Llama Guard זמין כעת באמזון SageMaker JumpStart | שירותי האינטרנט של אמזון

Llama Guard זמין כעת באמזון SageMaker JumpStart | שירותי האינטרנט של אמזון

היום אנו נרגשים לבשר כי משמר הלאמה המודל זמין כעת עבור לקוחות המשתמשים אמזון SageMaker JumpStart. Llama Guard מספק אמצעי הגנה לקלט ופלט בפריסת מודל שפה גדול (LLM). זהו אחד המרכיבים תחת Purple Llama, היוזמה של Meta הכוללת כלי אמון ובטיחות פתוחים והערכות כדי לעזור למפתחים לבנות בצורה אחראית עם מודלים של AI. Purple Llama מפגיש כלים והערכות כדי לעזור לקהילה לבנות בצורה אחראית עם מודלים של בינה מלאכותית. המהדורה הראשונית כוללת התמקדות באבטחת סייבר והגנה על קלט ופלט של LLM. רכיבים בפרויקט Purple Llama, כולל מודל ה-Llama Guard, מקבלים רישיון מתירני, מה שמאפשר שימוש מחקר ומסחרי כאחד.

עכשיו אתה יכול להשתמש במודל ה-Llama Guard בתוך SageMaker JumpStart. SageMaker JumpStart הוא מרכז למידת המכונה (ML) של אמזון SageMaker המספק גישה למודלים בסיסיים בנוסף לאלגוריתםים מובנים ותבניות פתרונות מקצה לקצה כדי לעזור לך להתחיל במהירות עם ML.

בפוסט זה, אנו עוברים דרך כיצד לפרוס את מודל ה-Llama Guard ולבנות פתרונות AI מחוללים אחראיים.

דגם לאמה גארד

Llama Guard הוא דגם חדש מבית Meta המספק מעקות בטיחות קלט ופלט עבור פריסות LLM. Llama Guard הוא מודל זמין באופן גלוי שמתפקד באופן תחרותי על אמות מידה פתוחות נפוצות ומספק למפתחים מודל מאומן מראש כדי לסייע בהגנה מפני יצירת תפוקות שעלולות להיות מסוכנות. מודל זה עבר הכשרה על שילוב של מערכי נתונים זמינים לציבור כדי לאפשר זיהוי של סוגים נפוצים של תוכן שעלול להיות מסוכן או מפר, שעשוי להיות רלוונטי למספר מקרי שימוש של מפתחים. בסופו של דבר, החזון של המודל הוא לאפשר למפתחים להתאים את המודל הזה כדי לתמוך במקרים שימוש רלוונטיים ולהפוך אותו ללא מאמץ לאמץ שיטות עבודה מומלצות ולשפר את האקולוגית הפתוחה.

ניתן להשתמש ב-Llama Guard ככלי משלים למפתחים לשילוב באסטרטגיות הפחתה משלהם, כגון עבור צ'אטבוטים, ניהול תוכן, שירות לקוחות, ניטור מדיה חברתית וחינוך. על ידי העברת תוכן שנוצר על ידי משתמשים דרך Llama Guard לפני פרסום או תגובה אליו, מפתחים יכולים לסמן שפה לא בטוחה או לא הולמת ולנקוט פעולה כדי לשמור על סביבה בטוחה ומכבדת.

בואו נחקור כיצד אנו יכולים להשתמש במודל ה-Llama Guard ב- SageMaker JumpStart.

דגמי יסוד ב- SageMaker

SageMaker JumpStart מספקת גישה למגוון דגמים ממרכזי דגמים פופולריים, כולל Hugging Face, PyTorch Hub ו- TensorFlow Hub, שבהם אתה יכול להשתמש במסגרת זרימת העבודה שלך לפיתוח ML ב- SageMaker. ההתקדמות האחרונה ב-ML הובילה לסוג חדש של דגמים המכונה דגמי יסוד, אשר בדרך כלל מאומנים על מיליארדי פרמטרים וניתנים להתאמה לקטגוריה רחבה של מקרי שימוש, כגון סיכום טקסט, יצירת אמנות דיגיטלית ותרגום שפה. מכיוון שדגמים אלו יקרים לאימון, לקוחות רוצים להשתמש במודלים קיימים של יסודות שהוכשרו מראש ולכוונן אותם לפי הצורך, במקום לאמן את הדגמים הללו בעצמם. SageMaker מספק רשימה אוצרת של דגמים שתוכלו לבחור מהם בקונסולת SageMaker.

כעת תוכל למצוא דגמי יסוד מספקי דגמים שונים בתוך SageMaker JumpStart, מה שמאפשר לך להתחיל עם דגמי יסוד במהירות. אתה יכול למצוא מודלים של בסיס המבוססים על משימות או ספקי מודל שונים, ולסקור בקלות את מאפייני המודל ומונחי השימוש. אתה יכול גם לנסות את הדגמים האלה באמצעות ווידג'ט למבחן ממשק משתמש. כאשר אתה רוצה להשתמש במודל יסוד בקנה מידה, אתה יכול לעשות זאת בקלות מבלי לעזוב את SageMaker על ידי שימוש במחברות מובנות מראש מספקי דגמים. מכיוון שהמודלים מתארחים ונפרסים ב-AWS, אתה יכול להיות סמוך ובטוח שהנתונים שלך, בין אם הם משמשים להערכת המודל או לשימוש בקנה מידה גדול, לעולם אינם משותפים עם צדדים שלישיים.

בואו נחקור כיצד אנו יכולים להשתמש במודל ה-Llama Guard ב- SageMaker JumpStart.

גלה את דגם ה-Llama Guard ב-SageMaker JumpStart

אתה יכול לגשת לדגמי בסיס Code Llama דרך SageMaker JumpStart בממשק המשתמש של SageMaker Studio ו- SageMaker Python SDK. בחלק זה נעבור על איך לגלות את הדגמים ב סטודיו SageMaker של אמזון.

SageMaker Studio הוא סביבת פיתוח משולבת (IDE) המספקת ממשק חזותי אחד מבוסס אינטרנט שבו אתה יכול לגשת לכלים ייעודיים לביצוע כל שלבי הפיתוח של ML, מהכנת נתונים ועד לבנייה, הדרכה ופריסה של מודלי ה-ML שלך. לפרטים נוספים כיצד להתחיל ולהגדיר את SageMaker Studio, עיין ב סטודיו SageMaker של אמזון.

ב-SageMaker Studio, תוכל לגשת ל-SageMaker JumpStart, המכיל דגמים מאומנים מראש, מחברות ופתרונות מובנים מראש, תחת פתרונות מובנים ואוטומטיים מראש.

Llama Guard זמין כעת באמזון SageMaker JumpStart | Amazon Web Services PlatoBlockchain Data Intelligence. חיפוש אנכי. איי.

בדף הנחיתה של SageMaker JumpStart, תוכל למצוא את דגם ה-Llama Guard על ידי בחירה ב-Meta Hub או חיפוש אחר Llama Guard.

Llama Guard זמין כעת באמזון SageMaker JumpStart | Amazon Web Services PlatoBlockchain Data Intelligence. חיפוש אנכי. איי.

אתה יכול לבחור מתוך מגוון גרסאות של דגמי לאמה, כולל Lama Guard, Llama-2 וקוד לאמה.

Llama Guard זמין כעת באמזון SageMaker JumpStart | Amazon Web Services PlatoBlockchain Data Intelligence. חיפוש אנכי. איי.

אתה יכול לבחור את כרטיס הדגם כדי להציג פרטים על הדגם כגון רישיון, נתונים המשמשים לאימון ואופן השימוש. תמצא גם א לפרוס אפשרות, שתעביר אותך לדף נחיתה שבו תוכל לבדוק מסקנות עם מטען דוגמה.

Llama Guard זמין כעת באמזון SageMaker JumpStart | Amazon Web Services PlatoBlockchain Data Intelligence. חיפוש אנכי. איי.

פרוס את הדגם עם SageMaker Python SDK

אתה יכול למצוא את הקוד המציג את פריסת ה-Llama Guard ב- Amazon JumpStart ודוגמה לשימוש במודל הפרוס ב- זֶה מחברת GitHub.

בקוד הבא, אנו מציינים את מזהה דגם הרכזת של דגם SageMaker וגרסת הדגם לשימוש בעת פריסת ה-Llama Guard:

model_id = "meta-textgeneration-llama-guard-7b"
model_version = "1.*"

כעת תוכל לפרוס את המודל באמצעות SageMaker JumpStart. הקוד הבא משתמש במופע ברירת המחדל ml.g5.2xlarge עבור נקודת הסיום. אתה יכול לפרוס את המודל על סוגי מופעים אחרים על ידי מעבר instance_type ב JumpStartModel מעמד. הפריסה עשויה להימשך מספר דקות. לפריסה מוצלחת, עליך לשנות ידנית את accept_eula ארגומנט בשיטת הפריסה של המודל ל True.

from sagemaker.jumpstart.model import JumpStartModel model = JumpStartModel(model_id=model_id, model_version=model_version)
accept_eula = False # change to True to accept EULA for successful model deployment
try: predictor = model.deploy(accept_eula=accept_eula)
except Exception as e: print(e)

מודל זה נפרס באמצעות מיכל הלמידה העמוקה (TGI). בקשות להסיק תומכות בפרמטרים רבים, כולל הפרמטרים הבאים:

  • אורך מקסימלי – המודל יוצר טקסט עד שאורך הפלט (הכולל את אורך ההקשר של הקלט) מגיע max_length. אם צוין, זה חייב להיות מספר שלם חיובי.
  • max_new_tokens – המודל יוצר טקסט עד שאורך הפלט (לא כולל אורך ההקשר של הקלט) מגיע max_new_tokens. אם צוין, זה חייב להיות מספר שלם חיובי.
  • num_beams - זה מציין את מספר הקורות המשמשות בחיפוש החמדני. אם צוין, הוא חייב להיות מספר שלם הגדול או שווה ל num_return_sequences.
  • no_repeat_ngram_size – המודל מבטיח שרצף מילים של no_repeat_ngram_size אינו חוזר על עצמו ברצף הפלט. אם צוין, זה חייב להיות מספר שלם חיובי הגדול מ-1.
  • טמפרטורה – פרמטר זה שולט באקראיות בפלט. גבוה יותר temperature התוצאה היא רצף פלט עם מילים בסבירות נמוכה, ומילים נמוכות יותר temperature מביא לרצף פלט עם מילים בסבירות גבוהה. אם temperature הוא 0, זה גורם לפענוח חמדני. אם צוין, זה חייב להיות ציפה חיובית.
  • עצירה מוקדמת - אם True, יצירת טקסט מסתיימת כאשר כל השערות האלומה מגיעות לסוף אסימון המשפט. אם צוין, זה חייב להיות בוליאני.
  • do_sample - אם True, המודל דוגם את המילה הבאה לפי הסבירות. אם צוין, זה חייב להיות בוליאני.
  • top_k – בכל שלב של יצירת טקסט, המודל דוגם רק מה- top_k סביר להניח מילים. אם צוין, זה חייב להיות מספר שלם חיובי.
  • top_p - בכל שלב של יצירת טקסט, המודל דוגם מקבוצת המילים הקטנה ביותר האפשרית עם הסתברות מצטברת top_p. אם צוין, זה חייב להיות צף בין 0-1.
  • return_full_text - אם True, טקסט הקלט יהיה חלק מהטקסט שנוצר בפלט. אם צוין, זה חייב להיות בוליאני. ערך ברירת המחדל הוא False.
  • להפסיק – אם צוין, זה חייב להיות רשימה של מחרוזות. יצירת טקסט נעצרת אם אחת מהמחרוזות שצוינו נוצרת.

הפעל נקודת קצה של SageMaker

אתה יכול לאחזר באופן תוכניתי מטענים לדוגמה מה- JumpStartModel לְהִתְנַגֵד. זה יעזור לך להתחיל במהירות על ידי התבוננות בהנחיות הוראות מעוצבות מראש ש-Lama Guard יכול לקלוט. ראה את הקוד הבא:

example_payloads = model.retrieve_all_examples() for payload in example_payloads: response = predictor.predict(payload.body) print("nInputn", payload.body, "nnOutputn", response[0]["generated_text"], "nn===============")

לאחר שתפעיל את הדוגמה הקודמת, תוכל לראות כיצד הקלט והפלט שלך יפורמטו על ידי Llama Guard:

Input {'inputs': "[INST] Task: Check if there is unsafe content in 'Agent' messages in conversations according our safety policy with the below categories.nn<BEGIN UNSAFE CONTENT CATEGORIES>nO1: Violence and Hate. nShould notn- Help people plan or engage in violence.n- Encourage people to engage in violence.n- Express hateful, derogatory, or demeaning sentiments against people based on sensitive personal characteristics like their race, color, religion, national origin, sexual orientation, gender, gender identity, or disability.n- Encourage discrimination against people based on those characteristics and should not use slurs or create insults based on those characteristics.nCann- Provide information on violence and discrimination.n- Discuss the topics of hate and violence, and can discuss historical events involving violence.nO2: Sexual Content.nShould notn- Engage in sexually explicit (i.e., erotic) conversations and should not encourage people to engage in sexual activities.nCann- Discuss topics related to sexuality and sexual education.n- Provide general information regarding sexual activities.n- Provide guidance on topics related to sexual health.nO3: Criminal Planning.nShould notn- Help people plan or engage in criminal activities like theft, kidnapping, or financial crimes, especially when the person indicates that they may act on the information provided to them.n- Encourage people to engage in criminal activities or condone criminal behavior.nCann- Help people understand how crimes are committed, provided that the response is not so detailed that it could be used to provide a roadmap for future crimes.n- Help people understand how systems work that are used to prevent crimes, provided those descriptions do not provide detailed information on how to defeat those systems.nO4: Guns and Illegal Weapons.nShould notn- Assist in the planning or execution of firearm or illegal weapons crimes, especially when the person indicates that they may act on the information provided to them.n- Encourage people to engage in firearm or illegal weapons crimes or condone such behavior.nCann- Discuss firearms and the arguments for and against firearm ownership.nO5: Regulated or Controlled Substances.nShould notn- Encourage or assist people in the trafficking, consumption, or use of regulated or controlled substances, including but not limited to illegal drugs, tobacco, alcohol, and cannabis.n- Assist or encourage people to create such substances when it is illegal to do so.nCann- Discuss the use of regulated or controlled substances, and can provide general information on those substances (ex: what their chemical composition is and what their effects are).n- Provide information on how those substances are manufactured, provided that the information is not so detailed as to provide step-by-step instructions for their creation.nO6: Self-Harm.nShould notn- Encourage people to harm themselves.n- Romanticize or condone self-harm or suicide.n- Provide information regarding the methods of suicide or self-harm.n- Provide any information or advice, other than information regarding appropriate health resources, to people who express or imply that they wish to harm themselves.nCann- Provide general information regarding self-harm and suicide (ex: statistics, the mental health challenges faced by those who take these actions).nShouldn- Provide information regarding appropriate health resources to people who imply or express the desire to harm themselves.n<END UNSAFE CONTENT CATEGORIES>nn<BEGIN CONVERSATION>nnUser: I forgot how to kill a process in Linux, can you help?nnAgent: Sure! To kill a process in Linux, you can use the kill command followed by the process ID (PID) of the process you want to terminate.nn<END CONVERSATION>nnProvide your safety assessment for Agent in the above conversation:n- First line must read 'safe' or 'unsafe'.n- If unsafe, a second line must include a comma-separated list of violated categories. [/INST]", 'parameters': {'max_new_tokens': 64, 'decoder_input_details': True, 'details': True}} Output safe

בדומה ל-Llama-2, Llama Guard משתמש באסימונים מיוחדים כדי לציין הוראות בטיחות לדגם. באופן כללי, המטען צריך להיות בפורמט הבא:

<s>[INST] {user_prompt} [/INST]

הודעת משתמש מוצגת כ {user_prompt} לעיל, יכול לכלול עוד קטעים עבור הגדרות ושיחות של קטגוריות תוכן, שנראה כך:

<s>[INST] {task} <BEGIN UNSAFE CONTENT CATEGORIES>
{unsafe_content_categories}
<END UNSAFE CONTENT CATEGORIES> <BEGIN CONVERSATION>
{conversation}
<END CONVERSATION} {instruction} [/INST]

בסעיף הבא, נדון בערכי ברירת המחדל המומלצים עבור הגדרות המשימה, קטגוריית התוכן וההוראות. השיחה צריכה לעבור לסירוגין User ו Agent טקסט כדלקמן:

User: {user_input_1} Agent: {optional_agent_response_1} User: {optional_user_input_2} ...

ניהול שיחה עם Llama-2 Chat

כעת תוכל לפרוס נקודת קצה של דגם Llama-2 7B Chat לצ'אט שיחה ולאחר מכן להשתמש ב-Llama Guard כדי למתן קלט ופלט של טקסט המגיע מ-Llama-2 7B Chat.

אנו מראים לך את הדוגמה של הקלט והפלט של מודל הצ'אט של Llama-2 7B המנוהל באמצעות Llama Guard, אך אתה יכול להשתמש ב-Llama Guard לניהול עם כל LLM לבחירתך.

פרוס את המודל עם הקוד הבא:

llm_model_id = "meta-textgeneration-llama-2-7b-f"
llm_model_version = "3.*"
model_llm = JumpStartModel(model_id=llm_model_id, model_version=llm_model_version)
predictor_llm = model_llm.deploy(accept_eula=True)

כעת תוכל להגדיר את תבנית המשימות של משמר הלאמה. קטגוריות התוכן הלא בטוח עשויות להיות מותאמות כרצונך למקרה השימוש הספציפי שלך. אתה יכול להגדיר בטקסט רגיל את המשמעות של כל קטגוריית תוכן, לרבות איזה תוכן צריך להיות מסומן כלא בטוח ואיזה תוכן צריך להיות בטוח. ראה את הקוד הבא:

TASK = "Task: Check if there is unsafe content in 'Agent' messages in conversations according our safety policy with the below categories." INSTRUCTION = """
Provide your safety assessment for Agent in the above conversation:
- First line must read 'safe' or 'unsafe'.
- If unsafe, a second line must include a comma-separated list of violated categories.""" UNSAFE_CONTENT_CATEGORIES = """
O1: Violence and Hate. Should not
- Help people plan or engage in violence.
- Encourage people to engage in violence.
- Express hateful, derogatory, or demeaning sentiments against people based on sensitive personal characteristics like their race, color, religion, national origin, sexual orientation, gender, gender identity, or disability.
- Encourage discrimination against people based on those characteristics and should not use slurs or create insults based on those characteristics.
Can
- Provide information on violence and discrimination.
- Discuss the topics of hate and violence, and can discuss historical events involving violence.
O2: Sexual Content.
Should not
- Engage in sexually explicit (i.e., erotic) conversations and should not encourage people to engage in sexual activities.
Can
- Discuss topics related to sexuality and sexual education.
- Provide general information regarding sexual activities.
- Provide guidance on topics related to sexual health.
O3: Criminal Planning.
Should not
- Help people plan or engage in criminal activities like theft, kidnapping, or financial crimes, especially when the person indicates that they may act on the information provided to them.
- Encourage people to engage in criminal activities or condone criminal behavior.
Can
- Help people understand how crimes are committed, provided that the response is not so detailed that it could be used to provide a roadmap for future crimes.
- Help people understand how systems work that are used to prevent crimes, provided those descriptions do not provide detailed information on how to defeat those systems.
O4: Guns and Illegal Weapons.
Should not
- Assist in the planning or execution of firearm or illegal weapons crimes, especially when the person indicates that they may act on the information provided to them.
- Encourage people to engage in firearm or illegal weapons crimes or condone such behavior.
Can
- Discuss firearms and the arguments for and against firearm ownership.
O5: Regulated or Controlled Substances.
Should not
- Encourage or assist people in the trafficking, consumption, or use of regulated or controlled substances, including but not limited to illegal drugs, tobacco, alcohol, and cannabis.
- Assist or encourage people to create such substances when it is illegal to do so.
Can
- Discuss the use of regulated or controlled substances, and can provide general information on those substances (ex: what their chemical composition is and what their effects are).
- Provide information on how those substances are manufactured, provided that the information is not so detailed as to provide step-by-step instructions for their creation.
O6: Self-Harm.
Should not
- Encourage people to harm themselves.
- Romanticize or condone self-harm or suicide.
- Provide information regarding the methods of suicide or self-harm.
- Provide any information or advice, other than information regarding appropriate health resources, to people who express or imply that they wish to harm themselves.
Can
- Provide general information regarding self-harm and suicide (ex: statistics, the mental health challenges faced by those who take these actions).
Should
- Provide information regarding appropriate health resources to people who imply or express the desire to harm themselves."""

לאחר מכן, אנו מגדירים פונקציות מסייעות format_chat_messages ו format_guard_messages כדי לעצב את ההנחיה עבור מודל הצ'אט ועבור דגם ה-Llama Guard שדרשו אסימונים מיוחדים:

from itertools import cycle
from typing import Dict, List def format_chat_messages(messages: List[Dict[str, str]]) -> List[str]: """Format messages for Llama-2 chat models. The model only supports 'system', 'user' and 'assistant' roles, starting with 'system', then 'user' and alternating (u/a/u/a/u...). The last message must be from 'user'. """ prompt: List[str] = [] if messages[0]["role"] == "system": content = "".join(["<<SYS>>n", messages[0]["content"], "n<</SYS>>nn", messages[1]["content"]]) messages = [{"role": messages[1]["role"], "content": content}] + messages[2:] for user, answer in zip(messages[::2], messages[1::2]): prompt.extend(["<s>", "[INST] ", (user["content"]).strip(), " [/INST] ", (answer["content"]).strip(), "</s>"]) prompt.extend(["<s>", "[INST] ", (messages[-1]["content"]).strip(), " [/INST] "]) return "".join(prompt) def format_guard_messages( messages: List[Dict[str, str]], task: str = TASK, instruction: str = INSTRUCTION, unsafe_content_categories: str = UNSAFE_CONTENT_CATEGORIES,
) -> List[str]: """Format messages for Llama Guard models. The model only supports 'user' and 'assistant' roles, and must alternate (u/a/u/a/u...). """ turn = cycle(["User", "Agent"]) return "".join([ "[INST] ", task, "nn<BEGIN UNSAFE CONTENT CATEGORIES>n", unsafe_content_categories, "n<END UNSAFE CONTENT CATEGORIES>nn<BEGIN CONVERSATION>", *[f"nn{next(turn)}: {message['content']}" for message in messages], "nn<END CONVERSATION>nn", instruction, " [/INST]" ])

לאחר מכן תוכל להשתמש בפונקציות המסייעות האלה בבקשת קלט הודעה לדוגמה כדי להפעיל את הקלט לדוגמה דרך Llama Guard כדי לקבוע אם תוכן ההודעה בטוח:

messages_input = [{"role": "user", "content": "I forgot how to kill a process in Linux, can you help?"}]
payload_input_guard = {"inputs": format_guard_messages(messages_input)} response_input_guard = predictor.predict(payload_input_guard) assert response_input_guard[0]["generated_text"].strip() == "safe"
print(response_input_guard)

הפלט הבא מציין שההודעה בטוחה. ייתכן שתבחין שההנחיה כוללת מילים שעשויות להיות קשורות לאלימות, אבל במקרה זה, משמר הלאמה מסוגל להבין את ההקשר ביחס להוראות ולהגדרות הקטגוריות הלא בטוחות שסיפקנו קודם לכן ולקבוע שזו הנחיה בטוחה ולא הקשורים לאלימות.

[{'generated_text': ' safe'}]

כעת לאחר שאישרת שטקסט הקלט נקבע בטוח ביחס לקטגוריות התוכן של Llama Guard שלך, אתה יכול להעביר את המטען הזה למודל ה-Llama-2 7B שנפרס כדי ליצור טקסט:

payload_input_llm = {"inputs": format_chat_messages(messages_input), "parameters": {"max_new_tokens": 128}} response_llm = predictor_llm.predict(payload_input_llm) print(response_llm)

להלן תגובת המודל:

[{'generated_text': 'Of course! In Linux, you can use the `kill` command to terminate a process. Here are the basic syntax and options you can use:nn1. `kill <PID>` - This will kill the process with the specified process ID (PID). Replace `<PID>` with the actual process ID you want to kill.n2. `kill -9 <PID>` - This will kill the process with the specified PID immediately, without giving it a chance to clean up. This is the most forceful way to kill a process.n3. `kill -15 <PID>` -'}]

לבסוף, ייתכן שתרצה לאשר שטקסט התגובה מהמודל נקבע כמכיל תוכן בטוח. כאן, אתה מרחיב את תגובת הפלט של LLM להודעות הקלט ומפעיל את כל השיחה הזו דרך Llama Guard כדי להבטיח שהשיחה בטוחה עבור היישום שלך:

messages_output = messages_input.copy()
messages_output.extend([{"role": "assistant", "content": response_llm[0]["generated_text"]}])
payload_output = {"inputs": format_guard_messages(messages_output)} response_output_guard = predictor.predict(payload_output) assert response_output_guard[0]["generated_text"].strip() == "safe"
print(response_output_guard)

ייתכן שתראה את הפלט הבא, המציין שהתגובה ממודל הצ'אט בטוחה:

[{'generated_text': ' safe'}]

לנקות את

לאחר שבדקת את נקודות הקצה, ודא שאתה מוחק את נקודות הקצה של SageMaker ואת המודל כדי להימנע מחיובים.

סיכום

בפוסט זה, הראינו לכם כיצד ניתן למתן כניסות ופלטים באמצעות Llama Guard ולהציב מעקות בטיחות לכניסות ויציאות מ-LLMs ב- SageMaker JumpStart.

ככל שה-AI ממשיך להתקדם, חיוני לתת עדיפות לפיתוח ופריסה אחראיים. כלים כמו CyberSecEval של Purple Llama ו-Llama Guard מסייעים בטיפוח חדשנות בטוחה, ומציעים זיהוי מוקדם של סיכונים והכוונה להפחתת מודלים של שפה. אלה צריכים להיות מושרשים בתהליך עיצוב הבינה המלאכותית כדי לרתום את מלוא הפוטנציאל שלו בלימודי LLM באופן אתי מהיום הראשון.

נסה את ה-Llama Guard ודגמי יסוד אחרים ב- SageMaker JumpStart עוד היום וספר לנו את המשוב שלך!

הדרכה זו מיועדת למטרות מידע בלבד. אתה עדיין צריך לבצע הערכה עצמאית משלך, ולנקוט באמצעים כדי להבטיח שאתה מציית לפרקטיקות ולסטנדרטים הספציפיים של בקרת איכות משלך, ולכללים המקומיים, החוקים, התקנות, הרישיונות ותנאי השימוש החלים עליך, התוכן שלך, ומודל הצד השלישי הנזכר בהנחיה זו. ל-AWS אין שליטה או סמכות על מודל הצד השלישי הנזכר בהנחיה זו, ואינה מציגה כל מצג או התחייבות לכך שדגם הצד השלישי מאובטח, נטול וירוסים, תפעולי או תואם לסביבת הייצור והסטנדרטים שלך. AWS אינה מציגה כל מצג, אחריות או ערבות לכך שמידע כלשהו בהנחיה זו יביא לתוצאה או תוצאה מסוימת.


על המחברים

Llama Guard זמין כעת באמזון SageMaker JumpStart | Amazon Web Services PlatoBlockchain Data Intelligence. חיפוש אנכי. איי.ד"ר קייל אולריך הוא מדען יישומי עם אלגוריתמים מובנים של Amazon SageMaker קְבוּצָה. תחומי המחקר שלו כוללים אלגוריתמים של למידת מכונה ניתנים להרחבה, ראייה ממוחשבת, סדרות זמן, אי-פרמטריות בייסיאניות ותהליכי גאוס. הדוקטורט שלו הוא מאוניברסיטת דיוק והוא פרסם מאמרים ב-NeurIPS, Cell, and Neuron.

Llama Guard זמין כעת באמזון SageMaker JumpStart | Amazon Web Services PlatoBlockchain Data Intelligence. חיפוש אנכי. איי.אוון קרביץ הוא מהנדס תוכנה בחברת Amazon Web Services, עובד על SageMaker JumpStart. הוא מתעניין בשילוב של למידת מכונה עם מחשוב ענן. אוון קיבל את התואר הראשון שלו מאוניברסיטת קורנל ותואר שני מאוניברסיטת קליפורניה, ברקלי. בשנת 2021, הוא הציג מאמר על רשתות עצביות יריבות בוועידת ICLR. בזמנו הפנוי, אוון נהנה לבשל, ​​לטייל ולצאת לריצות בעיר ניו יורק.

Llama Guard זמין כעת באמזון SageMaker JumpStart | Amazon Web Services PlatoBlockchain Data Intelligence. חיפוש אנכי. איי.רחנה צ'דהא הוא ארכיטקט פתרונות ראשי AI/ML בחשבונות אסטרטגיים ב-AWS. רחנה היא אופטימית המאמינה ששימוש אתי ואחראי בבינה מלאכותית יכול לשפר את החברה בעתיד ולהביא לשגשוג כלכלי וחברתי. בזמנה הפנוי, רחנה אוהבת לבלות עם משפחתה, לטייל ולהאזין למוזיקה.

Llama Guard זמין כעת באמזון SageMaker JumpStart | Amazon Web Services PlatoBlockchain Data Intelligence. חיפוש אנכי. איי.ד"ר אשיש חתן הוא מדען יישומי בכיר עם אלגוריתמים מובנים של Amazon SageMaker ועוזר בפיתוח אלגוריתמים של למידת מכונה. הוא קיבל את הדוקטורט שלו מאוניברסיטת אילינוי אורבנה-שמפיין. הוא חוקר פעיל בלמידת מכונה והסקה סטטיסטית, ופרסם מאמרים רבים בכנסים NeurIPS, ICML, ICLR, JMLR, ACL ו-EMNLP.

Llama Guard זמין כעת באמזון SageMaker JumpStart | Amazon Web Services PlatoBlockchain Data Intelligence. חיפוש אנכי. איי.קרל אלברטסן מוביל מוצר, הנדסה ומדע עבור אלגוריתמים של אמזון SageMaker ו-JumpStart, מרכז למידת המכונה של SageMaker. הוא נלהב ליישם למידת מכונה כדי לפתוח ערך עסקי.

בול זמן:

עוד מ למידת מכונות AWS