Мы наблюдаем быстрый рост внедрения больших языковых моделей (LLM), которые используются в генеративных приложениях искусственного интеллекта в различных отраслях. LLM способны выполнять различные задачи, такие как создание креативного контента, ответы на запросы через чат-ботов, генерация кода и многое другое.
Организации, желающие использовать LLM для поддержки своих приложений, все больше настороженно относятся к конфиденциальности данных, чтобы обеспечить поддержание доверия и безопасности в своих генеративных приложениях искусственного интеллекта. Это включает в себя правильную обработку данных, позволяющих идентифицировать личность клиентов (PII). Это также включает в себя предотвращение распространения оскорбительного и небезопасного контента в LLM и проверку того, что данные, генерируемые LLM, соответствуют тем же принципам.
В этом посте мы обсуждаем новые функции, реализованные на базе Amazon Comprehend которые обеспечивают плавную интеграцию для обеспечения конфиденциальности данных, безопасности контента и оперативной безопасности в новых и существующих приложениях генеративного искусственного интеллекта.
Amazon Comprehend — это сервис обработки естественного языка (NLP), который использует машинное обучение (ML) для раскрытия информации в неструктурированных данных и тексте в документах. В этом посте мы обсуждаем, почему доверие и безопасность с LLM важны для ваших рабочих нагрузок. Мы также углубимся в то, как эти новые возможности модерации используются в популярной среде разработки генеративного искусственного интеллекта. Лангчейн чтобы представить настраиваемый механизм доверия и безопасности для вашего варианта использования.
Почему доверие и безопасность при работе с LLM так важны
Доверие и безопасность имеют первостепенное значение при работе с LLM из-за их глубокого влияния на широкий спектр приложений, от чат-ботов поддержки клиентов до создания контента. Поскольку эти модели обрабатывают огромные объемы данных и генерируют реакции, подобные человеческим, вероятность неправильного использования или непредвиденных результатов возрастает. Обеспечение того, чтобы эти системы искусственного интеллекта работали в рамках этических и надежных границ, имеет решающее значение не только для репутации компаний, которые их используют, но и для сохранения доверия конечных пользователей и клиентов.
Более того, по мере того, как LLM становятся все более интегрированными в наш повседневный цифровой опыт, их влияние на наше восприятие, убеждения и решения растет. Обеспечение доверия и безопасности с помощью LLM выходит за рамки просто технических мер; это говорит о более широкой ответственности практиков и организаций в области ИИ за соблюдение этических стандартов. Отдавая приоритет доверию и безопасности, организации не только защищают своих пользователей, но и обеспечивают устойчивый и ответственный рост использования ИИ в обществе. Это также может помочь снизить риск создания вредоносного контента и помочь соблюдать нормативные требования.
В сфере доверия и безопасности модерация контента — это механизм, который затрагивает различные аспекты, включая, помимо прочего:
- Политика – Пользователи могут случайно предоставить текст, содержащий конфиденциальную информацию, что поставит под угрозу их конфиденциальность. Обнаружение и редактирование любой личной информации имеет важное значение.
- Токсичность – Распознавание и фильтрация вредоносного контента, такого как разжигание ненависти, угрозы или оскорбления, имеет первостепенное значение.
- Намерение пользователя – Определение того, является ли пользовательский ввод (подсказка) безопасным или небезопасным, имеет решающее значение. Небезопасные запросы могут явно или неявно выражать злонамеренные намерения, например запрос личной или частной информации и создание оскорбительного, дискриминационного или незаконного контента. Подсказки также могут косвенно выражать или запрашивать совет по медицинским, юридическим, политическим, противоречивым, личным или финансовым вопросам.
Модерация контента с помощью Amazon Comprehend
В этом разделе мы обсудим преимущества модерации контента с помощью Amazon Comprehend.
Решение проблемы конфиденциальности
Amazon Comprehend уже обеспечивает конфиденциальность благодаря существующим возможностям обнаружения и редактирования личных данных с помощью Обнаружение PIIentities и СодержитPIIEntities API. Эти два API поддерживаются моделями NLP, которые могут обнаруживать большое количество объектов PII, таких как номера социального страхования (SSN), номера кредитных карт, имена, адреса, номера телефонов и т. д. Полный список объектов см. Универсальные типы объектов PII. DetectPII также обеспечивает положение объекта PII на уровне символов в тексте; например, позиция начального символа сущности NAME (Джон Доу) в предложении «Меня зовут Jох, делайe» равно 12, а позиция конечного символа — 19. Эти смещения можно использовать для маскировки или редактирования значений, тем самым снижая риски распространения частных данных в LLM.
Устранение токсичности и оперативная безопасность
Сегодня мы анонсируем две новые функции Amazon Comprehend в виде API: Обнаружение токсичности с помощью DetectToxicContent
API и быстрая классификация безопасности через ClassifyDocument
API. Обратите внимание, что DetectToxicContent
это новый API, тогда как ClassifyDocument
— это существующий API, который теперь поддерживает быструю классификацию безопасности.
Обнаружение токсичности
Благодаря обнаружению токсичности Amazon Comprehend вы можете выявлять и отмечать контент, который может быть вредным, оскорбительным или неприемлемым. Эта возможность особенно ценна для платформ, на которых пользователи создают контент, таких как сайты социальных сетей, форумы, чат-боты, разделы комментариев и приложения, которые используют LLM для создания контента. Основная цель — поддерживать позитивную и безопасную среду, предотвращая распространение токсичного контента.
По своей сути модель обнаружения токсичности анализирует текст, чтобы определить вероятность того, что он содержит контент, разжигающий ненависть, угрозы, непристойности или другие формы вредоносного текста. Модель обучена на обширных наборах данных, содержащих примеры как токсичного, так и нетоксичного контента. API токсичности оценивает заданный фрагмент текста, чтобы предоставить классификацию токсичности и оценку достоверности. Приложения генеративного ИИ могут затем использовать эту информацию для принятия соответствующих мер, например, для предотвращения распространения текста в LLM. На момент написания этой статьи метки, обнаруженные API обнаружения токсичности, HATE_SPEECH
, GRAPHIC
, HARRASMENT_OR_ABUSE
, SEXUAL
, VIOLENCE_OR_THREAT
, INSULT
и PROFANITY
. Следующий код демонстрирует вызов API с помощью Python Boto3 для обнаружения токсичности Amazon Comprehend:
Быстрая классификация безопасности
Классификация безопасности подсказок с помощью Amazon Comprehend помогает классифицировать вводимые текстовые подсказки как безопасные или небезопасные. Эта возможность имеет решающее значение для таких приложений, как чат-боты, виртуальные помощники или инструменты модерации контента, где понимание безопасности запроса может определять ответы, действия или распространение контента в LLM.
По сути, быстрая классификация безопасности анализирует действия человека на наличие явных или скрытых злонамеренных намерений, таких как запрос личной или частной информации и создание оскорбительного, дискриминационного или незаконного контента. Он также отмечает подсказки о поиске совета по медицинским, юридическим, политическим, спорным, личным или финансовым вопросам. Оперативная классификация возвращает два класса: UNSAFE_PROMPT
и SAFE_PROMPT
, для связанного текста, с соответствующим показателем достоверности для каждого. Показатель уверенности варьируется от 0 до 1, а в сумме составит 1. Например, в чат-боте службы поддержки клиентов текст «Как мне сбросить пароль?» сигнализирует о намерении обратиться за советом по процедурам сброса пароля и обозначается как SAFE_PROMPT
. Аналогично, утверждение типа «Я хочу, чтобы с тобой случилось что-то плохое» может быть помечен как имеющий потенциально вредные намерения и помечен как UNSAFE_PROMPT
. Важно отметить, что классификация безопасности подсказок в первую очередь ориентирована на обнаружение намерений по вводу человека (подсказки), а не по машинному тексту (выходные данные LLM). Следующий код демонстрирует, как получить доступ к функции быстрой классификации безопасности с помощью ClassifyDocument
API:
Обратите внимание, что endpoint_arn
в предыдущем коде — это предоставленный AWS Номер ресурса Amazon (ARN) шаблона arn:aws:comprehend:<region>:aws:document-classifier-endpoint/prompt-safety
, Где <region>
выбранный вами регион AWS, где Amazon Comprehend доступен.
Чтобы продемонстрировать эти возможности, мы создали пример приложения чата, в котором мы просим LLM извлечь объекты PII, такие как адрес, номер телефона и SSN, из заданного фрагмента текста. LLM находит и возвращает соответствующие объекты PII, как показано на изображении слева.
Благодаря модерации Amazon Comprehend мы можем редактировать входные данные в LLM и выходные данные LLM. На изображении справа значение SSN разрешено передавать в LLM без редактирования. Однако любое значение SSN в ответе LLM будет отредактировано.
Ниже приведен пример того, как можно полностью предотвратить попадание запроса, содержащего информацию PII, в LLM. В этом примере показано, как пользователь задает вопрос, содержащий информацию, позволяющую идентифицировать личность. Мы используем модерацию Amazon Comprehend для обнаружения объектов PII в запросе и отображения ошибки, прерывая поток.
В предыдущих примерах чата показано, как модерация Amazon Comprehend применяет ограничения на отправку данных в LLM. В следующих разделах мы объясним, как этот механизм модерации реализуется с помощью LangChain.
Интеграция с LangChain
Учитывая безграничные возможности применения LLM в различных случаях, не менее важно упростить разработку генеративных приложений ИИ. Лангчейн — это популярная платформа с открытым исходным кодом, которая позволяет легко разрабатывать генеративные приложения искусственного интеллекта. Модерация Amazon Comprehend расширяет структуру LangChain, предлагая возможности идентификации и редактирования личных данных, обнаружения токсичности и оперативной классификации безопасности через AmazonComprehendModerationChain
.
AmazonComprehendModerationChain
представляет собой пользовательскую реализацию Базовая цепочка LangChain интерфейс. Это означает, что приложения могут использовать эту цепочку самостоятельно. LLM-цепи чтобы применить желаемую модерацию к подсказке ввода, а также к выходному тексту из LLM. Цепочки могут быть построены путем слияния множества цепочек или путем смешивания цепочек с другими компонентами. Вы можете использовать AmazonComprehendModerationChain
совместно с другими цепочками LLM для разработки сложных приложений искусственного интеллекта на модульной и гибкой основе.
Чтобы объяснить это подробнее, мы приводим несколько примеров в следующих разделах. Исходный код для AmazonComprehendModerationChain
реализацию можно найти в Репозиторий с открытым исходным кодом LangChain. Полную документацию по интерфейсу API см. в документации API LangChain для Цепочка модерации Amazon Comprehend. Использовать эту цепочку модерации так же просто, как инициализировать экземпляр класса с конфигурациями по умолчанию:
За кулисами цепочка модерации выполняет три последовательные проверки модерации, а именно проверку личных данных, токсичности и оперативной безопасности, как показано на следующей диаграмме. Это стандартный порядок модерации.
В следующем фрагменте кода показан простой пример использования цепочки модерации с Amazon FalconLite LLM (который представляет собой квантованную версию Модель Falcon 40B SFT OASST-TOP1), размещенное в Hugging Face Hub:
В предыдущем примере мы дополняем нашу цепочку comprehend_moderation
как для текста, поступающего в LLM, так и для текста, сгенерированного LLM. При этом будет выполнена модерация по умолчанию, которая проверит личные данные, токсичность и подскажет классификацию безопасности в указанной последовательности.
Настройте модерацию с помощью настроек фильтров
Вы можете использовать AmazonComprehendModerationChain
с конкретными конфигурациями, что дает вам возможность контролировать, какую модерацию вы хотите выполнять в своем генеративном приложении на основе искусственного интеллекта. В основе конфигурации имеются три доступные конфигурации фильтров.
- МодерацияPiiConfig – Используется для настройки фильтра PII.
- МодерацияToxicityConfig – Используется для настройки фильтра токсичного содержимого.
- МодерацияИнтентКонфиг – Используется для настройки фильтра намерений.
Вы можете использовать каждую из этих конфигураций фильтров, чтобы настроить поведение вашей модерации. Конфигурации каждого фильтра имеют несколько общих и несколько уникальных параметров, с помощью которых их можно инициализировать. После определения конфигураций вы используете BaseModerationConfig
класс, чтобы определить последовательность, в которой фильтры должны применяться к тексту. Например, в следующем коде мы сначала определяем три конфигурации фильтров, а затем указываем порядок, в котором они должны применяться:
Давайте углубимся немного глубже, чтобы понять, чего достигает эта конфигурация:
- Во-первых, для фильтра токсичности мы установили порог 0.6. Это означает, что если текст содержит какие-либо из доступных токсичных меток или объектов с оценкой, превышающей пороговое значение, вся цепочка будет прервана.
- Если в тексте не обнаружено токсичного содержимого, проводится проверка PII. В этом случае мы заинтересованы в проверке того, содержит ли текст значения SSN. Поскольку
redact
параметр установлен вTrue
, цепочка будет маскировать обнаруженные значения SSN (если таковые имеются), где показатель достоверности объекта SSN больше или равен 0.5, с указанным символом маски (X). Еслиredact
наFalse
, цепочка будет прервана при обнаружении любого SSN. - Наконец, цепочка выполняет оперативную классификацию безопасности и останавливает дальнейшее распространение контента по цепочке, если контент классифицирован с помощью
UNSAFE_PROMPT
с показателем достоверности больше или равным 0.8.
Следующая диаграмма иллюстрирует этот рабочий процесс.
В случае прерывания цепочки модерации (в данном примере это применимо к фильтрам классификации токсичности и оперативной безопасности), цепочка выдаст предупреждение. Исключение Python, по сути останавливая выполняющуюся цепочку и позволяя вам перехватить исключение (в блоке try-catch) и выполнить любое соответствующее действие. Три возможных типа исключений:
ModerationPIIError
ModerationToxicityError
ModerationPromptSafetyError
Вы можете настроить один фильтр или несколько фильтров, используя BaseModerationConfig
. Вы также можете использовать один и тот же тип фильтра с разными конфигурациями в одной цепочке. Например, если ваш вариант использования касается только PII, вы можете указать конфигурацию, которая должна прерывать цепочку в случае обнаружения SSN; в противном случае он должен выполнить редактирование возраста и имени объектов PII. Конфигурацию для этого можно определить следующим образом:
Использование обратных вызовов и уникальных идентификаторов
Если вы знакомы с концепцией рабочих процессов, возможно, вы также знакомы с обратные вызовы. Обратные вызовы в рабочих процессах — это независимые фрагменты кода, которые запускаются при выполнении определенных условий в рабочем процессе. Обратный вызов может быть блокирующим или неблокирующим рабочий процесс. Цепочки LangChain, по сути, являются рабочими процессами для LLM. AmazonComprehendModerationChain
позволяет вам определять свои собственные функции обратного вызова. Первоначально реализация ограничивается только асинхронными (неблокирующими) функциями обратного вызова.
Фактически это означает, что если вы используете обратные вызовы с цепочкой модерации, они будут выполняться независимо от запуска цепочки, не блокируя ее. Для цепочки модерации вы получаете возможность запускать фрагменты кода с любой бизнес-логикой после каждого запуска модерации независимо от цепочки.
Вы также можете дополнительно предоставить произвольную строку уникального идентификатора при создании AmazonComprehendModerationChain
чтобы включить ведение журнала и аналитику позже. Например, если вы используете чат-бота на базе LLM, вы можете отслеживать пользователей, которые постоянно оскорбляют или намеренно или неосознанно раскрывают личную информацию. В таких случаях возникает необходимость отслеживать происхождение таких запросов и, возможно, сохранять их в базе данных или соответствующим образом регистрировать для дальнейших действий. Вы можете передать уникальный идентификатор, который однозначно идентифицирует пользователя, например его имя пользователя или адрес электронной почты, или имя приложения, генерирующего приглашение.
Комбинация обратных вызовов и уникальных идентификаторов предоставляет вам мощный способ реализовать цепочку модерации, которая соответствует вашему сценарию использования, гораздо более связно, с меньшим количеством кода, который легче поддерживать. Обработчик обратного вызова доступен через BaseModerationCallbackHandler
, с тремя доступными обратными вызовами: on_after_pii()
, on_after_toxicity()
и on_after_prompt_safety()
. Каждая из этих функций обратного вызова вызывается асинхронно после выполнения соответствующей проверки модерации внутри цепочки. Эти функции также получают два параметра по умолчанию:
- модерация_маяк – Словарь, содержащий такие сведения, как текст, для которого выполнялась модерация, полный вывод JSON API Amazon Comprehend, тип модерации, а также были ли предоставленные метки (в конфигурации) найдены в тексте или нет.
- уникальный идентификатор – Уникальный идентификатор, который вы назначили при инициализации экземпляра
AmazonComprehendModerationChain
.
Ниже приведен пример того, как работает реализация с обратным вызовом. В этом случае мы определили один обратный вызов, который мы хотим, чтобы цепочка запускалась после выполнения проверки PII:
Затем мы используем my_callback
объект при инициализации цепочки модерации, а также передать unique_id
. Вы можете использовать обратные вызовы и уникальные идентификаторы с конфигурацией или без нее. Когда вы создаете подкласс BaseModerationCallbackHandler
, вы должны реализовать один или все методы обратного вызова в зависимости от фильтров, которые вы собираетесь использовать. Для краткости в следующем примере показан способ использования обратных вызовов и unique_id
без какой-либо конфигурации:
На следующей диаграмме показано, как работает эта цепочка модерации с обратными вызовами и уникальными идентификаторами. В частности, мы реализовали обратный вызов PII, который должен записать файл JSON с данными, доступными в moderation_beacon
и unique_id
прошло (в данном случае адрес электронной почты пользователя).
В следующем Тетрадь Python, мы собрали несколько различных способов настройки и использования цепочки модерации с различными LLM, например LLM, размещенными на Amazon SageMaker JumpStart и размещен в Обниматься Face Hub. Мы также включили пример приложения чата, который мы обсуждали ранее, со следующими Тетрадь Python.
Заключение
Преобразовательный потенциал больших языковых моделей и генеративного искусственного интеллекта неоспорим. Однако их ответственное и этичное использование зависит от решения проблем доверия и безопасности. Признавая проблемы и активно реализуя меры по снижению рисков, разработчики, организации и общество в целом могут использовать преимущества этих технологий, сохраняя при этом доверие и безопасность, которые лежат в основе их успешной интеграции. Используйте Amazon Comprehend ContentModerationChain, чтобы добавить функции доверия и безопасности в любой рабочий процесс LLM, включая рабочие процессы извлечения дополненной генерации (RAG), реализованные в LangChain.
Для получения информации о создании решений на основе RAG с использованием высокоточных технологий машинного обучения (ML) LangChain и Amazon Kendra. интеллектуальный поиск, видеть - Быстро создавайте высокоточные приложения генеративного ИИ на корпоративных данных, используя Amazon Kendra, LangChain и большие языковые модели.. В качестве следующего шага обратитесь к образцы кода мы создали для использования модерации Amazon Comprehend с LangChain. Полную документацию по API цепочки модерации Amazon Comprehend см. на странице LangChain. Документация по API.
Об авторах
Врик Талукдар является старшим архитектором в команде Amazon Comprehend Service. Он работает с клиентами AWS, помогая им широко внедрять машинное обучение. Вне работы любит читать и фотографировать.
Анжан Бисвас является старшим архитектором решений AI Services, специализирующимся на AI/ML и аналитике данных. Анджан является частью всемирной группы по обслуживанию ИИ и работает с клиентами, помогая им понять и разработать решения бизнес-проблем с помощью ИИ и машинного обучения. Анджан имеет более чем 14-летний опыт работы с глобальными цепочками поставок, производственными и розничными организациями и активно помогает клиентам начать работу с сервисами AWS AI и масштабировать их.
Нихил Джа является старшим техническим менеджером по работе с клиентами в Amazon Web Services. Его основные направления включают AI/ML и аналитику. В свободное время он любит играть в бадминтон со своей дочерью и гулять на свежем воздухе.
Чин Ране является специалистом по архитектуре решений AI/ML в Amazon Web Services. Увлекается прикладной математикой и машинным обучением. Она занимается разработкой интеллектуальных решений для обработки документов для клиентов AWS. Вне работы она любит танцевать сальсу и бачату.
- SEO-контент и PR-распределение. Получите усиление сегодня.
- PlatoData.Network Вертикальный генеративный ИИ. Расширьте возможности себя. Доступ здесь.
- ПлатонАйСтрим. Интеллект Web3. Расширение знаний. Доступ здесь.
- ПлатонЭСГ. Углерод, чистые технологии, Энергия, Окружающая среда, Солнечная, Управление отходами. Доступ здесь.
- ПлатонЗдоровье. Биотехнологии и клинические исследования. Доступ здесь.
- Источник: https://aws.amazon.com/blogs/machine-learning/build-trust-and-safety-for-generative-ai-applications-with-amazon-comprehend-and-langchain/
- :имеет
- :является
- :нет
- :куда
- $UP
- 1
- 100
- 11
- 12
- 14
- 15%
- 17
- 19
- 500
- 7
- 8
- 9
- a
- способности
- способность
- О нас
- злоупотребление
- доступ
- Учетная запись
- точный
- Достигает
- через
- Действие
- действия
- активно
- Добавить
- адрес
- адреса
- адресация
- придерживаться
- принять
- Принятие
- совет
- После
- возраст
- AI
- Услуги искусственного интеллекта
- Системы искусственного интеллекта
- AI / ML
- Все
- разрешено
- Позволяющий
- позволяет
- уже
- причислены
- в целом
- Amazon
- Amazon Comprehend
- Амазон Кендра
- Amazon Web Services
- суммы
- an
- аналитика
- анализы
- и
- объявляющий
- ответ
- любой
- API
- API
- отношение
- Применение
- Приложения
- прикладной
- применяется
- Применить
- соответствующий
- надлежащим образом
- МЫ
- области
- AS
- спросить
- спрашивающий
- аспекты
- назначенный
- помощники
- связанный
- At
- увеличивать
- дополненная
- доступен
- AWS
- со спинкой
- Плохой
- Использование темпера с изогнутым основанием
- основанный
- BE
- , так как:
- становиться
- становится
- поведение
- не являетесь
- убеждений
- Преимущества
- между
- Beyond
- Заблокировать
- блокирование
- изоферменты печени
- Границы
- шире
- строить
- строить доверие
- Строительство
- построенный
- бизнес
- бизнес
- но
- by
- призывают
- обратные вызовы
- под названием
- CAN
- возможности
- возможности
- способный
- столица
- карта
- случаев
- случаев
- Привлекайте
- определенный
- цепь
- цепи
- проблемы
- персонаж
- Chatbot
- chatbots
- проверка
- контроль
- Проверки
- подбородок
- выбор
- класс
- классов
- классификация
- классифицированный
- классифицировать
- клиент
- код
- сплоченной
- COM
- сочетание
- сочетании
- комментарий
- Общий
- комплекс
- компоненты
- постигать
- сама концепция
- обеспокоенный
- Обеспокоенность
- Условия
- доверие
- Конфигурация
- последовательный
- последовательно
- содержит
- содержание
- Генерация контента
- контроль
- спорный
- Основные
- создали
- Создающий
- творческий
- кредит
- кредитная карта
- критической
- решающее значение
- изготовленный на заказ
- клиент
- служба поддержки
- Клиенты
- настраиваемый
- настроить
- ежедневно
- танцы
- данным
- Анализ данных
- конфиденциальность данных
- База данных
- Наборы данных
- решения
- более глубокий
- По умолчанию
- определять
- определенный
- копаться
- демонстрировать
- демонстрирует
- в зависимости
- проектирование
- желанный
- подробнее
- обнаруживать
- обнаруженный
- обнаружение
- Определять
- развивать
- застройщиков
- Развитие
- различный
- Интернет
- обсуждать
- обсуждается
- отчетливо
- погружение
- do
- документ
- документации
- Документация
- лань
- вниз
- два
- e
- каждый
- Ранее
- легче
- фактически
- легкий
- или
- еще
- включить
- конец
- Бесконечный
- обеспечивать
- обеспечение
- Предприятие
- лиц
- организация
- Окружающая среда
- равный
- одинаково
- ошибка
- сущность
- существенный
- по существу
- этический
- пример
- Примеры
- Кроме
- исключение
- существующий
- опыт
- Впечатления
- Объяснять
- объяснены
- Объясняет
- эксплицитно
- Исследование
- экспресс
- продолжается
- извлечение
- Face
- знакомый
- Особенность
- Особенности
- несколько
- Файл
- фильтр
- фильтрация
- фильтры
- финансовый
- Найдите
- находит
- Во-первых,
- Помеченные
- Флаги
- гибкого
- поток
- Фокус
- внимание
- фокусируется
- после
- следующим образом
- Что касается
- форма
- формат
- формы
- форумы
- найденный
- Рамки
- Франция
- от
- полный
- Функции
- далее
- порождать
- генерируется
- порождающий
- поколение
- генеративный
- Генеративный ИИ
- получить
- GIF
- Дайте
- данный
- дает
- Глобальный
- цель
- идет
- будет
- хорошо
- большой
- Растет
- Рост
- руководство
- Управляемость
- происходит
- вредный
- упряжь
- ненавидеть
- Есть
- имеющий
- he
- помощь
- помощь
- помогает
- очень
- шарниры
- его
- состоялся
- Как
- How To
- Однако
- HTML
- HTTPS
- хаб
- человек
- человекоподобный
- i
- ID
- Идентификация
- идентификатор
- идентификаторы
- идентифицирует
- определения
- идентифицирующий
- if
- нелегальный
- иллюстрирует
- изображение
- Влияние
- осуществлять
- реализация
- в XNUMX году
- Осуществляющий
- Импортировать
- значение
- важную
- in
- ненароком
- включают
- включены
- включает в себя
- В том числе
- Увеличение
- Увеличивает
- все больше и больше
- независимые
- самостоятельно
- промышленности
- повлиять
- информация
- первоначально
- вход
- затраты
- Запросы
- пример
- интегрированный
- интеграции.
- Умный
- Интеллектуальная обработка документов
- намереваться
- намерение
- заинтересованный
- Интерфейс
- прерванный
- в
- вводить
- IT
- ЕГО
- John
- ДЖОН ДОУ
- JPG
- JSON
- всего
- Этикетки
- язык
- большой
- новее
- изучение
- оставил
- Юр. Информация
- Меньше
- такое как
- вероятность
- Ограниченный
- Список
- мало
- немного глубже
- LLM
- журнал
- каротаж
- логика
- искать
- машина
- обучение с помощью машины
- поддерживать
- ДЕЛАЕТ
- менеджер
- способ
- производство
- маска
- математика
- Вопрос
- Май..
- me
- означает
- меры
- механизм
- Медиа
- основным медицинским
- объединение
- встретивший
- методы
- злоупотреблять
- смягчать
- Смешивание
- ML
- модель
- Модели
- умеренность
- модульный
- БОЛЕЕ
- много
- должен
- my
- имя
- а именно
- имена
- натуральный
- Обработка естественного языка
- необходимо
- Новые
- Новые функции
- следующий
- НЛП
- нет
- сейчас
- номер
- номера
- многочисленный
- объект
- of
- наступление
- предлагают
- смещения
- on
- ONE
- только
- открытый
- с открытым исходным кодом
- работать
- операционный
- Опции
- or
- заказ
- организации
- происхождения
- Другое
- в противном случае
- наши
- внешний
- Результаты
- на открытом воздухе
- выходной
- выходы
- внешнюю
- за
- собственный
- параметр
- параметры
- Первостепенный
- часть
- особенно
- pass
- Прошло
- страстный
- Пароль
- восстановление пароля
- шаблон
- Выполнять
- выполнены
- выполняет
- возможно
- личного
- Лично
- Телефон
- фотография
- кусок
- штук
- Платформы
- Платон
- Платон Интеллектуальные данные
- ПлатонДанные
- игры
- политический
- Популярное
- должность
- положительный
- возможности,
- возможное
- После
- потенциал
- потенциально
- мощностью
- Питание
- мощный
- консервирование
- предупреждение
- в первую очередь
- первичный
- Принципы
- приоритезация
- политикой конфиденциальности.
- частная
- личная информация
- проблемам
- Процедуры
- процесс
- обработка
- глубокий
- Прогресс
- должным образом
- для защиты
- обеспечивать
- приводит
- Питон
- вопрос
- повышение
- ассортимент
- диапазоны
- быстро
- скорее
- достигнув результата
- Reading
- область
- Получать
- признавая
- уменьшить
- снижение
- относиться
- область
- регуляторы
- соответствующие
- складская
- репутация
- запросить
- Требования
- ресурс
- те
- ответ
- ответы
- ответственность
- ответственный
- Ограничения
- розничный
- Возвращает
- правую
- Снижение
- рисках,
- Run
- s
- безопасный
- Сохранность
- sagemaker
- то же
- Шкала
- Сцены
- Гол
- бесшовные
- Раздел
- разделах
- безопасность
- посмотреть
- Искать
- SELF
- старший
- чувствительный
- послать
- предложение
- Последовательность
- обслуживание
- Услуги
- набор
- она
- должен
- показывать
- демонстрации
- показанный
- Шоу
- сигналы
- Аналогичным образом
- просто
- упростить
- одинарной
- Сайтов
- отрывок
- So
- Соцсети
- социальные сети
- Общество
- Решения
- некоторые
- удалось
- Источник
- исходный код
- Говорит
- специалист
- конкретный
- конкретно
- указанный
- речь
- стандартов
- Начало
- и политические лидеры
- заявление
- Шаг
- Stop
- остановка
- магазин
- строка
- впоследствии
- успешный
- такие
- поставляется
- поставка
- цепочками поставок
- поддержка
- Поддержка
- комфортного
- системы
- взять
- задачи
- команда
- Технический
- технологии
- шаблон
- текст
- чем
- который
- Ассоциация
- Столица
- Источник
- их
- Их
- тогда
- Там.
- тем самым
- Эти
- они
- этой
- угрозы
- три
- порог
- Через
- время
- в
- инструменты
- трек
- специалистов
- преобразующей
- Доверие
- стараться
- два
- напишите
- Типы
- открывай
- неоспоримый
- подкреплять
- понимать
- понимание
- созданного
- Universal
- поддерживать
- использование
- прецедент
- используемый
- Информация о пользователе
- пользователей
- использования
- через
- использовать
- использовать
- ценный
- ценностное
- Наши ценности
- разнообразие
- различный
- Огромная
- версия
- с помощью
- Виртуальный
- W
- хотеть
- законопроект
- Путь..
- способы
- we
- Web
- веб-сервисы
- ЧТО Ж
- были
- Что
- Что такое
- когда
- в то время как
- будь то
- , которые
- в то время как
- КТО
- все
- зачем
- широкий
- Широкий диапазон
- будете
- желание
- в
- без
- свидетели
- Работа
- рабочий
- Рабочие процессы
- работает
- работает
- записывать
- письмо
- X
- лет
- Ты
- ВАШЕ
- зефирнет