A tartalom moderálása kulcsfontosságú szerepet játszik az online biztonság fenntartásában, valamint a webhelyek és közösségi médiaplatformok értékeinek és szabványainak betartásában. Jelentőségét hangsúlyozza, hogy védelmet nyújt a felhasználóknak a nem megfelelő tartalomnak való kitettséggel szemben, megőrizve jólétüket a digitális terekben. Például a reklámiparban a tartalom moderálása arra szolgál, hogy megvédje a márkákat a kedvezőtlen asszociációktól, ezáltal hozzájárul a márka emelkedéséhez és a bevétel növekedéséhez. A hirdetők előnyben részesítik márkájuk megfelelő tartalommal való összehangolását, hogy megőrizzék hírnevüket és elkerüljék a negatív nyilvánosságot. A tartalom moderálása kritikus jelentőséggel bír a pénzügyi és egészségügyi szektorban is, ahol több funkciót is ellát. Fontos szerepet játszik az érzékeny személyazonosításra alkalmas és egészségügyi információk (PII, PHI) azonosításában és megőrzésében. A belső szabványok és gyakorlatok betartása, valamint a külső előírások betartása révén a tartalom moderálása növeli a felhasználók digitális biztonságát. Így megakadályozza a bizalmas adatok véletlenszerű megosztását nyilvános platformokon, biztosítva a felhasználók magánéletének és adatbiztonságának megőrzését.
Ebben a bejegyzésben bemutatunk egy új módszert a képadatok tartalommoderálásának végrehajtására multimodális előképzéssel és nagy nyelvi modellel (LLM). A multimodális előképzéssel közvetlenül lekérdezhetjük a képtartalmat az érdeklődésre számot tartó kérdések alapján, és a modell képes lesz ezekre a kérdésekre válaszolni. Ez lehetővé teszi a felhasználók számára, hogy csevegjenek a képpel, hogy megbizonyosodjanak arról, hogy az nem tartalmaz-e nem megfelelő tartalmat, amely sérti a szervezet irányelveit. Az LLM-ek hatékony generálási képességét használjuk a végső döntés meghozatalához, beleértve a biztonságos/nem biztonságos címkéket és a kategóriatípust. Ezenkívül egy prompt megtervezésével egy LLM generálhatja a meghatározott kimeneti formátumot, például JSON formátumot. A tervezett prompt sablon lehetővé teszi az LLM számára, hogy megállapítsa, hogy a kép sérti-e a moderálási szabályzatot, azonosítsa a szabálysértés kategóriáját, megmagyarázza az okot, és strukturált JSON formátumban adja meg a kimenetet.
Az általunk használt BLIP-2 mint a multimodális előképzési módszer. A BLIP-2 az egyik legkorszerűbb modell a multimodális előképzésben, és felülmúlja a legtöbb meglévő módszert a vizuális kérdések megválaszolásában, a képaláírásban és a képszöveg-visszakeresésben. LLM-ünkhöz használjuk Láma 2, a következő generációs nyílt forráskódú LLM, amely felülmúlja a meglévő nyílt forráskódú nyelvi modelleket számos benchmark tekintetében, beleértve az érvelési, kódolási, jártassági és tudásteszteket. Az alábbi ábra a megoldás összetevőit szemlélteti.
Kihívások a tartalom moderálásában
A hagyományos tartalommoderálási módszerek, például az emberi alapú moderálás, nem tudnak lépést tartani a felhasználók által generált tartalom (UGC) növekvő mennyiségével. Az UGC mennyiségének növekedésével az emberi moderátorok túlterheltek lehetnek, és nehezen tudják hatékonyan moderálni a tartalmat. Ez rossz felhasználói élményt, magas moderálási költségeket és márkakockázatot eredményez. Az emberi alapú moderálás is hajlamos a hibákra, ami következetlen moderáláshoz és elfogult döntésekhez vezethet. E kihívások kezelésére megoldásként jelent meg a gépi tanulással (ML) hajtott tartalommoderálás. Az ML algoritmusok nagy mennyiségű felhasználói tartalmat elemezhetnek, és azonosíthatják a szervezet irányelveit sértő tartalmat. Az ML modellek betaníthatók a minták felismerésére és a problémás tartalmak azonosítására, mint például a gyűlöletbeszéd, a spam és a nem megfelelő anyagok. A tanulmány szerint Védje felhasználóit, márkáját és költségvetését az AI-alapú tartalommoderálással, az ML-alapú tartalommoderálás segíthet a szervezeteknek abban, hogy a csapataik a tartalom manuális moderálásával töltött idő akár 95%-át visszaszerezzék. Ez lehetővé teszi a szervezetek számára, hogy erőforrásaikat stratégiaibb feladatokra összpontosítsák, például közösségépítésre és tartalomkészítésre. Az ML-alapú tartalommoderálás csökkentheti a moderálás költségeit is, mivel hatékonyabb, mint az emberi alapú moderálás.
Az ML-alapú tartalommoderálás előnyei ellenére még mindig van tere a fejlesztésnek. Az ML algoritmusok hatékonysága nagymértékben függ a betanított adatok minőségétől. Ha a modelleket elfogult vagy hiányos adatok felhasználásával képezik ki, hibás moderálási döntéseket hozhatnak, így a szervezeteket márkakockázatoknak és lehetséges jogi felelősségeknek teszik ki. Az ML-alapú megközelítések alkalmazása a tartalom moderálására számos olyan kihívást jelent, amelyek alapos mérlegelést igényelnek. Ezek a kihívások a következők:
- Címkézett adatok beszerzése – Ez költséges folyamat lehet, különösen olyan összetett tartalommoderálási feladatoknál, amelyek címkézők képzését igénylik. Ez a költség kihívást jelenthet elég nagy adatkészletek összegyűjtése a felügyelt ML-modell egyszerű betanításához. Ezenkívül a modell pontossága nagymértékben függ a képzési adatok minőségétől, és az elfogult vagy hiányos adatok pontatlan moderációs döntéseket eredményezhetnek, ami márkakockázathoz és jogi felelősséghez vezethet.
- Modell általánosítás – Ez kritikus fontosságú az ML-alapú megközelítések elfogadásához. Előfordulhat, hogy az egyik adatkészleten betanított modell nem általánosítható jól egy másik adatkészletre, különösen, ha az adatkészletek eloszlása eltérő. Ezért alapvető fontosságú annak biztosítása, hogy a modell sokrétű és reprezentatív adatkészletre legyen képezve annak biztosítása érdekében, hogy jól általánosítható legyen az új adatokra.
- Működési hatékonyság – Ez egy másik kihívás, amikor hagyományos ML-alapú megközelítéseket használunk a tartalom moderálására. Az új címkék folyamatos hozzáadása és a modell átképzése új osztályok hozzáadásakor időigényes és költséges lehet. Ezenkívül elengedhetetlen a modell rendszeres frissítése, hogy lépést tartson a moderált tartalom változásaival.
- Magyarázatosság – A végfelhasználók elfogultnak vagy igazságtalannak tekinthetik a platformot, ha a tartalmat indokolás nélkül megjelölik vagy eltávolítják, ami rossz felhasználói élményt eredményez. Hasonlóképpen, az egyértelmű magyarázatok hiánya a tartalommoderálási folyamatot hatástalanná, időigényessé és költségessé teheti a moderátorok számára.
- Ellenséges természet – A képalapú tartalommoderálás versengő jellege egyedülálló kihívást jelent a hagyományos ML-alapú megközelítésekkel szemben. A rossz szereplők megkísérelhetik kijátszani a tartalommoderálási mechanizmusokat azáltal, hogy különféle módokon módosítják a tartalmat, például a képek szinonimáinak felhasználásával vagy a tényleges tartalom beágyazásával egy nagyobb, nem sértő tartalomba. Ez megköveteli a modell folyamatos monitorozását és frissítését az ilyen ellenséges taktikák észleléséhez és reagálásához.
Multimodális érvelés a BLIP-2-vel
A multimodalitású ML-modellek olyan modellekre utalnak, amelyek képesek több forrásból vagy módozatból származó adatokat kezelni és integrálni, például képeket, szöveget, hangot, videót és a strukturált vagy strukturálatlan adatok egyéb formáit. Az egyik népszerű multimodalitású modell a vizuális nyelvi modellek, például a BLIP-2, amely a számítógépes látást és a természetes nyelvi feldolgozást (NLP) egyesíti a vizuális és szöveges információk megértése és generálása érdekében. Ezek a modellek lehetővé teszik a számítógépek számára, hogy a képek és szövegek jelentését az emberi megértést utánzó módon értelmezzék. A látásnyelvi modellek számos feladattal megbirkózhatnak, beleértve a képaláírást, a képszöveg lekérését, a vizuális kérdések megválaszolását és még sok mást. Például egy képfelirat-modell generálhat egy kép természetes nyelvű leírását, a képszöveg-lekérő modell pedig szöveges lekérdezés alapján kereshet képeket. A vizuális kérdésmegválaszoló modellek válaszolhatnak a képekkel kapcsolatos természetes nyelvű kérdésekre, a multimodális chatbotok pedig vizuális és szöveges bemeneteket használhatnak válaszok generálására. Ami a tartalom moderálását illeti, ezt a funkciót használhatja a kérdések listájának lekérdezésére.
A BLIP-2 három részből áll. Az első komponens a CLIP ViT-L/14 fagyasztott képkódolója, amely képadatokat vesz be bemenetként. A második komponens egy lefagyott LLM, FlanT5, amely szöveget ad ki. A harmadik komponens egy Q-Former nevű betanítható modul, egy könnyű transzformátor, amely összeköti a fagyasztott képkódolót a fagyasztott LLM-mel. A Q-Former tanulható lekérdezési vektorokat alkalmaz a vizuális jellemzők kinyerésére a fagyasztott képkódolóból, és a leghasznosabb vizuális jellemzőket továbbítja az LLM-nek a kívánt szöveg kimenetéhez.
Az előképzési folyamat két szakaszból áll. Az első szakaszban a látás-nyelvi reprezentáció tanulását hajtják végre, hogy megtanítsa a Q-Formert a szöveg legrelevánsabb vizuális megjelenítésének megtanulására. A második szakaszban a látás-nyelv generatív tanulást úgy hajtják végre, hogy a Q-Former kimenetét egy lefagyott LLM-hez csatlakoztatják, és a Q-Formert betanítják az LLM által értelmezhető vizuális reprezentációk kimenetére.
A BLIP-2 a legkorszerűbb teljesítményt nyújtja különféle látásnyelvi feladatokban, annak ellenére, hogy lényegesen kevesebb tanítható paraméterrel rendelkezik, mint a meglévő módszerek. A modell bemutatja a zero-shot kép-szöveg generálás új képességeit is, amely képes követni a természetes nyelvi utasításokat. Az alábbi ábra a eredeti kutatási dolgozat.
Megoldás áttekintése
A következő ábra a megoldás architektúráját mutatja be.
A következő szakaszokban bemutatjuk, hogyan telepíthető a BLIP-2 egy Amazon SageMaker végpontot, és használja a BLIP-2-t és egy LLM-et a tartalom moderálásához.
Előfeltételek
Szüksége van egy AWS-fiókra egy AWS Identity and Access Management (IAM) szerepkör a megoldás részeként létrehozott erőforrások kezeléséhez szükséges engedélyekkel. A részletekért lásd Hozzon létre egy önálló AWS-fiókot.
Ha most először dolgozik vele Amazon SageMaker Studio, először létre kell hoznia a SageMaker domain. Ezenkívül előfordulhat, hogy a megfelelő SageMaker tárhelypéldányokhoz szolgáltatáskvóta-emelést kell kérnie. A BLIP-2 modellhez egy ml.g5.2xlarge
SageMaker hosting példány. A Llama 2 13B modellhez egy ml.g5.12xlarge
SageMaker hosting példány.
Telepítse a BLIP-2-t egy SageMaker-végpontra
LLM-t a SageMakeren tárolhat a Nagy modellkövetkeztetés (LMI) tároló, amely DJLServing használatával nagy modellek tárolására van optimalizálva. A DJLServing egy nagy teljesítményű univerzális modellkiszolgáló megoldás, amelyet a Deep Java Library (DJL) hajt, amely programnyelv-agnosztikus. Ha többet szeretne megtudni a DJL-ről és a DJLServingről, lásd: Telepítsen nagy modelleket az Amazon SageMaker-en a DJLServing és a DeepSpeed modell párhuzamos következtetésével. A SageMaker LMI konténer segítségével a BLIP-2 modell könnyen implementálható a Hugging Face könyvtárral és a SageMaker-en tárolható. Futhatsz blip2-sagemaker.ipynb
erre a lépésre.
A Docker-kép- és modellfájl előkészítéséhez le kell kérnie a DJLServing Docker-képét, csomagolnia kell a következtetési szkriptet és a konfigurációs fájlokat. model.tar.gz
fájlt, és töltse fel egy Amazon egyszerű tárolási szolgáltatás (Amazon S3) vödör. Hivatkozhat a következtetési szkriptet és konfigurációs fájlt fül alatt találsz.
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)
Amikor a Docker képfájl és a következtetéshez kapcsolódó fájlok készen állnak, létrehozza a modellt, a végpont konfigurációját és a végpontot:
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
)
Amikor a végpont állapota szolgáltatásba kerül, meghívhatja a végpontot a képfeliratozáshoz és az utasított zero-shot vision-to-language generálási feladathoz. A képaláírási feladathoz csak egy képet kell átadnia a végpontnak:
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)
Az utasított zero-shot vision-to-language generálási feladathoz a bemeneti képen kívül meg kell adni a kérdést promptként:
base64_string = encode_image(test_image)
inputs = {"prompt": "Question: what happened in this photo? Answer:", "image": base64_string}
run_inference(endpoint_name, inputs)
A tartalom moderálásához használja a BLIP-2-t és az LLM-et
Ebben a szakaszban lekérdezheti az adott képet, és lekérheti a rejtett információkat. Az LLM segítségével rendszerezheti a lekérdezéseket és lekérheti az információkat a JSON formátumú eredmény létrehozásához. Ezt a feladatot nagyjából a következő két részfeladatra oszthatja fel:
- A BLIP-2 modellel információkat nyerhet ki a képből.
- Állítsa elő a végeredményt és a magyarázatot az LLM segítségével.
A BLIP-2 modellel információkat nyerhet ki a képből
Ahhoz, hogy az adott képről elegendő hasznos rejtett információt lehessen lekérni, lekérdezéseket kell definiálnia. Mivel minden lekérdezés egyszer hívja meg a végpontot, sok lekérdezés hosszabb feldolgozási időt eredményez. Ezért azt javasoljuk, hogy a lekérdezések minősége jó legyen, és lefedje az összes szabályzatot, de duplikáció nélkül is. Mintakódunkban a következőképpen határozzuk meg a lekérdezéseket:
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?"
]
Az előző lekérdezéseknél hívja meg a BLIP-2 végpontját az információk lekéréséhez a következő kóddal:
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}. """
A lekérdezések által lekért információkon kívül a képfeliratozási feladattal is kaphat információkat a végpont meghívásával anélkül, hogy prompt
mező a rakományban:
inputs = {"image": base64_string}
response = smr_client.invoke_endpoint(
EndpointName=endpoint_name, Body=json.dumps(inputs)
)
image_caption = response["Body"].read().decode('utf-8')
Kombinálhatja a lekérdezések és válaszok tartalmát a képaláírással, és felhasználhatja ezt a visszakeresett információt a következő szakaszban ismertetett későbbi feladathoz.
Állítsa elő a végeredményt és a magyarázatot az LLM segítségével
A nagy nyelvi modellek (LLM-ek), mint például a Llama 2, kiváló minőségű eredményeket hozhatnak létre a megfelelő prompt sablonnal. Használata Amazon SageMaker JumpStart, Az ML gyakorlói a nyilvánosan elérhető alapozómodellek széles választékából választhatnak. Néhány kattintással a SageMaker Studioban most megteheti fedezze fel és telepítse a Llama 2-t.
A végső eredmények egy speciális prompt sablonnal rendelkező LLM-en alapulnak. Az ilyen felszólítás a következőkből áll: a nem megfelelő vagy sértő kategóriákon alapuló moderálási politika moderálási kategóriák; BLIP-2-ből kinyert képinformáció; a kérdéssablon az LLM-hez, amely megkérdezi, hogy a fotó tartalmaz-e nem biztonságos tartalmat, és kéri annak kategóriáját és indokát, ha nem biztonságos; és utasításokat az eredmények JSON formátumban történő kiadásához. A tervezett prompt sablon lehetővé teszi az LLM számára, hogy megállapítsa, hogy a kép sérti-e a moderálási szabályzatot, azonosítsa a szabálysértés kategóriáját, megmagyarázza az okot, és strukturált JSON formátumban adja meg a kimenetet.
Az alapvető forráskód a következő:
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}
]
Testreszabhatja a promptot saját használati esetei alapján. Utal jegyzetfüzet további részletekért. Amikor a prompt készen áll, meghívhatja az LLM végpontot az eredmények generálásához:
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]
A generált kimenet egy része a következő:
A 2. láma időnként további magyarázatot is csatol az asszisztens válaszán kívül. Használhatja az elemző kódot a JSON-adatok kinyerésére az eredetileg generált eredményekből:
answer = result['generation']['content'].split('}')[0]+'}'
json.loads(answer)
A generatív megközelítések előnyei
Az előző szakaszok bemutatták, hogyan kell megvalósítani a modellkövetkeztetés alapvető részét. Ebben a részben a generatív megközelítések különböző aspektusait fedjük le, beleértve a hagyományos megközelítésekkel és perspektívákkal való összehasonlítást.
Az alábbi táblázat összehasonlítja az egyes megközelítéseket.
. | Generatív megközelítés | Osztályozási megközelítés |
Címkézett adatok beszerzése | Előre betanított modell nagyszámú képen, nulla lövés következtetés | Minden típusú kategóriából adatot igényel |
Modell általánosítás | Előre betanított modell különféle képekkel | A modell általánosításának javítása érdekében nagy mennyiségű tartalommoderálással kapcsolatos adatra van szükség |
Működési hatékonyság | Zero-shot képességek | Megköveteli a modell betanítását a különböző minták felismeréséhez, és a címkék hozzáadásakor újraképzést igényel |
Magyarázatosság | Érvelés, mint a szövegkimenet, nagyszerű felhasználói élmény | Nehéz érvelni, nehéz megmagyarázni és értelmezni |
Ellenséges természet | Erős | Magas frekvenciájú átképzés |
A multimodális érvelés lehetséges felhasználási esetei a tartalom moderálásán túl
A BLIP-2 modellek többféle célra is alkalmazhatók finomhangolással vagy anélkül, amely a következőket tartalmazza:
- Képaláírás – Ez arra kéri a modellt, hogy generáljon szöveges leírást a kép vizuális tartalmához. Amint az a következő példaképen (balra) látható, rendelkezhetünk “Egy férfi áll a parton egy szörfdeszkával” mint a képleírás.
- Vizuális kérdésválasz – Ahogy a középső példakép is mutatja, kérdezhetünk „Kereskedelmi tartalomról van szó” és megvan "Igen" mint a válasz. Ezenkívül a BLIP-2 támogatja a többfordulós beszélgetést, és a következő kérdést adja ki: "Miből gondolod?" A vizuális jelzés és az LLM képességek alapján a BLIP-2 kimenetek – Ez egy jel az Amazon számára.
- Kép szöveg visszakeresése – Adva a kérdést, mint "Szöveg a képen", ki tudjuk bontani a kép szövegét “Hétfő van, de mosolyogj tovább” ahogy a jobb oldali képen látható.
A következő képek példákat mutatnak be a vizuális tudásalapú érvelés zéró képből szöveggé alakítási képességének bemutatására.
Amint azt a fenti példákból láthatjuk, a multimodalitású modellek új lehetőségeket nyitnak meg olyan összetett problémák megoldására, amelyeket a hagyományos egymodalitású modellek nehezen tudnának megoldani.
Tisztítsuk meg
A jövőbeni költségek elkerülése érdekében törölje a bejegyzés részeként létrehozott forrásokat. Ezt megteheti a notebook tisztítási szakaszában található utasítások követésével, vagy törölheti a létrehozott végpontokat a SageMaker konzolon és az S3 tárolóban tárolt erőforrásokon keresztül.
Következtetés
Ebben a bejegyzésben megvitattuk a tartalommoderálás fontosságát a digitális világban, és rávilágítottunk a kihívásaira. Javasoltunk egy új módszert, amellyel javítható a tartalom moderálása a képadatokkal, és kérdésekre válaszolva a képekhez képest automatikusan hasznos információk nyerhetők ki. További megbeszéléseket folytattunk a generatív mesterséges intelligencia alapú megközelítés használatának előnyeiről a hagyományos osztályozás alapú megközelítéshez képest. Végül bemutattuk a vizuális nyelvi modellek lehetséges használati eseteit a tartalom moderálásán túl.
Javasoljuk, hogy többet tudjon meg a SageMaker feltárásával, és az ebben a bejegyzésben található multimodalitású megoldás és a vállalkozása szempontjából releváns adatkészlet felhasználásával megoldást készítsen.
A szerzőkről
Gordon Wang az AWS vezető AI/ML specialistája. A stratégiai ügyfeleket számos iparágon átívelő AI/ML legjobb gyakorlatokkal támogatja. Szenvedélye a számítógépes látás, az NLP, a generatív AI és az MLOps. Szabadidejében szeret futni és túrázni.
Yanwei Cui, PhD, az AWS vezető gépi tanulási specialistája. Gépi tanulási kutatásokat kezdett az IRISA-nál (Research Institute of Computer Science and Random Systems), és több éves tapasztalattal rendelkezik AI-alapú ipari alkalmazások kiépítésében a számítógépes látás, a természetes nyelvi feldolgozás és az online felhasználói viselkedés előrejelzése terén. Az AWS-nél megosztja tartományi szakértelmét, és nagyszabású gépi tanulással segít ügyfeleinek feltárni az üzleti lehetőségeket, és megvalósítható eredményeket elérni. Munkán kívül szeret olvasni és utazni.
Melanie Li, PhD, az AWS vezető AI/ML specialistája, Sydney-ben, Ausztráliában. Segít a vállalati ügyfeleknek megoldásokat építeni a legkorszerűbb AI/ML eszközökkel az AWS-en, és útmutatást ad az ML-megoldások megtervezéséhez és megvalósításához a legjobb gyakorlatok alapján. Szabadidejében szereti felfedezni a természetet, családjával és barátaival tölteni az időt.
- SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
- PlatoData.Network Vertical Generative Ai. Erősítse meg magát. Hozzáférés itt.
- PlatoAiStream. Web3 Intelligence. Felerősített tudás. Hozzáférés itt.
- PlatoESG. Autóipar / elektromos járművek, Carbon, CleanTech, Energia, Környezet, Nap, Hulladékgazdálkodás. Hozzáférés itt.
- PlatoHealth. Biotechnológiai és klinikai vizsgálatok intelligencia. Hozzáférés itt.
- ChartPrime. Emelje fel kereskedési játékát a ChartPrime segítségével. Hozzáférés itt.
- BlockOffsets. A környezetvédelmi ellentételezési tulajdon korszerűsítése. Hozzáférés itt.
- Forrás: https://aws.amazon.com/blogs/machine-learning/build-a-generative-ai-based-content-moderation-solution-on-amazon-sagemaker-jumpstart/
- :van
- :is
- :nem
- :ahol
- $ UP
- 1
- 10
- 100
- 20
- 22
- 7
- 9
- 95%
- a
- Képes
- Rólunk
- felett
- hozzáférés
- Szerint
- Fiók
- pontosság
- Elérése
- ér
- szereplők
- tényleges
- hozzáadott
- hozzáadásával
- mellett
- További
- Ezen kívül
- cím
- ragaszkodva
- Elfogadása
- Örökbefogadás
- előnyei
- ellenséges
- hirdetők
- Hirdetés
- ellen
- AI
- AI-hajtású
- AI / ML
- algoritmusok
- igazítás
- Minden termék
- lehetővé teszi, hogy
- Is
- amazon
- Amazon SageMaker
- Amazon SageMaker JumpStart
- Az Amazon Web Services
- an
- elemez
- és a
- Másik
- válasz
- válaszok
- bármilyen
- alkalmazások
- alkalmazott
- megközelítés
- megközelít
- megfelelő
- építészet
- VANNAK
- AS
- kérdez
- szempontok
- Helyettes
- egyesületek
- feltételezi
- At
- hang-
- Ausztrália
- automatikusan
- elérhető
- elkerülése érdekében
- AWS
- Rossz
- alapján
- BE
- strand
- mert
- válik
- válik
- viselkedés
- hogy
- lent
- referenciaértékek
- kívül
- BEST
- legjobb gyakorlatok
- Túl
- elfogult
- vér
- test
- mindkét
- márka
- márka
- Bring
- széles
- költségvetés
- épít
- Épület
- üzleti
- de
- by
- hívott
- TUD
- Kaphat
- képességek
- képesség
- óvatos
- eset
- esetek
- kategóriák
- Kategória
- kihívás
- kihívások
- kihívást
- Változások
- díjak
- chatbots
- A pop-art design, négy időzóna kijelzése egyszerre és méretének arányai azok az érvek, amelyek a NeXtime Time Zones-t kiváló választássá teszik. Válassza a
- osztályok
- világos
- vásárló
- ruházat
- kód
- Kódolás
- össze
- kombájnok
- kereskedelmi
- közösség
- közösségi épület
- vállalat
- képest
- teljes
- bonyolult
- összetevő
- alkatrészek
- számítógép
- Computer Science
- Számítógépes látás
- számítógépek
- Configuration
- megerősít
- Csatlakozó
- összeköt
- megfontolás
- figyelembe vett
- áll
- Konzol
- állandó
- állandóan
- kapcsolat
- tartalmaz
- Konténer
- tartalmaz
- tartalom
- tartalomalkotás
- tartalom
- hozzájáruló
- hagyományos
- Beszélgetés
- beszélgetések
- Mag
- Megfelelő
- Költség
- drága
- kiadások
- tudott
- terjed
- teremt
- készítette
- teremtés
- kritikai
- Kereszt
- Ügyfelek
- testre
- dátum
- adatbiztonság
- adatkészletek
- döntés
- határozatok
- mély
- meghatározott
- meghatározott
- bizonyítani
- igazolták
- mutatja
- telepíteni
- leírt
- leírás
- tervezett
- tervezés
- kívánatos
- Ellenére
- részletek
- kimutatására
- Határozzuk meg
- Párbeszéd
- különböző
- digitális
- digitális világ
- közvetlenül
- tárgyalt
- vita
- disztribúció
- számos
- do
- Dokkmunkás
- nem
- domain
- hajtás
- minden
- könnyű
- könnyen
- hatékonyan
- hatékonyság
- hatékony
- beágyazás
- alakult
- csiszolókő
- alkalmaz
- lehetővé
- lehetővé teszi
- ösztönzése
- végén
- Endpoint
- Javítja
- elég
- biztosítására
- biztosítása
- Vállalkozás
- hibák
- különösen
- alapvető
- példa
- példák
- létező
- tapasztalat
- szakvélemény
- Magyarázza
- magyarázat
- feltárása
- Feltárása
- Exponálás
- külső
- kivonat
- Arc
- Vízesés
- család
- Funkció
- Jellemzők
- női
- kevés
- kevesebb
- mező
- harcoló
- filé
- Fájlok
- utolsó
- finanszíroz
- vezetéknév
- első
- megfelelő
- megjelölve
- Összpontosít
- következik
- következő
- következik
- A
- formátum
- formák
- Alapítvány
- Frekvencia
- barátok
- ból ből
- fagyasztva
- funkciók
- további
- jövő
- gyűjt
- generál
- generált
- generáló
- generáció
- nemző
- Generatív AI
- kap
- Ad
- adott
- nagy
- Növekvő
- Növekedés
- útmutatást
- fogantyú
- történt
- Kemény
- Legyen
- tekintettel
- he
- Egészség
- egészségügyi információ
- egészségügyi
- súlyosan
- segít
- segít
- neki
- Rejtett
- Magas
- nagy teljesítményű
- jó minőségű
- Kiemelt
- övé
- vendéglátó
- házigazdája
- tárhely
- Hogyan
- How To
- HTML
- http
- HTTPS
- emberi
- azonosítani
- azonosító
- Identitás
- if
- illusztrálja
- kép
- képek
- végre
- végre
- végrehajtási
- importál
- fontosság
- fontos
- javul
- javulás
- in
- pontatlan
- tartalmaz
- magában foglalja a
- Beleértve
- Növelje
- Növeli
- ipari
- iparágak
- ipar
- nem hatékony
- információ
- bemenet
- bemenet
- példa
- Intézet
- utasítás
- integrálni
- kamat
- belső
- bele
- bevezet
- IT
- ITS
- Jáva
- jpg
- json
- éppen
- Tart
- tudás
- Címkék
- nyelv
- nagy
- nagyobb
- vezet
- vezető
- TANUL
- tanulás
- balra
- Jogi
- kötelezettségek
- könyvtár
- könnyűsúlyú
- Lista
- Láma
- LLM
- hosszabb
- szeret
- gép
- gépi tanulás
- fenntartása
- csinál
- Gyártás
- férfi
- kezelése
- kézzel
- sok
- anyag
- Lehet..
- me
- jelenti
- mechanizmusok
- Média
- meta
- módszer
- mód
- Középső
- ML
- MLOps
- modell
- modellek
- mérséklet
- módosított
- Modulok
- hétfő
- ellenőrzés
- több
- hatékonyabb
- a legtöbb
- többszörös
- Természetes
- Természetes nyelvi feldolgozás
- Természet
- Szükség
- negatív
- Új
- következő
- NLP
- jegyzetfüzet
- regény
- Most
- szám
- of
- támadó
- on
- egyszer
- ONE
- online
- csak
- nyitva
- nyílt forráskódú
- Lehetőségek
- optimalizált
- or
- szervezetek
- eredeti
- Más
- mi
- Cégünk
- eredmények
- felülmúlja
- teljesítmény
- kívül
- túlterheltek
- saját
- csomag
- Párhuzamos
- paraméterek
- rész
- különösen
- alkatrészek
- elhalad
- szenvedélyes
- minták
- Teljesít
- teljesítmény
- teljesített
- engedélyek
- person
- személyes
- személyek
- perspektívák
- phd
- döntő
- emelvény
- Platformok
- Plató
- Platón adatintelligencia
- PlatoData
- játszik
- kérem
- Politikák
- politika
- szegény
- Népszerű
- állás
- potenciális
- potenciálokat
- powered
- erős
- gyakorlat
- előrejelzés
- Készít
- ajándékot
- megőrzés
- megakadályozza
- Fontossági sorrendet
- magánélet
- problémák
- folyamat
- feldolgozás
- Programozás
- javasolt
- védelem
- ad
- feltéve,
- biztosít
- nyilvános
- nyilvánosság
- nyilvánosan
- célokra
- tesz
- Kérdések és válaszok
- világítás
- lekérdezések
- kérdés
- Kérdések
- véletlen
- Olvasás
- kész
- ok
- elismerik
- felismerés
- csökkenteni
- rendszeresen
- előírások
- összefüggő
- támaszkodnak
- eltávolított
- képviselet
- reprezentatív
- hírnév
- kérni
- szükség
- megköveteli,
- kutatás
- Tudástár
- Reagálni
- válasz
- válaszok
- eredményez
- kapott
- Eredmények
- visszatérés
- felfedve
- jövedelem
- bevétel növekedés
- RGB
- jobb
- Kockázat
- kockázatok
- Szerep
- nagyjából
- Szabály
- futás
- futás
- s
- megóvása
- Biztonság
- sagemaker
- Skála
- Tudomány
- Keresés
- Második
- Rész
- szakaszok
- ágazatok
- biztonság
- lát
- kiválasztás
- idősebb
- érzékeny
- szolgálja
- szolgáltatás
- Szolgáltatások
- szolgáló
- készlet
- számos
- Szexuális
- Megoszt
- megosztás
- ő
- Shield
- előadás
- kimutatta,
- Műsorok
- <p></p>
- jelentőség
- jelentősen
- Hasonlóképpen
- Egyszerű
- helyzetek
- So
- Közösség
- Közösségi média
- szociális média platformok
- megoldások
- Megoldások
- Megoldása
- forrás
- forráskód
- Források
- Hely
- terek
- spam
- szakember
- különleges
- beszéd
- költ
- osztott
- Színpad
- állapota
- önálló
- szabványok
- kezdődött
- csúcs-
- Államok
- Állapot
- Lépés
- Még mindig
- tárolás
- memorizált
- Stratégiai
- szerkesztett
- Küzdelem
- stúdió
- Tanulmány
- ilyen
- javasol
- Támogatja
- sydney
- Systems
- táblázat
- felszerelés
- taktika
- tart
- Feladat
- feladatok
- csapat
- mondd
- sablon
- feltételek
- szöveg
- szövegi
- mint
- hogy
- A
- az információ
- azok
- Ott.
- ezáltal
- ebből adódóan
- Ezek
- ők
- Szerintem
- Harmadik
- ezt
- három
- idő
- időigényes
- nak nek
- szerszámok
- hagyományos
- Vonat
- kiképzett
- Képzések
- transzformátor
- Utazó
- kettő
- típus
- típusok
- alatt
- megért
- megértés
- egyedi
- Egyetemes
- kinyit
- frissítve
- frissítése
- helyt
- feltöltve
- használ
- használati eset
- használó
- User Experience
- felhasználói adatvédelem
- Felhasználók
- segítségével
- Értékek
- fajta
- különféle
- keresztül
- videó
- Sértés
- látomás
- kötet
- kötetek
- Út..
- módon
- we
- háló
- webes szolgáltatások
- honlapok
- JÓL
- Mit
- amikor
- ami
- miért
- lesz
- val vel
- belül
- nélkül
- szavak
- Munka
- dolgozó
- világ
- lenne
- év
- te
- A te
- zephyrnet