सामग्री मॉडरेशन ऑनलाइन सुरक्षा बनाए रखने और वेबसाइटों और सोशल मीडिया प्लेटफार्मों के मूल्यों और मानकों को बनाए रखने में महत्वपूर्ण भूमिका निभाता है। इसका महत्व उस सुरक्षा से रेखांकित होता है जो यह उपयोगकर्ताओं को अनुचित सामग्री के संपर्क से बचाता है, डिजिटल स्थानों में उनकी भलाई की रक्षा करता है। उदाहरण के लिए, विज्ञापन उद्योग में, सामग्री मॉडरेशन ब्रांडों को प्रतिकूल संघों से बचाने का काम करता है, जिससे ब्रांड उन्नयन और राजस्व वृद्धि में योगदान होता है। विज्ञापनदाता अपनी प्रतिष्ठा बनाए रखने और नकारात्मक प्रचार से बचने के लिए उचित सामग्री के साथ अपने ब्रांड के संरेखण को प्राथमिकता देते हैं। सामग्री मॉडरेशन वित्त और स्वास्थ्य सेवा क्षेत्रों में भी महत्वपूर्ण महत्व रखता है, जहां यह कई कार्य करता है। यह संवेदनशील व्यक्तिगत पहचान योग्य और स्वास्थ्य जानकारी (पीआईआई, पीएचआई) की पहचान करने और उसकी सुरक्षा करने में महत्वपूर्ण भूमिका निभाता है। आंतरिक मानकों और प्रथाओं का पालन करके और बाहरी नियमों का अनुपालन करके, सामग्री मॉडरेशन उपयोगकर्ताओं के लिए डिजिटल सुरक्षा को बढ़ाता है। इस तरह, यह सार्वजनिक प्लेटफार्मों पर गोपनीय डेटा के अनजाने साझाकरण को रोकता है, जिससे उपयोगकर्ता की गोपनीयता और डेटा सुरक्षा का संरक्षण सुनिश्चित होता है।
इस पोस्ट में, हम मल्टी-मोडल प्री-ट्रेनिंग और एक बड़े भाषा मॉडल (एलएलएम) के साथ छवि डेटा पर सामग्री मॉडरेशन करने के लिए एक उपन्यास विधि पेश करते हैं। मल्टी-मोडल प्री-ट्रेनिंग के साथ, हम रुचि के प्रश्नों के एक सेट के आधार पर सीधे छवि सामग्री से पूछताछ कर सकते हैं और मॉडल इन सवालों का जवाब देने में सक्षम होगा। यह उपयोगकर्ताओं को यह पुष्टि करने के लिए छवि के साथ चैट करने में सक्षम बनाता है कि क्या इसमें कोई अनुचित सामग्री है जो संगठन की नीतियों का उल्लंघन करती है। हम सुरक्षित/असुरक्षित लेबल और श्रेणी प्रकार सहित अंतिम निर्णय लेने के लिए एलएलएम की शक्तिशाली उत्पादन क्षमता का उपयोग करते हैं। इसके अलावा, एक प्रॉम्प्ट डिज़ाइन करके, हम एलएलएम को परिभाषित आउटपुट प्रारूप, जैसे कि JSON प्रारूप, उत्पन्न कर सकते हैं। डिज़ाइन किया गया प्रॉम्प्ट टेम्प्लेट एलएलएम को यह निर्धारित करने की अनुमति देता है कि क्या छवि मॉडरेशन नीति का उल्लंघन करती है, उल्लंघन की श्रेणी की पहचान करती है, क्यों समझाती है, और एक संरचित JSON प्रारूप में आउटपुट प्रदान करती है।
हम का उपयोग करें ब्लिप-2 मल्टी-मॉडल प्री-ट्रेनिंग पद्धति के रूप में। BLIP-2 मल्टी-मोडल प्री-ट्रेनिंग में अत्याधुनिक मॉडलों में से एक है और दृश्य प्रश्न उत्तर, छवि कैप्शनिंग और छवि पाठ पुनर्प्राप्ति में अधिकांश मौजूदा तरीकों से बेहतर प्रदर्शन करता है। हमारे एलएलएम के लिए, हम उपयोग करते हैं लामा 2, अगली पीढ़ी का ओपन-सोर्स एलएलएम, जो तर्क, कोडिंग, दक्षता और ज्ञान परीक्षण सहित कई बेंचमार्क पर मौजूदा ओपन-सोर्स भाषा मॉडल से बेहतर प्रदर्शन करता है. निम्नलिखित चित्र समाधान घटकों को दर्शाता है।
सामग्री मॉडरेशन में चुनौतियाँ
पारंपरिक सामग्री मॉडरेशन विधियां, जैसे मानव-आधारित मॉडरेशन, उपयोगकर्ता-जनित सामग्री (यूजीसी) की बढ़ती मात्रा के साथ तालमेल नहीं बिठा सकती हैं। जैसे-जैसे यूजीसी की मात्रा बढ़ती है, मानव मॉडरेटर अभिभूत हो सकते हैं और सामग्री को प्रभावी ढंग से मॉडरेट करने के लिए संघर्ष कर सकते हैं। इसके परिणामस्वरूप खराब उपयोगकर्ता अनुभव, उच्च मॉडरेशन लागत और ब्रांड जोखिम होता है। मानव-आधारित मॉडरेशन में भी त्रुटियां होने की संभावना होती है, जिसके परिणामस्वरूप असंगत मॉडरेशन और पक्षपातपूर्ण निर्णय हो सकते हैं। इन चुनौतियों का समाधान करने के लिए, मशीन लर्निंग (एमएल) द्वारा संचालित सामग्री मॉडरेशन एक समाधान के रूप में उभरा है। एमएल एल्गोरिदम यूजीसी की बड़ी मात्रा का विश्लेषण कर सकते हैं और संगठन की नीतियों का उल्लंघन करने वाली सामग्री की पहचान कर सकते हैं। एमएल मॉडल को पैटर्न को पहचानने और नफरत फैलाने वाले भाषण, स्पैम और अनुचित सामग्री जैसी समस्याग्रस्त सामग्री की पहचान करने के लिए प्रशिक्षित किया जा सकता है। अध्ययन के अनुसार एआई-संचालित सामग्री मॉडरेशन के साथ अपने उपयोगकर्ताओं, ब्रांड और बजट को सुरक्षित रखें, एमएल-संचालित सामग्री मॉडरेशन संगठनों को 95% तक समय पुनः प्राप्त करने में मदद कर सकता है जब उनकी टीमें सामग्री को मैन्युअल रूप से मॉडरेट करने में खर्च करती हैं। यह संगठनों को अपने संसाधनों को सामुदायिक निर्माण और सामग्री निर्माण जैसे अधिक रणनीतिक कार्यों पर केंद्रित करने की अनुमति देता है। एमएल-संचालित सामग्री मॉडरेशन मॉडरेशन लागत को भी कम कर सकता है क्योंकि यह मानव-आधारित मॉडरेशन से अधिक कुशल है।
एमएल-संचालित सामग्री मॉडरेशन के लाभों के बावजूद, इसमें अभी भी और सुधार की गुंजाइश है। एमएल एल्गोरिदम की प्रभावशीलता काफी हद तक उस डेटा की गुणवत्ता पर निर्भर करती है जिस पर उन्हें प्रशिक्षित किया जाता है। जब मॉडलों को पक्षपातपूर्ण या अपूर्ण डेटा का उपयोग करके प्रशिक्षित किया जाता है, तो वे गलत मॉडरेशन निर्णय ले सकते हैं, जिससे संगठनों को ब्रांड जोखिमों और संभावित कानूनी देनदारियों का सामना करना पड़ सकता है। सामग्री मॉडरेशन के लिए एमएल-आधारित दृष्टिकोण अपनाने से कई चुनौतियाँ आती हैं जिन पर सावधानीपूर्वक विचार करने की आवश्यकता होती है। इन चुनौतियों में शामिल हैं:
- लेबल किया गया डेटा प्राप्त करना - यह एक महंगी प्रक्रिया हो सकती है, विशेष रूप से जटिल सामग्री मॉडरेशन कार्यों के लिए जिनके लिए प्रशिक्षण लेबलर्स की आवश्यकता होती है। यह लागत पर्यवेक्षित एमएल मॉडल को आसानी से प्रशिक्षित करने के लिए पर्याप्त बड़े डेटासेट इकट्ठा करना चुनौतीपूर्ण बना सकती है। इसके अतिरिक्त, मॉडल की सटीकता काफी हद तक प्रशिक्षण डेटा की गुणवत्ता पर निर्भर करती है, और पक्षपाती या अपूर्ण डेटा के परिणामस्वरूप गलत मॉडरेशन निर्णय हो सकते हैं, जिससे ब्रांड जोखिम और कानूनी देनदारियां हो सकती हैं।
- मॉडल सामान्यीकरण - एमएल-आधारित दृष्टिकोण अपनाने के लिए यह महत्वपूर्ण है। एक डेटासेट पर प्रशिक्षित मॉडल दूसरे डेटासेट के लिए अच्छी तरह से सामान्यीकृत नहीं हो सकता है, खासकर यदि डेटासेट का वितरण अलग-अलग हो। इसलिए, यह सुनिश्चित करना आवश्यक है कि मॉडल को विविध और प्रतिनिधि डेटासेट पर प्रशिक्षित किया जाए ताकि यह सुनिश्चित किया जा सके कि यह नए डेटा को अच्छी तरह से सामान्यीकृत कर सके।
- कार्यकारी कुशलता - सामग्री मॉडरेशन के लिए पारंपरिक एमएल-आधारित दृष्टिकोण का उपयोग करते समय यह एक और चुनौती है। लगातार नए लेबल जोड़ना और नई कक्षाएं जुड़ने पर मॉडल को फिर से प्रशिक्षित करना समय लेने वाला और महंगा हो सकता है। इसके अतिरिक्त, यह सुनिश्चित करना आवश्यक है कि मॉडरेट की जा रही सामग्री में परिवर्तनों को बनाए रखने के लिए मॉडल को नियमित रूप से अपडेट किया जाता है।
- व्याख्या करने योग्य - यदि सामग्री को बिना किसी औचित्य के चिह्नित किया जाता है या हटा दिया जाता है, तो अंतिम उपयोगकर्ता प्लेटफ़ॉर्म को पक्षपाती या अन्यायपूर्ण मान सकते हैं, जिसके परिणामस्वरूप उपयोगकर्ता का अनुभव खराब हो सकता है। इसी तरह, स्पष्ट स्पष्टीकरण की अनुपस्थिति सामग्री मॉडरेशन प्रक्रिया को अप्रभावी, समय लेने वाली और मॉडरेटर के लिए महंगी बना सकती है।
- प्रतिकूल स्वभाव - छवि-आधारित सामग्री मॉडरेशन की प्रतिकूल प्रकृति पारंपरिक एमएल-आधारित दृष्टिकोणों के लिए एक अनूठी चुनौती प्रस्तुत करती है। बुरे अभिनेता विभिन्न तरीकों से सामग्री में परिवर्तन करके सामग्री मॉडरेशन तंत्र से बचने का प्रयास कर सकते हैं, जैसे कि छवियों के समानार्थक शब्द का उपयोग करना या गैर-अपमानजनक सामग्री के बड़े निकाय के भीतर अपनी वास्तविक सामग्री को एम्बेड करना। ऐसी प्रतिकूल रणनीति का पता लगाने और उसका जवाब देने के लिए मॉडल की निरंतर निगरानी और अद्यतन की आवश्यकता होती है।
BLIP-2 के साथ मल्टी-मोडल तर्क
मल्टी-मॉडैलिटी एमएल मॉडल उन मॉडलों को संदर्भित करते हैं जो कई स्रोतों या तौर-तरीकों से डेटा को संभाल और एकीकृत कर सकते हैं, जैसे कि चित्र, पाठ, ऑडियो, वीडियो और संरचित या असंरचित डेटा के अन्य रूप। लोकप्रिय मल्टी-मॉडलिटी मॉडल में से एक दृश्य-भाषा मॉडल है जैसे कि BLIP-2, जो दृश्य और पाठ्य सूचना दोनों को समझने और उत्पन्न करने के लिए कंप्यूटर विज़न और प्राकृतिक भाषा प्रसंस्करण (एनएलपी) को जोड़ता है। ये मॉडल कंप्यूटर को छवियों और पाठ के अर्थ की व्याख्या इस तरह से करने में सक्षम बनाते हैं जो मानवीय समझ की नकल करता है। विज़न-भाषा मॉडल विभिन्न प्रकार के कार्यों से निपट सकते हैं, जिनमें छवि कैप्शनिंग, छवि पाठ पुनर्प्राप्ति, दृश्य प्रश्न उत्तर देना और बहुत कुछ शामिल हैं। उदाहरण के लिए, एक छवि कैप्शनिंग मॉडल एक छवि का प्राकृतिक भाषा विवरण उत्पन्न कर सकता है, और एक छवि पाठ पुनर्प्राप्ति मॉडल एक पाठ क्वेरी के आधार पर छवियों की खोज कर सकता है। दृश्य प्रश्न उत्तर देने वाले मॉडल छवियों के बारे में प्राकृतिक भाषा के प्रश्नों का उत्तर दे सकते हैं, और मल्टी-मोडल चैटबॉट प्रतिक्रियाएं उत्पन्न करने के लिए दृश्य और पाठ्य इनपुट का उपयोग कर सकते हैं। सामग्री मॉडरेशन के संदर्भ में, आप इस क्षमता का उपयोग प्रश्नों की सूची के विरुद्ध क्वेरी करने के लिए कर सकते हैं।
BLIP-2 में तीन भाग होते हैं। पहला घटक एक जमे हुए छवि एनकोडर, सीएलआईपी से वीआईटी-एल/14 है, जो छवि डेटा को इनपुट के रूप में लेता है। दूसरा घटक एक जमे हुए एलएलएम, FlanT5 है, जो टेक्स्ट को आउटपुट करता है। तीसरा घटक एक प्रशिक्षित मॉड्यूल है जिसे क्यू-फॉर्मर कहा जाता है, एक हल्का ट्रांसफार्मर जो जमे हुए छवि एनकोडर को जमे हुए एलएलएम से जोड़ता है। क्यू-फॉर्मर जमे हुए छवि एनकोडर से दृश्य सुविधाओं को निकालने के लिए सीखने योग्य क्वेरी वैक्टर को नियोजित करता है और वांछित पाठ को आउटपुट करने के लिए एलएलएम को सबसे उपयोगी दृश्य सुविधा प्रदान करता है।
पूर्व-प्रशिक्षण प्रक्रिया में दो चरण शामिल हैं। पहले चरण में, क्यू-फॉर्मर को पाठ के लिए सबसे प्रासंगिक दृश्य प्रतिनिधित्व सीखने के लिए दृष्टि-भाषा प्रतिनिधित्व सीखना किया जाता है। दूसरे चरण में, क्यू-फॉर्मर के आउटपुट को फ्रोजन एलएलएम से जोड़कर और क्यू-फॉर्मर को आउटपुट विज़ुअल अभ्यावेदन के लिए प्रशिक्षित करके विज़न-टू-लैंग्वेज जेनरेटर लर्निंग किया जाता है, जिसे एलएलएम द्वारा व्याख्या किया जा सकता है।
BLIP-2 मौजूदा तरीकों की तुलना में काफी कम प्रशिक्षण योग्य पैरामीटर होने के बावजूद विभिन्न दृष्टि-भाषा कार्यों पर अत्याधुनिक प्रदर्शन प्राप्त करता है। मॉडल शून्य-शॉट छवि-से-पाठ पीढ़ी की उभरती क्षमताओं को भी प्रदर्शित करता है जो प्राकृतिक भाषा निर्देशों का पालन कर सकता है। निम्नलिखित चित्रण को संशोधित किया गया है मूल शोध पत्र.
समाधान अवलोकन
निम्नलिखित चित्र समाधान वास्तुकला को दर्शाता है।
निम्नलिखित अनुभागों में, हम प्रदर्शित करते हैं कि BLIP-2 को किसी में कैसे तैनात किया जाए अमेज़न SageMaker समापन बिंदु, और सामग्री मॉडरेशन के लिए BLIP-2 और LLM का उपयोग करें।
.. पूर्वापेक्षाएँ
आपको एक AWS खाते की आवश्यकता है AWS पहचान और अभिगम प्रबंधन समाधान के हिस्से के रूप में बनाए गए संसाधनों को प्रबंधित करने की अनुमति के साथ (IAM) भूमिका। विवरण के लिए, देखें एक स्टैंडअलोन AWS खाता बनाएं.
यदि आप पहली बार इसके साथ काम कर रहे हैं अमेज़ॅन सैजमेकर स्टूडियो, आपको सबसे पहले एक बनाना होगा सेजमेकर डोमेन. इसके अतिरिक्त, आपको संबंधित सेजमेकर होस्टिंग इंस्टेंसेस के लिए सेवा कोटा बढ़ाने का अनुरोध करने की आवश्यकता हो सकती है। BLIP-2 मॉडल के लिए, हम एक का उपयोग करते हैं ml.g5.2xlarge
सेजमेकर होस्टिंग उदाहरण। लामा 2 13बी मॉडल के लिए, हम एक का उपयोग करते हैं ml.g5.12xlarge
सेजमेकर होस्टिंग उदाहरण।
BLIP-2 को सेजमेकर एंडपॉइंट पर तैनात करें
आप इसका उपयोग करके सेजमेकर पर एलएलएम होस्ट कर सकते हैं बड़े मॉडल का अनुमान (एलएमआई) कंटेनर जो डीजेएलसर्विंग का उपयोग करके बड़े मॉडलों की मेजबानी के लिए अनुकूलित है। डीजेएलसर्विंग डीप जावा लाइब्रेरी (डीजेएल) द्वारा संचालित एक उच्च प्रदर्शन वाला सार्वभौमिक मॉडल सर्विंग समाधान है जो प्रोग्रामिंग भाषा अज्ञेयवादी है। डीजेएल और डीजेएलसर्विंग के बारे में अधिक जानने के लिए देखें DJLServing और DeepSpeed मॉडल के समानांतर अनुमान का उपयोग करके Amazon SageMaker पर बड़े मॉडल परिनियोजित करें. सेजमेकर एलएमआई कंटेनर की मदद से, बीएलआईपी-2 मॉडल को हगिंग फेस लाइब्रेरी के साथ आसानी से लागू किया जा सकता है और सेजमेकर पर होस्ट किया जा सकता है। तुम दौड़ सकते हो blip2-sagemaker.ipynb
इस कदम के लिए।
डॉकर छवि और मॉडल फ़ाइल तैयार करने के लिए, आपको डीजेएलसर्विंग की डॉकर छवि को पुनः प्राप्त करना होगा, अनुमान स्क्रिप्ट और कॉन्फ़िगरेशन फ़ाइलों को पैकेज करना होगा model.tar.gz
फ़ाइल, और इसे एक पर अपलोड करें अमेज़न सरल भंडारण सेवा (अमेज़ॅन S3) बाल्टी। आप इसका उल्लेख कर सकते हैं अनुमान स्क्रिप्ट और कॉन्फ़िगरेशन फ़ाइल अधिक जानकारी के लिए.
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)
जब डॉकर छवि और अनुमान संबंधी फ़ाइलें तैयार हो जाती हैं, तो आप मॉडल, एंडपॉइंट के लिए कॉन्फ़िगरेशन और एंडपॉइंट बनाते हैं:
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
)
जब समापन बिंदु स्थिति सेवा में हो जाती है, तो आप छवि कैप्शनिंग और निर्देशित शून्य-शॉट विज़न-टू-भाषा निर्माण कार्य के लिए समापन बिंदु को लागू कर सकते हैं। छवि कैप्शनिंग कार्य के लिए, आपको केवल एक छवि को अंतिम बिंदु तक भेजने की आवश्यकता है:
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)
निर्देशित शून्य-शॉट दृष्टि-से-भाषा निर्माण कार्य के लिए, इनपुट छवि के अलावा, आपको प्रश्न को एक संकेत के रूप में परिभाषित करने की आवश्यकता है:
base64_string = encode_image(test_image)
inputs = {"prompt": "Question: what happened in this photo? Answer:", "image": base64_string}
run_inference(endpoint_name, inputs)
सामग्री मॉडरेशन के लिए BLIP-2 और LLM का उपयोग करें
इस चरण में, आप दी गई छवि पर प्रश्न पूछ सकते हैं और छिपी हुई जानकारी प्राप्त कर सकते हैं। एलएलएम के साथ, आप प्रश्नों को व्यवस्थित करते हैं और JSON प्रारूप परिणाम उत्पन्न करने के लिए जानकारी पुनः प्राप्त करते हैं। आप इस कार्य को मोटे तौर पर निम्नलिखित दो उप-कार्यों में विभाजित कर सकते हैं:
- BLIP-2 मॉडल के साथ छवि से जानकारी निकालें।
- एलएलएम के साथ अंतिम परिणाम और स्पष्टीकरण तैयार करें।
BLIP-2 मॉडल के साथ छवि से जानकारी निकालें
दी गई छवि से पर्याप्त उपयोगी छिपी हुई जानकारी प्राप्त करने के लिए, आपको प्रश्नों को परिभाषित करने की आवश्यकता है। चूँकि प्रत्येक क्वेरी एक बार समापन बिंदु को लागू करेगी, इसलिए कई क्वेरीज़ के प्रसंस्करण में अधिक समय लगेगा। इसलिए, हमारा सुझाव है कि क्वेरीज़ को उच्च गुणवत्ता वाला बनाया जाए और सभी नीतियों को कवर किया जाए, लेकिन डुप्लिकेट किए बिना भी। हमारे नमूना कोड में, हम प्रश्नों को इस प्रकार परिभाषित करते हैं:
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?"
]
पूर्ववर्ती प्रश्नों के साथ, निम्नलिखित कोड के साथ जानकारी पुनः प्राप्त करने के लिए BLIP-2 के समापन बिंदु को लागू करें:
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}. """
प्रश्नों द्वारा पुनर्प्राप्त की गई जानकारी के अलावा, आप बिना समापन बिंदु को लागू करके छवि कैप्शनिंग कार्य के साथ जानकारी प्राप्त कर सकते हैं prompt
पेलोड में फ़ील्ड:
inputs = {"image": base64_string}
response = smr_client.invoke_endpoint(
EndpointName=endpoint_name, Body=json.dumps(inputs)
)
image_caption = response["Body"].read().decode('utf-8')
आप प्रश्नों और उत्तरों की सामग्री को छवि कैप्शन के साथ जोड़ सकते हैं और इस पुनर्प्राप्त जानकारी का उपयोग डाउनस्ट्रीम कार्य के लिए कर सकते हैं, जिसका वर्णन नीचे अगले भाग में किया गया है।
एलएलएम के साथ अंतिम परिणाम और स्पष्टीकरण तैयार करें
लामा 2 जैसे बड़े भाषा मॉडल (एलएलएम) सही प्रॉम्प्ट टेम्पलेट के साथ उच्च गुणवत्ता वाले परिणाम उत्पन्न कर सकते हैं। का उपयोग करते हुए अमेज़न SageMaker जम्पस्टार्ट, एमएल व्यवसायी सार्वजनिक रूप से उपलब्ध फाउंडेशन मॉडल के व्यापक चयन में से चुन सकते हैं। सेजमेकर स्टूडियो में बस कुछ ही क्लिक के साथ, अब आप यह कर सकते हैं लामा 2 को खोजें और तैनात करें.
अंतिम परिणाम एक विशिष्ट प्रॉम्प्ट टेम्पलेट वाले एलएलएम पर निर्भर करते हैं। इस तरह के संकेत में शामिल हैं: अनुचित या आक्रामक की श्रेणियों पर आधारित मॉडरेशन नीति मॉडरेशन श्रेणियां; BLIP-2 से निकाली गई छवि जानकारी; एलएलएम के लिए प्रश्न टेम्पलेट में पूछा गया है कि क्या फोटो में असुरक्षित सामग्री है और यदि असुरक्षित है तो उसकी श्रेणी और कारण का अनुरोध करना; और परिणामों को JSON प्रारूप में आउटपुट करने के निर्देश। डिज़ाइन किया गया प्रॉम्प्ट टेम्प्लेट एलएलएम को यह निर्धारित करने की अनुमति देता है कि क्या छवि मॉडरेशन नीति का उल्लंघन करती है, उल्लंघन की श्रेणी की पहचान करती है, क्यों समझाती है, और एक संरचित JSON प्रारूप में आउटपुट प्रदान करती है।
मुख्य स्रोत कोड इस प्रकार है:
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}
]
आप अपने स्वयं के उपयोग के मामले के आधार पर प्रॉम्प्ट को कस्टमाइज़ कर सकते हैं। को देखें नोटबुक अधिक जानकारी के लिए। जब प्रॉम्प्ट तैयार हो जाए, तो आप परिणाम उत्पन्न करने के लिए एलएलएम एंडपॉइंट को लागू कर सकते हैं:
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]
उत्पन्न आउटपुट का भाग इस प्रकार है:
कभी-कभी, लामा 2 सहायक के उत्तर के अलावा अतिरिक्त स्पष्टीकरण भी संलग्न करता है। आप मूल जेनरेट किए गए परिणामों से JSON डेटा निकालने के लिए पार्सिंग कोड का उपयोग कर सकते हैं:
answer = result['generation']['content'].split('}')[0]+'}'
json.loads(answer)
जनरेटिव दृष्टिकोण के लाभ
पिछले अनुभागों ने दिखाया कि मॉडल अनुमान के मुख्य भाग को कैसे कार्यान्वित किया जाए। इस खंड में, हम पारंपरिक दृष्टिकोण और परिप्रेक्ष्य के साथ तुलना सहित, जेनरेटिव दृष्टिकोण के विभिन्न पहलुओं को कवर करते हैं।
निम्न तालिका प्रत्येक दृष्टिकोण की तुलना करती है।
. | उत्पादक दृष्टिकोण | वर्गीकरण दृष्टिकोण |
लेबल किया गया डेटा प्राप्त करना | बड़ी संख्या में छवियों पर पूर्व-प्रशिक्षित मॉडल, शून्य-शॉट अनुमान | सभी प्रकार की श्रेणियों से डेटा की आवश्यकता है |
मॉडल सामान्यीकरण | विभिन्न प्रकार की छवियों के साथ पूर्व-प्रशिक्षित मॉडल | मॉडल सामान्यीकरण को बेहतर बनाने के लिए बड़ी मात्रा में सामग्री मॉडरेशन से संबंधित डेटा की आवश्यकता होती है |
कार्यकारी कुशलता | शून्य-शॉट क्षमताएं | विभिन्न पैटर्न को पहचानने के लिए मॉडल को प्रशिक्षित करने और लेबल जोड़े जाने पर पुनः प्रशिक्षण की आवश्यकता होती है |
व्याख्या करने योग्य | टेक्स्ट आउटपुट के रूप में तर्क, शानदार उपयोगकर्ता अनुभव | तर्क प्राप्त करना कठिन है, समझाना और व्याख्या करना कठिन है |
प्रतिकूल स्वभाव | पुष्ट | उच्च आवृत्ति पुनर्प्रशिक्षण |
सामग्री मॉडरेशन से परे मल्टी-मोडल तर्क के संभावित उपयोग के मामले
BLIP-2 मॉडल को फाइन-ट्यूनिंग के साथ या उसके बिना कई उद्देश्यों के लिए लागू किया जा सकता है, जिसमें निम्नलिखित शामिल हैं:
- चित्र कैप्शनिंग - यह मॉडल को छवि की दृश्य सामग्री के लिए एक पाठ विवरण उत्पन्न करने के लिए कहता है। जैसा कि निम्नलिखित उदाहरण छवि (बाएं) में दिखाया गया है, हम प्राप्त कर सकते हैं "एक आदमी सर्फ़बोर्ड के साथ समुद्र तट पर खड़ा है" छवि विवरण के रूप में.
- दृश्य प्रश्न उत्तर - जैसा कि मध्य में उदाहरण छवि दिखाती है, हम पूछ सकते हैं "क्या यह व्यावसायिक संबंधित सामग्री है" और हमारे पास है "हाँ" उत्तर के रूप में. इसके अलावा, BLIP-2 मल्टी-राउंड बातचीत का समर्थन करता है और निम्नलिखित प्रश्न आउटपुट करता है: "आप ऐसा क्यों सोचते हैं?" दृश्य संकेत और एलएलएम क्षमताओं के आधार पर, BLIP-2 आउटपुट "यह अमेज़न के लिए एक संकेत है।"
- छवि पाठ पुनर्प्राप्ति - प्रश्न को इस प्रकार दिया गया है "छवि पर पाठ", हम छवि पाठ निकाल सकते हैं "आज सोमवार है लेकिन मुस्कुराते रहो" जैसा कि दाईं ओर की छवि में दिखाया गया है।
निम्नलिखित छवियां दृश्य ज्ञान तर्क की शून्य-शॉट छवि-से-पाठ क्षमता प्रदर्शित करने के लिए उदाहरण दिखाती हैं।
जैसा कि हम ऊपर दिए गए विभिन्न उदाहरणों से देख सकते हैं, मल्टी-मोडैलिटी मॉडल उन जटिल समस्याओं को हल करने के लिए नए अवसर खोलते हैं जिन्हें पारंपरिक एकल-मॉडलिटी मॉडल संबोधित करने के लिए संघर्ष करेंगे।
क्लीन अप
भविष्य में शुल्क लगने से बचने के लिए, इस पोस्ट के हिस्से के रूप में बनाए गए संसाधनों को हटा दें। आप नोटबुक क्लीनअप अनुभाग में दिए गए निर्देशों का पालन करके ऐसा कर सकते हैं, या SageMaker कंसोल और S3 बकेट में संग्रहीत संसाधनों के माध्यम से बनाए गए एंडपॉइंट को हटा सकते हैं।
निष्कर्ष
इस पोस्ट में, हमने डिजिटल दुनिया में कंटेंट मॉडरेशन के महत्व पर चर्चा की और इसकी चुनौतियों पर प्रकाश डाला। हमने छवि डेटा के साथ सामग्री मॉडरेशन को बेहतर बनाने और उपयोगी जानकारी को स्वचालित रूप से निकालने के लिए छवियों के विरुद्ध प्रश्न उत्तर देने में मदद करने के लिए एक नई विधि प्रस्तावित की है। हमने पारंपरिक वर्गीकरण-आधारित दृष्टिकोण की तुलना में जेनेरिक एआई-आधारित दृष्टिकोण का उपयोग करने के फायदों पर भी आगे चर्चा की। अंत में, हमने सामग्री मॉडरेशन से परे दृश्य-भाषा मॉडल के संभावित उपयोग के मामलों का वर्णन किया।
हम आपको सेजमेकर की खोज करके और इस पोस्ट में दिए गए मल्टी-मोडैलिटी समाधान और आपके व्यवसाय के लिए प्रासंगिक डेटासेट का उपयोग करके समाधान बनाने के लिए और अधिक जानने के लिए प्रोत्साहित करते हैं।
लेखक के बारे में
गॉर्डन वांग AWS में एक वरिष्ठ AI/ML विशेषज्ञ TAM हैं। वह कई उद्योगों में एआई/एमएल सर्वोत्तम प्रथाओं के साथ रणनीतिक ग्राहकों का समर्थन करता है। उन्हें कंप्यूटर विज़न, एनएलपी, जेनरेटिव एआई और एमएलओपीएस का शौक है। अपने खाली समय में उन्हें दौड़ना और लंबी पैदल यात्रा करना पसंद है।
यानवेई कुई, पीएचडी, AWS में एक वरिष्ठ मशीन लर्निंग स्पेशलिस्ट सॉल्यूशंस आर्किटेक्ट हैं। उन्होंने IRISA (रिसर्च इंस्टीट्यूट ऑफ कंप्यूटर साइंस एंड रैंडम सिस्टम्स) में मशीन लर्निंग रिसर्च शुरू किया, और उनके पास कंप्यूटर विज़न, प्राकृतिक भाषा प्रसंस्करण और ऑनलाइन उपयोगकर्ता व्यवहार भविष्यवाणी में एआई-संचालित औद्योगिक अनुप्रयोगों के निर्माण का कई वर्षों का अनुभव है। AWS में, वह अपनी डोमेन विशेषज्ञता साझा करते हैं और ग्राहकों को व्यावसायिक संभावनाओं को अनलॉक करने और बड़े पैमाने पर मशीन लर्निंग के साथ कार्रवाई योग्य परिणाम प्राप्त करने में मदद करते हैं। काम के अलावा, उन्हें पढ़ना और यात्रा करना पसंद है।
मेलानी ली, पीएचडी, सिडनी, ऑस्ट्रेलिया स्थित AWS में एक वरिष्ठ AI/ML विशेषज्ञ TAM हैं। वह एडब्ल्यूएस पर अत्याधुनिक एआई/एमएल टूल का उपयोग करके उद्यम ग्राहकों को समाधान बनाने में मदद करती है और सर्वोत्तम प्रथाओं के साथ एमएल समाधानों को तैयार करने और लागू करने पर मार्गदर्शन प्रदान करती है। अपने खाली समय में, वह प्रकृति का पता लगाना और परिवार और दोस्तों के साथ समय बिताना पसंद करती हैं।
- एसईओ संचालित सामग्री और पीआर वितरण। आज ही प्रवर्धित हो जाओ।
- प्लेटोडेटा.नेटवर्क वर्टिकल जेनरेटिव एआई। स्वयं को शक्तिवान बनाएं। यहां पहुंचें।
- प्लेटोआईस्ट्रीम। Web3 इंटेलिजेंस। ज्ञान प्रवर्धित। यहां पहुंचें।
- प्लेटोईएसजी. ऑटोमोटिव/ईवीएस, कार्बन, क्लीनटेक, ऊर्जा, पर्यावरण, सौर, कचरा प्रबंधन। यहां पहुंचें।
- प्लेटोहेल्थ। बायोटेक और क्लिनिकल परीक्षण इंटेलिजेंस। यहां पहुंचें।
- चार्टप्राइम. चार्टप्राइम के साथ अपने ट्रेडिंग गेम को उन्नत करें। यहां पहुंचें।
- BlockOffsets. पर्यावरणीय ऑफसेट स्वामित्व का आधुनिकीकरण। यहां पहुंचें।
- स्रोत: https://aws.amazon.com/blogs/machine-learning/build-a-generative-ai-based-content-moderation-solution-on-amazon-sagemaker-jumpstart/
- :हैस
- :है
- :नहीं
- :कहाँ
- $यूपी
- 1
- 10
- 100
- 20
- 22
- 7
- 9
- 95% तक
- a
- योग्य
- About
- ऊपर
- पहुँच
- अनुसार
- लेखा
- शुद्धता
- पाना
- प्राप्त
- अभिनेताओं
- वास्तविक
- जोड़ा
- जोड़ने
- इसके अलावा
- अतिरिक्त
- इसके अतिरिक्त
- पता
- पालन
- अपनाने
- दत्तक ग्रहण
- फायदे
- विरोधात्मक
- विज्ञापनदाताओं
- विज्ञापन
- के खिलाफ
- AI
- ऐ संचालित
- ऐ / एमएल
- एल्गोरिदम
- संरेखण
- सब
- की अनुमति देता है
- भी
- वीरांगना
- अमेज़न SageMaker
- अमेज़न SageMaker जम्पस्टार्ट
- अमेज़ॅन वेब सेवा
- an
- विश्लेषण करें
- और
- अन्य
- जवाब
- जवाब
- कोई
- अनुप्रयोगों
- लागू
- दृष्टिकोण
- दृष्टिकोण
- उपयुक्त
- स्थापत्य
- हैं
- AS
- पूछना
- पहलुओं
- सहायक
- संघों
- मान लिया गया है
- At
- ऑडियो
- ऑस्ट्रेलिया
- स्वतः
- उपलब्ध
- से बचने
- एडब्ल्यूएस
- बुरा
- आधारित
- BE
- समुद्र तट
- क्योंकि
- बन
- हो जाता है
- व्यवहार
- जा रहा है
- नीचे
- मानक
- के अतिरिक्त
- BEST
- सर्वोत्तम प्रथाओं
- परे
- झुका हुआ
- रक्त
- परिवर्तन
- के छात्रों
- ब्रांड
- ब्रांडों
- लाता है
- विस्तृत
- बजट
- निर्माण
- इमारत
- व्यापार
- लेकिन
- by
- बुलाया
- कर सकते हैं
- पा सकते हैं
- क्षमताओं
- क्षमता
- सावधान
- मामला
- मामलों
- श्रेणियाँ
- वर्ग
- चुनौती
- चुनौतियों
- चुनौतीपूर्ण
- परिवर्तन
- प्रभार
- chatbots
- चुनें
- कक्षाएं
- स्पष्ट
- ग्राहक
- वस्त्र
- कोड
- कोडन
- गठबंधन
- जोड़ती
- वाणिज्यिक
- समुदाय
- सामुदायिक भवन
- कंपनी
- तुलना
- पूरा
- जटिल
- अंग
- घटकों
- कंप्यूटर
- कम्प्यूटर साइंस
- Computer Vision
- कंप्यूटर्स
- विन्यास
- पुष्टि करें
- कनेक्ट कर रहा है
- जोड़ता है
- विचार
- माना
- होते हैं
- कंसोल
- स्थिर
- निरंतर
- संपर्क करें
- शामिल
- कंटेनर
- शामिल हैं
- सामग्री
- सामग्री निर्माण
- अंतर्वस्तु
- योगदान
- परम्परागत
- कन्वर्सेशन (Conversation)
- बातचीत
- मूल
- इसी
- लागत
- महंगा
- लागत
- सका
- आवरण
- बनाना
- बनाया
- निर्माण
- महत्वपूर्ण
- क्रॉस
- ग्राहक
- अनुकूलित
- तिथि
- डाटा सुरक्षा
- डेटासेट
- निर्णय
- निर्णय
- गहरा
- परिभाषित
- परिभाषित
- दिखाना
- साबित
- दर्शाता
- तैनात
- वर्णित
- विवरण
- बनाया गया
- डिज़ाइन बनाना
- वांछित
- के बावजूद
- विवरण
- पता लगाना
- निर्धारित करना
- बातचीत
- विभिन्न
- डिजिटल
- डिजिटल दुनिया
- सीधे
- चर्चा की
- चर्चा
- वितरण
- कई
- do
- डाक में काम करनेवाला मज़दूर
- कर देता है
- डोमेन
- ड्राइव
- से प्रत्येक
- आराम
- आसानी
- प्रभावी रूप से
- प्रभावशीलता
- कुशल
- embedding
- उभरा
- कस्र्न पत्थर
- रोजगार
- सक्षम
- सक्षम बनाता है
- प्रोत्साहित करना
- समाप्त
- endpoint
- बढ़ाता है
- पर्याप्त
- सुनिश्चित
- सुनिश्चित
- उद्यम
- त्रुटियाँ
- विशेष रूप से
- आवश्यक
- उदाहरण
- उदाहरण
- मौजूदा
- अनुभव
- विशेषज्ञता
- समझाना
- स्पष्टीकरण
- का पता लगाने
- तलाश
- अनावरण
- बाहरी
- उद्धरण
- चेहरा
- फॉल्स
- परिवार
- Feature
- विशेषताएं
- महिला
- कुछ
- कम
- खेत
- मार पिटाई
- पट्टिका
- फ़ाइलें
- अंतिम
- वित्त
- प्रथम
- पहली बार
- फिट
- फ्लैग किए गए
- फोकस
- का पालन करें
- निम्नलिखित
- इस प्रकार है
- के लिए
- प्रारूप
- रूपों
- बुनियाद
- आवृत्ति
- मित्रों
- से
- जमे हुए
- कार्यों
- आगे
- भविष्य
- इकट्ठा
- उत्पन्न
- उत्पन्न
- सृजन
- पीढ़ी
- उत्पादक
- जनरेटिव एआई
- मिल
- देना
- दी
- महान
- बढ़ रहा है
- विकास
- मार्गदर्शन
- संभालना
- हुआ
- कठिन
- है
- होने
- he
- स्वास्थ्य
- स्वास्थ्य जानकारी
- स्वास्थ्य सेवा
- भारी
- मदद
- मदद करता है
- उसे
- छिपा हुआ
- हाई
- उच्च प्रदर्शन
- उच्च गुणवत्ता
- हाइलाइट
- उसके
- मेजबान
- मेजबानी
- होस्टिंग
- कैसे
- How To
- एचटीएमएल
- http
- HTTPS
- मानव
- पहचान करना
- पहचान
- पहचान
- if
- दिखाता है
- की छवि
- छवियों
- लागू करने के
- कार्यान्वित
- कार्यान्वयन
- आयात
- महत्व
- महत्वपूर्ण
- में सुधार
- सुधार
- in
- ग़लत
- शामिल
- शामिल
- सहित
- बढ़ना
- बढ़ जाती है
- औद्योगिक
- उद्योगों
- उद्योग
- अप्रभावी
- करें-
- निवेश
- निविष्टियां
- उदाहरण
- संस्थान
- निर्देश
- एकीकृत
- ब्याज
- आंतरिक
- में
- परिचय कराना
- IT
- आईटी इस
- जावा
- जेपीजी
- JSON
- केवल
- रखना
- ज्ञान
- लेबल
- भाषा
- बड़ा
- बड़ा
- नेतृत्व
- प्रमुख
- जानें
- सीख रहा हूँ
- बाएं
- कानूनी
- देनदारियों
- पुस्तकालय
- हल्के
- सूची
- लामा
- एलएलएम
- लंबे समय तक
- प्यार करता है
- मशीन
- यंत्र अधिगम
- को बनाए रखने के
- बनाना
- निर्माण
- आदमी
- प्रबंधन
- मैन्युअल
- बहुत
- सामग्री
- मई..
- me
- अर्थ
- तंत्र
- मीडिया
- मेटा
- तरीका
- तरीकों
- मध्यम
- ML
- एमएलओपीएस
- आदर्श
- मॉडल
- संयम
- संशोधित
- मॉड्यूल
- सोमवार
- निगरानी
- अधिक
- अधिक कुशल
- अधिकांश
- विभिन्न
- प्राकृतिक
- प्राकृतिक भाषा संसाधन
- प्रकृति
- आवश्यकता
- नकारात्मक
- नया
- अगला
- NLP
- नोटबुक
- उपन्यास
- अभी
- संख्या
- of
- अपमानजनक
- on
- एक बार
- ONE
- ऑनलाइन
- केवल
- खुला
- खुला स्रोत
- अवसर
- अनुकूलित
- or
- संगठनों
- मूल
- अन्य
- हमारी
- हमारी कंपनी
- परिणामों
- Outperforms
- उत्पादन
- बाहर
- अभिभूत
- अपना
- पैकेज
- समानांतर
- पैरामीटर
- भाग
- विशेष रूप से
- भागों
- पास
- आवेशपूर्ण
- पैटर्न उपयोग करें
- पीडीएफ
- निष्पादन
- प्रदर्शन
- प्रदर्शन
- अनुमतियाँ
- व्यक्ति
- स्टाफ़
- व्यक्तियों
- दृष्टिकोण
- पीएचडी
- फ़ोटो
- केंद्रीय
- मंच
- प्लेटफार्म
- प्लेटो
- प्लेटो डेटा इंटेलिजेंस
- प्लेटोडाटा
- निभाता
- कृप्या अ
- नीतियाँ
- नीति
- गरीब
- लोकप्रिय
- पद
- संभावित
- क्षमता
- संचालित
- शक्तिशाली
- प्रथाओं
- भविष्यवाणी
- तैयार करना
- प्रस्तुत
- परिरक्षण
- रोकता है
- प्राथमिकता
- एकांत
- समस्याओं
- प्रक्रिया
- प्रसंस्करण
- प्रोग्रामिंग
- प्रस्तावित
- सुरक्षा
- प्रदान करना
- बशर्ते
- प्रदान करता है
- सार्वजनिक
- प्रचार
- सार्वजनिक रूप से
- प्रयोजनों
- रखना
- क्यू एंड ए
- गुणवत्ता
- प्रश्नों
- प्रश्न
- प्रशन
- बिना सोचे समझे
- पढ़ना
- तैयार
- कारण
- पहचान
- मान्यता देना
- को कम करने
- नियमित तौर पर
- नियम
- सम्बंधित
- प्रासंगिक
- भरोसा करना
- हटाया
- प्रतिनिधित्व
- प्रतिनिधि
- ख्याति
- का अनुरोध
- की आवश्यकता होती है
- की आवश्यकता होती है
- अनुसंधान
- उपयुक्त संसाधन चुनें
- प्रतिक्रिया
- प्रतिक्रिया
- प्रतिक्रियाएं
- परिणाम
- जिसके परिणामस्वरूप
- परिणाम
- वापसी
- खुलासा
- राजस्व
- राजस्व वृद्धि
- आरजीबी
- सही
- जोखिम
- जोखिम
- भूमिका
- लगभग
- नियम
- रन
- दौड़ना
- s
- सुरक्षा
- सुरक्षा
- sagemaker
- स्केल
- विज्ञान
- Search
- दूसरा
- अनुभाग
- वर्गों
- सेक्टर्स
- सुरक्षा
- देखना
- चयन
- वरिष्ठ
- संवेदनशील
- कार्य करता है
- सेवा
- सेवाएँ
- सेवारत
- सेट
- कई
- यौन
- शेयरों
- बांटने
- वह
- शील्ड
- दिखाना
- पता चला
- दिखाता है
- हस्ताक्षर
- महत्व
- काफी
- उसी प्रकार
- सरल
- स्थितियों
- So
- सोशल मीडिया
- सोशल मीडिया
- सामाजिक मीडिया प्लेटफॉर्म
- समाधान
- समाधान ढूंढे
- सुलझाने
- स्रोत
- स्रोत कोड
- सूत्रों का कहना है
- अंतरिक्ष
- रिक्त स्थान
- स्पैम
- विशेषज्ञ
- विशिष्ट
- भाषण
- बिताना
- विभाजित
- ट्रेनिंग
- चरणों
- स्टैंडअलोन
- मानकों
- शुरू
- राज्य के-the-कला
- राज्य
- स्थिति
- कदम
- फिर भी
- भंडारण
- संग्रहित
- सामरिक
- संरचित
- संघर्ष
- स्टूडियो
- अध्ययन
- ऐसा
- सुझाव
- समर्थन करता है
- सिडनी
- सिस्टम
- तालिका
- पकड़ना
- युक्ति
- लेता है
- कार्य
- कार्य
- टीमों
- कहना
- टेम्पलेट
- शर्तों
- टेक्स्ट
- शाब्दिक
- से
- कि
- RSI
- जानकारी
- लेकिन हाल ही
- वहाँ।
- जिसके चलते
- इसलिये
- इन
- वे
- सोचना
- तीसरा
- इसका
- तीन
- पहर
- बहुत समय लगेगा
- सेवा मेरे
- उपकरण
- परंपरागत
- रेलगाड़ी
- प्रशिक्षित
- प्रशिक्षण
- ट्रांसफार्मर
- यात्रा का
- दो
- टाइप
- प्रकार
- के अंतर्गत
- समझना
- समझ
- अद्वितीय
- सार्वभौम
- अनलॉक
- अद्यतन
- अद्यतन
- कायम रखना
- अपलोड की गई
- उपयोग
- उदाहरण
- उपयोगकर्ता
- उपयोगकर्ता अनुभव
- उपयोगकर्ता की गोपनीयता
- उपयोगकर्ताओं
- का उपयोग
- मान
- विविधता
- विभिन्न
- के माध्यम से
- वीडियो
- उल्लंघन
- दृष्टि
- आयतन
- संस्करणों
- मार्ग..
- तरीके
- we
- वेब
- वेब सेवाओं
- वेबसाइटों
- कुंआ
- क्या
- कब
- कौन कौन से
- क्यों
- मर्जी
- साथ में
- अंदर
- बिना
- शब्द
- काम
- काम कर रहे
- विश्व
- होगा
- साल
- आप
- आपका
- जेफिरनेट