Amazon SageMaker Ground Truth Plus auttaa sinua valmistelemaan korkealaatuisia koulutustietojoukkoja poistamalla rakennustietomerkintäsovelluksiin ja merkintätyövoiman hallintaan liittyvän erottumattoman raskaan noston. Sinun tarvitsee vain jakaa tietoja merkintävaatimusten kanssa, ja Ground Truth Plus määrittää ja hallitsee tietomerkintöjen työnkulkua näiden vaatimusten perusteella. Sieltä asiantuntijatyövoima, joka on koulutettu erilaisiin koneoppimistehtäviin, merkitsee tietosi. Et tarvitse edes syvällistä ML-asiantuntemusta tai tietoa työnkulun suunnittelusta ja laadunhallinnasta käyttääksesi Ground Truth Plusia. Nyt Ground Truth Plus palvelee asiakkaita, jotka tarvitsevat datamerkintöjä ja ihmisten palautetta generatiivisten tekoälysovellusten perusmallien hienosäätöön.
Tässä viestissä opit viimeaikaisista edistysaskeleista SageMaker Ground Truth Plusin kautta saatavan generatiivisen tekoälyn ihmispalautteessa. Tämä sisältää uusia työnkulkuja ja käyttöliittymiä (UI), joita voidaan käyttää valvotussa hienosäädössä käytettävien demonstraatiotietosarjojen valmisteluun, korkealaatuisen ihmispalautteen keräämiseen, jotta voidaan luoda mieltymystietojoukkoja generatiivisten tekoälyperusmallien mukauttamiseksi ihmisten mieltymyksiin, sekä mallien mukauttamiseen sovellusten rakentajille. ' tyylin, sisällön ja äänen vaatimukset.
Generatiivisen tekoälyn käytön aloittamisen haasteet
Generatiiviset tekoälysovellukset ympäri maailmaa sisältävät sekä yksimuotoisia että multimodaalisia perusmalleja, jotka voidaan ratkaista moniin erilaisiin käyttötapauksiin. Yleisiä niistä ovat chatbotit, kuvageneraattorit ja videogeneraattorit. Suuria kielimalleja (LLM) käytetään chatboteissa luoviin harrastuksiin, akateemisiin ja henkilökohtaisiin avustajiin, business intelligence -työkaluihin ja tuottavuustyökaluihin. Voit käyttää tekstistä kuvaksi -malleja luodaksesi abstraktia tai realistista tekoälytaidetta ja markkinointimateriaalia. Tekstistä videoksi -malleja käytetään videoiden luomiseen taideprojekteihin, erittäin mukaansatempaaviin mainoksiin, videopelien kehittämiseen ja jopa elokuvien kehittämiseen.
Kaksi tärkeimmistä ongelmista, jotka on ratkaistava sekä mallintuottajille, jotka luovat perustusmalleja, että sovellusten rakentajille, jotka käyttävät olemassa olevia generatiivisia perustusmalleja omien työkalujensa ja sovellusten rakentamiseen:
- Hienosäätää nämä perusmallit tiettyjen tehtävien suorittamiseksi
- Kohdista ne ihmisten mieltymyksiin varmistaaksesi, että ne tuottavat hyödyllistä, tarkkaa ja vaaratonta tietoa
Perusmallit ovat tyypillisesti valmiita suurille merkitsemättömän datan korporaatioille, eivätkä ne siksi toimi hyvin luonnollisen kielen ohjeita noudattaen. LLM:lle tämä tarkoittaa, että he voivat pystyä jäsentämään ja generoimaan kieltä yleensä, mutta he eivät ehkä pysty vastaamaan kysymyksiin johdonmukaisesti tai tiivistämään tekstiä käyttäjän vaatimalla laadulla. Esimerkiksi, kun käyttäjä pyytää tiivistelmää kehotteessa olevasta tekstistä, malli, jota ei ole hienosäädetty tekstin yhteenvetoon, voi vain lausua kehotetekstin takaisin käyttäjälle tai vastata jollakin asiaankuulumattomalla. Jos käyttäjä kysyy aihetta koskevan kysymyksen, mallin vastaus voi olla vain kysymyksen lausunta. Multimodaalisissa malleissa, kuten tekstistä kuvaksi tai tekstistä videoksi -malleissa, mallit voivat tulostaa sisältöä, joka ei liity kehotteeseen. Esimerkiksi, jos yrityksen graafinen suunnittelija kehottaa tekstistä kuvaksi -mallia luomaan uuden logon tai kuvan mainokseen, malli ei välttämättä luo kehotteeseen liittyvää asiaankuuluvaa grafiikkaa, jos siinä on vain yleinen kuvan käsite. ja kuvan elementtejä. Joissakin tapauksissa malli saattaa tuottaa haitallisen kuvan tai videon, mikä vaarantaa käyttäjien luottamuksen tai yrityksen maineen.
Vaikka mallit olisi hienosäädetty suorittamaan tiettyjä tehtäviä, ne eivät välttämättä ole ihmisten mieltymysten mukaisia tulosten sisällön merkityksen, tyylin tai sisällön suhteen. LLM:ssä tämä voi ilmetä mallin tuottamana epätarkana tai jopa haitallisena sisältönä. Esimerkiksi malli, jota ei ole mukautettu ihmisen mieltymyksiin hienosäädön avulla, voi käyttäjän kehotuksesta antaa vaarallisia, epäeettisiä tai jopa laittomia ohjeita. Mallin tuottamaa sisältöä ei ole rajoitettu sen varmistamiseksi, että se vastaa ihmisten mieltymyksiä ollakseen tarkkoja, osuvia ja hyödyllisiä. Tämä vääristymä voi olla ongelma yrityksille, jotka luottavat sovelluksiinsa generatiivisiin tekoälymalleihin, kuten chatboteihin ja multimedian luomiseen. Multimodaalisissa malleissa tämä voi tapahtua myrkyllisten, vaarallisten tai loukkaavien kuvien tai videoiden muodossa. Tämä on riski, kun kehotteita syötetään malliin ilman aikomusta luoda arkaluontoista sisältöä, ja myös jos mallin tuottaja tai sovelluksen rakentaja ei ollut aikonut sallia mallin luoda tällaista sisältöä, mutta se luotiin kuitenkin.
Ratkaistakseen tehtäväkohtaisia valmiuksia ja generatiivisten perusmallien kohdistamista ihmisen mieltymyksiin, mallintuottajien ja sovellusten rakentajien on hienosäädettävä malleja datalla käyttämällä ihmisohjattuja demonstraatioita ja mallitulosten ihmisten palautetta.
Data ja koulutustyypit
On olemassa useita erityyppisiä hienosäätömenetelmiä, joissa on erityyppisiä merkittyjä tietoja, jotka luokitellaan ohjeviritykseen – tai mallin opettamiseen ohjeiden noudattamiseksi. Niitä ovat valvottu hienosäätö (SFT) demonstraatiodataa käyttäen ja vahvistusoppiminen ihmisen palautteesta (RLHF) preferenssidataa käyttäen.
Demonstraatiotiedot valvottua hienosäätöä varten
Perusmallien hienosäätöä varten tiettyjen tehtävien suorittamiseksi, kuten kysymyksiin vastaaminen tai tekstin korkealaatuinen yhteenveto, mallit käyvät läpi SFT:n esittelytiedoilla. Demonstraatiotiedon tarkoituksena on ohjata mallia tarjoamalla siihen merkittyjä esimerkkejä (demonstraatioita) ihmisen tekemistä suoritetuista tehtävistä. Esimerkiksi opettaakseen LLM:lle, kuinka vastata kysymyksiin, ihmisen annotaattori luo nimetyn tietojoukon ihmisen luomista kysymys- ja vastauspareista osoittaakseen, kuinka kysymys-vastausvuorovaikutus toimii kielellisesti ja mitä sisältö tarkoittaa semanttisesti. Tällainen SFT kouluttaa mallin tunnistamaan käyttäytymismalleja, jotka ihmiset ovat osoittaneet demonstraatioharjoitustiedoissa. Mallintuottajien on tehtävä tämän tyyppisiä hienosäätöjä osoittaakseen, että heidän mallinsa pystyvät suorittamaan tällaisia tehtäviä myöhemmän vaiheen käyttöönottajille. Sovellusten rakentajat, jotka käyttävät olemassa olevia perusmalleja generatiivisiin tekoälysovelluksiinsa, saattavat joutua hienosäätämään malliaan näiden tehtävien esittelytiedoilla toimialakohtaisilla tai yrityskohtaisilla tiedoilla parantaakseen sovellustensa osuvuutta ja tarkkuutta.
Asetustiedot ohjeiden viritykseen, kuten RLHF
Perusmallien yhdenmukaistamiseksi ihmisten mieltymysten kanssa mallien tuottajien – ja erityisesti sovellusten rakentajien – on luotava preferenssitietojoukkoja ohjeiden virittämiseksi. Käskyjen virityksen yhteydessä suositeltava data on merkitty dataa, joka kaappaa ihmisen palautteen suhteessa generatiivisen perusmallin tuottamaan optiosarjaan. Se sisältää tyypillisesti useiden päätelmien luokittelun tai paremmuusjärjestyksen tai kahden perusmallin johtopäätöksen vertaamisen pareittain tietyn ominaisuuden mukaan. LLM:ille nämä ominaisuudet voivat olla hyödyllisyys, tarkkuus ja vaarattomuus. Tekstistä kuvaksi -malleissa se voi olla esteettinen laatu tai teksti-kuvan kohdistus. Näitä ihmisen palautteeseen perustuvia preferenssitietoja voidaan sitten käyttää erilaisissa ohjeiden viritysmenetelmissä – mukaan lukien RLHF:ssä – mallin hienosäätämiseksi edelleen vastaamaan ihmisen mieltymyksiä.
Ohjeiden virittämisellä preferenssitiedoilla on keskeinen rooli perustusmallien personoinnin ja tehokkuuden parantamisessa. Tämä on keskeinen vaihe räätälöityjen sovellusten rakentamisessa valmiiksi koulutettujen perusmallien päälle, ja se on tehokas tapa varmistaa, että mallit tuottavat hyödyllistä, tarkkaa ja vaaratonta sisältöä. Yleinen esimerkki ohjeiden virittämisestä on ohjeistaa chatbottia luomaan kolme vastausta kyselyyn ja saada ihmisen lukemaan ja luokittelemaan kaikki kolme jonkin tietyn ulottuvuuden, kuten myrkyllisyyden, faktatarkkuuden tai luettavuuden, mukaan. Yritys voi esimerkiksi käyttää chatbotia markkinointiosastollaan ja haluaa varmistaa, että sisältö on linjassa sen brändiviestin kanssa, se ei osoita ennakkoluuloja ja on selkeästi luettavissa. Yritys kehottaisi chatbotia ohjeen virityksen aikana tuottamaan kolme esimerkkiä ja pyytämään sisäisiä asiantuntijoitaan valitsemaan ne, jotka parhaiten vastaavat heidän tavoitettaan. Ajan myötä he rakentavat tietojoukon, jota käytetään vahvistavan oppimisen avulla opettamaan mallille, millaista sisältöä ihmiset pitävät. Näin chatbot-sovellus voi tuottaa osuvampaa, luettavampaa ja turvallisempaa sisältöä.
SageMaker Ground Truth Plus
Ground Truth Plus auttaa sinua vastaamaan molempiin haasteisiin – luomaan esittelytietojoukkoja, joissa on tehtäväkohtaisia ominaisuuksia, sekä keräämällä mieltymystietojoukkoja ihmisten palautteesta mallien mukauttamiseksi ihmisten mieltymyksiin. Voit pyytää projekteja LLM:ille ja multimodaalisille malleille, kuten tekstistä kuvaksi ja tekstistä videoksi. LLM:n tärkeimmät esittelytietojoukot sisältävät kysymysten ja vastausten (Q&A), tekstin yhteenvedon, tekstin luomisen ja tekstin uudelleenkäsittelyn sisällön moderointia, tyylin tai pituuden muuttamista varten. Tärkeimmät LLM-asetustietojoukot sisältävät tekstitulosteiden ranking- ja luokittelun. Multimodaalisissa malleissa tärkeimpiä tehtävätyyppejä ovat kuvien tai videoiden tekstitys sekä tapahtumien aikaleimien kirjaaminen videoihin. Siksi Ground Truth Plus voi auttaa sekä mallintuottajia että sovellusten rakentajia heidän generatiivisella tekoälymatkallaan.
Tässä viestissä sukeltamme syvemmälle ihmisen annotaattori- ja palautematkaan neljässä tapauksessa, jotka kattavat sekä demonstraatiotiedot että preferenssitiedot sekä LLM:ille että multimodaalisille malleille: kysymys-vastausparien luominen ja tekstin luokittelu LLM:ille sekä kuvien kuvatekstit ja videotekstitys multimodaalisille malleille.
Suuret kielimallit
Tässä osiossa keskustelemme kysymys-vastauspareista ja tekstin sijoituksesta LLM:ille sekä mukautuksista, joita saatat haluta käyttöösi.
Kysymys ja vastaus parit
Seuraavassa kuvakaappauksessa näkyy merkintäkäyttöliittymä, jossa ihmisen annotaattori lukee tekstin ja luo sekä kysymyksiä että vastauksia K&V-esittelytietojoukon rakentamisen prosessissa.
Käydään läpi käyttöliittymän kierros annotaattorin kengissä. Käyttöliittymän vasemmalla puolella työnhakijan erityiset ohjeet esitetään annotaattorille. Tässä tapauksessa annotaattorin oletetaan lukevan käyttöliittymän keskellä oleva tekstikohta ja luoda tekstin perusteella kysymyksiä ja vastauksia. Oikealla puolella näkyvät kirjoittajan kirjoittamat kysymykset ja vastaukset. Työnhakija voi mukauttaa tekstin osan sekä kysymysten ja vastausten tyypin, pituuden ja lukumäärän projektin asennuksen aikana Ground Truth Plus -tiimin kanssa. Tässä tapauksessa annotaattori on luonut kysymyksen, johon vastaaminen edellyttää koko tekstikohdan ymmärtämistä ja joka on merkitty Viittaa koko kappaleeseen valintaruutu. Kaksi muuta kysymystä ja vastausta perustuvat tiettyihin tekstiosien osiin, kuten annotaattorin korostukset osoittavat värikoodatuilla vastaavuuksilla. Vaihtoehtoisesti voit pyytää, että kysymykset ja vastaukset luodaan ilman annettua tekstikohtaa, ja antaa muita ohjeita ihmiskirjoittajille – tätä tukee myös Ground Truth Plus.
Kun kysymykset ja vastaukset on lähetetty, ne voivat siirtyä valinnaiseen laadunvalvontasilmukan työnkulkuun, jossa muut tarkastajat vahvistavat, että asiakkaan määrittämä jakelu ja kysymys- ja vastaustyypit on luotu. Jos asiakkaan vaatimusten ja ihmisen annotaattorin tuottaman välillä on epäsuhta, työ ohjataan takaisin ihmiselle työstettäväksi ennen kuin se viedään osana tietojoukkoa asiakkaalle toimitettavaksi. Kun tietojoukko toimitetaan takaisin sinulle, se on valmis sisällytettäväksi valvottuun hienosäätötyönkulkuun oman harkintasi mukaan.
Tekstin sijoitus
Seuraavassa kuvakaappauksessa näkyy käyttöliittymä, jolla LLM:n tuotokset luokitellaan kehotteen perusteella.
Voit yksinkertaisesti kirjoittaa ohjeet ihmisarvostelijalle ja tuoda kehotteet ja valmiit vastaukset Ground Truth Plus -projektitiimille työn aloittamiseksi. Tässä tapauksessa olemme pyytäneet arvioijaa luokittelemaan kolme vastausta LLM:n kehotteita kohti kirjoituksen selkeyden (luettavuuden) suhteen. Jälleen vasemmassa ruudussa näkyvät työn hakijan tarkistajalle antamat ohjeet. Keskellä kehote on sivun yläosassa, ja kolme valmiiksi luotua vastausta ovat pääosassa käytön helpottamiseksi. Käyttöliittymän oikealla puolella ihmisarvostelija asettaa ne järjestykseen selkeimmästä kirkkaampaan.
Asiakkaita, jotka haluavat luoda tämän tyyppisiä mieltymystietojoukkoja, ovat muun muassa sovellusten rakentajat, jotka ovat kiinnostuneita ihmisen kaltaisten chatbottien rakentamisesta ja haluavat siksi muokata ohjeita omaan käyttöönsä. Kehotteen pituutta, vastausten määrää ja sijoitusulottuvuutta voidaan mukauttaa. Voit esimerkiksi asettaa viisi vastausta paremmuusjärjestykseen tarkimman tai vähiten tosiasiallisesti tarkan, puolueellisen tai myrkyllisen järjestyksessä tai jopa asettaa ja luokitella useita ulottuvuuksia samanaikaisesti. Ground Truth Plus tukee näitä mukautuksia.
Multimodaaliset mallit
Tässä osiossa keskustelemme kuvien ja videoiden kuvateksteistä multimodaalisten mallien, kuten tekstistä kuvaksi ja tekstistä videoksi -mallien, koulutukseen, sekä mukautuksista, joita voit halutessasi tehdä omaan käyttötapaasi varten.
Kuvan tekstitys
Seuraavassa kuvakaappauksessa näkyy merkintäkäyttöliittymä kuvien tekstitystä varten. Voit pyytää projektia kuvien tekstityksillä keräämään tietoja tekstistä kuvaksi - tai kuvasta tekstiksi -mallin kouluttamiseksi.
Tässä tapauksessa olemme pyytäneet tekstistä kuvaksi -mallin kouluttamista ja asettaneet kuvateksille erityisiä pituutta ja yksityiskohtia koskevia vaatimuksia. Käyttöliittymä on suunniteltu ohjaamaan ihmisen annotaattorit monipuolisten tekstitysten luomisen kognitiivisen prosessin läpi tarjoamalla henkinen kehys avustavien ja kuvailevien työkalujen avulla. Olemme havainneet, että tämän henkisen kehyksen tarjoaminen merkintöjen kirjoittajille tuottaa kuvaavampia ja tarkempia kuvatekstejä kuin pelkän muokattavan tekstilaatikon tarjoaminen.
Ensimmäinen vaihe viitekehyksessä on, että ihmisen annotaattori tunnistaa kuvan keskeiset kohteet. Kun annotaattori valitsee kuvasta kohteen, objektiin ilmestyy värikoodattu piste. Tässä tapauksessa annotaattori on valinnut sekä koiran että kissan ja luonut käyttöliittymän oikealle puolelle kaksi muokattavissa olevaa kenttää, joihin kirjoittaja kirjoittaa objektien nimet – kissa ja koira – sekä yksityiskohtaisen kuvauksen jokaisesta kohteesta. Seuraavaksi annotaattoria ohjataan tunnistamaan kaikki suhteet kuvan kaikkien objektien välillä. Tässä tapauksessa kissa rentoutuu koiran vieressä. Seuraavaksi annotaattoria pyydetään tunnistamaan kuvan tietyt attribuutit, kuten asetus, tausta tai ympäristö. Lopuksi kuvatekstisyötön tekstikentässä annotaattoria kehotetaan yhdistämään kaikki, mitä he kirjoittivat objektien, suhteiden ja kuva-asetusten kenttiin, täydelliseksi yhdeksi kuvaavaksi kuvatekstiksi.
Vaihtoehtoisesti voit määrittää tämän kuvatekstin läpäisemään ihmispohjaisen laaduntarkistussilmukan erityisten ohjeiden avulla varmistaaksesi, että kuvateksti täyttää vaatimukset. Jos havaitaan ongelma, kuten puuttuva avainobjekti, tämä kuvateksti voidaan lähettää takaisin, jotta ihminen korjaa ongelman ennen vientiä osana koulutustietojoukkoa.
Videon tekstitys
Seuraavassa kuvakaappauksessa näkyy videon tekstityskäyttöliittymä, jolla luodaan monipuoliset videotekstitykset aikaleimatunnisteilla. Voit pyytää videotekstitysprojektia tietojen keräämiseksi tekstistä videoksi tai videosta tekstiksi -mallien luomiseksi.
Tässä merkintäkäyttöliittymässä olemme rakentaneet samanlaisen henkisen kehyksen varmistaaksemme korkealaatuisten tekstitysten kirjoittamisen. Ihmisen annotaattori voi ohjata videota vasemmalla puolella ja luoda kuvauksia ja aikaleimoja jokaiselle videon oikealla puolelle näytettävälle toiminnalle käyttöliittymäelementeillä. Kuten kuvien tekstityskäyttöliittymässä, siellä on myös paikka, jossa annotaattori voi kirjoittaa yksityiskohtaisen kuvauksen videon asetuksista, taustasta ja ympäristöstä. Lopuksi annotaattoria kehotetaan yhdistämään kaikki elementit yhtenäiseksi videotekstiksi.
Kuvatekstien tapauksen tapaan videotekstit voivat halutessaan kulkea ihmislähtöisen laadunvalvontatyönkulun läpi sen määrittämiseksi, täyttyvätkö vaatimukset. Jos videon tekstityksissä on ongelma, se lähetetään muokattavaksi annotaattorityöntekijän toimesta.
Yhteenveto
Ground Truth Plus voi auttaa sinua valmistamaan korkealaatuisia tietojoukkoja ja hienosäätämään perusmalleja luovia tekoälytehtäviä varten kysymyksiin vastaamisesta kuvien ja videoiden luomiseen. Sen avulla myös ammattitaitoiset työvoimat voivat tarkastella mallien tuotoksia varmistaakseen, että ne ovat ihmisten mieltymysten mukaisia. Lisäksi sen avulla sovellusten rakentajat voivat mukauttaa malleja toimialansa tai yrityksensä tietojen perusteella varmistaakseen, että heidän sovelluksensa edustaa heidän haluamaansa ääntä ja tyyliä. Nämä ovat ensimmäiset Ground Truth Plusin monista innovaatioista, ja lisää on kehitteillä. Pysy kuulolla tulevia postauksia varten.
Oletko kiinnostunut aloittamaan projektin luovien tekoälymallien ja -sovellusten rakentamiseksi tai parantamiseksi? Aloita Ground Truth Plus:n käyttö yhteyttä tiimiimme tänään.
Tietoja kirjoittajista
Jesse Manders on vanhempi tuotepäällikkö AWS AI/ML -ihmisessä silmukkapalveluiden tiimissä. Hän työskentelee tekoälyn ja ihmisten vuorovaikutuksen risteyksessä tavoitteenaan luoda ja parantaa AI/ML-tuotteita ja -palveluita tarpeisiimme. Aiemmin Jesse toimi johtotehtävissä suunnittelussa Applella ja Lumiledsilla ja oli vanhempi tutkija Piilaakson startupissa. Hän on MS-tutkinto ja tohtori. Floridan yliopistosta ja MBA-tutkinto Kalifornian yliopistosta Berkeleystä, Haas School of Businessista.
Romi Datta on tuotehallinnan johtaja Amazon SageMaker -tiimissä, joka vastaa Human in the Loop -palveluista. Hän on työskennellyt AWS:ssä yli 4 vuotta ja hänellä on useita tuotehallinnan johtotehtäviä SageMakerissa, S3:ssa ja IoT:ssä. Ennen AWS:ää hän työskenteli erilaisissa tuotehallinnan, suunnittelun ja operatiivisen johtamisen tehtävissä IBM:llä, Texas Instrumentsilla ja Nvidialla. Hän on MS-tutkinto ja tohtori. sähkö- ja tietokonetekniikan tutkinnon Texasin yliopistosta Austinista ja MBA-tutkinnon Chicagon yliopiston Booth School of Businessista.
Jonathan Buck on ohjelmistosuunnittelija Amazon Web Servicesissä, joka työskentelee koneoppimisen ja hajautettujen järjestelmien risteyksessä. Hänen työhönsä kuuluu koneoppimismallien tuottaminen ja uusien koneoppimisen tukemien ohjelmistosovellusten kehittäminen tuomaan uusimmat ominaisuudet asiakkaiden käsiin.
Alex Williams on soveltava tutkija AWS AI:n human-in-the-loop -tieteiden tiimissä, jossa hän suorittaa interaktiivista järjestelmätutkimusta ihmisen ja tietokoneen välisen vuorovaikutuksen (HCI) ja koneoppimisen risteyksessä. Ennen Amazonille tuloaan hän toimi professorina Tennesseen yliopiston sähkötekniikan ja tietojenkäsittelytieteen laitoksella, jossa hän johti PAIRS-tutkimuslaboratoriota. Hän on myös toiminut tutkimustehtävissä Microsoft Researchissä, Mozilla Researchissa ja Oxfordin yliopistossa. Hän julkaisee säännöllisesti töitään HCI:n johtavissa julkaisupaikoissa, kuten CHI, CSCW ja UIST. Hän on valmistunut tohtoriksi Waterloon yliopistosta.
Sarah Gao on ohjelmistokehityspäällikkö Amazon SageMaker Human In the Loopissa (HIL), joka vastaa ML-pohjaisen merkintäalustan rakentamisesta. Sarah on työskennellyt AWS:ssä yli 4 vuotta, ja hänellä on useita ohjelmistohallinnan johtotehtäviä EC2-tietoturva- ja SageMaker-aloilla. Ennen AWS:ää hän työskenteli erilaisissa suunnittelun johtotehtävissä Oraclen ja Sun Microsystemin palveluksessa.
Erran Li on soveltava tiedepäällikkö human-in-the-loop -palveluissa, AWS AI, Amazon. Hänen tutkimusalueitaan ovat 3D-syväoppiminen sekä visio- ja kielenesitysoppiminen. Aiemmin hän oli vanhempi tutkija Alexa AI:ssä, koneoppimisen johtaja Scale AI:ssä ja päätutkija Pony.ai:ssa. Sitä ennen hän työskenteli Uber ATG:n havaintotiimin ja Uberin koneoppimisalustan tiimissä autonomisen ajamisen koneoppimisen, koneoppimisjärjestelmien ja tekoälyn strategisten aloitteiden parissa. Hän aloitti uransa Bell Labsissa ja oli dosentti Columbian yliopistossa. Hän opetti opetusohjelmia ICML'17:ssä ja ICCV'19:ssä ja järjesti useita työpajoja NeurIPS:ssä, ICML:ssä, CVPR:ssä ja ICCV:ssä autonomisen ajamisen koneoppimisesta, 3D-näöstä ja robotiikasta, koneoppimisjärjestelmistä ja kilpailevasta koneoppimisesta. Hän on koulutukseltaan tietojenkäsittelytieteen tohtori Cornellin yliopistossa. Hän on ACM Fellow ja IEEE Fellow.
- SEO-pohjainen sisällön ja PR-jakelu. Vahvista jo tänään.
- PlatoAiStream. Web3 Data Intelligence. Tietoa laajennettu. Pääsy tästä.
- Tulevaisuuden lyöminen Adryenn Ashley. Pääsy tästä.
- Osta ja myy osakkeita PRE-IPO-yhtiöissä PREIPO®:lla. Pääsy tästä.
- Lähde: https://aws.amazon.com/blogs/machine-learning/high-quality-human-feedback-for-your-generative-ai-applications-from-amazon-sagemaker-ground-truth-plus/
- :on
- :On
- :ei
- :missä
- $ YLÖS
- 100
- 3d
- 7
- a
- pystyy
- Meistä
- TIIVISTELMÄ
- akateeminen
- Mukaan
- tarkkuus
- tarkka
- ACM
- toiminta
- Lisäksi
- osoite
- lapseksi
- edistysaskeleet
- kontradiktorisen
- Mainos
- uudelleen
- aineet
- AI
- ai taide
- AI / ML
- Alexa
- kohdista
- linjassa
- suuntaus
- Kaikki
- sallia
- mahdollistaa
- yksin
- pitkin
- Myös
- Amazon
- Amazon Sage Maker
- Amazon SageMaker Ground Totuus
- Amazon Web Services
- keskuudessa
- an
- ja
- vastaus
- vastauksia
- näyttää
- omena
- Hakemus
- sovellukset
- sovellettu
- OVAT
- noin
- Art
- AS
- Varat
- avustajat
- liittyvä
- At
- attribuutteja
- Austin
- autonominen
- saatavissa
- AWS
- takaisin
- tausta
- perustua
- BE
- ollut
- ennen
- ovat
- Soittokello
- Berkeley
- välillä
- puolueellinen
- harhat
- elin
- sekä
- Laatikko
- merkki
- tuoda
- rakentaa
- rakentaja
- rakentajat
- Rakentaminen
- rakennettu
- liiketoiminta
- bisnesvaisto
- mutta
- by
- Kalifornia
- CAN
- kyvyt
- kykenee
- kuvatekstit
- kaappaa
- joka
- Ura
- tapaus
- tapauksissa
- KISSA
- keskus
- muuttaa
- chatbot
- chatbots
- tarkastaa
- Chicago
- päällikkö
- valittu
- selkeys
- luokitella
- selkeä
- selvästi
- kognitiivinen
- JOHDONMUKAINEN
- COLUMBIA
- yhdistää
- Yhteinen
- Yritykset
- yritys
- vertaamalla
- täydellinen
- Valmistunut
- tietokone
- Tietotekniikka
- Tietojenkäsittelyoppi
- käsite
- toimintatapoja,
- luottamus
- Vahvistaa
- pitoisuus
- tausta
- ohjaus
- Cornell
- Yrityksen
- korjata
- voisi
- päällyste
- luoda
- luotu
- Luominen
- luominen
- Luova
- ratkaiseva
- asiakassuhde
- asiakas
- Asiakkaat
- räätälöidä
- räätälöityjä
- Vaarallinen
- tiedot
- aineistot
- syvä
- syvä oppiminen
- syvempää
- toimittaa
- toimitettu
- osoittaa
- osoittivat
- osasto
- kuvaus
- Malli
- suunniteltu
- Suunnittelija
- yksityiskohta
- yksityiskohtainen
- Määrittää
- kehittämällä
- Kehitys
- eri
- Ulottuvuus
- mitat
- harkinnan
- pohtia
- jaettu
- hajautetut järjestelmät
- jakelu
- do
- ei
- Koira
- tehty
- Dont
- DOT
- ajo
- aikana
- kukin
- helpottaa
- helppokäyttöisyys
- tehokkuuden
- elementtejä
- mahdollistaa
- harjoittaa
- insinööri
- Tekniikka
- parantaa
- varmistaa
- enter
- Koko
- ympäristö
- erityisesti
- Jopa
- Tapahtumat
- esimerkki
- Esimerkit
- näyttely
- olemassa
- asiantuntija
- asiantuntemus
- asiantuntijat
- palaute
- kaveri
- Fields
- Elokuva
- Vihdoin
- Etunimi
- Florida
- virtaus
- seurata
- jälkeen
- varten
- muoto
- löytyi
- perusta
- neljä
- Puitteet
- alkaen
- edelleen
- tulevaisuutta
- peli
- pelin kehittäminen
- GAO
- kerätä
- keräys
- general
- tuottaa
- syntyy
- tuottaa
- sukupolvi
- generatiivinen
- Generatiivinen AI
- generaattorit
- saada
- saada
- tietty
- tavoite
- Graafinen
- Maa
- ohjaavat
- suuntaviivat
- HAD
- käsissä
- haitallinen
- Olla
- HCl:
- he
- pää
- raskas
- raskas nosto
- sankari
- auttaa
- hyödyllinen
- auttaa
- Korkea
- korkealaatuisia
- raidat
- erittäin
- hänen
- pito
- pitää
- Miten
- Miten
- HTML
- HTTPS
- ihmisen
- Ihmiset
- IBM
- tunnistettu
- tunnistaa
- IEEE
- if
- laiton
- kuva
- kuvien
- tärkeä
- parantaa
- parantaminen
- in
- epätarkka
- sisältää
- sisältää
- sisällyttää
- teollisuus
- toimialakohtaiset
- aloitteita
- innovaatiot
- panos
- ohjeet
- välineet
- Älykkyys
- tarkoitettu
- Tarkoitus
- vuorovaikutus
- vuorovaikutukset
- vuorovaikutteinen
- kiinnostunut
- etu
- rajapinnat
- sisäinen
- leikkauspiste
- tulee
- Esineiden internet
- kysymys
- kysymykset
- IT
- SEN
- itse
- Job
- tuloaan
- matka
- jpg
- vain
- avain
- laji
- tuntemus
- merkinnät
- tarrat
- laboratorio
- Labs
- Kieli
- suuri
- uusin
- Johto
- OPPIA
- oppiminen
- vähiten
- vasemmalle
- Pituus
- nosto
- RAJOITA
- OTK
- hakkuu
- logo
- kone
- koneoppiminen
- tärkein
- tehdä
- johto
- johtaja
- hallinnoi
- toimitusjohtaja
- monet
- merkitty
- Marketing
- matching
- Saattaa..
- merkitys
- välineet
- Tavata
- Meets
- henkinen
- viesti
- menetelmä
- menetelmät
- Microsoft
- puuttuva
- ML
- malli
- mallit
- maltillisuus
- lisää
- eniten
- mozilla
- multimedia
- moninkertainen
- täytyy
- nimet
- Luonnollinen
- Tarve
- tarpeet
- Uusi
- seuraava
- Nro
- romaani
- nyt
- numero
- Nvidia
- objekti
- esineet
- of
- on
- yhdet
- vain
- toiminta-
- Vaihtoehdot
- or
- oraakkeli
- tilata
- Muut
- meidän
- ulostulo
- yli
- oma
- Oxford
- sivulla
- pari
- paria
- lasi
- osa
- erityinen
- osat
- Hyväksytty
- kuviot
- Ihmiset
- havainto
- Suorittaa
- esittävä
- henkilöstö
- Personointi
- Paikka
- foorumi
- Platon
- Platonin tietotieto
- PlatonData
- soittaa
- plus
- kantoja
- Kirje
- Viestejä
- powered
- voimakas
- mieluummin
- mieltymykset
- Suositut
- johtava
- Valmistella
- valmistelee
- esitetty
- aiemmin
- Aikaisempi
- Ongelma
- ongelmia
- prosessi
- tuottaa
- valmistettu
- tuottaja
- tuottajat
- Tuotteet
- tuotehallinta
- tuotepäällikkö
- tuottavuus
- Tuotteemme
- Opettaja
- projekti
- hankkeet
- toimittaa
- mikäli
- tarjoamalla
- Julkaisu
- Julkaisee
- tarkoitus
- tarkoituksiin
- laittaa
- Kysymyksiä ja vastauksia
- laatu
- kysymys
- kysymykset
- Sijoitus
- luokitus
- Lue
- valmis
- realistinen
- äskettäinen
- tunnistaa
- säännöllisesti
- liittyvä
- Ihmissuhteet
- merkityksellinen
- luottaa
- poistamalla
- edustus
- edustaa
- maine
- pyyntö
- pyynnöt
- tarvitaan
- vaatimukset
- Vaatii
- tutkimus
- kunnioittaminen
- Vastata
- vastaus
- vasteet
- vastuullinen
- tulokset
- arviot
- Rikas
- oikein
- Riski
- riskeeraa
- robotiikka
- Rooli
- roolit
- s
- turvallista
- sagemaker
- Asteikko
- mittakaava ai
- Koulu
- tiede
- Tiedemies
- Osa
- turvallisuus
- vanhempi
- sensible
- lähetetty
- Palvelut
- palvelevat
- setti
- Setit
- asetus
- setup
- useat
- Jaa:
- hän
- näyttää
- esitetty
- Näytä
- puoli
- Pii
- Silicon Valley
- samankaltainen
- yksinkertaisesti
- samanaikaisesti
- single
- taitava
- Tuotteemme
- ohjelmistokehitys
- Software Engineer
- SOLVE
- jonkin verran
- jotain
- erityinen
- määritelty
- Alkaa
- alkoi
- Aloita
- käynnistyksen
- pysyä
- Vaihe
- Strateginen
- tyyli
- toimitettu
- aine
- niin
- yhteenveto
- YHTEENVETO
- aurinko
- Tuetut
- tarkoitus
- järjestelmät
- ottaa
- otettava
- Tehtävä
- tehtävät
- Opetus
- joukkue-
- Tennessee
- ehdot
- texas
- kuin
- että
- -
- maailma
- heidän
- Niitä
- sitten
- Siellä.
- siksi
- Nämä
- ne
- tätä
- kolmella
- Kautta
- aika
- aikaleima
- että
- tänään
- työkalut
- ylin
- aihe
- soveltuu
- Juna
- koulutettu
- koulutus
- junat
- Totuus
- opetusohjelmat
- kaksi
- tyyppi
- tyypit
- tyypillisesti
- Uber
- ui
- ymmärtäminen
- yliopisto
- University of California
- University of Chicago
- Oxfordin yliopisto
- käyttää
- käyttölaukku
- käytetty
- käyttäjä
- käyttämällä
- Laakso
- lajike
- eri
- tapahtumapaikat
- Video
- videopeli
- Videoita
- visio
- Ääni
- haluta
- haluavat
- haluaa
- oli
- we
- verkko
- verkkopalvelut
- HYVIN
- Mitä
- kun
- joka
- KUKA
- koko
- tulee
- with
- ilman
- Referenssit
- työskenteli
- työnkulku
- työnkulkuja
- työvoima
- työskentely
- toimii
- Työpajat
- maailman-
- olisi
- kirjoittaa
- kirjoittaminen
- kirjallinen
- vuotta
- Voit
- Sinun
- zephyrnet