Moderasi konten memainkan peran penting dalam menjaga keamanan online dan menjunjung tinggi nilai-nilai dan standar situs web dan platform media sosial. Signifikansinya ditegaskan oleh perlindungan yang diberikannya kepada pengguna dari paparan konten yang tidak pantas, sehingga menjaga kesejahteraan mereka di ruang digital. Misalnya, dalam industri periklanan, moderasi konten berfungsi untuk melindungi merek dari asosiasi yang tidak menguntungkan, sehingga berkontribusi terhadap peningkatan merek dan pertumbuhan pendapatan. Pengiklan memprioritaskan penyelarasan merek mereka dengan konten yang sesuai untuk menjaga reputasi mereka dan menghindari publisitas negatif. Moderasi konten juga mempunyai peran penting dalam sektor keuangan dan layanan kesehatan, yang memiliki banyak fungsi. Ini memainkan peran penting dalam mengidentifikasi dan menjaga informasi identitas pribadi dan kesehatan yang sensitif (PII, PHI). Dengan mematuhi standar dan praktik internal serta mematuhi peraturan eksternal, moderasi konten meningkatkan keamanan digital bagi pengguna. Dengan cara ini, hal ini mencegah pembagian data rahasia secara tidak sengaja pada platform publik, sehingga menjamin terpeliharanya privasi pengguna dan keamanan data.
Dalam postingan ini, kami memperkenalkan metode baru untuk melakukan moderasi konten pada data gambar dengan pra-pelatihan multi-modal dan model bahasa besar (LLM). Dengan pra-pelatihan multi-modal, kita dapat langsung menanyakan konten gambar berdasarkan serangkaian pertanyaan yang menarik dan model akan mampu menjawab pertanyaan-pertanyaan tersebut. Hal ini memungkinkan pengguna untuk mengobrol dengan gambar tersebut untuk mengonfirmasi apakah gambar tersebut berisi konten tidak pantas yang melanggar kebijakan organisasi. Kami menggunakan kemampuan pembangkitan LLM yang kuat untuk menghasilkan keputusan akhir termasuk label aman/tidak aman dan jenis kategori. Selain itu, dengan mendesain prompt, kita dapat membuat LLM menghasilkan format keluaran yang ditentukan, seperti format JSON. Templat prompt yang dirancang memungkinkan LLM menentukan apakah gambar melanggar kebijakan moderasi, mengidentifikasi kategori pelanggaran, menjelaskan alasannya, dan memberikan keluaran dalam format JSON terstruktur.
Kami menggunakan BLIP-2 sebagai metode pra-pelatihan multi-modal. BLIP-2 adalah salah satu model tercanggih dalam pra-pelatihan multimodal dan mengungguli sebagian besar metode yang ada dalam menjawab pertanyaan visual, pembuatan teks gambar, dan pengambilan teks gambar. Untuk LLM kami, kami menggunakan Lama 2, LLM sumber terbuka generasi berikutnya, yang mengungguli model bahasa sumber terbuka yang ada pada banyak tolok ukur, termasuk tes penalaran, pengkodean, kemahiran, dan pengetahuan. Diagram berikut mengilustrasikan komponen solusi.
Tantangan dalam moderasi konten
Metode moderasi konten tradisional, seperti moderasi berbasis manusia, tidak dapat mengimbangi pertumbuhan volume konten buatan pengguna (UGC). Ketika volume UGC meningkat, moderator manusia akan kewalahan dan kesulitan untuk memoderasi konten secara efektif. Hal ini mengakibatkan pengalaman pengguna yang buruk, biaya moderasi yang tinggi, dan risiko merek. Moderasi berbasis manusia juga rentan terhadap kesalahan, yang dapat mengakibatkan moderasi yang tidak konsisten dan keputusan yang bias. Untuk mengatasi tantangan ini, moderasi konten yang didukung oleh pembelajaran mesin (ML) telah muncul sebagai solusinya. Algoritme ML dapat menganalisis UGC dalam jumlah besar dan mengidentifikasi konten yang melanggar kebijakan organisasi. Model ML dapat dilatih untuk mengenali pola dan mengidentifikasi konten bermasalah, seperti perkataan yang mendorong kebencian, spam, dan materi yang tidak pantas. Menurut penelitian Lindungi pengguna, merek, dan anggaran Anda dengan moderasi konten yang didukung AI, moderasi konten yang didukung ML dapat membantu organisasi mendapatkan kembali hingga 95% waktu yang dihabiskan tim mereka untuk memoderasi konten secara manual. Hal ini memungkinkan organisasi untuk memfokuskan sumber daya mereka pada tugas-tugas yang lebih strategis, seperti pembangunan komunitas dan pembuatan konten. Moderasi konten yang didukung ML juga dapat mengurangi biaya moderasi karena lebih efisien dibandingkan moderasi berbasis manusia.
Terlepas dari kelebihan moderasi konten yang didukung ML, masih ada ruang untuk perbaikan lebih lanjut. Efektivitas algoritma ML sangat bergantung pada kualitas data yang dilatihnya. Ketika model dilatih menggunakan data yang bias atau tidak lengkap, model tersebut dapat membuat keputusan moderasi yang salah, sehingga membuat organisasi terkena risiko merek dan potensi tanggung jawab hukum. Penerapan pendekatan berbasis ML untuk moderasi konten menghadirkan beberapa tantangan yang memerlukan pertimbangan cermat. Tantangan-tantangan ini meliputi:
- Memperoleh data berlabel โ Ini bisa menjadi proses yang mahal, terutama untuk tugas moderasi konten kompleks yang memerlukan pelatihan pelabel. Biaya ini dapat mempersulit pengumpulan kumpulan data yang cukup besar untuk melatih model ML yang diawasi dengan mudah. Selain itu, keakuratan model sangat bergantung pada kualitas data pelatihan, dan data yang bias atau tidak lengkap dapat mengakibatkan keputusan moderasi yang tidak akurat, sehingga menimbulkan risiko merek dan tanggung jawab hukum.
- Generalisasi model โ Hal ini penting untuk mengadopsi pendekatan berbasis ML. Model yang dilatih pada satu kumpulan data mungkin tidak dapat digeneralisasikan dengan baik ke kumpulan data lain, terutama jika kumpulan data tersebut memiliki distribusi yang berbeda. Oleh karena itu, penting untuk memastikan bahwa model tersebut dilatih pada kumpulan data yang beragam dan representatif untuk memastikan model tersebut dapat digeneralisasi dengan baik pada data baru.
- Efisiensi operasional โ Ini merupakan tantangan lain ketika menggunakan pendekatan konvensional berbasis ML untuk moderasi konten. Menambahkan label baru secara terus-menerus dan melatih ulang model saat kelas baru ditambahkan dapat memakan waktu dan biaya. Selain itu, penting untuk memastikan bahwa model diperbarui secara berkala untuk mengikuti perubahan dalam konten yang dimoderasi.
- Dapat dijelaskan โ Pengguna akhir mungkin menganggap platform ini bias atau tidak adil jika konten ditandai atau dihapus tanpa alasan yang jelas, sehingga mengakibatkan pengalaman pengguna yang buruk. Demikian pula, tidak adanya penjelasan yang jelas dapat menyebabkan proses moderasi konten menjadi tidak efisien, memakan waktu, dan mahal bagi moderator.
- Sifat permusuhan โ Sifat moderasi konten berbasis gambar yang berlawanan menghadirkan tantangan unik terhadap pendekatan berbasis ML konvensional. Pelaku kejahatan dapat mencoba menghindari mekanisme moderasi konten dengan mengubah konten dengan berbagai cara, seperti menggunakan sinonim gambar atau menyematkan konten sebenarnya ke dalam kumpulan konten yang lebih besar dan tidak menyinggung. Hal ini memerlukan pemantauan dan pembaruan model secara terus-menerus untuk mendeteksi dan merespons taktik permusuhan tersebut.
Penalaran multi-modal dengan BLIP-2
Model ML multi-modalitas mengacu pada model yang dapat menangani dan mengintegrasikan data dari berbagai sumber atau modalitas, seperti gambar, teks, audio, video, dan bentuk data terstruktur atau tidak terstruktur lainnya. Salah satu model multi-modalitas yang populer adalah model bahasa visual seperti BLIP-2, yang menggabungkan visi komputer dan pemrosesan bahasa alami (NLP) untuk memahami dan menghasilkan informasi visual dan tekstual. Model ini memungkinkan komputer menafsirkan makna gambar dan teks dengan cara yang meniru pemahaman manusia. Model bahasa visi dapat menangani berbagai tugas, termasuk pembuatan teks gambar, pengambilan teks gambar, menjawab pertanyaan visual, dan banyak lagi. Misalnya, model pemberian teks gambar dapat menghasilkan deskripsi bahasa alami dari suatu gambar, dan model pengambilan teks gambar dapat mencari gambar berdasarkan kueri teks. Model penjawab pertanyaan visual dapat merespons pertanyaan bahasa alami tentang gambar, dan chatbot multimodal dapat menggunakan masukan visual dan tekstual untuk menghasilkan respons. Dalam hal moderasi konten, Anda dapat menggunakan kemampuan ini untuk melakukan kueri terhadap daftar pertanyaan.
BLIP-2 berisi tiga bagian. Komponen pertama adalah frozen image encoder, ViT-L/14 dari CLIP, yang mengambil data gambar sebagai input. Komponen kedua adalah LLM yang dibekukan, FlanT5, yang mengeluarkan teks. Komponen ketiga adalah modul yang dapat dilatih yang disebut Q-Former, sebuah transformator ringan yang menghubungkan encoder gambar yang dibekukan dengan LLM yang dibekukan. Q-Former menggunakan vektor kueri yang dapat dipelajari untuk mengekstrak fitur visual dari encoder gambar yang dibekukan dan memasukkan fitur visual yang paling berguna ke LLM untuk menghasilkan teks yang diinginkan.
Proses pra-pelatihan melibatkan dua tahap. Pada tahap pertama, pembelajaran representasi visual-bahasa dilakukan untuk mengajarkan Q-Former mempelajari representasi visual yang paling relevan untuk teks. Pada tahap kedua, pembelajaran generatif vision-to-bahasa dilakukan dengan menghubungkan keluaran Q-Former ke LLM yang dibekukan dan melatih Q-Former untuk menghasilkan representasi visual yang dapat diinterpretasikan oleh LLM.
BLIP-2 mencapai kinerja tercanggih dalam berbagai tugas bahasa visi meskipun memiliki parameter yang dapat dilatih secara signifikan lebih sedikit dibandingkan metode yang ada. Model ini juga menunjukkan kemampuan baru dalam pembuatan gambar-ke-teks zero-shot yang dapat mengikuti instruksi bahasa alami. Ilustrasi berikut dimodifikasi dari makalah penelitian asli.
Ikhtisar solusi
Diagram berikut menggambarkan arsitektur solusi.
Pada bagian berikut, kami mendemonstrasikan cara menyebarkan BLIP-2 ke sebuah Amazon SageMaker titik akhir, dan gunakan BLIP-2 dan LLM untuk moderasi konten.
Prasyarat
Anda memerlukan akun AWS dengan Identitas AWS dan Manajemen Akses (IAM) peran dengan izin untuk mengelola sumber daya yang dibuat sebagai bagian dari solusi. Untuk detailnya, lihat Buat akun AWS mandiri.
Jika ini adalah pertama kalinya Anda bekerja dengannya Studio Amazon SageMaker, Anda harus membuat terlebih dahulu Domain SageMaker. Selain itu, Anda mungkin perlu meminta peningkatan kuota layanan untuk instans hosting SageMaker yang sesuai. Untuk model BLIP-2, kami menggunakan ml.g5.2xlarge
Contoh hosting SageMaker. Untuk model Llama 2 13B, kami menggunakan ml.g5.12xlarge
Contoh hosting SageMaker.
Terapkan BLIP-2 ke titik akhir SageMaker
Anda dapat menghosting LLM di SageMaker menggunakan Inferensi Model Besar (LMI) kontainer yang dioptimalkan untuk menghosting model besar menggunakan DJLServing. DJLServing adalah solusi penyajian model universal berkinerja tinggi yang didukung oleh Deep Java Library (DJL) yang tidak bergantung pada bahasa pemrograman. Untuk mempelajari lebih lanjut tentang DJL dan DJLServing, lihat Terapkan model besar di Amazon SageMaker menggunakan inferensi paralel model DJLServing dan DeepSpeed. Dengan bantuan wadah LMI SageMaker, model BLIP-2 dapat dengan mudah diimplementasikan dengan pustaka Hugging Face dan dihosting di SageMaker. Anda bisa lari blip2-sagemaker.ipynb
untuk langkah ini.
Untuk menyiapkan image Docker dan file model, Anda perlu mengambil image Docker dari DJLServing, mengemas skrip inferensi dan file konfigurasi sebagai model.tar.gz
file, dan mengunggahnya ke Layanan Penyimpanan Sederhana Amazon (Amazon S3) ember. Anda dapat merujuk ke skrip inferensi dan file konfigurasi lebih lanjut.
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)
Ketika gambar Docker dan file terkait inferensi sudah siap, Anda membuat model, konfigurasi untuk titik akhir, dan titik akhir:
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
)
Saat status titik akhir berada dalam layanan, Anda dapat memanggil titik akhir untuk pembuatan teks gambar dan tugas pembuatan visi-ke-bahasa zero-shot yang diinstruksikan. Untuk tugas pemberian keterangan gambar, Anda hanya perlu meneruskan gambar ke titik akhir:
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)
Untuk tugas pembuatan visi-ke-bahasa zero-shot yang diinstruksikan, selain gambar masukan, Anda perlu mendefinisikan pertanyaan sebagai perintah:
base64_string = encode_image(test_image)
inputs = {"prompt": "Question: what happened in this photo? Answer:", "image": base64_string}
run_inference(endpoint_name, inputs)
Gunakan BLIP-2 dan LLM untuk moderasi konten
Pada tahap ini, Anda dapat membuat kueri pada gambar tertentu dan mengambil informasi tersembunyi. Dengan LLM, Anda mengatur kueri dan mengambil informasi untuk menghasilkan hasil format JSON. Secara kasar Anda dapat membagi tugas ini menjadi dua subtugas berikut:
- Ekstrak informasi dari gambar dengan model BLIP-2.
- Hasilkan hasil akhir dan penjelasan dengan LLM.
Ekstrak informasi dari gambar dengan model BLIP-2
Untuk mengambil informasi tersembunyi yang cukup berguna dari gambar tertentu, Anda perlu menentukan kueri. Karena setiap kueri akan memanggil titik akhir satu kali, banyak kueri akan menyebabkan waktu pemrosesan lebih lama. Oleh karena itu, kami menyarankan untuk membuat kueri berkualitas tinggi dan mencakup semua kebijakan tetapi juga tanpa duplikat. Dalam kode contoh kami, kami mendefinisikan kueri sebagai berikut:
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?"
]
Dengan kueri sebelumnya, aktifkan titik akhir BLIP-2 untuk mengambil informasi dengan kode berikut:
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}. """
Selain informasi yang diambil berdasarkan kueri, Anda bisa mendapatkan informasi dengan tugas pemberian teks gambar dengan memanggil titik akhir tanpa prompt
bidang dalam payload:
inputs = {"image": base64_string}
response = smr_client.invoke_endpoint(
EndpointName=endpoint_name, Body=json.dumps(inputs)
)
image_caption = response["Body"].read().decode('utf-8')
Anda dapat menggabungkan konten pertanyaan dan jawaban dengan keterangan gambar dan menggunakan informasi yang diambil ini untuk tugas hilir, yang dijelaskan di bagian berikutnya di bawah.
Hasilkan hasil akhir dan penjelasan dengan LLM
Model bahasa besar (LLM) seperti Llama 2 dapat menghasilkan hasil berkualitas tinggi dengan template prompt yang tepat. Menggunakan Mulai Lompatan Amazon SageMaker, Praktisi ML dapat memilih dari beragam pilihan model landasan yang tersedia untuk umum. Hanya dengan beberapa klik di SageMaker Studio, kini Anda bisa melakukannya temukan dan terapkan Llama 2.
Hasil akhir bergantung pada LLM dengan template prompt tertentu. Prompt tersebut terdiri dari: kebijakan moderasi berdasarkan kategori tidak pantas atau menyinggung kategori moderasi; informasi gambar diekstraksi dari BLIP-2; templat pertanyaan ke LLM yang menanyakan apakah foto tersebut berisi konten yang tidak aman dan meminta kategori serta alasannya jika tidak aman; dan instruksi untuk menampilkan hasil dalam format JSON. Templat prompt yang dirancang memungkinkan LLM menentukan apakah gambar melanggar kebijakan moderasi, mengidentifikasi kategori pelanggaran, menjelaskan alasannya, dan memberikan keluaran dalam format JSON terstruktur.
Kode sumber intinya adalah sebagai berikut:
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}
]
Anda dapat menyesuaikan perintah berdasarkan kasus penggunaan Anda sendiri. Mengacu kepada buku catatan untuk lebih jelasnya. Saat perintah sudah siap, Anda dapat memanggil titik akhir LLM untuk menghasilkan hasil:
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]
Bagian dari output yang dihasilkan adalah sebagai berikut:
Sesekali Llama 2 melampirkan penjelasan tambahan selain jawaban dari asisten. Anda dapat menggunakan kode penguraian untuk mengekstrak data JSON dari hasil asli yang dihasilkan:
answer = result['generation']['content'].split('}')[0]+'}'
json.loads(answer)
Keuntungan pendekatan generatif
Bagian sebelumnya menunjukkan cara mengimplementasikan bagian inti inferensi model. Pada bagian ini, kami membahas berbagai aspek pendekatan generatif, termasuk perbandingan dengan pendekatan dan perspektif konvensional.
Tabel berikut membandingkan masing-masing pendekatan.
. | Pendekatan Generatif | Pendekatan Klasifikasi |
Memperoleh data berlabel | Model terlatih pada sejumlah besar gambar, inferensi zero-shot | Membutuhkan data dari semua jenis kategori |
Generalisasi model | Model terlatih dengan berbagai jenis gambar | Memerlukan data terkait moderasi konten dalam jumlah besar untuk meningkatkan generalisasi model |
Efisiensi operasional | Kemampuan tembakan nol | Memerlukan pelatihan model untuk mengenali pola yang berbeda, dan pelatihan ulang saat label ditambahkan |
Dapat dijelaskan | Alasan sebagai keluaran teks, pengalaman pengguna yang luar biasa | Sulit dicapai penalaran, sulit dijelaskan dan diinterpretasikan |
Sifat permusuhan | Kuat | Pelatihan ulang frekuensi tinggi |
Potensi kasus penggunaan penalaran multi-modal di luar moderasi konten
Model BLIP-2 dapat diterapkan untuk berbagai tujuan dengan atau tanpa penyesuaian, yang mencakup hal berikut:
- Teks gambar โ Ini meminta model untuk menghasilkan deskripsi teks untuk konten visual gambar. Seperti yang diilustrasikan pada contoh gambar berikut (kiri), kita dapat memilikinya โseorang pria sedang berdiri di pantai dengan papan selancarโ sesuai deskripsi gambar.
- Menjawab pertanyaan visual โ Seperti contoh gambar di tengah, kita bisa bertanya โApakah itu konten yang berhubungan dengan komersialโ dan kita mempunyai "Iya" sebagai jawabannya. Selain itu, BLIP-2 mendukung percakapan multi-putaran dan menghasilkan pertanyaan berikut: "Mengapa menurutmu begitu?" Berdasarkan isyarat visual dan kemampuan LLM, keluaran BLIP-2 โitu pertanda bagi amazon.โ
- Pengambilan teks gambar โ Diberikan pertanyaan sebagai โTeks pada gambarโ, kita dapat mengekstrak teks gambar โini hari senin tapi tetaplah tersenyumโ seperti yang ditunjukkan pada gambar di sebelah kanan.
Gambar berikut menunjukkan contoh untuk menunjukkan kemampuan penalaran pengetahuan visual zero-shot image-to-text.
Seperti yang dapat kita lihat dari berbagai contoh di atas, model multi-modalitas membuka peluang baru untuk memecahkan masalah kompleks yang sulit diatasi oleh model modalitas tunggal tradisional.
Membersihkan
Untuk menghindari timbulnya biaya di masa mendatang, hapus sumber daya yang dibuat sebagai bagian dari postingan ini. Anda dapat melakukan ini dengan mengikuti petunjuk di bagian pembersihan notebook, atau menghapus titik akhir yang dibuat melalui konsol SageMaker dan sumber daya yang disimpan di bucket S3.
Kesimpulan
Dalam postingan kali ini, kami membahas pentingnya moderasi konten di dunia digital dan menyoroti tantangannya. Kami mengusulkan metode baru untuk membantu meningkatkan moderasi konten dengan data gambar dan melakukan menjawab pertanyaan terhadap gambar untuk mengekstrak informasi berguna secara otomatis. Kami juga memberikan diskusi lebih lanjut mengenai keuntungan menggunakan pendekatan berbasis AI generatif dibandingkan dengan pendekatan berbasis klasifikasi tradisional. Terakhir, kami mengilustrasikan potensi kasus penggunaan model bahasa visual di luar moderasi konten.
Kami mendorong Anda untuk mempelajari lebih lanjut dengan menjelajahi SageMaker dan membangun solusi menggunakan solusi multi-modalitas yang disediakan dalam postingan ini dan kumpulan data yang relevan dengan bisnis Anda.
Tentang Penulis
Gordon Wang adalah TAM Spesialis AI/ML Senior di AWS. Dia mendukung pelanggan strategis dengan praktik terbaik AI/ML di banyak industri. Dia menyukai visi komputer, NLP, AI generatif, dan MLOps. Di waktu luangnya, dia suka berlari dan mendaki.
Yan Wei Cui, PhD, adalah Arsitek Solusi Spesialis Pembelajaran Mesin Senior di AWS. Dia memulai penelitian pembelajaran mesin di IRISA (Lembaga Penelitian Ilmu Komputer dan Sistem Acak), dan memiliki pengalaman beberapa tahun dalam membangun aplikasi industri bertenaga AI dalam visi komputer, pemrosesan bahasa alami, dan prediksi perilaku pengguna online. Di AWS, dia berbagi keahlian domainnya dan membantu pelanggan membuka potensi bisnis dan mendorong hasil yang dapat ditindaklanjuti dengan pembelajaran mesin dalam skala besar. Di luar pekerjaan, dia suka membaca dan bepergian.
Melani Li, PhD, adalah TAM Spesialis AI/ML Senior di AWS yang berbasis di Sydney, Australia. Dia membantu pelanggan perusahaan membangun solusi menggunakan alat AI/ML canggih di AWS dan memberikan panduan tentang merancang dan mengimplementasikan solusi ML dengan praktik terbaik. Di waktu luangnya, dia suka menjelajahi alam dan menghabiskan waktu bersama keluarga dan teman.
- Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
- PlatoData.Jaringan Vertikal Generatif Ai. Berdayakan Diri Anda. Akses Di Sini.
- PlatoAiStream. Intelijen Web3. Pengetahuan Diperkuat. Akses Di Sini.
- PlatoESG. Otomotif / EV, Karbon, teknologi bersih, energi, Lingkungan Hidup, Tenaga surya, Penanganan limbah. Akses Di Sini.
- PlatoHealth. Kecerdasan Uji Coba Biotek dan Klinis. Akses Di Sini.
- ChartPrime. Tingkatkan Game Trading Anda dengan ChartPrime. Akses Di Sini.
- BlockOffset. Modernisasi Kepemilikan Offset Lingkungan. Akses Di Sini.
- Sumber: https://aws.amazon.com/blogs/machine-learning/build-a-generative-ai-based-content-moderation-solution-on-amazon-sagemaker-jumpstart/
- :memiliki
- :adalah
- :bukan
- :Di mana
- $NAIK
- 1
- 10
- 100
- 20
- 22
- 7
- 9
- 95%
- a
- Sanggup
- Tentang Kami
- atas
- mengakses
- Menurut
- Akun
- ketepatan
- Mencapai
- Mencapai
- aktor
- sebenarnya
- menambahkan
- menambahkan
- tambahan
- Tambahan
- Selain itu
- alamat
- mengikuti
- Mengadopsi
- Adopsi
- keuntungan
- permusuhan
- pengiklan
- pengiklanan
- terhadap
- AI
- Bertenaga AI
- AI / ML
- algoritma
- penjajaran
- Semua
- memungkinkan
- juga
- Amazon
- Amazon SageMaker
- Mulai Lompatan Amazon SageMaker
- Amazon Web Services
- an
- menganalisa
- dan
- Lain
- menjawab
- jawaban
- Apa pun
- aplikasi
- terapan
- pendekatan
- pendekatan
- sesuai
- arsitektur
- ADALAH
- AS
- meminta
- aspek
- Asisten
- asosiasi
- mengasumsikan
- At
- audio
- Australia
- secara otomatis
- tersedia
- menghindari
- AWS
- Buruk
- berdasarkan
- BE
- Pantai
- karena
- menjadi
- menjadi
- laku
- makhluk
- di bawah
- Benchmark
- selain
- TERBAIK
- Praktik Terbaik
- Luar
- bias
- darah
- tubuh
- kedua
- merek
- merek
- Membawa
- luas
- anggaran belanja
- membangun
- Bangunan
- bisnis
- tapi
- by
- bernama
- CAN
- Bisa Dapatkan
- kemampuan
- kemampuan
- hati-hati
- kasus
- kasus
- kategori
- Kategori
- menantang
- tantangan
- menantang
- Perubahan
- beban
- chatbots
- Pilih
- kelas-kelas
- jelas
- klien
- pakaian
- kode
- Pengkodean
- menggabungkan
- menggabungkan
- komersial
- masyarakat
- membangun komunitas
- perusahaan
- dibandingkan
- lengkap
- kompleks
- komponen
- komponen
- komputer
- Komputer Ilmu
- Visi Komputer
- komputer
- konfigurasi
- Memastikan
- Menghubungkan
- menghubungkan
- pertimbangan
- dianggap
- terdiri
- konsul
- konstan
- terus-menerus
- kontak
- mengandung
- Wadah
- mengandung
- Konten
- pembuatan konten
- isi
- berkontribusi
- konvensional
- Percakapan
- percakapan
- Core
- Sesuai
- Biaya
- mahal
- Biaya
- bisa
- menutupi
- membuat
- dibuat
- penciptaan
- kritis
- Cross
- pelanggan
- menyesuaikan
- data
- keamanan data
- kumpulan data
- keputusan
- keputusan
- mendalam
- menetapkan
- didefinisikan
- mendemonstrasikan
- menunjukkan
- menunjukkan
- menyebarkan
- dijelaskan
- deskripsi
- dirancang
- merancang
- diinginkan
- Meskipun
- rincian
- menemukan
- Menentukan
- dialog
- berbeda
- digital
- dunia digital
- langsung
- dibahas
- diskusi
- distribusi
- beberapa
- do
- Buruh pelabuhan
- tidak
- domain
- mendorong
- setiap
- memudahkan
- mudah
- efektif
- efektivitas
- efisien
- embedding
- muncul
- muncul
- mempekerjakan
- aktif
- memungkinkan
- mendorong
- akhir
- Titik akhir
- Meningkatkan
- cukup
- memastikan
- memastikan
- Enterprise
- kesalahan
- terutama
- penting
- contoh
- contoh
- ada
- pengalaman
- keahlian
- Menjelaskan
- penjelasan
- menyelidiki
- Menjelajahi
- Pencahayaan
- luar
- ekstrak
- Menghadapi
- Air terjun
- keluarga
- Fitur
- Fitur
- wanita
- beberapa
- sedikit
- bidang
- perkelahian
- File
- File
- terakhir
- keuangan
- Pertama
- pertama kali
- cocok
- ditandai
- Fokus
- mengikuti
- berikut
- berikut
- Untuk
- format
- bentuk
- Prinsip Dasar
- Frekuensi
- teman
- dari
- beku
- fungsi
- lebih lanjut
- masa depan
- mengumpulkan
- menghasilkan
- dihasilkan
- menghasilkan
- generasi
- generatif
- AI generatif
- mendapatkan
- Memberikan
- diberikan
- besar
- Pertumbuhan
- Pertumbuhan
- bimbingan
- menangani
- terjadi
- Sulit
- Memiliki
- memiliki
- he
- Kesehatan
- Informasi kesehatan
- kesehatan
- berat
- membantu
- membantu
- dia
- Tersembunyi
- High
- kinerja tinggi
- berkualitas tinggi
- Disorot
- -nya
- tuan rumah
- host
- tuan
- Seterpercayaapakah Olymp Trade? Kesimpulan
- How To
- HTML
- http
- HTTPS
- manusia
- mengenali
- mengidentifikasi
- identitas
- if
- menggambarkan
- gambar
- gambar
- melaksanakan
- diimplementasikan
- mengimplementasikan
- mengimpor
- pentingnya
- penting
- memperbaiki
- perbaikan
- in
- tidak akurat
- memasukkan
- termasuk
- Termasuk
- Meningkatkan
- Meningkatkan
- industri
- industri
- industri
- tidak efisien
- informasi
- memasukkan
- input
- contoh
- Lembaga
- instruksi
- mengintegrasikan
- bunga
- intern
- ke
- memperkenalkan
- IT
- NYA
- Jawa
- jpg
- json
- hanya
- Menjaga
- pengetahuan
- Label
- bahasa
- besar
- lebih besar
- memimpin
- terkemuka
- BELAJAR
- pengetahuan
- meninggalkan
- Informasi
- Kewajiban
- Perpustakaan
- ringan
- Daftar
- Llama
- LLM
- lagi
- mencintai
- mesin
- Mesin belajar
- mempertahankan
- membuat
- Membuat
- pria
- mengelola
- manual
- banyak
- bahan
- Mungkin..
- me
- makna
- mekanisme
- Media
- meta
- metode
- metode
- Tengah
- ML
- MLOps
- model
- model
- moderasi
- dimodifikasi
- Modul
- Senin
- pemantauan
- lebih
- lebih efisien
- paling
- beberapa
- Alam
- Pengolahan Bahasa alami
- Alam
- Perlu
- negatif
- New
- berikutnya
- nLP
- buku catatan
- novel
- sekarang
- jumlah
- of
- serangan
- on
- sekali
- ONE
- secara online
- hanya
- Buka
- open source
- Peluang
- dioptimalkan
- or
- organisasi
- asli
- Lainnya
- kami
- Perusahaan kita
- hasil
- Mengungguli
- keluaran
- di luar
- kewalahan
- sendiri
- paket
- Paralel
- parameter
- bagian
- khususnya
- bagian
- lulus
- bergairah
- pola
- Melakukan
- prestasi
- dilakukan
- Izin
- orang
- pribadi
- orang
- perspektif
- phd
- foto
- sangat penting
- Platform
- Platform
- plato
- Kecerdasan Data Plato
- Data Plato
- memainkan
- silahkan
- Kebijakan
- kebijaksanaan
- miskin
- Populer
- Pos
- potensi
- potensi
- didukung
- kuat
- praktek
- ramalan
- Mempersiapkan
- hadiah
- pengawetan
- mencegah
- Prioritaskan
- pribadi
- masalah
- proses
- pengolahan
- Pemrograman
- diusulkan
- perlindungan
- memberikan
- disediakan
- menyediakan
- publik
- publisitas
- di depan umum
- tujuan
- menempatkan
- Q & A
- kualitas
- query
- pertanyaan
- Pertanyaan
- acak
- Bacaan
- siap
- alasan
- mengenali
- mengenali
- menurunkan
- secara teratur
- peraturan
- terkait
- relevan
- mengandalkan
- Dihapus
- perwakilan
- wakil
- reputasi
- permintaan
- membutuhkan
- membutuhkan
- penelitian
- Sumber
- Menanggapi
- tanggapan
- tanggapan
- mengakibatkan
- dihasilkan
- Hasil
- kembali
- mengungkapkan
- pendapatan
- Pertumbuhan pendapatan
- RGB
- benar
- Risiko
- risiko
- Peran
- kira-kira
- Aturan
- Run
- berjalan
- s
- pengamanan
- Safety/keselamatan
- pembuat bijak
- Skala
- Ilmu
- Pencarian
- Kedua
- Bagian
- bagian
- Sektor
- keamanan
- melihat
- seleksi
- senior
- peka
- melayani
- layanan
- Layanan
- porsi
- set
- beberapa
- Seksual
- saham
- berbagi
- dia
- Melindungi
- Menunjukkan
- menunjukkan
- Pertunjukkan
- menandatangani
- makna
- signifikan
- Demikian pula
- Sederhana
- situasi
- So
- Sosial
- media sosial
- media sosial platform
- larutan
- Solusi
- Memecahkan
- sumber
- kode sumber
- sumber
- Space
- spasi
- Spam
- spesialis
- tertentu
- pidato
- menghabiskan
- membagi
- Tahap
- magang
- standalone
- standar
- mulai
- state-of-the-art
- Negara
- Status
- Langkah
- Masih
- penyimpanan
- tersimpan
- Strategis
- tersusun
- Perjuangan
- studio
- Belajar
- seperti itu
- menyarankan
- Mendukung
- sydney
- sistem
- tabel
- memecahkan
- taktik
- Dibutuhkan
- tugas
- tugas
- tim
- mengatakan
- Template
- istilah
- teks
- tekstual
- dari
- bahwa
- Grafik
- informasi
- mereka
- Sana.
- dengan demikian
- karena itu
- Ini
- mereka
- berpikir
- Ketiga
- ini
- tiga
- waktu
- membuang-buang waktu
- untuk
- alat
- tradisional
- Pelatihan VE
- terlatih
- Pelatihan
- transformator
- Perjalanan
- dua
- mengetik
- jenis
- bawah
- memahami
- pemahaman
- unik
- Universal
- membuka kunci
- diperbarui
- memperbarui
- Menegakkan
- upload
- menggunakan
- gunakan case
- Pengguna
- Pengguna Pengalaman
- privasi pengguna
- Pengguna
- menggunakan
- Nilai - Nilai
- variasi
- berbagai
- melalui
- Video
- PELANGGARAN
- penglihatan
- volume
- volume
- Cara..
- cara
- we
- jaringan
- layanan web
- situs web
- BAIK
- Apa
- ketika
- yang
- mengapa
- akan
- dengan
- dalam
- tanpa
- kata
- Kerja
- kerja
- dunia
- akan
- tahun
- Kamu
- Anda
- zephyrnet.dll