Kami menyaksikan peningkatan pesat dalam penerapan model bahasa besar (LLM) yang mendukung aplikasi AI generatif di seluruh industri. LLM mampu melakukan berbagai tugas, seperti menghasilkan konten kreatif, menjawab pertanyaan melalui chatbots, menghasilkan kode, dan banyak lagi.
Organisasi yang ingin menggunakan LLM untuk mendukung aplikasi mereka semakin waspada terhadap privasi data untuk memastikan kepercayaan dan keamanan tetap terjaga dalam aplikasi AI generatif mereka. Hal ini termasuk menangani data informasi identitas pribadi (PII) pelanggan dengan baik. Hal ini juga mencakup mencegah penyebaran konten yang kasar dan tidak aman ke LLM dan memeriksa bahwa data yang dihasilkan oleh LLM mengikuti prinsip yang sama.
Dalam postingan kali ini, kami membahas fitur-fitur baru yang didukung oleh Amazon Comprehend yang memungkinkan integrasi tanpa batas untuk memastikan privasi data, keamanan konten, dan keamanan cepat dalam aplikasi AI generatif yang baru dan yang sudah ada.
Amazon Comprehend adalah layanan pemrosesan bahasa alami (NLP) yang menggunakan pembelajaran mesin (ML) untuk mengungkap informasi dalam data tidak terstruktur dan teks dalam dokumen. Dalam postingan ini, kami membahas mengapa kepercayaan dan keamanan dengan LLM penting bagi beban kerja Anda. Kami juga mempelajari lebih dalam bagaimana kemampuan moderasi baru ini dimanfaatkan dengan kerangka pengembangan AI generatif yang populer LangChain untuk memperkenalkan mekanisme kepercayaan dan keamanan yang dapat disesuaikan untuk kasus penggunaan Anda.
Mengapa kepercayaan dan keamanan dengan LLM penting
Kepercayaan dan keamanan adalah hal yang terpenting ketika bekerja dengan LLM karena dampaknya yang besar pada berbagai aplikasi, mulai dari chatbot dukungan pelanggan hingga pembuatan konten. Ketika model-model ini memproses sejumlah besar data dan menghasilkan respons yang mirip dengan manusia, potensi penyalahgunaan atau hasil yang tidak diinginkan akan meningkat. Memastikan bahwa sistem AI ini beroperasi dalam batasan yang etis dan dapat diandalkan sangatlah penting, tidak hanya untuk reputasi bisnis yang menggunakannya, namun juga untuk menjaga kepercayaan pengguna akhir dan pelanggan.
Selain itu, seiring dengan semakin terintegrasinya LLM ke dalam pengalaman digital kita sehari-hari, pengaruhnya terhadap persepsi, keyakinan, dan keputusan kita semakin meningkat. Memastikan kepercayaan dan keamanan dengan LLM lebih dari sekedar tindakan teknis; hal ini menunjukkan tanggung jawab yang lebih luas dari praktisi dan organisasi AI untuk menegakkan standar etika. Dengan memprioritaskan kepercayaan dan keamanan, organisasi tidak hanya melindungi penggunanya, namun juga memastikan pertumbuhan AI yang berkelanjutan dan bertanggung jawab di masyarakat. Hal ini juga dapat membantu mengurangi risiko menghasilkan konten berbahaya, dan membantu mematuhi persyaratan peraturan.
Dalam bidang kepercayaan dan keamanan, moderasi konten merupakan mekanisme yang menangani berbagai aspek, termasuk namun tidak terbatas pada:
- Privasi โ Pengguna dapat secara tidak sengaja memberikan teks yang berisi informasi sensitif, sehingga membahayakan privasi mereka. Mendeteksi dan menyunting PII apa pun sangatlah penting.
- Toksisitas โ Mengenali dan memfilter konten berbahaya, seperti perkataan yang mendorong kebencian, ancaman, atau pelecehan, adalah hal yang paling penting.
- Niat pengguna โ Mengidentifikasi apakah input pengguna (prompt) aman atau tidak aman sangatlah penting. Permintaan yang tidak aman dapat secara eksplisit atau implisit mengungkapkan niat jahat, seperti meminta informasi pribadi atau pribadi dan menghasilkan konten yang menyinggung, diskriminatif, atau ilegal. Anjuran juga dapat secara implisit mengungkapkan atau meminta nasihat mengenai medis, hukum, politik, kontroversial, pribadi, atau keuangan
Moderasi konten dengan Amazon Comprehend
Di bagian ini, kami membahas manfaat moderasi konten dengan Amazon Comprehend.
Mengatasi privasi
Amazon Comprehend telah menangani privasi melalui kemampuan deteksi dan redaksi PII yang ada melalui DeteksiPIIIEntitas dan BerisiPIIEntitas Lebah. Kedua API ini didukung oleh model NLP yang dapat mendeteksi sejumlah besar entitas PII seperti nomor Jaminan Sosial (SSN), nomor kartu kredit, nama, alamat, nomor telepon, dan sebagainya. Untuk daftar lengkap entitas, lihat Tipe entitas universal PII. DetectPII juga menyediakan posisi tingkat karakter entitas PII dalam teks; misalnya posisi karakter awal entitas NAME (John Doe) pada kalimat โNama saya Joh lakukaneโ adalah 12, dan posisi karakter akhir adalah 19. Offset ini dapat digunakan untuk melakukan masking atau redaksi nilai, sehingga mengurangi risiko penyebaran data pribadi ke LLM.
Mengatasi toksisitas dan keamanan yang cepat
Hari ini, kami mengumumkan dua fitur Amazon Comprehend baru dalam bentuk API: Deteksi toksisitas melalui DetectToxicContent
API, dan klasifikasi keamanan cepat melalui ClassifyDocument
API. Perhatikan bahwa DetectToxicContent
adalah API baru, sedangkan ClassifyDocument
adalah API yang sudah ada yang sekarang mendukung klasifikasi keamanan cepat.
Deteksi toksisitas
Dengan deteksi toksisitas Amazon Comprehend, Anda dapat mengidentifikasi dan menandai konten yang mungkin berbahaya, menyinggung, atau tidak pantas. Kemampuan ini sangat berharga untuk platform tempat pengguna menghasilkan konten, seperti situs media sosial, forum, chatbot, bagian komentar, dan aplikasi yang menggunakan LLM untuk menghasilkan konten. Tujuan utamanya adalah menjaga lingkungan yang positif dan aman dengan mencegah penyebaran konten beracun.
Pada intinya, model deteksi toksisitas menganalisis teks untuk menentukan kemungkinan teks tersebut berisi konten kebencian, ancaman, kata-kata kotor, atau bentuk teks berbahaya lainnya. Model ini dilatih pada kumpulan data luas yang berisi contoh konten beracun dan tidak beracun. API toksisitas mengevaluasi bagian teks tertentu untuk memberikan klasifikasi toksisitas dan skor kepercayaan. Aplikasi AI generatif kemudian dapat menggunakan informasi ini untuk mengambil tindakan yang tepat, seperti menghentikan penyebaran teks ke LLM. Pada tulisan ini, label yang terdeteksi oleh API pendeteksi toksisitas adalah HATE_SPEECH
, GRAPHIC
, HARRASMENT_OR_ABUSE
, SEXUAL
, VIOLENCE_OR_THREAT
, INSULT
, dan PROFANITY
. Kode berikut menunjukkan panggilan API dengan Python Boto3 untuk deteksi toksisitas Amazon Comprehend:
Klasifikasi keamanan yang cepat
Klasifikasi keamanan cepat dengan Amazon Comprehend membantu mengklasifikasikan perintah teks masukan sebagai aman atau tidak aman. Kemampuan ini sangat penting untuk aplikasi seperti chatbots, asisten virtual, atau alat moderasi konten di mana pemahaman keamanan perintah dapat menentukan respons, tindakan, atau penyebaran konten ke LLM.
Intinya, klasifikasi keamanan cepat menganalisis masukan manusia untuk mengetahui adanya niat jahat yang eksplisit atau implisit, seperti meminta informasi pribadi atau pribadi dan pembuatan konten yang menyinggung, diskriminatif, atau ilegal. Hal ini juga menandai permintaan untuk mencari nasihat mengenai masalah medis, hukum, politik, kontroversial, pribadi, atau keuangan. Klasifikasi cepat mengembalikan dua kelas, UNSAFE_PROMPT
dan SAFE_PROMPT
, untuk teks terkait, dengan skor keyakinan terkait untuk masing-masing teks. Skor kepercayaan berkisar antara 0โ1 dan jika digabungkan akan berjumlah 1. Misalnya, dalam chatbot dukungan pelanggan, teks โBagaimana cara mereset kata sandi saya?โ menandakan niat untuk mencari panduan tentang prosedur pengaturan ulang kata sandi dan diberi label sebagai SAFE_PROMPT
. Demikian pula pernyataan seperti โAku berharap sesuatu yang buruk terjadi padamuโ dapat ditandai karena mempunyai maksud yang berpotensi membahayakan dan diberi label sebagai UNSAFE_PROMPT
. Penting untuk dicatat bahwa klasifikasi keamanan cepat terutama difokuskan pada pendeteksian maksud dari masukan manusia (perintah), bukan teks yang dihasilkan mesin (keluaran LLM). Kode berikut menunjukkan cara mengakses fitur klasifikasi keselamatan cepat dengan ClassifyDocument
Lebah:
Perhatikan bahwa endpoint_arn
dalam kode sebelumnya disediakan oleh AWS Nomor Sumber Daya Amazon (ARN) dari pola tersebut arn:aws:comprehend:<region>:aws:document-classifier-endpoint/prompt-safety
, Di mana <region>
adalah Wilayah AWS pilihan Anda di mana Amazon Memahami tersedia.
Untuk mendemonstrasikan kemampuan ini, kami membuat contoh aplikasi obrolan tempat kami meminta LLM mengekstrak entitas PII seperti alamat, nomor telepon, dan SSN dari sepotong teks tertentu. LLM menemukan dan mengembalikan entitas PII yang sesuai, seperti yang ditunjukkan pada gambar di sebelah kiri.
Dengan moderasi Amazon Comprehend, kita dapat menyunting masukan ke LLM dan keluaran dari LLM. Pada gambar di sebelah kanan, nilai SSN diperbolehkan untuk diteruskan ke LLM tanpa redaksi. Namun, nilai SSN apa pun dalam respons LLM akan disunting.
Berikut ini adalah contoh bagaimana perintah yang berisi informasi PII dapat dicegah agar tidak menjangkau LLM sama sekali. Contoh ini menunjukkan pengguna mengajukan pertanyaan yang berisi informasi PII. Kami menggunakan moderasi Amazon Comprehend untuk mendeteksi entitas PII di prompt dan menunjukkan kesalahan dengan mengganggu aliran.
Contoh obrolan sebelumnya menunjukkan bagaimana moderasi Amazon Comprehend menerapkan pembatasan pada data yang dikirim ke LLM. Pada bagian berikut, kami menjelaskan bagaimana mekanisme moderasi ini diterapkan menggunakan LangChain.
Integrasi dengan LangChain
Dengan kemungkinan penerapan LLM yang tak terbatas ke dalam berbagai kasus penggunaan, menyederhanakan pengembangan aplikasi AI generatif menjadi sama pentingnya. LangChain adalah kerangka kerja sumber terbuka populer yang memudahkan pengembangan aplikasi AI generatif. Moderasi Amazon Comprehend memperluas kerangka LangChain untuk menawarkan identifikasi dan redaksi PII, deteksi toksisitas, dan kemampuan klasifikasi keamanan cepat melalui AmazonComprehendModerationChain
.
AmazonComprehendModerationChain
adalah implementasi khusus dari Rantai dasar LangChain antarmuka. Artinya aplikasi dapat menggunakan rantai ini dengan miliknya sendiri rantai LLM untuk menerapkan moderasi yang diinginkan pada perintah masukan serta teks keluaran dari LLM. Rantai dapat dibangun dengan menggabungkan banyak rantai atau dengan mencampurkan rantai dengan komponen lain. Anda dapat gunakan AmazonComprehendModerationChain
dengan rantai LLM lainnya untuk mengembangkan aplikasi AI yang kompleks secara modular dan fleksibel.
Untuk menjelaskannya lebih lanjut, kami memberikan beberapa contoh pada bagian berikut. Kode sumber untuk AmazonComprehendModerationChain
implementasi dapat ditemukan di dalam Repositori sumber terbuka LangChain. Untuk dokumentasi lengkap antarmuka API, lihat dokumentasi LangChain API untuk Amazon Memahami rantai moderasi. Menggunakan rantai moderasi ini semudah menginisialisasi instance kelas dengan konfigurasi default:
Di balik layar, rantai moderasi melakukan tiga pemeriksaan moderasi berturut-turut, yaitu PII, toksisitas, dan keamanan cepat, sebagaimana dijelaskan dalam diagram berikut. Ini adalah alur default untuk moderasi.
Cuplikan kode berikut menunjukkan contoh sederhana penggunaan rantai moderasi dengan Amazon FalconLite LLM (yang merupakan versi terkuantisasi dari Model Falcon 40B SFT OASST-TOP1) dihosting di Hugging Face Hub:
Pada contoh sebelumnya, kami menambah rantai kami dengan comprehend_moderation
untuk teks yang masuk ke LLM dan teks yang dihasilkan oleh LLM. Ini akan menjalankan moderasi default yang akan memeriksa PII, toksisitas, dan klasifikasi keamanan cepat dalam urutan tersebut.
Sesuaikan moderasi Anda dengan konfigurasi filter
Anda dapat menggunakan AmazonComprehendModerationChain
dengan konfigurasi tertentu, yang memberi Anda kemampuan untuk mengontrol moderasi apa yang ingin Anda lakukan dalam aplikasi berbasis AI generatif Anda. Pada inti konfigurasi, Anda memiliki tiga konfigurasi filter yang tersedia.
- ModerasiPiiConfig โ Digunakan untuk mengonfigurasi filter PII.
- Konfigurasi Toksisitas Moderasi โ Digunakan untuk mengonfigurasi filter konten beracun.
- ModerationIntentConfig โ Digunakan untuk mengonfigurasi filter maksud.
Anda dapat menggunakan setiap konfigurasi filter ini untuk menyesuaikan perilaku moderasi Anda. Konfigurasi setiap filter memiliki beberapa parameter umum, dan beberapa parameter unik, yang dapat digunakan untuk menginisialisasinya. Setelah Anda menentukan konfigurasi, Anda menggunakan BaseModerationConfig
kelas untuk menentukan urutan di mana filter harus diterapkan pada teks. Misalnya, dalam kode berikut, pertama-tama kita tentukan tiga konfigurasi filter, lalu tentukan urutan penerapannya:
Mari selami lebih dalam untuk memahami apa yang dicapai konfigurasi ini:
- Pertama, untuk filter toksisitas, kami menetapkan ambang batas 0.6. Artinya, jika teks berisi label atau entitas beracun yang ada dengan skor lebih besar dari ambang batas, seluruh rantai akan terputus.
- Jika tidak ditemukan konten beracun dalam teks, pemeriksaan PII dilakukan. Dalam hal ini, kami tertarik untuk memeriksa apakah teks tersebut mengandung nilai SSN. Karena
redact
parameter disetel keTrue
, rantai akan menutupi nilai SSN yang terdeteksi (jika ada) dengan skor kepercayaan entitas SSN lebih besar dari atau sama dengan 0.5, dengan karakter topeng yang ditentukan (X). Jikaredact
diatur keFalse
, rantai akan terputus jika SSN terdeteksi. - Terakhir, rantai tersebut melakukan klasifikasi keamanan secara cepat, dan akan menghentikan penyebaran konten ke bagian bawah rantai jika konten tersebut diklasifikasikan dengan
UNSAFE_PROMPT
dengan skor kepercayaan lebih besar atau sama dengan 0.8.
Diagram berikut menggambarkan alur kerja ini.
Jika terjadi gangguan pada rantai moderasi (dalam contoh ini, berlaku untuk filter klasifikasi toksisitas dan keamanan cepat), rantai tersebut akan menaikkan Pengecualian Python, pada dasarnya menghentikan rantai yang sedang berlangsung dan memungkinkan Anda menangkap pengecualian (dalam blok coba-tangkap) dan melakukan tindakan apa pun yang relevan. Tiga kemungkinan jenis pengecualian adalah:
ModerationPIIError
ModerationToxicityError
ModerationPromptSafetyError
Anda dapat mengonfigurasi satu filter atau lebih dari satu filter menggunakan BaseModerationConfig
. Anda juga dapat memiliki jenis filter yang sama dengan konfigurasi berbeda dalam rantai yang sama. Misalnya, jika kasus penggunaan Anda hanya berkaitan dengan PII, Anda dapat menentukan konfigurasi yang harus memutus rantai jika SSN terdeteksi; jika tidak, ia harus melakukan redaksi terhadap umur dan nama entitas PII. Konfigurasi untuk ini dapat didefinisikan sebagai berikut:
Menggunakan panggilan balik dan pengidentifikasi unik
Jika Anda familiar dengan konsep alur kerja, Anda mungkin juga familiar dengannya panggilan balik. Callback dalam alur kerja adalah potongan kode independen yang dijalankan ketika kondisi tertentu terpenuhi dalam alur kerja. Callback dapat memblokir atau tidak memblokir alur kerja. Rantai LangChain pada dasarnya adalah alur kerja untuk LLM. AmazonComprehendModerationChain
memungkinkan Anda menentukan fungsi panggilan balik Anda sendiri. Awalnya, implementasinya terbatas pada fungsi callback asynchronous (nonblocking) saja.
Artinya, jika Anda menggunakan callback dengan rantai moderasi, callback tersebut akan berjalan secara independen dari proses rantai tanpa memblokirnya. Untuk rantai moderasi, Anda mendapatkan opsi untuk menjalankan potongan kode, dengan logika bisnis apa pun, setelah setiap moderasi dijalankan, terlepas dari rantai tersebut.
Anda juga dapat secara opsional memberikan string pengidentifikasi unik yang berubah-ubah saat membuat AmazonComprehendModerationChain
untuk mengaktifkan logging dan analitik nanti. Misalnya, jika Anda mengoperasikan chatbot yang diberdayakan oleh LLM, Anda mungkin ingin melacak pengguna yang terus-menerus melakukan pelecehan atau sengaja atau tidak membeberkan informasi pribadi. Dalam kasus seperti ini, penting untuk melacak asal usul perintah tersebut dan mungkin menyimpannya dalam database atau mencatatnya dengan tepat untuk tindakan lebih lanjut. Anda dapat memberikan ID unik yang secara jelas mengidentifikasi pengguna, seperti nama pengguna atau email mereka, atau nama aplikasi yang menghasilkan perintah.
Kombinasi callback dan pengidentifikasi unik memberi Anda cara ampuh untuk mengimplementasikan rantai moderasi yang sesuai dengan kasus penggunaan Anda dengan cara yang jauh lebih kohesif dengan lebih sedikit kode sehingga lebih mudah dikelola. Pengendali panggilan balik tersedia melalui BaseModerationCallbackHandler
, dengan tiga panggilan balik yang tersedia: on_after_pii()
, on_after_toxicity()
, dan on_after_prompt_safety()
. Masing-masing fungsi panggilan balik ini dipanggil secara asinkron setelah pemeriksaan moderasi masing-masing dilakukan dalam rantai. Fungsi-fungsi ini juga menerima dua parameter default:
- moderasi_beacon โ Kamus yang berisi detail seperti teks tempat moderasi dilakukan, output JSON lengkap dari Amazon Comprehend API, jenis moderasi, dan apakah label yang disediakan (dalam konfigurasi) ditemukan di dalam teks atau tidak
- identitas unik โ ID unik yang Anda tetapkan saat menginisialisasi sebuah instance
AmazonComprehendModerationChain
.
Berikut ini adalah contoh cara kerja implementasi dengan callback. Dalam hal ini, kami mendefinisikan satu callback yang kami ingin agar rantainya dijalankan setelah pemeriksaan PII dilakukan:
Kami kemudian menggunakan my_callback
objek sambil menginisialisasi rantai moderasi dan juga meneruskan a unique_id
. Anda dapat menggunakan callback dan pengidentifikasi unik dengan atau tanpa konfigurasi. Saat Anda membuat subkelas BaseModerationCallbackHandler
, Anda harus menerapkan satu atau semua metode panggilan balik bergantung pada filter yang ingin Anda gunakan. Untuk singkatnya, contoh berikut menunjukkan cara menggunakan callback dan unique_id
tanpa konfigurasi apa pun:
Diagram berikut menjelaskan cara kerja rantai moderasi dengan callback dan pengidentifikasi unik. Secara khusus, kami menerapkan panggilan balik PII yang harus menulis file JSON dengan data yang tersedia di moderation_beacon
dan unique_id
lulus (email pengguna dalam hal ini).
Dalam berikut Buku catatan Python, kami telah mengumpulkan beberapa cara berbeda untuk mengonfigurasi dan menggunakan rantai moderasi dengan berbagai LLM, seperti LLM yang dihosting dengan Mulai Lompatan Amazon SageMaker dan dihosting di Memeluk Wajah Hub. Kami juga telah menyertakan contoh aplikasi chatting yang telah kami bahas sebelumnya berikut ini Buku catatan Python.
Kesimpulan
Potensi transformatif dari model bahasa besar dan AI generatif tidak dapat disangkal. Namun, penggunaannya yang bertanggung jawab dan etis bergantung pada penanganan masalah kepercayaan dan keamanan. Dengan mengenali tantangan dan secara aktif menerapkan langkah-langkah untuk memitigasi risiko, pengembang, organisasi, dan masyarakat secara luas dapat memanfaatkan manfaat teknologi ini sambil menjaga kepercayaan dan keamanan yang mendukung keberhasilan integrasi mereka. Gunakan Amazon Comprehend ContentModerationChain untuk menambahkan fitur kepercayaan dan keamanan ke alur kerja LLM apa pun, termasuk alur kerja Retrieval Augmented Generation (RAG) yang diterapkan di LangChain.
Untuk informasi tentang membangun solusi berbasis RAG menggunakan LangChain dan mesin pembelajaran (ML) yang sangat akurat dan didukung oleh Amazon Kendra pencarian cerdas, melihat - Dengan cepat membuat aplikasi Generatif AI dengan akurasi tinggi pada data perusahaan menggunakan Amazon Kendra, LangChain, dan model bahasa besar. Sebagai langkah selanjutnya, lihat contoh kode kami buat untuk menggunakan moderasi Amazon Comprehend dengan LangChain. Untuk dokumentasi lengkap API rantai moderasi Amazon Comprehend, lihat LangChain Dokumentasi API.
Tentang penulis
Wrick Talukdar adalah Arsitek Senior di tim Amazon Comprehend Service. Dia bekerja dengan pelanggan AWS untuk membantu mereka mengadopsi pembelajaran mesin dalam skala besar. Di luar pekerjaan, ia senang membaca dan fotografi.
Anjan Biswas adalah Arsitek Solusi Layanan AI Senior dengan fokus pada AI/ML dan Analisis Data. Anjan adalah bagian dari tim layanan AI di seluruh dunia dan bekerja dengan pelanggan untuk membantu mereka memahami dan mengembangkan solusi untuk masalah bisnis dengan AI dan ML. Anjan memiliki lebih dari 14 tahun pengalaman bekerja dengan rantai pasokan global, manufaktur, dan organisasi ritel, dan secara aktif membantu pelanggan memulai dan meningkatkan layanan AI AWS.
Nikhil Jha adalah Manajer Akun Teknis Senior di Amazon Web Services. Area fokusnya meliputi AI/ML, dan analitik. Di waktu luangnya, ia menikmati bermain bulu tangkis dengan putrinya dan menjelajahi alam bebas.
Chin Rane adalah Arsitek Solusi Spesialis AI/ML di Amazon Web Services. Dia bersemangat tentang matematika terapan dan pembelajaran mesin. Dia berfokus pada perancangan solusi pemrosesan dokumen cerdas untuk pelanggan AWS. Di luar pekerjaan, dia menikmati tarian salsa dan bachata.
- 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. Karbon, teknologi bersih, energi, Lingkungan Hidup, Tenaga surya, Penanganan limbah. Akses Di Sini.
- PlatoHealth. Kecerdasan Uji Coba Biotek dan Klinis. Akses Di Sini.
- Sumber: https://aws.amazon.com/blogs/machine-learning/build-trust-and-safety-for-generative-ai-applications-with-amazon-comprehend-and-langchain/
- :memiliki
- :adalah
- :bukan
- :Di mana
- $NAIK
- 1
- 100
- 11
- 12
- 14
- 15%
- 17
- 19
- 500
- 7
- 8
- 9
- a
- kemampuan
- kemampuan
- Tentang Kami
- penyalahgunaan
- mengakses
- Akun
- tepat
- Mencapai
- di seluruh
- Tindakan
- tindakan
- aktif
- menambahkan
- alamat
- alamat
- menangani
- mengikuti
- mengambil
- Adopsi
- nasihat
- Setelah
- usia
- AI
- Layanan AI
- Sistem AI
- AI / ML
- Semua
- diizinkan
- Membiarkan
- memungkinkan
- sudah
- juga
- sama sekali
- Amazon
- Amazon Comprehend
- AmazonKendra
- Amazon Web Services
- jumlah
- an
- analisis
- analisis
- dan
- Mengumumkan
- menjawab
- Apa pun
- api
- Lebah
- berlaku
- Aplikasi
- aplikasi
- terapan
- berlaku
- Mendaftar
- sesuai
- tepat
- ADALAH
- daerah
- AS
- meminta
- meminta
- aspek
- ditugaskan
- asisten
- terkait
- At
- menambah
- ditambah
- tersedia
- AWS
- bersandaran
- Buruk
- mendasarkan
- berdasarkan
- BE
- karena
- menjadi
- menjadi
- laku
- makhluk
- keyakinan
- Manfaat
- antara
- Luar
- Memblokir
- pemblokiran
- kedua
- batas-batas
- lebih luas
- membangun
- membangun kepercayaan
- Bangunan
- dibangun di
- bisnis
- bisnis
- tapi
- by
- panggilan
- panggilan balik
- bernama
- CAN
- kemampuan
- kemampuan
- mampu
- modal
- kartu
- kasus
- kasus
- gulat
- tertentu
- rantai
- rantai
- tantangan
- karakter
- ChatBot
- chatbots
- memeriksa
- memeriksa
- Cek
- dagu
- pilihan
- kelas
- kelas-kelas
- klasifikasi
- tergolong
- Klasifikasi
- klien
- kode
- kompak
- COM
- kombinasi
- bergabung
- komentar
- Umum
- kompleks
- komponen
- memahami
- konsep
- prihatin
- Kekhawatiran
- Kondisi
- kepercayaan
- konfigurasi
- berturut-turut
- secara konsisten
- mengandung
- Konten
- Pembuatan Konten
- kontrol
- kontroversial
- Core
- dibuat
- membuat
- Kreatif
- kredit
- kartu kredit
- kritis
- sangat penting
- adat
- pelanggan
- Customer Support
- pelanggan
- disesuaikan
- menyesuaikan
- harian
- Tarian
- data
- Data Analytics
- privasi data
- Basis Data
- kumpulan data
- keputusan
- lebih dalam
- Default
- menetapkan
- didefinisikan
- menggali
- mendemonstrasikan
- menunjukkan
- Tergantung
- merancang
- diinginkan
- rincian
- menemukan
- terdeteksi
- Deteksi
- Menentukan
- mengembangkan
- pengembang
- Pengembangan
- berbeda
- digital
- membahas
- dibahas
- jelas
- menyelam
- do
- dokumen
- dokumentasi
- dokumen
- kelinci betina
- turun
- dua
- e
- setiap
- Terdahulu
- mudah
- efektif
- tanpa usaha
- antara
- lain
- aktif
- akhir
- Tak berujung
- memastikan
- memastikan
- Enterprise
- entitas
- entitas
- Lingkungan Hidup
- sama
- sama
- kesalahan
- esensi
- penting
- dasarnya
- etis
- contoh
- contoh
- Kecuali
- pengecualian
- ada
- pengalaman
- Pengalaman
- Menjelaskan
- menjelaskan
- Menjelaskan
- secara eksplisit
- Menjelajahi
- ekspres
- Meluas
- ekstrak
- Menghadapi
- akrab
- Fitur
- Fitur
- beberapa
- File
- menyaring
- penyaringan
- filter
- keuangan
- Menemukan
- menemukan
- Pertama
- ditandai
- bendera
- fleksibel
- aliran
- Fokus
- terfokus
- berfokus
- berikut
- berikut
- Untuk
- bentuk
- format
- bentuk
- forum
- ditemukan
- Kerangka
- Prancis
- dari
- penuh
- fungsi
- lebih lanjut
- menghasilkan
- dihasilkan
- menghasilkan
- generasi
- generatif
- AI generatif
- mendapatkan
- gif
- Memberikan
- diberikan
- memberikan
- Aksi
- tujuan
- Pergi
- akan
- baik
- lebih besar
- tumbuh
- Pertumbuhan
- bimbingan
- Penanganan
- Terjadi
- berbahaya
- memanfaatkan
- benci
- Memiliki
- memiliki
- he
- membantu
- membantu
- membantu
- sangat
- engsel
- -nya
- host
- Seterpercayaapakah Olymp Trade? Kesimpulan
- How To
- Namun
- HTML
- HTTPS
- Pusat
- manusia
- seperti manusia
- i
- ID
- Identifikasi
- identifier
- pengidentifikasi
- mengidentifikasi
- mengenali
- mengidentifikasi
- if
- liar
- menggambarkan
- gambar
- Dampak
- melaksanakan
- implementasi
- diimplementasikan
- mengimplementasikan
- mengimpor
- pentingnya
- penting
- in
- secara tidak sengaja
- memasukkan
- termasuk
- termasuk
- Termasuk
- Meningkatkan
- Meningkatkan
- makin
- independen
- secara mandiri
- industri
- mempengaruhi
- informasi
- mulanya
- memasukkan
- input
- Pertanyaan
- contoh
- terpadu
- integrasi
- Cerdas
- Pemrosesan dokumen cerdas
- berniat
- maksud
- tertarik
- Antarmuka
- terganggu
- ke
- memperkenalkan
- IT
- NYA
- John
- JOHN DOE
- jpg
- json
- hanya
- Label
- bahasa
- besar
- kemudian
- pengetahuan
- meninggalkan
- Informasi
- kurang
- 'like'
- kemungkinan
- Terbatas
- Daftar
- sedikit
- sedikit lebih dalam
- LLM
- mencatat
- penebangan
- logika
- mencari
- mesin
- Mesin belajar
- memelihara
- MEMBUAT
- manajer
- cara
- pabrik
- masker
- matematika
- hal
- Mungkin..
- me
- cara
- ukuran
- mekanisme
- Media
- medis
- penggabungan
- bertemu
- metode
- penyalahgunaan
- Mengurangi
- Percampuran
- ML
- model
- model
- moderasi
- modular
- lebih
- banyak
- harus
- my
- nama
- yaitu
- nama
- Alam
- Pengolahan Bahasa alami
- perlu
- New
- Fitur Baru
- berikutnya
- nLP
- tidak
- sekarang
- jumlah
- nomor
- banyak sekali
- obyek
- of
- serangan
- menawarkan
- offset
- on
- ONE
- hanya
- Buka
- open source
- beroperasi
- operasi
- Opsi
- or
- urutan
- organisasi
- asal
- Lainnya
- jika tidak
- kami
- di luar
- hasil
- di luar rumah
- keluaran
- output
- di luar
- lebih
- sendiri
- parameter
- parameter
- terpenting
- bagian
- khususnya
- lulus
- Lulus
- bergairah
- Kata Sandi
- pengaturan ulang kata sandi
- pola
- Melakukan
- dilakukan
- melakukan
- mungkin
- pribadi
- Sendiri
- telepon
- fotografi
- bagian
- potongan-potongan
- Platform
- plato
- Kecerdasan Data Plato
- Data Plato
- bermain
- politik
- Populer
- posisi
- positif
- kemungkinan
- mungkin
- Pos
- potensi
- berpotensi
- kekuasaan
- didukung
- kuat
- melestarikan
- mencegah
- terutama
- primer
- prinsip-prinsip
- memprioritaskan
- pribadi
- swasta
- informasi pribadi
- masalah
- Prosedur
- proses
- pengolahan
- mendalam
- Kemajuan
- tepat
- melindungi
- memberikan
- menyediakan
- Ular sanca
- pertanyaan
- menaikkan
- jarak
- rentang
- cepat
- agak
- mencapai
- Bacaan
- dunia
- menerima
- mengenali
- menurunkan
- mengurangi
- lihat
- wilayah
- regulator
- relevan
- dapat diandalkan
- reputasi
- permintaan
- Persyaratan
- sumber
- itu
- tanggapan
- tanggapan
- tanggung jawab
- tanggung jawab
- pembatasan
- eceran
- Pengembalian
- benar
- Risiko
- risiko
- Run
- s
- aman
- Safety/keselamatan
- pembuat bijak
- sama
- Skala
- adegan
- skor
- mulus
- Bagian
- bagian
- keamanan
- melihat
- Mencari
- DIRI
- senior
- peka
- mengirim
- putusan pengadilan
- Urutan
- layanan
- Layanan
- set
- dia
- harus
- Menunjukkan
- menampilkan
- ditunjukkan
- Pertunjukkan
- sinyal
- Demikian pula
- Sederhana
- menyederhanakan
- tunggal
- Situs
- potongan
- So
- Sosial
- media sosial
- Masyarakat
- Solusi
- beberapa
- sesuatu
- sumber
- kode sumber
- Bicara
- spesialis
- tertentu
- Secara khusus
- ditentukan
- pidato
- standar
- awal
- mulai
- Pernyataan
- Langkah
- berhenti
- henti
- menyimpan
- Tali
- Kemudian
- sukses
- seperti itu
- dipasok
- menyediakan
- supply chain
- mendukung
- Mendukung
- berkelanjutan
- sistem
- Mengambil
- tugas
- tim
- Teknis
- Teknologi
- Template
- teks
- dari
- bahwa
- Grafik
- Ibukota
- Sumber
- mereka
- Mereka
- kemudian
- Sana.
- dengan demikian
- Ini
- mereka
- ini
- ancaman
- tiga
- ambang
- Melalui
- waktu
- untuk
- alat
- jalur
- terlatih
- transformatif
- Kepercayaan
- mencoba
- dua
- mengetik
- jenis
- menemukan
- yg tak dpt disangkal
- mendukung
- memahami
- pemahaman
- unik
- Universal
- Menegakkan
- menggunakan
- gunakan case
- bekas
- Pengguna
- Pengguna
- kegunaan
- menggunakan
- Penggunaan
- dimanfaatkan
- Berharga
- nilai
- Nilai - Nilai
- variasi
- berbagai
- Luas
- versi
- melalui
- maya
- W
- ingin
- adalah
- Cara..
- cara
- we
- jaringan
- layanan web
- BAIK
- adalah
- Apa
- Apa itu
- ketika
- sedangkan
- apakah
- yang
- sementara
- SIAPA
- seluruh
- mengapa
- lebar
- Rentang luas
- akan
- ingin
- dengan
- dalam
- tanpa
- menyaksikan
- Kerja
- alur kerja
- Alur kerja
- kerja
- bekerja
- menulis
- penulisan
- X
- tahun
- Kamu
- Anda
- zephyrnet.dll