Amazon SageMaker Ground Truth Plus vă ajută să pregătiți seturi de date de instruire de înaltă calitate, eliminând sarcinile grele nediferențiate asociate cu construirea aplicațiilor de etichetare a datelor și gestionând forța de muncă de etichetare. Tot ce faceți este să partajați datele împreună cu cerințele de etichetare, iar Ground Truth Plus configurează și gestionează fluxul de lucru de etichetare a datelor pe baza acestor cerințe. De acolo, o forță de muncă expertă care este instruită pentru o varietate de sarcini de învățare automată (ML) vă etichetează datele. Nici măcar nu aveți nevoie de experiență profundă ML sau cunoștințe despre proiectarea fluxului de lucru și managementul calității pentru a utiliza Ground Truth Plus. Acum, Ground Truth Plus deservește clienții care au nevoie de etichetare a datelor și feedback uman pentru reglarea fină a modelelor de bază pentru aplicațiile AI generative.
În această postare, veți afla despre progresele recente în feedbackul uman pentru IA generativă, disponibil prin SageMaker Ground Truth Plus. Aceasta include noi fluxuri de lucru și interfețe cu utilizatorul (UI) disponibile pentru pregătirea seturilor de date demonstrative utilizate în reglarea fină supravegheată, colectarea de feedback uman de înaltă calitate pentru a crea seturi de date de preferințe pentru alinierea modelelor de fundație AI generative cu preferințele umane, precum și personalizarea modelelor pentru constructorii de aplicații. ' cerințe pentru stil, substanță și voce.
Provocări ale începerii cu IA generativă
Aplicațiile AI generative din întreaga lume încorporează atât modele de bază monomodale, cât și multimodale pentru a rezolva multe cazuri de utilizare diferite. Obișnuiți printre ele sunt chatbot-urile, generatoarele de imagini și generatoarele video. Modelele lingvistice mari (LLM) sunt folosite în chatbot-uri pentru activități creative, asistenți academici și personali, instrumente de business intelligence și instrumente de productivitate. Puteți utiliza modele text-to-image pentru a genera elemente de artă și marketing AI abstracte sau realiste. Modelele text-to-video sunt folosite pentru a genera videoclipuri pentru proiecte de artă, reclame extrem de captivante, dezvoltare de jocuri video și chiar dezvoltare de filme.
Două dintre cele mai importante probleme de rezolvat atât pentru producătorii de modele care creează modele de fundație, cât și pentru constructorii de aplicații care folosesc modele de fundație generative existente pentru a-și construi propriile instrumente și aplicații sunt:
- Reglați fin aceste modele de fundație pentru a putea îndeplini sarcini specifice
- Alinierea acestora la preferințele umane pentru a vă asigura că produc informații utile, exacte și inofensive
Modelele de bază sunt de obicei pre-antrenate pe corpuri mari de date neetichetate și, prin urmare, nu funcționează bine urmând instrucțiunile în limbaj natural. Pentru un LLM, asta înseamnă că ar putea să analizeze și să genereze limbaj în general, dar este posibil să nu poată răspunde la întrebări în mod coerent sau să rezuma textul la calitatea cerută de utilizator. De exemplu, atunci când un utilizator solicită un rezumat al unui text într-un prompt, un model care nu a fost reglat fin pentru a rezuma textul poate să recite textul prompt înapoi utilizatorului sau să răspundă cu ceva irelevant. Dacă un utilizator pune o întrebare despre un subiect, răspunsul unui model ar putea fi doar o recitare a întrebării. Pentru modelele multimodale, cum ar fi modelele text-to-image sau text-to-video, modelele pot afișa conținut care nu are legătură cu solicitarea. De exemplu, dacă un designer grafic corporativ solicită unui model text-to-image să creeze un nou logo sau o imagine pentru o reclamă, este posibil ca modelul să nu genereze o grafică relevantă legată de prompt dacă are doar un concept general de imagine. și elementele unei imagini. În unele cazuri, un model poate scoate o imagine sau un videoclip dăunător, riscând încrederea utilizatorilor sau reputația companiei.
Chiar dacă modelele sunt reglate fin pentru a îndeplini sarcini specifice, este posibil să nu fie aliniate preferințelor umane în ceea ce privește semnificația, stilul sau substanța conținutului lor de ieșire. Într-un LLM, acest lucru s-ar putea manifesta ca conținut inexact sau chiar dăunător generat de model. De exemplu, un model care nu este aliniat preferințelor umane prin reglare fină poate emite instrucțiuni periculoase, lipsite de etică sau chiar ilegale atunci când sunt solicitate de un utilizator. Nu va fi avut grijă să limitați conținutul generat de model pentru a vă asigura că este aliniat cu preferințele umane pentru a fi exact, relevant și util. Această nealiniere poate fi o problemă pentru companiile care se bazează pe modele AI generative pentru aplicațiile lor, cum ar fi chatbot-urile și creația multimedia. Pentru modelele multimodale, aceasta poate lua forma unor imagini sau videoclipuri toxice, periculoase sau abuzive. Acesta este un risc atunci când solicitările sunt introduse în model fără intenția de a genera conținut sensibil și, de asemenea, dacă producătorul modelului sau generatorul de aplicații nu a intenționat să permită modelului să genereze acest tip de conținut, dar a fost generat oricum.
Pentru a rezolva problemele legate de capacitatea specifică sarcinii și alinierea modelelor de bază generative cu preferințele umane, producătorii de modele și creatorii de aplicații trebuie să ajusteze modelele cu date folosind demonstrații direcționate de om și feedback uman al rezultatelor modelului.
Tipuri de date și formare
Există mai multe tipuri de metode de reglare fină cu diferite tipuri de date etichetate care sunt clasificate ca reglare a instrucțiunilor - sau predarea unui model cum să urmeze instrucțiunile. Printre acestea se numără reglarea fină supravegheată (SFT) folosind date demonstrative și învățarea prin consolidare din feedbackul uman (RLHF) folosind date de preferințe.
Date demonstrative pentru reglarea fină supravegheată
Pentru a ajusta modelele de fundație pentru a îndeplini sarcini specifice, cum ar fi răspunsul la întrebări sau rezumarea textului cu o calitate înaltă, modelele sunt supuse SFT cu date demonstrative. Scopul datelor demonstrative este de a ghida modelul furnizându-i exemple etichetate (demonstrații) ale sarcinilor finalizate realizate de oameni. De exemplu, pentru a învăța un LLM cum să răspundă la întrebări, un adnotator uman va crea un set de date etichetat de perechi întrebări și răspuns generate de oameni pentru a demonstra cum funcționează o interacțiune între întrebări și răspuns din punct de vedere lingvistic și ce înseamnă conținutul din punct de vedere semantic. Acest tip de SFT antrenează modelul să recunoască tiparele de comportament demonstrate de oameni în datele de antrenament demonstrative. Producătorii de modele trebuie să facă acest tip de reglaj fin pentru a arăta că modelele lor sunt capabile să îndeplinească astfel de sarcini pentru adoptatorii din aval. Constructorii de aplicații care folosesc modele de bază existente pentru aplicațiile lor generative de IA ar putea avea nevoie să-și ajusteze modelele cu date demonstrative despre aceste sarcini cu date specifice industriei sau specifice companiei pentru a îmbunătăți relevanța și acuratețea aplicațiilor lor.
Date de preferință pentru reglarea instrucțiunilor, cum ar fi RLHF
Pentru a alinia și mai mult modelele de bază cu preferințele umane, producătorii de modele - și în special cei care construiesc aplicații - trebuie să genereze seturi de date de preferințe pentru a efectua reglarea instrucțiunilor. Datele de preferință în contextul reglajului instrucțiunilor sunt date etichetate care captează feedback uman cu privire la un set de opțiuni rezultate de un model de bază generativ. De obicei, include evaluarea sau clasarea mai multor inferențe sau compararea în perechi a două inferențe dintr-un model de bază în funcție de un anumit atribut. Pentru LLM, aceste atribute pot fi utilitate, acuratețe și inofensivă. Pentru modelele text-to-image, poate fi o calitate estetică sau o aliniere text-imagine. Aceste date de preferință bazate pe feedback-ul uman pot fi apoi utilizate în diferite metode de reglare a instrucțiunilor, inclusiv RLHF, pentru a regla în continuare un model pentru a se alinia preferințelor umane.
Reglarea instrucțiunilor folosind datele de preferințe joacă un rol crucial în îmbunătățirea personalizării și eficacității modelelor de fundație. Acesta este un pas cheie în construirea de aplicații personalizate pe deasupra modelelor de fundație pregătite în prealabil și este o metodă puternică pentru a vă asigura că modelele generează conținut util, precis și inofensiv. Un exemplu obișnuit de reglare a instrucțiunilor este acela de a instrui un chatbot să genereze trei răspunsuri la o interogare și să le citească și să le clasifice pe toate trei în funcție de o anumită dimensiune specificată, cum ar fi toxicitatea, acuratețea faptică sau lizibilitatea. De exemplu, o companie poate folosi un chatbot pentru departamentul său de marketing și dorește să se asigure că conținutul este aliniat cu mesajul mărcii sale, nu prezintă părtiniri și este clar lizibil. Compania va solicita chatbot-ului în timpul reglajului instrucțiunilor să producă trei exemple și să îi solicite experților interni să le selecteze pe cele care se aliniază cel mai mult la obiectivul lor. De-a lungul timpului, ei construiesc un set de date folosit pentru a preda modelului ce stil de conținut preferă oamenii prin învățare prin consolidare. Acest lucru permite aplicației chatbot să scoată conținut mai relevant, lizibil și sigur.
SageMaker Ground Truth Plus
Ground Truth Plus vă ajută să abordați ambele provocări – generarea de seturi de date demonstrative cu capabilități specifice sarcinii, precum și colectarea seturilor de date de preferințe din feedbackul uman pentru a alinia modelele cu preferințele umane. Puteți solicita proiecte pentru LLM și modele multimodale, cum ar fi text-to-image și text-to-video. Pentru LLM, seturile de date demonstrative cheie includ generarea de întrebări și răspunsuri (Întrebări și răspunsuri), rezumare a textului, generare de text și reelaborare a textului în scopul moderarii conținutului, schimbării stilului sau modificării lungimii. Seturile de date cheie ale preferințelor LLM includ clasarea și clasificarea rezultatelor textului. Pentru modelele multimodale, tipurile cheie de activități includ subtitrărea imaginilor sau videoclipurilor, precum și marcajele de timp ale evenimentelor din videoclipuri. Prin urmare, Ground Truth Plus poate ajuta atât producătorii de modele, cât și creatorii de aplicații în călătoria lor generativă AI.
În această postare, ne aprofundăm în călătoria adnotatorului uman și a feedback-ului pe patru cazuri care acoperă atât date demonstrative, cât și date despre preferințe atât pentru LLM-uri, cât și pentru modele multimodale: generarea de perechi de întrebări și răspunsuri și clasarea textului pentru LLM, precum și subtitrări de imagini și subtitrări video pentru modele multimodale.
Modele mari de limbaj
În această secțiune, discutăm perechile de întrebări și răspunsuri și clasarea textului pentru LLM, împreună cu personalizările pe care le puteți dori pentru cazul dvs. de utilizare.
Perechi întrebări și răspunsuri
Următoarea captură de ecran arată o interfață de utilizare de etichetare în care un adnotator uman va citi un fragment de text și va genera atât întrebări, cât și răspunsuri în procesul de construire a unui set de date demonstrative pentru întrebări și răspunsuri.
Să parcurgem un tur al interfeței de utilizare în pielea adnotatorului. În partea stângă a interfeței de utilizare, instrucțiunile specifice ale solicitantului de job sunt prezentate adnotatorului. În acest caz, adnotatorul ar trebui să citească fragmentul de text prezentat în centrul interfeței de utilizare și să creeze întrebări și răspunsuri pe baza textului. În partea dreaptă sunt afișate întrebările și răspunsurile pe care le-a scris adnotatorul. Pasajul textului, precum și tipul, lungimea și numărul de întrebări și răspunsuri pot fi personalizate de solicitantul de job în timpul configurarii proiectului cu echipa Ground Truth Plus. În acest caz, adnotatorul a creat o întrebare care necesită înțelegerea întregului fragment de text pentru a răspunde și este marcată cu un Face referire la întregul pasaj Caseta de bifat. Celelalte două întrebări și răspunsuri se bazează pe părți specifice ale pasajului de text, așa cum se arată prin evidențierea adnotatorului cu potrivire codificată în culori. Opțional, poate doriți să solicitați ca întrebările și răspunsurile să fie generate fără un fragment de text furnizat și să furnizați alte instrucțiuni pentru adnotatorii umani - acest lucru este susținut și de Ground Truth Plus.
După ce întrebările și răspunsurile sunt trimise, acestea pot trece la un flux de lucru opțional în buclă de control al calității, în care alți evaluatori umani vor confirma că au fost create distribuția definită de client și tipurile de întrebări și răspunsuri. Dacă există o nepotrivire între cerințele clientului și ceea ce a produs adnotatorul uman, munca va fi redirecționată către un om pentru reluare înainte de a fi exportată ca parte a setului de date pentru a fi livrată clientului. Când setul de date vă este livrat înapoi, acesta este gata să fie încorporat în fluxul de lucru de reglare fină supravegheat, la discreția dvs.
Clasamentul textului
Următoarea captură de ecran arată o interfață de utilizare pentru clasarea rezultatelor dintr-un LLM pe baza unui prompt.
Puteți pur și simplu să scrieți instrucțiunile pentru recenzentul uman și să aduceți solicitări și răspunsuri pre-generate echipei de proiect Ground Truth Plus pentru a începe munca. În acest caz, am solicitat unui evaluator uman să clasifice trei răspunsuri pentru fiecare solicitare de la un LLM în ceea ce privește dimensiunea clarității scrisului (lizibilitate). Din nou, panoul din stânga arată instrucțiunile date evaluatorului de către solicitantul de job. În centru, promptul se află în partea de sus a paginii, iar cele trei răspunsuri pre-generate sunt corpul principal pentru ușurință în utilizare. În partea dreaptă a interfeței de utilizare, recenzentul uman le va clasifica în ordinea celei mai puțin clare scrieri.
Clienții care doresc să genereze acest tip de set de date de preferințe includ creatori de aplicații interesați să construiască chatbot-uri asemănătoare oamenilor și, prin urmare, doresc să personalizeze instrucțiunile pentru uzul lor. Lungimea solicitării, numărul de răspunsuri și dimensiunea de clasare pot fi toate personalizate. De exemplu, este posibil să doriți să clasați cinci răspunsuri în ordinea celei mai puțin exacte, părtinitoare sau toxice, sau chiar să clasați și să clasificați mai multe dimensiuni simultan. Aceste personalizări sunt acceptate în Ground Truth Plus.
Modele multimodale
În această secțiune, discutăm subtitrările pentru imagini și videoclipuri pentru antrenarea modelelor multimodale, cum ar fi modelele text-to-image și text-to-video, precum și personalizările pe care ați dori să le faceți pentru cazul dvs. de utilizare particular.
Subtitrarea imaginii
Următoarea captură de ecran arată o interfață de utilizare de etichetare pentru subtitrărea imaginilor. Puteți solicita un proiect cu subtitrăre pentru a aduna date pentru a antrena un model text-to-image sau un model imagine-to-text.
În acest caz, am solicitat instruirea unui model text-to-image și am stabilit cerințe specifice pentru legendă în ceea ce privește lungimea și detaliile. Interfața de utilizare este concepută pentru a ghida adnotatorii umani prin procesul cognitiv de generare a subtitrărilor bogate, oferind un cadru mental prin instrumente de asistență și descriptive. Am descoperit că furnizarea acestui cadru mental pentru adnotatori are ca rezultat subtitrări mai descriptive și mai precise decât pur și simplu furnizarea unei casete de text editabilă.
Primul pas în cadru este ca adnotatorul uman să identifice obiectele cheie din imagine. Când adnotatorul alege un obiect din imagine, pe obiect apare un punct cu coduri de culoare. În acest caz, adnotatorul a ales atât câinele, cât și pisica, creând două câmpuri editabile în partea dreaptă a interfeței de utilizare, în care adnotatorul va introduce numele obiectelor - pisică și câine - împreună cu o descriere detaliată a fiecărui obiect. În continuare, adnotatorul este ghidat să identifice toate relațiile dintre toate obiectele din imagine. În acest caz, pisica se relaxează lângă câine. Apoi, adnotatorului i se cere să identifice atribute specifice despre imagine, cum ar fi setarea, fundalul sau mediul. În cele din urmă, în caseta de text de introducere a legendei, adnotatorul este instruit să combine tot ceea ce a scris în câmpurile pentru obiecte, relații și setare imagine într-o singură legendă descriptivă completă a imaginii.
Opțional, puteți configura această legendă a imaginii să fie trecută printr-o buclă de verificare a calității bazată pe oameni, cu instrucțiuni specifice pentru a vă asigura că legendă îndeplinește cerințele. Dacă există o problemă identificată, cum ar fi un obiect cheie lipsă, acea legendă poate fi trimisă înapoi pentru ca un om să remedieze problema înainte de a exporta ca parte a setului de date de antrenament.
Subtitrări video
Următoarea captură de ecran arată o interfață de utilizare pentru subtitrări video pentru a genera subtitrări video bogate cu etichete de marcaj temporal. Puteți solicita un proiect de subtitrări video pentru a culege date pentru a construi modele text-to-video sau video-to-text.
În această interfață de utilizare de etichetare, am construit un cadru mental similar pentru a ne asigura că sunt scrise subtitrări de înaltă calitate. Adnotatorul uman poate controla videoclipul din partea stângă și poate crea descrieri și marcaje temporale pentru fiecare activitate afișată în videoclipul din partea dreaptă cu elementele UI. Similar cu interfața de utilizare a subtitrării imaginii, există, de asemenea, un loc în care adnotatorul poate scrie o descriere detaliată a setării video, fundalului și mediului. În cele din urmă, adnotatorul este instruit să combine toate elementele într-o legendă video coerentă.
Similar cu cazul subtitrării imaginii, subtitrările video pot trece opțional printr-un flux de lucru de control al calității bazat pe oameni pentru a determina dacă cerințele dvs. sunt îndeplinite. Dacă există o problemă cu subtitrările video, acestea vor fi trimise spre reluare de către forța de muncă a adnotatorilor umani.
Concluzie
Ground Truth Plus vă poate ajuta să pregătiți seturi de date de înaltă calitate pentru a ajusta modele de bază pentru sarcini generative AI, de la răspunsul la întrebări până la generarea de imagini și videoclipuri. De asemenea, permite forței de muncă umane calificate să revizuiască rezultatele modelului pentru a se asigura că acestea sunt aliniate cu preferințele umane. În plus, le permite creatorilor de aplicații să personalizeze modele folosind datele din industria sau ale companiei pentru a se asigura că aplicația lor reprezintă vocea și stilul lor preferat. Acestea sunt prima dintre multele inovații din Ground Truth Plus și mai multe sunt în dezvoltare. Rămâneți pe fază pentru postările viitoare.
Sunteți interesat să începeți un proiect pentru a construi sau îmbunătăți modelele și aplicațiile dvs. generative AI? Începeți cu Ground Truth Plus de către conectarea cu echipa noastră astăzi.
Despre autori
Jesse Manders este manager de produs senior în echipa de servicii AWS AI/ML human in the loop. El lucrează la intersecția dintre AI și interacțiunea umană cu scopul de a crea și îmbunătăți produse și servicii AI/ML pentru a satisface nevoile noastre. Anterior, Jesse a deținut roluri de conducere în inginerie la Apple și Lumileds și a fost om de știință senior într-un startup din Silicon Valley. Are M.S. şi doctorat. de la Universitatea din Florida și un MBA de la Universitatea din California, Berkeley, Haas School of Business.
Romi Datta este Senior Manager de Product Management în echipa Amazon SageMaker responsabilă pentru serviciile Human in the Loop. El este în AWS de peste 4 ani, deținând mai multe roluri de conducere în managementul produselor în SageMaker, S3 și IoT. Înainte de AWS, a lucrat în diverse funcții de management de produs, inginerie și conducere operațională la IBM, Texas Instruments și Nvidia. Are M.S. şi doctorat. în Inginerie Electrică și Calculatoare de la Universitatea Texas din Austin și un MBA de la Universitatea din Chicago Booth School of Business.
Jonathan Buck este inginer software la Amazon Web Services care lucrează la intersecția dintre învățarea automată și sistemele distribuite. Munca lui implică producția de modele de învățare automată și dezvoltarea de noi aplicații software alimentate de învățarea automată pentru a pune cele mai recente capabilități în mâinile clienților.
Alex Williams este un om de știință aplicat în echipa de știință uman-în-buclă de la AWS AI, unde efectuează cercetări de sisteme interactive la intersecția interacțiunii om-calculator (HCI) și învățarea automată. Înainte de a se alătura Amazon, a fost profesor la Departamentul de Inginerie Electrică și Știința Calculatoarelor de la Universitatea din Tennessee, unde a codiregit laboratorul de cercetare People, Agents, Interactions and Systems (PERECHI). De asemenea, a ocupat funcții de cercetare la Microsoft Research, Mozilla Research și la Universitatea din Oxford. El își publică în mod regulat lucrările în locuri de publicare de premiere pentru HCI, cum ar fi CHI, CSCW și UIST. El deține un doctorat la Universitatea din Waterloo.
Sarah Gao este manager de dezvoltare software în Amazon SageMaker Human In the Loop (HIL) responsabil pentru construirea platformei de etichetare bazată pe ML. Sarah este în AWS de peste 4 ani, deținând mai multe roluri de conducere în managementul software-ului în securitatea EC2 și SageMaker. Înainte de AWS, a lucrat în diferite roluri de management ingineresc la Oracle și Sun Microsystem.
Erran Li este managerul științei aplicate la serviciile human-in-the-loop, AWS AI, Amazon. Interesele sale de cercetare sunt învățarea profundă 3D și învățarea viziunii și reprezentării limbajului. Anterior, a fost om de știință senior la Alexa AI, șeful de învățare automată la Scale AI și om de știință șef la Pony.ai. Înainte de asta, a fost cu echipa de percepție de la Uber ATG și cu echipa platformei de învățare automată de la Uber, lucrând la învățarea automată pentru conducere autonomă, sisteme de învățare automată și inițiative strategice ale inteligenței artificiale. Și-a început cariera la Bell Labs și a fost profesor adjunct la Universitatea Columbia. A predat împreună tutoriale la ICML’17 și ICCV’19 și a co-organizat mai multe ateliere la NeurIPS, ICML, CVPR, ICCV despre învățarea automată pentru conducere autonomă, viziune 3D și robotică, sisteme de învățare automată și învățare automată adversară. Are un doctorat în informatică la Universitatea Cornell. El este ACM Fellow și IEEE Fellow.
- Distribuție de conținut bazat pe SEO și PR. Amplifică-te astăzi.
- PlatoAiStream. Web3 Data Intelligence. Cunoștințe amplificate. Accesați Aici.
- Mintând viitorul cu Adryenn Ashley. Accesați Aici.
- Cumpărați și vindeți acțiuni în companii PRE-IPO cu PREIPO®. Accesați Aici.
- Sursa: https://aws.amazon.com/blogs/machine-learning/high-quality-human-feedback-for-your-generative-ai-applications-from-amazon-sagemaker-ground-truth-plus/
- :are
- :este
- :nu
- :Unde
- $UP
- 100
- 3d
- 7
- a
- Capabil
- Despre Noi
- REZUMAT
- academic
- Conform
- precizie
- precis
- ACM
- activitate
- În plus,
- adresa
- adoptatori
- progresele
- contradictorialității
- publicitate
- din nou
- agenţi
- AI
- ai art
- AI / ML
- Alexa
- alinia
- aliniat
- aliniere
- TOATE
- permite
- permite
- singur
- de-a lungul
- de asemenea
- Amazon
- Amazon SageMaker
- Amazon SageMaker Ground Adevăr
- Amazon Web Services
- printre
- an
- și
- răspunde
- răspunsuri
- apare
- Apple
- aplicație
- aplicatii
- aplicat
- SUNT
- în jurul
- Artă
- AS
- Bunuri
- asistenți
- asociate
- At
- atribute
- Austin
- autonom
- disponibil
- AWS
- înapoi
- fundal
- bazat
- BE
- fost
- înainte
- fiind
- Clopot
- Berkeley
- între
- părtinitor
- distorsiunilor
- corp
- atât
- Cutie
- marca
- aduce
- construi
- constructor
- constructori
- Clădire
- construit
- afaceri
- business intelligence
- dar
- by
- California
- CAN
- capacități
- capabil
- legende
- capturi
- pasă
- Carieră
- caz
- cazuri
- CAT
- Centru
- Schimbare
- chatbot
- chatbots
- verifica
- Chicago
- şef
- ales
- claritate
- Clasifica
- clar
- clar
- cognitive
- COERENT
- COLUMBIA
- combina
- Comun
- Companii
- companie
- compararea
- Completă
- Terminat
- calculator
- Inginerie calculator
- Informatică
- concept
- conduite
- încredere
- Confirma
- conţinut
- context
- Control
- Cornell
- Istoria
- corecta
- ar putea
- acoperire
- crea
- a creat
- Crearea
- creaţie
- Creator
- crucial
- personalizat
- client
- clienţii care
- personaliza
- personalizate
- Periculos
- de date
- seturi de date
- adânc
- învățare profundă
- Mai adânc
- livra
- livrate
- demonstra
- demonstrat
- Departament
- descriere
- Amenajări
- proiectat
- proiectant
- detaliu
- detaliat
- Determina
- în curs de dezvoltare
- Dezvoltare
- diferit
- Dimensiune
- Dimensiuni
- discreție
- discuta
- distribuite
- sisteme distribuite
- distribuire
- do
- Nu
- Câine
- făcut
- Dont
- DOT
- conducere
- în timpul
- fiecare
- uşura
- ușurință în utilizare
- eficacitate
- element
- permite
- captivant
- inginer
- Inginerie
- consolidarea
- asigura
- Intrați
- Întreg
- Mediu inconjurator
- mai ales
- Chiar
- evenimente
- exemplu
- exemple
- expune
- existent
- expert
- expertiză
- experți
- feedback-ul
- membru
- Domenii
- Film
- În cele din urmă
- First
- florida
- debit
- urma
- următor
- Pentru
- formă
- găsit
- Fundație
- patru
- Cadru
- din
- mai mult
- viitor
- joc
- dezvoltarea jocului
- GAO
- aduna
- culegere
- General
- genera
- generată
- generator
- generaţie
- generativ
- AI generativă
- Generatoare
- obține
- obtinerea
- dat
- scop
- Grafic
- Teren
- ghida
- orientări
- HAD
- mâini
- nociv
- Avea
- acid clorhidric
- he
- cap
- greu
- ridicare de greutati
- Held
- ajutor
- util
- ajută
- Înalt
- de înaltă calitate
- highlights-uri
- extrem de
- lui
- deținere
- deține
- Cum
- Cum Pentru a
- HTML
- HTTPS
- uman
- Oamenii
- IBM
- identificat
- identifica
- IEEE
- if
- Ilegal
- imagine
- imagini
- important
- îmbunătăţi
- îmbunătățirea
- in
- inexact
- include
- include
- incorpora
- industrie
- specifice industriei
- inițiative
- inovații
- intrare
- instrucțiuni
- instrumente
- Inteligență
- destinate
- intenţie
- interacţiune
- interacţiuni
- interactiv
- interesat
- interese
- interfeţe
- intern
- intersecție
- în
- IoT
- problema
- probleme de
- IT
- ESTE
- în sine
- Loc de munca
- aderarea
- călătorie
- jpg
- doar
- Cheie
- Copil
- cunoştinţe
- etichetarea
- etichete
- laborator
- Labs
- limbă
- mare
- Ultimele
- Conducere
- AFLAȚI
- învăţare
- cel mai puțin
- stânga
- Lungime
- ridicare
- LIMITĂ
- LLM
- logare
- siglă
- maşină
- masina de învățare
- Principal
- face
- administrare
- manager
- gestionează
- de conducere
- multe
- marcat
- Marketing
- potrivire
- Mai..
- sens
- mijloace
- Întâlni
- se intalneste
- mental
- mesaj
- metodă
- Metode
- Microsoft
- dispărut
- ML
- model
- Modele
- moderare
- mai mult
- cele mai multe
- Mozilla
- Multimedia
- multiplu
- trebuie sa
- nume
- Natural
- Nevoie
- nevoilor
- Nou
- următor
- Nu.
- roman
- acum
- număr
- Nvidia
- obiect
- obiecte
- of
- on
- cele
- afară
- operațional
- Opţiuni
- or
- oracol
- comandă
- Altele
- al nostru
- producție
- peste
- propriu
- Oxford
- pagină
- pereche
- perechi
- pâine
- parte
- special
- piese
- Trecut
- modele
- oameni
- percepţie
- Efectua
- efectuarea
- personal
- personalizare
- Loc
- platformă
- Plato
- Informații despre date Platon
- PlatoData
- joacă
- la care se adauga
- poziţii
- Post
- postări
- alimentat
- puternic
- a prefera
- preferinţele
- preferat
- premier
- Pregăti
- pregătirea
- prezentat
- în prealabil
- anterior
- Problemă
- probleme
- proces
- produce
- Produs
- producător
- Producătorii
- Produs
- management de produs
- manager de produs
- productivitate
- Produse
- Profesor
- proiect
- Proiecte
- furniza
- prevăzut
- furnizarea
- Publicare
- publică
- scop
- scopuri
- pune
- Q & A
- calitate
- întrebare
- Întrebări
- Clasat
- evaluare
- Citeste
- gata
- realist
- recent
- recunoaște
- regulat
- legate de
- Relaţii
- se bazează
- eliminarea
- reprezentare
- reprezintă
- reputație
- solicita
- cereri de
- necesar
- Cerinţe
- Necesită
- cercetare
- respect
- Răspunde
- răspuns
- răspunsuri
- responsabil
- REZULTATE
- revizuiască
- Bogat
- dreapta
- Risc
- riscând
- robotica
- Rol
- rolurile
- s
- sigur
- sagemaker
- Scară
- scara ai
- Şcoală
- Ştiinţă
- Om de stiinta
- Secțiune
- securitate
- senior
- sensibil
- trimis
- Servicii
- servire
- set
- Seturi
- instalare
- configurarea
- câteva
- Distribuie
- ea
- Arăta
- indicat
- Emisiuni
- parte
- Siliciu
- Silicon Valley
- asemănător
- pur şi simplu
- simultan
- singur
- calificat
- Software
- de dezvoltare de software
- Inginer Software
- REZOLVAREA
- unele
- ceva
- specific
- specificată
- Începe
- început
- Pornire
- lansare
- şedere
- Pas
- Strategic
- stil
- prezentat
- substanță
- astfel de
- rezuma
- REZUMAT
- soare
- Suportat
- a presupus
- sisteme
- Lua
- luate
- Sarcină
- sarcini
- Predarea
- echipă
- Tennessee
- termeni
- Texas
- decât
- acea
- lumea
- lor
- Lor
- apoi
- Acolo.
- prin urmare
- Acestea
- ei
- acest
- trei
- Prin
- timp
- timestamp-ul
- la
- astăzi
- Unelte
- top
- subiect
- Tur
- Tren
- dresat
- Pregătire
- trenuri
- Adevăr
- tutoriale
- Două
- tip
- Tipuri
- tipic
- Uber
- ui
- înţelegere
- universitate
- Universitatea din California
- Universitatea din Chicago
- Universitatea din Oxford
- utilizare
- carcasa de utilizare
- utilizat
- Utilizator
- folosind
- Vale
- varietate
- diverse
- locuri
- Video
- joc video
- Video
- viziune
- Voce
- vrea
- doresc
- vrea
- a fost
- we
- web
- servicii web
- BINE
- Ce
- cand
- care
- OMS
- întreg
- voi
- cu
- fără
- Apartamente
- a lucrat
- flux de lucru
- fluxuri de lucru
- Forta de munca
- de lucru
- fabrică
- Ateliere
- lume
- ar
- scrie
- scris
- scris
- ani
- Tu
- Ta
- zephyrnet