การกลั่นกรองเนื้อหามีบทบาทสำคัญในการรักษาความปลอดภัยออนไลน์และการรักษาคุณค่าและมาตรฐานของเว็บไซต์และแพลตฟอร์มโซเชียลมีเดีย ความสำคัญของสิ่งนี้ตอกย้ำด้วยการปกป้องที่ช่วยให้ผู้ใช้ได้รับเนื้อหาที่ไม่เหมาะสม ปกป้องความเป็นอยู่ที่ดีในพื้นที่ดิจิทัล ตัวอย่างเช่น ในอุตสาหกรรมการโฆษณา การกลั่นกรองเนื้อหาทำหน้าที่ปกป้องแบรนด์จากสมาคมที่ไม่เอื้ออำนวย ซึ่งจะช่วยยกระดับแบรนด์และการเติบโตของรายได้ ผู้ลงโฆษณาจัดลำดับความสำคัญของแบรนด์ของตนด้วยเนื้อหาที่เหมาะสมเพื่อรักษาชื่อเสียงของตนและหลีกเลี่ยงการประชาสัมพันธ์เชิงลบ การกลั่นกรองเนื้อหายังถือว่ามีความสำคัญอย่างยิ่งในภาคการเงินและการดูแลสุขภาพ ซึ่งทำหน้าที่หลายอย่าง มีบทบาทสำคัญในการระบุและปกป้องข้อมูลส่วนบุคคลและข้อมูลสุขภาพ (PII, PHI) ที่ละเอียดอ่อน ด้วยการยึดมั่นในมาตรฐานและแนวปฏิบัติภายในและการปฏิบัติตามกฎระเบียบภายนอก การกลั่นกรองเนื้อหาจึงช่วยเพิ่มความปลอดภัยทางดิจิทัลให้กับผู้ใช้ ด้วยวิธีนี้ จะป้องกันการแชร์ข้อมูลที่เป็นความลับบนแพลตฟอร์มสาธารณะโดยไม่ได้ตั้งใจ ทำให้มั่นใจได้ถึงการรักษาความเป็นส่วนตัวของผู้ใช้และความปลอดภัยของข้อมูล
ในโพสต์นี้ เราขอแนะนำวิธีการใหม่ในการดำเนินการกลั่นกรองเนื้อหากับข้อมูลภาพด้วยการฝึกอบรมล่วงหน้าหลายรูปแบบและโมเดลภาษาขนาดใหญ่ (LLM) ด้วยการฝึกอบรมล่วงหน้าหลายรูปแบบ เราสามารถสืบค้นเนื้อหารูปภาพได้โดยตรงตามชุดคำถามที่สนใจ และแบบจำลองจะสามารถตอบคำถามเหล่านี้ได้ ซึ่งจะทำให้ผู้ใช้สามารถแชทกับรูปภาพเพื่อยืนยันว่ารูปภาพมีเนื้อหาที่ไม่เหมาะสมซึ่งละเมิดนโยบายขององค์กรหรือไม่ เราใช้ความสามารถในการสร้างอันทรงพลังของ LLM เพื่อสร้างการตัดสินใจขั้นสุดท้าย รวมถึงฉลากและประเภทหมวดหมู่ที่ปลอดภัย/ไม่ปลอดภัย นอกจากนี้ ด้วยการออกแบบพร้อมต์ เราสามารถสร้าง LLM สร้างรูปแบบเอาต์พุตที่กำหนดไว้ เช่น รูปแบบ JSON เทมเพลตพรอมต์ที่ออกแบบมาช่วยให้ LLM สามารถระบุได้ว่ารูปภาพละเมิดนโยบายการดูแลหรือไม่ ระบุหมวดหมู่ของการละเมิด อธิบายสาเหตุ และจัดเตรียมเอาต์พุตในรูปแบบ JSON ที่มีโครงสร้าง
เราใช้ บลิป-2 เป็นวิธีการฝึกอบรมล่วงหน้าหลายรูปแบบ BLIP-2 เป็นหนึ่งในโมเดลที่ล้ำสมัยในการฝึกอบรมล่วงหน้าแบบหลายรูปแบบ และทำงานได้ดีกว่าวิธีการส่วนใหญ่ที่มีอยู่ในการตอบคำถามด้วยภาพ คำบรรยายภาพ และการดึงข้อความรูปภาพ สำหรับ LLM ของเรา เราใช้ ลามะ 2ซึ่งเป็น LLM โอเพ่นซอร์สรุ่นต่อไปซึ่ง มีประสิทธิภาพเหนือกว่าโมเดลภาษาโอเพ่นซอร์สที่มีอยู่ในเกณฑ์มาตรฐานต่างๆ รวมถึงการใช้เหตุผล การเขียนโค้ด ความชำนาญ และการทดสอบความรู้. แผนภาพต่อไปนี้แสดงส่วนประกอบของโซลูชัน
ความท้าทายในการกลั่นกรองเนื้อหา
วิธีการกลั่นกรองเนื้อหาแบบดั้งเดิม เช่น การกลั่นกรองโดยมนุษย์ ไม่สามารถตามปริมาณเนื้อหาที่ผู้ใช้สร้างขึ้น (UGC) ที่เพิ่มขึ้นได้ เมื่อปริมาณของ UGC เพิ่มขึ้น ผู้ตรวจสอบที่เป็นมนุษย์อาจล้นหลามและประสบปัญหาในการกลั่นกรองเนื้อหาอย่างมีประสิทธิภาพ ส่งผลให้ผู้ใช้ได้รับประสบการณ์ที่ไม่ดี ค่าใช้จ่ายในการกลั่นกรองที่สูง และความเสี่ยงต่อแบรนด์ การกลั่นกรองโดยมนุษย์ยังมีแนวโน้มที่จะเกิดข้อผิดพลาด ซึ่งอาจส่งผลให้เกิดการกลั่นกรองที่ไม่สอดคล้องกันและการตัดสินใจที่มีอคติ เพื่อจัดการกับความท้าทายเหล่านี้ การกลั่นกรองเนื้อหาที่ขับเคลื่อนโดยการเรียนรู้ของเครื่อง (ML) จึงกลายเป็นวิธีแก้ปัญหา อัลกอริธึม ML สามารถวิเคราะห์ UGC จำนวนมากและระบุเนื้อหาที่ละเมิดนโยบายขององค์กร คุณสามารถฝึกโมเดล ML ให้จดจำรูปแบบและระบุเนื้อหาที่เป็นปัญหา เช่น คำพูดแสดงความเกลียดชัง สแปม และเนื้อหาที่ไม่เหมาะสม จากการศึกษาพบว่า ปกป้องผู้ใช้ แบรนด์ และงบประมาณของคุณด้วยการควบคุมเนื้อหาที่ขับเคลื่อนโดย AIการกลั่นกรองเนื้อหาที่ขับเคลื่อนด้วย ML สามารถช่วยให้องค์กรเรียกคืนเวลาได้ถึง 95% ที่ทีมของตนใช้ในการกลั่นกรองเนื้อหาด้วยตนเอง ช่วยให้องค์กรสามารถมุ่งเน้นทรัพยากรของตนไปที่งานเชิงกลยุทธ์มากขึ้น เช่น การสร้างชุมชนและการสร้างเนื้อหา การกลั่นกรองเนื้อหาที่ขับเคลื่อนด้วย ML ยังสามารถลดต้นทุนการกลั่นกรองได้ เนื่องจากมีประสิทธิภาพมากกว่าการกลั่นกรองโดยมนุษย์
แม้จะมีข้อดีของการกลั่นกรองเนื้อหาที่ขับเคลื่อนด้วย ML แต่ก็ยังมีพื้นที่ในการปรับปรุงเพิ่มเติม ประสิทธิผลของอัลกอริธึม ML ขึ้นอยู่กับคุณภาพของข้อมูลที่ได้รับการฝึกเป็นอย่างมาก เมื่อโมเดลได้รับการฝึกฝนโดยใช้ข้อมูลที่เอนเอียงหรือไม่สมบูรณ์ แบบจำลองเหล่านั้นสามารถตัดสินใจกลั่นกรองที่ผิดพลาดได้ ทำให้องค์กรมีความเสี่ยงต่อแบรนด์และความรับผิดทางกฎหมายที่อาจเกิดขึ้น การนำแนวทางที่ใช้ ML มาใช้ในการกลั่นกรองเนื้อหานำมาซึ่งความท้าทายหลายประการที่จำเป็นต้องมีการพิจารณาอย่างรอบคอบ ความท้าทายเหล่านี้ได้แก่:
- การรับข้อมูลที่มีป้ายกำกับ – นี่อาจเป็นกระบวนการที่มีค่าใช้จ่ายสูง โดยเฉพาะสำหรับงานตรวจสอบเนื้อหาที่ซับซ้อนซึ่งต้องมีการฝึกอบรมผู้ติดป้ายกำกับ ค่าใช้จ่ายนี้อาจทำให้การรวบรวมชุดข้อมูลขนาดใหญ่พอที่จะฝึกฝนโมเดล ML ภายใต้การดูแลได้อย่างง่ายดายเป็นเรื่องที่ท้าทาย นอกจากนี้ ความถูกต้องของแบบจำลองยังขึ้นอยู่กับคุณภาพของข้อมูลการฝึกอบรมเป็นอย่างมาก และข้อมูลที่มีความเอนเอียงหรือไม่สมบูรณ์อาจส่งผลให้เกิดการตัดสินใจกลั่นกรองที่ไม่ถูกต้อง ซึ่งนำไปสู่ความเสี่ยงต่อแบรนด์และความรับผิดทางกฎหมาย
- ลักษณะทั่วไปของโมเดล – นี่เป็นสิ่งสำคัญในการนำแนวทางที่ใช้ ML มาประยุกต์ใช้ แบบจำลองที่ได้รับการฝึกบนชุดข้อมูลหนึ่งอาจไม่สามารถสรุปได้ดีกับชุดข้อมูลอื่น โดยเฉพาะอย่างยิ่งหากชุดข้อมูลมีการแจกแจงที่แตกต่างกัน ดังนั้นจึงจำเป็นอย่างยิ่งที่จะต้องแน่ใจว่าแบบจำลองได้รับการฝึกฝนบนชุดข้อมูลที่หลากหลายและเป็นตัวแทน เพื่อให้แน่ใจว่าจะสรุปข้อมูลทั่วไปได้ดี
- ประสิทธิภาพการดำเนินงาน นี่เป็นความท้าทายอีกประการหนึ่งเมื่อใช้วิธีการที่ใช้ ML แบบดั้งเดิมในการกลั่นกรองเนื้อหา การเพิ่มป้ายกำกับใหม่และฝึกอบรมโมเดลอย่างต่อเนื่องเมื่อมีการเพิ่มคลาสใหม่อาจใช้เวลานานและมีค่าใช้จ่ายสูง นอกจากนี้ จำเป็นอย่างยิ่งที่จะต้องแน่ใจว่าโมเดลได้รับการอัปเดตเป็นประจำเพื่อให้ทันกับการเปลี่ยนแปลงในเนื้อหาที่กำลังตรวจสอบ
- คำอธิบาย – ผู้ใช้อาจรับรู้ว่าแพลตฟอร์มมีอคติหรือไม่ยุติธรรม หากเนื้อหาถูกตั้งค่าสถานะหรือลบออกโดยไม่มีเหตุผล ส่งผลให้ผู้ใช้ได้รับประสบการณ์ที่ไม่ดี ในทำนองเดียวกัน การขาดคำอธิบายที่ชัดเจนอาจทำให้กระบวนการตรวจสอบเนื้อหาไม่มีประสิทธิภาพ ใช้เวลานาน และมีค่าใช้จ่ายสูงสำหรับผู้ตรวจสอบ
- ธรรมชาติของฝ่ายตรงข้าม – ลักษณะที่เป็นปฏิปักษ์ของการกลั่นกรองเนื้อหาด้วยรูปภาพทำให้เกิดความท้าทายที่ไม่เหมือนใครต่อแนวทางที่ใช้ ML แบบเดิมๆ ผู้ไม่ประสงค์ดีสามารถพยายามหลบเลี่ยงกลไกการกลั่นกรองเนื้อหาโดยการแก้ไขเนื้อหาด้วยวิธีต่างๆ เช่น การใช้คำพ้องความหมายกับรูปภาพ หรือการฝังเนื้อหาจริงลงในเนื้อหาที่ไม่ละเมิดที่ใหญ่ขึ้น สิ่งนี้จำเป็นต้องมีการตรวจสอบและอัปเดตแบบจำลองอย่างต่อเนื่องเพื่อตรวจจับและตอบสนองต่อกลยุทธ์ที่เป็นปฏิปักษ์ดังกล่าว
การใช้เหตุผลหลายรูปแบบด้วย BLIP-2
โมเดล ML แบบหลายรูปแบบหมายถึงโมเดลที่สามารถจัดการและบูรณาการข้อมูลจากแหล่งที่มาหรือรูปแบบต่างๆ เช่น รูปภาพ ข้อความ เสียง วิดีโอ และข้อมูลที่มีโครงสร้างหรือไม่มีโครงสร้างในรูปแบบอื่นๆ หนึ่งในโมเดลหลายรูปแบบที่ได้รับความนิยมคือโมเดลภาษาภาพ เช่น BLIP-2 ซึ่งรวมคอมพิวเตอร์วิทัศน์และการประมวลผลภาษาธรรมชาติ (NLP) เพื่อทำความเข้าใจและสร้างข้อมูลทั้งภาพและข้อความ โมเดลเหล่านี้ช่วยให้คอมพิวเตอร์ตีความความหมายของรูปภาพและข้อความในลักษณะที่เลียนแบบความเข้าใจของมนุษย์ โมเดลภาษาวิสัยทัศน์สามารถจัดการงานได้หลากหลาย รวมถึงคำบรรยายภาพ การเรียกข้อความรูปภาพ การตอบคำถามด้วยภาพ และอื่นๆ ตัวอย่างเช่น โมเดลคำบรรยายรูปภาพสามารถสร้างคำอธิบายภาษาธรรมชาติของรูปภาพได้ และโมเดลการดึงข้อความรูปภาพสามารถค้นหารูปภาพตามข้อความค้นหาได้ โมเดลการตอบคำถามด้วยภาพสามารถตอบคำถามภาษาธรรมชาติเกี่ยวกับรูปภาพได้ และแชทบอทหลายรูปแบบสามารถใช้การป้อนข้อมูลด้วยภาพและข้อความเพื่อสร้างการตอบกลับได้ ในแง่ของการกลั่นกรองเนื้อหา คุณสามารถใช้ความสามารถนี้เพื่อสอบถามกับรายการคำถามได้
BLIP-2 มีสามส่วน ส่วนประกอบแรกคือตัวเข้ารหัสภาพแช่แข็ง ViT-L/14 จาก CLIP ซึ่งรับข้อมูลภาพเป็นอินพุต องค์ประกอบที่สองคือ LLM แบบแช่แข็ง FlanT5 ซึ่งแสดงผลข้อความ ส่วนประกอบที่สามคือโมดูลที่ฝึกได้ที่เรียกว่า Q-Former ซึ่งเป็นหม้อแปลงน้ำหนักเบาที่เชื่อมต่อตัวเข้ารหัสภาพแช่แข็งกับ LLM แช่แข็ง Q-Former ใช้เวกเตอร์คิวรีที่เรียนรู้ได้เพื่อแยกคุณสมบัติทางภาพจากตัวเข้ารหัสภาพแช่แข็ง และป้อนคุณสมบัติภาพที่มีประโยชน์ที่สุดไปยัง LLM เพื่อส่งออกข้อความที่ต้องการ
กระบวนการก่อนการฝึกอบรมประกอบด้วยสองขั้นตอน ในระยะแรก การเรียนรู้การเป็นตัวแทนภาษาด้วยการมองเห็นจะดำเนินการเพื่อสอน Q-Former ให้เรียนรู้การแสดงภาพที่เกี่ยวข้องกับข้อความมากที่สุด ในขั้นตอนที่สอง การเรียนรู้เชิงกำเนิดจากการมองเห็นเป็นภาษาจะดำเนินการโดยการเชื่อมต่อเอาท์พุตของ Q-Former กับ LLM ที่ถูกแช่แข็ง และการฝึก Q-Former เพื่อเอาท์พุตการแสดงภาพที่สามารถตีความได้โดย LLM
BLIP-2 บรรลุประสิทธิภาพที่ล้ำสมัยในงานด้านภาษาการมองเห็นที่หลากหลาย แม้ว่าจะมีพารามิเตอร์ที่สามารถฝึกได้น้อยกว่าวิธีการที่มีอยู่อย่างมีนัยสำคัญ โมเดลดังกล่าวยังแสดงให้เห็นถึงความสามารถใหม่ๆ ของการสร้างภาพเป็นข้อความแบบ Zero-shot ซึ่งสามารถทำตามคำแนะนำที่เป็นภาษาธรรมชาติได้ ภาพประกอบต่อไปนี้ได้รับการแก้ไขจาก บทความวิจัยต้นฉบับ.
ภาพรวมโซลูชัน
ไดอะแกรมต่อไปนี้แสดงสถาปัตยกรรมโซลูชัน
ในส่วนต่อไปนี้ เราจะสาธิตวิธีการปรับใช้ BLIP-2 กับ อเมซอน SageMaker จุดสิ้นสุด และใช้ BLIP-2 และ LLM สำหรับการกลั่นกรองเนื้อหา
เบื้องต้น
คุณต้องมีบัญชี AWS ที่มี AWS Identity และการจัดการการเข้าถึง บทบาท (IAM) ที่มีสิทธิ์ในการจัดการทรัพยากรที่สร้างขึ้นโดยเป็นส่วนหนึ่งของโซลูชัน สำหรับรายละเอียด โปรดดูที่ สร้างบัญชี AWS แบบสแตนด์อโลน.
หากนี่เป็นครั้งแรกที่คุณร่วมงานด้วย สตูดิโอ Amazon SageMakerคุณต้องสร้างไฟล์ โดเมน SageMaker. นอกจากนี้ คุณอาจต้องขอเพิ่มโควต้าบริการสำหรับอินสแตนซ์โฮสติ้ง SageMaker ที่เกี่ยวข้อง สำหรับรุ่น BLIP-2 เราใช้ ml.g5.2xlarge
อินสแตนซ์การโฮสต์ SageMaker สำหรับรุ่น Llama 2 13B เราใช้ ml.g5.12xlarge
อินสแตนซ์การโฮสต์ SageMaker
ปรับใช้ BLIP-2 กับตำแหน่งข้อมูล SageMaker
คุณสามารถโฮสต์ LLM บน SageMaker ได้โดยใช้ การอนุมานแบบจำลองขนาดใหญ่ คอนเทนเนอร์ (LMI) ที่ได้รับการปรับให้เหมาะสมสำหรับการโฮสต์โมเดลขนาดใหญ่โดยใช้ DJLServing DJLServing เป็นโซลูชันการให้บริการโมเดลสากลประสิทธิภาพสูงที่ขับเคลื่อนโดย Deep Java Library (DJL) ซึ่งไม่เชื่อเรื่องภาษาการเขียนโปรแกรม หากต้องการเรียนรู้เพิ่มเติมเกี่ยวกับ DJL และ DJLServing โปรดดูที่ ปรับใช้โมเดลขนาดใหญ่บน Amazon SageMaker โดยใช้ DJLServing และการอนุมานแบบขนานของโมเดล DeepSpeed. ด้วยความช่วยเหลือของคอนเทนเนอร์ SageMaker LMI ทำให้โมเดล BLIP-2 สามารถนำไปใช้งานได้อย่างง่ายดายด้วยไลบรารี Hugging Face และโฮสต์บน SageMaker คุณสามารถวิ่งได้ blip2-sagemaker.ipynb
สำหรับขั้นตอนนี้
ในการเตรียมอิมเมจ Docker และไฟล์โมเดล คุณจะต้องดึงอิมเมจ Docker ของ DJLServing จัดแพคเกจสคริปต์การอนุมานและไฟล์การกำหนดค่าเป็น model.tar.gz
ไฟล์แล้วอัพโหลดไปที่ไฟล์ บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon (อเมซอน S3) ที่เก็บข้อมูล คุณสามารถอ้างถึง สคริปต์การอนุมานและไฟล์การกำหนดค่า .
inference_image_uri = image_uris.retrieve( framework="djl-deepspeed", region=sess.boto_session.region_name, version="0.22.1"
)
! tar czvf model.tar.gz blip2/
s3_code_artifact = sess.upload_data("model.tar.gz", bucket, s3_code_prefix)
เมื่ออิมเมจ Docker และไฟล์ที่เกี่ยวข้องกับการอนุมานพร้อมแล้ว คุณจะสร้างโมเดล การกำหนดค่าสำหรับตำแหน่งข้อมูล และตำแหน่งข้อมูล:
from sagemaker.utils import name_from_base
blip_model_version = "blip2-flan-t5-xl"
model_name = name_from_base(blip_model_version)
model = Model( image_uri=inference_image_uri, model_data=s3_code_artifact, role=role, name=model_name,
)
model.deploy( initial_instance_count=1, instance_type="ml.g5.2xlarge", endpoint_name=model_name
)
เมื่อสถานะตำแหน่งข้อมูลพร้อมให้บริการ คุณสามารถเรียกใช้ตำแหน่งข้อมูลสำหรับคำบรรยายภาพและงานการสร้างการมองเห็นเป็นภาษาที่ไม่ได้รับคำแนะนำได้ สำหรับงานคำบรรยายภาพ คุณจะต้องส่งภาพไปยังจุดสิ้นสุดเท่านั้น:
import base64
import json
from PIL import Image smr_client = boto3.client("sagemaker-runtime") def encode_image(img_file): with open(img_file, "rb") as image_file: img_str = base64.b64encode(image_file.read()) base64_string = img_str.decode("latin1") return base64_string def run_inference(endpoint_name, inputs): response = smr_client.invoke_endpoint( EndpointName=endpoint_name, Body=json.dumps(inputs) ) print(response["Body"].read()) test_image = "carcrash-ai.jpeg"
base64_string = encode_image(test_image)
inputs = {"image": base64_string}
run_inference(endpoint_name, inputs)
สำหรับงานสร้างการมองเห็นเป็นภาษาเป้าหมายแบบ Zero-shot ที่ได้รับคำแนะนำ นอกเหนือจากรูปภาพอินพุตแล้ว คุณต้องกำหนดคำถามเป็นพรอมต์:
base64_string = encode_image(test_image)
inputs = {"prompt": "Question: what happened in this photo? Answer:", "image": base64_string}
run_inference(endpoint_name, inputs)
ใช้ BLIP-2 และ LLM สำหรับการกลั่นกรองเนื้อหา
ในขั้นตอนนี้ คุณสามารถสอบถามเกี่ยวกับรูปภาพที่กำหนดและเรียกข้อมูลที่ซ่อนอยู่ได้ ด้วย LLM คุณจะจัดระเบียบการสืบค้นและดึงข้อมูลเพื่อสร้างผลลัพธ์ในรูปแบบ JSON คุณสามารถแบ่งงานนี้ออกเป็นสองงานย่อยคร่าวๆ ต่อไปนี้:
- แยกข้อมูลจากภาพด้วยรุ่น BLIP-2
- สร้างผลลัพธ์สุดท้ายและคำอธิบายด้วย LLM
แยกข้อมูลจากภาพด้วยรุ่น BLIP-2
หากต้องการดึงข้อมูลที่ซ่อนอยู่ซึ่งมีประโยชน์เพียงพอจากรูปภาพที่กำหนด คุณต้องกำหนดการสืบค้น เนื่องจากการสืบค้นแต่ละครั้งจะเรียกใช้จุดสิ้นสุดหนึ่งครั้ง การสืบค้นจำนวนมากจึงต้องใช้เวลาในการประมวลผลนานขึ้น ดังนั้น เราขอแนะนำให้สร้างคำค้นหาคุณภาพสูงและครอบคลุมนโยบายทั้งหมดแต่ต้องไม่ซ้ำกันด้วย ในโค้ดตัวอย่างของเรา เรากำหนดการสืบค้นดังนี้:
check_list = [ "Does this photo contain complete naked person?", "Does this photo contain topless person?", "Does this photo contain weapon?", "Does this photo contain contact information?", "Does this photo contain a smoker?", "Does this photo contain blood?", "Are there persons fighting in this photo?", "Does this photo contain harassment words?"
]
ด้วยการสอบถามก่อนหน้านี้ ให้เรียกใช้จุดสิ้นสุดของ BLIP-2 เพื่อดึงข้อมูลด้วยรหัสต่อไปนี้:
test_image = "./surf_swimwear.png"
raw_image = Image.open(test_image).convert('RGB') base64_string = encode_image(test_image)
conversations = """"""
for question in check_list: inputs = {"prompt": f"Question: {question}? Answer:", "image": base64_string} response = run_inference(endpoint_name, inputs) conversations += f"""
Question: {question}
Answer: {response}. """
นอกจากข้อมูลที่ดึงมาจากแบบสอบถามแล้ว คุณยังสามารถรับข้อมูลด้วยงานคำบรรยายภาพได้โดยการเรียกใช้จุดสิ้นสุดโดยไม่ต้อง prompt
ในช่องเพย์โหลด:
inputs = {"image": base64_string}
response = smr_client.invoke_endpoint(
EndpointName=endpoint_name, Body=json.dumps(inputs)
)
image_caption = response["Body"].read().decode('utf-8')
คุณสามารถรวมเนื้อหาของคำถามและคำตอบเข้ากับคำอธิบายภาพ และใช้ข้อมูลที่ดึงมานี้สำหรับงานดาวน์สตรีม ตามที่อธิบายไว้ในส่วนถัดไปด้านล่าง
สร้างผลลัพธ์สุดท้ายและคำอธิบายด้วย LLM
โมเดลภาษาขนาดใหญ่ (LLM) เช่น Llama 2 สามารถสร้างผลลัพธ์คุณภาพสูงด้วยเทมเพลตพร้อมท์ที่เหมาะสม โดยใช้ Amazon SageMaker JumpStartผู้ปฏิบัติงาน ML สามารถเลือกจากแบบจำลองพื้นฐานที่เปิดเผยต่อสาธารณะให้เลือกมากมาย เพียงคลิกไม่กี่ครั้งใน SageMaker Studio คุณก็สามารถทำได้แล้ว ค้นพบและปรับใช้ Llama 2.
ผลลัพธ์สุดท้ายจะขึ้นอยู่กับ LLM ที่มีเทมเพลตพร้อมต์เฉพาะ ข้อความแจ้งดังกล่าวประกอบด้วย: นโยบายการกลั่นกรองตามหมวดหมู่ที่ไม่เหมาะสมหรือน่ารังเกียจ หมวดหมู่การกลั่นกรอง; ข้อมูลภาพที่ดึงมาจาก BLIP-2; เทมเพลตคำถามถึง LLM โดยถามว่าภาพถ่ายมีเนื้อหาที่ไม่ปลอดภัยหรือไม่ และขอหมวดหมู่และเหตุผลหากไม่ปลอดภัย และคำแนะนำในการส่งออกผลลัพธ์ในรูปแบบ JSON เทมเพลตพรอมต์ที่ออกแบบมาช่วยให้ LLM สามารถระบุได้ว่ารูปภาพละเมิดนโยบายการควบคุมหรือไม่ ระบุหมวดหมู่ของการละเมิด อธิบายสาเหตุ และจัดเตรียมเอาต์พุตในรูปแบบ JSON ที่มีโครงสร้าง
ซอร์สโค้ดหลักมีดังนี้:
prompt_template = f"""
The following is our company's content moderation policy, based on the moderation policy, we gather image information from the user uploaded image. Please answer the question with json format. ###### moderation policy ######
{moderation_policy} ###### Image information ######
{conversations} ###### Question ######
Based on the following Moderation policy and QA, tell me if the photo containes unsafe content, also give its category and reason if it's unsafe. Please anwser the question with the following format and only put explanation into the reason field: """ prompt_template += """
{ "flag": "xxx", "category": "xxx", "reason": "the reason is ..."
} """ dialog = [ {"role": "user", "content": prompt_template}
]
คุณสามารถปรับแต่งพรอมต์ตามกรณีการใช้งานของคุณเองได้ อ้างถึง สมุดบันทึก สำหรับรายละเอียดเพิ่มเติม เมื่อพร้อมท์แล้ว คุณสามารถเรียกใช้ตำแหน่งข้อมูล LLM เพื่อสร้างผลลัพธ์ได้:
endpoint_name = "jumpstart-dft-meta-textgeneration-llama-2-70b-f" def query_endpoint(payload): client = boto3.client("sagemaker-runtime") response = client.invoke_endpoint( EndpointName=endpoint_name, ContentType="application/json", Body=json.dumps(payload), CustomAttributes="accept_eula=true", ) response = response["Body"].read().decode("utf8") response = json.loads(response) return response payload = { "inputs": [dialog], "parameters": {"max_new_tokens": 256, "top_p": 0.9, "temperature": 0.5}
}
result = query_endpoint(payload)[0]
ส่วนหนึ่งของผลลัพธ์ที่สร้างขึ้นมีดังนี้:
ในบางครั้ง Llama 2 แนบคำอธิบายเพิ่มเติมนอกเหนือจากคำตอบจากผู้ช่วย คุณสามารถใช้โค้ดแยกวิเคราะห์เพื่อแยกข้อมูล JSON จากผลลัพธ์ที่สร้างขึ้นดั้งเดิม:
answer = result['generation']['content'].split('}')[0]+'}'
json.loads(answer)
ข้อดีของแนวทางกำเนิด
ส่วนก่อนหน้านี้แสดงวิธีการใช้ส่วนหลักของการอนุมานแบบจำลอง ในส่วนนี้ เราครอบคลุมแง่มุมต่างๆ ของแนวทางกำเนิด รวมถึงการเปรียบเทียบกับแนวทางและมุมมองทั่วไป
ตารางต่อไปนี้เปรียบเทียบแต่ละวิธี
. | แนวทางการสร้าง | แนวทางการจำแนกประเภท |
การรับข้อมูลที่มีป้ายกำกับ | โมเดลที่ผ่านการฝึกอบรมล่วงหน้าสำหรับรูปภาพจำนวนมาก การอนุมานแบบ Zero-shot | ต้องใช้ข้อมูลจากหมวดหมู่ทุกประเภท |
ลักษณะทั่วไปของโมเดล | โมเดลที่ผ่านการฝึกอบรมพร้อมรูปภาพประเภทต่างๆ | ต้องการข้อมูลที่เกี่ยวข้องกับการกลั่นกรองเนื้อหาจำนวนมากเพื่อปรับปรุงการวางนัยทั่วไปของโมเดล |
ประสิทธิภาพการดำเนินงาน | ความสามารถในการยิงเป็นศูนย์ | ต้องมีการฝึกโมเดลเพื่อจดจำรูปแบบต่างๆ และฝึกใหม่เมื่อมีการเพิ่มป้ายกำกับ |
คำอธิบาย | การใช้เหตุผลเป็นผลลัพธ์ข้อความ ประสบการณ์การใช้งานที่ยอดเยี่ยม | ยากที่จะบรรลุถึงเหตุผล ยากที่จะอธิบายและตีความ |
ธรรมชาติของฝ่ายตรงข้าม | แข็งแรง | การอบรมขึ้นใหม่ด้วยความถี่สูง |
กรณีการใช้งานที่เป็นไปได้ของการให้เหตุผลหลายรูปแบบนอกเหนือจากการกลั่นกรองเนื้อหา
รุ่น BLIP-2 สามารถนำมาใช้เพื่อให้เหมาะกับวัตถุประสงค์หลายประการโดยมีหรือไม่มีการปรับแต่งอย่างละเอียด ซึ่งรวมถึงสิ่งต่อไปนี้:
- คำบรรยายภาพ – สิ่งนี้จะขอให้โมเดลสร้างคำอธิบายข้อความสำหรับเนื้อหาภาพของรูปภาพ ดังที่แสดงในภาพตัวอย่างต่อไปนี้ (ซ้าย) เราสามารถมีได้ “ชายคนหนึ่งกำลังยืนอยู่บนชายหาดพร้อมกระดานโต้คลื่น” เป็นคำอธิบายรูปภาพ
- การตอบคำถามด้วยภาพ – ตามภาพตัวอย่างตรงกลางเราสามารถถามได้ “เป็นเนื้อหาที่เกี่ยวข้องกับการค้าหรือไม่” และเรามี "ใช่" เป็นคำตอบ นอกจากนี้ BLIP-2 ยังรองรับการสนทนาแบบหลายรอบและตอบคำถามต่อไปนี้: "ทำไมคุณคิดอย่างงั้น?" ขึ้นอยู่กับคิวภาพและความสามารถของ LLM เอาต์พุต BLIP-2 “มันเป็นสัญญาณของอเมซอน”
- การดึงข้อความรูปภาพ – โดยตั้งคำถามว่า “ข้อความบนภาพ”เราก็สามารถแยกข้อความรูปภาพออกมาได้ “ถึงวันจันทร์แต่ยิ้มเข้าไว้” ดังที่แสดงในภาพด้านขวา
รูปภาพต่อไปนี้แสดงตัวอย่างเพื่อสาธิตความสามารถในการใช้เหตุผลจากรูปภาพเป็นข้อความเป็นศูนย์ช็อต
ดังที่เราเห็นจากตัวอย่างต่างๆ ข้างต้น แบบจำลองหลายรูปแบบเปิดโอกาสใหม่ในการแก้ปัญหาที่ซับซ้อน ซึ่งแบบจำลองแบบรูปแบบเดียวแบบดั้งเดิมจะต้องดิ้นรนเพื่อแก้ไข
ทำความสะอาด
เพื่อหลีกเลี่ยงไม่ให้มีการเรียกเก็บเงินในอนาคต โปรดลบทรัพยากรที่สร้างขึ้นโดยเป็นส่วนหนึ่งของโพสต์นี้ คุณสามารถทำได้โดยทำตามคำแนะนำในส่วนการล้างสมุดบันทึก หรือลบตำแหน่งข้อมูลที่สร้างขึ้นผ่านคอนโซล SageMaker และทรัพยากรที่จัดเก็บไว้ในบัคเก็ต S3
สรุป
ในโพสต์นี้ เราได้พูดคุยถึงความสำคัญของการกลั่นกรองเนื้อหาในโลกดิจิทัลและเน้นย้ำถึงความท้าทาย เราเสนอวิธีการใหม่เพื่อช่วยปรับปรุงการกลั่นกรองเนื้อหาด้วยข้อมูลรูปภาพ และดำเนินการตอบคำถามกับรูปภาพเพื่อดึงข้อมูลที่เป็นประโยชน์โดยอัตโนมัติ นอกจากนี้เรายังให้การอภิปรายเพิ่มเติมเกี่ยวกับข้อดีของการใช้วิธีการที่ใช้ AI เป็นหลัก เมื่อเปรียบเทียบกับวิธีการจำแนกประเภทแบบดั้งเดิม สุดท้ายนี้ เราได้แสดงให้เห็นกรณีการใช้งานที่เป็นไปได้ของโมเดลภาษาภาพนอกเหนือจากการกลั่นกรองเนื้อหา
เราขอแนะนำให้คุณเรียนรู้เพิ่มเติมโดยการสำรวจ SageMaker และสร้างโซลูชันโดยใช้โซลูชันหลายรูปแบบที่ให้ไว้ในโพสต์นี้และชุดข้อมูลที่เกี่ยวข้องกับธุรกิจของคุณ
เกี่ยวกับผู้เขียน
กอร์ดอน วัง เป็น TAM ผู้เชี่ยวชาญด้าน AI/ML อาวุโสที่ AWS เขาสนับสนุนลูกค้าเชิงกลยุทธ์ด้วยแนวทางปฏิบัติที่ดีที่สุดของ AI/ML ในหลายอุตสาหกรรม เขามีความหลงใหลเกี่ยวกับคอมพิวเตอร์วิทัศน์, NLP, AI เชิงสร้างสรรค์ และ MLOps ในเวลาว่าง เขาชอบวิ่งและเดินป่า
เหยียนเว่ย ชุยปริญญาเอก เป็นสถาปนิกโซลูชันผู้เชี่ยวชาญด้าน Machine Learning อาวุโสที่ AWS เขาเริ่มการวิจัยแมชชีนเลิร์นนิงที่ IRISA (สถาบันวิจัยวิทยาการคอมพิวเตอร์และระบบสุ่ม) และมีประสบการณ์หลายปีในการสร้างแอปพลิเคชันอุตสาหกรรมที่ขับเคลื่อนด้วย AI ในด้านคอมพิวเตอร์วิทัศน์ การประมวลผลภาษาธรรมชาติ และการทำนายพฤติกรรมผู้ใช้ออนไลน์ ที่ AWS เขาแบ่งปันความเชี่ยวชาญด้านโดเมนของเขาและช่วยให้ลูกค้าปลดล็อกศักยภาพทางธุรกิจและขับเคลื่อนผลลัพธ์ที่ดำเนินการได้ด้วยการเรียนรู้ของเครื่องในวงกว้าง นอกเหนือจากการทำงาน เขาสนุกกับการอ่านหนังสือและการเดินทาง
เมลานี ลีปริญญาเอก เป็นผู้เชี่ยวชาญด้าน AI/ML อาวุโส TAM ที่ AWS ในซิดนีย์ ออสเตรเลีย เธอช่วยลูกค้าองค์กรสร้างโซลูชันโดยใช้เครื่องมือ AI/ML ที่ล้ำสมัยบน AWS และให้คำแนะนำเกี่ยวกับการออกแบบสถาปัตยกรรมและการนำโซลูชัน ML ไปใช้งานด้วยแนวทางปฏิบัติที่ดีที่สุด ในเวลาว่างเธอชอบที่จะสำรวจธรรมชาติและใช้เวลากับครอบครัวและเพื่อนฝูง
- เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
- PlatoData.Network Vertical Generative Ai เพิ่มพลังให้กับตัวเอง เข้าถึงได้ที่นี่.
- เพลโตไอสตรีม. Web3 อัจฉริยะ ขยายความรู้ เข้าถึงได้ที่นี่.
- เพลโตESG. ยานยนต์ / EVs, คาร์บอน, คลีนเทค, พลังงาน, สิ่งแวดล้อม แสงอาทิตย์, การจัดการของเสีย. เข้าถึงได้ที่นี่.
- เพลโตสุขภาพ เทคโนโลยีชีวภาพและข่าวกรองการทดลองทางคลินิก เข้าถึงได้ที่นี่.
- ChartPrime. ยกระดับเกมการซื้อขายของคุณด้วย ChartPrime เข้าถึงได้ที่นี่.
- BlockOffsets การปรับปรุงการเป็นเจ้าของออฟเซ็ตด้านสิ่งแวดล้อมให้ทันสมัย เข้าถึงได้ที่นี่.
- ที่มา: https://aws.amazon.com/blogs/machine-learning/build-a-generative-ai-based-content-moderation-solution-on-amazon-sagemaker-jumpstart/
- :มี
- :เป็น
- :ไม่
- :ที่ไหน
- $ ขึ้น
- 1
- 10
- 100
- 20
- 22
- 7
- 9
- 95%
- a
- สามารถ
- เกี่ยวกับเรา
- ข้างบน
- เข้า
- ตาม
- ลงชื่อเข้าใช้
- ความถูกต้อง
- บรรลุ
- ประสบความสำเร็จ
- นักแสดง
- ที่เกิดขึ้นจริง
- ที่เพิ่ม
- เพิ่ม
- นอกจากนี้
- เพิ่มเติม
- นอกจากนี้
- ที่อยู่
- ยึดมั่น
- การนำ
- การนำมาใช้
- ข้อได้เปรียบ
- ขัดแย้ง
- ผู้โฆษณา
- การโฆษณา
- กับ
- AI
- ขับเคลื่อนด้วย AI
- AI / ML
- อัลกอริทึม
- การวางแนว
- ทั้งหมด
- ช่วยให้
- ด้วย
- อเมซอน
- อเมซอน SageMaker
- Amazon SageMaker JumpStart
- Amazon Web Services
- an
- วิเคราะห์
- และ
- อื่น
- คำตอบ
- คำตอบ
- ใด
- การใช้งาน
- ประยุกต์
- เข้าใกล้
- วิธีการ
- เหมาะสม
- สถาปัตยกรรม
- เป็น
- AS
- ถาม
- ด้าน
- ผู้ช่วย
- สมาคม
- ถือว่า
- At
- เสียง
- ออสเตรเลีย
- อัตโนมัติ
- ใช้ได้
- หลีกเลี่ยง
- AWS
- ไม่ดี
- ตาม
- BE
- ชายหาด
- เพราะ
- กลายเป็น
- จะกลายเป็น
- พฤติกรรม
- กำลัง
- ด้านล่าง
- มาตรฐาน
- นอกจากนี้
- ที่ดีที่สุด
- ปฏิบัติที่ดีที่สุด
- เกิน
- ลำเอียง
- เลือด
- ร่างกาย
- ทั้งสอง
- ยี่ห้อ
- แบรนด์
- นำ
- กว้าง
- งบ
- สร้าง
- การก่อสร้าง
- ธุรกิจ
- แต่
- by
- ที่เรียกว่า
- CAN
- สามารถรับ
- ความสามารถในการ
- ความสามารถ
- ระมัดระวัง
- กรณี
- กรณี
- หมวดหมู่
- หมวดหมู่
- ท้าทาย
- ความท้าทาย
- ท้าทาย
- การเปลี่ยนแปลง
- โหลด
- chatbots
- Choose
- ชั้นเรียน
- ชัดเจน
- ไคลเอนต์
- เสื้อผ้า
- รหัส
- การเข้ารหัส
- รวมกัน
- รวม
- เชิงพาณิชย์
- ชุมชน
- การสร้างชุมชน
- บริษัท
- เมื่อเทียบกับ
- สมบูรณ์
- ซับซ้อน
- ส่วนประกอบ
- ส่วนประกอบ
- คอมพิวเตอร์
- วิทยาการคอมพิวเตอร์
- วิสัยทัศน์คอมพิวเตอร์
- คอมพิวเตอร์
- องค์ประกอบ
- ยืนยัน
- การเชื่อมต่อ
- เชื่อมต่อ
- การพิจารณา
- ถือว่า
- ประกอบ
- ปลอบใจ
- คงที่
- ไม่หยุดหย่อน
- ติดต่อเรา
- บรรจุ
- ภาชนะ
- มี
- เนื้อหา
- การสร้างเนื้อหา
- เนื้อหา
- การบริจาค
- ตามธรรมเนียม
- การสนทนา
- การสนทนา
- แกน
- ตรงกัน
- ราคา
- แพง
- ค่าใช้จ่าย
- ได้
- หน้าปก
- สร้าง
- ที่สร้างขึ้น
- การสร้าง
- วิกฤติ
- ข้าม
- ลูกค้า
- ปรับแต่ง
- ข้อมูล
- ความปลอดภัยของข้อมูล
- ชุดข้อมูล
- การตัดสินใจ
- การตัดสินใจ
- ลึก
- กำหนด
- กำหนด
- สาธิต
- แสดงให้เห็นถึง
- แสดงให้เห็นถึง
- ปรับใช้
- อธิบาย
- ลักษณะ
- ได้รับการออกแบบ
- การออกแบบ
- ที่ต้องการ
- แม้จะมี
- รายละเอียด
- ตรวจจับ
- กำหนด
- บทสนทนา
- ต่าง
- ดิจิตอล
- โลกดิจิตอล
- โดยตรง
- กล่าวถึง
- การสนทนา
- การกระจาย
- หลาย
- do
- นักเทียบท่า
- ทำ
- โดเมน
- ขับรถ
- แต่ละ
- ความสะดวก
- อย่างง่ายดาย
- มีประสิทธิภาพ
- ประสิทธิผล
- ที่มีประสิทธิภาพ
- การฝัง
- โผล่ออกมา
- กากกะรุน
- พนักงาน
- ทำให้สามารถ
- ช่วยให้
- ส่งเสริม
- ปลาย
- ปลายทาง
- ช่วย
- พอ
- ทำให้มั่นใจ
- การสร้างความมั่นใจ
- Enterprise
- ข้อผิดพลาด
- โดยเฉพาะอย่างยิ่ง
- จำเป็น
- ตัวอย่าง
- ตัวอย่าง
- ที่มีอยู่
- ประสบการณ์
- ความชำนาญ
- อธิบาย
- คำอธิบาย
- สำรวจ
- สำรวจ
- การเปิดรับ
- ภายนอก
- สารสกัด
- ใบหน้า
- ฟอลส์
- ครอบครัว
- ลักษณะ
- คุณสมบัติ
- หญิง
- สองสาม
- น้อยลง
- สนาม
- ศึก
- เนื้อไม่มีมัน
- ไฟล์
- สุดท้าย
- เงินทุน
- ชื่อจริง
- ครั้งแรก
- พอดี
- ถูกตั้งค่าสถานะ
- โฟกัส
- ปฏิบัติตาม
- ดังต่อไปนี้
- ดังต่อไปนี้
- สำหรับ
- รูป
- รูปแบบ
- รากฐาน
- เวลา
- เพื่อน
- ราคาเริ่มต้นที่
- แช่แข็ง
- ฟังก์ชั่น
- ต่อไป
- อนาคต
- รวบรวม
- สร้าง
- สร้าง
- การสร้าง
- รุ่น
- กำเนิด
- กำเนิด AI
- ได้รับ
- ให้
- กำหนด
- ยิ่งใหญ่
- การเจริญเติบโต
- การเจริญเติบโต
- คำแนะนำ
- จัดการ
- ที่เกิดขึ้น
- ยาก
- มี
- มี
- he
- สุขภาพ
- ข้อมูลสุขภาพ
- การดูแลสุขภาพ
- หนัก
- ช่วย
- จะช่วยให้
- เธอ
- ซ่อนเร้น
- จุดสูง
- ประสิทธิภาพสูง
- ที่มีคุณภาพสูง
- ไฮไลต์
- ของเขา
- เจ้าภาพ
- เป็นเจ้าภาพ
- โฮสติ้ง
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- ทำอย่างไร
- HTML
- ที่ http
- HTTPS
- เป็นมนุษย์
- แยกแยะ
- ระบุ
- เอกลักษณ์
- if
- แสดงให้เห็นถึง
- ภาพ
- ภาพ
- การดำเนินการ
- การดำเนินการ
- การดำเนินการ
- นำเข้า
- ความสำคัญ
- สำคัญ
- ปรับปรุง
- การปรับปรุง
- in
- ไม่เที่ยง
- ประกอบด้วย
- รวมถึง
- รวมทั้ง
- เพิ่ม
- เพิ่มขึ้น
- อุตสาหกรรม
- อุตสาหกรรม
- อุตสาหกรรม
- ไม่มีประสิทธิภาพ
- ข้อมูล
- อินพุต
- ปัจจัยการผลิต
- ตัวอย่าง
- สถาบัน
- คำแนะนำการใช้
- รวบรวม
- อยากเรียนรู้
- ภายใน
- เข้าไป
- แนะนำ
- IT
- ITS
- ชวา
- jpg
- JSON
- เพียงแค่
- เก็บ
- ความรู้
- ป้ายกำกับ
- ภาษา
- ใหญ่
- ที่มีขนาดใหญ่
- นำ
- ชั้นนำ
- เรียนรู้
- การเรียนรู้
- ซ้าย
- กฎหมาย
- หนี้สิน
- ห้องสมุด
- มีน้ำหนักเบา
- รายการ
- ดูรายละเอียด
- LLM
- อีกต่อไป
- รัก
- เครื่อง
- เรียนรู้เครื่อง
- การบำรุงรักษา
- ทำ
- การทำ
- มนุษย์
- จัดการ
- ด้วยมือ
- หลาย
- วัสดุ
- อาจ..
- me
- ความหมาย
- กลไก
- ภาพบรรยากาศ
- Meta
- วิธี
- วิธีการ
- กลาง
- ML
- ม.ป.ป
- แบบ
- โมเดล
- การกลั่นกรอง
- การแก้ไข
- โมดูล
- วันจันทร์
- การตรวจสอบ
- ข้อมูลเพิ่มเติม
- มีประสิทธิภาพมากขึ้น
- มากที่สุด
- หลาย
- โดยธรรมชาติ
- ประมวลผลภาษาธรรมชาติ
- ธรรมชาติ
- จำเป็นต้อง
- เชิงลบ
- ใหม่
- ถัดไป
- NLP
- สมุดบันทึก
- นวนิยาย
- ตอนนี้
- จำนวน
- of
- น่ารังเกียจ
- on
- ครั้งเดียว
- ONE
- ออนไลน์
- เพียง
- เปิด
- โอเพนซอร์ส
- โอกาส
- การปรับให้เหมาะสม
- or
- องค์กร
- เป็นต้นฉบับ
- อื่นๆ
- ของเรา
- บริษัทของเรา
- ผลลัพธ์
- ประสิทธิภาพเหนือกว่า
- เอาท์พุต
- ด้านนอก
- จม
- ของตนเอง
- แพ็คเกจ
- Parallel
- พารามิเตอร์
- ส่วนหนึ่ง
- โดยเฉพาะ
- ส่วน
- ส่ง
- หลงใหล
- รูปแบบ
- รูปแบบไฟล์ PDF
- ดำเนินการ
- การปฏิบัติ
- ดำเนินการ
- สิทธิ์
- คน
- ส่วนบุคคล
- บุคคล
- มุมมอง
- phd
- ภาพถ่าย
- เป็นจุดสำคัญ
- เวที
- แพลตฟอร์ม
- เพลโต
- เพลโตดาต้าอินเทลลิเจนซ์
- เพลโตดาต้า
- เล่น
- กรุณา
- นโยบาย
- นโยบาย
- น่าสงสาร
- ยอดนิยม
- โพสต์
- ที่มีศักยภาพ
- ศักยภาพ
- ขับเคลื่อน
- ที่มีประสิทธิภาพ
- การปฏิบัติ
- คำทำนาย
- เตรียมการ
- นำเสนอ
- การเก็บรักษา
- ป้องกัน
- จัดลำดับความสำคัญ
- ความเป็นส่วนตัว
- ปัญหาที่เกิดขึ้น
- กระบวนการ
- การประมวลผล
- การเขียนโปรแกรม
- เสนอ
- การป้องกัน
- ให้
- ให้
- ให้
- สาธารณะ
- การเผยแพร่
- สาธารณชน
- วัตถุประสงค์
- ใส่
- Q & A
- คุณภาพ
- คำสั่ง
- คำถาม
- คำถาม
- สุ่ม
- การอ่าน
- พร้อม
- เหตุผล
- รับรู้
- ตระหนักถึง
- ลด
- สม่ำเสมอ
- กฎระเบียบ
- ที่เกี่ยวข้อง
- ตรงประเด็น
- วางใจ
- ลบออก
- การแสดง
- ตัวแทน
- ชื่อเสียง
- ขอ
- ต้องการ
- ต้อง
- การวิจัย
- แหล่งข้อมูล
- ตอบสนอง
- คำตอบ
- การตอบสนอง
- ผล
- ส่งผลให้
- ผลสอบ
- กลับ
- เผยให้เห็น
- รายได้
- การเติบโตของรายได้
- RGB
- ขวา
- ความเสี่ยง
- ความเสี่ยง
- บทบาท
- ลวก
- กฎ
- วิ่ง
- วิ่ง
- s
- การป้องกัน
- ความปลอดภัย
- sagemaker
- ขนาด
- วิทยาศาสตร์
- ค้นหา
- ที่สอง
- Section
- ส่วน
- ภาค
- ความปลอดภัย
- เห็น
- การเลือก
- ระดับอาวุโส
- มีความละเอียดอ่อน
- ให้บริการอาหาร
- บริการ
- บริการ
- การให้บริการ
- ชุด
- หลาย
- เพศที่สนใจ
- หุ้น
- ใช้งานร่วมกัน
- เธอ
- โล่
- โชว์
- แสดงให้เห็นว่า
- แสดงให้เห็นว่า
- ลงชื่อ
- ความสำคัญ
- อย่างมีความหมาย
- เหมือนกับ
- ง่าย
- สถานการณ์
- So
- สังคม
- โซเชียลมีเดีย
- แพลตฟอร์มสื่อสังคม
- ทางออก
- โซลูชัน
- การแก้
- แหล่ง
- รหัสแหล่งที่มา
- แหล่งที่มา
- ช่องว่าง
- ช่องว่าง
- สแปม
- ผู้เชี่ยวชาญ
- โดยเฉพาะ
- การพูด
- ใช้จ่าย
- แยก
- ระยะ
- ขั้นตอน
- สแตนด์อโลน
- มาตรฐาน
- ข้อความที่เริ่ม
- รัฐของศิลปะ
- สหรัฐอเมริกา
- Status
- ขั้นตอน
- ยังคง
- การเก็บรักษา
- เก็บไว้
- ยุทธศาสตร์
- โครงสร้าง
- การต่อสู้
- สตูดิโอ
- ศึกษา
- อย่างเช่น
- แนะนำ
- รองรับ
- ซิดนีย์
- ระบบ
- ตาราง
- ต่อสู้
- กลยุทธ์
- ใช้เวลา
- งาน
- งาน
- ทีม
- บอก
- เทมเพลต
- เงื่อนไขการใช้บริการ
- ข้อความ
- เกี่ยวกับใจความ
- กว่า
- ที่
- พื้นที่
- ข้อมูล
- ของพวกเขา
- ที่นั่น
- ดังนั้น
- ดังนั้น
- ล้อยางขัดเหล่านี้ติดตั้งบนแกน XNUMX (มม.) ผลิตภัณฑ์นี้ถูกผลิตในหลายรูปทรง และหลากหลายเบอร์ความแน่นหนาของปริมาณอนุภาคขัดของมัน จะทำให้ท่านได้รับประสิทธิภาพสูงในการขัดและการใช้งานที่ยาวนาน
- พวกเขา
- คิด
- ที่สาม
- นี้
- สาม
- เวลา
- ต้องใช้เวลามาก
- ไปยัง
- เครื่องมือ
- แบบดั้งเดิม
- รถไฟ
- ผ่านการฝึกอบรม
- การฝึกอบรม
- หม้อแปลงไฟฟ้า
- การเดินทาง
- สอง
- ชนิด
- ชนิด
- ภายใต้
- เข้าใจ
- ความเข้าใจ
- เป็นเอกลักษณ์
- สากล
- ปลดล็อก
- ให้กับคุณ
- การปรับปรุง
- ส่งเสริม
- อัปโหลด
- ใช้
- ใช้กรณี
- ผู้ใช้งาน
- ประสบการณ์ของผู้ใช้
- ความเป็นส่วนตัวของผู้ใช้
- ผู้ใช้
- การใช้
- ความคุ้มค่า
- ความหลากหลาย
- ต่างๆ
- ผ่านทาง
- วีดีโอ
- การละเมิด
- วิสัยทัศน์
- ปริมาณ
- ไดรฟ์
- ทาง..
- วิธี
- we
- เว็บ
- บริการเว็บ
- เว็บไซต์
- ดี
- อะไร
- เมื่อ
- ที่
- ทำไม
- จะ
- กับ
- ภายใน
- ไม่มี
- คำ
- งาน
- การทำงาน
- โลก
- จะ
- ปี
- คุณ
- ของคุณ
- ลมทะเล