業界全体で生成 AI アプリケーションを強化する大規模言語モデル (LLM) の採用が急速に増加しているのを目の当たりにしています。 LLM は、クリエイティブ コンテンツの生成、チャットボットによる問い合わせへの回答、コードの生成など、さまざまなタスクを実行できます。
LLM を使用してアプリケーションを強化しようとしている組織は、生成 AI アプリケーション内で信頼性と安全性を確実に維持するために、データ プライバシーについてますます慎重になっています。 これには、顧客の個人識別情報 (PII) データを適切に処理することが含まれます。 また、不正なコンテンツや危険なコンテンツが LLM に伝播されるのを防ぎ、LLM によって生成されたデータが同じ原則に従っていることを確認することも含まれます。
この投稿では、次の機能を活用した新機能について説明します。 Amazon Comprehend これにより、シームレスな統合が可能になり、新規および既存の生成 AI アプリケーションにおけるデータ プライバシー、コンテンツの安全性、および迅速な安全性が確保されます。
Amazon Comprehend は、機械学習 (ML) を使用して非構造化データおよびドキュメント内のテキスト内の情報を明らかにする自然言語処理 (NLP) サービスです。 この投稿では、LLM の信頼性と安全性がワークロードにとって重要である理由について説明します。 また、これらの新しいモデレーション機能が人気の生成 AI 開発フレームワークでどのように利用されるかについても詳しく説明します。 ラングチェーン ユースケースに合わせてカスタマイズ可能な信頼性と安全性のメカニズムを導入します。
LLM の信頼性と安全性が重要な理由
LLM はカスタマー サポート チャットボットからコンテンツ生成まで、幅広いアプリケーションに大きな影響を与えるため、LLM を使用する場合は信頼と安全が最も重要です。 これらのモデルは膨大な量のデータを処理し、人間のような応答を生成するため、誤用や意図しない結果が生じる可能性が高まります。 これらの AI システムが倫理的かつ信頼性の高い境界内で動作することを保証することは、AI システムを利用する企業の評判だけでなく、エンドユーザーや顧客の信頼を維持するためにも重要です。
さらに、LLM が私たちの日常のデジタル体験にさらに統合されるにつれて、私たちの認識、信念、意思決定に対する LLM の影響力も増大しています。 LLM による信頼と安全の確保は、単なる技術的な対策にとどまりません。 これは、AI 実践者と組織が倫理基準を守るという広範な責任について語っています。 信頼と安全を優先することで、組織はユーザーを保護するだけでなく、社会における AI の持続的かつ責任ある成長を保証します。 また、有害なコンテンツが生成されるリスクを軽減し、規制要件を順守するのにも役立ちます。
信頼と安全の領域において、コンテンツモデレーションは、以下を含む (ただしこれらに限定されない) さまざまな側面に対処するメカニズムです。
- 個人情報保護 – ユーザーは機密情報を含むテキストを誤って提供し、プライバシーを危険にさらす可能性があります。 PII を検出して編集することは不可欠です。
- 毒性 – ヘイトスピーチ、脅迫、虐待などの有害なコンテンツを認識して除外することが最も重要です。
- ユーザーの意図 – ユーザー入力 (プロンプト) が安全か安全でないかを識別することが重要です。 安全でないプロンプトは、個人情報や個人情報を要求したり、攻撃的、差別的、または違法なコンテンツを生成したりするなど、明示的または暗黙的に悪意を表現する可能性があります。 プロンプトは、医療、法律、政治、物議を醸す、個人的、または経済的な問題に関するアドバイスを暗黙的に表明または要求することもあります。
Amazon Comprehend によるコンテンツモデレーション
このセクションでは、Amazon Comprehend を使用したコンテンツモデレーションの利点について説明します。
プライバシーへの取り組み
Amazon Comprehend は、既存の PII 検出および編集機能を通じてすでにプライバシーに対応しています。 PIIエンティティの検出 および PIEEntitiesを含む API。 これら XNUMX つの API は、社会保障番号 (SSN)、クレジット カード番号、名前、住所、電話番号などの多数の PII エンティティを検出できる NLP モデルによってサポートされています。 エンティティの完全なリストについては、以下を参照してください。 PII ユニバーサル エンティティ タイプ。 DetectPII は、テキスト内の PII エンティティの文字レベルの位置も提供します。 たとえば、「私の名前は」という文の NAME エンティティ (John Doe) の開始文字位置 Jオーンドゥe” は 12、終了文字の位置は 19 です。これらのオフセットを使用して値のマスキングまたは編集を実行できるため、プライベート データが LLM に伝播するリスクが軽減されます。
毒性への取り組みと迅速な安全性
本日、Amazon Comprehend の XNUMX つの新しい機能を API の形式で発表します。 DetectToxicContent
API、および迅速な安全性分類を介して ClassifyDocument
API. 注意してください DetectToxicContent
は新しい API ですが、 ClassifyDocument
は既存の API であり、即時安全分類をサポートするようになりました。
毒性検出
Amazon Comprehend の毒性検出を使用すると、有害、攻撃的、または不適切である可能性のあるコンテンツを特定してフラグを立てることができます。 この機能は、ソーシャル メディア サイト、フォーラム、チャットボット、コメント セクション、LLM を使用してコンテンツを生成するアプリケーションなど、ユーザーがコンテンツを生成するプラットフォームにとって特に価値があります。 主な目標は、有害な内容の拡散を防止することで、前向きで安全な環境を維持することです。
有害性検出モデルはその中核として、テキストを分析して、憎悪に満ちたコンテンツ、脅迫、わいせつな表現、またはその他の形式の有害なテキストが含まれる可能性を判断します。 このモデルは、有毒コンテンツと非毒性コンテンツの両方の例を含む膨大なデータセットでトレーニングされます。 毒性 API は、特定のテキストを評価して、毒性分類と信頼スコアを提供します。 生成 AI アプリケーションは、この情報を使用して、LLM へのテキストの伝播を停止するなど、適切なアクションを実行できます。 この記事の執筆時点では、毒性検出 API によって検出されるラベルは次のとおりです。 HATE_SPEECH
, GRAPHIC
, HARRASMENT_OR_ABUSE
, SEXUAL
, VIOLENCE_OR_THREAT
, INSULT
, PROFANITY
。 次のコードは、Amazon Comprehend の毒性検出のための Python Boto3 を使用した API 呼び出しを示しています。
即時安全性分類
Amazon Comprehend を使用したプロンプトの安全性分類は、入力テキスト プロンプトを安全か安全でないか分類するのに役立ちます。 この機能は、プロンプトの安全性を理解することで応答、アクション、LLM へのコンテンツ伝播を決定できる、チャットボット、仮想アシスタント、コンテンツ モデレーション ツールなどのアプリケーションにとって非常に重要です。
基本的に、プロンプト安全分類は、個人情報や個人情報の要求、攻撃的、差別的、または違法なコンテンツの生成など、明示的または暗黙的な悪意がないか人間の入力を分析します。 また、医療、法律、政治、物議を醸す、個人的、または経済的なテーマに関するアドバイスを求めるプロンプトにもフラグを立てます。 プロンプト分類では XNUMX つのクラスが返されます。 UNSAFE_PROMPT
および SAFE_PROMPT
、関連付けられたテキストの、それぞれに関連付けられた信頼スコア。 信頼度スコアの範囲は 0 ~ 1 で、これらを組み合わせると合計は 1 になります。たとえば、カスタマー サポートのチャットボットでは、「」というテキストが表示されます。パスワードをリセットするにはどうすればよいですか?」 パスワードのリセット手順に関するガイダンスを求める意図を示し、次のようにラベル付けされています。 SAFE_PROMPT
。 同様に、「あなたに何か悪いことが起こるといいのですが」は、潜在的に有害な意図があるとしてフラグが立てられ、次のようにラベル付けされる可能性があります。 UNSAFE_PROMPT
。 プロンプト安全性分類は、機械が生成したテキスト (LLM 出力) ではなく、人間の入力 (プロンプト) から意図を検出することに主に焦点を当てていることに注意することが重要です。 次のコードは、プロンプト安全分類機能にアクセスする方法を示しています。 ClassifyDocument
API:
注意してください endpoint_arn
前のコードの は AWS が提供する Amazon リソース番号 パターンの(ARN) arn:aws:comprehend:<region>:aws:document-classifier-endpoint/prompt-safety
ここで、 <region>
は選択した AWS リージョンです。 Amazon Comprehendが利用可能です.
これらの機能を実証するために、LLM に特定のテキストから住所、電話番号、SSN などの PII エンティティを抽出するよう依頼するサンプル チャット アプリケーションを構築しました。 左側の図に示すように、LLM は適切な PII エンティティを検索して返します。
Amazon Comprehend モデレーションを使用すると、LLM への入力と LLM からの出力を編集できます。 右側の画像では、SSN 値を編集せずに LLM に渡すことができます。 ただし、LLM の応答内の SSN 値は編集されます。
以下は、PII 情報を含むプロンプトが LLM に完全に到達しないようにする方法の例です。 この例では、ユーザーが PII 情報を含む質問をしている様子を示しています。 Amazon Comprehend モデレーションを使用してプロンプト内の PII エンティティを検出し、フローを中断してエラーを表示します。
前述のチャットの例は、Amazon Comprehend モデレーションが LLM に送信されるデータに制限を適用する方法を示しています。 次のセクションでは、LangChain を使用してこのモデレーション メカニズムがどのように実装されるかを説明します。
LangChain との統合
LLM をさまざまなユースケースに適用する可能性は無限にあるため、生成 AI アプリケーションの開発を簡素化することも同様に重要になっています。 ラングチェーン は、生成 AI アプリケーションの開発を容易にする人気のオープンソース フレームワークです。 Amazon Comprehend モデレーションは、LangChain フレームワークを拡張して、PII の識別と編集、毒性検出、および迅速な安全分類機能を提供します。 AmazonComprehendModerationChain
.
AmazonComprehendModerationChain
のカスタム実装です LangChain ベースチェーン インターフェース。 これは、アプリケーションがこのチェーンを独自のチェーンで使用できることを意味します。 LLM チェーン 入力プロンプトおよび LLM からの出力テキストに必要なモデレーションを適用します。 チェーンは、多数のチェーンをマージするか、チェーンを他のコンポーネントと混合することによって構築できます。 使用できます AmazonComprehendModerationChain
他の LLM チェーンと連携して、モジュール式で柔軟な方法で複雑な AI アプリケーションを開発します。
さらに詳しく説明するために、次のセクションでいくつかのサンプルを提供します。 のソースコードは、 AmazonComprehendModerationChain
実装は、 LangChain オープンソース リポジトリ。 API インターフェイスの完全なドキュメントについては、LangChain API ドキュメントを参照してください。 Amazon Comprehend モデレーションチェーン。 このモデレーション チェーンの使用は、クラスのインスタンスをデフォルトの構成で初期化するのと同じくらい簡単です。
次の図で説明されているように、モデレーション チェーンは舞台裏で XNUMX つの連続したモデレーション チェック、つまり PII、毒性、即時安全性を実行します。 これはモデレーションのデフォルトのフローです。
次のコード スニペットは、モデレーション チェーンを使用する簡単な例を示しています。 アマゾンファルコンライト LLM (量子化バージョン) ファルコン 40B SFT OASST-TOP1 モデル) ハグフェイスハブでホストされています:
前の例では、チェーンを次のように拡張します。 comprehend_moderation
LLM に入るテキストと LLM によって生成されるテキストの両方について。 これにより、PII、毒性、およびプロンプトの安全性分類がその順序でチェックされるデフォルトのモデレーションが実行されます。
フィルター設定でモデレーションをカスタマイズする
あなたが使用することができます AmazonComprehendModerationChain
特定の構成を使用すると、生成 AI ベースのアプリケーションで実行するモデレーションを制御できるようになります。 構成の中核として、XNUMX つのフィルター構成を使用できます。
- モデレーションPiiConfig – PII フィルターを構成するために使用されます。
- 中程度毒性設定 – 有害なコンテンツ フィルターを構成するために使用されます。
- ModerationIntentConfig – インテントフィルターを設定するために使用されます。
これらの各フィルター構成を使用して、モデレーションの動作をカスタマイズできます。 各フィルターの構成には、初期化に使用できるいくつかの共通パラメーターといくつかの固有パラメーターがあります。 構成を定義した後、 BaseModerationConfig
クラスを使用して、フィルタをテキストに適用する順序を定義します。 たとえば、次のコードでは、最初に XNUMX つのフィルター構成を定義し、次にそれらを適用する順序を指定します。
この構成が何を実現するかを理解するために、もう少し詳しく見てみましょう。
- まず、毒性フィルターについては、しきい値 0.6 を指定しました。 これは、テキストに、しきい値を超えるスコアを持つ利用可能な有害なラベルまたはエンティティが含まれている場合、チェーン全体が中断されることを意味します。
- テキスト内に有害なコンテンツが見つからない場合、PII チェックが行われます。この場合、テキストに SSN 値が含まれているかどうかをチェックすることに関心があります。 なぜなら
redact
パラメータはTrue
の場合、チェーンは、SSN エンティティの信頼スコアが 0.5 以上である検出された SSN 値 (存在する場合) を、マスク文字 (X) を指定してマスクします。 もしredact
に設定されていますFalse
、SSN が検出されるとチェーンは中断されます。 - 最後に、チェーンは迅速な安全性分類を実行し、コンテンツが次のように分類されている場合、コンテンツがさらにチェーンの下に伝播するのを停止します。
UNSAFE_PROMPT
信頼スコアが 0.8 以上。
次の図は、このワークフローを示しています。
モデレーション チェーン (この例では、毒性と即時安全分類フィルターに適用) が中断された場合、チェーンは Python の例外、基本的に進行中のチェーンを停止し、(try-catch ブロックで) 例外をキャッチして関連するアクションを実行できるようにします。 考えられる例外タイプは次の XNUMX つです。
ModerationPIIError
ModerationToxicityError
ModerationPromptSafetyError
次を使用して、XNUMX つまたは複数のフィルタを設定できます。 BaseModerationConfig
。 同じチェーン内で、同じタイプのフィルターを異なる構成で使用することもできます。 たとえば、ユースケースが PII のみに関係する場合、SSN が検出された場合にチェーンを中断する必要がある構成を指定できます。 それ以外の場合は、年齢と名前の PII エンティティに対して編集を実行する必要があります。 このための構成は次のように定義できます。
コールバックと一意の識別子の使用
ワークフローの概念に精通している場合は、次のことにも精通しているかもしれません。 コールバック。 ワークフロー内のコールバックは、ワークフロー内で特定の条件が満たされたときに実行される独立したコード部分です。 コールバックは、ワークフローに対してブロックまたは非ブロックのいずれかになります。 LangChain チェーンは本質的に、LLM のワークフローです。 AmazonComprehendModerationChain
独自のコールバック関数を定義できます。 当初、実装は非同期 (非ブロッキング) コールバック関数のみに限定されています。
これは事実上、モデレーション チェーンでコールバックを使用すると、コールバックはチェーンの実行をブロックすることなく独立して実行されることを意味します。 モデレーション チェーンの場合、チェーンとは独立して、各モデレーションの実行後に、任意のビジネス ロジックを使用してコードを実行するオプションが得られます。
オプションで、 AmazonComprehendModerationChain
後でログ記録と分析を有効にします。 たとえば、LLM を利用したチャットボットを運用している場合、一貫して嫌がらせをしているユーザーや、意図的または無意識に個人情報を公開しているユーザーを追跡する必要があるかもしれません。 このような場合、そのようなプロンプトの発信元を追跡し、さらなるアクションのためにそれらをデータベースに保存するか、適切に記録することが必要になります。 ユーザー名や電子メール、プロンプトを生成するアプリケーション名など、ユーザーを明確に識別する一意の ID を渡すことができます。
コールバックと一意の識別子の組み合わせにより、保守が容易な少ないコードでより一貫した方法でユースケースに適合するモデレーション チェーンを実装する強力な方法が提供されます。 コールバック ハンドラーは、 BaseModerationCallbackHandler
、使用可能なコールバックが XNUMX つあります。 on_after_pii()
, on_after_toxicity()
, on_after_prompt_safety()
。 これらのコールバック関数はそれぞれ、チェーン内でそれぞれのモデレーション チェックが実行された後に非同期で呼び出されます。 これらの関数は、次の XNUMX つのデフォルト パラメータも受け取ります。
- モデレーション_ビーコン – モデレーションが実行されたテキスト、Amazon Comprehend API の完全な JSON 出力、モデレーションのタイプ、指定されたラベル (設定内) がテキスト内で見つかったかどうかなどの詳細を含む辞書
- 一意のID – インスタンスの初期化時に割り当てた一意の ID
AmazonComprehendModerationChain
.
以下は、コールバックを使用した実装がどのように機能するかを示す例です。 この場合、PII チェックの実行後にチェーンを実行する単一のコールバックを定義しました。
次に、 my_callback
モデレーションチェーンの初期化中にオブジェクトを呼び出し、また unique_id
。 コールバックと一意の識別子は、構成の有無にかかわらず使用できます。 サブクラス化するとき BaseModerationCallbackHandler
を使用するには、使用するフィルターに応じて、コールバック メソッドの XNUMX つまたはすべてを実装する必要があります。 簡潔にするために、次の例はコールバックと unique_id
何も設定せずに:
次の図は、コールバックと一意の識別子を使用したこのモデレーション チェーンがどのように機能するかを説明しています。 具体的には、で利用可能なデータを含む JSON ファイルを書き込む PII コールバックを実装しました。 moderation_beacon
と unique_id
合格しました (この場合はユーザーの電子メール)。
以下では Pythonノートブックでホストされている LLM など、さまざまな LLM でモデレーション チェーンを構成して使用できるいくつかの方法をまとめました。 Amazon SageMaker ジャンプスタート でホストされています フェイスハブを抱き締める。 先ほど説明した次のサンプル チャット アプリケーションも含まれています。 Pythonノートブック.
まとめ
大規模言語モデルと生成 AI の変革の可能性は否定できません。 ただし、それらを責任を持って倫理的に使用できるかどうかは、信頼と安全性の懸念に対処するかどうかにかかっています。 課題を認識し、リスクを軽減するための対策を積極的に実施することで、開発者、組織、社会全体は、統合の成功を支える信頼と安全を維持しながら、これらのテクノロジーの利点を活用できます。 Amazon Comprehend ContentModerationChain を使用して、LangChain に実装された取得拡張生成 (RAG) ワークフローなどの LLM ワークフローに信頼性と安全性の機能を追加します。
LangChain と Amazon Kendra の高精度な機械学習 (ML) を活用した RAG ベースのソリューションの構築については、 インテリジェント検索、 見る - Amazon Kendra、LangChain、および大規模な言語モデルを使用して、エンタープライズ データ上に高精度のジェネレーティブ AI アプリケーションを迅速に構築します。 次のステップとして、を参照してください。 コードサンプル LangChain で Amazon Comprehend モデレーションを使用するために作成しました。 Amazon Comprehend モデレーションチェーン API の完全なドキュメントについては、LangChain を参照してください。 APIドキュメント.
著者について
ウリック・タルクダー Amazon Comprehend Service チームのシニア アーキテクトです。 彼は AWS のお客様と協力して、大規模な機械学習の導入を支援しています。 仕事以外では、読書と写真を楽しんでいます。
アンジャンビスワス AI/ML とデータ分析を専門とするシニア AI サービス ソリューション アーキテクトです。 Anjan は、世界規模の AI サービス チームの一員であり、お客様と協力して、AI と ML を使用したビジネス上の問題に対するソリューションの理解と開発を支援しています。 Anjan は、グローバルサプライチェーン、製造、および小売組織との 14 年以上の経験を持ち、お客様が AWS AI サービスを開始してスケールするのを積極的に支援しています。
ニキル・ジャー アマゾンウェブサービスのシニアテクニカルアカウントマネージャーです。 彼の重点分野には、AI/MLと分析が含まれます。 余暇には、娘とバドミントンをしたり、アウトドアを楽しんだりしています。
チン・レーン アマゾン ウェブ サービスの AI/ML スペシャリスト ソリューション アーキテクトです。 彼女は応用数学と機械学習に情熱を注いでいます。 彼女は、AWS の顧客向けのインテリジェントなドキュメント処理ソリューションの設計に重点を置いています。 仕事以外では、サルサとバチャータ ダンスを楽しんでいます。
- 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/build-trust-and-safety-for-generative-ai-applications-with-amazon-comprehend-and-langchain/
- :持っている
- :は
- :not
- :どこ
- $UP
- 1
- 100
- 11
- 12
- 14
- 視聴者の38%が
- 17
- 19
- 500
- 7
- 8
- 9
- a
- 能力
- 能力
- 私たちについて
- 虐待
- アクセス
- 正確な
- 達成する
- 越えて
- Action
- 行動
- 積極的に
- 加えます
- 住所
- アドレス
- アドレッシング
- 付着します
- 採用
- 養子縁組
- アドバイス
- 後
- 年齢
- AI
- AIサービス
- AIシステム
- AI / ML
- すべて
- 許可されて
- 許可
- ことができます
- 既に
- また
- 全部
- Amazon
- Amazon Comprehend
- アマゾンケンドラ
- Amazon Webサービス
- 金額
- an
- 分析論
- 分析
- および
- 発表
- 回答
- どれか
- API
- API
- 適用可能な
- 申し込み
- 適用された
- 適用
- 申し込む
- 適切な
- 適切に
- です
- エリア
- AS
- 頼む
- 質問
- 側面
- 割り当てられた
- アシスタント
- 関連する
- At
- 増強
- 増強された
- 利用できます
- AWS
- 支持された
- 悪い
- ベース
- ベース
- BE
- なぜなら
- になる
- になる
- 行動
- さ
- 信念
- 利点
- の間に
- 越えて
- ブロック
- ブロッキング
- 両言語で
- 境界
- より広い
- ビルド
- 信頼を築く
- 建物
- 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
- コール
- コールバック
- 呼ばれます
- 缶
- 機能
- 機能
- できる
- 資本
- カード
- 場合
- 例
- レスリング
- 一定
- チェーン
- チェーン
- 課題
- 文字
- チャットボット
- チャットボット
- チェック
- 点検
- 小切手
- 顎
- 選択
- class
- クラス
- 分類
- 分類された
- 分類します
- クライアント
- コード
- 凝集
- COM
- 組み合わせ
- 組み合わせた
- コメント
- コマンドと
- 複雑な
- コンポーネント
- 理解する
- コンセプト
- 心配
- 懸念事項
- 条件
- 信頼
- 連続した
- 一貫して
- 含まれています
- コンテンツ
- コンテンツ生成
- コントロール
- 物議を醸す
- 基本
- 作成した
- 作成
- クリエイティブ
- クレジット
- クレジットカード
- 重大な
- 重大な
- カスタム
- 顧客
- カスタマーサービス
- Customers
- カスタマイズ可能な
- カスタマイズ
- daily
- ダンシング
- データ
- データ分析
- データプライバシー
- データベース
- データセット
- 決定
- より深い
- デフォルト
- 定義します
- 定義済みの
- 掘り下げる
- 実証します
- 実証
- によっては
- 設計
- 希望
- 細部
- 検出
- 検出された
- 検出
- 決定する
- 開発する
- 開発者
- 開発
- 異なります
- デジタル
- 話し合います
- 議論する
- 明らかに
- ダイビング
- do
- ドキュメント
- ドキュメント
- ドキュメント
- doe
- ダウン
- 原因
- e
- 各
- 前
- 容易
- 効果的に
- 楽な
- どちら
- ほかに
- enable
- end
- エンドレス
- 確保
- 確保する
- Enterprise
- エンティティ
- エンティティ
- 環境
- 等しい
- 平等に
- エラー
- 本質
- 本質的な
- 本質的に
- 倫理的な
- 例
- 例
- 除く
- 例外
- 既存の
- 体験
- エクスペリエンス
- 説明する
- 説明
- 説明
- 明示的
- 探る
- 表現します
- 拡張する
- エキス
- 顔
- おなじみの
- 特徴
- 特徴
- 少数の
- File
- filter
- フィルタリング
- フィルター
- 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?
- 発見
- 名
- フラグが立てられた
- フラグ
- フレキシブル
- フロー
- フォーカス
- 焦点を当て
- 焦点を当てて
- フォロー中
- 次
- フォーム
- 形式でアーカイブしたプロジェクトを保存します.
- フォーム
- フォーラム
- 発見
- フレームワーク
- フランス
- から
- フル
- 機能
- さらに
- 生成する
- 生成された
- 生成
- 世代
- 生々しい
- 生成AI
- 取得する
- GIF
- 与える
- 与えられた
- 与える
- グローバル
- 目標
- ゴエス
- 行く
- 良い
- 大きい
- 育ちます
- 成長性
- ガイダンス
- ハンドリング
- 起こります
- 有害な
- ハーネス
- 嫌い
- 持ってる
- 持って
- he
- 助けます
- 助け
- ことができます
- 非常に
- ヒンジ
- 彼の
- 主催
- 認定条件
- How To
- しかしながら
- HTML
- HTTPS
- ハブ
- 人間
- 人間らしい
- i
- ID
- 識別
- 識別子
- 識別子
- 識別する
- 識別する
- 識別
- if
- 違法
- 説明する
- 画像
- 影響
- 実装する
- 実装
- 実装
- 実装
- import
- 重要性
- 重要
- in
- うっかり
- include
- 含まれました
- 含ま
- 含めて
- 増える
- 増加
- ますます
- 独立しました
- 単独で
- 産業
- 影響
- 情報
- 当初
- 入力
- お問い合わせ
- 統合された
- 統合
- インテリジェント-
- インテリジェントなドキュメント処理
- 予定
- 意図
- 興味がある
- インタフェース
- 中断された
- に
- 紹介する
- IT
- ITS
- John Redfern
- JOHN DOE
- JPG
- JSON
- ただ
- ラベル
- 言語
- 大
- 後で
- 学習
- 左
- リーガルポリシー
- less
- ような
- 尤度
- 限定的
- リスト
- 少し
- 少し深く
- LLM
- ログ
- ロギング
- ロジック
- 探して
- 機械
- 機械学習
- 維持する
- 作る
- マネージャー
- 方法
- 製造業
- mask
- 数学
- 問題
- 五月..
- me
- 手段
- 措置
- メカニズム
- メディア
- 医療の
- マージ
- 会った
- メソッド
- 誤用
- 軽減する
- 混合
- ML
- モデル
- 節度
- モジュラー
- 他には?
- ずっと
- しなければなりません
- my
- 名
- すなわち
- 名
- ナチュラル
- 自然言語処理
- 必要
- 新作
- 新しい特徴
- 次の
- NLP
- いいえ
- 今
- 数
- 番号
- 多数の
- オブジェクト
- of
- 攻撃
- 提供
- オフセット
- on
- ONE
- の
- 開いた
- オープンソース
- 操作する
- オペレーティング
- オプション
- or
- 注文
- 組織
- 起源
- その他
- さもないと
- 私たちの
- でる
- 成果
- 屋外で
- 出力
- outputs
- 外側
- が
- 自分の
- パラメーター
- パラメータ
- 最高の
- 部
- 特に
- パス
- 渡された
- 情熱的な
- パスワード
- パスワードのリセット
- パターン
- 実行する
- 実行
- 実行する
- おそらく
- 個人的な
- 個人的に
- 電話
- 写真撮影
- ピース
- ピース
- 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
- 再生
- 政治的
- 人気
- 位置
- 正の
- の可能性
- 可能
- ポスト
- 潜在的な
- :
- 電力
- パワード
- 強力な
- 保存する
- 予防
- 主に
- 主要な
- 原則
- 優先順位付け
- プライバシー
- プライベート
- 個人情報
- 問題
- 手続き
- プロセス
- 処理
- 深遠な
- 進捗
- 正しく
- 守る
- 提供します
- は、大阪で
- Python
- 質問
- 上げる
- 範囲
- 範囲
- 急速な
- むしろ
- 到達
- リーディング
- realm
- 受け取ります
- 認識
- 減らします
- 縮小
- 参照する
- 地域
- レギュレータ
- 関連した
- 信頼性のある
- 評判
- 要求
- 要件
- リソースを追加する。
- それらの
- 応答
- 回答
- 責任
- 責任
- 制限
- 小売
- 収益
- 右
- リスク
- リスク
- ラン
- s
- 安全な
- 安全性
- セージメーカー
- 同じ
- 規模
- シーン
- スコア
- シームレス
- セクション
- セクション
- セキュリティ
- Seek
- 自己
- シニア
- 敏感な
- 送信
- 文
- シーケンス
- サービス
- サービス
- セッションに
- 彼女
- すべき
- 表示する
- ショーケース
- 示す
- 作品
- 信号
- 同様に
- 簡単な拡張で
- 簡素化する
- サイト
- スニペット
- So
- 社会
- ソーシャルメディア
- 社会
- ソリューション
- 一部
- 何か
- ソース
- ソースコード
- スピークス
- 専門家
- 特定の
- 特に
- 指定の
- スピーチ
- 規格
- start
- 開始
- ステートメント
- 手順
- Force Stop
- 停止
- 店舗
- 文字列
- 続いて
- 成功した
- そのような
- 供給
- 供給
- サプライチェーン
- サポート
- サポート
- 持続可能な
- システム
- 取る
- タスク
- チーム
- 技術的
- テクノロジー
- template
- 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.
- より
- それ
- 首都
- ソース
- アプリ環境に合わせて
- それら
- その後
- そこ。
- それによって
- ボーマン
- 彼ら
- この
- 脅威
- 三
- しきい値
- 介して
- 時間
- 〜へ
- 豊富なツール群
- 追跡する
- 訓練された
- 変形させる
- 信頼
- 試します
- 2
- type
- 明らかにする
- 紛れもない
- 支え
- わかる
- 理解する
- ユニーク
- ユニバーサル
- 支持する
- つかいます
- 使用事例
- 中古
- ユーザー
- users
- 使用されます
- 活用する
- 利用された
- 貴重な
- 値
- 価値観
- 多様
- さまざまな
- 広大な
- バージョン
- 、
- バーチャル
- W
- 欲しいです
- ました
- 仕方..
- 方法
- we
- ウェブ
- Webサービス
- WELL
- した
- この試験は
- 何ですか
- いつ
- 一方
- かどうか
- which
- while
- 誰
- 全体
- なぜ
- ワイド
- 広い範囲
- 意志
- 希望
- 以内
- 無し
- 目撃
- 仕事
- ワークフロー
- ワークフロー
- ワーキング
- 作品
- 書きます
- 書き込み
- X
- 年
- You
- あなたの
- ゼファーネット