A nagy nyelvi modellek (LLM) elterjedésének lehetünk tanúi, amelyek a generatív AI-alkalmazásokat biztosítják az iparágakban. Az LLM-ek sokféle feladatra képesek, például kreatív tartalom generálására, kérdések megválaszolására chatbotokon keresztül, kód generálására stb.
Azok a szervezetek, amelyek LLM-et kívánnak használni alkalmazásaik működtetésére, egyre óvatosabbak az adatvédelemmel kapcsolatban, hogy biztosítsák a bizalom és a biztonság fenntartását generatív AI-alkalmazásaikban. Ez magában foglalja az ügyfelek személyazonosításra alkalmas adatainak (PII) megfelelő kezelését. Ez magában foglalja a visszaélésszerű és nem biztonságos tartalmak LLM-ekhez való terjesztésének megakadályozását, valamint annak ellenőrzését, hogy az LLM-ek által generált adatok ugyanazokat az elveket követik-e.
Ebben a bejegyzésben az általunk működtetett új funkciókat tárgyaljuk Amazon Comprehend amelyek lehetővé teszik a zökkenőmentes integrációt az adatvédelem, a tartalombiztonság és az azonnali biztonság érdekében az új és a meglévő generatív AI-alkalmazásokban.
Az Amazon Comprehend egy természetes nyelvi feldolgozó (NLP) szolgáltatás, amely gépi tanulást (ML) használ a dokumentumokon belüli strukturálatlan adatok és szövegek információinak feltárására. Ebben a bejegyzésben megvitatjuk, hogy miért számít az LLM-ekkel való bizalom és biztonság az Ön munkaterhelése szempontjából. Mélyebbre ásunk abban is, hogyan használják fel ezeket az új moderációs képességeket a népszerű generatív AI-fejlesztési keretrendszerrel. LangChain testreszabható megbízhatósági és biztonsági mechanizmus bevezetésére az Ön használati esetére.
Miért számít az LLM-ek iránti bizalom és biztonság?
A bizalom és a biztonság a legfontosabb az LLM-ekkel való munkavégzés során, mivel ezek az alkalmazások széles skálájára, az ügyfélszolgálati chatbotoktól a tartalomgenerálásig jelentős hatással vannak. Mivel ezek a modellek hatalmas mennyiségű adatot dolgoznak fel, és emberszerű válaszokat generálnak, nő a visszaélések vagy a nem kívánt következmények lehetősége. Annak biztosítása, hogy ezek a mesterséges intelligencia rendszerek etikus és megbízható határokon belül működjenek, kulcsfontosságú, nemcsak az őket használó vállalkozások hírnevének, hanem a végfelhasználók és ügyfelek bizalmának megőrzése szempontjából is.
Sőt, ahogy az LLM-ek egyre jobban beépülnek mindennapi digitális élményeinkbe, úgy nő befolyásuk felfogásunkra, meggyőződésünkre és döntéseinkre. Az LLM-ekkel való bizalom és biztonság biztosítása túlmutat a technikai intézkedéseken; a mesterséges intelligencia gyakorlóinak és szervezeteinek szélesebb körű felelősségéről beszél az etikai normák betartásában. A bizalom és a biztonság előtérbe helyezésével a szervezetek nemcsak felhasználóikat védik, hanem a mesterséges intelligencia fenntartható és felelős növekedését is biztosítják a társadalomban. Segíthet csökkenteni a káros tartalom létrehozásának kockázatát, és segíthet a szabályozási követelmények betartásában.
A bizalom és biztonság területén a tartalommoderálás egy olyan mechanizmus, amely különféle szempontokkal foglalkozik, többek között, de nem kizárólagosan:
- Adatvédelem – A felhasználók akaratlanul is olyan szöveget adhatnak meg, amely érzékeny információkat tartalmaz, ezzel veszélyeztetve magánéletüket. A személyazonosításra alkalmas adatok észlelése és szerkesztése elengedhetetlen.
- Toxicitás – A káros tartalmak, például a gyűlöletbeszéd, a fenyegetés vagy a visszaélés felismerése és kiszűrése rendkívül fontos.
- Felhasználói szándék – Nagyon fontos annak meghatározása, hogy a felhasználói bevitel (prompt) biztonságos-e vagy nem biztonságos. A nem biztonságos felszólítások kifejezetten vagy hallgatólagosan rosszindulatú szándékot fejezhetnek ki, például személyes vagy személyes adatok kérését, valamint sértő, diszkriminatív vagy illegális tartalmat generálhatnak. A felszólítások hallgatólagosan kifejezhetnek vagy tanácsot kérhetnek orvosi, jogi, politikai, vitatott, személyes vagy pénzügyi kérdésekben.
Tartalom moderálása az Amazon Comprehend segítségével
Ebben a részben az Amazon Comprehend szolgáltatással végzett tartalommoderálás előnyeit tárgyaljuk.
Az adatvédelem kezelése
Az Amazon Comprehend már foglalkozik az adatvédelemmel a meglévő személyazonosításra alkalmas adatok észlelése és szerkesztése révén DetectPIIEntities és a TartalmazPIIEntities API-k. Ezt a két API-t NLP-modellek támogatják, amelyek nagyszámú személyazonosításra alkalmas entitást képesek észlelni, például társadalombiztosítási számokat (SSN), hitelkártyaszámokat, neveket, címeket, telefonszámokat stb. Az entitások teljes listáját lásd: PII univerzális entitástípusok. A DetectPII a személyazonosításra alkalmas entitás karakterszintű pozícióját is biztosítja a szövegen belül; például a NÉV entitás (John Doe) kezdőkarakterpozíciója a „My name is John Doe” értéke 12, a karakter végpozíciója pedig 19. Ezek az eltolások használhatók az értékek elfedésére vagy szerkesztésére, ezáltal csökkentve a privát adatok LLM-ekbe való terjedésének kockázatát.
A toxicitás kezelése és az azonnali biztonság
Ma két új Amazon Comprehend funkciót jelentünk be API-k formájában: Toxicitás-érzékelés a DetectToxicContent
API-t és azonnali biztonsági besorolást a ClassifyDocument
API. Ne feledje, hogy DetectToxicContent
egy új API, míg ClassifyDocument
egy létező API, amely most már támogatja az azonnali biztonsági besorolást.
Toxicitás kimutatása
Az Amazon Comprehend toxicitás-észlelés segítségével azonosíthatja és megjelölheti azokat a tartalmakat, amelyek károsak, sértőek vagy nem megfelelőek lehetnek. Ez a képesség különösen értékes azokon a platformokon, ahol a felhasználók tartalmat hoznak létre, például közösségi média webhelyek, fórumok, chatbotok, megjegyzésrészek és alkalmazások, amelyek LLM-eket használnak a tartalom létrehozására. Az elsődleges cél a pozitív és biztonságos környezet fenntartása a mérgező tartalom terjedésének megakadályozásával.
Lényegében a toxicitás-észlelési modell elemzi a szöveget, hogy meghatározza annak valószínűségét, hogy az tartalmaz-e gyűlöletkeltő tartalmat, fenyegetést, obszcenitást vagy egyéb káros szöveget. A modellt hatalmas adathalmazokra képezték ki, amelyek mérgező és nem mérgező tartalomra egyaránt tartalmaznak példákat. A toxicitási API kiértékel egy adott szövegrészt, hogy megadja a toxicitási osztályozást és a megbízhatósági pontszámot. A generatív AI-alkalmazások ezután felhasználhatják ezeket az információkat a megfelelő intézkedések megtételére, például a szöveg LLM-ekbe való terjedésének leállítására. Jelen állás szerint a toxicitás-detektáló API által észlelt címkék HATE_SPEECH
, GRAPHIC
, HARRASMENT_OR_ABUSE
, SEXUAL
, VIOLENCE_OR_THREAT
, INSULT
és PROFANITY
. A következő kód bemutatja a Python Boto3 API-hívást az Amazon Comprehend toxicitás észleléséhez:
Azonnali biztonsági osztályozás
Az Amazon Comprehend azonnali biztonsági besorolása segít a beviteli szöveges prompt biztonságosnak vagy nem biztonságosnak minősítésében. Ez a képesség kulcsfontosságú olyan alkalmazások esetében, mint a chatbotok, virtuális asszisztensek vagy tartalommoderáló eszközök, ahol a felszólítás biztonságának megértése meghatározhatja a válaszokat, a műveleteket vagy a tartalom terjesztését az LLM-ek felé.
Lényegében az azonnali biztonsági besorolás elemzi az emberi hozzájárulást bármilyen kifejezett vagy burkolt rosszindulatú szándékra, mint például személyes vagy privát adatok kérése, valamint sértő, diszkriminatív vagy illegális tartalom létrehozása. Azt is megjelöli, hogy orvosi, jogi, politikai, vitatott, személyes vagy pénzügyi témákban tanácsot kérnek. Az azonnali besorolás két osztályt ad vissza, UNSAFE_PROMPT
és a SAFE_PROMPT
, egy társított szöveghez, mindegyikhez kapcsolódó megbízhatósági pontszámmal. A megbízhatósági pontszám 0 és 1 között van, és az összesített értéke 1. Például egy ügyfélszolgálati chatbotban a „Hogyan állíthatom vissza a jelszavamat?” jelzi a szándékot, hogy útmutatást kérjen a jelszó-visszaállítási eljárásokkal kapcsolatban, és a következővel van megjelölve SAFE_PROMPT
. Hasonlóképpen egy olyan kijelentés, mint „Bárcsak valami rossz történne veled” megjelölhető potenciálisan káros szándékként, és a következőként jelölhető meg UNSAFE_PROMPT
. Fontos megjegyezni, hogy az azonnali biztonsági besorolás elsősorban az emberi bemenetekből (kérdésekből) származó szándékok észlelésére összpontosít, nem pedig a gép által generált szövegre (LLM-kimenetek). A következő kód bemutatja, hogyan érhető el az azonnali biztonsági besorolás funkció a ClassifyDocument
API-k:
Ne feledje, hogy endpoint_arn
az előző kódban egy AWS által biztosított Amazon erőforrás száma (ARN) a minta arn:aws:comprehend:<region>:aws:document-classifier-endpoint/prompt-safety
, Ahol <region>
az Ön által választott AWS régió, ahol Az Amazon Comprehend elérhető.
E képességek bemutatására építettünk egy mintacsevegő-alkalmazást, amelyben megkérünk egy LLM-et, hogy kinyerje ki a személyazonosításra alkalmas entitásokat, például címet, telefonszámot és SSN-t egy adott szövegrészből. Az LLM megkeresi és visszaküldi a megfelelő személyazonosításra alkalmas entitásokat, amint az a bal oldali képen látható.
Az Amazon Comprehend moderálásával szerkeszthetjük az LLM bemenetét és az LLM kimenetét. A jobb oldali képen az SSN érték szerkesztés nélkül továbbítható az LLM-nek. Az LLM válaszában szereplő SSN-értékek azonban törlődnek.
Az alábbiakban bemutatunk egy példát arra, hogyan lehet megakadályozni, hogy egy személyazonosításra alkalmas információkat tartalmazó prompt teljesen eljusson az LLM-hez. Ez a példa egy felhasználót mutat be, aki olyan kérdést tesz fel, amely személyazonosításra alkalmas adatokat tartalmaz. Amazon Comprehend moderálást használunk a személyazonosításra alkalmas entitások felderítésére a promptban, és a folyam megszakításával hibát jelenítünk meg.
Az előző csevegési példák bemutatják, hogy az Amazon Comprehend moderálása hogyan alkalmaz korlátozásokat az LLM-nek küldött adatokra. A következő szakaszokban elmagyarázzuk, hogyan valósítható meg ez a moderációs mechanizmus a LangChain használatával.
Integráció a LangChain-nel
Az LLM-ek különféle felhasználási esetekre való alkalmazásának végtelen lehetőségeivel ugyanolyan fontossá vált a generatív AI-alkalmazások fejlesztésének egyszerűsítése. LangChain egy népszerű nyílt forráskódú keretrendszer, amellyel könnyedén lehet generatív AI-alkalmazásokat fejleszteni. Az Amazon Comprehend moderálása kibővíti a LangChain keretrendszert, hogy személyazonosításra alkalmas adatok azonosítására és szerkesztésére, toxicitás-észlelésre és azonnali biztonsági osztályozási lehetőségeket kínáljon. AmazonComprehendModerationChain
.
AmazonComprehendModerationChain
egyedi megvalósítása a LangChain alaplánc felület. Ez azt jelenti, hogy az alkalmazások használhatják ezt a láncot a sajátjaikkal LLM láncok hogy alkalmazza a kívánt moderálást a beviteli promptra, valamint az LLM kimeneti szövegére. Láncok építhetők számos lánc összevonásával vagy a láncok más alkatrészekkel való keverésével. Te tudod használni AmazonComprehendModerationChain
más LLM-láncokkal, hogy komplex AI-alkalmazásokat fejleszthessenek modulárisan és rugalmasan.
A további magyarázat érdekében a következő szakaszokban bemutatunk néhány mintát. A forráskód a AmazonComprehendModerationChain
megvalósítása megtalálható a LangChain nyílt forráskódú tárház. Az API interfész teljes dokumentációját a LangChain API dokumentációjában találja Amazon Comprehend moderációs lánc. Ennek a moderációs láncnak a használata olyan egyszerű, mint az osztály egy példányának inicializálása alapértelmezett konfigurációkkal:
A színfalak mögött a moderálási lánc három egymást követő moderálási ellenőrzést hajt végre, nevezetesen a személyazonossági információ-ellenőrzést, a toxicitást és az azonnali biztonságot, amint azt a következő diagram magyarázza. Ez a moderálás alapértelmezett folyamata.
A következő kódrészlet egy egyszerű példát mutat be a moderálási lánc használatára a Amazon FalconLite LLM (amely a Falcon 40B SFT OASST-TOP1 modell) a Hugging Face Hubban házigazdája:
Az előző példában a láncunkat a következővel bővítjük comprehend_moderation
mind az LLM-be kerülő, mind az LLM által generált szöveghez. Ez alapértelmezett moderálást hajt végre, amely ellenőrzi a személyazonosításra alkalmas adatokat, a toxicitást és az azonnali biztonsági besorolást ebben a sorrendben.
Szabja testre moderálását szűrőkonfigurációkkal
Használhatja a AmazonComprehendModerationChain
specifikus konfigurációkkal, ami lehetővé teszi, hogy szabályozza, milyen moderálásokat szeretne végrehajtani generatív AI-alapú alkalmazásában. A konfiguráció lényegében három szűrőkonfiguráció áll rendelkezésre.
- ModerációPiiConfig – PII szűrő konfigurálására szolgál.
- ModerationToxicityConfig – A mérgező tartalom szűrő konfigurálására szolgál.
- ModerationIntentConfig – A szándékszűrő konfigurálására szolgál.
Ezen szűrőkonfigurációk mindegyikével testreszabhatja a moderálások viselkedését. Minden szűrő konfigurációja rendelkezik néhány közös paraméterrel, és néhány egyedi paraméterrel, amelyekkel inicializálhatók. A konfigurációk meghatározása után használja a BaseModerationConfig
osztályt, hogy meghatározza azt a sorrendet, amelyben a szűrőknek alkalmazniuk kell a szöveget. Például a következő kódban először meghatározzuk a három szűrőkonfigurációt, majd megadjuk a sorrendet, amelyben alkalmazni kell őket:
Nézzünk egy kicsit mélyebbre, hogy megértsük, mit ér el ez a konfiguráció:
- Először is a toxicitási szűrőhöz 0.6-os küszöbértéket adtunk meg. Ez azt jelenti, hogy ha a szöveg bármely elérhető mérgező címkét vagy entitást tartalmaz, amelyek pontszáma meghaladja a küszöbértéket, akkor az egész lánc megszakad.
- Ha a szövegben nem található mérgező tartalom, a személyazonosításra alkalmas adatok ellenőrzése. Ebben az esetben szeretnénk ellenőrizni, hogy a szöveg tartalmaz-e SSN-értékeket. Mert a
redact
paraméter beállításaTrue
, a lánc maszkolja az észlelt SSN-értékeket (ha vannak), ahol az SSN-entitás megbízhatósági pontszáma 0.5-nél nagyobb vagy egyenlő, a maszk karakterrel (X). Haredact
be van állítvaFalse
, a lánc minden észlelt SSN esetén megszakad. - Végül a lánc azonnali biztonsági besorolást hajt végre, és leállítja a tartalom továbbterjedését a láncban, ha a tartalom besorolásra került.
UNSAFE_PROMPT
0.8-nál nagyobb vagy egyenlő megbízhatósági pontszámmal.
A következő diagram ezt a munkafolyamatot mutatja be.
A moderálási lánc megszakadása esetén (ebben a példában a toxicitási és azonnali biztonsági osztályozási szűrőkre vonatkozik) a lánc egy Python kivétel, lényegében leállítja a folyamatban lévő láncot, és lehetővé teszi, hogy elkapja a kivételt (try-catch blokkban), és végrehajtson bármilyen releváns műveletet. A három lehetséges kivételtípus a következő:
ModerationPIIError
ModerationToxicityError
ModerationPromptSafetyError
Egy vagy több szűrőt konfigurálhat a használatával BaseModerationConfig
. Ugyanazon a láncon belül különböző konfigurációkkal is rendelkezhet azonos típusú szűrővel. Például, ha a használati eset csak személyazonosító adatokkal kapcsolatos, megadhat egy konfigurációt, amelynek meg kell szakítania a láncot, ha SSN-t észlel; ellenkező esetben szerkesztenie kell az életkort és meg kell neveznie a személyazonosításra alkalmas entitásokat. Ennek konfigurációja a következőképpen határozható meg:
Visszahívások és egyedi azonosítók használata
Ha ismeri a munkafolyamatok fogalmát, akkor azt is ismerheti visszahívások. A munkafolyamatokon belüli visszahívások független kódrészletek, amelyek akkor futnak le, ha a munkafolyamaton belül bizonyos feltételek teljesülnek. A visszahívás lehet blokkoló vagy nem blokkoló a munkafolyamatban. A LangChain láncok lényegében az LLM-ek munkafolyamatai. AmazonComprehendModerationChain
lehetővé teszi saját visszahívási funkciók meghatározását. Kezdetben a megvalósítás csak aszinkron (nem blokkoló) visszahívási funkciókra korlátozódik.
Ez gyakorlatilag azt jelenti, hogy ha visszahívásokat használ a moderációs lánccal, akkor azok a lánc lefutásától függetlenül futnak anélkül, hogy blokkolnák azt. A moderálási lánc esetében lehetőség nyílik kódrészletek futtatására, bármilyen üzleti logikával, minden moderálás után, függetlenül a lánctól.
Opcionálisan megadhat egy tetszőleges egyedi azonosító karakterláncot is, amikor létrehoz egy AmazonComprehendModerationChain
hogy később engedélyezze a naplózást és az elemzést. Például, ha egy LLM által üzemeltetett chatbotot üzemeltet, érdemes lehet nyomon követni azokat a felhasználókat, akik következetesen visszaélnek, vagy szándékosan vagy tudtukon kívül személyes adatokat tárnak fel. Ilyen esetekben szükségessé válik az ilyen promptok eredetének nyomon követése, és esetleg adatbázisban való tárolása vagy megfelelő naplózása a további teendők érdekében. Egyedi azonosítót adhat át, amely egyértelműen azonosítja a felhasználót, például a felhasználónevét vagy e-mail-címét, vagy egy olyan alkalmazásnevet, amely a felszólítást generálja.
A visszahívások és az egyedi azonosítók kombinációja hatékony módot kínál egy moderációs lánc megvalósítására, amely sokkal egységesebben illeszkedik az Ön használati esetéhez, kevesebb, könnyebben karbantartható kóddal. A visszahíváskezelő a következőn keresztül érhető el BaseModerationCallbackHandler
, három elérhető visszahívással: on_after_pii()
, on_after_toxicity()
és on_after_prompt_safety()
. Ezen visszahívási funkciók mindegyikét aszinkron módon hívják meg, miután a megfelelő moderálási ellenőrzést végrehajtották a láncon belül. Ezek a funkciók két alapértelmezett paramétert is kapnak:
- moderációs_jelző – Egy szótár, amely olyan részleteket tartalmaz, mint a szöveg, amelyen a moderálás történt, az Amazon Comprehend API teljes JSON-kimenete, a moderálás típusa, és hogy a mellékelt címkék (a konfigurációban) megtalálhatók-e a szövegben vagy sem.
- egyéni azonosító – Az egyedi azonosító, amelyet a példány példányának inicializálása során rendelt
AmazonComprehendModerationChain
.
A következő egy példa a visszahívással rendelkező megvalósítás működésére. Ebben az esetben egyetlen visszahívást definiáltunk, amelyet a személyazonosításra alkalmas adatok ellenőrzése után futni szeretnénk:
Ezután használjuk a my_callback
objektumot, miközben inicializálja a moderációs láncot, és adja át a unique_id
. Használhat visszahívásokat és egyedi azonosítókat konfigurációval vagy anélkül. Amikor alosztályoz BaseModerationCallbackHandler
, a használni kívánt szűrőktől függően a visszahívási módszerek közül egyet vagy mindegyiket megvalósítania kell. A rövidség kedvéért a következő példa bemutatja a visszahívások és a unique_id
konfiguráció nélkül:
A következő diagram bemutatja, hogyan működik ez a moderációs lánc visszahívásokkal és egyedi azonosítókkal. Pontosabban, megvalósítottuk a személyazonosításra alkalmas adatok visszahívását, amely egy JSON-fájlt ír a következőben elérhető adatokkal moderation_beacon
és a unique_id
sikeres (ebben az esetben a felhasználó e-mail címe).
Az alábbi Python notebook, összeállítottunk néhány különböző módot a moderálási lánc konfigurálására és használatára különböző LLM-ekkel, például olyan LLM-ekkel, amelyek Amazon SageMaker JumpStart és vendégül látták Átölelő Arc Hub. Beépítettük a csevegőalkalmazás mintáját is, amelyet korábban tárgyaltunk az alábbiakkal Python notebook.
Következtetés
A nagy nyelvi modellek és a generatív mesterséges intelligencia transzformációs potenciálja tagadhatatlan. Felelős és etikus használatuk azonban a bizalommal és biztonsággal kapcsolatos aggályok kezelésétől függ. A kihívások felismerésével és a kockázatok mérséklésére irányuló intézkedések aktív végrehajtásával a fejlesztők, a szervezetek és a társadalom egésze kihasználhatja e technológiák előnyeit, miközben megőrzi a sikeres integrációjukat megalapozó bizalmat és biztonságot. Az Amazon Comprehend ContentModerationChain használatával megbízhatósági és biztonsági funkciókat adhat hozzá bármely LLM-munkafolyamathoz, beleértve a LangChainben megvalósított Retrieval Augmented Generation (RAG) munkafolyamatokat is.
További információ a RAG alapú megoldások LangChain és Amazon Kendra rendkívül pontos, gépi tanulási (ML) technológiájával intelligens keresés, lát - Gyorsan építhet nagy pontosságú generatív mesterséges intelligencia alkalmazásokat vállalati adatokra az Amazon Kendra, a LangChain és a nagy nyelvi modellek segítségével. Következő lépésként tekintse meg a kódminták az Amazon Comprehend moderálás használatára hoztuk létre a LangChain segítségével. Az Amazon Comprehend moderációs lánc API teljes dokumentációját a LangChain oldalon találja API dokumentáció.
A szerzőkről
Wrick Talukdar vezető építész az Amazon Comprehend Service csapatánál. Együttműködik az AWS-ügyfelekkel, hogy segítse őket a gépi tanulás széles körben történő alkalmazásában. Munkán kívül szeret olvasni és fotózni.
Anjan Biswas vezető mesterséges intelligencia-szolgáltatási építész, aki az AI/ML-re és az adatelemzésre összpontosít. Anjan a világméretű mesterséges intelligencia-szolgáltatások csapatának tagja, és az ügyfelekkel dolgozik, hogy segítsen nekik megérteni és megoldásokat kidolgozni az AI és az ML üzleti problémáira. Anjan több mint 14 éves tapasztalattal rendelkezik a globális ellátási lánc, gyártó és kiskereskedelmi szervezetekkel kapcsolatban, és aktívan segíti az ügyfeleket az AWS AI-szolgáltatások megkezdésében és bővítésében.
Nikhil Jha az Amazon Web Services vezető műszaki ügyfélmenedzsere. Fókuszterületei közé tartozik az AI/ML és az analitika. Szabadidejében szívesen tollaszik a lányával és felfedezi a szabadban.
Chin Rane AI/ML Specialist Solutions Architect az Amazon Web Servicesnél. Szenvedélye az alkalmazott matematika és a gépi tanulás. Arra összpontosít, hogy intelligens dokumentumfeldolgozási megoldásokat tervezzen az AWS-ügyfelek számára. Munkán kívül szeret salsát és bachatát táncolni.
- 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. Carbon, CleanTech, Energia, Környezet, Nap, Hulladékgazdálkodás. Hozzáférés itt.
- PlatoHealth. Biotechnológiai és klinikai vizsgálatok intelligencia. Hozzáférés itt.
- Forrás: https://aws.amazon.com/blogs/machine-learning/build-trust-and-safety-for-generative-ai-applications-with-amazon-comprehend-and-langchain/
- :van
- :is
- :nem
- :ahol
- $ UP
- 1
- 100
- 11
- 12
- 14
- 15%
- 17
- 19
- 500
- 7
- 8
- 9
- a
- képességek
- képesség
- Rólunk
- visszaélés
- hozzáférés
- Fiók
- pontos
- ér
- át
- Akció
- cselekvések
- aktívan
- hozzá
- cím
- címek
- címzés
- tapad
- elfogadja
- Örökbefogadás
- tanács
- Után
- kor
- AI
- AI szolgáltatások
- AI rendszerek
- AI / ML
- Minden termék
- megengedett
- lehetővé téve
- lehetővé teszi, hogy
- már
- Is
- teljesen
- amazon
- Amazon Comprehend
- Amazon Kendra
- Az Amazon Web Services
- Összegek
- an
- analitika
- elemzések
- és a
- Bemutatjuk
- válasz
- bármilyen
- api
- API-k
- alkalmazható
- Alkalmazás
- alkalmazások
- alkalmazott
- alkalmazandó
- alkalmaz
- megfelelő
- megfelelő
- VANNAK
- területek
- AS
- kérdez
- kér
- szempontok
- kijelölt
- asszisztensek
- társult
- At
- fokozza
- bővített
- elérhető
- AWS
- háttal ellátott
- Rossz
- bázis
- alapján
- BE
- mert
- válik
- válik
- viselkedés
- hogy
- hiedelmek
- Előnyök
- között
- Túl
- Blokk
- blokkoló
- mindkét
- határait
- tágabb
- épít
- bizalmat építeni
- Épület
- épült
- üzleti
- vállalkozások
- de
- by
- hívás
- visszahívások
- hívott
- TUD
- képességek
- képesség
- képes
- tőke
- kártya
- eset
- esetek
- Fogás
- bizonyos
- lánc
- láncok
- kihívások
- karakter
- chatbot
- chatbots
- ellenőrizze
- ellenőrzése
- Ellenőrzések
- áll
- választás
- osztály
- osztályok
- besorolás
- osztályozott
- osztályoz
- vásárló
- kód
- kohéziós
- COM
- kombináció
- kombinált
- megjegyzés
- Közös
- bonyolult
- alkatrészek
- megért
- koncepció
- az érintett
- aggodalmak
- Körülmények
- bizalom
- Configuration
- folyamatos
- következetesen
- tartalmaz
- tartalom
- Tartalomgenerálás
- ellenőrzés
- vitatott
- Mag
- készítette
- létrehozása
- Kreatív
- hitel
- hitelkártya
- kritikai
- kritikus
- szokás
- vevő
- Vevőszolgálat
- Ügyfelek
- szabható
- testre
- napi
- Tánc
- dátum
- Adatelemzés
- Adatvédelem
- adatbázis
- adatkészletek
- határozatok
- mélyebb
- alapértelmezett
- meghatározott
- meghatározott
- ás
- bizonyítani
- mutatja
- attól
- tervezés
- kívánatos
- részletek
- kimutatására
- észlelt
- Érzékelés
- Határozzuk meg
- Fejleszt
- fejlesztők
- Fejlesztés
- különböző
- digitális
- megvitatni
- tárgyalt
- jellegzetesen
- merülés
- do
- dokumentum
- dokumentáció
- dokumentumok
- dámvadtehén
- le-
- két
- e
- minden
- Korábban
- könnyebb
- hatékonyan
- megerőltetés nélküli
- bármelyik
- más
- lehetővé
- végén
- Végtelen
- biztosítására
- biztosítása
- Vállalkozás
- Szervezetek
- egység
- Környezet
- egyenlő
- egyaránt
- hiba
- lényeg
- alapvető
- lényegében
- etikai
- példa
- példák
- Kivéve
- kivétel
- létező
- tapasztalat
- Tapasztalatok
- Magyarázza
- magyarázható
- Elmagyarázza
- kifejezetten
- Feltárása
- expressz
- nyúlik
- kivonat
- Arc
- ismerős
- Funkció
- Jellemzők
- kevés
- filé
- szűrő
- szűrő
- Szűrők
- pénzügyi
- Találjon
- leletek
- vezetéknév
- megjelölve
- zászlók
- rugalmas
- áramlási
- Összpontosít
- összpontosított
- koncentrál
- következő
- következik
- A
- forma
- formátum
- formák
- fórumok
- talált
- Keretrendszer
- Franciaország
- ból ből
- Tele
- funkciók
- további
- generál
- generált
- generáló
- generáció
- nemző
- Generatív AI
- kap
- gif
- Ad
- adott
- ad
- Globális
- cél
- Goes
- megy
- jó
- nagyobb
- növekszik
- Növekedés
- útmutatást
- Kezelés
- megtörténik
- káros
- hám
- gyűlölet
- Legyen
- tekintettel
- he
- segít
- segít
- segít
- nagyon
- zsanérok
- övé
- házigazdája
- Hogyan
- How To
- azonban
- HTML
- HTTPS
- Kerékagy
- emberi
- emberféle
- i
- ID
- Azonosítás
- azonosító
- azonosítók
- azonosítja
- azonosítani
- azonosító
- if
- Illegális
- illusztrálja
- kép
- Hatás
- végre
- végrehajtás
- végre
- végrehajtási
- importál
- fontosság
- fontos
- in
- véletlenül
- tartalmaz
- beleértve
- magában foglalja a
- Beleértve
- Növelje
- Növeli
- egyre inkább
- független
- függetlenül
- iparágak
- befolyás
- információ
- alapvetően
- bemenet
- bemenet
- Érdeklődés
- példa
- integrált
- integráció
- Intelligens
- Intelligens dokumentumfeldolgozás
- szándékozik
- A szándék
- érdekelt
- Felület
- megszakított
- bele
- bevezet
- IT
- ITS
- János
- GIPSZ JAKAB
- jpg
- json
- éppen
- Címkék
- nyelv
- nagy
- a későbbiekben
- tanulás
- balra
- Jogi
- kevesebb
- mint
- valószínűség
- Korlátozott
- Lista
- kis
- kicsit mélyebben
- LLM
- log
- fakitermelés
- logika
- keres
- gép
- gépi tanulás
- fenntartása
- KÉSZÍT
- menedzser
- mód
- gyártási
- maszk
- matematika
- Anyag
- Lehet..
- me
- eszközök
- intézkedések
- mechanizmus
- Média
- orvosi
- egyesülő
- találkozott
- mód
- visszaélés
- Enyhít
- Keverés
- ML
- modell
- modellek
- mérséklet
- moduláris
- több
- sok
- kell
- my
- név
- ugyanis
- nevek
- Természetes
- Természetes nyelvi feldolgozás
- elengedhetetlen
- Új
- Új funkciók
- következő
- NLP
- nem
- Most
- szám
- számok
- számos
- tárgy
- of
- támadó
- ajánlat
- eltolás
- on
- ONE
- csak
- nyitva
- nyílt forráskódú
- működik
- üzemeltetési
- Opciók
- or
- érdekében
- szervezetek
- származás
- Más
- másképp
- mi
- ki
- eredmények
- szabadban
- teljesítmény
- kimenetek
- kívül
- felett
- saját
- paraméter
- paraméterek
- Legfőbb
- rész
- különösen
- elhalad
- Elmúlt
- szenvedélyes
- Jelszó
- jelszó visszaállítása
- Mintás
- Teljesít
- teljesített
- Előadja
- talán
- személyes
- Személyesen
- telefon
- fényképezés
- darab
- darabok
- Platformok
- Plató
- Platón adatintelligencia
- PlatoData
- játék
- politikai
- Népszerű
- pozíció
- pozitív
- lehetőségek
- lehetséges
- állás
- potenciális
- potenciálisan
- hatalom
- powered
- erős
- megőrzése
- megakadályozása
- elsősorban
- elsődleges
- elvek
- prioritások
- magánélet
- magán
- személyes információ
- problémák
- eljárások
- folyamat
- feldolgozás
- mélységes
- Haladás
- megfelelően
- védelme
- ad
- biztosít
- Piton
- kérdés
- emel
- hatótávolság
- tartományok
- gyors
- Inkább
- elérése
- Olvasás
- birodalom
- kap
- felismerés
- csökkenteni
- csökkentő
- utal
- vidék
- szabályozók
- megbízható
- hírnév
- kérni
- követelmények
- forrás
- azok
- válasz
- válaszok
- felelősség
- felelős
- korlátozások
- kiskereskedelem
- Visszatér
- jobb
- Kockázat
- kockázatok
- futás
- s
- biztonságos
- Biztonság
- sagemaker
- azonos
- Skála
- jelenetek
- pontszám
- zökkenőmentes
- Rész
- szakaszok
- biztonság
- lát
- Keresnek
- MAGA
- idősebb
- érzékeny
- küldött
- mondat
- Sorozat
- szolgáltatás
- Szolgáltatások
- készlet
- ő
- kellene
- előadás
- kirakat
- mutatott
- Műsorok
- jelek
- Hasonlóképpen
- Egyszerű
- egyszerűsítése
- egyetlen
- Webhely (ek)
- töredék
- So
- Közösség
- Közösségi média
- Társadalom
- Megoldások
- néhány
- valami
- forrás
- forráskód
- beszél
- szakember
- különleges
- kifejezetten
- meghatározott
- beszéd
- szabványok
- kezdet
- kezdődött
- nyilatkozat
- Lépés
- megáll
- megállítás
- tárolni
- Húr
- Később
- sikeres
- ilyen
- mellékelt
- kínálat
- ellátási lánc
- támogatás
- Támogatja
- fenntartható
- Systems
- Vesz
- feladatok
- csapat
- Műszaki
- Technologies
- sablon
- szöveg
- mint
- hogy
- A
- Főváros
- The Source
- azok
- Őket
- akkor
- Ott.
- ezáltal
- Ezek
- ők
- ezt
- fenyegetések
- három
- küszöb
- Keresztül
- idő
- nak nek
- szerszámok
- vágány
- kiképzett
- átalakító
- Bízzon
- megpróbál
- kettő
- típus
- típusok
- feltárni
- tagadhatatlan
- alátámasztani
- megért
- megértés
- egyedi
- Egyetemes
- helyt
- használ
- használati eset
- használt
- használó
- Felhasználók
- használ
- segítségével
- hasznosít
- hasznosított
- Értékes
- érték
- Értékek
- fajta
- különféle
- Hatalmas
- változat
- keresztül
- Tényleges
- W
- akar
- volt
- Út..
- módon
- we
- háló
- webes szolgáltatások
- JÓL
- voltak
- Mit
- Mi
- amikor
- mivel
- vajon
- ami
- míg
- WHO
- egész
- miért
- széles
- Széleskörű
- lesz
- kíván
- val vel
- belül
- nélkül
- tanúi
- Munka
- munkafolyamat
- munkafolyamatok
- dolgozó
- művek
- ír
- írás
- X
- év
- te
- A te
- zephyrnet