Amazon SageMaker グラウンド トゥルース プラス データラベル付けアプリケーションの構築とラベル付け労働力の管理に関連する未分化の重労働を取り除くことで、高品質のトレーニング データセットを準備するのに役立ちます。 ラベル付け要件とともにデータを共有するだけで、Ground Truth Plus がこれらの要件に基づいてデータ ラベル付けワークフローを設定および管理します。 そこから、さまざまな機械学習 (ML) タスクのトレーニングを受けた専門スタッフがデータにラベルを付けます。 Ground Truth Plus を使用するのに、ML の深い専門知識やワークフロー設計と品質管理の知識は必要ありません。 現在、Ground Truth Plus は、生成 AI アプリケーションの基礎モデルを微調整するためにデータのラベル付けと人間によるフィードバックを必要とする顧客にサービスを提供しています。
この投稿では、SageMaker Ground Truth Plus を通じて利用できる生成 AI に対する人間によるフィードバックの最近の進歩について学びます。 これには、教師あり微調整で使用されるデモンストレーション データセットの準備、生成 AI 基盤モデルを人間の好みに合わせるための好みデータセットを作成するための高品質な人間のフィードバックの収集、およびアプリケーション ビルダー向けのモデルのカスタマイズに使用できる新しいワークフローとユーザー インターフェイス (UI) が含まれます。スタイル、内容、声の要件。
生成 AI を始める際の課題
世界中の生成 AI アプリケーションには、シングルモードとマルチモーダルの両方の基盤モデルが組み込まれており、さまざまなユースケースを解決しています。 その中で一般的なのは、チャットボット、画像ジェネレーター、ビデオジェネレーターです。 大規模言語モデル (LLM) は、創造的な追求のためのチャットボット、アカデミックおよびパーソナル アシスタント、ビジネス インテリジェンス ツール、生産性ツールで使用されています。 テキストから画像へのモデルを使用して、抽象的または現実的な AI アートおよびマーケティング アセットを生成できます。 Text-to-Video モデルは、アート プロジェクト、魅力的な広告、ビデオ ゲーム開発、さらには映画開発用のビデオを生成するために使用されています。
基礎モデルを作成するモデル作成者と、既存の生成基礎モデルを使用して独自のツールやアプリケーションを構築するアプリケーション ビルダーの両方にとって、解決すべき最も重要な問題の XNUMX つは次のとおりです。
- これらの基礎モデルを微調整して、特定のタスクを実行できるようにする
- 人間の好みに合わせて、有益で正確かつ無害な情報を確実に出力するようにする
基礎モデルは通常、ラベルのないデータの大規模なコーパスで事前トレーニングされるため、自然言語の指示に従ってうまく機能しません。 LLM の場合、これは、言語全般を解析して生成することはできるかもしれないが、質問に一貫して答えたり、ユーザーが要求する品質までテキストを要約したりすることはできない可能性があることを意味します。 たとえば、ユーザーがプロンプト内のテキストの要約を要求した場合、テキストを要約する方法が微調整されていないモデルでは、プロンプトのテキストをただ読み上げてユーザーに返すか、無関係な内容で応答する可能性があります。 ユーザーがトピックについて質問した場合、モデルからの応答は単に質問の朗読になる可能性があります。 テキストから画像へのモデルやテキストからビデオへのモデルなどのマルチモーダル モデルの場合、モデルはプロンプトに関係のないコンテンツを出力する場合があります。 たとえば、企業のグラフィック デザイナーがテキストから画像へのモデルに新しいロゴや広告用の画像を作成するように指示した場合、モデルが画像の一般的な概念しか持っていない場合、そのプロンプトに関連する適切なグラフィックを生成できない可能性があります。そして画像の要素。 場合によっては、モデルが有害な画像やビデオを出力し、ユーザーの信頼や会社の評判を危険にさらす可能性があります。
モデルが特定のタスクを実行するように微調整されている場合でも、出力コンテンツの意味、スタイル、または内容に関して人間の好みと一致していない可能性があります。 LLM では、これはモデルによって生成される不正確なコンテンツまたは有害なコンテンツとして現れる可能性があります。 たとえば、微調整を通じて人間の好みと一致していないモデルは、ユーザーのプロンプトに応じて、危険な、非倫理的な、または違法な指示を出力する可能性があります。 モデルによって生成されるコンテンツを制限して、コンテンツが正確で、関連性があり、役立つものになるように人間の好みに合わせることを保証するための注意は一切取られていません。 この不整合は、チャットボットやマルチメディア作成などのアプリケーションで生成 AI モデルに依存している企業にとって問題になる可能性があります。 マルチモーダル モデルの場合、これは、有害、危険、または虐待的な画像やビデオが生成されるという形をとる場合があります。 これは、機密コンテンツを生成する意図なしにプロンプトがモデルに入力された場合や、モデルのプロデューサーやアプリケーション ビルダーがモデルにその種のコンテンツの生成を許可するつもりはなかったが、それでも生成された場合にリスクとなります。
タスク固有の機能と生成基盤モデルを人間の好みに合わせるという問題を解決するには、モデル作成者とアプリケーション構築者は、人間主導のデモンストレーションとモデル出力の人間によるフィードバックを使用して、データを使用してモデルを微調整する必要があります。
データとトレーニングの種類
さまざまな種類のラベル付きデータを使用した微調整方法がいくつかあり、それらは命令チューニング、つまり命令に従う方法をモデルに教えることとして分類されます。 その中には、デモンストレーション データを使用した教師ありファインチューニング (SFT) や、嗜好データを使用したヒューマン フィードバックからの強化学習 (RLHF) があります。
教師付き微調整のためのデモンストレーション データ
基礎モデルを微調整して、質問への回答やテキストの要約などの特定のタスクを高品質で実行するために、モデルはデモンストレーション データを使用して SFT を受けます。 デモンストレーション データの目的は、人間が実行した完了したタスクのラベル付きの例 (デモンストレーション) をモデルに提供することで、モデルをガイドすることです。 たとえば、LLM に質問への答え方を教えるために、ヒューマン アノテーターは人間が生成した質問と回答のペアのラベル付きデータセットを作成し、質問と回答の対話が言語的にどのように機能するか、コンテンツが意味的に何を意味するかを示します。 この種の SFT は、デモンストレーション トレーニング データで人間によって示された行動のパターンを認識するようにモデルをトレーニングします。 モデルの作成者は、モデルが下流の採用者に対してそのようなタスクを実行できることを示すために、この種の微調整を行う必要があります。 生成 AI アプリケーションに既存の基盤モデルを使用するアプリケーション ビルダーは、アプリケーションの関連性と精度を向上させるために、業界固有または企業固有のデータを使用してこれらのタスクに関するデモンストレーション データを使用してモデルを微調整する必要がある場合があります。
RLHFなどの命令チューニング用の設定データ
基礎モデルを人間の好みにさらに合わせるために、モデル作成者、特にアプリケーション ビルダーは、命令調整を実行するための好みデータセットを生成する必要があります。 命令チューニングのコンテキストにおける優先データは、生成基盤モデルによって出力されるオプションのセットに関する人間のフィードバックをキャプチャしたラベル付きデータです。 通常、これには、いくつかの推論を評価またはランク付けしたり、特定の属性に従って基礎モデルからの XNUMX つの推論をペアごとに比較したりすることが含まれます。 LLM の場合、これらの属性は有用性、正確性、無害性などです。 テキストから画像へのモデルの場合、それは美的品質またはテキストと画像の位置合わせである可能性があります。 人間のフィードバックに基づくこの好みのデータは、人間の好みに合わせてモデルをさらに微調整するために、RLHF を含むさまざまな命令調整方法で使用できます。
好みデータを使用した命令チューニングは、基礎モデルのパーソナライゼーションと有効性を強化する上で重要な役割を果たします。 これは、事前トレーニングされた基盤モデル上にカスタム アプリケーションを構築するための重要なステップであり、モデルが有益で正確かつ無害なコンテンツを生成していることを確認するための強力な方法です。 命令チューニングの一般的な例は、クエリに対して XNUMX つの応答を生成するようにチャットボットに命令し、人間が XNUMX つすべてを読み取って、有害性、事実の正確さ、読みやすさなどの指定された次元に従ってランク付けすることです。 たとえば、ある企業がマーケティング部門でチャットボットを使用しており、コンテンツが自社のブランド メッセージと一致しており、偏見がなく、明確に読みやすいことを確認したいと考えています。 同社は、命令の調整中にチャットボットに XNUMX つの例を作成するように指示し、社内の専門家に目標に最も合致するものを選択してもらいます。 時間の経過とともに、強化学習を通じて人間が好むコンテンツのスタイルをモデルに教えるために使用されるデータセットが構築されます。 これにより、チャットボット アプリケーションは、より関連性があり、読みやすく、安全なコンテンツを出力できるようになります。
SageMaker グラウンド トゥルース プラス
Ground Truth Plus は、タスク固有の機能を備えたデモンストレーション データセットの生成と、人間のフィードバックから好みのデータセットを収集してモデルを人間の好みに合わせるという両方の課題に対処するのに役立ちます。 LLM や、テキストから画像への変換やテキストからビデオへの変換などのマルチモーダル モデルのプロジェクトをリクエストできます。 LLM の場合、主要なデモンストレーション データセットには、質問と回答 (Q&A) の生成、テキストの要約、テキストの生成、およびコンテンツのモデレーション、スタイルの変更、または長さの変更を目的としたテキストの再加工が含まれます。 主要な LLM 設定データセットには、テキスト出力のランキングと分類が含まれます。 マルチモーダル モデルの場合、主要なタスク タイプには、画像またはビデオにキャプションを付けることや、ビデオ内のイベントのタイムスタンプを記録することが含まれます。 したがって、Ground Truth Plus は、モデル作成者とアプリケーション構築者の両方の生成 AI への取り組みを支援できます。
この投稿では、LLM とマルチモーダル モデルの両方のデモンストレーション データとプリファレンス データの両方をカバーする XNUMX つのケースについて、ヒューマン アノテーターとフィードバックの取り組みをさらに深く掘り下げます。LLM の質問と回答のペアの生成とテキストのランキング、および画像のキャプションとテキストのランキングです。マルチモーダル モデルのビデオ キャプション。
大規模な言語モデル
このセクションでは、LLM の質問と回答のペアとテキストのランキング、およびユースケースに必要なカスタマイズについて説明します。
質問と回答のペア
次のスクリーンショットは、Q&A デモ データセットを構築する過程でヒューマン アノテーターがテキストの一節を読み、質問と回答の両方を生成するラベル付け UI を示しています。
アノテーターの立場で UI のツアーを見てみましょう。 UI の左側には、ジョブ要求者の特定の指示がアノテーターに表示されます。 この場合、アノテーターは UI の中央に表示されるテキストの一節を読み、テキストに基づいて質問と回答を作成することになります。 右側には、アノテーターが作成した質問と回答が表示されます。 テキストの一節、質問と回答の種類、長さ、数はすべて、Ground Truth Plus チームとのプロジェクト設定中に仕事の依頼者によってカスタマイズできます。 この場合、アノテーターは、回答するにはテキスト全体を理解する必要があり、マークが付いている質問を作成しました。 一節全体を参照します チェックボックス。 他の XNUMX つの質問と回答は、色分けされた一致でアノテーターが強調表示されているように、テキストの一節の特定の部分に基づいています。 必要に応じて、提供されたテキスト一節なしで質問と回答を生成するように要求したり、ヒューマン アノテーターに他のガイドラインを提供したりすることもできます。これも Ground Truth Plus でサポートされています。
質問と回答が送信されると、オプションの品質管理ループ ワークフローに進むことができ、そこで他の人間のレビュー担当者が、顧客定義の分布と種類の質問と回答が作成されたことを確認します。 顧客の要件とヒューマン・アノテーターが作成したものとの間に不一致がある場合、その作業は、顧客に提供するデータセットの一部としてエクスポートされる前に、再作業のために人間に戻されます。 データセットが返送されると、ユーザーの裁量で監視付き微調整ワークフローに組み込む準備が整います。
テキストランキング
次のスクリーンショットは、プロンプトに基づいて LLM からの出力をランク付けするための UI を示しています。
人間のレビュー担当者向けに指示を書き、プロンプトと事前に生成された応答を Ground Truth Plus プロジェクト チームに提出して仕事を開始するだけです。 この場合、人間のレビュー担当者に、LLM からのプロンプトごとに XNUMX つの応答を、文章の明瞭さ (読みやすさ) の観点でランク付けするよう依頼しました。 ここでも、左側のペインには、ジョブの依頼者がレビュー担当者に与えた指示が表示されます。 中央では、プロンプトがページの上部にあり、使いやすさを考慮して、事前に生成された XNUMX つの応答が本体となります。 UI の右側では、人間のレビュー担当者が、最も明瞭な文章から最も明瞭でない文章の順にそれらをランク付けします。
このタイプの設定データセットの生成を希望する顧客には、人間のようなチャットボットの構築に興味があるアプリケーション ビルダーが含まれており、そのため、独自の使用に合わせて手順をカスタマイズしたいと考えています。 プロンプトの長さ、応答数、およびランキングのディメンションはすべてカスタマイズできます。 たとえば、XNUMX つの回答を事実の正確さ、偏り、有害さの順にランク付けしたり、複数の側面を同時にランク付けして分類したりすることもできます。 これらのカスタマイズは、Ground Truth Plus でサポートされています。
マルチモーダルモデル
このセクションでは、テキストから画像へのモデルやテキストからビデオへのモデルなどのマルチモーダル モデルをトレーニングするための画像とビデオのキャプション、および特定のユースケースに合わせて行うカスタマイズについて説明します。
画像のキャプション
次のスクリーンショットは、画像キャプション用のラベル付け UI を示しています。 画像キャプションを含むプロジェクトをリクエストして、テキストから画像へのモデルまたは画像からテキストへのモデルをトレーニングするためのデータを収集できます。
この場合、テキストから画像へのモデルをトレーニングするようにリクエストし、キャプションの長さと詳細に関して特定の要件を設定しました。 UI は、支援ツールと説明ツールを通じて精神的なフレームワークを提供することにより、ヒューマン アノテーターが豊富なキャプションを生成する認知プロセスをガイドできるように設計されています。 アノテーターにこの精神的なフレームワークを提供すると、単に編集可能なテキスト ボックスを単独で提供するよりも、より説明的で正確なキャプションが得られることがわかりました。
フレームワークの最初のステップは、ヒューマン アノテーターが画像内の主要なオブジェクトを特定することです。 アノテーターが画像内のオブジェクトを選択すると、そのオブジェクト上に色分けされたドットが表示されます。 この場合、アノテーターは犬と猫の両方を選択し、UI の右側に XNUMX つの編集可能なフィールドを作成し、そこにオブジェクトの名前 (猫と犬) と各オブジェクトの詳細な説明を入力します。 次に、アノテーターは、画像内のすべてのオブジェクト間のすべての関係を識別するように指示されます。 この場合、猫は犬の隣でくつろいでいます。 次に、アノテーターは、設定、背景、環境など、画像に関する特定の属性を特定するように求められます。 最後に、キャプション入力テキスト ボックスで、アノテーターは、オブジェクト、関係、および画像設定フィールドに書き込んだ内容をすべて組み合わせて、画像の完全な XNUMX つの説明キャプションを作成するように指示されます。
オプションで、この画像キャプションが要件を満たしていることを確認するための特定の指示を含む人間ベースの品質チェック ループを通過するように構成できます。 キー オブジェクトの欠落などの問題が特定された場合は、トレーニング データセットの一部としてエクスポートする前に、人間が問題を修正できるようにそのキャプションを送り返すことができます。
ビデオのキャプション
次のスクリーンショットは、タイムスタンプ タグを使用してリッチなビデオ キャプションを生成するビデオ キャプション UI を示しています。 ビデオ キャプション プロジェクトをリクエストして、テキストからビデオへ、またはビデオからテキストへのモデルを構築するためのデータを収集できます。
このラベル付け UI では、高品質のキャプションが確実に記述されるように、同様の精神的なフレームワークを構築しました。 ヒューマン アノテーターは、左側でビデオを制御し、UI 要素を使用して右側のビデオに表示される各アクティビティの説明とタイムスタンプを作成できます。 画像キャプション UI と同様に、アノテーターがビデオ設定、背景、環境の詳細な説明を書き込む場所もあります。 最後に、アノテーターは、すべての要素を結合して一貫したビデオ キャプションを作成するように指示されます。
画像キャプションの場合と同様に、ビデオ キャプションはオプションで人間ベースの品質管理ワークフローを通過し、要件が満たされているかどうかを判断できます。 ビデオのキャプションに問題がある場合は、ヒューマン アノテーターのスタッフによる再作業のために送信されます。
まとめ
Ground Truth Plus は、質問への回答から画像やビデオの生成まで、生成 AI タスクの基礎モデルを微調整するための高品質のデータセットを準備するのに役立ちます。 また、熟練した人間の従業員がモデルの出力をレビューして、人間の好みと一致していることを確認することもできます。 さらに、アプリケーションビルダーは、業界または企業のデータを使用してモデルをカスタマイズし、アプリケーションが好みの音声とスタイルを確実に表現できるようにします。 これらは、Ground Truth Plus の多くのイノベーションの最初のものであり、さらに多くのイノベーションが開発中です。 今後の投稿にご期待ください。
生成 AI モデルとアプリケーションを構築または改善するプロジェクトを開始することに興味がありますか? Ground Truth Plus を始めましょう: 私たちのチームとつながる 。
著者について
ジェシー・マンダース は、ループ サービス チームの AWS AI/ML 担当シニア プロダクト マネージャーです。 彼は、AI と人間の相互作用の交差点で、ニーズを満たす AI/ML 製品とサービスを作成および改善することを目標に働いています。 以前は、Jesse は Apple と Lumileds でエンジニアリングの指導的役割を務め、シリコンバレーの新興企業で上級科学者を務めていました。 彼は修士号と博士号を取得しています。 フロリダ大学で学士号を取得し、カリフォルニア大学バークレー校ハース ビジネス スクールで MBA を取得しました。
ロミ・ダッタ Amazon SageMaker チームの製品管理のシニアマネージャーで、Human in the Loop サービスを担当しています。 彼は 4 年以上 AWS に勤務しており、SageMaker、S3、IoT でいくつかの製品管理のリーダー的役割を担っています。 AWS に入社する前は、IBM、Texas Instruments、Nvidia でさまざまな製品管理、エンジニアリング、運用上のリーダーシップの役割を果たしてきました。 彼は修士号と博士号を取得しています。 テキサス大学オースティン校で電気工学およびコンピュータ工学の学士号を取得し、シカゴ大学ブースビジネススクールで MBA を取得しています。
ジョナサン・バック 機械学習と分散システムの交差点で働くアマゾン ウェブ サービスのソフトウェア エンジニアです。 彼の仕事には、機械学習モデルの製品化と、機械学習を活用した新しいソフトウェア アプリケーションの開発が含まれており、最新の機能を顧客に提供しています。
アレックス・ウィリアムズ 彼は、AWS AI のヒューマンインザループ科学チームの応用科学者であり、ヒューマンコンピューターインタラクション (HCI) と機械学習が交わる対話型システムの研究を行っています。 Amazon に入社する前は、テネシー大学の電気工学およびコンピュータ サイエンス学部の教授であり、そこで People、Agents、Interactions、および Systems (PAIRS) 研究室の共同ディレクターを務めていました。 また、Microsoft Research、Mozilla Research、オックスフォード大学でも研究職を歴任しました。 彼は、CHI、CSCW、UIST などの HCI の主要な出版会場で定期的に作品を出版しています。 彼はウォータールー大学で博士号を取得しています。
サラ・ガオ Amazon SageMaker Human In the Loop (HIL) のソフトウェア開発マネージャーで、ML ベースのラベル付けプラットフォームの構築を担当します。 Sarah は 4 年以上 AWS に勤務しており、EC2 セキュリティと SageMaker でソフトウェア管理のリーダー的役割をいくつか担っています。 AWS に入社する前は、Oracle と Sun Microsystem でさまざまなエンジニアリング管理の役割を担っていました。
エラン・リー 彼は、ヒューマンインザループサービス、AWS AI、Amazon の応用科学マネージャーです。 彼の研究対象は、3D ディープラーニング、視覚および言語表現の学習です。 以前は、Alexa AI の上級科学者、Scale AI の機械学習責任者、Pony.ai の主任科学者を務めていました。 それ以前は、Uber ATG の認識チームと Uber の機械学習プラットフォーム チームに所属し、自動運転のための機械学習、機械学習システム、AI の戦略的取り組みに取り組んでいました。 彼はベル研究所でキャリアをスタートし、コロンビア大学の非常勤教授を務めました。 ICML'17 と ICCV'19 ではチュートリアルを共同で教え、NeurIPS、ICML、CVPR、ICCV では自動運転のための機械学習、3D ビジョンとロボット工学、機械学習システム、敵対的機械学習に関するいくつかのワークショップを共同主催しました。 彼はコーネル大学でコンピューターサイエンスの博士号を取得しています。 彼は ACM フェローおよび IEEE フェローです。
- SEO を活用したコンテンツと PR 配信。 今日増幅されます。
- プラトアイストリーム。 Web3 データ インテリジェンス。 知識増幅。 こちらからアクセスしてください。
- 未来を鋳造する w エイドリエン・アシュリー。 こちらからアクセスしてください。
- PREIPO® を使用して PRE-IPO 企業の株式を売買します。 こちらからアクセスしてください。
- 情報源: https://aws.amazon.com/blogs/machine-learning/high-quality-human-feedback-for-your-generative-ai-applications-from-amazon-sagemaker-ground-truth-plus/
- :持っている
- :は
- :not
- :どこ
- $UP
- 100
- 3d
- 7
- a
- できる
- 私たちについて
- 抽象
- アカデミック
- 従った
- 精度
- 正確な
- ACM
- アクティビティ
- さらに
- 住所
- 採用者
- 進歩
- 敵対者
- 広告
- 再び
- エージェント
- AI
- 愛アート
- AI / ML
- アレクサ
- 整列する
- 整列した
- アラインメント
- すべて
- 許す
- ことができます
- 一人で
- 沿って
- また
- Amazon
- アマゾンセージメーカー
- Amazon SageMakerグラウンドトゥルース
- Amazon Webサービス
- 間で
- an
- および
- 回答
- 回答
- 登場する
- Apple
- 申し込み
- 適用された
- です
- 周りに
- 宝品
- AS
- 資産
- アシスタント
- 関連する
- At
- 属性
- オースティン
- 自律的
- 利用できます
- AWS
- バック
- 背景
- ベース
- BE
- き
- さ
- ベル
- バークリー
- の間に
- 偏った
- バイアス
- ボディ
- 両言語で
- ボックス
- ブランド
- 持って来る
- ビルド
- ビルダー
- ビルダー
- 建物
- 内蔵
- ビジネス
- ビジネス・インテリジェンス
- 焙煎が極度に未発達や過発達のコーヒーにて、クロロゲン酸の味わいへの影響は強くなり、金属を思わせる味わいと乾いたマウスフィールを感じさせます。
- by
- カリフォルニア州
- 缶
- 機能
- できる
- キャプションが
- キャプチャ
- これ
- キャリア
- 場合
- 例
- CAT
- センター
- 変化する
- チャットボット
- チャットボット
- チェック
- シカゴ
- チーフ
- 選ばれた
- 明瞭
- 分類します
- クリア
- はっきりと
- 認知
- コヒーレント
- COLUMBIA
- 組み合わせる
- コマンドと
- 企業
- 会社
- 比較
- コンプリート
- 記入済みの
- コンピュータ
- コンピューター工学
- コンピュータサイエンス
- コンセプト
- 行動する
- 信頼
- 確認します
- コンテンツ
- コンテキスト
- コントロール
- コーネル
- 企業
- 正しい
- 可能性
- カバーする
- 作ります
- 作成した
- 作成
- 創造
- クリエイティブ
- 重大な
- カスタム
- 顧客
- Customers
- カスタマイズ
- カスタマイズ
- 危険な
- データ
- データセット
- 深いです
- 深い学習
- より深い
- 配信する
- 配信
- 実証します
- 実証
- 部門
- 説明
- 設計
- 設計
- デザイナー
- 詳細
- 詳細な
- 決定する
- 開発
- 開発
- 異なります
- 次元
- 大きさ
- 裁量
- 話し合います
- 配布
- 分散システム
- ディストリビューション
- do
- そうではありません
- 犬
- 行われ
- ドント
- DOT
- 運転
- 間に
- 各
- 緩和する
- 使いやすさ
- 有効
- 要素は
- 可能
- 魅力的
- エンジニア
- エンジニアリング
- 強化
- 確保
- 入力します
- 全体
- 環境
- 特に
- さらに
- イベント
- 例
- 例
- 展示
- 既存の
- エキスパート
- 専門知識
- 専門家
- フィードバック
- 仲間
- フィールズ
- 膜
- 最後に
- 名
- フロリダ
- フロー
- フォロー中
- フォーム
- 発見
- Foundation
- 4
- フレームワーク
- から
- さらに
- 未来
- ゲーム
- ゲーム開発
- GAO
- 集める
- 集まり
- 生成する
- 生成された
- 生成
- 世代
- 生々しい
- 生成AI
- 発電機
- 取得する
- 受け
- 与えられた
- 目標
- グラフィック
- 陸上
- ガイド
- ガイドライン
- 持っていました
- ハンド
- 有害な
- 持ってる
- HCI
- he
- ヘビー
- 重いもの
- ヒーロー
- 助けます
- 役立つ
- ことができます
- ハイ
- 高品質
- ハイライト
- 非常に
- 彼の
- 開催
- 保持している
- 認定条件
- How To
- HTML
- HTTPS
- 人間
- 人間
- IBM
- 特定され
- 識別する
- IEEE
- if
- 違法
- 画像
- 画像
- 重要
- 改善します
- 改善
- in
- 不正確
- include
- 含ま
- 組み込む
- 産業を変えます
- 業界固有
- イニシアチブ
- イノベーション
- 説明書
- 楽器
- インテリジェンス
- 意図された
- 意図
- 相互作用
- 相互作用
- 相互作用的
- 興味がある
- 利益
- インターフェース
- 内部
- 交差点
- に
- IOT
- 問題
- 問題
- IT
- ITS
- 自体
- ジョブ
- 参加
- 旅
- JPG
- ただ
- キー
- 種類
- 知識
- ラベリング
- ラベル
- 実験室
- ラボ
- 言語
- 大
- 最新の
- リーダーシップ
- LEARN
- 学習
- 最低
- 左
- 長さ
- フェイスリフト
- LIMIT
- LLM
- ロギング
- ロゴ
- 機械
- 機械学習
- メイン
- make
- 管理
- マネージャー
- 管理する
- 管理する
- 多くの
- マークされた
- マーケティング
- マッチング
- 五月..
- 意味
- 手段
- 大会
- ミーツ
- メンタル
- メッセージ
- 方法
- メソッド
- Microsoft
- 行方不明
- ML
- モデル
- 節度
- 他には?
- 最も
- モジラ
- マルチメディア
- の試合に
- しなければなりません
- 名
- ナチュラル
- 必要
- ニーズ
- 新作
- 次の
- いいえ
- 小説
- 今
- 数
- Nvidia
- オブジェクト
- オブジェクト
- of
- on
- もの
- の
- オペレーショナル
- オプション
- or
- オラクル
- 注文
- その他
- 私たちの
- 出力
- が
- 自分の
- オックスフォード
- ページ
- ペア
- 足
- ペイン
- 部
- 特定の
- 部品
- 渡された
- パターン
- のワークプ
- 知覚
- 実行する
- 実行
- 個人的な
- 個人化
- 場所
- プラットフォーム
- プラトン
- プラトンデータインテリジェンス
- プラトデータ
- 演劇
- さらに
- ポジション
- ポスト
- 投稿
- パワード
- 強力な
- 好む
- プ
- 優先
- プレミア
- 準備
- 準備中
- PLM platform.
- 前に
- 事前の
- 問題
- 問題
- プロセス
- 作り出す
- 生産された
- プロデューサー
- 生産者
- プロダクト
- 製品管理
- プロダクトマネージャー
- 生産性
- 製品
- 東京大学大学院海洋学研究室教授
- プロジェクト
- プロジェクト(実績作品)
- 提供します
- 提供
- 提供
- 出版
- パブリッシュ
- 目的
- 目的
- 置きます
- 質問と回答
- 品質
- 質問
- 質問
- ランキング
- 評価
- 読む
- 準備
- 現実的な
- 最近
- 認識する
- 定期的に
- 関連する
- の関係
- 関連した
- 頼る
- 除去
- 表現
- 表し
- 評判
- 要求
- リクエスト
- の提出が必要です
- 要件
- 必要
- 研究
- 尊重
- 反応します
- 応答
- 回答
- 責任
- 結果
- レビュー
- 富裕層
- 右
- リスク
- 危険
- ロボット工学
- 職種
- 役割
- s
- 安全な
- セージメーカー
- 規模
- スケールai
- 学校
- 科学
- 科学者
- セクション
- セキュリティ
- シニア
- 敏感な
- 送信
- サービス
- サービング
- セッションに
- セット
- 設定
- いくつかの
- シェアする
- 彼女
- 表示する
- 示す
- 作品
- 側
- シリコン
- シリコンバレー
- 同様の
- 単に
- 同時に
- 熟練した
- ソフトウェア
- ソフトウェア開発
- ソフトウェアエンジニア
- 解決する
- 一部
- 何か
- 特定の
- 指定の
- start
- 開始
- 起動
- スタートアップ
- 滞在
- 手順
- 戦略的
- 提出された
- 物質
- そのような
- まとめる
- 概要
- 日
- サポート
- 想定
- システム
- 取る
- 撮影
- 仕事
- タスク
- ティーチング
- チーム
- テネシー州
- 条件
- テキサス州
- より
- それ
- 世界
- アプリ環境に合わせて
- それら
- その後
- そこ。
- したがって、
- ボーマン
- 彼ら
- この
- 三
- 介して
- 時間
- タイムスタンプ
- 〜へ
- 今日
- 豊富なツール群
- top
- トピック
- ツアー
- トレーニング
- 訓練された
- トレーニング
- 列車
- 真実
- チュートリアル
- 2
- type
- 一般的に
- ユーバー
- ui
- 理解する
- 大学
- カリフォルニア大学
- シカゴ大学
- オックスフォード大学
- つかいます
- 使用事例
- 中古
- ユーザー
- 谷
- 多様
- さまざまな
- 会場
- ビデオ
- ビデオゲーム
- 動画
- ビジョン
- ボイス
- 欲しいです
- 欲しい
- 望んでいる
- ました
- we
- ウェブ
- Webサービス
- WELL
- この試験は
- いつ
- which
- 誰
- 全体
- 意志
- 無し
- 仕事
- 働いていました
- ワークフロー
- ワークフロー
- 労働人口
- ワーキング
- 作品
- ワークショップ
- 世界
- でしょう
- 書きます
- 書き込み
- 書かれた
- 年
- You
- あなたの
- ゼファーネット