Amazon SageMaker Ground Truth Plus vam pomaga pripraviti visokokakovostne nabore podatkov za usposabljanje z odstranitvijo nediferenciranega težkega dela, povezanega z gradnjo aplikacij za označevanje podatkov in upravljanjem delovne sile za označevanje. Vse, kar počnete, je, da delite podatke skupaj z zahtevami za označevanje, Ground Truth Plus pa nastavi in upravlja potek dela za označevanje podatkov na podlagi teh zahtev. Od tam strokovna delovna sila, ki je usposobljena za različne naloge strojnega učenja (ML), označi vaše podatke. Za uporabo Ground Truth Plus ne potrebujete niti globokega strokovnega znanja o ML ali znanja o načrtovanju delovnega toka in upravljanju kakovosti. Zdaj Ground Truth Plus služi strankam, ki potrebujejo označevanje podatkov in človeške povratne informacije za natančno nastavitev temeljnih modelov za generativne aplikacije AI.
V tej objavi boste izvedeli o nedavnem napredku v človeških povratnih informacijah za generativno umetno inteligenco, ki je na voljo prek SageMaker Ground Truth Plus. To vključuje nove poteke dela in uporabniške vmesnike (UI), ki so na voljo za pripravo predstavitvenih naborov podatkov, ki se uporabljajo pri nadzorovanem natančnem uravnavanju, zbiranje visokokakovostnih človeških povratnih informacij za izdelavo naborov podatkov o preferencah za usklajevanje generativnih temeljnih modelov umetne inteligence s človeškimi preferencami, kot tudi prilagajanje modelov izdelovalcem aplikacij ' zahteve glede sloga, vsebine in glasu.
Izzivi na začetku uporabe generativne umetne inteligence
Generativne aplikacije umetne inteligence po vsem svetu vključujejo enomodalne in večmodalne osnovne modele za reševanje številnih različnih primerov uporabe. Pogosti med njimi so chatboti, generatorji slik in video generatorji. Veliki jezikovni modeli (LLM) se uporabljajo v klepetalnih robotih za ustvarjalne dejavnosti, akademske in osebne pomočnike, orodja za poslovno inteligenco in orodja za produktivnost. Modele besedila v sliko lahko uporabite za ustvarjanje abstraktnih ali realističnih umetniških in marketinških sredstev AI. Modeli besedila v video se uporabljajo za ustvarjanje videoposnetkov za umetniške projekte, zelo privlačne oglase, razvoj video iger in celo razvoj filmov.
Dva izmed najpomembnejših problemov, ki ju je treba rešiti tako za proizvajalce modelov, ki ustvarjajo temeljne modele, kot za graditelje aplikacij, ki uporabljajo obstoječe generativne temeljne modele za izdelavo lastnih orodij in aplikacij, sta:
- Natančna nastavitev teh temeljnih modelov, da lahko izvajajo določene naloge
- Uskladite jih s človeškimi preferencami, da zagotovite, da oddajajo koristne, točne in neškodljive informacije
Temeljni modeli so običajno vnaprej usposobljeni za velike korpuse neoznačenih podatkov in zato ne delujejo dobro po navodilih naravnega jezika. Za LLM to pomeni, da so morda sposobni razčleniti in ustvariti jezik na splošno, vendar morda ne bodo mogli koherentno odgovoriti na vprašanja ali povzeti besedila do kakovosti, ki jo zahteva uporabnik. Na primer, ko uporabnik zahteva povzetek besedila v pozivu, lahko model, ki ni bil natančno nastavljen, kako povzemati besedilo, uporabniku samo recitira besedilo poziva nazaj ali odgovori z nečim nepomembnim. Če uporabnik postavi vprašanje o temi, je odgovor modela lahko le recitacija vprašanja. Pri večmodalnih modelih, kot so modeli besedila v sliko ali besedila v video, lahko modeli izpišejo vsebino, ki ni povezana s pozivom. Na primer, če korporativni grafični oblikovalec pozove model besedila v sliko, da ustvari nov logotip ali sliko za oglas, model morda ne bo ustvaril ustrezne grafike, povezane s pozivom, če ima le splošen koncept slike in elementi slike. V nekaterih primerih lahko model odda škodljivo sliko ali video, kar ogrozi zaupanje uporabnikov ali ugled podjetja.
Tudi če so modeli natančno nastavljeni za izvajanje določenih nalog, morda ne bodo usklajeni s človeškimi preferencami glede pomena, sloga ali vsebine njihove izhodne vsebine. Pri študiju LLM se to lahko kaže kot netočna ali celo škodljiva vsebina, ki jo ustvari model. Na primer, model, ki s finim prilagajanjem ni usklajen s človeškimi preferencami, lahko ob pozivu uporabnika prikaže nevarna, neetična ali celo nezakonita navodila. Vsebine, ki jo ustvari model, ne bomo omejili, da bi zagotovili, da je usklajena s človeškimi željami, da je točna, ustrezna in uporabna. Ta neusklajenost je lahko težava za podjetja, ki se zanašajo na generativne modele umetne inteligence za svoje aplikacije, kot so chatboti in ustvarjanje večpredstavnosti. Pri večmodalnih modelih je to lahko v obliki generiranih strupenih, nevarnih ali žaljivih slik ali videoposnetkov. To je tveganje, če so pozivi vneseni v model brez namena generiranja občutljive vsebine, in tudi če proizvajalec modela ali graditelj aplikacije ni nameraval dovoliti, da model generira takšno vsebino, vendar je bila vseeno ustvarjena.
Da bi rešili vprašanja zmogljivosti, specifičnih za naloge, in uskladitev generativnih temeljnih modelov s človeškimi preferencami, morajo proizvajalci modelov in graditelji aplikacij natančno prilagoditi modele s podatki z uporabo demonstracij, ki jih vodi človek, in človeških povratnih informacij o rezultatih modela.
Vrste podatkov in usposabljanja
Obstaja več vrst metod natančnega prilagajanja z različnimi vrstami označenih podatkov, ki so kategorizirane kot prilagajanje navodil – ali učenje modela, kako slediti navodilom. Med njimi sta nadzorovano fino uravnavanje (SFT) z uporabo predstavitvenih podatkov in okrepitveno učenje iz človeških povratnih informacij (RLHF) z uporabo podatkov o preferencah.
Predstavitveni podatki za nadzorovano fino uravnavanje
Za natančno nastavitev temeljnih modelov za opravljanje določenih nalog, kot je odgovarjanje na vprašanja ali povzemanje besedila z visoko kakovostjo, se modeli podvržejo SFT z demonstracijskimi podatki. Namen demonstracijskih podatkov je usmerjati model tako, da mu zagotovijo označene primere (demonstracije) opravljenih nalog, ki so jih opravili ljudje. Na primer, da bi LLM naučil, kako odgovarjati na vprašanja, bo človeški označevalec ustvaril označen nabor podatkov parov vprašanj in odgovorov, ki jih je ustvaril človek, da pokaže, kako interakcija vprašanja in odgovora deluje jezikovno in kaj vsebina pomeni semantično. Ta vrsta SFT usposablja model za prepoznavanje vzorcev vedenja, ki so jih pokazali ljudje v podatkih predstavitvenega usposabljanja. Proizvajalci modelov morajo opraviti to vrsto natančnega prilagajanja, da pokažejo, da so njihovi modeli sposobni izvajati takšne naloge za uporabnike, ki so na koncu prodajne verige. Izdelovalci aplikacij, ki uporabljajo obstoječe temeljne modele za svoje generativne aplikacije AI, bodo morda morali svoje modele natančno prilagoditi s predstavitvenimi podatki o teh nalogah s podatki, specifičnimi za industrijo ali podjetje, da izboljšajo ustreznost in natančnost svojih aplikacij.
Prednostni podatki za nastavitev navodil, kot je RLHF
Za nadaljnjo uskladitev temeljnih modelov s človeškimi preferencami morajo izdelovalci modelov – in zlasti izdelovalci aplikacij – ustvariti nabore podatkov o preferencah za izvedbo prilagajanja navodil. Podatki o preferencah v kontekstu prilagajanja navodil so označeni podatki, ki zajamejo človeško povratno informacijo glede niza možnosti, ki jih izda model generativne osnove. Običajno vključuje ocenjevanje ali razvrščanje več sklepov ali parno primerjavo dveh sklepov iz temeljnega modela glede na določen atribut. Za LLM so lahko ti atributi ustrežljivost, natančnost in neškodljivost. Pri modelih besedila v sliko je to lahko estetska kakovost ali poravnava besedila in slike. Te podatke o preferencah, ki temeljijo na človeških povratnih informacijah, je mogoče nato uporabiti v različnih metodah prilagajanja navodil – vključno z RLHF – za nadaljnjo natančno nastavitev modela za uskladitev s človeškimi preferencami.
Uravnavanje navodil z uporabo podatkov o preferencah igra ključno vlogo pri izboljšanju personalizacije in učinkovitosti temeljnih modelov. To je ključni korak pri gradnji aplikacij po meri na podlagi predhodno usposobljenih temeljnih modelov in je zmogljiva metoda za zagotavljanje, da modeli ustvarjajo koristno, natančno in neškodljivo vsebino. Pogost primer prilagajanja navodil je, da klepetalnemu robotu naročite, naj ustvari tri odgovore na poizvedbo, človek pa prebere in vse tri razvrsti glede na določeno dimenzijo, kot je toksičnost, dejanska točnost ali berljivost. Na primer, podjetje lahko uporablja chatbota za svoj tržni oddelek in se želi prepričati, da je vsebina usklajena s sporočilom njegove blagovne znamke, da ne kaže pristranskosti in je jasno berljiva. Podjetje bi med prilagajanjem navodil pozvalo klepetalni robot, naj izdela tri primere, njihovi notranji strokovnjaki pa naj izberejo tiste, ki najbolj ustrezajo njihovemu cilju. Sčasoma sestavijo nabor podatkov, ki se uporablja za učenje modela, kakšen slog vsebine imajo ljudje raje z učenjem okrepitve. To aplikaciji chatbot omogoča, da prikaže ustreznejšo, berljivejšo in varnejšo vsebino.
SageMaker Ground Truth Plus
Ground Truth Plus vam pomaga pri soočanju z obema izzivoma – pri ustvarjanju predstavitvenih naborov podatkov z zmožnostmi, specifičnimi za naloge, kot tudi na zbiranju naborov podatkov o preferencah iz človeških povratnih informacij za uskladitev modelov s človeškimi preferencami. Zahtevate lahko projekte za LLM in večmodalne modele, kot sta besedilo v sliko in besedilo v video. Za LLM ključni predstavitveni nabori podatkov vključujejo generiranje vprašanj in odgovorov (Q&A), povzemanje besedila, generiranje besedila in predelavo besedila za namene moderiranja vsebine, spremembe sloga ali spremembe dolžine. Ključni podatkovni nizi preferenc LLM vključujejo razvrščanje in razvrščanje besedilnih izhodov. Za večmodalne modele ključne vrste nalog vključujejo dodajanje napisov slikam ali videoposnetkom ter beleženje časovnih žigov dogodkov v videoposnetkih. Zato lahko Ground Truth Plus pomaga proizvajalcem modelov in izdelovalcem aplikacij na njihovem generativnem potovanju z umetno inteligenco.
V tej objavi se poglobimo v potovanje človeškega označevalca in povratnih informacij na štirih primerih, ki zajemajo predstavitvene podatke in podatke o preferencah tako za LLM kot za večmodalne modele: ustvarjanje parov vprašanj in odgovorov ter razvrščanje besedila za LLM, kot tudi napise slik in video podnapisi za večmodalne modele.
Veliki jezikovni modeli
V tem razdelku razpravljamo o parih vprašanj in odgovorov ter razvrščanju besedila za LLM, skupaj s prilagoditvami, ki jih boste morda želeli za svoj primer uporabe.
Pari vprašanj in odgovorov
Naslednji posnetek zaslona prikazuje uporabniški vmesnik za označevanje, v katerem bo človeški opombevalec prebral odlomek besedila in ustvaril tako vprašanja kot odgovore v procesu gradnje predstavitvenega nabora podatkov za vprašanja in odgovore.
Sprehodimo se skozi ogled uporabniškega vmesnika v čevljih opombevalca. Na levi strani uporabniškega vmesnika so označevalcu predstavljena posebna navodila prosilca za delo. V tem primeru naj bi opombevalec prebral odlomek besedila, ki je predstavljen na sredini uporabniškega vmesnika, in na podlagi besedila ustvaril vprašanja in odgovore. Na desni strani so prikazana vprašanja in odgovori, ki jih je napisal opombevalec. Odlomek besedila kot tudi vrsto, dolžino ter število vprašanj in odgovorov lahko prilagodi prosilec za delo med nastavitvijo projekta z ekipo Ground Truth Plus. V tem primeru je opombevalec ustvaril vprašanje, ki za odgovor zahteva razumevanje celotnega odlomka besedila in je označeno z Sklicuje se na celoten odlomek potrditveno polje. Drugi dve vprašanji in odgovora temeljita na določenih delih odlomka besedila, kot je prikazano s poudarki opombe z barvno označenim ujemanjem. Po želji boste morda želeli zahtevati, da se vprašanja in odgovori ustvarijo brez podanega odlomka besedila, in zagotoviti druge smernice za človeške opombe – to podpira tudi Ground Truth Plus.
Ko so vprašanja in odgovori predloženi, se lahko pretakajo v izbirni delovni tok zanke nadzora kakovosti, kjer bodo drugi človeški pregledovalci potrdili, da so bili ustvarjeni porazdelitev, ki jo določi stranka, ter vrste vprašanj in odgovorov. Če obstaja neskladje med zahtevami stranke in tem, kar je izdelal človeški opombevalec, bo delo vrnjeno k človeku za predelavo, preden bo izvoženo kot del nabora podatkov za dostavo stranki. Ko vam je nabor podatkov dostavljen nazaj, je pripravljen za vključitev v potek dela nadzorovanega natančnega prilagajanja po vaši presoji.
Uvrstitev besedila
Naslednji posnetek zaslona prikazuje uporabniški vmesnik za razvrščanje rezultatov LLM na podlagi poziva.
Lahko preprosto napišete navodila za človeškega pregledovalca in prinesete pozive in vnaprej ustvarjene odgovore projektni skupini Ground Truth Plus, da začne delo. V tem primeru smo zahtevali, da človeški pregledovalec razvrsti tri odgovore na poziv LLM glede na razsežnost pisne jasnosti (berljivost). Spet levo podokno prikazuje navodila, ki jih je pregledovalcu dal prosilec za delo. Na sredini je poziv na vrhu strani, trije vnaprej ustvarjeni odgovori pa so glavni del za lažjo uporabo. Na desni strani uporabniškega vmesnika jih bo pregledovalec razvrstil po vrstnem redu od najbolj do najmanj jasnega zapisa.
Stranke, ki želijo ustvariti to vrsto nabora podatkov o preferencah, vključujejo izdelovalce aplikacij, ki jih zanima izdelava človeško podobnih klepetalnih robotov, in zato želijo prilagoditi navodila za lastno uporabo. Dolžino poziva, število odgovorov in dimenzijo razvrstitve je mogoče prilagoditi. Na primer, morda boste želeli razvrstiti pet odgovorov po vrstnem redu od najbolj do najmanj natančno natančnih, pristranskih ali strupenih ali celo razvrstiti in razvrstiti več razsežnosti hkrati. Te prilagoditve so podprte v Ground Truth Plus.
Večmodalni modeli
V tem razdelku razpravljamo o podnapisih slik in videoposnetkov za usposabljanje večmodalnih modelov, kot so modeli besedilo v sliko in besedilo v video, kot tudi prilagoditve, ki jih boste morda želeli narediti za vaš poseben primer uporabe.
Napisi slike
Naslednji posnetek zaslona prikazuje uporabniški vmesnik za označevanje za napise slik. Zahtevate lahko projekt s podnapisi za slike, da zberete podatke za usposabljanje modela besedila v sliko ali modela slike v besedilo.
V tem primeru smo zahtevali usposabljanje modela besedila v sliko in postavili posebne zahteve za napis v smislu dolžine in podrobnosti. Uporabniški vmesnik je zasnovan tako, da človeške opombe popelje skozi kognitivni proces ustvarjanja bogatih napisov z zagotavljanjem mentalnega okvira prek pomožnih in opisnih orodij. Ugotovili smo, da zagotovitev tega miselnega okvira za označevalce povzroči bolj opisne in natančne napise kot zgolj zagotavljanje samo besedilnega polja, ki ga je mogoče urejati.
Prvi korak v okviru je, da človeški označevalec prepozna ključne predmete na sliki. Ko označevalec izbere predmet na sliki, se na predmetu pojavi barvno kodirana pika. V tem primeru je opombevalec izbral tako psa kot mačko, pri čemer je na desni strani uporabniškega vmesnika ustvaril dve polji, ki ju je mogoče urejati, kamor bo opomnik vnesel imena predmetov – mačka in pes – skupaj s podrobnim opisom vsakega predmeta. Nato je označevalec voden, da identificira vse odnose med vsemi predmeti na sliki. V tem primeru se mačka sprošča poleg psa. Nato mora označevalec identificirati posebne atribute slike, kot so nastavitev, ozadje ali okolje. Nazadnje, v besedilnem polju za vnos napisov je označevalcu naročeno, naj združi vse, kar je napisal v polja za objekte, odnose in nastavitve slike, v popoln en sam opisni napis slike.
Po želji lahko konfigurirate ta napis slike tako, da se prenese skozi zanko preverjanja kakovosti, ki temelji na človeku, s posebnimi navodili, da zagotovite, da napis izpolnjuje zahteve. Če je ugotovljena težava, na primer manjkajoči ključni predmet, se ta napis lahko pošlje nazaj, da človek odpravi težavo pred izvozom kot del nabora podatkov za usposabljanje.
Video podnapisi
Naslednji posnetek zaslona prikazuje uporabniški vmesnik za videonapise za ustvarjanje obogatenih videonapisov z oznakami časovnega žiga. Zahtevate lahko projekt videonapisov za zbiranje podatkov za izdelavo modelov besedilo-v-video ali video-v-besedilo.
V tem uporabniškem vmesniku za označevanje smo zgradili podoben miselni okvir, da zagotovimo visokokakovostne napise. Človeški označevalec lahko nadzira videoposnetek na levi strani in ustvari opise in časovne žige za vsako dejavnost, prikazano v videu na desni strani z elementi uporabniškega vmesnika. Podobno kot pri uporabniškem vmesniku za podnapise slik obstaja tudi mesto, kjer lahko opombevalec napiše podroben opis video nastavitve, ozadja in okolja. Nazadnje je označevalcu naročeno, naj vse elemente združi v skladen video napis.
Podobno kot v primeru napisov slik, lahko napisi videoposnetkov izbirno tečejo skozi potek dela za nadzor kakovosti, ki temelji na človeku, da se ugotovi, ali so vaše zahteve izpolnjene. Če pride do težave z napisi videoposnetkov, jih bo v predelavo poslala človeška delovna sila za opombe.
zaključek
Ground Truth Plus vam lahko pomaga pripraviti visokokakovostne nabore podatkov za natančno nastavitev temeljnih modelov za generativne naloge umetne inteligence, od odgovorov na vprašanja do generiranja slik in videoposnetkov. Omogoča tudi kvalificirani človeški delovni sili, da pregleda rezultate modela in zagotovi, da so usklajeni s človeškimi željami. Poleg tega izdelovalcem aplikacij omogoča, da prilagodijo modele z uporabo podatkov svoje industrije ali podjetja, da zagotovijo, da njihova aplikacija predstavlja njihov želeni glas in slog. To so prve od številnih inovacij v Ground Truth Plus, še več pa jih je v razvoju. Ostanite z nami za prihodnje objave.
Vas zanima začetek projekta za izgradnjo ali izboljšavo vaših generativnih modelov in aplikacij AI? Začnite uporabljati Ground Truth Plus pri povezovanje z našo ekipo danes.
O avtorjih
Jesse Manders je višji produktni vodja v skupini za storitve AWS AI/ML human in loop. Deluje na stičišču AI in človeške interakcije s ciljem ustvarjanja in izboljšanja izdelkov in storitev AI/ML, da bi zadostili našim potrebam. Pred tem je imel Jesse vodilne vloge na področju inženiringa pri Appleu in Lumiledsu ter bil višji znanstvenik v zagonskem podjetju v Silicijevi dolini. Ima magisterij in doktorat znanosti. z Univerze na Floridi in MBA na Univerzi v Kaliforniji, Berkeley, Haas School of Business.
Romi Datta je višji vodja produktnega upravljanja v skupini Amazon SageMaker, odgovoren za storitve Human in the Loop. V AWS je že več kot 4 leta in opravlja več vodilnih vlog pri upravljanju izdelkov v SageMaker, S3 in IoT. Pred AWS je delal v različnih vodstvenih vlogah produktnega vodenja, inženiringa in operativnih vodstev pri IBM, Texas Instruments in Nvidia. Ima magisterij in doktorat znanosti. magistriral iz elektrotehnike in računalništva na Univerzi v Teksasu v Austinu in magistriral na poslovni šoli Booth Univerze v Chicagu.
Jonathan Buck je programski inženir pri Amazon Web Services, ki dela na stičišču strojnega učenja in porazdeljenih sistemov. Njegovo delo vključuje proizvodnjo modelov strojnega učenja in razvoj novih programskih aplikacij, ki jih poganja strojno učenje, da bi najnovejše zmogljivosti dal v roke strankam.
Alex Williams je uporabni znanstvenik v znanstveni ekipi človeka v zanki pri AWS AI, kjer izvaja raziskave interaktivnih sistemov na presečišču interakcije človek-računalnik (HCI) in strojnega učenja. Preden se je pridružil Amazonu, je bil profesor na Oddelku za elektrotehniko in računalništvo na Univerzi v Tennesseeju, kjer je soupravljal raziskovalni laboratorij za ljudi, agente, interakcije in sisteme (PAIRS). Bil je tudi raziskovalec pri Microsoft Research, Mozilla Research in Univerzi v Oxfordu. Svoja dela redno objavlja na vrhunskih publikacijskih mestih za HCI, kot so CHI, CSCW in UIST. Ima doktorat na Univerzi Waterloo.
Sarah Gao je vodja razvoja programske opreme v Amazon SageMaker Human In the Loop (HIL), odgovoren za izgradnjo platforme za označevanje, ki temelji na ML. Sarah je v AWS že več kot 4 leta in ima več vodilnih vlog pri upravljanju programske opreme na področju varnosti EC2 in SageMaker. Pred AWS je delala na različnih vodstvenih vlogah pri Oracle in Sun Microsystem.
Erran Li je vodja uporabne znanosti pri storitvah human-in-the-loop, AWS AI, Amazon. Njegovi raziskovalni interesi so 3D globoko učenje ter učenje vizije in jezikovne reprezentacije. Pred tem je bil višji znanstvenik pri Alexa AI, vodja strojnega učenja pri Scale AI in glavni znanstvenik pri Pony.ai. Pred tem je sodeloval z ekipo za zaznavanje pri Uber ATG in ekipo platforme za strojno učenje pri Uberju, kjer je delal na strojnem učenju za avtonomno vožnjo, sistemih strojnega učenja in strateških pobudah umetne inteligence. Kariero je začel v Bell Labs in bil izredni profesor na univerzi Columbia. Sodeloval je pri vajah na ICML'17 in ICCV'19 ter soorganiziral več delavnic na NeurIPS, ICML, CVPR, ICCV o strojnem učenju za avtonomno vožnjo, 3D-viziji in robotiki, sistemih strojnega učenja in kontradiktornem strojnem učenju. Ima doktorat iz računalništva na univerzi Cornell. Je sodelavec ACM in IEEE.
- Distribucija vsebine in PR s pomočjo SEO. Okrepite se še danes.
- PlatoAiStream. Podatkovna inteligenca Web3. Razširjeno znanje. Dostopite tukaj.
- Kovanje prihodnosti z Adryenn Ashley. Dostopite tukaj.
- Kupujte in prodajajte delnice podjetij pred IPO s PREIPO®. Dostopite tukaj.
- vir: https://aws.amazon.com/blogs/machine-learning/high-quality-human-feedback-for-your-generative-ai-applications-from-amazon-sagemaker-ground-truth-plus/
- :ima
- : je
- :ne
- :kje
- $GOR
- 100
- 3d
- 7
- a
- Sposobna
- O meni
- POVZETEK
- akademsko
- Po
- natančnost
- natančna
- ACM
- dejavnost
- Poleg tega
- Naslov
- posvojitelji
- napredek
- kontradiktorno
- oglas
- spet
- agenti
- AI
- ai art
- AI / ML
- Alexa
- uskladiti
- poravnano
- poravnava
- vsi
- omogočajo
- omogoča
- sam
- skupaj
- Prav tako
- Amazon
- Amazon SageMaker
- Amazon SageMaker Ground Truth
- Amazon Web Services
- med
- an
- in
- odgovor
- odgovori
- se prikaže
- Apple
- uporaba
- aplikacije
- uporabna
- SE
- okoli
- Umetnost
- AS
- Sredstva
- pomočniki
- povezan
- At
- lastnosti
- Austin
- avtonomno
- Na voljo
- AWS
- nazaj
- ozadje
- temeljijo
- BE
- bilo
- pred
- počutje
- Bell
- Berkeley
- med
- pristranski
- pristranskosti
- telo
- tako
- Pasovi
- blagovne znamke
- prinašajo
- izgradnjo
- builder
- gradbeniki
- Building
- zgrajena
- poslovni
- Poslovna inteligenca
- vendar
- by
- california
- CAN
- Zmogljivosti
- lahko
- napisi
- ujame
- ki
- Kariera
- primeru
- primeri
- CAT
- center
- spremenite
- chatbot
- klepetalnice
- preveriti
- Chicago
- šef
- izbran
- jasnost
- Razvrsti
- jasno
- jasno
- kognitivni
- KOHERENTNO
- COLUMBIA
- združujejo
- Skupno
- Podjetja
- podjetje
- primerjavo
- dokončanje
- Končana
- računalnik
- Računalniški inženiring
- Računalništvo
- Koncept
- dirigira
- zaupanje
- Potrdi
- vsebina
- ozadje
- nadzor
- Cornell
- Corporate
- popravi
- bi
- kritje
- ustvarjajo
- ustvaril
- Ustvarjanje
- Oblikovanje
- Creative
- ključnega pomena
- po meri
- stranka
- Stranke, ki so
- prilagodite
- meri
- Nevarno
- datum
- nabor podatkov
- globoko
- globoko učenje
- globlje
- poda
- dostavi
- izkazati
- Dokazano
- Oddelek
- opis
- Oblikovanje
- zasnovan
- oblikovalec
- Podatki
- podrobno
- Ugotovite,
- razvoju
- Razvoj
- drugačen
- Dimenzije
- dimenzije
- diskretnost
- razpravlja
- porazdeljena
- porazdeljeni sistemi
- distribucija
- do
- Ne
- Pes
- opravljeno
- dont
- DOT
- vožnjo
- med
- vsak
- enostavnost
- Enostavnost uporabe
- učinkovitost
- elementi
- omogoča
- angažiran
- inženir
- Inženiring
- izboljšanje
- zagotovitev
- Vnesite
- Celotna
- okolje
- zlasti
- Tudi
- dogodki
- Primer
- Primeri
- izkazujejo
- obstoječih
- strokovnjak
- strokovno znanje
- Strokovnjaki
- povratne informacije
- kolega
- Področja
- Film
- končno
- prva
- florida
- Pretok
- sledi
- po
- za
- obrazec
- je pokazala,
- Fundacija
- štiri
- Okvirni
- iz
- nadalje
- Prihodnost
- igra
- razvoj iger
- GAO
- zbiranje
- zbiranje
- splošno
- ustvarjajo
- ustvarila
- ustvarjajo
- generacija
- generativno
- Generativna AI
- generatorji
- dobili
- pridobivanje
- dana
- Cilj
- Grafično
- Igrišče
- vodi
- Smernice
- imel
- roke
- škodljiva
- Imajo
- HCI
- he
- Glava
- težka
- težko dvigovanje
- Hero
- pomoč
- pomoč
- Pomaga
- visoka
- visoka kvaliteta
- Poudarki
- zelo
- njegov
- gospodarstvo
- drži
- Kako
- Kako
- HTML
- HTTPS
- človeškega
- Ljudje
- IBM
- identificirati
- identificirati
- IEEE
- if
- nezakonito
- slika
- slike
- Pomembno
- izboljšanje
- izboljšanju
- in
- netočne
- vključujejo
- vključuje
- vključi
- Industrija
- za industrijo
- pobud
- novosti
- vhod
- Navodila
- instrumenti
- Intelligence
- namenjen
- Namen
- interakcije
- interakcije
- interaktivno
- zainteresirani
- interesi
- vmesniki
- notranji
- križišče
- v
- Internet stvari
- vprašanje
- Vprašanja
- IT
- ITS
- sam
- Job
- pridružil
- Potovanje
- jpg
- samo
- Ključne
- Otrok
- znanje
- označevanje
- Oznake
- Laboratorij
- Labs
- jezik
- velika
- Zadnji
- Vodstvo
- UČITE
- učenje
- vsaj
- levo
- dolžina
- dviganje
- LIMIT
- LLM
- sečnja
- logo
- stroj
- strojno učenje
- Glavne
- Znamka
- upravljanje
- upravitelj
- upravlja
- upravljanje
- več
- označeno
- Trženje
- ujemanje
- Maj ..
- kar pomeni,
- pomeni
- Srečati
- ustreza
- duševne
- Sporočilo
- Metoda
- Metode
- Microsoft
- manjka
- ML
- Model
- modeli
- zmernost
- več
- Najbolj
- Mozilla
- multimedia
- več
- morajo
- Imena
- naravna
- Nimate
- potrebe
- Novo
- Naslednja
- št
- roman
- zdaj
- Številka
- Nvidia
- predmet
- predmeti
- of
- on
- tiste
- samo
- operativno
- možnosti
- or
- Oracle
- Da
- Ostalo
- naši
- izhod
- več
- lastne
- Oxford
- Stran
- par
- parov
- podokno
- del
- zlasti
- deli
- opravil
- vzorci
- ljudje
- Dojemanje
- Izvedite
- izvajati
- Osebni
- personalizacija
- Kraj
- platforma
- platon
- Platonova podatkovna inteligenca
- PlatoData
- igra
- plus
- pozicije
- Prispevek
- Prispevkov
- poganja
- močan
- raje
- nastavitve
- prednostno
- premier
- Pripravimo
- priprava
- predstavljeni
- prej
- Predhodna
- problem
- Težave
- Postopek
- proizvodnjo
- Proizvedeno
- Proizvajalec
- Proizvajalci
- Izdelek
- upravljanje izdelkov
- produktni vodja
- produktivnost
- Izdelki
- Učitelj
- Projekt
- projekti
- zagotavljajo
- če
- zagotavljanje
- Objava
- Objavlja
- Namen
- namene
- dal
- Vprašanja in odgovori
- kakovost
- vprašanje
- vprašanja
- Lestvica
- ocena
- Preberi
- pripravljen
- realistična
- nedavno
- priznajo
- redno
- povezane
- Razmerja
- pomembno
- zanašajo
- odstranjevanje
- zastopanje
- predstavlja
- Ugled
- zahteva
- zahteva
- obvezna
- Zahteve
- zahteva
- Raziskave
- spoštovanje
- Odzove
- Odgovor
- odgovorov
- odgovorna
- Rezultati
- pregleda
- Rich
- Pravica
- Tveganje
- tveganje
- robotika
- vloga
- vloge
- s
- varna
- sagemaker
- Lestvica
- lestvica ai
- <span style="color: #f7f7f7;">Šola</span>
- Znanost
- Znanstvenik
- Oddelek
- varnost
- višji
- občutljiva
- poslan
- Storitve
- služijo
- nastavite
- Kompleti
- nastavitev
- nastavitev
- več
- Delite s prijatelji, znanci, družino in partnerji :-)
- je
- Prikaži
- pokazale
- Razstave
- strani
- Silicij
- Silicon Valley
- Podoben
- preprosto
- hkrati
- sam
- spreten
- Software
- Razvoj programske opreme
- Software Engineer
- SOLVE
- nekaj
- Nekaj
- specifična
- določeno
- Začetek
- začel
- Začetek
- zagon
- bivanje
- Korak
- Strateško
- slog
- predložen
- snov
- taka
- Povzamemo
- POVZETEK
- ne
- Podprti
- naj
- sistemi
- Bodite
- sprejeti
- Naloga
- Naloge
- poučevanje
- skupina
- Tennessee
- Pogoji
- texas
- kot
- da
- O
- svet
- njihove
- Njih
- POTEM
- Tukaj.
- zato
- te
- jih
- ta
- 3
- skozi
- čas
- Časovni žig
- do
- danes
- orodja
- vrh
- temo
- Tour
- Vlak
- usposobljeni
- usposabljanje
- vlaki
- Resnica
- vaje
- dva
- tip
- Vrste
- tipično
- Uber
- ui
- razumevanje
- univerza
- Univerza v Kaliforniji
- University of Chicago
- Univerza v Oxfordu
- uporaba
- primeru uporabe
- Rabljeni
- uporabnik
- uporabo
- Valley
- raznolikost
- različnih
- Prizoriščih
- Video
- video igre
- Video posnetki
- Vizija
- Voice
- želeli
- želim
- želi
- je
- we
- web
- spletne storitve
- Dobro
- Kaj
- kdaj
- ki
- WHO
- celoti
- bo
- z
- brez
- delo
- delal
- potek dela
- delovnih tokov
- Delovna sila
- deluje
- deluje
- Delavnice
- svet
- bi
- pisati
- pisanje
- pisni
- let
- Vi
- Vaša rutina za
- zefirnet