A tecnologia de IA generativa está melhorando rapidamente e agora é possível gerar texto e imagens com base na entrada de texto. Difusão Estável é um modelo de texto para imagem que permite criar aplicativos fotorrealistas. Você pode facilmente gerar imagens a partir de texto usando modelos de difusão estável por meio de Amazon SageMaker JumpStart.
A seguir estão exemplos de textos de entrada e as imagens de saída correspondentes geradas pelo Stable Diffusion. As entradas são “Um boxeador dançando em uma mesa”, “Uma senhora na praia em traje de banho, estilo aquarela” e “Um cachorro de terno”.
Embora as soluções generativas de IA sejam poderosas e úteis, elas também podem ser vulneráveis a manipulação e abuso. Os clientes que os usam para geração de imagens devem priorizar a moderação de conteúdo para proteger seus usuários, plataforma e marca, implementando práticas de moderação fortes para criar uma experiência de usuário segura e positiva, protegendo sua plataforma e reputação de marca.
Nesta postagem, exploramos o uso dos serviços de IA da AWS Reconhecimento da Amazônia e Amazon Comprehend, juntamente com outras técnicas, para moderar efetivamente o conteúdo gerado pelo modelo Stable Diffusion quase em tempo real. Para saber como iniciar e gerar imagens de texto usando um modelo Stable Diffusion na AWS, consulte Gere imagens de texto com o modelo de difusão estável no Amazon SageMaker JumpStart.
Visão geral da solução
O Amazon Rekognition e o Amazon Comprehend são serviços gerenciados de IA que fornecem modelos de ML pré-treinados e personalizáveis por meio de uma interface de API, eliminando a necessidade de experiência em machine learning (ML). A moderação de conteúdo do Amazon Rekognition automatiza e simplifica a moderação de imagens e vídeos. O Amazon Comprehend utiliza ML para analisar texto e descobrir informações e relacionamentos valiosos.
A referência a seguir ilustra a criação de uma API de proxy RESTful para moderar imagens geradas por modelo de texto para imagem de difusão estável quase em tempo real. Nesta solução, lançamos e implantamos um modelo Stable Diffusion (base v2-1) usando o JumpStart. A solução usa prompts negativos e soluções de moderação de texto, como o Amazon Comprehend, e um filtro baseado em regras para moderar os prompts de entrada. Ele também utiliza o Amazon Rekognition para moderar as imagens geradas. A API RESTful retornará a imagem gerada e os avisos de moderação ao cliente se forem detectadas informações inseguras.
As etapas do fluxo de trabalho são as seguintes:
- O usuário envia um prompt para gerar uma imagem.
- An AWS Lambda A função coordena a geração e moderação de imagens usando Amazon Comprehend, JumpStart e Amazon Rekognition:
- Aplique uma condição baseada em regras para inserir prompts nas funções do Lambda, reforçando a moderação do conteúdo com detecção de palavras proibidas.
- Use o classificador personalizado do Amazon Comprehend para analisar o texto do prompt para classificação de toxicidade.
- Envie o prompt para o modelo Stable Diffusion por meio do terminal SageMaker, transmitindo os prompts como entrada do usuário e os prompts negativos de uma lista predefinida.
- Envie os bytes de imagem retornados do endpoint SageMaker para o Amazon Rekognition
DetectModerationLabel
API para moderação de imagem. - Construa uma mensagem de resposta que inclua bytes de imagem e avisos se as etapas anteriores detectarem qualquer informação inapropriada no prompt ou na imagem generativa.
- Envie a resposta de volta ao cliente.
A captura de tela a seguir mostra um aplicativo de amostra criado usando a arquitetura descrita. A IU da web envia prompts de entrada do usuário para a API de proxy RESTful e exibe a imagem e quaisquer avisos de moderação recebidos na resposta. O aplicativo de demonstração desfoca a imagem gerada real se ela contiver conteúdo inseguro. Testamos o aplicativo com o prompt de amostra “Uma senhora sexy”.
Você pode implementar uma lógica mais sofisticada para uma melhor experiência do usuário, como rejeitar a solicitação se os prompts contiverem informações inseguras. Além disso, você pode ter uma política de repetição para gerar novamente a imagem se o prompt for seguro, mas a saída não for segura.
Predefina uma lista de prompts negativos
A difusão estável oferece suporte a prompts negativos, o que permite especificar prompts a serem evitados durante a geração da imagem. A criação de uma lista predefinida de prompts negativos é uma abordagem prática e proativa para evitar que o modelo produza imagens inseguras. Ao incluir avisos como “nua”, “sexy” e “nudez”, que são conhecidos por levar a imagens impróprias ou ofensivas, o modelo pode reconhecê-las e evitá-las, reduzindo o risco de gerar conteúdo inseguro.
A implementação pode ser gerenciada na função Lambda ao chamar o terminal SageMaker para executar a inferência do modelo Stable Diffusion, passando os prompts da entrada do usuário e os prompts negativos de uma lista predefinida.
Embora essa abordagem seja eficaz, ela pode afetar os resultados gerados pelo modelo Stable Diffusion e limitar sua funcionalidade. É importante considerá-lo como uma das técnicas de moderação, combinada com outras abordagens, como moderação de texto e imagem usando Amazon Comprehend e Amazon Rekognition.
Prompts de entrada moderados
Uma abordagem comum para a moderação de texto é usar um método de pesquisa de palavras-chave baseado em regras para identificar se o texto de entrada contém palavras ou frases proibidas de uma lista predefinida. Este método é relativamente fácil de implementar, com impacto mínimo no desempenho e custos mais baixos. No entanto, a principal desvantagem dessa abordagem é que ela se limita a detectar apenas palavras incluídas na lista predefinida e não pode detectar variações novas ou modificadas de palavras proibidas não incluídas na lista. Os usuários também podem tentar contornar as regras usando grafias alternativas ou caracteres especiais para substituir as letras.
Para abordar as limitações de uma moderação de texto baseada em regras, muitas soluções adotaram uma abordagem híbrida que combina pesquisa de palavras-chave baseada em regras com detecção de toxicidade baseada em ML. A combinação de ambas as abordagens permite uma solução de moderação de texto mais abrangente e eficaz, capaz de detectar uma gama mais ampla de conteúdo impróprio e melhorar a precisão dos resultados da moderação.
Nesta solução, usamos um Classificador personalizado do Amazon Comprehend para treinar um modelo de detecção de toxicidade, que usamos para detectar conteúdo potencialmente prejudicial em prompts de entrada nos casos em que nenhuma palavra proibida explícita é detectada. Com o poder do aprendizado de máquina, podemos ensinar o modelo a reconhecer padrões no texto que podem indicar toxicidade, mesmo quando esses padrões não são facilmente detectáveis por uma abordagem baseada em regras.
Com o Amazon Comprehend como um serviço de IA gerenciado, o treinamento e a inferência são simplificados. Você pode treinar e implantar facilmente a classificação personalizada do Amazon Comprehend com apenas duas etapas. Confira nosso laboratório de oficina para obter mais informações sobre o modelo de detecção de toxicidade usando um classificador personalizado do Amazon Comprehend. O laboratório fornece um guia passo a passo para criar e integrar um classificador de toxicidade personalizado em sua aplicação. O diagrama a seguir ilustra essa arquitetura de solução.
Este classificador de amostra usa um conjunto de dados de treinamento de mídia social e executa a classificação binária. No entanto, se você tiver requisitos mais específicos para suas necessidades de moderação de texto, considere usar um conjunto de dados mais personalizado para treinar seu classificador personalizado do Amazon Comprehend.
Imagens de saída moderada
Embora seja importante moderar os prompts de texto de entrada, isso não garante que todas as imagens geradas pelo modelo Stable Diffusion sejam seguras para o público-alvo, porque as saídas do modelo podem conter um certo nível de aleatoriedade. Portanto, é igualmente importante moderar as imagens geradas pelo modelo Stable Diffusion.
Nesta solução, utilizamos Moderação de conteúdo do Amazon Rekognition, que emprega modelos de ML pré-treinados para detectar conteúdo impróprio em imagens e vídeos. Nesta solução, usamos o API DetectModerationLabel do Amazon Rekognition para moderar imagens geradas pelo modelo Stable Diffusion quase em tempo real. A moderação de conteúdo do Amazon Rekognition fornece APIs pré-treinadas para analisar uma ampla gama de conteúdo impróprio ou ofensivo, como violência, nudez, símbolos de ódio e muito mais. Para obter uma lista abrangente de taxonomias de moderação de conteúdo do Amazon Rekognition, consulte Moderando conteúdo.
O código a seguir demonstra como chamar o Amazon Rekognition DetectModerationLabel
API para moderar imagens dentro de uma função Lambda usando a biblioteca Python Boto3. Essa função pega os bytes de imagem retornados do SageMaker e os envia para a API de moderação de imagem para moderação.
Para obter exemplos adicionais da API de moderação de imagem do Amazon Rekognition, consulte nosso Laboratório de imagem de moderação de conteúdo.
Técnicas eficazes de moderação de imagem para modelos de ajuste fino
O ajuste fino é uma técnica comum usada para adaptar modelos pré-treinados a tarefas específicas. No caso da Stable Diffusion, o ajuste fino pode ser usado para gerar imagens que incorporam objetos, estilos e personagens específicos. A moderação de conteúdo é crítica ao treinar um modelo de difusão estável para evitar a criação de imagens inapropriadas ou ofensivas. Isso envolve revisar e filtrar cuidadosamente quaisquer dados que possam levar à geração de tais imagens. Ao fazer isso, o modelo aprende com uma gama mais diversificada e representativa de pontos de dados, melhorando sua precisão e evitando a propagação de conteúdo nocivo.
O JumpStart facilita o ajuste fino do Stable Diffusion Model, fornecendo os scripts de aprendizado de transferência usando o cabine de sonho método. Você só precisa preparar seus dados de treinamento, definir os hiperparâmetros e iniciar o trabalho de treinamento. Para mais detalhes, consulte Ajuste os modelos de difusão estável de texto para imagem com o Amazon SageMaker JumpStart.
O conjunto de dados para ajuste fino precisa ser um único Serviço de armazenamento simples da Amazon (Amazon S3) diretório incluindo suas imagens e arquivo de configuração de instância dataset_info.json
, conforme mostrado no código a seguir. O arquivo JSON associará as imagens ao prompt da instância da seguinte forma: {'instance_prompt':<<instance_prompt>>}
.
Obviamente, você pode revisar e filtrar manualmente as imagens, mas isso pode ser demorado e até mesmo impraticável quando você faz isso em escala em muitos projetos e equipes. Nesses casos, você pode automatizar um processo em lote para verificar centralmente todas as imagens no Amazon Rekognition DetectModerationLabel
API e sinalizar ou remover imagens automaticamente para que não contaminem seu treinamento.
Latência e custo de moderação
Nesta solução, um padrão sequencial é usado para moderar texto e imagens. Uma função baseada em regras e o Amazon Comprehend são chamados para moderação de texto, e o Amazon Rekognition é usado para moderação de imagem, antes e depois de invocar Stable Diffusion. Embora essa abordagem modere efetivamente os prompts de entrada e as imagens de saída, ela pode aumentar o custo geral e a latência da solução, o que é algo a ser considerado.
Latência
Tanto o Amazon Rekognition quanto o Amazon Comprehend oferecem APIs gerenciadas altamente disponíveis e com escalabilidade integrada. Apesar das possíveis variações de latência devido ao tamanho da entrada e à velocidade da rede, as APIs usadas nesta solução de ambos os serviços oferecem inferência quase em tempo real. Os endpoints do classificador personalizado do Amazon Comprehend podem oferecer uma velocidade de menos de 200 milissegundos para tamanhos de texto de entrada de menos de 100 caracteres, enquanto a API Amazon Rekognition Image Moderation atende aproximadamente 500 milissegundos para tamanhos médios de arquivo de menos de 1 MB. (Os resultados são baseados no teste realizado usando o aplicativo de amostra, que se qualifica como um requisito quase em tempo real.)
No total, as chamadas de API de moderação para Amazon Rekognition e Amazon Comprehend adicionarão até 700 milissegundos à chamada de API. É importante observar que a solicitação de difusão estável geralmente leva mais tempo, dependendo da complexidade dos prompts e da capacidade da infraestrutura subjacente. Na conta de teste, usando um tipo de instância de ml.p3.2xlarge, o tempo médio de resposta para o modelo Stable Diffusion por meio de um endpoint do SageMaker foi de cerca de 15 segundos. Portanto, a latência introduzida pela moderação é de aproximadamente 5% do tempo de resposta geral, tornando-a um impacto mínimo no desempenho geral do sistema.
Custo
A API de moderação de imagens do Amazon Rekognition emprega um modelo de pagamento conforme o uso com base no número de solicitações. O custo varia de acordo com a região da AWS usada e segue uma estrutura de preços em camadas. À medida que o volume de solicitações aumenta, o custo por solicitação diminui. Para mais informações, consulte Definição de preço do Amazon Rekognition.
Nesta solução, utilizamos um classificador personalizado do Amazon Comprehend e o implantamos como um endpoint do Amazon Comprehend para facilitar a inferência em tempo real. Essa implementação incorre em um custo único de treinamento e custos de inferência contínuos. Para informações detalhadas, consulte Preços do Amazon Comprehend.
O Jumpstart permite iniciar e implantar rapidamente o modelo Stable Diffusion como um único pacote. A execução da inferência no modelo de difusão estável incorrerá em custos para o subjacente Amazon Elastic Compute Nuvem (Amazon EC2), bem como transferência de dados de entrada e saída. Para informações detalhadas, consulte Preços do Amazon SageMaker.
Resumo
Nesta postagem, fornecemos uma visão geral de uma solução de amostra que mostra como moderar prompts de entrada Stable Diffusion e imagens de saída usando o Amazon Comprehend e o Amazon Rekognition. Além disso, você pode definir prompts negativos no Stable Diffusion para evitar a geração de conteúdo inseguro. Ao implementar várias camadas de moderação, o risco de produzir conteúdo inseguro pode ser bastante reduzido, garantindo uma experiência de usuário mais segura e confiável.
Saiba mais sobre moderação de conteúdo na AWS e nosso casos de uso de ML de moderação de conteúdo, e dê o primeiro passo para simplificar suas operações de moderação de conteúdo com a AWS.
Sobre os autores
Lana Zhang é arquiteto de soluções sênior da equipe de serviços de IA da AWS WWSO, especializado em IA e ML para moderação de conteúdo, visão computacional e processamento de linguagem natural. Com sua experiência, ela se dedica a promover soluções de IA/ML da AWS e a ajudar os clientes a transformar suas soluções de negócios em diversos setores, incluindo mídia social, jogos, comércio eletrônico e publicidade e marketing.
James Wu é Arquiteto de Soluções Especialista em IA/ML Sênior na AWS. ajudando os clientes a projetar e construir soluções AI/ML. O trabalho de James abrange uma ampla gama de casos de uso de ML, com interesse principal em visão computacional, aprendizado profundo e dimensionamento de ML em toda a empresa. Antes de ingressar na AWS, James foi arquiteto, desenvolvedor e líder em tecnologia por mais de 10 anos, incluindo 6 anos em engenharia e 4 anos nos setores de marketing e publicidade.
Kevin Carlson é um especialista principal em IA/ML com foco em visão computacional na AWS, onde lidera o desenvolvimento de negócios e GTM para Amazon Rekognition. Antes de ingressar na AWS, ele liderou a transformação digital globalmente na empresa Fortune 500 Engineering AECOM, com foco em inteligência artificial e aprendizado de máquina para design generativo e avaliação de infraestrutura. Ele mora em Chicago, onde, fora do trabalho, passa o tempo com a família e é apaixonado por pilotar aviões e treinar beisebol juvenil.
João Rouse é um especialista sênior em IA/ML da AWS, onde lidera o desenvolvimento de negócios globais para serviços de IA focados em casos de uso de conformidade e moderação de conteúdo. Antes de ingressar na AWS, ele ocupou funções de liderança e desenvolvimento de negócios de nível sênior em empresas de tecnologia de ponta. John está trabalhando para colocar o aprendizado de máquina nas mãos de todos os desenvolvedores com a pilha AI/ML da AWS. Pequenas ideias trazem pouco impacto. O objetivo de John para os clientes é capacitá-los com grandes ideias e oportunidades que abram portas para que possam causar um grande impacto em seus clientes.
- Conteúdo com tecnologia de SEO e distribuição de relações públicas. Seja amplificado hoje.
- PlatoData.Network Gerativa Vertical Ai. Capacite-se. Acesse aqui.
- PlatoAiStream. Inteligência Web3. Conhecimento Amplificado. Acesse aqui.
- PlatãoESG. Automotivo / EVs, Carbono Tecnologia Limpa, Energia, Ambiente, Solar, Gestão de resíduos. Acesse aqui.
- BlockOffsets. Modernizando a Propriedade de Compensação Ambiental. Acesse aqui.
- Fonte: https://aws.amazon.com/blogs/machine-learning/safe-image-generation-and-diffusion-models-with-amazon-ai-content-moderation-services/
- :tem
- :é
- :não
- :onde
- $UP
- 1
- 10
- 100
- 15%
- 200
- 49
- 500
- 7
- 8
- a
- Sobre
- abuso
- Conta
- precisão
- em
- real
- adaptar
- adicionar
- Adicional
- Adicionalmente
- endereço
- adotado
- Publicidade
- Depois de
- contra
- AI
- Serviços de IA
- AI / ML
- Airplanes
- Todos os Produtos
- permite
- juntamente
- tb
- alternativa
- Apesar
- Amazon
- Amazon Comprehend
- Amazon EC2
- Reconhecimento da Amazônia
- Amazon Sage Maker
- Amazon Web Services
- an
- analisar
- e
- e infra-estrutura
- qualquer
- api
- APIs
- app
- Aplicação
- aplicações
- abordagem
- se aproxima
- aproximadamente
- arquitetura
- SOMOS
- por aí
- artificial
- inteligência artificial
- Inteligência Artificial e Aprendizado de Máquinas
- AS
- avaliação
- ajudando
- Jurídico
- At
- público
- automatizar
- automatiza
- automaticamente
- disponível
- média
- evitar
- AWS
- em caminho duplo
- base
- Beisebol
- baseado
- BE
- Beach
- Porque
- antes
- Melhor
- Grande
- grandes ideias
- Borrões
- ambos
- interesse?
- trazer
- construir
- construído
- construídas em
- negócio
- desenvolvimento de negócios
- mas a
- by
- chamada
- chamado
- chamada
- chamadas
- CAN
- capacidade
- capaz
- cuidadosamente
- Carlson
- casas
- casos
- certo
- caracteres
- verificar
- Chicago
- classificação
- cliente
- treinamento
- código
- cor
- combinação
- combinado
- combina
- comum
- Empresas
- Empresa
- complexidade
- compliance
- compreender
- compreensivo
- Computar
- computador
- Visão de Computador
- condição
- conduzido
- Configuração
- Considerar
- não contenho
- contém
- conteúdo
- Correspondente
- Custo
- custos
- poderia
- Covers
- crio
- Criar
- criação
- crítico
- personalizadas
- cliente
- Clientes
- personalizável
- corte
- Dançando
- dados,
- Os pontos de dados
- diminui
- dedicado
- profundo
- deep learning
- demonstração
- demonstra
- seguro
- Dependendo
- implantar
- implantado
- descrito
- Design
- Apesar de
- detalhado
- detalhes
- detectou
- Detecção
- Developer
- Desenvolvimento
- Distribuição
- digital
- Transformação Digital
- monitores
- diferente
- do
- Não faz
- Cachorro
- fazer
- não
- portas
- dois
- durante
- e-commerce,
- facilmente
- fácil
- borda
- Eficaz
- efetivamente
- eliminando
- emprega
- autorizar
- empodera
- permite
- Ponto final
- impor
- Engenharia
- assegurando
- Empreendimento
- igualmente
- Mesmo
- Cada
- exemplos
- vasta experiência
- experiência
- explorar
- facilitar
- família
- Envie o
- filtro
- filtragem
- Primeiro nome
- Vôo
- Foco
- focado
- seguinte
- segue
- Escolha
- Fortune
- da
- função
- funcionalidade
- funções
- jogos
- gerar
- gerado
- gerando
- geração
- generativo
- IA generativa
- GitHub
- Global
- negócio global
- Globalmente
- meta
- grandemente
- garanta
- guia
- mãos
- prejudicial
- Ter
- he
- Herói
- ajuda
- sua experiência
- altamente
- sua
- Como funciona o dobrador de carta de canal
- Como Negociar
- Contudo
- HTML
- http
- HTTPS
- HÍBRIDO
- idéias
- identificar
- if
- ilustra
- imagem
- imagens
- Impacto
- executar
- implementação
- implementação
- importante
- melhorar
- in
- incluído
- inclui
- Incluindo
- incorporar
- Crescimento
- Aumenta
- indicam
- indústrias
- INFORMAÇÕES
- Infraestrutura
- entrada
- inputs
- insights
- instância
- Integração
- Inteligência
- Pretendido
- interesse
- Interface
- para dentro
- introduzido
- IT
- ESTÁ
- james
- Trabalho
- banheiro
- juntando
- json
- apenas por
- conhecido
- laboratório
- senhora
- língua
- Latência
- lançamento
- lançado
- camadas
- conduzir
- líder
- Liderança
- Leads
- APRENDER
- aprendizagem
- levou
- menos
- Permite
- Nível
- Biblioteca
- como
- LIMITE
- limitações
- Limitado
- Lista
- lógica
- mais
- pesquisa
- diminuir
- máquina
- aprendizado de máquina
- principal
- fazer
- FAZ
- Fazendo
- gerenciados
- Manipulação
- manualmente
- muitos
- Marketing
- Posso..
- Mídia
- mensagem
- método
- mínimo
- ML
- modelo
- modelos
- moderação
- modificada
- mais
- múltiplo
- devo
- natural
- Processamento de linguagem natural
- você merece...
- Cria
- negativo
- rede
- Novo
- não
- agora
- número
- objeto
- objetos
- of
- ofensivo
- oferecer
- on
- ONE
- contínuo
- só
- aberto
- Operações
- oportunidades
- or
- Outros
- A Nossa
- Fora
- resultados
- saída
- lado de fora
- Acima de
- global
- Visão geral
- pacote
- Passagem
- apaixonado
- padrão
- padrões
- atuação
- executa
- Fotorrealista
- Frases
- plataforma
- platão
- Inteligência de Dados Platão
- PlatãoData
- pontos
- Privacidade
- positivo
- possível
- Publique
- potencial
- potencialmente
- poder
- poderoso
- Prática
- práticas
- Preparar
- evitar
- impedindo
- anterior
- preços
- primário
- Diretor
- Prévio
- Priorizar
- Proactive
- processo
- em processamento
- produtor
- projetos
- Promoção
- proteger
- fornecer
- fornecido
- fornece
- fornecendo
- procuração
- colocar
- Python
- rapidamente
- aleatoriedade
- alcance
- rapidamente
- em tempo real
- recebido
- reconhecer
- Reduzido
- redução
- região
- Relacionamentos
- relativamente
- remover
- substituir
- representante
- reputação
- solicitar
- pedidos
- requerimento
- Requisitos
- resposta
- Resultados
- retorno
- rever
- revendo
- Risco
- papéis
- regras
- Execute
- corrida
- seguro
- salvaguardando
- mais segura
- sábio
- AMPLIAR
- Escala
- dimensionamento
- Scripts
- segundo
- enviar
- envia
- senior
- serve
- serviço
- Serviços
- ela
- mostrando
- Shows
- simples
- simplificada
- solteiro
- Tamanho
- tamanhos
- pequeno
- So
- Redes Sociais
- meios de comunicação social
- solução
- Soluções
- algo
- sofisticado
- especial
- especialista
- especializando
- específico
- velocidade
- estável
- pilha
- começo
- Passo
- Passos
- armazenamento
- loja
- racionalização
- mais forte,
- estrutura
- estilo
- tal
- terno
- suportes
- .
- mesa
- adaptados
- Tire
- toma
- tarefas
- Profissionais
- equipes
- técnicas
- Tecnologia
- empresas de tecnologia
- teste
- testado
- do que
- que
- A
- deles
- Eles
- assim sendo
- deles
- isto
- Através da
- tempo
- demorado
- para
- Total
- para
- Trem
- Training
- transferência
- Transformação
- transformando
- dois
- tipo
- ui
- descobrir
- subjacente
- usar
- usava
- Utilizador
- Experiência do Usuário
- usuários
- usos
- utilização
- geralmente
- utilizar
- utilizado
- utiliza
- Valioso
- via
- Vídeo
- VÍDEOS
- Violência
- visão
- volume
- Vulnerável
- foi
- Água
- we
- web
- serviços web
- BEM
- quando
- se
- qual
- enquanto
- Largo
- Ampla variedade
- mais largo
- precisarão
- de
- dentro
- Word
- palavras
- Atividades:
- de gestão de documentos
- trabalhar
- wu
- anos
- Vocês
- investimentos
- juventude
- zefirnet