Amazon SageMaker Ground Truth Plus segít a kiváló minőségű képzési adatkészletek elkészítésében azáltal, hogy megszünteti az épületadat-címkéző alkalmazásokhoz kapcsolódó differenciálatlan nehézemelést és kezeli a címkézési munkaerőt. Csak annyit kell tennie, hogy megosztja az adatokat a címkézési követelményekkel együtt, és a Ground Truth Plus beállítja és kezeli az adatcímkézési munkafolyamatot ezen követelmények alapján. Innentől kezdve a különféle gépi tanulási (ML) feladatokra képzett szakértő munkaerő címkézi fel az Ön adatait. A Ground Truth Plus használatához még mély ML-szakértelemre vagy munkafolyamat-tervezési és minőségirányítási ismeretekre sincs szüksége. A Ground Truth Plus most olyan ügyfeleket szolgál ki, akiknek adatcímkézésre és emberi visszajelzésre van szükségük a generatív AI-alkalmazások alapmodelljei finomhangolásához.
Ebben a bejegyzésben megismerheti a SageMaker Ground Truth Plus-on keresztül elérhető, generatív mesterséges intelligencia emberi visszajelzéseinek legújabb fejlesztéseit. Ez magában foglalja az új munkafolyamatokat és felhasználói felületeket (UI-k) a felügyelt finomhangolás során használt demonstrációs adatkészletek elkészítéséhez, kiváló minőségű emberi visszajelzések gyűjtéséhez a generatív mesterségesintelligencia-alapmodellek és az emberi preferenciák összehangolásához szükséges preferencia-adatkészletek létrehozásához, valamint a modellek testreszabásához az alkalmazáskészítők számára. ' stílus, tartalom és hang követelményei.
A generatív mesterséges intelligencia használatának megkezdésének kihívásai
A generatív AI-alkalmazások szerte a világon egyaránt tartalmaznak egymódusú és multimodális alapmodelleket, amelyek számos különféle felhasználási esetet megoldanak. Közöttük gyakoriak a chatbotok, képgenerátorok és videógenerátorok. A nagy nyelvi modelleket (LLM) használják a chatbotokban kreatív tevékenységekhez, akadémiai és személyi asszisztensekhez, üzleti intelligencia-eszközökhöz és termelékenységi eszközökhöz. Szöveg-kép modellek segítségével absztrakt vagy valósághű mesterséges intelligencia- és marketingeszközöket állíthat elő. Szöveg-videó modelleket használnak videók generálására művészeti projektekhez, rendkívül vonzó reklámokhoz, videojáték-fejlesztéshez, sőt filmfejlesztéshez.
A két legfontosabb megoldandó probléma mind az alapmodelleket készítő modellgyártók, mind az alkalmazáskészítők számára, akik meglévő generatív alapmodelleket használnak saját eszközeik és alkalmazásaik elkészítéséhez:
- Ezen alapmodellek finomhangolása, hogy képesek legyenek konkrét feladatok elvégzésére
- Az emberi preferenciákhoz igazítva, hogy hasznos, pontos és ártalmatlan információkat adjanak ki
Az alapmodellek jellemzően nagy, címkézetlen adatok korpuszára vannak kiképezve, ezért nem teljesítenek jól a természetes nyelvi utasításokat követve. Egy LLM esetében ez azt jelenti, hogy általában képesek elemezni és generálni a nyelvet, de előfordulhat, hogy nem tudnak koherensen válaszolni a kérdésekre, vagy nem tudnak a felhasználó által megkívánt minőségben összefoglalni a szöveget. Például, amikor a felhasználó egy szöveg összefoglalását kéri egy promptban, egy olyan modell, amely nincs finoman beállítva a szöveg összegzésére, egyszerűen visszamondja a felszólítás szövegét a felhasználónak, vagy valami irreleváns dolgot válaszol. Ha egy felhasználó kérdést tesz fel egy témával kapcsolatban, a modell válasza csak a kérdés felolvasása lehet. A multimodális modellek, például a szöveg-kép vagy szöveg-videó modellek esetében a modellek a prompthoz nem kapcsolódó tartalmat is megjeleníthetnek. Például, ha egy vállalati grafikus arra kéri a szöveget képpé alakító modellt, hogy hozzon létre egy új logót vagy képet egy hirdetéshez, akkor előfordulhat, hogy a modell nem hoz létre releváns grafikát a prompthoz, ha csak egy általános képre vonatkozik. és egy kép elemei. Egyes esetekben a modell káros képet vagy videót jeleníthet meg, kockáztatva a felhasználók bizalmát vagy a vállalat hírnevét.
Még ha a modelleket finomhangolják is meghatározott feladatok elvégzésére, előfordulhat, hogy nem igazodnak az emberi preferenciákhoz a kimeneti tartalom jelentését, stílusát vagy lényegét illetően. LLM-ben ez pontatlan vagy akár káros tartalomként is megnyilvánulhat, amelyet a modell generál. Például egy olyan modell, amely finomhangolás révén nincs összhangban az emberi preferenciákkal, veszélyes, etikátlan vagy akár jogellenes utasításokat adhat ki a felhasználó kérésére. Nem törekedtünk arra, hogy korlátozzuk a modell által generált tartalom mennyiségét, hogy az igazodjon az emberi preferenciákhoz, hogy pontos, releváns és hasznos legyen. Ez az eltérés problémát jelenthet azoknak a cégeknek, amelyek alkalmazásaik során generatív mesterséges intelligencia modellekre támaszkodnak, például chatbotokra és multimédiás készítésre. A multimodális modellek esetében ez mérgező, veszélyes vagy sértő képek vagy videók formájában jelentkezhet. Ez akkor jelent kockázatot, ha a promptokat a modell érzékeny tartalom generálásának szándéka nélkül viszi be, és akkor is, ha a modellgyártó vagy az alkalmazáskészítő nem kívánta lehetővé tenni a modell számára, hogy ilyen tartalmat generáljon, de az mégis létrejött.
A feladat-specifikus képességek és a generatív alapmodellek emberi preferenciákkal való összehangolása érdekében a modellgyártóknak és az alkalmazáskészítőknek ember által irányított demonstrációkkal és a modellkimenetek emberi visszajelzésével kell finomhangolniuk a modelleket adatokkal.
Adatok és képzési típusok
Többféle finomhangolási módszer létezik különböző típusú címkézett adatokkal, amelyek az utasításhangolás kategóriába sorolhatók – vagy egy modell tanítása az utasítások követésére. Ezek közé tartozik a demonstrációs adatokat használó felügyelt finomhangolás (SFT) és az emberi visszacsatolásból történő megerősítéses tanulás (RLHF) preferenciaadatokat használva.
Demonstrációs adatok a felügyelt finomhangoláshoz
Az alapmodellek finomhangolásához olyan konkrét feladatok elvégzéséhez, mint a kérdések megválaszolása vagy a szövegek jó minőségű összefoglalása, a modellek SFT-n mennek keresztül demonstrációs adatokkal. A demonstrációs adatok célja, hogy irányítsák a modellt azáltal, hogy felcímkézett példákat (demonstrációkat) szolgáltatnak az emberek által elvégzett feladatokról. Például, hogy megtanítsa egy LLM-nek, hogyan válaszoljon kérdésekre, egy emberi annotátor létrehoz egy címkézett adatkészletet az ember által generált kérdés-válasz párokból, hogy bemutassa, hogyan működik a kérdés-felelet interakció nyelvileg, és mit jelent a tartalom szemantikailag. Ez a fajta SFT arra tanítja a modellt, hogy felismerje az emberek által a demonstrációs képzési adatokban bemutatott viselkedési mintákat. A modellgyártóknak el kell végezniük ezt a fajta finomhangolást, hogy megmutassák, modelljeik képesek ilyen feladatok elvégzésére a későbbi alkalmazók számára. Azok az alkalmazáskészítők, akik meglévő alapmodelleket használnak generatív AI-alkalmazásaikhoz, előfordulhat, hogy ezekre a feladatokra vonatkozó demonstrációs adatokkal finomhangolniuk kell modelleiket az iparág- vagy vállalatspecifikus adatokkal, hogy javítsák alkalmazásaik relevanciáját és pontosságát.
Preferenciaadatok az utasítások hangolásához, például az RLHF-hez
Az alapmodellek és az emberi preferenciák további összehangolása érdekében a modellgyártóknak – és különösen az alkalmazáskészítőknek – preferencia-adatkészleteket kell létrehozniuk az utasítások hangolásához. Az utasítás-hangolás kontextusában a preferenciaadatok olyan címkézett adatok, amelyek emberi visszajelzéseket rögzítenek egy generatív alapmodell által kiadott opciókészletre vonatkozóan. Jellemzően magában foglalja több következtetés értékelését vagy rangsorolását, vagy egy alapmodellből származó két következtetés páronkénti összehasonlítását valamilyen meghatározott attribútum szerint. Az LLM-ek esetében ezek a tulajdonságok a hasznosság, a pontosság és az ártalmatlanság lehetnek. Szöveg-kép modelleknél ez lehet esztétikai minőség vagy szöveg-kép igazítás. Ezek az emberi visszajelzéseken alapuló preferenciaadatok azután felhasználhatók különféle utasítás-hangolási módszerekben – beleértve az RLHF-t is – annak érdekében, hogy a modellt az emberi preferenciákhoz igazodva tovább finomítsák.
A preferenciaadatok felhasználásával végzett utasításhangolás döntő szerepet játszik az alapmodellek személyre szabásának és hatékonyságának javításában. Ez egy kulcsfontosságú lépés az egyéni alkalmazások előre betanított alapmodellekre történő felépítésében, és hatékony módszer annak biztosítására, hogy a modellek hasznos, pontos és ártalmatlan tartalmat hozzanak létre. Az utasításhangolás gyakori példája az, hogy egy chatbotot utasítanak arra, hogy három választ generáljon egy lekérdezésre, és egy ember olvassa el és rangsorolja mind a hármat valamilyen meghatározott dimenzió, például toxicitás, ténybeli pontosság vagy olvashatóság szerint. Például egy vállalat chatbotot használ a marketing részlegéhez, és meg akar bizonyosodni arról, hogy a tartalom igazodik a márkaüzenethez, nem mutat torzítást, és jól olvasható. A vállalat arra kéri a chatbotot az utasítások hangolása során, hogy készítsen három példát, és belső szakértőivel válassza ki azokat, amelyek leginkább megfelelnek a céljuknak. Idővel létrehoznak egy adatkészletet, amellyel megtanítják a modellnek, hogy az emberek milyen stílusú tartalmat részesítenek előnyben a megerősített tanulás révén. Ez lehetővé teszi a chatbot alkalmazás számára, hogy relevánsabb, olvashatóbb és biztonságosabb tartalmat adjon ki.
SageMaker Ground Truth Plus
A Ground Truth Plus mindkét kihívás megoldásában segít – demonstrációs adatkészletek létrehozása feladatspecifikus képességekkel, valamint preferencia-adatkészletek összegyűjtése az emberi visszajelzésekből, hogy a modelleket az emberi preferenciákhoz igazítsa. Kérhet projekteket LLM-ekhez és multimodális modellekhez, például szöveg-kép és szöveg-videó. Az LLM-ek számára a legfontosabb demonstrációs adatkészletek közé tartozik a kérdések és válaszok (Q&A), szövegösszegzés, szöveggenerálás és szöveg-átdolgozás tartalom-moderálás, stílus- vagy hossz-módosítás céljából. A legfontosabb LLM-beállítási adatkészletek közé tartoznak a szöveges kimenetek rangsorolása és osztályozása. A multimodális modellek esetében a legfontosabb feladattípusok közé tartozik a képek vagy videók feliratozása, valamint az események időbélyegeinek naplózása a videókban. Ezért a Ground Truth Plus segítséget nyújthat mind a modellgyártóknak, mind az alkalmazáskészítőknek generatív mesterséges intelligencia útján.
Ebben a bejegyzésben mélyebben belemerülünk az emberi annotátor és a visszacsatolás folyamatába négy esetben, amelyek mind az LLM-ek, mind a multimodális modellek demonstrációs adatait és preferenciaadatait egyaránt lefedik: kérdés-felelet párgenerálás és szöveges rangsorolás az LLM-ek számára, valamint a képaláírások és videofeliratok multimodális modellekhez.
Nagy nyelvi modellek
Ebben a részben az LLM-ek kérdés-válasz párjait és szöveges rangsorolását tárgyaljuk, valamint az Ön használati esetéhez szükséges testreszabásokat.
Kérdés-felelet párok
A következő képernyőképen egy címkézési felhasználói felület látható, amelyben egy emberi annotátor felolvas egy szövegrészt, és kérdéseket és válaszokat generál a kérdezz-felelek bemutató adatkészlet felépítése során.
Nézzük végig a felhasználói felületet a jegyzetíró cipőjében. A felhasználói felület bal oldalán az álláskérő konkrét utasításai jelennek meg az annotátor számára. Ebben az esetben az annotátornak el kell olvasnia a felhasználói felület közepén megjelenő szövegrészt, és a szöveg alapján kérdéseket és válaszokat kell létrehoznia. A jobb oldalon az annotátor által írt kérdések és válaszok láthatók. A szövegrészletet, valamint a kérdések és válaszok típusát, hosszát és számát az állást kérő személyre szabhatja a projektbeállítás során a Ground Truth Plus csapatával. Ebben az esetben az annotátor olyan kérdést hozott létre, amelynek megválaszolásához a teljes szövegrészlet megértése szükséges, és amelyet egy A teljes szövegrészre hivatkozik jelölőnégyzetet. A másik két kérdés és válasz a szövegrészlet meghatározott részein alapul, amint azt az annotátor kiemeli, színkódolt illesztéssel. Opcionálisan kérheti, hogy a kérdések és válaszok szövegrész nélkül jöjjenek létre, és adjon meg más iránymutatást az emberi kommentátorok számára – ezt a Ground Truth Plus is támogatja.
A kérdések és válaszok beküldése után egy opcionális minőség-ellenőrzési hurok munkafolyamatba kerülhetnek, ahol más emberi ellenőrök megerősítik, hogy az ügyfél által meghatározott elosztás, valamint a kérdések és válaszok típusai létrejöttek. Ha eltérés mutatkozik a vevői követelmények és az emberi annotátor által készített tartalom között, a munka visszakerül egy emberhez, hogy átdolgozza, mielőtt exportálnák az adatkészlet részeként, hogy kézbesítsék az ügyfélnek. Amikor az adatkészletet visszaküldik Önnek, készen áll arra, hogy beilleszthető a felügyelt finomhangolási munkafolyamatba, saját belátása szerint.
Szöveges rangsor
A következő képernyőkép egy felhasználói felületet mutat be az LLM kimeneteinek prompt alapján történő rangsorolására.
Egyszerűen megírhatja az utasításokat az emberi ellenőrző számára, és a munka megkezdéséhez felszólításokat és előre generált válaszokat küldhet a Ground Truth Plus projektcsapatnak. Ebben az esetben azt kértük, hogy egy emberi felülvizsgáló rangsoroljon három választ egy LLM-től az írás világosságának (olvashatóságának) dimenziója alapján. A bal oldali ablaktábla ismét az álláskérő által a felülvizsgálónak adott utasításokat mutatja. Középen a prompt az oldal tetején található, a három előre generált válasz pedig a fő szövegrész a könnyebb használat érdekében. A felhasználói felület jobb oldalán az emberi felülvizsgáló a legtöbbtől a legkevésbé tiszta írásig rangsorolja őket.
Az ilyen típusú preferencia-adatkészletet létrehozni kívánó ügyfelek között vannak olyan alkalmazáskészítők, akik érdeklődnek az emberszerű chatbotok készítése iránt, és ezért szeretnék az utasításokat saját használatra testre szabni. A prompt hossza, a válaszok száma és a rangsorolási dimenzió mind testreszabható. Előfordulhat például, hogy öt választ rangsorolhat a legpontosabbaktól a legkevésbé tényszerűekig, elfogultak vagy mérgezőek, vagy akár több dimenziót is rangsorolhat és osztályozhat egyszerre. Ezeket a testreszabásokat a Ground Truth Plus támogatja.
Multimodális modellek
Ebben a részben a multimodális modellek, például a szöveg-kép és a szöveg-videó modellek képzéséhez szükséges kép- és videófeliratokat, valamint az adott használati esetnek megfelelő testreszabásokat tárgyaljuk.
Képaláírás
A következő képernyőképen egy címkézési felület látható a képaláírásokhoz. Kérhet projektet képaláírással, hogy adatokat gyűjtsön egy szöveg-kép modell vagy egy kép-szöveg modell betanításához.
Ebben az esetben egy szöveg-kép modell betanítását kértük, és konkrét követelményeket támasztunk a felirattal kapcsolatban a hossz és a részletesség tekintetében. A felhasználói felületet úgy alakították ki, hogy segítő és leíró eszközökön keresztül mentális keretet biztosítva végigvezesse az emberi kommentátorokat a gazdag feliratok létrehozásának kognitív folyamatán. Azt találtuk, hogy ennek a mentális keretnek az annotátorok számára történő biztosítása sokkal leíróbb és pontosabb feliratokat eredményez, mint egy szerkeszthető szövegdoboz önmagában.
A keretrendszer első lépése az, hogy az emberi annotátor azonosítsa a kép kulcsfontosságú objektumait. Amikor a jegyző kiválaszt egy objektumot a képen, egy színkódolt pont jelenik meg az objektumon. Ebben az esetben az annotátor a kutyát és a macskát is kiválasztotta, két szerkeszthető mezőt hozva létre a felhasználói felület jobb oldalán, ahol a jegyző beírja az objektumok nevét – macska és kutya – az egyes objektumok részletes leírásával együtt. Ezután az annotátort arra irányítják, hogy azonosítsa a képen látható összes objektum közötti összes kapcsolatot. Ilyenkor a macska a kutya mellett pihen. Ezután az annotátornak meg kell határoznia a kép bizonyos attribútumait, például a beállítást, a hátteret vagy a környezetet. Végül a feliratbeviteli szövegmezőben az annotátor arra utasítja, hogy az objektumok, kapcsolatok és képbeállítási mezőkbe írt szövegeket a kép teljes, leíró feliratává tegye.
Opcionálisan beállíthatja ezt a képaláírást úgy, hogy az emberi alapú minőségellenőrző hurkon menjen keresztül, konkrét utasításokkal annak biztosítására, hogy a felirat megfelel-e a követelményeknek. Ha problémát azonosítanak, például hiányzó kulcsobjektumot, akkor a felirat visszaküldhető, hogy egy ember javítsa ki a hibát, mielőtt exportálná a betanítási adatkészlet részeként.
Videó feliratozás
A következő képernyőképen egy videofeliratozási kezelőfelület látható, amely időbélyegcímkékkel ellátott gazdag videofeliratokat generál. Kérhet videófelirat-projektet, hogy adatokat gyűjtsön a szöveg-videó vagy videó-szöveg modellek létrehozásához.
Ebben a címkézési felhasználói felületen hasonló mentális keretet építettünk fel, hogy biztosítsuk a jó minőségű feliratok írását. Az emberi kommentátor vezérelheti a videót a bal oldalon, és leírásokat és időbélyegeket hozhat létre a videóban látható minden tevékenységhez a jobb oldalon a felhasználói felület elemeivel. A képaláírási felülethez hasonlóan itt is van egy hely, ahol az annotátor részletes leírást írhat a videó beállításáról, hátteréről és környezetéről. Végül a jegyzőt arra utasítják, hogy az összes elemet egy koherens videófeliratba vonja össze.
A képaláírás esetéhez hasonlóan a videofeliratok opcionálisan egy emberi alapú minőség-ellenőrzési munkafolyamaton is áthaladhatnak annak megállapítására, hogy teljesülnek-e a követelmények. Ha probléma adódik a videó felirataival, akkor azt átdolgozásra küldi a kommentátor munkatársa.
Következtetés
A Ground Truth Plus segítségével kiváló minőségű adatkészleteket készíthet a generatív AI-feladatok alapmodelleinek finomhangolásához, a kérdések megválaszolásától a képek és videók generálásáig. Lehetővé teszi azt is, hogy a képzett humán munkaerő felülvizsgálja a modell kimeneteit, hogy megbizonyosodjon arról, hogy azok összhangban vannak az emberi preferenciákkal. Ezenkívül lehetővé teszi az alkalmazáskészítők számára, hogy iparági vagy vállalati adataik alapján testreszabják a modelleket, így biztosítva, hogy alkalmazásaik az általuk preferált hangot és stílust képviseljék. Ezek az elsők a Ground Truth Plus számos újítása közül, és további fejlesztés alatt áll. Maradjon velünk a jövőbeli bejegyzésekkel kapcsolatban.
Érdekel egy projekt elindítása generatív AI modelljei és alkalmazásai létrehozására vagy fejlesztésére? Kezdje el a Ground Truth Plus használatát kapcsolódni a csapatunkhoz Ma.
A szerzőkről
Jesse Manders vezető termékmenedzser az AWS AI/ML embernél a hurokszolgáltatási csapatban. A mesterséges intelligencia és az emberi interakció metszéspontjában dolgozik azzal a céllal, hogy AI/ML termékeket és szolgáltatásokat hozzon létre és fejlesszen az igényeinknek megfelelően. Korábban Jesse vezető szerepet töltött be az Apple és a Lumileds mérnöki területén, és vezető tudós volt egy Szilícium-völgyi startupban. MS és Ph.D fokozata van. a Floridai Egyetemen, és MBA diplomát a Kaliforniai Egyetemen (Berkeley, Haas School of Business).
Romi Datta az Amazon SageMaker csapatának termékmenedzsmentért felelős vezető menedzsere, aki a Human in the Loop szolgáltatásokért felelős. Több mint 4 éve dolgozik az AWS-ben, és számos termékmenedzsment-vezetői szerepet tölt be a SageMaker, az S3 és az IoT területén. Az AWS előtt különböző termékmenedzsment, mérnöki és üzemeltetési vezetői pozíciókban dolgozott az IBM-nél, a Texas Instrumentsnél és az Nvidiánál. MS és Ph.D fokozata van. Elektromos és számítástechnikai mérnöki diplomát a Texasi Egyetemen, Austinban, valamint MBA-t a University of Chicago Booth School of Business-n.
Jonathan Buck az Amazon Web Services szoftvermérnöke, aki a gépi tanulás és az elosztott rendszerek találkozási pontján dolgozik. Munkája magában foglalja a gépi tanulási modellek gyártását és a gépi tanulással hajtott új szoftveralkalmazások fejlesztését, hogy a legújabb képességeket az ügyfelek kezébe adja.
Alex Williams alkalmazott tudós az AWS AI humán-in-the-loop tudományos csapatában, ahol interaktív rendszerkutatást végez az ember-számítógép interakció (HCI) és a gépi tanulás metszéspontjában. Mielőtt csatlakozott volna az Amazonhoz, a Tennessee Egyetem Villamosmérnöki és Számítástechnikai Tanszékének professzora volt, ahol társigazgatóként irányította a People, Agents, Interactions and Systems (PAIRS) kutatólaboratóriumot. Emellett kutatói pozíciókat töltött be a Microsoft Researchnél, a Mozilla Researchnél és az Oxfordi Egyetemen. Munkáit rendszeresen publikálja a HCI vezető publikációs helyszínein, mint például a CHI, a CSCW és az UIST. A Waterloo Egyetemen szerzett PhD fokozatot.
Sarah Gao az Amazon SageMaker Human In the Loop (HIL) szoftverfejlesztési menedzsere, aki az ML alapú címkézési platform kiépítéséért felelős. Sarah több mint 4 éve dolgozik az AWS-nél, és számos szoftverkezelési vezető szerepet tölt be az EC2 biztonság és a SageMaker területén. Az AWS előtt különböző mérnöki vezetői beosztásokban dolgozott az Oracle-nél és a Sun Microsystemnél.
Erran Li a human-in-the-loop szolgáltatások, az AWS AI, Amazon alkalmazott tudományos menedzsere. Kutatási területe a 3D mély tanulás, valamint a látás és nyelvi reprezentáció tanulása. Korábban az Alexa AI vezető tudósa, a Scale AI gépi tanulási vezetője és a Pony.ai vezető tudósa volt. Ezt megelőzően az Uber ATG észlelési csapatánál és az Uber gépi tanulási platform csapatánál dolgozott az autonóm vezetés gépi tanulásán, a gépi tanulási rendszereken és az AI stratégiai kezdeményezésein. Pályafutását a Bell Labs-nál kezdte, és a Columbia Egyetem adjunktusa volt. Társaként tartott oktatóanyagokat az ICML'17-en és az ICCV'19-en, és több workshopot szervezett a NeurIPS-ben, ICML-ben, CVPR-ben, ICCV-ben az autonóm vezetés gépi tanulásáról, a 3D-látásról és a robotikáról, a gépi tanulási rendszerekről és az ellenséges gépi tanulásról. A Cornell Egyetemen szerzett PhD fokozatot számítástechnikából. ACM-ösztöndíjas és IEEE-ösztöndíjas.
- SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
- PlatoAiStream. Web3 adatintelligencia. Felerősített tudás. Hozzáférés itt.
- A jövő pénzverése – Adryenn Ashley. Hozzáférés itt.
- Részvények vásárlása és eladása PRE-IPO társaságokban a PREIPO® segítségével. Hozzáférés itt.
- Forrás: https://aws.amazon.com/blogs/machine-learning/high-quality-human-feedback-for-your-generative-ai-applications-from-amazon-sagemaker-ground-truth-plus/
- :van
- :is
- :nem
- :ahol
- $ UP
- 100
- 3d
- 7
- a
- Képes
- Rólunk
- KIVONAT
- egyetemi
- Szerint
- pontosság
- pontos
- ACM
- tevékenység
- Ezen kívül
- cím
- alkalmazók
- fejlesztések
- ellenséges
- Hirdetés
- újra
- szerek
- AI
- ai művészet
- AI / ML
- Alexa
- összehangolása
- igazított
- igazítás
- Minden termék
- lehetővé
- lehetővé teszi, hogy
- kizárólag
- mentén
- Is
- amazon
- Amazon SageMaker
- Amazon SageMaker Ground Truth
- Az Amazon Web Services
- között
- an
- és a
- válasz
- válaszok
- Megjelenik
- Apple
- Alkalmazás
- alkalmazások
- alkalmazott
- VANNAK
- körül
- Művészet
- AS
- Eszközök
- asszisztensek
- társult
- At
- attribútumok
- Austin
- autonóm
- elérhető
- AWS
- vissza
- háttér
- alapján
- BE
- óta
- előtt
- hogy
- Csengő
- Berkeley
- között
- elfogult
- torzítások
- test
- mindkét
- Doboz
- márka
- hoz
- épít
- építész
- építők
- Épület
- épült
- üzleti
- üzleti intelligencia
- de
- by
- Kalifornia
- TUD
- képességek
- képes
- feliratok
- fogások
- ami
- Karrier
- eset
- esetek
- CAT
- Központ
- változik
- chatbot
- chatbots
- ellenőrizze
- Chicago
- fő
- választott
- világosság
- osztályoz
- világos
- világosan
- kognitív
- ÖSSZEFÜGGŐ
- KOLUMBIA
- össze
- Közös
- Companies
- vállalat
- összehasonlítva
- teljes
- Befejezett
- számítógép
- Informatika
- Computer Science
- koncepció
- magatartások
- bizalom
- megerősít
- tartalom
- kontextus
- ellenőrzés
- Cornell
- Társasági
- kijavítására
- tudott
- fedő
- teremt
- készítette
- létrehozása
- teremtés
- Kreatív
- kritikus
- szokás
- vevő
- Ügyfelek
- testre
- szabott
- Veszélyes
- dátum
- adatkészletek
- mély
- mély tanulás
- mélyebb
- szállít
- szállított
- bizonyítani
- igazolták
- osztály
- leírás
- Design
- tervezett
- Tervező
- részlet
- részletes
- Határozzuk meg
- fejlesztése
- Fejlesztés
- különböző
- Dimenzió
- méretek
- belátása
- megvitatni
- megosztott
- elosztott rendszerek
- terjesztés
- do
- Nem
- Kutya
- csinált
- ne
- DOT
- vezetés
- alatt
- minden
- könnyű
- egyszerű használat
- hatékonyság
- elemek
- lehetővé teszi
- vonzó
- mérnök
- Mérnöki
- fokozása
- biztosítására
- belép
- Egész
- Környezet
- különösen
- Még
- események
- példa
- példák
- kiállít
- létező
- szakértő
- szakvélemény
- szakértők
- Visszacsatolás
- fickó
- Fields
- Film
- Végül
- vezetéknév
- Florida
- áramlási
- következik
- következő
- A
- forma
- talált
- Alapítvány
- négy
- Keretrendszer
- ból ből
- további
- jövő
- játék
- játékfejlesztés
- GAO
- gyűjt
- gyűjtése
- általános
- generál
- generált
- generáló
- generáció
- nemző
- Generatív AI
- generátorok
- kap
- szerzés
- adott
- cél
- Grafikus
- Földi
- útmutató
- irányelvek
- kellett
- kezek
- káros
- Legyen
- HCl
- he
- fej
- nehéz
- súlyemelés
- hős
- segít
- hasznos
- segít
- Magas
- jó minőségű
- kiemeli
- nagyon
- övé
- holding
- tart
- Hogyan
- How To
- HTML
- HTTPS
- emberi
- Az emberek
- IBM
- azonosított
- azonosítani
- IEEE
- if
- Illegális
- kép
- képek
- fontos
- javul
- javuló
- in
- pontatlan
- tartalmaz
- magában foglalja a
- bele
- ipar
- iparág-specifikus
- kezdeményezések
- újítások
- bemenet
- utasítás
- eszközök
- Intelligencia
- szándékolt
- Szándék
- kölcsönhatás
- kölcsönhatások
- interaktív
- érdekelt
- érdekek
- interfészek
- belső
- útkereszteződés
- bele
- tárgyak internete
- kérdés
- kérdések
- IT
- ITS
- maga
- Munka
- csatlakozott
- utazás
- jpg
- éppen
- Kulcs
- Kedves
- tudás
- címkézés
- Címkék
- laboratórium
- Labs
- nyelv
- nagy
- legutolsó
- Vezetés
- TANUL
- tanulás
- legkevésbé
- balra
- Hossz
- emelő
- LIMIT
- LLM
- fakitermelés
- logo
- gép
- gépi tanulás
- Fő
- csinál
- vezetés
- menedzser
- kezeli
- kezelése
- sok
- megjelölt
- Marketing
- egyező
- Lehet..
- jelenti
- eszközök
- Találkozik
- Megfelel
- szellemi
- üzenet
- módszer
- mód
- microsoft
- hiányzó
- ML
- modell
- modellek
- mérséklet
- több
- a legtöbb
- Mozilla
- multimédia
- többszörös
- kell
- nevek
- Természetes
- Szükség
- igények
- Új
- következő
- nem
- regény
- Most
- szám
- Nvidia
- tárgy
- objektumok
- of
- on
- azok
- csak
- operatív
- Opciók
- or
- jóslat
- érdekében
- Más
- mi
- teljesítmény
- felett
- saját
- Oxford
- oldal
- pár
- párok
- üvegtábla
- rész
- különös
- alkatrészek
- Elmúlt
- minták
- Emberek (People)
- észlelés
- Teljesít
- előadó
- személyes
- Testreszabás
- Hely
- emelvény
- Plató
- Platón adatintelligencia
- PlatoData
- játszik
- plusz
- pozíciók
- állás
- Hozzászólások
- powered
- erős
- jobban szeret
- preferenciák
- előnyben részesített
- miniszterelnök
- Készít
- előkészítése
- bemutatott
- korábban
- Előzetes
- Probléma
- problémák
- folyamat
- gyárt
- Készült
- termelő
- Termelők
- Termékek
- termékmenedzsment
- termék menedzser
- termelékenység
- Termékek
- Egyetemi tanár
- program
- projektek
- ad
- feltéve,
- amely
- A megjelenés
- közzéteszi
- cél
- célokra
- tesz
- Kérdések és válaszok
- világítás
- kérdés
- Kérdések
- Ranking
- értékelés
- Olvass
- kész
- valószerű
- új
- elismerik
- rendszeresen
- összefüggő
- Kapcsolatok
- támaszkodnak
- eltávolítása
- képviselet
- jelentése
- hírnév
- kérni
- kéri
- kötelező
- követelmények
- megköveteli,
- kutatás
- tisztelet
- Reagálni
- válasz
- válaszok
- felelős
- Eredmények
- Kritika
- Gazdag
- jobb
- Kockázat
- kockáztatva
- robotika
- Szerep
- szerepek
- s
- biztonságos
- sagemaker
- Skála
- skála ai
- Iskola
- Tudomány
- Tudós
- Rész
- biztonság
- idősebb
- érzékeny
- küldött
- Szolgáltatások
- szolgáló
- készlet
- Szettek
- beállítás
- felépítés
- számos
- Megosztás
- ő
- előadás
- mutatott
- Műsorok
- oldal
- Szilícium
- Silicon Valley
- hasonló
- egyszerűen
- egyszerre
- egyetlen
- szakképzett
- szoftver
- szoftverfejlesztés
- Software Engineer
- SOLVE
- néhány
- valami
- különleges
- meghatározott
- kezdet
- kezdődött
- Kezdve
- indítás
- tartózkodás
- Lépés
- Stratégiai
- stílus
- benyújtott
- anyag
- ilyen
- összegez
- ÖSSZEFOGLALÓ
- nap
- Támogatott
- feltételezett
- Systems
- Vesz
- meghozott
- Feladat
- feladatok
- Tanítási
- csapat
- Tennessee
- feltételek
- Texas
- mint
- hogy
- A
- a világ
- azok
- Őket
- akkor
- Ott.
- ebből adódóan
- Ezek
- ők
- ezt
- három
- Keresztül
- idő
- időbélyeg
- nak nek
- Ma
- szerszámok
- felső
- téma
- Bejárás
- Vonat
- kiképzett
- Képzések
- vonatok
- igazság
- oktatóanyagok
- kettő
- típus
- típusok
- jellemzően
- Uber
- ui
- megértés
- egyetemi
- University of California
- University of Chicago
- University of Oxford
- használ
- használati eset
- használt
- használó
- segítségével
- Völgy
- fajta
- különféle
- helyszínek
- videó
- videojáték
- Videók
- látomás
- Hang
- akar
- hiányzó
- akar
- volt
- we
- háló
- webes szolgáltatások
- JÓL
- Mit
- amikor
- ami
- WHO
- egész
- lesz
- val vel
- nélkül
- Munka
- dolgozott
- munkafolyamat
- munkafolyamatok
- munkaerő
- dolgozó
- művek
- Műhelyek
- világ
- lenne
- ír
- írás
- írott
- év
- te
- A te
- zephyrnet