우리는 산업 전반에 걸쳐 생성 AI 애플리케이션을 지원하는 대규모 언어 모델(LLM)의 채택이 급속히 증가하는 것을 목격하고 있습니다. LLM은 창의적인 콘텐츠 생성, 챗봇을 통한 문의 답변, 코드 생성 등과 같은 다양한 작업을 수행할 수 있습니다.
LLM을 사용하여 애플리케이션을 강화하려는 조직은 생성 AI 애플리케이션 내에서 신뢰와 안전이 유지되도록 데이터 개인 정보 보호에 대해 점점 더 경계하고 있습니다. 여기에는 고객의 개인 식별 정보(PII) 데이터를 적절하게 처리하는 것이 포함됩니다. 또한 악의적이고 안전하지 않은 콘텐츠가 LLM에 전파되는 것을 방지하고 LLM에서 생성된 데이터가 동일한 원칙을 따르는지 확인하는 것도 포함됩니다.
이번 포스팅에서는 아마존 이해 이는 신규 및 기존 생성 AI 애플리케이션에서 데이터 개인 정보 보호, 콘텐츠 안전 및 즉각적인 안전을 보장하기 위해 원활한 통합을 가능하게 합니다.
Amazon Comprehend는 기계 학습(ML)을 사용하여 구조화되지 않은 데이터와 문서 내의 텍스트에 있는 정보를 찾아내는 자연어 처리(NLP) 서비스입니다. 이 게시물에서는 LLM의 신뢰와 안전이 워크로드에 중요한 이유에 대해 논의합니다. 또한 인기 있는 생성 AI 개발 프레임워크에서 이러한 새로운 조정 기능이 어떻게 활용되는지 자세히 살펴봅니다. 랭체인 사용 사례에 맞게 사용자 정의 가능한 신뢰 및 안전 메커니즘을 도입합니다.
LLM에 대한 신뢰와 안전이 중요한 이유
LLM은 고객 지원 챗봇부터 콘텐츠 생성까지 광범위한 애플리케이션에 큰 영향을 미치기 때문에 신뢰와 안전이 가장 중요합니다. 이러한 모델은 방대한 양의 데이터를 처리하고 인간과 유사한 반응을 생성하므로 오용이나 의도하지 않은 결과의 가능성이 높아집니다. 이러한 AI 시스템이 윤리적이고 신뢰할 수 있는 범위 내에서 작동하도록 보장하는 것은 이를 활용하는 기업의 평판뿐만 아니라 최종 사용자와 고객의 신뢰를 유지하는 데에도 중요합니다.
또한 LLM이 일상적인 디지털 경험에 더욱 통합됨에 따라 우리의 인식, 신념 및 결정에 미치는 영향도 커집니다. LLM을 통해 신뢰와 안전을 보장하는 것은 단순한 기술적 조치 그 이상입니다. 이는 윤리적 기준을 유지해야 하는 AI 실무자와 조직의 더 넓은 책임을 나타냅니다. 신뢰와 안전을 최우선으로 생각함으로써 조직은 사용자를 보호할 뿐만 아니라 사회에서 AI의 지속 가능하고 책임 있는 성장을 보장합니다. 또한 유해한 콘텐츠 생성 위험을 줄이고 규제 요구 사항을 준수하는 데 도움이 될 수 있습니다.
신뢰와 안전의 영역에서 콘텐츠 조정은 다음을 포함하되 이에 국한되지 않는 다양한 측면을 다루는 메커니즘입니다.
- 개인정보보호 – 사용자는 민감한 정보가 포함된 텍스트를 실수로 제공하여 개인 정보를 위험에 빠뜨릴 수 있습니다. PII를 탐지하고 수정하는 것은 필수적입니다.
- 독성 – 증오심 표현, 위협, 학대 등 유해한 콘텐츠를 인식하고 필터링하는 것이 가장 중요합니다.
- 사용자 의도 – 사용자 입력(프롬프트)이 안전한지 또는 안전하지 않은지 식별하는 것이 중요합니다. 안전하지 않은 프롬프트는 개인 정보나 개인 정보를 요청하고 모욕적이거나 차별적이거나 불법적인 콘텐츠를 생성하는 등 악의적인 의도를 명시적 또는 묵시적으로 표현할 수 있습니다. 프롬프트는 의학적, 법적, 정치적, 논란의 여지가 있는, 개인적 또는 재정적 문제에 대해 암시적으로 조언을 표현하거나 요청할 수도 있습니다.
Amazon Comprehend를 사용한 콘텐츠 조정
이 섹션에서는 Amazon Comprehend를 사용한 콘텐츠 조정의 이점에 대해 논의합니다.
개인 정보 보호
Amazon Comprehend는 이미 기존 PII 탐지 및 수정 기능을 통해 개인 정보 보호 문제를 해결하고 있습니다. DetectPII엔티티 및 PII엔티티 포함 아피스. 이 두 API는 사회보장번호(SSN), 신용카드 번호, 이름, 주소, 전화번호 등과 같은 다수의 PII 엔터티를 감지할 수 있는 NLP 모델을 기반으로 합니다. 전체 엔터티 목록은 다음을 참조하세요. PII 범용 엔터티 유형. DetectPII는 또한 텍스트 내에서 PII 엔터티의 문자 수준 위치를 제공합니다. 예를 들어 "My name is" 문장에서 NAME 엔터티(John Doe)의 시작 문자 위치입니다. J온도e”는 12이고 끝 문자 위치는 19입니다. 이러한 오프셋을 사용하여 값을 마스킹하거나 수정하여 개인 데이터가 LLM으로 전파될 위험을 줄일 수 있습니다.
독성 문제 해결 및 신속한 안전
오늘 우리는 API 형태의 두 가지 새로운 Amazon Comprehend 기능을 발표합니다. DetectToxicContent
API 및 신속한 안전 분류를 통해 ClassifyDocument
API. 참고 DetectToxicContent
새로운 API인 반면 ClassifyDocument
이제 신속한 안전 분류를 지원하는 기존 API입니다.
독성 감지
Amazon Comprehend 독성 탐지를 사용하면 유해하거나 공격적이거나 부적절할 수 있는 콘텐츠를 식별하고 플래그를 지정할 수 있습니다. 이 기능은 소셜 미디어 사이트, 포럼, 챗봇, 댓글 섹션, LLM을 사용하여 콘텐츠를 생성하는 애플리케이션 등 사용자가 콘텐츠를 생성하는 플랫폼에 특히 유용합니다. 주요 목표는 독성 콘텐츠의 확산을 방지하여 긍정적이고 안전한 환경을 유지하는 것입니다.
기본적으로 독성 감지 모델은 텍스트를 분석하여 증오 콘텐츠, 위협, 외설 또는 기타 형태의 유해한 텍스트가 포함될 가능성을 판단합니다. 이 모델은 독성 콘텐츠와 무독성 콘텐츠의 예가 모두 포함된 방대한 데이터 세트에서 학습되었습니다. 독성 API는 특정 텍스트를 평가하여 독성 분류 및 신뢰도 점수를 제공합니다. 그런 다음 생성적 AI 애플리케이션은 이 정보를 사용하여 텍스트가 LLM으로 전파되는 것을 중지하는 등 적절한 조치를 취할 수 있습니다. 이 글을 쓰는 시점에서 독성 감지 API에 의해 감지된 라벨은 다음과 같습니다. HATE_SPEECH
, GRAPHIC
, HARRASMENT_OR_ABUSE
, SEXUAL
, VIOLENCE_OR_THREAT
, INSULT
및 PROFANITY
. 다음 코드는 Amazon Comprehend 독성 탐지를 위해 Python Boto3을 사용한 API 호출을 보여줍니다.
신속한 안전분류
Amazon Comprehend를 사용한 신속한 안전 분류는 입력 텍스트 프롬프트를 안전하거나 안전하지 않은 것으로 분류하는 데 도움이 됩니다. 이 기능은 프롬프트의 안전성을 이해하여 응답, 조치 또는 LLM에 대한 콘텐츠 전파를 결정할 수 있는 챗봇, 가상 비서 또는 콘텐츠 조정 도구와 같은 애플리케이션에 매우 중요합니다.
본질적으로 신속한 안전 분류는 개인 정보나 개인 정보 요청, 공격적이거나 차별적이거나 불법적인 콘텐츠 생성과 같은 명시적이거나 묵시적인 악의적 의도에 대한 인간의 입력을 분석합니다. 또한 의학적, 법적, 정치적, 논란의 여지가 있는, 개인적 또는 재정적 주제에 대한 조언을 구하는 메시지를 표시합니다. 프롬프트 분류는 두 개의 클래스를 반환합니다. UNSAFE_PROMPT
및 SAFE_PROMPT
, 관련 텍스트에 대해 각각에 대한 관련 신뢰도 점수가 포함되어 있습니다. 신뢰도 점수 범위는 0~1 사이이고 이를 합하면 1이 됩니다. 예를 들어 고객 지원 챗봇에서 텍스트 "비밀번호를 재설정하려면 어떻게 해야 하나요??” 비밀번호 재설정 절차에 대한 지침을 구하려는 의도를 나타내며 다음과 같이 표시됩니다. SAFE_PROMPT
. 마찬가지로, “너에게 나쁜 일이 일어났으면 좋겠어'는 잠재적으로 유해한 의도가 있는 것으로 표시되고 다음과 같이 라벨이 지정될 수 있습니다. UNSAFE_PROMPT
. 프롬프트 안전 분류는 주로 기계 생성 텍스트(LLM 출력)보다는 사람의 입력(프롬프트)에서 의도를 탐지하는 데 중점을 둔다는 점에 유의하는 것이 중요합니다. 다음 코드는 프롬프트 안전 분류 기능에 액세스하는 방법을 보여줍니다. ClassifyDocument
API :
참고 endpoint_arn
앞의 코드에서는 AWS에서 제공하는 Amazon 리소스 번호 (ARN) 패턴의 arn:aws:comprehend:<region>:aws:document-classifier-endpoint/prompt-safety
어디로 <region>
귀하가 선택한 AWS 리전은 다음과 같습니다. Amazon Comprehend를 사용할 수 있습니다..
이러한 기능을 시연하기 위해 우리는 LLM에게 주어진 텍스트에서 주소, 전화번호, SSN과 같은 PII 엔터티를 추출하도록 요청하는 샘플 채팅 애플리케이션을 구축했습니다. LLM은 왼쪽 이미지에 표시된 것처럼 적절한 PII 엔터티를 찾아서 반환합니다.
Amazon Comprehend 조정을 통해 LLM에 대한 입력과 LLM의 출력을 수정할 수 있습니다. 오른쪽 이미지에서는 SSN 값을 수정하지 않고 LLM에 전달할 수 있습니다. 그러나 LLM 응답의 모든 SSN 값은 수정됩니다.
다음은 PII 정보가 포함된 프롬프트가 LLM에 도달하는 것을 완전히 방지할 수 있는 방법의 예입니다. 이 예는 PII 정보가 포함된 질문을 하는 사용자를 보여줍니다. Amazon Comprehend 조정을 사용하여 프롬프트에서 PII 엔터티를 감지하고 흐름을 중단하여 오류를 표시합니다.
앞의 채팅 예에서는 Amazon Comprehend 중재가 LLM으로 전송되는 데이터에 제한을 적용하는 방법을 보여줍니다. 다음 섹션에서는 LangChain을 사용하여 이 중재 메커니즘을 구현하는 방법을 설명합니다.
LangChain과의 통합
LLM을 다양한 사용 사례에 적용할 수 있는 무한한 가능성으로 인해 생성 AI 애플리케이션 개발을 단순화하는 것도 똑같이 중요해졌습니다. 랭체인 생성 AI 애플리케이션을 쉽게 개발할 수 있게 해주는 인기 있는 오픈 소스 프레임워크입니다. Amazon Comprehend 조정은 LangChain 프레임워크를 확장하여 다음을 통해 PII 식별 및 수정, 독성 탐지 및 신속한 안전 분류 기능을 제공합니다. AmazonComprehendModerationChain
.
AmazonComprehendModerationChain
의 사용자 정의 구현입니다 LangChain 기본 체인 상호 작용. 이는 애플리케이션이 이 체인을 자체 체인과 함께 사용할 수 있음을 의미합니다. LLM 체인 입력 프롬프트와 LLM의 출력 텍스트에 원하는 조정을 적용합니다. 체인은 수많은 체인을 병합하거나 체인을 다른 구성요소와 혼합하여 구축할 수 있습니다. 당신이 사용할 수있는 AmazonComprehendModerationChain
다른 LLM 체인과 함께 모듈식 및 유연한 방식으로 복잡한 AI 애플리케이션을 개발합니다.
이에 대해 더 자세히 설명하기 위해 다음 섹션에서 몇 가지 샘플을 제공합니다. 소스 코드 AmazonComprehendModerationChain
구현은 다음에서 찾을 수 있습니다. LangChain 오픈 소스 저장소. API 인터페이스에 대한 전체 문서는 LangChain API 문서를 참조하세요. Amazon Comprehend 조정 체인. 이 조정 체인을 사용하는 것은 기본 구성으로 클래스의 인스턴스를 초기화하는 것만큼 간단합니다.
배후에서 조정 체인은 다음 다이어그램에 설명된 대로 PII, 독성 및 신속한 안전이라는 세 가지 연속 조정 검사를 수행합니다. 이는 조정을 위한 기본 흐름입니다.
다음 코드 조각은 조정 체인을 사용하는 간단한 예를 보여줍니다. 아마존 팔콘라이트 LLM(양자화된 버전) 팔콘 40B SFT OASST-TOP1 모델) Hugging Face Hub에서 호스팅됨:
앞의 예에서는 다음을 사용하여 체인을 확장합니다. comprehend_moderation
LLM으로 들어가는 텍스트와 LLM에서 생성된 텍스트 모두에 대해. 그러면 해당 순서대로 PII, 독성 및 신속한 안전 분류를 확인하는 기본 중재가 수행됩니다.
필터 구성으로 조정을 맞춤화하세요
당신은을 사용할 수 있습니다 AmazonComprehendModerationChain
특정 구성을 사용하면 생성 AI 기반 애플리케이션에서 수행하려는 조정을 제어할 수 있습니다. 구성의 핵심에는 세 가지 필터 구성을 사용할 수 있습니다.
- 중재PiiConfig – PII 필터를 구성하는 데 사용됩니다.
- 조정독성구성 – 유해 콘텐츠 필터를 구성하는 데 사용됩니다.
- 조정 의도 구성 – 인텐트 필터를 구성하는 데 사용됩니다.
이러한 각 필터 구성을 사용하여 중재 작동 방식을 사용자 정의할 수 있습니다. 각 필터의 구성에는 초기화할 수 있는 몇 가지 공통 매개변수와 일부 고유 매개변수가 있습니다. 구성을 정의한 후 다음을 사용합니다. BaseModerationConfig
필터가 텍스트에 적용되어야 하는 순서를 정의하는 클래스입니다. 예를 들어 다음 코드에서는 먼저 세 가지 필터 구성을 정의한 후 적용해야 하는 순서를 지정합니다.
이 구성이 무엇을 달성하는지 이해하기 위해 좀 더 자세히 살펴보겠습니다.
- 먼저 독성 필터의 경우 임계값을 0.6으로 지정했습니다. 즉, 텍스트에 임계값보다 높은 점수를 가진 사용 가능한 독성 라벨이나 개체가 포함되어 있으면 전체 체인이 중단됩니다.
- 텍스트에 유해한 내용이 발견되지 않은 경우 PII 확인은 다음과 같습니다. 이 경우 텍스트에 SSN 값이 포함되어 있는지 확인하는 데 관심이 있습니다. 왜냐하면
redact
매개 변수가로 설정되었습니다True
, 체인은 지정된 마스크 문자(X)를 사용하여 SSN 개체의 신뢰도 점수가 0.5 이상인 경우 감지된 SSN 값(있는 경우)을 마스킹합니다. 만약에redact
가False
, SSN이 감지되면 체인이 중단됩니다. - 마지막으로 체인은 신속한 안전 분류를 수행하고 콘텐츠가 다음과 같이 분류되면 콘텐츠가 체인 아래로 더 이상 전파되는 것을 중지합니다.
UNSAFE_PROMPT
신뢰도 점수가 0.8 이상입니다.
다음 다이어그램은이 워크 플로우를 보여줍니다.
조정 체인이 중단되는 경우(이 예에서는 독성 및 신속한 안전 분류 필터에 적용 가능) 체인에서 파이썬 예외, 본질적으로 진행 중인 체인을 중지하고 (try-catch 블록에서) 예외를 포착하고 관련 작업을 수행할 수 있도록 합니다. 가능한 세 가지 예외 유형은 다음과 같습니다.
ModerationPIIError
ModerationToxicityError
ModerationPromptSafetyError
다음을 사용하여 하나의 필터 또는 둘 이상의 필터를 구성할 수 있습니다. BaseModerationConfig
. 동일한 체인 내에서 구성이 다른 동일한 유형의 필터를 가질 수도 있습니다. 예를 들어, 사용 사례가 PII에만 관련된 경우 SSN이 감지되는 경우 체인을 중단해야 하는 구성을 지정할 수 있습니다. 그렇지 않은 경우 연령 및 이름 PII 항목에 대한 수정을 수행해야 합니다. 이에 대한 구성은 다음과 같이 정의할 수 있습니다.
콜백 및 고유 식별자 사용
워크플로 개념에 익숙하다면 다음에도 익숙할 수 있습니다. 콜백. 워크플로 내의 콜백은 워크플로 내에서 특정 조건이 충족될 때 실행되는 독립적인 코드 조각입니다. 콜백은 워크플로를 차단하거나 차단하지 않을 수 있습니다. LangChain 체인은 본질적으로 LLM을 위한 워크플로우입니다. AmazonComprehendModerationChain
자신만의 콜백 함수를 정의할 수 있습니다. 처음에는 구현이 비동기(비차단) 콜백 함수로만 제한됩니다.
이는 중재 체인과 함께 콜백을 사용하는 경우 이를 차단하지 않고 체인 실행과 독립적으로 실행된다는 것을 효과적으로 의미합니다. 중재 체인의 경우 각 중재가 실행된 후 체인과 관계없이 비즈니스 논리를 사용하여 코드 조각을 실행할 수 있는 옵션이 제공됩니다.
선택적으로 임의의 고유 식별자 문자열을 생성할 수도 있습니다. AmazonComprehendModerationChain
나중에 로깅 및 분석을 활성화합니다. 예를 들어, LLM이 제공하는 챗봇을 운영하는 경우 지속적으로 폭력을 행사하거나 의도적으로 또는 무의식적으로 개인 정보를 노출하는 사용자를 추적할 수 있습니다. 이러한 경우 해당 메시지의 출처를 추적하고 데이터베이스에 저장하거나 추가 조치를 위해 적절하게 기록하는 것이 필요합니다. 사용자 이름이나 이메일, 프롬프트를 생성하는 애플리케이션 이름 등 사용자를 명확하게 식별하는 고유 ID를 전달할 수 있습니다.
콜백과 고유 식별자의 조합은 유지 관리가 더 쉬운 적은 코드로 훨씬 더 응집력 있는 방식으로 사용 사례에 맞는 조정 체인을 구현할 수 있는 강력한 방법을 제공합니다. 콜백 핸들러는 다음을 통해 사용할 수 있습니다. BaseModerationCallbackHandler
, 사용 가능한 세 가지 콜백 포함: on_after_pii()
, on_after_toxicity()
및 on_after_prompt_safety()
. 이러한 콜백 함수 각각은 체인 내에서 해당 조정 확인이 수행된 후 비동기적으로 호출됩니다. 이러한 함수는 두 가지 기본 매개변수도 받습니다.
- 중재_표지 – 중재가 수행된 텍스트, Amazon Comprehend API의 전체 JSON 출력, 중재 유형, 제공된 레이블(구성에서)이 텍스트 내에서 발견되었는지 여부 등의 세부 정보가 포함된 사전
- 고유 ID – 인스턴스를 초기화하는 동안 할당한 고유 ID입니다.
AmazonComprehendModerationChain
.
다음은 콜백을 사용한 구현의 작동 방식에 대한 예입니다. 이 경우 PII 확인이 수행된 후 체인이 실행되기를 원하는 단일 콜백을 정의했습니다.
그런 다음 my_callback
중재 체인을 초기화하는 동안 객체를 생성하고 또한 전달합니다. unique_id
. 구성 유무에 관계없이 콜백과 고유 식별자를 사용할 수 있습니다. 서브클래스를 할 때 BaseModerationCallbackHandler
, 사용하려는 필터에 따라 콜백 메서드 중 하나 또는 모두를 구현해야 합니다. 간결하게 하기 위해 다음 예제에서는 콜백을 사용하는 방법을 보여줍니다. unique_id
아무런 구성 없이:
다음 다이어그램에서는 콜백 및 고유 식별자가 포함된 중재 체인이 작동하는 방식을 설명합니다. 특히 우리는 moderation_beacon
그리고 unique_id
통과되었습니다(이 경우 사용자의 이메일).
다음에서 파이썬 노트북, 우리는 호스팅되는 LLM과 같은 다양한 LLM을 통해 중재 체인을 구성하고 사용할 수 있는 몇 가지 방법을 정리했습니다. Amazon SageMaker 점프스타트 그리고 호스팅된 곳 허깅 페이스 허브. 앞서 논의한 샘플 채팅 애플리케이션도 포함되어 있습니다. 파이썬 노트북.
결론
대규모 언어 모델과 생성적 AI의 혁신적인 잠재력은 부인할 수 없습니다. 그러나 책임 있고 윤리적인 사용은 신뢰와 안전 문제를 해결하는 데 달려 있습니다. 문제를 인식하고 위험을 완화하기 위한 조치를 적극적으로 구현함으로써 개발자, 조직 및 사회는 이러한 기술의 이점을 활용하는 동시에 성공적인 통합을 뒷받침하는 신뢰와 안전을 유지할 수 있습니다. Amazon Comprehend ContentModerationChain을 사용하면 LangChain에 구현된 RAG(Retrieval Augmented Generation) 워크플로를 포함하여 모든 LLM 워크플로에 신뢰 및 안전 기능을 추가할 수 있습니다.
LangChain 및 Amazon Kendra의 매우 정확한 ML(기계 학습) 기반 솔루션을 사용하여 RAG 기반 솔루션을 구축하는 방법에 대한 정보 지능형 검색, 보다 - Amazon Kendra, LangChain 및 대규모 언어 모델을 사용하여 엔터프라이즈 데이터에서 고정확도의 Generative AI 애플리케이션을 신속하게 구축. 다음 단계로 다음을 참조하세요. 코드 샘플 우리는 LangChain과 함께 Amazon Comprehend 조정을 사용하기 위해 만들었습니다. Amazon Comprehend 중재 체인 API에 대한 전체 문서는 LangChain을 참조하세요. API 문서.
저자 소개
릭 탈룩다르 Amazon Comprehend Service 팀의 수석 설계자입니다. 그는 AWS 고객과 협력하여 그들이 대규모로 기계 학습을 채택하도록 돕습니다. 업무 외에는 독서와 사진 촬영을 즐깁니다.
안잔 비스와스 AI/ML 및 데이터 분석에 중점을 둔 선임 AI 서비스 솔루션 설계자입니다. Anjan은 전 세계 AI 서비스 팀의 일원이며 고객과 협력하여 고객이 AI 및 ML을 통해 비즈니스 문제에 대한 솔루션을 이해하고 개발하도록 돕습니다. Anjan은 글로벌 공급망, 제조 및 소매 조직에서 14년 이상 일한 경험이 있으며 고객이 AWS AI 서비스를 시작하고 확장할 수 있도록 적극적으로 돕고 있습니다.
니킬 자 Amazon Web Services의 수석 기술 계정 관리자입니다. 그의 초점 영역에는 AI/ML 및 분석이 포함됩니다. 여가 시간에는 딸과 함께 배드민턴을 치거나 야외 활동을 즐깁니다.
친 레인 Amazon Web Services의 AI/ML 전문가 솔루션 아키텍트입니다. 그녀는 응용 수학 및 기계 학습에 열정적입니다. 그녀는 AWS 고객을 위한 지능형 문서 처리 솔루션 설계에 중점을 두고 있습니다. 일 외에는 살사와 바차타 댄스를 즐깁니다.
- SEO 기반 콘텐츠 및 PR 배포. 오늘 증폭하십시오.
- PlatoData.Network 수직 생성 Ai. 자신에게 권한을 부여하십시오. 여기에서 액세스하십시오.
- PlatoAiStream. 웹3 인텔리전스. 지식 증폭. 여기에서 액세스하십시오.
- 플라톤ESG. 탄소, 클린테크, 에너지, 환경, 태양광, 폐기물 관리. 여기에서 액세스하십시오.
- PlatoHealth. 생명 공학 및 임상 시험 인텔리전스. 여기에서 액세스하십시오.
- 출처: https://aws.amazon.com/blogs/machine-learning/build-trust-and-safety-for-generative-ai-applications-with-amazon-comprehend-and-langchain/
- :있다
- :이다
- :아니
- :어디
- $UP
- 1
- 100
- 11
- 12
- 14
- 15%
- 17
- 19
- 500
- 7
- 8
- 9
- a
- 능력
- 능력
- 소개
- 남용
- ACCESS
- 계정
- 정확한
- 달성하다
- 가로질러
- 동작
- 행위
- 활발히
- 더하다
- 주소
- 구애
- 주소 지정
- 가입 한
- 채택
- 양자
- 조언
- 후
- 나이
- AI
- AI 서비스
- AI 시스템
- AI / ML
- All
- 수
- 허용
- 수
- 이미
- 또한
- 전부
- 아마존
- 아마존 이해
- 아마존 켄드라
- Amazon Web Services
- 금액
- an
- 분석
- 복수
- 및
- 발표
- 답변
- 어떤
- API를
- API
- 응용할 수 있는
- 어플리케이션
- 어플리케이션
- 적용된
- 적용하다
- 신청
- 적당한
- 적절하게
- 있군요
- 지역
- AS
- 문의
- 질문
- 측면
- 할당 된
- 비서
- 관련
- At
- 증가하다
- 증강 된
- 가능
- AWS
- 뒷받침 된
- 나쁜
- 기지
- 기반으로
- BE
- 때문에
- 가
- 된다
- 행동
- 존재
- 신념
- 혜택
- 사이에
- 그 너머
- 블록
- 블로킹
- 두
- 경계
- 더 넓은
- 빌드
- 신뢰를 쌓다
- 건물
- 내장
- 사업
- 사업
- 비자 면제 프로그램에 해당하는 국가의 시민권을 가지고 있지만
- by
- 전화
- 콜백
- 라는
- CAN
- 기능
- 능력
- 수
- 자본
- 카드
- 케이스
- 가지 경우
- 잡아라
- 어떤
- 체인
- 쇠사슬
- 과제
- 문자
- 채팅 봇
- 잡담
- 검사
- 확인
- 확인하는 것이 좋다.
- 턱
- 선택
- 수업
- 수업
- 분류
- 분류 한
- 분류
- 클라이언트
- 암호
- 결합력 있는
- COM
- 결합
- 결합 된
- 본문
- 공통의
- 복잡한
- 구성 요소들
- 이해하다
- 개념
- 관심
- 우려 사항
- 조건
- 자신
- 구성
- 연속적인
- 일관되게
- 이 포함되어 있습니다
- 함유량
- 컨텐츠 생성
- 제어
- 논쟁의
- 핵심
- 만든
- 만들기
- 창조적 인
- 신용
- 크레디트 카드
- 임계
- 결정적인
- 관습
- 고객
- 고객센터
- 고객
- 맞춤형
- 사용자 정의
- 매일
- 댄스
- 데이터
- 데이터 분석
- 데이터 프라이버시
- 데이터베이스
- 데이터 세트
- 결정
- 깊이
- 태만
- 밝히다
- 한정된
- 동굴
- 보여
- 보여줍니다
- 의존
- 설계
- 원하는
- 세부설명
- 검색
- 탐지 된
- Detection System
- 결정
- 개발
- 개발자
- 개발
- 다른
- 디지털
- 토론
- 논의 된
- 뚜렷하게
- 잠수
- do
- 문서
- 선적 서류 비치
- 서류
- 암사슴
- 아래 (down)
- 두
- e
- 마다
- 이전
- 쉽게
- 효과적으로
- 힘들이지 않은
- 중
- 그렇지 않으면
- 이메일
- 가능
- end
- 끝없는
- 확인
- 보장
- Enterprise
- 엔티티
- 실재
- 환경
- 같은
- 균일하게
- 오류
- 에센스
- 필수
- 본질적으로
- 윤리적인
- 예
- 예
- 외
- 예외
- 현존하는
- 경험
- 체험
- 설명
- 설명
- 설명
- 명시 적으로
- 탐색
- 급행
- 확장하다
- 추출물
- 페이스메이크업
- 익숙한
- 특색
- 특징
- 를
- 입양 부모로서의 귀하의 적합성을 결정하기 위해 미국 이민국에
- 필터링
- 필터링
- 필터
- 금융
- Find
- finds
- 먼저,
- 신고 된
- 플래그
- 융통성있는
- 흐름
- 초점
- 집중
- 집중
- 수행원
- 다음
- 럭셔리
- 형태
- 체재
- 양식
- 포럼
- 발견
- 뼈대
- 프랑스
- 에
- 가득 찬
- 기능
- 추가
- 생성
- 생성
- 생성
- 세대
- 생성적인
- 제너레이티브 AI
- 얻을
- 지프
- 주기
- 주어진
- 제공
- 글로벌
- 골
- 간다
- 가는
- 좋은
- 큰
- 성장
- 성장
- 지도
- 처리
- 발생
- 해로운
- 마구
- 미워
- 있다
- 데
- he
- 도움
- 도움이
- 도움이
- 고도로
- 경첩
- 그의
- 호스팅
- 방법
- How To
- 그러나
- HTML
- HTTPS
- 허브
- 사람의
- 인간다운
- i
- ID
- 식별
- 식별자
- 식별자
- 식별하다
- 확인
- 식별
- if
- 불법
- 설명하다
- 영상
- 영향
- 구현
- 이행
- 구현
- 구현
- import
- 중요성
- 중대한
- in
- 실수
- 포함
- 포함
- 포함
- 포함
- 증가
- 증가
- 더욱 더
- 독립
- 독립하여
- 산업
- 영향
- 정보
- 처음에는
- 입력
- 입력
- 문의
- 예
- 통합 된
- 완성
- 지능형
- 지능형 문서 처리
- 의도
- 의지
- 관심있는
- 인터페이스
- 중단 된
- 으로
- 소개
- IT
- 그
- 요한 복음
- 존 데
- JPG
- JSON
- 다만
- 레이블
- 언어
- 넓은
- 후에
- 배우기
- 왼쪽 (left)
- 이용약관
- 적게
- 처럼
- 있을 수 있는 일
- 제한된
- 명부
- 작은
- 조금 더 깊은
- LLM
- 기록
- 로깅
- 논리
- 찾고
- 기계
- 기계 학습
- 유지하다
- 제작
- 매니저
- 태도
- 제조
- 마스크
- 수학
- 문제
- XNUMX월..
- me
- 방법
- 조치들
- 기구
- 미디어
- 의료
- 합병
- 만나
- 방법
- 오용
- 완화
- 혼성
- ML
- 모델
- 모델
- 절도
- 모듈러
- 배우기
- 많은
- 절대로 필요한 것
- my
- name
- 즉
- 이름
- 자연의
- 자연 언어 처리
- 필요한
- 신제품
- 새로운 기능
- 다음 것
- nlp
- 아니
- 지금
- 번호
- 숫자
- 다수의
- 대상
- of
- 공격
- 제공
- 오프셋
- on
- ONE
- 만
- 열 수
- 오픈 소스
- 운영
- 운영
- 옵션
- or
- 주문
- 조직
- 출발지
- 기타
- 그렇지 않으면
- 우리의
- 아웃
- 결과
- 야외에서
- 출력
- 출력
- 외부
- 위에
- 자신의
- 매개 변수
- 매개 변수
- 최고의
- 부품
- 특별히
- 패스
- 합격
- 열렬한
- 비밀번호
- 비밀번호 초기화
- 무늬
- 수행
- 수행
- 수행하다
- 혹시
- 확인
- 몸소
- 전화
- 사진술
- 조각
- 개
- 플랫폼
- 플라톤
- 플라톤 데이터 인텔리전스
- 플라토데이터
- 연주
- 정치
- 인기 문서
- 위치
- 긍정적인
- 가능성
- 가능한
- 게시하다
- 가능성
- 잠재적으로
- 힘
- powered
- 강한
- 보존
- 방지
- 주로
- 일차
- 원칙
- 우선 순위
- 개인 정보 보호
- 사설
- 개인 정보
- 문제
- 절차
- 방법
- 처리
- 깊은
- 진행
- 정확히
- 보호
- 제공
- 제공
- Python
- 문제
- 모집
- 범위
- 범위
- 빠른
- 차라리
- 에 도달
- 읽기
- 왕국
- 받다
- 인식하는
- 감소
- 감소
- 참조
- 지방
- 규정하는
- 관련된
- 신뢰할 수있는
- 평판
- 의뢰
- 요구조건 니즈
- 의지
- 그
- 응답
- 응답
- 책임
- 책임
- 제한
- 소매
- 반품
- 연락해주세요
- 위험
- 위험
- 달리기
- s
- 가장 안전한 따뜻함
- 안전
- 현자
- 같은
- 규모
- 장면
- 점수
- 원활한
- 섹션
- 섹션
- 보안
- 참조
- 찾으라
- 본인
- 연장자
- 민감한
- 전송
- 문장
- 순서
- 서비스
- 서비스
- 세트
- 그녀
- 영상을
- 표시
- 소개
- 표시
- 쇼
- 신호
- 비슷하게
- 단순, 간단, 편리
- 단순화
- 단일
- 사이트
- 단편
- So
- 사회적
- 소셜 미디어
- 사회
- 솔루션
- 일부
- 무언가
- 출처
- 소스 코드
- 언어
- 전문가
- 구체적인
- 구체적으로
- 지정
- 연설
- 기준
- 스타트
- 시작
- 성명서
- 단계
- 중지
- 멎는
- 저장
- 끈
- 그후
- 성공한
- 이러한
- 공급
- 공급
- 공급망
- SUPPORT
- 지원
- 지속가능한
- 시스템은
- 받아
- 작업
- 팀
- 테크니컬
- 기술
- 이 템플릿
- 본문
- 보다
- 그
- XNUMXD덴탈의
- 수도
- 소스
- 그들의
- 그들
- 그때
- 그곳에.
- 그것에 의하여
- Bowman의
- 그들
- 이
- 위협
- 세
- 임계값
- 을 통하여
- 시간
- 에
- 검색을
- 선로
- 훈련 된
- 변형
- 믿어
- 시도
- 두
- 유형
- 유형
- 폭로하다
- 흠 잡을 데없는
- 지지하다
- 이해
- 이해
- 유일한
- 보편적 인
- 받치다
- 사용
- 유스 케이스
- 익숙한
- 사용자
- 사용자
- 사용
- 사용
- 활용
- 사용
- 가치 있는
- 가치
- 마케팅은:
- 종류
- 여러
- 거대한
- 버전
- 를 통해
- 온라인
- W
- 필요
- 였다
- 방법..
- 방법
- we
- 웹
- 웹 서비스
- 잘
- 했다
- 뭐
- 언제
- 이므로
- 여부
- 어느
- 동안
- 누구
- 모든
- why
- 넓은
- 넓은 범위
- 의지
- 소원
- 과
- 이내
- 없이
- 목도
- 작업
- 워크플로우
- 워크 플로우
- 일하는
- 일
- 쓰다
- 쓰기
- X
- 년
- 자신의
- 너의
- 제퍼 넷