生成AI 基本モデル (FM) によって駆動されるアプリケーションにより、組織は顧客エクスペリエンス、生産性、プロセスの最適化、イノベーションにおいて大きなビジネス価値を得ることができます。ただし、これらの FM の導入には、高品質の出力、データ プライバシー、セキュリティ、組織データとの統合、コスト、提供するスキルなど、いくつかの重要な課題に対処する必要があります。
この投稿では、生成 AI を使用するアプリケーションを構築するときに実行できるさまざまなアプローチを検討します。 FM が急速に進歩しているため、FM の力を活用するのは楽しい時期ですが、ビジネス成果を達成するために FM を適切に使用する方法を理解することも重要です。プロンプト エンジニアリング、検索拡張生成 (RAG)、モデルのカスタマイズなど、主要な AI 生成アプローチの概要を提供します。これらのアプローチを適用する際には、潜在的な幻覚、企業データとの統合、出力品質、コストに関する重要な考慮事項について説明します。最終的には、実際の例に基づいた、独自の FM を利用したアプリケーションを開発するための最適な方法を決定するための、確かなガイドラインと役立つフローチャートが得られるでしょう。チャットボットを作成する場合でも、要約ツールを作成する場合でも、ニーズに合わせて強力な FM を作成できます。
AWS による生成 AI
FM の出現は、これらのテクノロジーの使用を検討している組織に機会と課題の両方をもたらしています。主な課題は、幻覚や誤った情報ではなく、ビジネス ニーズに合わせた高品質で一貫した出力を確保することです。組織は、FM を使用して独自のデータを処理することで生じるデータ プライバシーとセキュリティ リスクも慎重に管理する必要があります。既存のシステムやデータ内で FM を適切に統合、カスタマイズ、検証するために必要なスキルが不足しています。大規模言語モデル (LLM) をゼロから構築したり、事前トレーニングされたモデルをカスタマイズしたりするには、大量のコンピューティング リソース、専門のデータ サイエンティスト、および数か月にわたるエンジニアリング作業が必要です。数千の GPU または TPU を使用して大規模なデータセット上で数千億のパラメーターを含むモデルをトレーニングするには、計算コストだけでも簡単に数百万ドルに達する可能性があります。ハードウェアを超えて、データのクリーニングと処理、モデル アーキテクチャの設計、ハイパーパラメーターの調整、トレーニング パイプラインの開発には、専門的な機械学習 (ML) スキルが必要です。必要なインフラストラクチャと人材への投資がないほとんどの組織にとって、エンドツーエンドのプロセスは複雑で時間がかかり、法外な費用がかかります。これらのリスクに適切に対処できない組織は、ブランドの評判、顧客の信頼、運営、収益に悪影響を与える可能性があります。
アマゾンの岩盤 は、AI21 Labs、Anthropic、Cohere、Meta、Mistral AI、Stability AI、Amazon などの大手 AI 企業の高性能基盤モデル (FM) を単一の API 経由で選択できるフルマネージド サービスです。 Amazon Bedrock サーバーレスエクスペリエンスを使用すると、インフラストラクチャを管理することなく、すぐに開始し、独自のデータで FM をプライベートにカスタマイズし、AWS ツールを使用してアプリケーションに統合してデプロイできます。 Amazon Bedrock は HIPAA に準拠しており、GDPR に準拠して Amazon Bedrock を使用できます。 Amazon Bedrock では、コンテンツはベースモデルの改善に使用されず、サードパーティのモデルプロバイダーと共有されません。 Amazon Bedrock 内のデータは転送中も保存中も常に暗号化されており、オプションで独自のキーを使用してリソースを暗号化できます。使用できます AWS プライベートリンク Amazon Bedrock を使用すると、トラフィックをインターネットに公開することなく、FM と VPC 間のプライベート接続を確立できます。と Amazon Bedrock のナレッジベースを使用すると、会社のプライベート データ ソースから RAG のコンテキスト情報を FM およびエージェントに提供して、より関連性が高く、正確で、カスタマイズされた応答を提供できます。コードを記述することなく、ビジュアル インターフェイスを通じて独自のデータを使用して FM をプライベートにカスタマイズできます。フルマネージドサービスとして、Amazon Bedrock は、広範な高性能 FM を操作するための簡単な開発者エクスペリエンスを提供します。
2017に発売、 アマゾンセージメーカー は、ML モデルの構築、トレーニング、デプロイを簡単にするフルマネージド サービスです。 Stability AI、AI21 Labs、Hugging Face、Perplexity AI、Hippocratic AI、LG AI Research、Technology Innovation Institute など、SageMaker を使用して独自の FM を構築する顧客が増えています。すぐに始められるように、 Amazon SageMaker ジャンプスタート Mistral モデル、LightOn モデル、RedPajama、Mosiac MPT-7B、FLAN-T5/UL2、GPT-J-6B/Neox-20B などの幅広いパブリック FM を探索、トレーニング、展開できる ML ハブを提供します。 、および Bloom/BloomZ では、実験やパイプラインなどの専用の SageMaker ツールを使用します。
一般的な生成 AI アプローチ
このセクションでは、効果的な生成 AI ソリューションを実装するための一般的なアプローチについて説明します。 FM を使用してより複雑で興味深いタスクを実行できる、一般的なプロンプト エンジニアリング手法を検討します。また、RAG やモデルのカスタマイズなどの技術がどのように FM の機能をさらに強化し、限られたデータや計算上の制約などの課題を克服できるかについても説明します。適切なテクニックを使用すれば、強力で影響力のある生成 AI ソリューションを構築できます。
迅速なエンジニアリング
プロンプト エンジニアリングは、FM の機能を効率的に活用するためにプロンプトを慎重に設計する実践です。これには、より正確で関連性の高い応答を生成するようにモデルをガイドする短いテキストであるプロンプトの使用が含まれます。迅速なエンジニアリングにより、FM のパフォーマンスを向上させ、さまざまなアプリケーションに対してより効果的なものにすることができます。このセクションでは、ほんの数例を使用して FM を新しいタスクに迅速に適応させるゼロショットおよび少数ショット プロンプティングや、複雑な推論を中間ステップに分解する思考連鎖プロンプトなどの手法を検討します。これらの方法は、迅速なエンジニアリングにより、モデルの再トレーニングを必要とせずに、FM が複雑なタスクでより効果的に処理できることを示しています。
ゼロショットプロンプト
ゼロショット プロンプト手法では、FM は、望ましい動作の明示的な例を提供せず、事前トレーニングのみに依存して回答を生成する必要があります。次のスクリーンショットは、Amazon Bedrock コンソール上の Anthropic Claude 2.1 モデルを使用したゼロショット プロンプトの例を示しています。
この手順では、例は提供していません。ただし、モデルはタスクを理解して、適切な出力を生成できます。ゼロショット プロンプトは、ユースケースに合わせて FM を評価するときに最初に開始する最も簡単なプロンプト手法です。ただし、FM はゼロショット プロンプトで優れていますが、より複雑なタスクでは必ずしも正確な結果や望ましい結果が得られるとは限りません。ゼロショット プロンプトでは不十分な場合は、プロンプトにいくつかの例を提供することをお勧めします (少数ショット プロンプト)。
数発のプロンプト
少数ショット プロンプト手法により、FM はプロンプト内の例からコンテキスト内で学習し、タスクをより正確に実行できます。ほんの数例を使用するだけで、大規模なトレーニング セットを必要とせずに FM を新しいタスクに迅速に適応させ、望ましい動作に導くことができます。以下は、Amazon Bedrock コンソール上の Cohere コマンド モデルを使用した数ショット プロンプトの例です。
前の例では、FM は入力テキスト (レビュー) からエンティティを特定し、関連する感情を抽出することができました。入力と出力のペアの例をいくつか提供することにより、少数のプロンプトは複雑なタスクに取り組む効果的な方法です。簡単なタスクの場合は 1 つの例 (3 ショット) を指定できますが、より難しいタスクの場合は 5 つ (XNUMX ショット) から XNUMX つの例 (XNUMX ショット) を指定する必要があります。 ミンら。 (2022年) 少数ショットプロンプト手法のパフォーマンスを向上させることができるコンテキスト内学習に関する調査結果を発表しました。感情分析、エンティティ認識、質問応答、翻訳、コード生成など、さまざまなタスクに数ショット プロンプトを使用できます。
思考の連鎖が促す
その可能性にもかかわらず、特に複雑な推論タスク (算術タスクや論理タスクなど) を扱う場合、少数ショット プロンプトには制限があります。これらのタスクでは、問題をステップに分割して解決する必要があります。 魏ら。 (2022年) 中間の推論ステップを通じて複雑な推論問題を解決するための思考連鎖 (CoT) プロンプト手法を導入しました。 CoT と少数ショット プロンプトを組み合わせて、複雑なタスクの結果を向上させることができます。以下は、Amazon Bedrock コンソール上の Anthropic Claude 2 モデルでの少数ショット CoT プロンプトを使用した推論タスクの例です。
小島ら。 (2022年) は、FM の未開発のゼロショット機能を使用するゼロショット CoT のアイデアを導入しました。彼らの調査によると、同じシングル プロンプト テンプレートを使用したゼロショット CoT は、さまざまなベンチマーク推論タスクでゼロショット FM のパフォーマンスを大幅に上回っています。元のプロンプトに「ステップごとに考えてみましょう」を追加することで、単純な推論タスクにゼロショット CoT プロンプトを使用できます。
反応します
CoT プロンプトは FM の推論能力を強化できますが、依然としてモデルの内部知識に依存しており、より多くの情報を収集するための外部の知識ベースや環境は考慮されていないため、幻覚などの問題が発生する可能性があります。 ReAct (推論と行動) アプローチは、CoT を拡張し、外部環境 (Wikipedia など) を使用した動的な推論を可能にすることで、このギャップに対処します。
統合
FM は、質問を理解し、事前に訓練された知識を使って回答を提供する能力を持っています。ただし、組織のプライベート データへのアクセスを必要とするクエリに応答する能力や、自律的にタスクを実行する能力が欠けています。 RAG とエージェントは、これらの AI を活用した生成アプリケーションを企業データセットに接続する方法であり、組織情報を考慮した応答を返し、リクエストに基づいてアクションを実行できるようにします。
検索拡張生成
検索拡張生成 (RAG) を使用すると、モデルに新しい知識や最新の情報を考慮させたい場合に、モデルの応答をカスタマイズできます。在庫や価格設定など、データが頻繁に変更される場合、ユーザーのクエリに対応しながらモデルを微調整して更新することは現実的ではありません。 FM に最新の独自情報を提供するために、組織は RAG を利用します。RAG は、企業のデータ ソースからデータを取得し、そのデータでプロンプトを充実させて、より関連性が高く正確な応答を提供する技術です。
RAG が FM パフォーマンスの向上に役立つ使用例がいくつかあります。
- 質問に答える – RAG モデルは、質問応答アプリケーションが文書または知識ソースから情報を見つけて統合し、高品質の回答を生成するのに役立ちます。たとえば、質問応答アプリケーションは、要約回答を生成する前に、トピックに関する文章を取得できます。
- チャットボットと会話型エージェント – RAG を使用すると、チャットボットは大規模な外部知識ソースから関連情報にアクセスできます。これにより、チャットボットの応答がより知識豊富で自然なものになります。
- ライティングアシスタンス – RAG は、記事、レポート、電子メールなどの文書をより効率的に作成できるように、関連するコンテンツ、事実、論点を提案できます。取得された情報は、有用なコンテキストとアイデアを提供します。
- 要約 – RAG は、関連するソース文書、文章、または事実を見つけて、要約モデルによるトピックの理解を強化し、より適切な要約を生成できるようにします。
- クリエイティブライティングとストーリーテリング – RAG は、既存のストーリーからプロットのアイデア、キャラクター、設定、創造的な要素を抽出して、AI ストーリー生成モデルにインスピレーションを与えることができます。これにより、出力がより興味深く、根拠のあるものになります。
- インタビュー – RAG は、特定のフレーズが言語間でどのように翻訳されるかの例を見つけることができます。これにより、翻訳モデルにコンテキストが提供され、あいまいなフレーズの翻訳が改善されます。
- パーソナライゼーション – チャットボットやレコメンデーション アプリケーションでは、RAG は過去の会話、プロフィール情報、好みなどの個人的なコンテキストを取得して、応答をよりパーソナライズして関連性の高いものにすることができます。
RAG フレームワークを使用すると、次のような利点があります。
- 幻覚の減少 – 関連情報を取得すると、生成されたテキストを幻覚テキストではなく、事実や現実世界の知識に基づいたものにすることができます。これにより、より正確で事実に基づいた信頼できる応答が促進されます。
- カバレッジ – 取得により、FM は外部情報を取得することで、トレーニング データを超えて幅広いトピックやシナリオをカバーできるようになります。これは、対象範囲が限られている問題に対処するのに役立ちます。
- 効率化 – 取得により、モデルはすべてを最初から生成するのではなく、最も関連性の高い情報に焦点を当てて生成することができます。これにより効率が向上し、より大きなコンテキストを使用できるようになります。
- 安全性 – 必要かつ許可されたデータ ソースから情報を取得すると、有害で不正確なコンテンツ生成に対するガバナンスと制御が向上します。これにより、より安全な導入がサポートされます。
- スケーラビリティ – 大規模なコーパスのインデックス作成と取得により、生成時に完全なコーパスを使用する場合と比較して、アプローチをより適切に拡張できます。これにより、よりリソースに制約のある環境でも FM を導入できるようになります。
RAG は、ベクトル化されたデータ ストアからユース ケース固有のコンテキストを直接拡張するため、高品質の結果を生成します。プロンプトエンジニアリングと比較して、幻覚の可能性が大幅に低くなり、大幅に改善された結果が得られます。次を使用して、エンタープライズ データ上に RAG を利用したアプリケーションを構築できます。 アマゾンケンドラ。 RAG は、このソリューションを実装するにはコーディングとアーキテクチャのスキルが必要なため、プロンプト エンジニアリングよりも複雑です。ただし、Amazon Bedrock のナレッジベースは、フルマネージドの RAG エクスペリエンスと、Amazon Bedrock で RAG を開始するための最も簡単な方法を提供します。 Amazon Bedrock のナレッジベースは、取り込み、取得、プロンプト拡張などのエンドツーエンドの RAG ワークフローを自動化し、データ ソースの統合やクエリの管理のためのカスタム コードを作成する必要がなくなります。セッション コンテキスト管理が組み込まれているため、アプリは複数ターンの会話をサポートできます。ナレッジベースの回答には、透明性を高め、幻覚を最小限に抑えるために出典の引用が含まれています。生成 AI を活用したアシスタントを構築する最も簡単な方法は、 アマゾンQ、RAG システムが組み込まれています。
RAG は、アーキテクチャの変更に関して最も高い柔軟性を備えています。他のコンポーネントへの影響は最小限から中程度に抑えながら、埋め込みモデル、ベクター ストア、および FM を個別に変更できます。 RAG アプローチの詳細については、 AmazonOpenSearchサービス および Amazon Bedrock を参照してください。 Amazon OpenSearch サーバーレスおよび Amazon Bedrock Claude モデル用のベクトルエンジンを使用して、スケーラブルなサーバーレス RAG ワークフローを構築します。 Amazon Kendra を使用して RAG を実装する方法については、を参照してください。 生成 AI によるエンタープライズデータの力の活用: Amazon Kendra、LangChain、および大規模言語モデルからの洞察.
エージェント
FM は、事前にトレーニングされた知識に基づいてクエリを理解し、応答できます。ただし、フライトの予約や注文書の処理など、実際のタスクを自分で完了することはできません。これは、そのようなタスクには組織固有のデータとワークフローが必要であり、通常はカスタム プログラミングが必要となるためです。のようなフレームワーク ラングチェーン また、Claude モデルなどの特定の FM は、API やツールと対話するための関数呼び出し機能を提供します。しかし、 Amazon Bedrock のエージェントは、AWS の新しいフルマネージド AI 機能であり、開発者が次世代 FM を使用してアプリケーションをより簡単に構築できるようにすることを目的としています。数回クリックするだけで、手動でコーディングすることなく、自動的にタスクを分解し、必要なオーケストレーション ロジックを生成できます。エージェントは API 経由で企業データベースに安全に接続し、マシンで使用できるようにデータを取り込んで構造化し、コンテキストの詳細を追加してより正確な応答を生成し、リクエストを満たすことができます。 Agents for Amazon Bedrock は統合とインフラストラクチャを処理するため、ビジネスのユースケースに生成 AI を完全に活用できます。開発者は日常的な配管作業ではなく、コア アプリケーションに集中できるようになりました。自動化されたデータ処理と API 呼び出しにより、FM は更新されたカスタマイズされた回答を提供し、独自の知識を使用して実際のタスクを実行することもできます。
モデルのカスタマイズ
基盤モデルは非常に機能が高く、いくつかの優れたアプリケーションを実現しますが、ビジネスの推進に役立つのは、顧客、製品、会社にとって何が重要かを認識する生成 AI です。そしてそれは、モデルにデータをスーパーチャージした場合にのみ可能になります。データは、汎用アプリケーションから、顧客とビジネスに真の価値を生み出すカスタマイズされた生成 AI アプリケーションに移行するための鍵となります。
このセクションでは、FM をカスタマイズするさまざまなテクニックと利点について説明します。モデルのカスタマイズに、パフォーマンスを向上させるためにモデルのさらなるトレーニングと重みの変更がどのように含まれるかについて説明します。
微調整
微調整は、Llama 2 などの事前トレーニングされた FM を取得し、そのタスクに固有のデータセットを使用して下流タスクでそれをさらにトレーニングするプロセスです。事前トレーニングされたモデルは一般的な言語知識を提供し、微調整によりテキスト分類、質問応答、テキスト生成などの特定のタスクに特化してパフォーマンスを向上させることができます。微調整では、追加のコンテキストで注釈が付けられたラベル付きデータセットを提供して、特定のタスクでモデルをトレーニングします。その後、ビジネス コンテキストに基づいてモデル パラメーターを特定のタスクに適合させることができます。
FM の微調整を実装するには、 Amazon SageMaker ジャンプスタート そしてアマゾン・ベッドロック。詳細については、を参照してください。 2 行のコードで Amazon SageMaker JumpStart に基盤モデルをデプロイして微調整する および 微調整と継続的な事前トレーニングを使用して、独自のデータを使用して Amazon Bedrock のモデルをカスタマイズします。.
事前トレーニングの継続
Amazon Bedrock で事前トレーニングを続けると、以前にトレーニングしたモデルに、元のデータと同様の追加データを教えることができます。これにより、モデルは単一のアプリケーションに焦点を当てるのではなく、より一般的な言語知識を得ることができます。事前トレーニングを継続すると、ラベルのないデータセットまたは生データを使用して、モデル パラメーターを調整することでドメインの基礎モデルの精度を向上させることができます。たとえば、ヘルスケア企業は、医学雑誌、論文、研究論文を使用してモデルの事前トレーニングを継続し、業界用語についての知識を深められます。詳細については、を参照してください。 Amazon Bedrock 開発者エクスペリエンス.
モデルのカスタマイズの利点
モデルのカスタマイズにはいくつかの利点があり、組織は次の点で役立ちます。
- ドメイン固有の適応 – 汎用 FM を使用し、特定のドメイン (生物医学、法律、金融など) のデータでさらにトレーニングすることができます。これにより、モデルがそのドメインの語彙、スタイルなどに適合します。
- タスク固有の微調整 – 事前トレーニングされた FM を取得し、特定のタスク (感情分析や質問応答など) のデータに基づいて微調整できます。これにより、モデルがその特定のタスクに特化されます。
- パーソナライゼーション – 個人のデータ (電子メール、テキスト、作成した文書) に基づいて FM をカスタマイズして、モデルをその人独自のスタイルに適応させることができます。これにより、よりパーソナライズされたアプリケーションが可能になります。
- 低リソース言語のチューニング – 低リソース言語で多言語 FM の最上位層のみを再トレーニングして、その言語に適応させることができます。
- 欠陥の修正 – モデル内で特定の意図しない動作が発見された場合、適切なデータをカスタマイズすると、モデルを更新してそれらの欠陥を減らすことができます。
モデルのカスタマイズは、FM 導入の次の課題を克服するのに役立ちます。
- 新しい領域とタスクへの適応 – 一般的なテキスト コーパスで事前トレーニングされた FM は、多くの場合、下流のアプリケーションで適切に機能するように、タスク固有のデータで微調整する必要があります。微調整により、モデルが元々トレーニングされていなかった新しいドメインやタスクにモデルが適応されます。
- 偏見を克服する – FM は元のトレーニング データからのバイアスを示す可能性があります。新しいデータに基づいてモデルをカスタマイズすると、モデルの出力における望ましくないバイアスを軽減できます。
- 計算効率の向上 – 事前トレーニングされた FM は多くの場合非常に大きく、計算コストが高くなります。モデルのカスタマイズにより、重要でないパラメータを削除することでモデルのサイズを縮小でき、デプロイメントがより実現可能になります。
- 限られた対象データへの対応 – 場合によっては、ターゲット タスクに使用できる現実世界のデータが限られていることがあります。モデルのカスタマイズでは、大規模なデータセットで学習された事前トレーニング済みの重みを使用して、このデータ不足を克服します。
- タスクのパフォーマンスの向上 – 微調整すると、元の事前トレーニングされた重みを使用する場合と比較して、ほとんどの場合、ターゲット タスクのパフォーマンスが向上します。目的の用途に合わせてモデルを最適化することで、実際のアプリケーションに FM を正常にデプロイできるようになります。
モデルのカスタマイズは、モデルの重みとパラメータがチューニング スクリプトを介して変更されるため、プロンプト エンジニアリングや RAG よりも複雑であり、データ サイエンスと ML の専門知識が必要です。ただし、Amazon Bedrock は、モデルをカスタマイズするためのマネージド エクスペリエンスを提供することで、これを簡単にします。 微調整 or 事前トレーニングを継続。モデルのカスタマイズにより、RAG と同等の品質の出力で高精度の結果が得られます。ドメイン固有のデータに基づいてモデルの重みを更新しているため、モデルはよりコンテキストに応じた応答を生成します。 RAG と比較すると、ユースケースによっては品質がわずかに優れている可能性があります。したがって、2 つの手法間のトレードオフ分析を実行することが重要です。カスタマイズされたモデルを使用して RAG を実装できる可能性があります。
再トレーニングまたはゼロからのトレーニング
事前トレーニングされたパブリック モデルのみを使用するのではなく、独自の基盤 AI モデルを構築すると、組織の特定のユースケースとデータに合わせて、より優れた制御、パフォーマンスの向上、カスタマイズが可能になります。カスタマイズされた FM の作成に投資すると、適応性、アップグレード、機能の制御が向上します。分散トレーニングにより、多くのマシンにわたる大規模なデータセットで非常に大規模な FM をトレーニングするために必要なスケーラビリティが可能になります。この並列化により、数兆のトークンでトレーニングされた数千億のパラメータを持つモデルが実現可能になります。モデルが大規模になると、学習と一般化の能力が高まります。
ゼロからのトレーニングでは、モデルがユースケース固有のデータに基づいてゼロからトレーニングされ、幻覚の可能性がまれで、出力の精度が最高の部類に入る可能性があるため、高品質の結果が得られます。ただし、データセットが常に進化している場合は、依然として幻覚の問題が発生する可能性があります。ゼロからのトレーニングは、実装の複雑さとコストが最も高くなります。膨大な量のデータを収集し、整理して処理し、かなり大規模な FM をトレーニングする必要があるため、最も多くの労力がかかります。これには深いデータ サイエンスと ML の専門知識が必要です。このアプローチには時間がかかります (通常、数週間から数か月かかる場合があります)。
他のアプローチがうまく機能せず、よく厳選された大量のトークン化データ、高度な予算、および高度なスキルを備えた ML 専門家のチームを使用して FM を構築する能力がある場合は、FM を最初からトレーニングすることを検討する必要があります。 。 AWS は、GPU と専用の ML トレーニング チップを搭載した LLM やその他の FM をトレーニングおよび実行するための最先端のクラウド インフラストラクチャを提供します。 AWS トレーニング、ML 推論アクセラレータ、 AWSインフェレンティア。 SageMaker での LLM のトレーニングの詳細については、以下を参照してください。 Amazon SageMaker での大規模言語モデルのトレーニング: ベストプラクティス および SageMaker ハイパーポッド.
生成 AI アプリケーションを開発するための適切なアプローチの選択
生成 AI アプリケーションを開発する場合、組織は、ニーズを満たす最適なモデルを選択する前に、いくつかの重要な要素を慎重に検討する必要があります。コスト (選択したモデルが予算の制約と一致していることを確認するため)、品質 (一貫性があり事実に基づいて正確な出力を提供するため)、現在のエンタープライズ プラットフォームおよびワークフローとのシームレスな統合、幻覚や誤った情報の生成の削減など、さまざまな側面を考慮する必要があります。 。多くのオプションが利用できるため、時間をかけてこれらの側面を徹底的に評価することは、組織が特定の要件と優先事項に最適な生成 AI モデルを選択するのに役立ちます。次の要素を詳しく調べる必要があります。
- エンタープライズシステムとの統合 – FM が企業のコンテキストで真に役立つためには、既存のビジネス システムやワークフローと統合し、相互運用する必要があります。これには、データベース、エンタープライズ リソース プランニング (ERP)、顧客関係管理 (CRM) からのデータへのアクセスや、アクションやワークフローのトリガーが含まれる場合があります。適切に統合しないと、FM が孤立したツールになる危険があります。 ERP などのエンタープライズ システムには、主要なビジネス データ (顧客、製品、注文) が含まれています。 FM は、不正確または古い可能性がある独自のナレッジ グラフを利用するのではなく、エンタープライズ データを使用するために、これらのシステムに接続する必要があります。これにより、正確さと唯一の信頼できる情報源が保証されます。
- 幻覚 – 幻覚とは、AI アプリケーションが事実のように見える誤った情報を生成することです。 FM が広く採用される前に、これらの問題に慎重に対処する必要があります。たとえば、診断の提案を提供するように設計された医療チャットボットは、患者の症状や病歴に関する詳細を幻覚させ、不正確な診断を提案する可能性があります。医療、金融、法務などの機密性の高いアプリケーションでこれらの FM を信頼できるようにするには、技術ソリューションとデータセットのキュレーションを通じてこのような有害な幻覚を防止することが重要です。導入には、FM のトレーニング データと残りの欠陥に関する徹底的なテストと透明性が必要です。
- スキルとリソース – FM の導入が成功するかどうかは、テクノロジーを効果的に使用するための適切なスキルとリソースを持っているかどうかに大きく依存します。組織は、特定のニーズに合わせて FM を適切に実装、カスタマイズ、保守するための強力な技術スキルを備えた従業員を必要としています。また、複雑な FM を実行するには、高度なハードウェアやクラウド コンピューティング機能などの十分な計算リソースも必要です。たとえば、マーケティング チームが FM を使用して広告コピーやソーシャル メディア投稿を生成したいと考えている場合、システムを統合するための熟練したエンジニア、プロンプトを提供して出力品質を評価するためのクリエイティブ、およびコスト効率よくモデルを展開するための十分なクラウド コンピューティング能力が必要です。専門知識と技術インフラストラクチャの開発に投資することで、組織は FM を適用することで実際のビジネス価値を得ることができます。
- 出力品質 – FM によって生成される出力の品質は、特にチャットボットのような消費者向けアプリケーションにおいて、FM の採用と使用を決定する上で重要です。 FM を利用したチャットボットが不正確、無意味、または不適切な応答を提供すると、ユーザーはすぐにイライラしてチャットボットとの関わりをやめてしまいます。したがって、チャットボットの導入を検討している企業は、チャットボットを駆動する FM を厳密にテストして、優れたユーザー エクスペリエンスを提供するために役立つ、関連性があり、適切な高品質の応答を一貫して生成していることを確認する必要があります。出力の品質には関連性、正確さ、一貫性、適切性などの要素が含まれます。これらはすべて全体的なユーザー満足度に貢献し、チャットボットに使用されるような FM の導入の成否を左右します。
- 費用 – FM のような大規模な AI モデルのトレーニングと実行には高い計算能力が必要で、多大なコストがかかる可能性があります。多くの組織は、このような大規模なモデルを使用するために必要な財務リソースやクラウド インフラストラクチャが不足している可能性があります。さらに、特定のユースケースに合わせて FM を統合およびカスタマイズすると、エンジニアリング コストが追加されます。 FM の使用には多額の費用が必要となるため、特に予算が限られている中小企業や新興企業の間で、広範な導入が妨げられる可能性があります。潜在的な投資収益率を評価し、FM のコストと利点を比較検討することは、FM のアプリケーションと有用性を検討している組織にとって重要です。コスト効率は、これらの強力だがリソースを大量に消費するモデルを実現可能に導入できるかどうか、またその方法を決定する決定要因となる可能性があります。
設計上の決定
この投稿で説明したように、現在、プロンプト エンジニアリング、RAG、モデルのカスタマイズなど、さまざまな AI 手法が利用可能です。この幅広い選択肢により、企業は特定のユースケースに最適なアプローチを決定することが困難になります。適切な手法セットの選択は、外部データ ソースへのアクセス、リアルタイム データ フィード、目的のアプリケーションのドメインの特異性など、さまざまな要因によって決まります。ユースケースと関連する考慮事項に基づいて最適な手法を特定するのに役立つように、特定のニーズと制約を適切な方法と一致させるための推奨事項の概要を示す次のフローチャートを順を追って説明します。
明確に理解するために、いくつかの実例を使用して設計決定のフローチャートを見てみましょう。
- エンタープライズサーチ – 従業員が組織に休暇を申請しようとしています。組織の人事ポリシーに沿った対応を提供するには、FM は自身の知識や能力を超えた、より多くのコンテキストを必要とします。具体的には、FM は、関連する人事ガイドラインとポリシーを提供する外部データ ソースへのアクセスを必要とします。外部ドメイン固有データの参照を必要とする従業員リクエストのこのシナリオを考慮すると、フローチャートに従って推奨されるアプローチは、RAG を使用した迅速なエンジニアリングです。 RAG は、外部データ ソースからの関連データをコンテキストとして FM に提供するのに役立ちます。
- 組織固有の出力を使用したエンタープライズ検索 – エンジニアリング図面があり、そこから部品表を抽出し、業界標準に従って出力をフォーマットしたいとします。これを行うには、プロンプト エンジニアリングと RAG および微調整された言語モデルを組み合わせた手法を使用できます。微調整されたモデルは、入力として工学図面が与えられたときに部品表を作成するようにトレーニングされます。 RAG は、組織のデータ ソースから最も関連性の高いエンジニアリング図面を見つけて、FM のコンテキストにフィードするのに役立ちます。全体として、このアプローチはエンジニアリング図面から部品表を抽出し、エンジニアリング領域に合わせて出力を適切に構築します。
- 一般的な検索 – 第 30 代米国大統領の身元を調べたいと想像してください。プロンプトエンジニアリングを使用して、FM から回答を得ることができます。これらのモデルは多くのデータ ソースでトレーニングされているため、多くの場合、このような事実に関する質問に対して正確な応答を提供できます。
- 最近のイベントを含む一般的な検索 – Amazon の現在の株価を確認したい場合は、エージェントを使用したプロンプト エンジニアリングのアプローチを使用できます。エージェントは FM に最新の株価を提供し、事実に基づく応答を生成できるようにします。
まとめ
生成 AI は、組織にイノベーションを推進し、さまざまなアプリケーション全体で生産性を向上させる大きな可能性をもたらします。ただし、これらの新しい AI テクノロジーをうまく導入するには、統合、出力品質、スキル、コスト、有害な幻覚やセキュリティの脆弱性などの潜在的なリスクに関する重要な考慮事項に対処する必要があります。組織は、FM を適応および適用するための最も適切な手法を決定するために、ユースケースの要件と制約を評価する体系的なアプローチを採用する必要があります。この投稿で強調したように、プロンプト エンジニアリング、RAG、および効率的なモデル カスタマイズ方法にはそれぞれ、さまざまなシナリオに適した独自の長所と短所があります。構造化されたフレームワークを使用してビジネス ニーズを AI 機能にマッピングすることで、組織は導入のハードルを克服し、FM のメリットを実感し始めると同時に、リスクを管理するためのガードレールを構築することができます。実世界の例に基づいた思慮深い計画により、あらゆる業界の企業がこの生成 AI の新しい波から計り知れない価値を引き出すことができます。について学ぶ AWS 上の生成 AI.
著者について
ジェイ・ラオ AWS のプリンシパル ソリューション アーキテクトです。彼は、生成 AI とコンピューター ビジョンに強い関心を持ち、AI/ML テクノロジーに焦点を当てています。 AWS では、顧客に技術的および戦略的なガイダンスを提供し、ビジネスの成果を推進するソリューションの設計と実装を支援することに喜びを感じています。彼は本の著者 (Computer Vision on AWS) であり、ブログやコードサンプルを定期的に公開し、AWS re:Invent などの技術カンファレンスで講演を行っています。
バブ カリヤデン パランバス AWS のシニア AI/ML スペシャリストです。 AWS では、お客様と協力して、ビジネス価値のある適切なビジネスユースケースを特定し、AWS AI/ML ソリューションとサービスを使用してそれを解決できるよう支援することに喜びを感じています。 AWS に入社する前は、Babu は AI エバンジェリストとして 20 年間のさまざまな業界経験を持ち、顧客に AI 主導のビジネス価値を提供してきました。
- SEO を活用したコンテンツと PR 配信。 今日増幅されます。
- PlatoData.Network 垂直生成 Ai。 自分自身に力を与えましょう。 こちらからアクセスしてください。
- プラトアイストリーム。 Web3 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。
- プラトンESG。 カーボン、 クリーンテック、 エネルギー、 環境、 太陽、 廃棄物管理。 こちらからアクセスしてください。
- プラトンヘルス。 バイオテクノロジーと臨床試験のインテリジェンス。 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/best-practices-to-build-generative-ai-applications-on-aws/
- :持っている
- :は
- :not
- :どこ
- 1
- 100
- 116
- 20
- 20年
- 2017
- 2022
- 30
- 7
- a
- 能力
- できる
- 私たちについて
- 加速器
- アクセス
- アクセス
- 同行する
- 従った
- 精度
- 正確な
- 正確にデジタル化
- 達成する
- 越えて
- 演技
- 行動
- 実際の
- 適応する
- 適応
- 適応する
- 適応する
- 追加
- NEW
- さらに
- 住所
- 対処する
- アドレス
- アドレッシング
- 追加
- 十分に
- 採用
- 採択
- 採用
- 養子縁組
- 高度な
- アドバンス
- 利点
- 広告運用
- エージェント
- エージェント
- AI
- AIモデル
- 愛の研究
- AI電源
- AI / ML
- 援助
- 目指して
- AL
- 整列する
- 整列した
- 整列
- すべて
- 許す
- 許可
- ことができます
- ほとんど
- 一人で
- また
- しかし
- 常に
- Amazon
- アマゾンケンドラ
- アマゾンセージメーカー
- Amazon SageMaker ジャンプスタート
- Amazon Webサービス
- 間で
- 間に
- 量
- an
- 分析
- および
- とインフラ
- 回答
- 応答
- 回答
- 人間原理
- どれか
- API
- API
- アプリ
- 登場する
- 申し込み
- 適用
- アプローチ
- アプローチ
- 適切な
- 適切に
- 建築
- です
- 発生します
- 周りに
- 物品
- AS
- 側面
- 評価する
- アシスタント
- 関連する
- At
- 増強
- 増強された
- 著者
- 自動化
- 自動化する
- 自動的に
- 自律的に
- 利用できます
- AWS
- AWS re:Invent
- ベース
- ベース
- BE
- なぜなら
- になる
- 始まる
- 行動
- 行動
- さ
- ベンチマーク
- 利点
- BEST
- ベストプラクティス
- より良いです
- の間に
- 越えて
- バイアス
- ビル
- 億
- 札
- 生物医学
- ブログ
- 本
- 予約
- ブースト
- 両言語で
- ブランド
- ブレーク
- 破壊
- 休憩
- 広い
- より広い
- 予算
- 予算
- ビルド
- 建物
- 内蔵
- 内蔵
- ビジネス
- ビジネス
- 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
- 呼び出し
- 缶
- 取得することができます
- 機能
- 機能
- できる
- 容量
- 慎重に
- キャリー
- 場合
- 例
- 一定
- 挑戦する
- 課題
- 挑戦
- チャンス
- 変化する
- 変更
- 変更
- 変化
- 文字
- チャート
- チャットボット
- チャットボット
- チップ
- 選択
- 選択肢
- 選択する
- 分類
- クリーニング
- クリア
- 密接に
- クラウド
- クラウドコンピューティング
- クラウドインフラ
- コード
- コーディング
- コヒーレント
- 収集
- 組み合わせる
- 組み合わせ
- 来ます
- 来ます
- コマンドと
- 企業
- 会社
- 会社の
- 匹敵します
- 比べ
- コンプリート
- 複雑な
- 複雑さ
- コンプライアンス
- コンポーネント
- 理解する
- 計算的
- 計算能力
- 計算的に
- 計算
- コンピュータ
- Computer Vision
- コンピューティング
- コンピューティングパワー
- プロフェッショナルな方法で
- 会議
- お問合せ
- 交流
- 接続性
- 検討
- かなりの
- 検討事項
- 見なさ
- 考えると
- 一貫して
- 領事
- 絶えず
- 制約
- 消費
- 含む
- コンテンツ
- コンテンツ生成
- コンテキスト
- 文脈
- 文脈上の
- 続ける
- 継続します
- 貢献する
- コントロール
- 会話
- 会話
- copy
- 基本
- 費用
- コスト
- 可能性
- カバー
- カバレッジ
- カバー
- 作ります
- 作成
- クリエイティブ
- クリエイティブ
- 重大な
- CRM
- 重大な
- キュレーション
- キュレーション
- 電流プローブ
- 現在
- カスタム
- 顧客
- 顧客満足体験
- Customers
- カスタム化
- カスタマイズ
- カスタマイズ
- データ
- データプライバシー
- データのプライバシーとセキュリティ
- データ処理
- データサイエンス
- データベースを追加しました
- データセット
- 取引
- 決定する
- 決定
- 深いです
- 度
- 配信する
- 配信
- 配信する
- 需要
- 実証します
- 決まる
- によっては
- 依存
- 展開します
- 展開
- 展開
- 配備
- 設計
- 設計
- 設計
- 希望
- 細部
- 決定する
- 決定
- 開発する
- Developer
- 開発者
- 開発
- 開発
- 診断
- 異なります
- 難しい
- 直接に
- 発見
- 話し合います
- 配布
- 分散トレーニング
- 異なる
- do
- ドキュメント
- そうではありません
- ドル
- ドメイン
- ドメイン
- ダウン
- 図面
- ドライブ
- ドリブン
- 原因
- 間に
- ダイナミック
- E&T
- 各
- 簡単に
- 効果的な
- 効果的に
- 効率
- 効率的な
- 効率良く
- 努力
- 要素は
- 適格
- 排除
- メール
- 埋め込み
- 出現
- 新興の
- 従業員
- 社員
- エンパワーメント
- enable
- 可能
- 有効にする
- 包含する
- 暗号化する
- では使用できません
- end
- 端から端まで
- 魅力的
- エンジン
- エンジニアリング
- エンジニア
- 高めます
- 濃縮
- 確保
- 確実に
- 確保する
- Enterprise
- エンティティ
- エンティティ
- 環境
- 環境
- 装備する
- ERP
- 特に
- 確立する
- 評価する
- 評価します
- エバンジェリスト
- あらゆる
- すべてのもの
- 進化
- 調べる
- 例
- 例
- エキサイティング
- 展示
- 既存の
- 経費
- 高価な
- 体験
- 実験
- エキスパート
- 専門知識
- 専門家
- 探る
- 延伸
- 外部
- エキス
- 抽出物
- 非常に
- 顔
- 要因
- 要因
- 事実
- フェイル
- かなり
- 秋
- false
- 実行可能な
- 少数の
- ファイナンス
- ファイナンシャル
- もう完成させ、ワークスペースに掲示しましたか?
- 調査結果
- 五
- 欠陥
- 柔軟性
- フライト
- フロー
- フォーカス
- 焦点を当てて
- フォロー中
- Foundation
- 基礎的な
- フレームワーク
- フレームワーク
- 頻繁に
- から
- イライラ
- 満たす
- フル
- 完全に
- さらに
- 利得
- ギャップ
- 集める
- GDPR
- 一般的用途
- 生成する
- 生成された
- 生成
- 生成
- 世代
- 生々しい
- 生成AI
- 取得する
- 与える
- 与えられた
- Go
- 良い
- ガバナンス
- GPU
- グラフ
- 素晴らしい
- 大きい
- 陸上
- 接地された
- ガイダンス
- ガイド
- ガイドライン
- ハンドル
- Hardware
- 有害な
- ハーネス
- 持ってる
- 持って
- he
- ヘルスケア
- 重く
- 助けます
- 役立つ
- 助け
- ことができます
- ハイ
- 高性能
- 高品質
- より高い
- 最高
- 最高度
- 強調表示された
- 非常に
- history
- 認定条件
- How To
- しかしながら
- hr
- HTML
- HTTPS
- ハブ
- 何百
- ハードル
- ハイパーパラメータ調整
- アイデア
- 考え
- 識別する
- 識別
- アイデンティティ
- if
- 絵
- 計り知れない
- 影響
- 衝撃的
- 影響
- 実装する
- 実装
- 重要
- 改善します
- 改善されました
- 向上させる
- 改善
- in
- 不正確
- 含めて
- 単独で
- を示し
- 産業を変えます
- 業界標準
- 情報
- インフラ
- 革新的手法
- イノベーション
- 洞察
- インスパイア
- 機関
- 説明書
- 統合する
- 統合
- 統合
- 意図された
- 対話
- 関心
- 興味深い
- インタフェース
- 内部
- インターネット
- 相互運用
- に
- 導入
- インベントリー
- 投資
- 投資
- 巻き込む
- 関係する
- 関与
- 分離された
- 問題
- IT
- ITS
- 参加
- ただ
- キーン
- キー
- キー
- 知識
- 知識グラフ
- 知っている
- ラボ
- 欠如
- 言語
- ESL, ビジネスESL <br> 中国語/フランス語、その他
- 大
- より大きい
- 層
- つながる
- 主要な
- LEARN
- 学んだ
- 学習
- コメントを残す
- リーガルポリシー
- ことができます
- LG
- ような
- 可能性が高い
- 制限
- 限定的
- ライン
- ラマ
- ロジック
- 論理的な
- 探して
- ロー
- 機械
- 機械学習
- マシン
- 維持する
- make
- 作る
- 作成
- 管理します
- マネージド
- 管理
- マニュアル
- 多くの
- マッピング
- マーケティング
- 大規模な
- 大規模
- マッチング
- 材料
- 五月..
- メディア
- 医療の
- 大会
- Meta
- 方法
- メソッド
- かもしれない
- 何百万
- 最小限に抑えます
- ML
- モデル
- ヶ月
- 他には?
- 最も
- 移動する
- しなければなりません
- ナチュラル
- 必要
- 必要
- 必要とされる
- 必要
- ニーズ
- 負
- 新作
- 次世代
- なし
- 今
- of
- オフ
- オファー
- 頻繁に
- on
- ONE
- の
- 業務執行統括
- 機会
- 最適な
- 最適化
- オプション
- or
- 編成
- 注文
- 受注
- 組織
- 組織の
- 組織
- オリジナル
- 元々
- その他
- でる
- 成果
- 時代遅れの
- 輪郭
- 優れた性能
- 出力
- outputs
- が
- 全体
- 克服する
- 概要
- 自分の
- 足
- 論文
- パラメータ
- 特定の
- 特に
- 通路
- 過去
- 実行する
- パフォーマンス
- 公演
- 個人的な
- カスタマイズ
- フレーズ
- ピース
- パイプライン
- 計画
- 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
- プロット
- ポイント
- ポリシー
- 人気
- 可能
- ポスト
- 投稿
- 潜在的な
- :
- 電力
- パワード
- 強力な
- 実用的
- 練習
- プラクティス
- 先行
- プ
- 社長
- 予防
- 前に
- ブランド
- 価格設定
- 校長
- 事前の
- プライバシー
- プライバシーとセキュリティ
- プライベート
- 問題
- 問題
- プロセス
- 処理
- 作り出す
- 生産された
- 生産する
- 生産性
- 製品
- プロフィール
- プログラミング
- 促進する
- プロンプト
- 適切な
- 正しく
- 提案する
- 所有権
- 提供します
- プロバイダ
- は、大阪で
- 提供
- 公共
- 公表
- パブリッシュ
- 引き
- 購入
- 発注書
- 品質
- クエリ
- 質問
- 質問
- すぐに
- ぼろ
- 範囲
- 急速な
- 急速に
- 珍しい
- むしろ
- Raw
- RE
- 反応する
- リアル
- 真価
- 現実の世界
- への
- リアルタイムデータ
- 実現
- 最近
- 認識
- おすすめ
- 提言
- 推奨される
- 減らします
- 縮小
- 参照する
- 定期的に
- 関係
- 関連性
- 関連した
- 信頼
- 残り
- 顕著
- レポート
- 評判
- 要求
- リクエスト
- 必要とする
- の提出が必要です
- 要件
- 必要
- 必要条件
- 研究
- リソースを追加する。
- リソースを大量に消費する
- リソース
- 反応します
- 応答
- 回答
- REST
- 結果
- 検索
- return
- 収入
- レビュー
- 右
- リスク
- ルーチン
- ラン
- ランニング
- より安全な
- セージメーカー
- 同じ
- 満足
- スケーラビリティ
- ド電源のデ
- 規模
- 希少性
- シナリオ
- シナリオ
- 科学
- 科学者たち
- スクラッチ
- スクリプト
- シームレス
- を検索
- セクション
- しっかりと
- セキュリティ
- セキュリティリスク
- 選択
- 選択
- 選択
- シニア
- 敏感な
- 感情
- 思い
- サーバレス
- 仕える
- サービス
- サービス
- サービング
- セッション
- セッションに
- セット
- 設定
- いくつかの
- 形状
- shared
- ショート
- すべき
- 作品
- 重要
- 著しく
- 同様の
- 簡単な拡張で
- 熟練した
- スキル
- より小さい
- So
- 社会
- ソーシャルメディア
- ソーシャルメディアの投稿
- もっぱら
- 固体
- 溶液
- ソリューション
- 解決する
- 解決
- 一部
- 洗練された
- ソース
- ソース
- 専門家
- 特化する
- 専門の
- 専門にする
- 特定の
- 特に
- 特異性
- 安定性
- スタンド
- 規格
- start
- 開始
- スタートアップ
- 米国
- 手順
- ステップ
- まだ
- 株式
- Force Stop
- 店舗
- 店舗
- ストーリー
- ストーリー
- 簡単な
- 戦略的
- 強み
- 強い
- 構造
- 構造化された
- 構造
- かなりの
- 成功した
- 首尾よく
- そのような
- 十分な
- 示唆する
- スーツ
- 適当
- スーパーチャージ
- 供給
- サポート
- サポート
- 確か
- 症状
- システム
- タックル
- テーラード
- 取る
- 取得
- 才能
- 会話
- トーク
- ターゲット
- 仕事
- タスク
- チーム
- テク
- 技術的
- 技術的なスキル
- 技術
- テクニック
- テクノロジー
- テクノロジー
- 技術革新
- template
- 用語
- test
- テスト
- 클라우드 기반 AI/ML및 고성능 컴퓨팅을 통한 디지털 트윈의 기초 – Edward Hsu, Rescale CPO 많은 엔지니어링 중심 기업에게 클라우드는 R&D디지털 전환의 첫 단계일 뿐입니다. 클라우드 자원을 활용해 엔지니어링 팀의 제약을 해결하는 단계를 넘어, 시뮬레이션 운영을 통합하고 최적화하며, 궁극적으로는 모델 기반의 협업과 의사 결정을 지원하여 신제품을 결정할 때 데이터 기반 엔지니어링을 적용하고자 합니다. Rescale은 이러한 혁신을 돕기 위해 컴퓨팅 추천 엔진, 통합 데이터 패브릭, 메타데이터 관리 등을 개발하고 있습니다. 이번 자리를 빌려 비즈니스 경쟁력 제고를 위한 디지털 트윈 및 디지털 스레드 전략 개발 방법에 대한 인사이트를 나누고자 합니다.
- テキスト分類
- より
- それ
- 情報
- 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
- 考える
- サードパーティ
- この
- 完全な
- 徹底的に
- それらの
- 数千
- 三
- 介して
- 時間
- 時間がかかる
- 〜へ
- トークン化された
- トークン
- ツール
- 豊富なツール群
- top
- トピック
- トピック
- に向かって
- トラフィック
- トレーニング
- 訓練された
- トレーニング
- トランジット
- インタビュー
- 透明性
- すばらしい
- トリガー
- 数兆
- 真に
- 信頼
- 信頼されている
- 信頼できる
- 真実
- チューニング
- 順番
- 微調整
- 2
- 一般的に
- できません
- わかる
- 理解する
- ユニーク
- ユナイテッド
- 米国
- アンロック
- 未開発
- 不要な
- 最新
- アップデイト
- 更新しました
- 更新
- アップグレード
- つかいます
- 使用事例
- 中古
- 便利
- ユーザー
- 操作方法
- users
- 使用されます
- ユーティリティ
- 検証
- 値
- 多様
- さまざまな
- 広大な
- 大いに
- 非常に
- 、
- ビジョン
- ビジュアル
- vs
- 脆弱性
- 歩く
- 欲しいです
- 欲しい
- ました
- ウェーブ
- 仕方..
- we
- 弱点
- ウェブ
- Webサービス
- ウィークス
- 計量の
- 重量
- WELL
- この試験は
- いつ
- 一方
- かどうか
- which
- while
- ワイド
- 広い範囲
- 広く
- 広範囲
- Wikipedia
- 意志
- 以内
- 無し
- 仕事
- ワークフロー
- ワークフロー
- ワーキング
- でしょう
- 書きます
- 書き込み
- 書かれた
- 年
- 産出
- You
- あなたの
- ゼファーネット