Amazon SageMaker Ground Truth Plus helpt u bij het voorbereiden van trainingsdatasets van hoge kwaliteit door het ongedifferentieerde zware werk weg te nemen dat gepaard gaat met het bouwen van datalabelapplicaties en het beheren van het labelpersoneel. Het enige wat u doet is gegevens delen samen met de labelvereisten, en Ground Truth Plus stelt uw datalabelworkflow in en beheert deze op basis van deze vereisten. Van daaruit labelt een deskundig personeelsbestand dat is getraind in een verscheidenheid aan machine learning (ML)-taken uw gegevens. U hebt niet eens diepgaande ML-expertise of kennis van workflowontwerp en kwaliteitsbeheer nodig om Ground Truth Plus te gebruiken. Nu bedient Ground Truth Plus klanten die datalabeling en menselijke feedback nodig hebben voor het verfijnen van basismodellen voor generatieve AI-toepassingen.
In dit bericht leer je over recente ontwikkelingen in menselijke feedback voor generatieve AI die beschikbaar is via SageMaker Ground Truth Plus. Dit omvat nieuwe workflows en gebruikersinterfaces (UI's) die beschikbaar zijn voor het voorbereiden van demonstratiedatasets die worden gebruikt bij verfijnde afstemming onder toezicht, het verzamelen van hoogwaardige menselijke feedback om voorkeursdatasets te maken voor het afstemmen van generatieve AI-basismodellen op menselijke voorkeuren, evenals het aanpassen van modellen aan applicatiebouwers ' vereisten voor stijl, inhoud en stem.
Uitdagingen bij het aan de slag gaan met generatieve AI
Generatieve AI-toepassingen over de hele wereld omvatten zowel single-mode als multimodale basismodellen om veel verschillende gebruiksscenario's op te lossen. Veel voorkomende daarvan zijn chatbots, beeldgeneratoren en videogeneratoren. Grote taalmodellen (LLM's) worden gebruikt in chatbots voor creatieve bezigheden, academische en persoonlijke assistenten, business intelligence-tools en productiviteitstools. U kunt tekst-naar-afbeelding-modellen gebruiken om abstracte of realistische AI-kunst- en marketingmiddelen te genereren. Tekst-naar-video-modellen worden gebruikt om video's te genereren voor kunstprojecten, zeer aantrekkelijke advertenties, de ontwikkeling van videogames en zelfs filmontwikkeling.
Twee van de belangrijkste problemen die moeten worden opgelost voor zowel modelproducenten die basismodellen maken als applicatiebouwers die bestaande generatieve basismodellen gebruiken om hun eigen tools en applicaties te bouwen, zijn:
- Het verfijnen van deze funderingsmodellen om specifieke taken uit te kunnen voeren
- Door ze af te stemmen op menselijke voorkeuren om ervoor te zorgen dat ze nuttige, nauwkeurige en onschadelijke informatie opleveren
Basismodellen zijn doorgaans vooraf getraind op grote corpora van ongelabelde gegevens en presteren daarom niet goed bij het volgen van natuurlijke taalinstructies. Voor een LLM betekent dit dat ze weliswaar in staat zijn om taal in het algemeen te ontleden en te genereren, maar dat ze mogelijk niet in staat zijn om vragen coherent te beantwoorden of tekst samen te vatten tot de door de gebruiker vereiste kwaliteit. Wanneer een gebruiker bijvoorbeeld om een โโsamenvatting van een tekst in een prompt vraagt, kan een model dat niet nauwkeurig is afgestemd op het samenvatten van tekst, de prompttekst gewoon terugreciteren aan de gebruiker of reageren met iets dat niet relevant is. Als een gebruiker een vraag stelt over een onderwerp, kan het antwoord van een model eenvoudigweg een recitatie van de vraag zijn. Voor multimodale modellen, zoals tekst-naar-afbeelding- of tekst-naar-video-modellen, kunnen de modellen inhoud uitvoeren die geen verband houdt met de prompt. Als een grafisch ontwerper van een bedrijf bijvoorbeeld een tekst-naar-afbeelding-model vraagt โโom een โโnieuw logo of een afbeelding voor een advertentie te maken, genereert het model mogelijk geen relevante afbeelding gerelateerd aan de prompt als het alleen een algemeen concept van een afbeelding heeft. en elementen van een afbeelding. In sommige gevallen kan een model een schadelijke afbeelding of video weergeven, waardoor het vertrouwen van de gebruiker of de reputatie van het bedrijf in gevaar komt.
Zelfs als modellen zijn afgestemd op het uitvoeren van specifieke taken, zijn ze mogelijk niet afgestemd op menselijke voorkeuren met betrekking tot de betekenis, stijl of inhoud van hun outputinhoud. In een LLM kan dit zich manifesteren als onnauwkeurige of zelfs schadelijke inhoud die door het model wordt gegenereerd. Een model dat niet is afgestemd op de menselijke voorkeuren door middel van fijnafstemming, kan bijvoorbeeld gevaarlijke, onethische of zelfs illegale instructies geven wanneer daarom wordt gevraagd door een gebruiker. Er zal geen zorg zijn besteed aan het beperken van de inhoud die door het model wordt gegenereerd om ervoor te zorgen dat deze is afgestemd op menselijke voorkeuren om accuraat, relevant en nuttig te zijn. Deze verkeerde afstemming kan een probleem zijn voor bedrijven die voor hun toepassingen afhankelijk zijn van generatieve AI-modellen, zoals chatbots en het maken van multimedia. Voor multimodale modellen kan dit de vorm aannemen van het genereren van giftige, gevaarlijke of beledigende afbeeldingen of video's. Dit is een risico als er prompts in het model worden ingevoerd zonder de bedoeling om gevoelige inhoud te genereren, en ook als de modelproducent of applicatiebouwer niet de bedoeling had gehad om het model dat soort inhoud te laten genereren, maar deze toch werd gegenereerd.
Om de problemen van taakspecifieke capaciteiten op te lossen en generatieve basismodellen op รฉรฉn lijn te brengen met menselijke voorkeuren, moeten modelproducenten en applicatiebouwers de modellen verfijnen met gegevens met behulp van mensgerichte demonstraties en menselijke feedback van modeluitvoer.
Gegevens en trainingstypen
Er zijn verschillende soorten methoden voor fijnafstemming met verschillende soorten gelabelde gegevens die worden gecategoriseerd als instructie-afstemming โ of een model leren hoe instructies te volgen. Daartoe behoren onder meer supervisie-fine-tuning (SFT) met behulp van demonstratiegegevens, en versterkend leren van menselijke feedback (RLHF) met behulp van voorkeursgegevens.
Demonstratiegegevens voor gecontroleerde afstemming
Om basismodellen te verfijnen om specifieke taken uit te voeren, zoals het beantwoorden van vragen of het samenvatten van tekst met hoge kwaliteit, ondergaan de modellen SFT met demonstratiegegevens. Het doel van demonstratiegegevens is om het model te begeleiden door het te voorzien van gelabelde voorbeelden (demonstraties) van voltooide taken die door mensen worden uitgevoerd. Om een โโLLM bijvoorbeeld te leren hoe hij vragen moet beantwoorden, zal een menselijke annotator een gelabelde dataset van door mensen gegenereerde vraag- en antwoordparen creรซren om aan te tonen hoe een vraag-en-antwoord-interactie taalkundig werkt en wat de inhoud semantisch betekent. Dit soort SFT traint het model om gedragspatronen te herkennen die door mensen worden gedemonstreerd in de demonstratietrainingsgegevens. Modelproducenten moeten dit soort verfijning uitvoeren om aan te tonen dat hun modellen in staat zijn dergelijke taken uit te voeren voor downstream adopters. Applicatiebouwers die bestaande basismodellen gebruiken voor hun generatieve AI-applicaties moeten mogelijk hun modellen verfijnen met demonstratiegegevens over deze taken met branchespecifieke of bedrijfsspecifieke gegevens om de relevantie en nauwkeurigheid van hun applicaties te verbeteren.
Voorkeursgegevens voor instructieafstemming zoals RLHF
Om basismodellen verder af te stemmen op menselijke voorkeuren, moeten modelproducenten โ en vooral applicatiebouwers โ voorkeursdatasets genereren om instructieafstemming uit te voeren. Voorkeursgegevens in de context van het afstemmen van instructies worden gegevens genoemd die menselijke feedback vastleggen met betrekking tot een reeks opties die worden voortgebracht door een generatief basismodel. Het omvat doorgaans het beoordelen of rangschikken van verschillende gevolgtrekkingen, of het paarsgewijze vergelijken van twee gevolgtrekkingen uit een basismodel op basis van een specifiek kenmerk. Voor LLM's kunnen deze kenmerken behulpzaamheid, nauwkeurigheid en onschadelijkheid zijn. Voor tekst-naar-afbeelding-modellen kan het een esthetische kwaliteit of tekst-afbeelding-uitlijning zijn. Deze voorkeursgegevens op basis van menselijke feedback kunnen vervolgens worden gebruikt in verschillende methoden voor het afstemmen van instructies, waaronder RLHF, om een โโmodel verder te verfijnen zodat het aansluit bij menselijke voorkeuren.
Het afstemmen van instructies met behulp van voorkeursgegevens speelt een cruciale rol bij het verbeteren van de personalisatie en effectiviteit van basismodellen. Dit is een belangrijke stap bij het bouwen van aangepaste applicaties bovenop vooraf getrainde basismodellen en is een krachtige methode om ervoor te zorgen dat modellen nuttige, nauwkeurige en onschadelijke inhoud genereren. Een veelvoorkomend voorbeeld van het afstemmen van instructies is het instrueren van een chatbot om drie antwoorden op een vraag te genereren, en deze door een mens te laten lezen en ze alle drie te laten rangschikken op basis van een bepaalde dimensie, zoals toxiciteit, feitelijke nauwkeurigheid of leesbaarheid. Een bedrijf kan bijvoorbeeld een chatbot gebruiken voor zijn marketingafdeling en wil er zeker van zijn dat de inhoud aansluit bij de merkboodschap, geen vooroordelen vertoont en duidelijk leesbaar is. Het bedrijf zou de chatbot tijdens het afstemmen van de instructies vragen om drie voorbeelden te produceren, en hun interne experts de voorbeelden laten selecteren die het beste bij hun doel aansluiten. In de loop van de tijd bouwen ze een dataset op die wordt gebruikt om het model te leren welke stijl van inhoud mensen verkiezen door middel van versterkend leren. Hierdoor kan de chatbotapplicatie relevantere, leesbare en veilige inhoud weergeven.
SageMaker Grondwaarheid Plus
Ground Truth Plus helpt u beide uitdagingen aan te gaan: het genereren van demonstratiedatasets met taakspecifieke mogelijkheden, evenals het verzamelen van voorkeursdatasets op basis van menselijke feedback om modellen af โโte stemmen op menselijke voorkeuren. U kunt projecten aanvragen voor LLM's en multimodale modellen zoals tekst-naar-afbeelding en tekst-naar-video. Voor LLM's omvatten de belangrijkste demonstratiedatasets het genereren van vragen en antwoorden (Q&A), het samenvatten van teksten, het genereren van tekst en het herwerken van tekst met het oog op inhoudsmoderatie, stijlverandering of lengteverandering. Belangrijke LLM-voorkeursdatasets omvatten het rangschikken en classificeren van tekstuitvoer. Voor multimodale modellen omvatten de belangrijkste taaktypen het ondertitelen van afbeeldingen of video's, evenals het loggen van tijdstempels van gebeurtenissen in video's. Daarom kan Ground Truth Plus zowel modelproducenten als applicatiebouwers helpen op hun generatieve AI-reis.
In dit bericht duiken we dieper in op het menselijke annotator- en feedbacktraject in vier cases die zowel demonstratiegegevens als voorkeursgegevens voor zowel LLM's als multimodale modellen bestrijken: het genereren van vraag- en antwoordparen en het rangschikken van tekst voor LLM's, evenals het ondertitelen van afbeeldingen en video-ondertiteling voor multimodale modellen.
Grote taalmodellen
In deze sectie bespreken we vraag- en antwoordparen en tekstrangschikking voor LLM's, samen met de aanpassingen die u mogelijk voor uw gebruik nodig heeft.
Vraag- en antwoordparen
De volgende schermafbeelding toont een labelinterface waarin een menselijke annotator een tekstpassage leest en zowel vragen als antwoorden genereert tijdens het bouwen van een vraag- en antwoorddemonstratiedataset.
Laten we een rondleiding door de gebruikersinterface maken in de schoenen van de annotator. Aan de linkerkant van de gebruikersinterface worden de specifieke instructies van de taakaanvrager aan de annotator gepresenteerd. In dit geval wordt van de annotator verwacht dat hij de tekstpassage in het midden van de gebruikersinterface leest en op basis van de tekst vragen en antwoorden maakt. Aan de rechterkant worden de vragen en antwoorden weergegeven die de annotator heeft geschreven. De tekstpassage, het type, de lengte en het aantal vragen en antwoorden kunnen allemaal door de opdrachtaanvrager worden aangepast tijdens de projectopzet met het Ground Truth Plus-team. In dit geval heeft de annotator een vraag gemaakt die vereist dat hij de hele tekstpassage begrijpt om te kunnen beantwoorden, en is gemarkeerd met een Verwijst naar de hele passage selectievakje. De andere twee vragen en antwoorden zijn gebaseerd op specifieke delen van de tekstpassage, zoals blijkt uit de annotatormarkeringen met kleurgecodeerde overeenkomsten. Optioneel kunt u verzoeken dat vragen en antwoorden worden gegenereerd zonder een voorziene tekstpassage, en kunt u andere richtlijnen geven voor menselijke annotators. Dit wordt ook ondersteund door Ground Truth Plus.
Nadat de vragen en antwoorden zijn ingediend, kunnen ze doorstromen naar een optionele workflow voor kwaliteitscontrole, waar andere menselijke reviewers zullen bevestigen dat door de klant gedefinieerde distributie en soorten vragen en antwoorden zijn gecreรซerd. Als er een discrepantie bestaat tussen de eisen van de klant en wat de menselijke annotator heeft geproduceerd, wordt het werk teruggestuurd naar een mens voor herbewerking voordat het wordt geรซxporteerd als onderdeel van de dataset om aan de klant te leveren. Wanneer de dataset aan u wordt teruggeleverd, is deze klaar om naar eigen goeddunken te worden opgenomen in de bewaakte workflow voor fijnafstemming.
Tekstrangschikking
De volgende schermafbeelding toont een gebruikersinterface voor het rangschikken van de uitvoer van een LLM op basis van een prompt.
U kunt eenvoudigweg de instructies voor de menselijke recensent schrijven en aanwijzingen en vooraf gegenereerde antwoorden naar het Ground Truth Plus-projectteam brengen om met de klus te beginnen. In dit geval hebben we een menselijke recensent gevraagd om drie reacties per prompt van een LLM te beoordelen op de dimensie van schrijfhelderheid (leesbaarheid). Ook hier worden in het linkerdeelvenster de instructies weergegeven die door de werkaanvrager aan de revisor zijn gegeven. In het midden staat de prompt bovenaan de pagina en de drie vooraf gegenereerde antwoorden vormen de hoofdtekst voor gebruiksgemak. Aan de rechterkant van de gebruikersinterface rangschikt de menselijke recensent ze in volgorde van meest naar minst duidelijk geschreven.
Klanten die dit soort voorkeursdatasets willen genereren, zijn onder meer applicatiebouwers die geรฏnteresseerd zijn in het bouwen van mensachtige chatbots, en daarom de instructies willen aanpassen voor hun eigen gebruik. De lengte van de prompt, het aantal reacties en de rangschikkingsdimensie kunnen allemaal worden aangepast. U wilt bijvoorbeeld vijf antwoorden rangschikken van meest naar minst feitelijk accuraat, bevooroordeeld of giftig, of zelfs meerdere dimensies tegelijk rangschikken en classificeren. Deze aanpassingen worden ondersteund in Ground Truth Plus.
Multimodale modellen
In deze sectie bespreken we de ondertiteling van afbeeldingen en video's voor het trainen van multimodale modellen, zoals tekst-naar-afbeelding- en tekst-naar-video-modellen, evenals de aanpassingen die u mogelijk wilt maken voor uw specifieke gebruikssituatie.
Afbeelding bijschrift
De volgende schermafbeelding toont een label-UI voor ondertiteling van afbeeldingen. U kunt een project met afbeeldingsbijschriften aanvragen om gegevens te verzamelen om een โโtekst-naar-afbeelding-model of een afbeelding-naar-tekst-model te trainen.
In dit geval hebben we gevraagd om een โโtekst-naar-beeld-model te trainen en hebben we specifieke eisen gesteld aan het onderschrift qua lengte en detail. De gebruikersinterface is ontworpen om de menselijke annotators door het cognitieve proces van het genereren van rijke bijschriften te leiden door een mentaal raamwerk te bieden via ondersteunende en beschrijvende hulpmiddelen. We hebben ontdekt dat het bieden van dit mentale raamwerk voor annotators resulteert in beschrijvendere en nauwkeurigere bijschriften dan alleen het aanbieden van een bewerkbaar tekstvak.
De eerste stap in het raamwerk is dat de menselijke annotator sleutelobjecten in de afbeelding identificeert. Wanneer de annotator een object in de afbeelding kiest, verschijnt er een kleurgecodeerde stip op het object. In dit geval heeft de annotator zowel de hond als de kat gekozen, waardoor aan de rechterkant van de gebruikersinterface twee bewerkbare velden zijn gemaakt waarin de annotator de namen van de objecten (kat en hond) invoert, samen met een gedetailleerde beschrijving van elk object. Vervolgens wordt de annotator begeleid bij het identificeren van alle relaties tussen alle objecten in de afbeelding. In dit geval ligt de kat ontspannen naast de hond. Vervolgens wordt de annotator gevraagd specifieke kenmerken van de afbeelding te identificeren, zoals de setting, achtergrond of omgeving. Ten slotte krijgt de annotator in het invoertekstvak voor bijschriften de opdracht om alles wat hij in de objecten, relaties en afbeeldingsinstellingsvelden heeft geschreven te combineren in รฉรฉn volledig beschrijvend bijschrift van de afbeelding.
Optioneel kunt u dit bijschrift configureren zodat het door een op mensen gebaseerde kwaliteitscontrole wordt geleid met specifieke instructies om ervoor te zorgen dat het bijschrift aan de vereisten voldoet. Als er een probleem is geรฏdentificeerd, zoals een ontbrekend sleutelobject, kan dat bijschrift worden teruggestuurd zodat een mens het probleem kan corrigeren voordat het wordt geรซxporteerd als onderdeel van de trainingsgegevensset.
Video-ondertiteling
De volgende schermafbeelding toont een gebruikersinterface voor video-ondertiteling om rijke video-ondertitels met tijdstempeltags te genereren. U kunt een video-ondertitelingsproject aanvragen om gegevens te verzamelen om tekst-naar-video- of video-naar-tekst-modellen te bouwen.
In deze gebruikersinterface voor labelen hebben we een soortgelijk mentaal raamwerk gebouwd om ervoor te zorgen dat bijschriften van hoge kwaliteit worden geschreven. De menselijke annotator kan de video aan de linkerkant besturen en beschrijvingen en tijdstempels maken voor elke activiteit die in de video aan de rechterkant wordt weergegeven met de UI-elementen. Net als bij de gebruikersinterface voor ondertiteling van afbeeldingen, is er ook een plek waar de annotator een gedetailleerde beschrijving van de video-instelling, achtergrond en omgeving kan schrijven. Ten slotte krijgt de annotator de opdracht om alle elementen te combineren tot een samenhangend videobijschrift.
Net als bij de afbeeldingsbijschriften kunnen de videobijschriften optioneel door een op mensen gebaseerde kwaliteitscontroleworkflow lopen om te bepalen of aan uw vereisten wordt voldaan. Als er een probleem is met de video-ondertiteling, wordt deze ter herbewerking verzonden naar het personeel van de menselijke annotator.
Conclusie
Ground Truth Plus kan u helpen bij het voorbereiden van hoogwaardige datasets om basismodellen voor generatieve AI-taken te verfijnen, van het beantwoorden van vragen tot het genereren van afbeeldingen en video's. Het biedt geschoolde menselijke arbeidskrachten ook de mogelijkheid om de output van modellen te beoordelen om er zeker van te zijn dat deze aansluiten bij de menselijke voorkeuren. Bovendien stelt het applicatiebouwers in staat modellen aan te passen met behulp van hun sector- of bedrijfsgegevens om ervoor te zorgen dat hun applicatie hun voorkeursstem en -stijl vertegenwoordigt. Dit zijn de eerste van vele innovaties in Ground Truth Plus, en er zijn er nog meer in ontwikkeling. Houd ons in de gaten voor toekomstige berichten.
Geรฏnteresseerd in het starten van een project om uw generatieve AI-modellen en -toepassingen te bouwen of te verbeteren? Ga aan de slag met Ground Truth Plus door verbinden met ons team <p></p>
Over de auteurs
Jesse Manders is een Senior Product Manager in het AWS AI/ML Human in the Loop Services-team. Hij werkt op het snijvlak van AI en menselijke interactie met als doel het creรซren en verbeteren van AI/ML-producten en -diensten om aan onze behoeften te voldoen. Voorheen bekleedde Jesse leidinggevende functies in engineering bij Apple en Lumileds, en was hij senior wetenschapper bij een startup in Silicon Valley. Hij heeft een MS en Ph.D. van de Universiteit van Florida, en een MBA van de Universiteit van Californiรซ, Berkeley, Haas School of Business.
Romi Datta is een Senior Manager Product Management in het Amazon SageMaker-team, verantwoordelijk voor Human in the Loop-services. Hij werkt al meer dan vier jaar bij AWS en bekleedt verschillende leiderschapsrollen op het gebied van productmanagement in SageMaker, S4 en IoT. Vรณรณr AWS werkte hij in verschillende productmanagement-, engineering- en operationele leiderschapsrollen bij IBM, Texas Instruments en Nvidia. Hij heeft een MS en Ph.D. in Electrical and Computer Engineering aan de Universiteit van Texas in Austin, en een MBA aan de Booth School of Business van de University of Chicago.
Jonathan Bok is een Software Engineer bij Amazon Web Services en werkt op het snijvlak van machine learning en gedistribueerde systemen. Zijn werk omvat het produceren van machine learning-modellen en het ontwikkelen van nieuwe softwaretoepassingen die worden aangedreven door machine learning om de nieuwste mogelijkheden in handen van klanten te krijgen.
Alex Williams is een toegepast wetenschapper in het human-in-the-loop wetenschapsteam van AWS AI, waar hij interactief systeemonderzoek uitvoert op het snijvlak van mens-computerinteractie (HCI) en machinaal leren. Voordat hij bij Amazon kwam, was hij professor aan de afdeling Elektrotechniek en Computerwetenschappen aan de Universiteit van Tennessee, waar hij mededirecteur was van het onderzoekslaboratorium People, Agents, Interactions, and Systems (PAIRS). Hij heeft ook onderzoeksfuncties bekleed bij Microsoft Research, Mozilla Research en de Universiteit van Oxford. Hij publiceert zijn werk regelmatig op vooraanstaande publicatielocaties voor HCI, zoals CHI, CSCW en UIST. Hij heeft een doctoraat behaald aan de Universiteit van Waterloo.
Sarah Gao is een Software Development Manager bij Amazon SageMaker Human In the Loop (HIL) verantwoordelijk voor het bouwen van het op ML gebaseerde labelplatform. Sarah werkt al meer dan vier jaar bij AWS en bekleedt verschillende leiderschapsrollen op het gebied van softwarebeheer in EC4-beveiliging en SageMaker. Vรณรณr AWS werkte ze in verschillende technische managementfuncties bij Oracle en Sun Microsystem.
Erran Li is manager toegepaste wetenschap bij human-in-the-loop services, AWS AI, Amazon. Zijn onderzoeksinteresses zijn 3D deep learning en het leren van visie en taalrepresentatie. Voorheen was hij senior wetenschapper bij Alexa AI, hoofd machine learning bij Scale AI en hoofdwetenschapper bij Pony.ai. Daarvoor werkte hij bij het perceptieteam bij Uber ATG en het machine learning platformteam bij Uber aan machine learning voor autonoom rijden, machine learning-systemen en strategische initiatieven van AI. Hij begon zijn carriรจre bij Bell Labs en was adjunct-professor aan Columbia University. Hij was mede-docent van tutorials bij ICML'17 en ICCV'19, en was mede-organisator van verschillende workshops bij NeurIPS, ICML, CVPR, ICCV over machine learning voor autonoom rijden, 3D vision en robotica, machine learning-systemen en vijandig machine learning. Hij heeft een doctoraat in computerwetenschappen aan de Cornell University. Hij is een ACM Fellow en IEEE Fellow.
- Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
- PlatoAiStream. Web3 gegevensintelligentie. Kennis versterkt. Toegang hier.
- De toekomst slaan met Adryenn Ashley. Toegang hier.
- Koop en verkoop aandelen in PRE-IPO-bedrijven met PREIPOยฎ. Toegang hier.
- Bron: https://aws.amazon.com/blogs/machine-learning/high-quality-human-feedback-for-your-generative-ai-applications-from-amazon-sagemaker-ground-truth-plus/
- : heeft
- :is
- :niet
- :waar
- $UP
- 100
- 3d
- 7
- a
- in staat
- Over
- SAMENVATTING
- academische
- Volgens
- nauwkeurigheid
- accuraat
- ACM
- activiteit
- Daarnaast
- adres
- adoptanten
- vooruitgang
- tegenstander
- advertentie
- weer
- agenten
- AI
- ai kunst
- AI / ML
- Alexa
- richten
- uitgelijnd
- opstelling
- Alles
- toelaten
- toestaat
- alleen
- langs
- ook
- Amazone
- Amazon Sage Maker
- Amazon SageMaker Grondwaarheid
- Amazon Web Services
- onder
- an
- en
- beantwoorden
- antwoorden
- komt naar voren
- Apple
- Aanvraag
- toepassingen
- toegepast
- ZIJN
- rond
- Kunst
- AS
- Activa
- assistenten
- geassocieerd
- At
- attributen
- austin
- autonoom
- Beschikbaar
- AWS
- terug
- achtergrond
- gebaseerde
- BE
- geweest
- vaardigheden
- wezen
- Fietsbel
- Berkeley
- tussen
- vooringenomen
- vooroordelen
- lichaam
- zowel
- Box camera's
- merk
- brengen
- bouw
- bouwer
- bouwers
- Gebouw
- bebouwd
- bedrijfsdeskundigen
- business intelligence
- maar
- by
- Californiรซ
- CAN
- mogelijkheden
- in staat
- bijschriften
- captures
- verzorging
- Carriรจre
- geval
- gevallen
- KAT
- Centreren
- verandering
- Chatbot
- chatbots
- controle
- chicago
- chef
- uitgekozen
- helderheid
- classificeren
- duidelijk
- duidelijk
- cognitieve
- SAMENHANGEND
- COLUMBIA
- combineren
- Gemeen
- Bedrijven
- afstand
- vergelijken
- compleet
- Voltooid
- computer
- Computertechniek
- Computer Science
- concept
- gedragingen
- vertrouwen
- Bevestigen
- content
- verband
- onder controle te houden
- cornell
- Bedrijfs-
- te corrigeren
- kon
- aan het bedekken
- en je merk te creรซren
- aangemaakt
- Wij creรซren
- het aanmaken
- Creatieve
- cruciaal
- gewoonte
- klant
- Klanten
- aan te passen
- aangepaste
- gevaarlijk
- gegevens
- datasets
- deep
- diepgaand leren
- diepere
- leveren
- geleverd
- tonen
- gedemonstreerd
- afdeling
- beschrijving
- Design
- ontworpen
- leesmaatjes
- detail
- gedetailleerd
- Bepalen
- het ontwikkelen van
- Ontwikkeling
- anders
- Afmeting
- Afmeting
- goeddunken
- bespreken
- verdeeld
- gedistribueerde systemen
- distributie
- do
- Nee
- Hond
- gedaan
- Dont
- DOT
- aandrijving
- gedurende
- elk
- gemak
- makkelijk te gebruiken
- effectiviteit
- geeft je de mogelijkheid
- maakt
- boeiende
- ingenieur
- Engineering
- verbeteren
- verzekeren
- Enter
- Geheel
- Milieu
- vooral
- Zelfs
- EVENTS
- voorbeeld
- voorbeelden
- tentoonstellen
- bestaand
- expert
- expertise
- deskundigen
- feedback
- kameraad
- Velden
- Film
- Tot slot
- Voornaam*
- Florida
- stroom
- volgen
- volgend
- Voor
- formulier
- gevonden
- Foundation
- vier
- Achtergrond
- oppompen van
- verder
- toekomst
- spel
- game-ontwikkeling
- GAO
- verzamelen
- verzameling
- Algemeen
- voortbrengen
- gegenereerde
- het genereren van
- generatie
- generatief
- generatieve AI
- generatoren
- krijgen
- het krijgen van
- gegeven
- doel
- Grafisch
- Ground
- gids
- richtlijnen
- HAD
- handen
- schadelijk
- Hebben
- HCl
- he
- hoofd
- zwaar
- zwaar tillen
- Held
- hulp
- nuttig
- helpt
- Hoge
- hoogwaardige
- highlights
- zeer
- zijn
- bezit
- houdt
- Hoe
- How To
- HTML
- HTTPS
- menselijk
- Mensen
- IBM
- geรฏdentificeerd
- identificeren
- IEEE
- if
- Onwettig
- beeld
- afbeeldingen
- belangrijk
- verbeteren
- het verbeteren van
- in
- onnauwkeurig
- omvatten
- omvat
- nemen
- -industrie
- branchespecifiek
- initiatieven
- innovaties
- invoer
- instructies
- instrumenten
- Intelligentie
- bestemde
- Bedoeling
- wisselwerking
- interacties
- interactieve
- geรฏnteresseerd
- belangen
- interfaces
- intern
- kruispunt
- in
- iot
- kwestie
- problemen
- IT
- HAAR
- zelf
- Jobomschrijving:
- aansluiting
- jpg
- voor slechts
- sleutel
- Soort
- kennis
- etikettering
- labels
- laboratorium
- Labs
- taal
- Groot
- laatste
- Leadership
- LEARN
- leren
- minst
- links
- Lengte
- facelift
- LIMIT
- LLM
- logging
- logo
- machine
- machine learning
- Hoofd
- maken
- management
- manager
- beheert
- beheren
- veel
- gemarkeerd
- Marketing
- matching
- Mei..
- betekenis
- middel
- Maak kennis met
- Meets
- mentaal
- Bericht
- methode
- methoden
- Microsoft
- vermist
- ML
- model
- modellen
- gematigdheid
- meer
- meest
- mozilla
- Multimedia
- meervoudig
- Dan moet je
- namen
- Naturel
- Noodzaak
- behoeften
- New
- volgende
- geen
- roman
- nu
- aantal
- Nvidia
- object
- objecten
- of
- on
- degenen
- Slechts
- operationele
- Opties
- or
- orakel
- bestellen
- Overige
- onze
- uitgang
- over
- het te bezitten.
- Oxford
- pagina
- paar
- paren
- brood
- deel
- bijzonder
- onderdelen
- voorbij
- patronen
- Mensen
- perceptie
- Uitvoeren
- uitvoerend
- persoonlijk
- Personalisatie
- plaats
- platform
- Plato
- Plato gegevensintelligentie
- PlatoData
- speelt
- plus
- posities
- Post
- Berichten
- aangedreven
- krachtige
- de voorkeur geven
- voorkeuren
- bij voorkeur
- premier
- Voorbereiden
- voorbereiding
- gepresenteerd
- die eerder
- Voorafgaand
- probleem
- problemen
- produceren
- geproduceerd
- producent
- Producenten
- Product
- product management
- product manager
- produktiviteit
- Producten
- Hoogleraar
- project
- projecten
- zorgen voor
- mits
- het verstrekken van
- Publicatie
- publiceert
- doel
- doeleinden
- zetten
- Q & A
- kwaliteit
- vraag
- Contact
- Ranking
- waardering
- Lees
- klaar
- realistisch
- recent
- herkennen
- regelmatig
- verwant
- Relaties
- relevante
- vertrouwen
- het verwijderen van
- vertegenwoordiging
- vertegenwoordigt
- reputatie
- te vragen
- verzoeken
- nodig
- Voorwaarden
- vereist
- onderzoek
- culturele wortels
- Reageren
- antwoord
- reacties
- verantwoordelijk
- Resultaten
- beoordelen
- Rijk
- rechts
- Risico
- riskeren
- robotica
- Rol
- rollen
- s
- veilig
- sagemaker
- Scale
- schaal ai
- School
- Wetenschap
- Wetenschapper
- sectie
- veiligheid
- senior
- gevoelig
- verzonden
- Diensten
- serveer-
- reeks
- Sets
- het instellen van
- setup
- verscheidene
- Delen
- ze
- tonen
- getoond
- Shows
- kant
- Silicium
- Silicon Valley
- gelijk
- eenvoudigweg
- gelijktijdig
- single
- geschoold
- Software
- software development
- Software Engineer
- OPLOSSEN
- sommige
- iets
- specifiek
- gespecificeerd
- begin
- gestart
- Start
- startup
- blijven
- Stap voor
- strategisch
- stijl
- ingediend
- stof
- dergelijk
- samenvatten
- OVERZICHT
- Zon
- ondersteunde
- vermeend
- Systems
- Nemen
- ingenomen
- Taak
- taken
- Onderwijs
- team
- Tennessee
- termen
- Texas
- neem contact
- dat
- De
- de wereld
- hun
- Ze
- harte
- Er.
- daarom
- Deze
- ze
- dit
- drie
- Door
- niet de tijd of
- tijdstempel
- naar
- vandaag
- tools
- top
- onderwerp
- Tour
- Trainen
- getraind
- Trainingen
- treinen
- waarheid
- tutorials
- twee
- type dan:
- types
- typisch
- Uber
- ui
- begrip
- universiteit-
- University of California
- University of Chicago
- Universiteit van Oxford
- .
- use case
- gebruikt
- Gebruiker
- gebruik
- Vallei
- variรซteit
- divers
- reilen en zeilen
- Video
- video game
- Video's
- visie
- Stem
- willen
- willen
- wil
- was
- we
- web
- webservices
- GOED
- Wat
- wanneer
- welke
- WIE
- geheel
- wil
- Met
- zonder
- Mijn werk
- werkte
- workflow
- workflows
- Workforce
- werkzaam
- Bedrijven
- Workshops
- wereld
- zou
- schrijven
- het schrijven van
- geschreven
- jaar
- You
- Your
- zephyrnet