Kebenaran Dasar Amazon SageMaker Plus membantu Anda mempersiapkan kumpulan data pelatihan berkualitas tinggi dengan menghilangkan beban berat yang tidak terdiferensiasi yang terkait dengan pembuatan aplikasi pelabelan data dan mengelola tenaga kerja pelabelan. Yang Anda lakukan hanyalah berbagi data beserta persyaratan pelabelan, dan Ground Truth Plus menyiapkan dan mengelola alur kerja pelabelan data Anda berdasarkan persyaratan ini. Dari sana, tenaga kerja ahli yang terlatih dalam berbagai tugas pembelajaran mesin (ML) memberi label pada data Anda. Anda bahkan tidak memerlukan keahlian ML yang mendalam atau pengetahuan tentang desain alur kerja dan manajemen kualitas untuk menggunakan Ground Truth Plus. Kini, Ground Truth Plus melayani pelanggan yang membutuhkan pelabelan data dan umpan balik manusia untuk menyempurnakan model dasar aplikasi AI generatif.
Dalam postingan ini, Anda akan mempelajari kemajuan terkini dalam umpan balik manusia untuk AI generatif yang tersedia melalui SageMaker Ground Truth Plus. Hal ini mencakup alur kerja dan antarmuka pengguna (UI) baru yang tersedia untuk mempersiapkan kumpulan data demonstrasi yang digunakan dalam penyempurnaan yang diawasi, mengumpulkan umpan balik manusia berkualitas tinggi untuk membuat kumpulan data preferensi guna menyelaraskan model dasar AI generatif dengan preferensi manusia, serta menyesuaikan model untuk pembuat aplikasi ' persyaratan untuk gaya, substansi, dan suara.
Tantangan dalam memulai AI generatif
Aplikasi AI generatif di seluruh dunia menggabungkan model dasar mode tunggal dan multimodal untuk menyelesaikan berbagai kasus penggunaan. Yang umum di antaranya adalah chatbot, generator gambar, dan generator video. Model bahasa besar (LLM) digunakan di chatbot untuk kegiatan kreatif, asisten akademis dan pribadi, alat intelijen bisnis, dan alat produktivitas. Anda dapat menggunakan model teks-ke-gambar untuk menghasilkan aset seni dan pemasaran AI yang abstrak atau realistis. Model teks-ke-video digunakan untuk menghasilkan video untuk proyek seni, iklan yang sangat menarik, pengembangan video game, dan bahkan pengembangan film.
Dua masalah paling penting yang harus dipecahkan baik oleh produsen model yang membuat model fondasi maupun pembuat aplikasi yang menggunakan model fondasi generatif yang ada untuk membangun alat dan aplikasi mereka sendiri adalah:
- Menyempurnakan model fondasi ini agar dapat melakukan tugas tertentu
- Menyelaraskan mereka dengan preferensi manusia untuk memastikan mereka menghasilkan informasi yang bermanfaat, akurat, dan tidak berbahaya
Model dasar biasanya telah dilatih sebelumnya pada kumpulan besar data tak berlabel, sehingga tidak berfungsi dengan baik jika mengikuti instruksi bahasa alami. Untuk LLM, itu berarti mereka mungkin dapat mengurai dan menghasilkan bahasa secara umum, namun mereka mungkin tidak dapat menjawab pertanyaan secara koheren atau meringkas teks hingga kualitas yang dibutuhkan pengguna. Misalnya, saat pengguna meminta ringkasan teks dalam sebuah perintah, model yang belum menyempurnakan cara meringkas teks mungkin hanya membacakan kembali teks perintah tersebut kepada pengguna atau merespons dengan sesuatu yang tidak relevan. Jika pengguna mengajukan pertanyaan tentang suatu topik, respons dari model bisa saja berupa pembacaan pertanyaan tersebut. Untuk model multi-modal, seperti model teks-ke-gambar atau teks-ke-video, model tersebut mungkin mengeluarkan konten yang tidak terkait dengan perintah. Misalnya, jika seorang desainer grafis perusahaan meminta model text-to-image untuk membuat logo atau gambar baru untuk sebuah iklan, model tersebut mungkin tidak menghasilkan grafik yang relevan terkait dengan perintah tersebut jika model tersebut hanya memiliki konsep umum tentang sebuah gambar. dan elemen suatu gambar. Dalam beberapa kasus, suatu model mungkin menampilkan gambar atau video berbahaya, sehingga membahayakan kepercayaan pengguna atau reputasi perusahaan.
Meskipun model telah disesuaikan untuk melakukan tugas tertentu, model tersebut mungkin tidak selaras dengan preferensi manusia sehubungan dengan makna, gaya, atau substansi konten keluarannya. Dalam LLM, hal ini dapat terwujud sebagai konten yang tidak akurat atau bahkan berbahaya yang dihasilkan oleh model. Misalnya, model yang tidak selaras dengan preferensi manusia melalui penyesuaian dapat menghasilkan instruksi yang berbahaya, tidak etis, atau bahkan ilegal saat diminta oleh pengguna. Tidak ada upaya untuk membatasi konten yang dihasilkan oleh model untuk memastikan konten tersebut selaras dengan preferensi manusia agar akurat, relevan, dan berguna. Ketidakselarasan ini dapat menjadi masalah bagi perusahaan yang mengandalkan model AI generatif untuk aplikasi mereka, seperti chatbots dan pembuatan multimedia. Untuk model multi-modal, hal ini dapat berupa gambar atau video yang beracun, berbahaya, atau kasar. Ini merupakan risiko ketika perintah dimasukkan ke model tanpa maksud untuk menghasilkan konten sensitif, dan juga jika produsen model atau pembuat aplikasi tidak bermaksud mengizinkan model untuk menghasilkan konten semacam itu, namun konten tersebut tetap dihasilkan.
Untuk mengatasi masalah kemampuan spesifik tugas dan menyelaraskan model dasar generatif dengan preferensi manusia, produsen model dan pembuat aplikasi harus menyempurnakan model dengan data menggunakan demonstrasi yang diarahkan oleh manusia dan umpan balik manusia terhadap keluaran model.
Jenis data dan pelatihan
Ada beberapa jenis metode penyesuaian dengan jenis data berlabel berbeda yang dikategorikan sebagai penyetelan instruksi โ atau mengajarkan model cara mengikuti instruksi. Diantaranya adalah supervisi fine-tuning (SFT) menggunakan data demonstrasi, dan pembelajaran penguatan dari umpan balik manusia (RLHF) menggunakan data preferensi.
Data demonstrasi untuk penyesuaian yang diawasi
Untuk menyempurnakan model dasar agar dapat melakukan tugas tertentu seperti menjawab pertanyaan atau merangkum teks dengan kualitas tinggi, model menjalani SFT dengan data demonstrasi. Tujuan dari data demonstrasi adalah untuk memandu model dengan memberikan contoh berlabel (demonstrasi) dari tugas-tugas yang telah diselesaikan yang dilakukan oleh manusia. Misalnya, untuk mengajarkan LLM cara menjawab pertanyaan, anotator manusia akan membuat kumpulan data berlabel berisi pasangan pertanyaan dan jawaban yang dihasilkan manusia untuk menunjukkan cara kerja interaksi tanya jawab secara linguistik dan apa arti konten secara semantik. SFT semacam ini melatih model untuk mengenali pola perilaku yang ditunjukkan oleh manusia dalam data pelatihan demonstrasi. Produsen model perlu melakukan penyesuaian seperti ini untuk menunjukkan bahwa model mereka mampu melakukan tugas-tugas tersebut bagi pengguna hilir. Pembuat aplikasi yang menggunakan model dasar yang ada untuk aplikasi AI generatif mereka mungkin perlu menyempurnakan model mereka dengan data demonstrasi mengenai tugas-tugas ini dengan data khusus industri atau perusahaan untuk meningkatkan relevansi dan akurasi aplikasi mereka.
Data preferensi untuk penyetelan instruksi seperti RLHF
Untuk lebih menyelaraskan model dasar dengan preferensi manusia, produsen modelโdan khususnya pembuat aplikasiโperlu membuat kumpulan data preferensi untuk melakukan penyesuaian instruksi. Data preferensi dalam konteks penyetelan instruksi diberi label data yang menangkap umpan balik manusia sehubungan dengan serangkaian keluaran opsi oleh model landasan generatif. Biasanya mencakup pemeringkatan atau pemeringkatan beberapa kesimpulan atau perbandingan berpasangan dua kesimpulan dari model dasar menurut beberapa atribut tertentu. Untuk LLM, atribut ini mungkin bermanfaat, akurat, dan tidak berbahaya. Untuk model teks-ke-gambar, mungkin kualitas estetika atau keselarasan teks-gambar. Data preferensi berdasarkan umpan balik manusia ini kemudian dapat digunakan dalam berbagai metode penyesuaian instruksiโtermasuk RLHFโuntuk lebih menyempurnakan model agar selaras dengan preferensi manusia.
Penyetelan instruksi menggunakan data preferensi memainkan peran penting dalam meningkatkan personalisasi dan efektivitas model dasar. Ini adalah langkah penting dalam membangun aplikasi khusus di atas model dasar yang telah dilatih sebelumnya dan merupakan metode yang ampuh untuk memastikan model menghasilkan konten yang bermanfaat, akurat, dan tidak berbahaya. Contoh umum penyetelan instruksi adalah menginstruksikan chatbot untuk menghasilkan tiga respons terhadap sebuah kueri, dan meminta manusia membaca dan memberi peringkat ketiganya berdasarkan beberapa dimensi tertentu, seperti toksisitas, akurasi faktual, atau keterbacaan. Misalnya, sebuah perusahaan mungkin menggunakan chatbot untuk departemen pemasarannya dan ingin memastikan bahwa kontennya selaras dengan pesan mereknya, tidak menunjukkan bias, dan dapat dibaca dengan jelas. Perusahaan akan meminta chatbot selama penyetelan instruksi untuk menghasilkan tiga contoh, dan meminta pakar internal memilih contoh yang paling sesuai dengan tujuan mereka. Seiring waktu, mereka membangun kumpulan data yang digunakan untuk mengajarkan model gaya konten apa yang disukai manusia melalui pembelajaran penguatan. Hal ini memungkinkan aplikasi chatbot menghasilkan konten yang lebih relevan, mudah dibaca, dan aman.
SageMaker Kebenaran Dasar Plus
Ground Truth Plus membantu Anda mengatasi kedua tantangan tersebutโmenghasilkan kumpulan data demonstrasi dengan kemampuan khusus tugas, serta mengumpulkan kumpulan data preferensi dari masukan manusia untuk menyelaraskan model dengan preferensi manusia. Anda dapat meminta proyek untuk LLM dan model multi-modal seperti teks-ke-gambar dan teks-ke-video. Untuk LLM, kumpulan data demonstrasi utama mencakup pembuatan pertanyaan dan jawaban (Q&A), peringkasan teks, pembuatan teks, dan pengerjaan ulang teks untuk tujuan moderasi konten, perubahan gaya, atau perubahan panjang. Kumpulan data preferensi LLM utama mencakup pemeringkatan dan klasifikasi keluaran teks. Untuk model multi-modal, jenis tugas utama mencakup pemberian teks pada gambar atau video serta pencatatan stempel waktu peristiwa dalam video. Oleh karena itu, Ground Truth Plus dapat membantu produsen model dan pembuat aplikasi dalam perjalanan AI generatif mereka.
Dalam postingan ini, kami menyelami lebih dalam perjalanan anotator manusia dan umpan balik pada empat kasus yang mencakup data demonstrasi dan data preferensi untuk LLM dan model multi-modal: pembuatan pasangan tanya jawab dan peringkat teks untuk LLM, serta teks gambar dan teks video untuk model multi-modal.
Model bahasa besar
Di bagian ini, kami membahas pasangan pertanyaan dan jawaban dan peringkat teks untuk LLM, serta penyesuaian yang mungkin Anda inginkan untuk kasus penggunaan Anda.
Pasangan tanya jawab
Tangkapan layar berikut menunjukkan UI pelabelan tempat anotator manusia akan membaca bagian teks dan menghasilkan pertanyaan dan jawaban dalam proses pembuatan kumpulan data demonstrasi Tanya Jawab.
Mari kita telusuri tur UI sebagai anotator. Di sisi kiri UI, instruksi khusus pemohon pekerjaan disajikan kepada anotator. Dalam hal ini, anotator seharusnya membaca bagian teks yang disajikan di tengah UI dan membuat pertanyaan dan jawaban berdasarkan teks tersebut. Di sisi kanan ditampilkan pertanyaan dan jawaban yang telah ditulis anotator. Bagian teks serta jenis, panjang, dan jumlah pertanyaan dan jawaban semuanya dapat disesuaikan oleh pemohon pekerjaan selama penyiapan proyek dengan tim Ground Truth Plus. Dalam hal ini, anotator telah membuat pertanyaan yang memerlukan pemahaman seluruh bagian teks untuk menjawabnya dan ditandai dengan a Referensi seluruh bagian kotak centang. Dua pertanyaan dan jawaban lainnya didasarkan pada bagian tertentu dari bagian teks, seperti yang ditunjukkan oleh sorotan anotator dengan pencocokan kode warna. Secara opsional, Anda mungkin ingin meminta agar pertanyaan dan jawaban dibuat tanpa bagian teks yang disediakan, dan memberikan pedoman lain untuk anotator manusiaโhal ini juga didukung oleh Ground Truth Plus.
Setelah pertanyaan dan jawaban dikirimkan, pertanyaan dan jawaban tersebut dapat mengalir ke alur kerja putaran kontrol kualitas opsional di mana peninjau manusia lainnya akan mengonfirmasi bahwa distribusi yang ditentukan pelanggan serta jenis pertanyaan dan jawaban telah dibuat. Jika terdapat ketidaksesuaian antara persyaratan pelanggan dan apa yang dihasilkan oleh anotator manusia, pekerjaan akan dikembalikan ke manusia untuk dikerjakan ulang sebelum diekspor sebagai bagian dari kumpulan data untuk dikirimkan ke pelanggan. Saat kumpulan data dikirimkan kembali kepada Anda, kumpulan data tersebut siap untuk dimasukkan ke dalam alur kerja penyesuaian yang diawasi sesuai kebijaksanaan Anda.
Peringkat teks
Tangkapan layar berikut menunjukkan UI untuk memberi peringkat keluaran dari LLM berdasarkan perintah.
Anda cukup menulis instruksi untuk peninjau manusia, dan memberikan petunjuk serta tanggapan yang telah dibuat sebelumnya kepada tim proyek Ground Truth Plus untuk memulai pekerjaan. Dalam hal ini, kami telah meminta peninjau manusia untuk memberi peringkat tiga tanggapan per prompt dari LLM pada dimensi kejelasan tulisan (keterbacaan). Sekali lagi, panel kiri menunjukkan instruksi yang diberikan kepada peninjau oleh pemohon pekerjaan. Di tengah, prompt ada di bagian atas halaman, dan tiga respons yang telah dibuat sebelumnya adalah bagian utama untuk kemudahan penggunaan. Di sisi kanan UI, peninjau manusia akan mengurutkannya dari tulisan yang paling jelas hingga yang paling tidak jelas.
Pelanggan yang ingin membuat kumpulan data preferensi jenis ini mencakup pembuat aplikasi yang tertarik untuk membuat chatbot mirip manusia, dan oleh karena itu ingin menyesuaikan instruksi untuk penggunaannya sendiri. Panjang prompt, jumlah respons, dan dimensi peringkat semuanya dapat disesuaikan. Misalnya, Anda mungkin ingin memberi peringkat pada lima tanggapan berdasarkan keakuratan faktual, bias, atau beracun yang paling banyak hingga yang paling tidak akurat, atau bahkan memberi peringkat dan mengklasifikasikan beberapa dimensi secara bersamaan. Penyesuaian ini didukung di Ground Truth Plus.
Model multimodal
Di bagian ini, kami membahas teks gambar dan video untuk melatih model multi-modal seperti model teks-ke-gambar dan teks-ke-video, serta penyesuaian yang mungkin ingin Anda lakukan untuk kasus penggunaan khusus Anda.
Teks gambar
Tangkapan layar berikut menunjukkan UI pelabelan untuk teks gambar. Anda dapat meminta proyek dengan teks gambar untuk mengumpulkan data guna melatih model teks-ke-gambar atau model gambar-ke-teks.
Dalam hal ini, kami telah meminta untuk melatih model teks-ke-gambar dan telah menetapkan persyaratan khusus pada teks dalam hal panjang dan detail. UI dirancang untuk memandu anotator manusia melalui proses kognitif dalam menghasilkan teks yang kaya dengan menyediakan kerangka mental melalui alat bantu dan deskriptif. Kami menemukan bahwa menyediakan kerangka mental ini untuk anotator akan menghasilkan teks yang lebih deskriptif dan akurat dibandingkan hanya menyediakan kotak teks yang dapat diedit saja.
Langkah pertama dalam kerangka ini adalah anotator manusia mengidentifikasi objek utama dalam gambar. Saat anotator memilih objek dalam gambar, titik berkode warna akan muncul pada objek tersebut. Dalam hal ini, anotator telah memilih anjing dan kucing, menciptakan dua bidang yang dapat diedit di sisi kanan UI dimana anotator akan memasukkan nama objekโkucing dan anjingโbersama dengan penjelasan rinci setiap objek. Selanjutnya, anotator dipandu untuk mengidentifikasi semua hubungan antara semua objek dalam gambar. Dalam hal ini, kucing sedang bersantai di samping anjing. Selanjutnya, anotator diminta untuk mengidentifikasi atribut tertentu tentang gambar tersebut, seperti latar, latar belakang, atau lingkungan. Terakhir, di kotak teks masukan keterangan, anotator diinstruksikan untuk menggabungkan semua yang mereka tulis di bidang objek, hubungan, dan pengaturan gambar ke dalam satu keterangan deskriptif gambar yang lengkap.
Secara opsional, Anda dapat mengonfigurasi keterangan gambar ini untuk melewati putaran pemeriksaan kualitas berbasis manusia dengan instruksi khusus untuk memastikan bahwa keterangan tersebut memenuhi persyaratan. Jika ada masalah yang teridentifikasi, seperti objek kunci yang hilang, keterangan tersebut dapat dikirim kembali ke manusia untuk memperbaiki masalah tersebut sebelum diekspor sebagai bagian dari kumpulan data pelatihan.
Teks video
Tangkapan layar berikut menunjukkan UI teks video untuk menghasilkan teks video yang kaya dengan tag stempel waktu. Anda dapat meminta proyek teks video untuk mengumpulkan data guna membuat model teks-ke-video atau video-ke-teks.
Dalam UI pelabelan ini, kami telah membangun kerangka mental serupa untuk memastikan teks ditulis dengan kualitas tinggi. Anotator manusia dapat mengontrol video di sisi kiri dan membuat deskripsi serta stempel waktu untuk setiap aktivitas yang ditampilkan dalam video di sisi kanan dengan elemen UI. Mirip dengan UI keterangan gambar, ada juga tempat bagi anotator untuk menulis penjelasan rinci tentang pengaturan video, latar belakang, dan lingkungan. Terakhir, anotator diinstruksikan untuk menggabungkan semua elemen menjadi teks video yang koheren.
Mirip dengan kasus teks gambar, teks video secara opsional dapat mengalir melalui alur kerja kontrol kualitas berbasis manusia untuk menentukan apakah persyaratan Anda terpenuhi. Jika ada masalah dengan teks video, teks tersebut akan dikirim untuk dikerjakan ulang oleh tenaga anotator manusia.
Kesimpulan
Ground Truth Plus dapat membantu Anda menyiapkan kumpulan data berkualitas tinggi untuk menyempurnakan model dasar untuk tugas AI generatif, mulai dari menjawab pertanyaan hingga menghasilkan gambar dan video. Hal ini juga memungkinkan tenaga kerja terampil untuk meninjau keluaran model untuk memastikan bahwa keluaran tersebut selaras dengan preferensi manusia. Selain itu, hal ini memungkinkan pembuat aplikasi untuk menyesuaikan model menggunakan data industri atau perusahaan mereka untuk memastikan aplikasi mereka mewakili suara dan gaya pilihan mereka. Ini adalah inovasi pertama dari banyak inovasi di Ground Truth Plus, dan masih banyak lagi yang sedang dikembangkan. Nantikan postingan selanjutnya.
Tertarik untuk memulai proyek untuk membangun atau meningkatkan model dan aplikasi AI generatif Anda? Mulailah dengan Ground Truth Plus oleh terhubung dengan tim kami hari ini.
Tentang penulis
Jesse Manders adalah Manajer Produk Senior di tim layanan loop manusia AWS AI/ML. Dia bekerja di persimpangan AI dan interaksi manusia dengan tujuan menciptakan dan meningkatkan produk dan layanan AI/ML untuk memenuhi kebutuhan kita. Sebelumnya, Jesse memegang peran kepemimpinan di bidang teknik di Apple dan Lumileds, dan merupakan ilmuwan senior di sebuah startup di Silicon Valley. Dia memiliki gelar MS dan Ph.D. dari University of Florida, dan MBA dari University of California, Berkeley, Haas School of Business.
Romi Datta adalah Manajer Senior Manajemen Produk di tim Amazon SageMaker yang bertanggung jawab atas layanan Human in the Loop. Dia telah bekerja di AWS selama lebih dari 4 tahun dan memegang beberapa peran kepemimpinan manajemen produk di SageMaker, S3, dan IoT. Sebelum bekerja di AWS, ia bekerja di berbagai peran manajemen produk, teknik, dan kepemimpinan operasional di IBM, Texas Instruments, dan Nvidia. Dia memiliki gelar MS dan Ph.D. di bidang Teknik Elektro dan Komputer dari University of Texas di Austin, dan MBA dari University of Chicago Booth School of Business.
Jonatan Buck adalah Insinyur Perangkat Lunak di Amazon Web Services yang bekerja di persimpangan pembelajaran mesin dan sistem terdistribusi. Pekerjaannya melibatkan produksi model pembelajaran mesin dan pengembangan aplikasi perangkat lunak baru yang didukung oleh pembelajaran mesin untuk menempatkan kemampuan terbaru di tangan pelanggan.
Alex Williams adalah ilmuwan terapan di tim sains human-in-the-loop di AWS AI tempat dia melakukan penelitian sistem interaktif di persimpangan antara interaksi manusia-komputer (HCI) dan pembelajaran mesin. Sebelum bergabung dengan Amazon, dia adalah seorang profesor di Departemen Teknik Elektro dan Ilmu Komputer di Universitas Tennessee dan menjadi salah satu direktur laboratorium penelitian Manusia, Agen, Interaksi, dan Sistem (PAIRS). Ia juga pernah memegang posisi peneliti di Microsoft Research, Mozilla Research, dan Universitas Oxford. Dia secara teratur menerbitkan karyanya di tempat publikasi utama HCI, seperti CHI, CSCW, dan UIST. Beliau meraih gelar PhD dari University of Waterloo.
Sarah Gao adalah Manajer Pengembangan Perangkat Lunak di Amazon SageMaker Human In the Loop (HIL) yang bertanggung jawab untuk membangun platform pelabelan berbasis ML. Sarah telah bekerja di AWS selama lebih dari 4 tahun dan memegang beberapa peran kepemimpinan manajemen perangkat lunak dalam keamanan EC2 dan SageMaker. Sebelum di AWS, dia bekerja di berbagai peran manajemen teknik di Oracle dan Sun Microsystem.
Erran Li adalah manajer sains terapan di layanan human-in-the-loop, AWS AI, Amazon. Minat penelitiannya adalah pembelajaran mendalam 3D, serta pembelajaran visi dan representasi bahasa. Sebelumnya dia adalah ilmuwan senior di Alexa AI, kepala pembelajaran mesin di Scale AI, dan kepala ilmuwan di Pony.ai. Sebelumnya, ia bersama tim persepsi di Uber ATG dan tim platform pembelajaran mesin di Uber mengerjakan pembelajaran mesin untuk mengemudi otonom, sistem pembelajaran mesin, dan inisiatif strategis AI. Dia memulai karirnya di Bell Labs dan menjadi profesor di Universitas Columbia. Dia ikut mengajar tutorial di ICML'17 dan ICCV'19, dan ikut menyelenggarakan beberapa lokakarya di NeurIPS, ICML, CVPR, ICCV tentang pembelajaran mesin untuk mengemudi otonom, visi dan robotika 3D, sistem pembelajaran mesin, dan pembelajaran mesin permusuhan. Dia memiliki gelar PhD dalam ilmu komputer di Cornell University. Dia adalah Rekan ACM dan Rekan IEEE.
- Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
- PlatoAiStream. Kecerdasan Data Web3. Pengetahuan Diperkuat. Akses Di Sini.
- Mencetak Masa Depan bersama Adryenn Ashley. Akses Di Sini.
- Beli dan Jual Saham di Perusahaan PRE-IPO dengan PREIPOยฎ. Akses Di Sini.
- Sumber: https://aws.amazon.com/blogs/machine-learning/high-quality-human-feedback-for-your-generative-ai-applications-from-amazon-sagemaker-ground-truth-plus/
- :memiliki
- :adalah
- :bukan
- :Di mana
- $NAIK
- 100
- 3d
- 7
- a
- Sanggup
- Tentang Kami
- ABSTRAK
- akademik
- Menurut
- ketepatan
- tepat
- ACM
- kegiatan
- Selain itu
- alamat
- pengadopsi
- kemajuan
- permusuhan
- iklan
- lagi
- agen
- AI
- ai seni
- AI / ML
- Alexa
- meluruskan
- selaras
- penjajaran
- Semua
- mengizinkan
- memungkinkan
- sendirian
- sepanjang
- juga
- Amazon
- Amazon SageMaker
- Kebenaran Dasar Amazon SageMaker
- Amazon Web Services
- antara
- an
- dan
- menjawab
- jawaban
- muncul
- Apple
- Aplikasi
- aplikasi
- terapan
- ADALAH
- sekitar
- Seni
- AS
- Aktiva
- asisten
- terkait
- At
- atribut
- austin
- otonom
- tersedia
- AWS
- kembali
- latar belakang
- berdasarkan
- BE
- menjadi
- sebelum
- makhluk
- Bel
- Berkeley
- antara
- bias
- bias
- tubuh
- kedua
- Kotak
- merek
- membawa
- membangun
- pembangun
- pembangun
- Bangunan
- dibangun di
- bisnis
- intelijen bisnis
- tapi
- by
- california
- CAN
- kemampuan
- mampu
- keterangan
- menangkap
- yang
- Lowongan Kerja
- kasus
- kasus
- KUCING
- pusat
- perubahan
- ChatBot
- chatbots
- memeriksa
- Chicago
- kepala
- terpilih
- kejelasan
- Klasifikasi
- jelas
- Jelas
- kognitif
- KOHEREN
- COLUMBIA
- menggabungkan
- Umum
- Perusahaan
- perusahaan
- pembandingan
- lengkap
- Lengkap
- komputer
- Teknik Komputer
- Komputer Ilmu
- konsep
- melakukan
- kepercayaan
- Memastikan
- Konten
- konteks
- kontrol
- cornel
- Timeline
- benar
- bisa
- penutup
- membuat
- dibuat
- membuat
- penciptaan
- Kreatif
- sangat penting
- adat
- pelanggan
- pelanggan
- menyesuaikan
- disesuaikan
- Berbahaya
- data
- kumpulan data
- mendalam
- belajar mendalam
- lebih dalam
- menyampaikan
- disampaikan
- mendemonstrasikan
- menunjukkan
- Departemen
- deskripsi
- Mendesain
- dirancang
- perancang
- rinci
- terperinci
- Menentukan
- berkembang
- Pengembangan
- berbeda
- Dimensi
- ukuran
- kebijaksanaan
- membahas
- didistribusikan
- sistem terdistribusi
- distribusi
- do
- Tidak
- Anjing
- dilakukan
- Dont
- DOT
- penggerak
- selama
- setiap
- memudahkan
- kemudahan penggunaan
- efektivitas
- elemen
- memungkinkan
- menarik
- insinyur
- Teknik
- meningkatkan
- memastikan
- Enter
- Seluruh
- Lingkungan Hidup
- terutama
- Bahkan
- peristiwa
- contoh
- contoh
- menunjukkan
- ada
- ahli
- keahlian
- ahli
- umpan balik
- sesama
- Fields
- Film
- Akhirnya
- Pertama
- florida
- aliran
- mengikuti
- berikut
- Untuk
- bentuk
- ditemukan
- Prinsip Dasar
- empat
- Kerangka
- dari
- lebih lanjut
- masa depan
- permainan
- pengembangan game
- GAO
- mengumpulkan
- pertemuan
- Umum
- menghasilkan
- dihasilkan
- menghasilkan
- generasi
- generatif
- AI generatif
- generator
- mendapatkan
- mendapatkan
- diberikan
- tujuan
- Grafis
- Tanah
- membimbing
- pedoman
- memiliki
- tangan
- berbahaya
- Memiliki
- HCl
- he
- kepala
- berat
- angkat berat
- Dimiliki
- membantu
- bermanfaat
- membantu
- High
- berkualitas tinggi
- highlight
- sangat
- -nya
- memegang
- memegang
- Seterpercayaapakah Olymp Trade? Kesimpulan
- How To
- HTML
- HTTPS
- manusia
- Manusia
- IBM
- diidentifikasi
- mengenali
- IEEE
- if
- liar
- gambar
- gambar
- penting
- memperbaiki
- meningkatkan
- in
- tidak akurat
- memasukkan
- termasuk
- menggabungkan
- industri
- khusus industri
- inisiatif
- inovasi
- memasukkan
- instruksi
- instrumen
- Intelijen
- dimaksudkan
- Niat
- interaksi
- interaksi
- interaktif
- tertarik
- kepentingan
- interface
- intern
- persimpangan
- ke
- idiot
- isu
- masalah
- IT
- NYA
- Diri
- Pekerjaan
- bergabung
- perjalanan
- jpg
- hanya
- kunci
- Jenis
- pengetahuan
- pelabelan
- Label
- laboratorium
- Labs
- bahasa
- besar
- Terbaru
- Kepemimpinan
- BELAJAR
- pengetahuan
- paling sedikit
- meninggalkan
- Panjang
- pengangkatan
- MEMBATASI
- LLM
- penebangan
- logo
- mesin
- Mesin belajar
- Utama
- membuat
- pengelolaan
- manajer
- mengelola
- pelaksana
- banyak
- ditandai
- Marketing
- sesuai
- Mungkin..
- makna
- cara
- Pelajari
- Memenuhi
- mental yang
- pesan
- metode
- metode
- Microsoft
- hilang
- ML
- model
- model
- moderasi
- lebih
- paling
- Mozilla
- multimedia
- beberapa
- harus
- nama
- Alam
- Perlu
- kebutuhan
- New
- berikutnya
- tidak
- novel
- sekarang
- jumlah
- Nvidia
- obyek
- objek
- of
- on
- yang
- hanya
- operasional
- Opsi
- or
- peramal
- urutan
- Lainnya
- kami
- keluaran
- lebih
- sendiri
- Oxford
- halaman
- pasangan
- pasang
- pane
- bagian
- tertentu
- bagian
- Lulus
- pola
- Konsultan Ahli
- persepsi
- Melakukan
- melakukan
- pribadi
- Personalisasi
- Tempat
- Platform
- plato
- Kecerdasan Data Plato
- Data Plato
- memainkan
- plus
- posisi
- Pos
- Posts
- didukung
- kuat
- lebih suka
- preferensi
- disukai
- perdana menteri
- Mempersiapkan
- mempersiapkan
- disajikan
- sebelumnya
- Sebelumnya
- Masalah
- masalah
- proses
- menghasilkan
- Diproduksi
- produsen
- Produsen
- Produk
- manajemen Produk
- manajer produk
- produktifitas
- Produk
- Profesor
- proyek
- memprojeksikan
- memberikan
- disediakan
- menyediakan
- Publikasi
- Terbit
- tujuan
- tujuan
- menempatkan
- Q & A
- kualitas
- pertanyaan
- Pertanyaan
- Peringkat
- penilaian
- Baca
- siap
- realistis
- baru
- mengenali
- secara teratur
- terkait
- Hubungan
- relevan
- mengandalkan
- menghapus
- perwakilan
- merupakan
- reputasi
- permintaan
- permintaan
- wajib
- Persyaratan
- membutuhkan
- penelitian
- menghormati
- Menanggapi
- tanggapan
- tanggapan
- tanggung jawab
- Hasil
- ulasan
- Kaya
- benar
- Risiko
- mempertaruhkan
- robotika
- Peran
- peran
- s
- aman
- pembuat bijak
- Skala
- skala ai
- Sekolah
- Ilmu
- ilmuwan
- Bagian
- keamanan
- senior
- peka
- mengirim
- Layanan
- porsi
- set
- set
- pengaturan
- penyiapan
- beberapa
- Share
- dia
- Menunjukkan
- ditunjukkan
- Pertunjukkan
- sisi
- Silikon
- Silicon Valley
- mirip
- hanya
- serentak
- tunggal
- terampil
- Perangkat lunak
- pengembangan perangkat lunak
- Software Engineer
- MEMECAHKAN
- beberapa
- sesuatu
- tertentu
- ditentukan
- awal
- mulai
- Mulai
- startup
- tinggal
- Langkah
- Strategis
- gaya
- disampaikan
- zat
- seperti itu
- meringkaskan
- RINGKASAN
- matahari
- Didukung
- Seharusnya
- sistem
- Mengambil
- diambil
- tugas
- tugas
- Pengajaran
- tim
- Tennessee
- istilah
- texas
- dari
- bahwa
- Grafik
- Dunia
- mereka
- Mereka
- kemudian
- Sana.
- karena itu
- Ini
- mereka
- ini
- tiga
- Melalui
- waktu
- timestamp
- untuk
- hari ini
- alat
- puncak
- tema
- Tour
- Pelatihan VE
- terlatih
- Pelatihan
- kereta
- kebenaran
- tutorial
- dua
- mengetik
- jenis
- khas
- uber
- ui
- pemahaman
- universitas
- University of California
- University of Chicago
- University of Oxford
- menggunakan
- gunakan case
- bekas
- Pengguna
- menggunakan
- Lembah
- variasi
- berbagai
- keadaan-keadaan
- Video
- Video game
- Video
- penglihatan
- Suara
- ingin
- menginginkan
- ingin
- adalah
- we
- jaringan
- layanan web
- BAIK
- Apa
- ketika
- yang
- SIAPA
- seluruh
- akan
- dengan
- tanpa
- Kerja
- bekerja
- alur kerja
- Alur kerja
- Tenaga kerja
- kerja
- bekerja
- Lokakarya
- dunia
- akan
- menulis
- penulisan
- tertulis
- tahun
- Kamu
- Anda
- zephyrnet.dll