique_id
hyväksytty (tässä tapauksessa käyttäjän sähköpostiosoite).
Seuraavassa Python-muistikirja, olemme koonneet muutamia erilaisia tapoja, joilla voit määrittää ja käyttää valvontaketjua useiden LLM:ien kanssa, kuten LLM:ien kanssa Amazon SageMaker JumpStart ja isännöi sisään Hugging Face Hub. Olemme myös sisällyttäneet mallin chat-sovellukseen, josta keskustelimme aiemmin seuraavan kanssa Python-muistikirja.
Yhteenveto
Suurten kielimallien ja generatiivisen tekoälyn transformaatiopotentiaali on kiistaton. Niiden vastuullinen ja eettinen käyttö riippuu kuitenkin luottamukseen ja turvallisuuteen liittyvistä huolenaiheista. Tunnistamalla haasteet ja toteuttamalla aktiivisesti toimenpiteitä riskien lieventämiseksi kehittäjät, organisaatiot ja koko yhteiskunta voivat hyödyntää näiden teknologioiden edut säilyttäen samalla luottamuksen ja turvallisuuden, joka tukee niiden onnistunutta integraatiota. Amazon Comprehend ContentModerationChainin avulla voit lisätä luottamus- ja turvallisuusominaisuuksia mihin tahansa LLM-työnkulkuun, mukaan lukien LangChainissa toteutetut Retrieval Augmented Generation (RAG) -työnkulut.
Lisätietoja RAG-pohjaisten ratkaisujen rakentamisesta LangChainin ja Amazon Kendran erittäin tarkan koneoppimisen (ML) avulla älykäs haku, katso - Rakenna nopeasti korkean tarkkuuden generatiivisia tekoälysovelluksia yritystietoihin käyttämällä Amazon Kendraa, LangChainia ja suuria kielimalleja. Katso seuraavana vaiheena koodinäytteitä loimme käyttämään Amazon Comprehend -moderointia LangChainin kanssa. Amazon Comprehend -valvontaketjun API:n täydelliset dokumentaatiot ovat LangChainissa API-dokumentaatio.
Tietoja kirjoittajista
Wrick Talukdar on vanhempi arkkitehti Amazon Comprehend Service -tiimissä. Hän työskentelee AWS-asiakkaiden kanssa auttaakseen heitä ottamaan käyttöön koneoppimisen laajassa mittakaavassa. Työn ulkopuolella hän pitää lukemisesta ja valokuvaamisesta.
Anjan Biswas on vanhempi AI-palveluratkaisuarkkitehti, joka keskittyy tekoälyyn/ML:ään ja data-analyyseihin. Anjan on osa maailmanlaajuista tekoälypalvelutiimiä ja työskentelee asiakkaiden kanssa auttaakseen heitä ymmärtämään ja kehittämään ratkaisuja tekoälyn ja ML:n liiketoimintaongelmiin. Anjanilla on yli 14 vuoden kokemus työskentelystä maailmanlaajuisten toimitusketju-, valmistus- ja vähittäismyyntiorganisaatioiden kanssa, ja hän auttaa aktiivisesti asiakkaita pääsemään alkuun ja skaalaamaan AWS AI -palveluita.
Nikhil Jha on vanhempi tekninen asiakaspäällikkö Amazon Web Services -palvelussa. Hänen painopistealueitaan ovat AI/ML ja analytiikka. Vapaa-ajallaan hän pelaa sulkapalloa tyttärensä kanssa ja seikkailee ulkona.
Chin Rane on AI/ML Specialist Solutions -arkkitehti Amazon Web Servicesissä. Hän on intohimoinen soveltavaan matematiikkaan ja koneoppimiseen. Hän keskittyy älykkäiden asiakirjojen käsittelyratkaisujen suunnitteluun AWS-asiakkaille. Työn ulkopuolella hän harrastaa salsaa ja bachata-tanssia.
- SEO-pohjainen sisällön ja PR-jakelu. Vahvista jo tänään.
- PlatoData.Network Vertical Generatiivinen Ai. Vahvista itseäsi. Pääsy tästä.
- PlatoAiStream. Web3 Intelligence. Tietoa laajennettu. Pääsy tästä.
- PlatoESG. hiili, CleanTech, energia, ympäristö, Aurinko, Jätehuolto. Pääsy tästä.
- PlatonHealth. Biotekniikan ja kliinisten kokeiden älykkyys. Pääsy tästä.
- Lähde: https://aws.amazon.com/blogs/machine-learning/build-trust-and-safety-for-generative-ai-applications-with-amazon-comprehend-and-langchain/
- :on
- :On
- :ei
- :missä
- $ YLÖS
- 1
- 100
- 11
- 12
- 14
- 15%
- 17
- 19
- 500
- 7
- 8
- 9
- a
- kyvyt
- kyky
- Meistä
- hyväksikäyttö
- pääsy
- Tili
- tarkka
- päästään
- poikki
- Toiminta
- toimet
- aktiivisesti
- lisätä
- osoite
- osoitteet
- käsitellään
- noudattaa
- hyväksyä
- Hyväksyminen
- neuvot
- Jälkeen
- ikä
- AI
- Tekoälyn palvelut
- AI-järjestelmät
- AI / ML
- Kaikki
- sallittu
- Salliminen
- mahdollistaa
- jo
- Myös
- yhteensä
- Amazon
- Amazonin käsitys
- Amazon Kendra
- Amazon Web Services
- määrät
- an
- Analytics
- analyysit
- ja
- Ilmoittaa
- vastaus
- Kaikki
- api
- API
- sovelletaan
- Hakemus
- sovellukset
- sovellettu
- sovelletaan
- käyttää
- sopiva
- asianmukaisesti
- OVAT
- alueet
- AS
- kysyä
- pyytäminen
- näkökohdat
- osoitettu
- avustajat
- liittyvä
- At
- lisätä
- täydennetty
- saatavissa
- AWS
- Tukena
- Huono
- pohja
- perustua
- BE
- koska
- tulevat
- tulee
- käyttäytyminen
- ovat
- uskomukset
- Hyödyt
- välillä
- Jälkeen
- Tukkia
- esto
- sekä
- rajat
- laajempaa
- rakentaa
- rakentaa luottamusta
- Rakentaminen
- rakennettu
- liiketoiminta
- yritykset
- mutta
- by
- soittaa
- takaisinsoittoja
- nimeltään
- CAN
- kyvyt
- valmiudet
- kykenee
- pääoma
- kortti
- tapaus
- tapauksissa
- paini
- tietty
- ketju
- kahleet
- haasteet
- merkki
- chatbot
- chatbots
- tarkastaa
- tarkkailun
- Tarkastukset
- leuka
- valinta
- luokka
- luokat
- luokittelu
- luokiteltu
- luokitella
- asiakas
- koodi
- yhtenäinen
- KOM
- yhdistelmä
- yhdistetty
- kommentti
- Yhteinen
- monimutkainen
- osat
- ymmärtää
- käsite
- huolestunut
- huolenaiheet
- olosuhteet
- luottamus
- Konfigurointi
- peräkkäinen
- johdonmukaisesti
- sisältää
- pitoisuus
- Sisällön luominen
- ohjaus
- kiistanalainen
- Ydin
- luotu
- Luominen
- Luova
- pisteitä
- luottokortti
- kriittinen
- ratkaiseva
- asiakassuhde
- asiakas
- Asiakaspalvelu
- Asiakkaat
- muokattavissa
- räätälöidä
- päivittäin
- tanssi
- tiedot
- Data Analytics
- Tietosuoja
- tietokanta
- aineistot
- päätökset
- syvempää
- oletusarvo
- määritellä
- määritelty
- kaivaa
- osoittaa
- osoittaa
- Riippuen
- suunnittelu
- haluttu
- yksityiskohdat
- havaita
- havaittu
- Detection
- Määrittää
- kehittää
- kehittäjille
- Kehitys
- eri
- digitaalinen
- pohtia
- keskusteltiin
- selvästi
- sukellus
- do
- asiakirja
- dokumentointi
- asiakirjat
- naarasjänis
- alas
- kaksi
- e
- kukin
- Aikaisemmin
- helpompaa
- tehokkaasti
- vaivaton
- myöskään
- muu
- mahdollistaa
- loppu
- Loputon
- varmistaa
- varmistamalla
- yritys
- yksiköt
- kokonaisuus
- ympäristö
- yhtäläinen
- yhtä
- virhe
- ydin
- olennainen
- olennaisesti
- eettinen
- esimerkki
- Esimerkit
- Paitsi
- poikkeus
- olemassa
- experience
- Elämykset
- Selittää
- selitti
- selittää
- nimenomaisesti
- Tutkiminen
- ilmaista
- ulottuu
- uute
- Kasvot
- tuttu
- Ominaisuus
- Ominaisuudet
- harvat
- filee
- suodattaa
- suodatus
- suodattimet
- taloudellinen
- Löytää
- löydöt
- Etunimi
- Merkityt
- liput
- joustava
- virtaus
- Keskittää
- keskityttiin
- keskittyy
- jälkeen
- seuraa
- varten
- muoto
- muoto
- lomakkeet
- foorumit
- löytyi
- Puitteet
- Ranska
- alkaen
- koko
- tehtävät
- edelleen
- tuottaa
- syntyy
- tuottaa
- sukupolvi
- generatiivinen
- Generatiivinen AI
- saada
- gif
- Antaa
- tietty
- antaa
- Global
- tavoite
- Goes
- menee
- hyvä
- suurempi
- kasvaa
- Kasvu
- ohjaus
- Käsittely
- tapahtuu
- haitallinen
- valjaat
- viha
- Olla
- ottaa
- he
- auttaa
- auttaa
- auttaa
- erittäin
- saranat
- hänen
- isännöi
- Miten
- Miten
- Kuitenkin
- HTML
- HTTPS
- Napa
- ihmisen
- ihmisen kaltainen
- i
- ID
- Tunnistaminen
- tunniste
- tunnisteet
- tunnistaa
- tunnistaa
- tunnistaminen
- if
- laiton
- havainnollistaa
- kuva
- Vaikutus
- toteuttaa
- täytäntöönpano
- täytäntöön
- täytäntöönpanosta
- tuoda
- merkitys
- tärkeä
- in
- vahingossa
- sisältää
- mukana
- sisältää
- Mukaan lukien
- Kasvaa
- Lisäykset
- yhä useammin
- itsenäinen
- itsenäisesti
- teollisuuden
- vaikutus
- tiedot
- ensin
- panos
- tuloa
- Kyselyt
- esimerkki
- integroitu
- integraatio
- Älykäs
- Älykäs asiakirjojen käsittely
- aikovat
- tahallisuus
- kiinnostunut
- liitäntä
- keskeytynyt
- tulee
- esitellä
- IT
- SEN
- Johannes
- JOHN DOE
- jpg
- json
- vain
- tarrat
- Kieli
- suuri
- myöhemmin
- oppiminen
- vasemmalle
- juridinen
- vähemmän
- pitää
- todennäköisyys
- rajallinen
- Lista
- vähän
- vähän syvemmälle
- OTK
- log
- hakkuu
- logiikka
- näköinen
- kone
- koneoppiminen
- ylläpitää
- TEE
- johtaja
- tapa
- valmistus
- naamio
- matematiikka
- asia
- Saattaa..
- me
- välineet
- toimenpiteet
- mekanismi
- Media
- lääketieteellinen
- sulautuvan
- tapasi
- menetelmät
- väärinkäyttö
- lieventää
- Sekoitus
- ML
- malli
- mallit
- maltillisuus
- modulaarinen
- lisää
- paljon
- täytyy
- my
- nimi
- nimittäin
- nimet
- Luonnollinen
- Luonnollinen kielen käsittely
- välttämätön
- Uusi
- Uudet ominaisuudet
- seuraava
- NLP
- Nro
- nyt
- numero
- numerot
- useat
- objekti
- of
- hyökkäys
- kampanja
- siirtymät
- on
- ONE
- vain
- avata
- avoimen lähdekoodin
- käyttää
- toiminta
- Vaihtoehdot
- or
- tilata
- organisaatioiden
- alkuperä
- Muut
- muuten
- meidän
- ulos
- tuloksiin
- ulkona
- ulostulo
- lähdöt
- ulkopuolella
- yli
- oma
- parametri
- parametrit
- Tärkein
- osa
- erityisesti
- kulkea
- Hyväksytty
- intohimoinen
- Salasana
- salasanan nollaus
- Kuvio
- Suorittaa
- suoritettu
- suorittaa
- ehkä
- henkilöstö
- Henkilökohtaisesti
- puhelin
- valokuvaus
- kappale
- kappaletta
- Platforms
- Platon
- Platonin tietotieto
- PlatonData
- pelaa
- poliittinen
- Suosittu
- sijainti
- positiivinen
- mahdollisuuksia
- mahdollinen
- Kirje
- mahdollinen
- mahdollisesti
- teho
- powered
- voimakas
- säilöntä
- estää
- pääasiallisesti
- ensisijainen
- periaatteet
- priorisointi
- yksityisyys
- yksityinen
- yksityiset tiedot
- ongelmia
- menettelyt
- prosessi
- käsittely
- syvällinen
- Edistyminen
- asianmukaisesti
- suojella
- toimittaa
- tarjoaa
- Python
- kysymys
- nostaa
- alue
- vaihtelee
- nopea
- pikemminkin
- päästäisiin
- Lukeminen
- valtakunta
- vastaanottaa
- tunnustaa
- vähentää
- vähentämällä
- katso
- alue
- sääntelyn
- merkityksellinen
- luotettava
- maine
- pyyntö
- vaatimukset
- resurssi
- ne
- vastaus
- vasteet
- vastuu
- vastuullinen
- rajoitukset
- vähittäiskauppa
- Tuotto
- oikein
- Riski
- riskit
- ajaa
- s
- turvallista
- Turvallisuus
- sagemaker
- sama
- Asteikko
- kohtaukset
- pisteet
- saumaton
- Osa
- osiot
- turvallisuus
- nähdä
- etsiä
- SELF
- vanhempi
- sensible
- lähetetty
- tuomita
- Järjestys
- palvelu
- Palvelut
- setti
- hän
- shouldnt
- näyttää
- näyteikkuna
- esitetty
- Näytä
- signaalit
- samalla lailla
- Yksinkertainen
- yksinkertaistaa
- single
- Sivustot
- pätkä
- So
- sosiaalinen
- sosiaalinen media
- yhteiskunta
- Ratkaisumme
- jonkin verran
- jotain
- lähde
- lähdekoodi
- puhuu
- asiantuntija
- erityinen
- erityisesti
- määritelty
- puhe
- standardit
- Alkaa
- alkoi
- Lausunto
- Vaihe
- stop
- pysäyttäminen
- verkkokaupasta
- jono
- Myöhemmin
- onnistunut
- niin
- toimitetaan
- toimittaa
- toimitusketju
- tuki
- Tukee
- kestävä
- järjestelmät
- ottaa
- tehtävät
- joukkue-
- Tekninen
- Technologies
- sapluuna
- teksti
- kuin
- että
- -
- Pääkaupunki
- Lähde
- heidän
- Niitä
- sitten
- Siellä.
- siten
- Nämä
- ne
- tätä
- uhat
- kolmella
- kynnys
- Kautta
- aika
- että
- työkalut
- raita
- koulutettu
- transformatiivinen
- Luottamus
- yrittää
- kaksi
- tyyppi
- tyypit
- paljastaa
- kiistaton
- pohja
- ymmärtää
- ymmärtäminen
- unique
- Yleismaailmallinen
- puolustaa
- käyttää
- käyttölaukku
- käytetty
- käyttäjä
- Käyttäjät
- käyttötarkoituksiin
- käyttämällä
- käyttää
- hyödynnetty
- arvokas
- arvo
- arvot
- lajike
- eri
- valtava
- versio
- kautta
- Virtual
- W
- haluta
- oli
- Tapa..
- tavalla
- we
- verkko
- verkkopalvelut
- HYVIN
- olivat
- Mitä
- Mikä on
- kun
- taas
- onko
- joka
- vaikka
- KUKA
- koko
- miksi
- leveä
- Laaja valikoima
- tulee
- toivottaa
- with
- sisällä
- ilman
- todistamassa
- Referenssit
- työnkulku
- työnkulkuja
- työskentely
- toimii
- kirjoittaa
- kirjoittaminen
- X
- vuotta
- Voit
- Sinun
- zephyrnet