เรากำลังเห็นการเพิ่มขึ้นอย่างรวดเร็วของการนำโมเดลภาษาขนาดใหญ่ (LLM) มาใช้ ซึ่งขับเคลื่อนแอปพลิเคชัน AI ที่สร้างในอุตสาหกรรมต่างๆ LLM สามารถทำงานได้หลากหลาย เช่น การสร้างเนื้อหาเชิงสร้างสรรค์ การตอบคำถามผ่านแชทบอท การสร้างโค้ด และอื่นๆ
องค์กรต่างๆ ที่ต้องการใช้ LLM เพื่อขับเคลื่อนแอปพลิเคชันของตน ต่างระมัดระวังมากขึ้นเกี่ยวกับความเป็นส่วนตัวของข้อมูล เพื่อให้แน่ใจว่าจะรักษาความไว้วางใจและความปลอดภัยไว้ในแอปพลิเคชัน AI สร้างสรรค์ของตน ซึ่งรวมถึงการจัดการข้อมูลข้อมูลส่วนบุคคล (PII) ของลูกค้าอย่างเหมาะสม นอกจากนี้ยังรวมถึงการป้องกันการเผยแพร่เนื้อหาที่ไม่เหมาะสมและไม่ปลอดภัยไปยัง LLM และการตรวจสอบว่าข้อมูลที่สร้างโดย LLM เป็นไปตามหลักการเดียวกัน
ในโพสต์นี้ เราจะพูดถึงฟีเจอร์ใหม่ๆ ที่ขับเคลื่อนโดย เข้าใจ Amazon ที่ช่วยให้สามารถบูรณาการได้อย่างราบรื่นเพื่อให้มั่นใจถึงความเป็นส่วนตัวของข้อมูล ความปลอดภัยของเนื้อหา และความปลอดภัยที่รวดเร็วในแอปพลิเคชัน AI เจนเนอเรชั่นใหม่และที่มีอยู่
Amazon Comprehend เป็นบริการประมวลผลภาษาธรรมชาติ (NLP) ที่ใช้การเรียนรู้ของเครื่อง (ML) เพื่อเปิดเผยข้อมูลในข้อมูลที่ไม่มีโครงสร้างและข้อความภายในเอกสาร ในโพสต์นี้ เราจะพูดคุยว่าทำไมความไว้วางใจและความปลอดภัยของ LLM จึงมีความสำคัญต่อปริมาณงานของคุณ นอกจากนี้เรายังเจาะลึกถึงวิธีการใช้ความสามารถในการกลั่นกรองใหม่เหล่านี้กับกรอบการพัฒนา AI เจนเนอเรชั่นยอดนิยม หลังเชน เพื่อแนะนำกลไกความน่าเชื่อถือและความปลอดภัยที่ปรับแต่งได้สำหรับกรณีการใช้งานของคุณ
เหตุใดความไว้วางใจและความปลอดภัยกับ LLM จึงมีความสำคัญ
ความน่าเชื่อถือและความปลอดภัยเป็นสิ่งสำคัญยิ่งเมื่อทำงานกับ LLM เนื่องจากมีผลกระทบอย่างมากต่อแอปพลิเคชันที่หลากหลาย ตั้งแต่แชทบอทสนับสนุนลูกค้าไปจนถึงการสร้างเนื้อหา เนื่องจากแบบจำลองเหล่านี้ประมวลผลข้อมูลจำนวนมหาศาลและสร้างการตอบสนองเหมือนมนุษย์ โอกาสที่จะเกิดผลลัพธ์ในทางที่ผิดหรือไม่ได้ตั้งใจก็เพิ่มขึ้น การตรวจสอบให้แน่ใจว่าระบบ AI เหล่านี้ทำงานภายในขอบเขตที่มีจริยธรรมและเชื่อถือได้ถือเป็นสิ่งสำคัญ ไม่เพียงแต่เพื่อชื่อเสียงของธุรกิจที่ใช้งานระบบเหล่านี้เท่านั้น แต่ยังรวมถึงการรักษาความไว้วางใจของผู้ใช้ปลายทางและลูกค้าด้วย
ยิ่งไปกว่านั้น เมื่อ LLM บูรณาการเข้ากับประสบการณ์ดิจิทัลในแต่ละวันของเรามากขึ้น อิทธิพลของพวกเขาต่อการรับรู้ ความเชื่อ และการตัดสินใจของเราก็เพิ่มมากขึ้น การรับรองความไว้วางใจและความปลอดภัยด้วย LLM เป็นมากกว่าแค่มาตรการทางเทคนิค โดยกล่าวถึงความรับผิดชอบที่กว้างขึ้นของผู้ปฏิบัติงานและองค์กรด้าน AI ในการรักษามาตรฐานทางจริยธรรม องค์กรต่างๆ ให้ความสำคัญกับความไว้วางใจและความปลอดภัยไม่เพียงแต่ปกป้องผู้ใช้ของตนเท่านั้น แต่ยังรับประกันการเติบโตของ AI ในสังคมที่ยั่งยืนและมีความรับผิดชอบอีกด้วย นอกจากนี้ยังสามารถช่วยลดความเสี่ยงในการสร้างเนื้อหาที่เป็นอันตราย และช่วยปฏิบัติตามข้อกำหนดด้านกฎระเบียบอีกด้วย
ในขอบเขตของความไว้วางใจและความปลอดภัย การกลั่นกรองเนื้อหาเป็นกลไกที่กล่าวถึงแง่มุมต่างๆ ซึ่งรวมถึงแต่ไม่จำกัดเพียง:
- ความเป็นส่วนตัว – ผู้ใช้สามารถระบุข้อความที่มีข้อมูลที่ละเอียดอ่อนโดยไม่ตั้งใจ ซึ่งเป็นอันตรายต่อความเป็นส่วนตัว การตรวจจับและการแก้ไข PII ใดๆ ถือเป็นสิ่งสำคัญ
- ความเป็นพิษ – การรับรู้และกรองเนื้อหาที่เป็นอันตราย เช่น คำพูดแสดงความเกลียดชัง การคุกคาม หรือการละเมิด มีความสำคัญสูงสุด
- ความตั้งใจของผู้ใช้ – การระบุว่าอินพุตของผู้ใช้ (พร้อมท์) ปลอดภัยหรือไม่ปลอดภัยเป็นสิ่งสำคัญ ข้อความแจ้งที่ไม่ปลอดภัยอาจแสดงเจตนาร้ายทั้งโดยชัดแจ้งหรือโดยปริยาย เช่น การขอข้อมูลส่วนบุคคลหรือข้อมูลส่วนตัว และการสร้างเนื้อหาที่สร้างความขุ่นเคือง เลือกปฏิบัติ หรือผิดกฎหมาย ข้อความแจ้งอาจแสดงหรือขอคำแนะนำโดยปริยายเกี่ยวกับการแพทย์ กฎหมาย การเมือง ข้อขัดแย้ง ส่วนบุคคล หรือการเงิน
การกลั่นกรองเนื้อหาด้วย Amazon Comprehend
ในส่วนนี้ เราจะหารือเกี่ยวกับประโยชน์ของการกลั่นกรองเนื้อหากับ Amazon Comprehend
กล่าวถึงความเป็นส่วนตัว
Amazon Comprehend จัดการกับความเป็นส่วนตัวผ่านการตรวจจับ PII ที่มีอยู่และความสามารถในการแก้ไขผ่านทาง ตรวจหา PIIEntities และ ประกอบด้วยPIIEntities API API ทั้งสองนี้ได้รับการสนับสนุนโดยโมเดล NLP ที่สามารถตรวจจับเอนทิตี PII จำนวนมาก เช่น หมายเลขประกันสังคม (SSN) หมายเลขบัตรเครดิต ชื่อ ที่อยู่ หมายเลขโทรศัพท์ และอื่นๆ สำหรับรายชื่อเอนทิตีทั้งหมด โปรดดูที่ ประเภทเอนทิตีสากล PII. DetectPII ยังจัดเตรียมตำแหน่งระดับอักขระของเอนทิตี PII ภายในข้อความ ตัวอย่างเช่น ตำแหน่งอักขระเริ่มต้นของเอนทิตี NAME (John Doe) ในประโยค “My name is Jโอ้โดe” คือ 12 และตำแหน่งอักขระสุดท้ายคือ 19 การชดเชยเหล่านี้สามารถใช้เพื่อทำการมาสก์หรือการแก้ไขค่า ซึ่งจะช่วยลดความเสี่ยงของการแพร่กระจายข้อมูลส่วนตัวไปยัง LLM
จัดการกับความเป็นพิษและความปลอดภัยที่รวดเร็ว
วันนี้ เราจะประกาศคุณสมบัติใหม่ของ Amazon Comprehend สองคุณสมบัติในรูปแบบของ API: การตรวจจับความเป็นพิษผ่านทาง DetectToxicContent
API และการจัดหมวดหมู่ความปลอดภัยที่รวดเร็วผ่านทาง ClassifyDocument
API. โปรดทราบว่า DetectToxicContent
เป็น API ใหม่ในขณะที่ ClassifyDocument
เป็น API ที่มีอยู่ซึ่งขณะนี้รองรับการจำแนกประเภทความปลอดภัยทันที
การตรวจจับความเป็นพิษ
ด้วยการตรวจจับความเป็นพิษของ Amazon Comprehend คุณสามารถระบุและติดธงเนื้อหาที่อาจเป็นอันตราย น่ารังเกียจ หรือไม่เหมาะสมได้ ความสามารถนี้มีประโยชน์อย่างยิ่งสำหรับแพลตฟอร์มที่ผู้ใช้สร้างเนื้อหา เช่น ไซต์โซเชียลมีเดีย ฟอรัม แชทบอท ส่วนความคิดเห็น และแอปพลิเคชันที่ใช้ LLM เพื่อสร้างเนื้อหา เป้าหมายหลักคือการรักษาสภาพแวดล้อมเชิงบวกและปลอดภัยโดยการป้องกันการแพร่กระจายของเนื้อหาที่เป็นพิษ
โดยแก่นแท้แล้ว โมเดลการตรวจจับความเป็นพิษจะวิเคราะห์ข้อความเพื่อระบุแนวโน้มที่จะมีเนื้อหาแสดงความเกลียดชัง การข่มขู่ เรื่องอนาจาร หรือข้อความที่เป็นอันตรายในรูปแบบอื่น ๆ แบบจำลองนี้ได้รับการฝึกฝนบนชุดข้อมูลขนาดใหญ่ที่มีตัวอย่างเนื้อหาทั้งที่เป็นพิษและปลอดสารพิษ API ความเป็นพิษจะประเมินข้อความที่กำหนดเพื่อจัดประเภทความเป็นพิษและคะแนนความเชื่อมั่น แอปพลิเคชัน Generative AI สามารถใช้ข้อมูลนี้เพื่อดำเนินการที่เหมาะสม เช่น หยุดข้อความไม่ให้เผยแพร่ไปยัง LLM ในขณะที่เขียนบทความนี้ ฉลากที่ตรวจพบโดย API การตรวจหาความเป็นพิษคือ HATE_SPEECH
, GRAPHIC
, HARRASMENT_OR_ABUSE
, SEXUAL
, VIOLENCE_OR_THREAT
, INSULT
และ PROFANITY
. โค้ดต่อไปนี้สาธิตการเรียก API ด้วย Python Boto3 สำหรับการตรวจหาความเป็นพิษของ Amazon Comprehend:
การจำแนกประเภทความปลอดภัยทันที
การจัดประเภทความปลอดภัยทันทีด้วย Amazon Comprehend ช่วยจัดประเภทข้อความแจ้งที่ป้อนว่าปลอดภัยหรือไม่ปลอดภัย ความสามารถนี้มีความสำคัญอย่างยิ่งสำหรับแอปพลิเคชัน เช่น แชทบอท ผู้ช่วยเสมือน หรือเครื่องมือตรวจสอบเนื้อหา ซึ่งการทำความเข้าใจความปลอดภัยของพรอมต์สามารถกำหนดการตอบสนอง การดำเนินการ หรือการเผยแพร่เนื้อหาไปยัง LLM ได้
โดยพื้นฐานแล้ว การจำแนกประเภทความปลอดภัยทันทีจะวิเคราะห์ข้อมูลจากมนุษย์สำหรับเจตนาที่เป็นอันตรายทั้งโดยชัดแจ้งหรือโดยปริยาย เช่น การขอข้อมูลส่วนบุคคลหรือข้อมูลส่วนตัว และการสร้างเนื้อหาที่น่ารังเกียจ เลือกปฏิบัติ หรือผิดกฎหมาย นอกจากนี้ยังแจ้งเตือนให้มองหาคำแนะนำเกี่ยวกับหัวข้อทางการแพทย์ กฎหมาย การเมือง เรื่องที่เป็นข้อขัดแย้ง เรื่องส่วนตัว หรือเรื่องการเงิน การจำแนกประเภทพร้อมต์ส่งคืนสองคลาส UNSAFE_PROMPT
และ SAFE_PROMPT
สำหรับข้อความที่เกี่ยวข้อง โดยมีคะแนนความเชื่อมั่นที่เกี่ยวข้องกันสำหรับแต่ละรายการ คะแนนความเชื่อมั่นอยู่ระหว่าง 0–1 และรวมกันจะรวมกันเป็น 1 ตัวอย่างเช่น ในแชทบอทฝ่ายสนับสนุนลูกค้า ข้อความ “ฉันจะรีเซ็ตรหัสผ่านของฉันได้อย่างไร?” ส่งสัญญาณความตั้งใจที่จะขอคำแนะนำเกี่ยวกับขั้นตอนการรีเซ็ตรหัสผ่านและมีป้ายกำกับว่า SAFE_PROMPT
. ในทำนองเดียวกันข้อความเช่น “ฉันขอให้สิ่งเลวร้ายเกิดขึ้นกับคุณ” สามารถถูกทำเครื่องหมายว่ามีเจตนาที่เป็นอันตรายและติดป้ายกำกับว่าเป็น UNSAFE_PROMPT
. สิ่งสำคัญที่ควรทราบคือการจัดหมวดหมู่ความปลอดภัยทันทีนั้นมุ่งเน้นไปที่การตรวจจับเจตนาจากอินพุตของมนุษย์ (พร้อมท์) เป็นหลัก มากกว่าข้อความที่สร้างโดยเครื่อง (เอาต์พุต LLM) รหัสต่อไปนี้สาธิตวิธีการเข้าถึงคุณลักษณะการจำแนกประเภทความปลอดภัยทันทีด้วย ClassifyDocument
ไฟ:
โปรดทราบว่า endpoint_arn
ในโค้ดก่อนหน้าคือสิ่งที่ AWS มอบให้ หมายเลขทรัพยากรของ Amazon (ARN) ของรูปแบบ arn:aws:comprehend:<region>:aws:document-classifier-endpoint/prompt-safety
ที่นี่มี <region>
คือภูมิภาค AWS ที่คุณเลือก Amazon Comprehend พร้อมใช้งานแล้ว.
เพื่อสาธิตความสามารถเหล่านี้ เราได้สร้างแอปพลิเคชันแชทตัวอย่างโดยขอให้ LLM แยกเอนทิตี PII เช่น ที่อยู่ หมายเลขโทรศัพท์ และ SSN ออกจากข้อความที่กำหนด LLM ค้นหาและส่งกลับเอนทิตี PII ที่เหมาะสม ดังที่แสดงในภาพด้านซ้าย
ด้วยการกลั่นกรอง Amazon Comprehend เราสามารถแก้ไขอินพุตไปยัง LLM และเอาต์พุตจาก LLM ได้ ในภาพด้านขวา ค่า SSN สามารถส่งผ่านไปยัง LLM ได้โดยไม่ต้องแก้ไข อย่างไรก็ตาม ค่า SSN ใดๆ ในการตอบกลับของ LLM จะถูกแก้ไข
ต่อไปนี้เป็นตัวอย่างของวิธีการป้องกันไม่ให้พรอมต์ที่มีข้อมูล PII เข้าถึง LLM โดยสิ้นเชิง ตัวอย่างนี้สาธิตให้ผู้ใช้ถามคำถามที่มีข้อมูล PII เราใช้การควบคุม Amazon Comprehend เพื่อตรวจจับเอนทิตี PII ในข้อความแจ้งและแสดงข้อผิดพลาดโดยการขัดจังหวะโฟลว์
ตัวอย่างการแชทก่อนหน้านี้แสดงให้เห็นว่าการควบคุม Amazon Comprehend ใช้ข้อจำกัดกับข้อมูลที่ส่งไปยัง LLM อย่างไร ในส่วนต่อไปนี้ เราจะอธิบายวิธีการใช้กลไกการกลั่นกรองนี้โดยใช้ LangChain
บูรณาการกับ LangChain
ด้วยความเป็นไปได้ที่ไม่มีที่สิ้นสุดของการประยุกต์ใช้ LLM ในกรณีการใช้งานต่างๆ การทำให้การพัฒนาแอปพลิเคชัน generative AI กลายเป็นสิ่งสำคัญไม่แพ้กัน หลังเชน เป็นเฟรมเวิร์กโอเพ่นซอร์สยอดนิยมที่ทำให้การพัฒนาแอปพลิเคชัน AI ทั่วไปเป็นเรื่องง่าย การกลั่นกรอง Amazon Comprehend ขยายกรอบงาน LangChain เพื่อเสนอการระบุและการแก้ไข PII การตรวจจับความเป็นพิษ และความสามารถในการจำแนกประเภทความปลอดภัยที่รวดเร็วผ่านทาง AmazonComprehendModerationChain
.
AmazonComprehendModerationChain
เป็นการดำเนินการแบบกำหนดเองของ โซ่ฐาน LangChain อินเตอร์เฟซ. ซึ่งหมายความว่าแอปพลิเคชันสามารถใช้เชนนี้ได้ด้วยตัวเอง โซ่ LLM เพื่อใช้การกลั่นกรองที่ต้องการกับพร้อมท์อินพุตและข้อความเอาต์พุตจาก LLM โซ่สามารถสร้างขึ้นได้โดยการรวมโซ่จำนวนมากหรือโดยการผสมโซ่กับส่วนประกอบอื่น ๆ คุณสามารถใช้ได้ AmazonComprehendModerationChain
ร่วมกับเครือข่าย LLM อื่นๆ เพื่อพัฒนาแอปพลิเคชัน AI ที่ซับซ้อนในลักษณะโมดูลาร์และยืดหยุ่น
เพื่ออธิบายเพิ่มเติม เราได้จัดเตรียมตัวอย่างบางส่วนไว้ในส่วนต่อไปนี้ ซอร์สโค้ดสำหรับ AmazonComprehendModerationChain
การใช้งานสามารถพบได้ภายใน พื้นที่เก็บข้อมูลโอเพ่นซอร์สของ LangChain. สำหรับเอกสารฉบับสมบูรณ์ของอินเทอร์เฟซ API โปรดดูเอกสารประกอบของ LangChain API สำหรับ ห่วงโซ่การควบคุม Amazon Comprehend. การใช้ห่วงโซ่การดูแลนี้ทำได้ง่ายเพียงแค่เริ่มต้นอินสแตนซ์ของคลาสด้วยการกำหนดค่าเริ่มต้น:
เบื้องหลัง ห่วงโซ่การควบคุมดำเนินการตรวจสอบการควบคุมดูแลสามครั้งติดต่อกัน ได้แก่ PII ความเป็นพิษ และความปลอดภัยทันที ตามที่อธิบายไว้ในแผนภาพต่อไปนี้ นี่เป็นขั้นตอนเริ่มต้นสำหรับการกลั่นกรอง
ข้อมูลโค้ดต่อไปนี้แสดงตัวอย่างง่ายๆ ของการใช้สายการกลั่นกรองกับ อเมซอน ฟอลคอนไลต์ LLM (ซึ่งเป็นเวอร์ชันเชิงปริมาณของ Falcon 40B SFT OASST-TOP1 รุ่น) โฮสต์ใน Hugging Face Hub:
ในตัวอย่างก่อนหน้านี้ เราเพิ่มห่วงโซ่ของเราด้วย comprehend_moderation
สำหรับทั้งข้อความที่เข้าสู่ LLM และข้อความที่สร้างโดย LLM การดำเนินการนี้จะดำเนินการกลั่นกรองเริ่มต้นซึ่งจะตรวจสอบ PII ความเป็นพิษ และการจัดประเภทความปลอดภัยทันทีตามลำดับนั้น
ปรับแต่งการกลั่นกรองของคุณด้วยการกำหนดค่าตัวกรอง
คุณสามารถใช้ AmazonComprehendModerationChain
ด้วยการกำหนดค่าเฉพาะ ซึ่งช่วยให้คุณสามารถควบคุมการกลั่นกรองที่คุณต้องการดำเนินการในแอปพลิเคชันที่ใช้ AI ทั่วไปของคุณ ที่แกนหลักของการกำหนดค่า คุณจะมีการกำหนดค่าตัวกรองสามแบบให้เลือกใช้
- การกลั่นกรอง PiiConfig – ใช้เพื่อกำหนดค่าตัวกรอง PII
- การกลั่นกรองความเป็นพิษการกำหนดค่า – ใช้เพื่อกำหนดค่าตัวกรองเนื้อหาที่เป็นพิษ
- การกลั่นกรอง IntentConfig – ใช้เพื่อกำหนดค่าตัวกรองเจตนา
คุณสามารถใช้การกำหนดค่าตัวกรองแต่ละรายการเหล่านี้เพื่อปรับแต่งลักษณะการทำงานของการกลั่นกรองของคุณ การกำหนดค่าของตัวกรองแต่ละตัวมีพารามิเตอร์ทั่วไปสองสามตัว และพารามิเตอร์เฉพาะบางตัวที่สามารถเริ่มต้นได้ หลังจากที่คุณกำหนดคอนฟิกูเรชันแล้ว คุณจะใช้ BaseModerationConfig
คลาสเพื่อกำหนดลำดับที่ต้องใช้ตัวกรองกับข้อความ ตัวอย่างเช่น ในโค้ดต่อไปนี้ ขั้นแรกเราจะกำหนดการกำหนดค่าตัวกรองสามรายการ และระบุลำดับที่ต้องใช้ในภายหลัง:
มาเจาะลึกลงไปอีกหน่อยเพื่อทำความเข้าใจว่าการกำหนดค่านี้ทำให้สำเร็จได้อย่างไร:
- ขั้นแรก สำหรับตัวกรองความเป็นพิษ เราได้ระบุขีดจำกัดไว้ที่ 0.6 ซึ่งหมายความว่าหากข้อความมีฉลากหรือเอนทิตีที่เป็นพิษซึ่งมีคะแนนมากกว่าเกณฑ์ ห่วงโซ่ทั้งหมดจะถูกขัดจังหวะ
- หากไม่พบเนื้อหาที่เป็นพิษในข้อความ ให้ใช้การตรวจสอบ PII ในกรณีนี้ เราสนใจที่จะตรวจสอบว่าข้อความมีค่า SSN หรือไม่ เพราะว่า
redact
พารามิเตอร์ถูกตั้งค่าเป็นTrue
เชนจะปกปิดค่า SSN ที่ตรวจพบ (ถ้ามี) โดยที่คะแนนความเชื่อมั่นของเอนทิตี SSN มากกว่าหรือเท่ากับ 0.5 โดยมีการระบุอักขระมาสก์ (X) ถ้าredact
ถูกตั้งค่าเป็นFalse
เชนจะถูกขัดจังหวะสำหรับ SSN ใดๆ ที่ตรวจพบ - สุดท้าย ห่วงโซ่จะดำเนินการจำแนกประเภทความปลอดภัยทันที และจะหยุดเนื้อหาไม่ให้แพร่กระจายต่อไปในห่วงโซ่หากเนื้อหาถูกจัดประเภทด้วย
UNSAFE_PROMPT
โดยมีคะแนนความเชื่อมั่นมากกว่าหรือเท่ากับ 0.8
ไดอะแกรมต่อไปนี้แสดงเวิร์กโฟลว์นี้
ในกรณีที่มีการหยุดชะงักของห่วงโซ่การควบคุม (ในตัวอย่างนี้ ใช้ได้กับความเป็นพิษและตัวกรองการจำแนกประเภทความปลอดภัยทันที) ห่วงโซ่จะเพิ่ม ข้อยกเว้นหลามโดยพื้นฐานแล้วการหยุดห่วงโซ่ที่กำลังดำเนินการอยู่และช่วยให้คุณสามารถตรวจจับข้อยกเว้น (ในบล็อก try-catch) และดำเนินการใด ๆ ที่เกี่ยวข้อง ประเภทข้อยกเว้นที่เป็นไปได้สามประเภทคือ:
ModerationPIIError
ModerationToxicityError
ModerationPromptSafetyError
คุณสามารถกำหนดค่าตัวกรองหนึ่งตัวหรือมากกว่าหนึ่งตัวกรองโดยใช้ BaseModerationConfig
. คุณยังสามารถมีตัวกรองประเภทเดียวกันที่มีการกำหนดค่าต่างกันภายในเชนเดียวกันได้ ตัวอย่างเช่น หากกรณีการใช้งานของคุณเกี่ยวข้องกับ PII เท่านั้น คุณสามารถระบุการกำหนดค่าที่ต้องขัดจังหวะลูกโซ่ได้ หากในกรณีที่ตรวจพบ SSN มิฉะนั้นจะต้องดำเนินการแก้ไขเอนทิตี PII อายุและชื่อ การกำหนดค่าสำหรับสิ่งนี้สามารถกำหนดได้ดังนี้:
การใช้การโทรกลับและตัวระบุที่ไม่ซ้ำกัน
หากคุณคุ้นเคยกับแนวคิดของเวิร์กโฟลว์ คุณก็อาจจะคุ้นเคยเช่นกัน เรียกกลับ. การโทรกลับภายในเวิร์กโฟลว์เป็นโค้ดอิสระที่ทำงานเมื่อตรงตามเงื่อนไขบางประการภายในเวิร์กโฟลว์ การโทรกลับสามารถบล็อกหรือไม่บล็อกเวิร์กโฟลว์ก็ได้ โดยพื้นฐานแล้ว LangChain chain คือเวิร์กโฟลว์สำหรับ LLM AmazonComprehendModerationChain
ช่วยให้คุณสามารถกำหนดฟังก์ชันการโทรกลับของคุณเองได้ เริ่มแรก การใช้งานจะจำกัดเฉพาะฟังก์ชันการเรียกกลับแบบอะซิงโครนัส (ไม่บล็อก) เท่านั้น
ซึ่งหมายความว่าหากคุณใช้การโทรกลับกับสายการกลั่นกรอง การโทรกลับจะทำงานอย่างเป็นอิสระจากการทำงานของสายโซ่โดยไม่ปิดกั้น สำหรับสายการกลั่นกรอง คุณจะได้รับตัวเลือกในการรันโค้ดบางส่วนด้วยตรรกะทางธุรกิจใดๆ หลังจากการรันการกลั่นกรองแต่ละครั้ง โดยไม่ขึ้นกับสายโซ่
คุณยังสามารถระบุสตริงตัวระบุที่ไม่ซ้ำกันได้ตามต้องการเมื่อสร้าง AmazonComprehendModerationChain
เพื่อเปิดใช้งานการบันทึกและการวิเคราะห์ในภายหลัง ตัวอย่างเช่น หากคุณใช้งานแชทบอทที่ขับเคลื่อนโดย LLM คุณอาจต้องการติดตามผู้ใช้ที่ละเมิดอย่างต่อเนื่อง หรือจงใจหรือเปิดเผยข้อมูลส่วนบุคคลโดยเจตนาหรือไม่รู้ตัว ในกรณีเช่นนี้ มีความจำเป็นต้องติดตามที่มาของพร้อมท์ดังกล่าว และอาจจัดเก็บไว้ในฐานข้อมูลหรือบันทึกอย่างเหมาะสมเพื่อดำเนินการต่อไป คุณสามารถส่ง ID เฉพาะที่ระบุผู้ใช้อย่างชัดเจน เช่น ชื่อผู้ใช้หรืออีเมล หรือชื่อแอปพลิเคชันที่สร้างข้อความแจ้ง
การรวมกันของการโทรกลับและตัวระบุที่ไม่ซ้ำกันช่วยให้คุณมีวิธีที่มีประสิทธิภาพในการใช้ห่วงโซ่การดูแลที่เหมาะกับกรณีการใช้งานของคุณในลักษณะที่เหนียวแน่นมากขึ้นโดยใช้โค้ดน้อยลงและง่ายต่อการบำรุงรักษา ตัวจัดการการเรียกกลับสามารถใช้ได้ผ่านทาง BaseModerationCallbackHandler
โดยมีการโทรกลับสามรายการ: on_after_pii()
, on_after_toxicity()
และ on_after_prompt_safety()
. แต่ละฟังก์ชันการเรียกกลับเหล่านี้จะถูกเรียกแบบอะซิงโครนัสหลังจากดำเนินการตรวจสอบการกลั่นกรองที่เกี่ยวข้องภายในลูกโซ่ ฟังก์ชันเหล่านี้ยังได้รับพารามิเตอร์เริ่มต้นสองตัวด้วย:
- การกลั่นกรอง_บีคอน – พจนานุกรมที่มีรายละเอียด เช่น ข้อความที่ใช้ดำเนินการควบคุม เอาต์พุต JSON เต็มรูปแบบของ Amazon Comprehend API ประเภทของการกลั่นกรอง และหากพบป้ายกำกับที่ให้มา (ในการกำหนดค่า) ภายในข้อความหรือไม่
- ID ไม่ซ้ำกัน – ID เฉพาะที่คุณกำหนดขณะเริ่มต้นอินสแตนซ์ของ
AmazonComprehendModerationChain
.
ต่อไปนี้เป็นตัวอย่างของวิธีการใช้งานที่มีการเรียกกลับ ในกรณีนี้ เราได้กำหนดการเรียกกลับครั้งเดียวที่เราต้องการให้ลูกโซ่ทำงานหลังจากดำเนินการตรวจสอบ PII แล้ว:
จากนั้นเราก็ใช้ my_callback
วัตถุในขณะที่เริ่มต้นห่วงโซ่การดูแลและส่งผ่าน unique_id
. คุณสามารถใช้การโทรกลับและตัวระบุเฉพาะโดยมีหรือไม่มีการกำหนดค่าก็ได้ เมื่อคุณเรียนคลาสย่อย BaseModerationCallbackHandler
คุณต้องใช้วิธีการโทรกลับหนึ่งหรือทั้งหมด ขึ้นอยู่กับตัวกรองที่คุณต้องการใช้ เพื่อความกระชับ ตัวอย่างต่อไปนี้จะแสดงวิธีการใช้การโทรกลับและ unique_id
โดยไม่มีการกำหนดค่าใดๆ:
แผนภาพต่อไปนี้จะอธิบายวิธีการทำงานของสายควบคุมที่มีการโทรกลับและตัวระบุเฉพาะ โดยเฉพาะอย่างยิ่ง เราใช้การเรียกกลับ PII ที่ควรเขียนไฟล์ JSON พร้อมด้วยข้อมูลที่มีอยู่ใน moderation_beacon
และ unique_id
ผ่าน (อีเมลของผู้ใช้ในกรณีนี้)
ในเรื่องดังต่อไปนี้ สมุดโน้ตไพทอนเราได้รวบรวมวิธีการต่างๆ สองสามวิธีที่คุณสามารถกำหนดค่าและใช้สายการกลั่นกรองกับ LLM ต่างๆ ได้ เช่น LLM ที่โฮสต์ด้วย Amazon SageMaker JumpStart และเป็นเจ้าภาพใน กอดใบหน้าฮับ. นอกจากนี้เรายังได้รวมแอปพลิเคชันแชทตัวอย่างที่เรากล่าวถึงก่อนหน้านี้ไว้ด้วยดังต่อไปนี้ สมุดโน้ตไพทอน.
สรุป
ศักยภาพในการเปลี่ยนแปลงของโมเดลภาษาขนาดใหญ่และ AI เชิงสร้างสรรค์นั้นไม่อาจปฏิเสธได้ อย่างไรก็ตาม การใช้อย่างมีความรับผิดชอบและมีจริยธรรมนั้นขึ้นอยู่กับการจัดการข้อกังวลเรื่องความไว้วางใจและความปลอดภัย ด้วยการตระหนักถึงความท้าทายและดำเนินมาตรการเพื่อลดความเสี่ยงอย่างจริงจัง นักพัฒนา องค์กร และสังคมโดยรวมจึงสามารถควบคุมประโยชน์ของเทคโนโลยีเหล่านี้ได้ ในขณะเดียวกันก็รักษาความไว้วางใจและความปลอดภัยที่เป็นรากฐานของการบูรณาการที่ประสบความสำเร็จ ใช้ Amazon Comprehend ContentModerationChain เพื่อเพิ่มคุณสมบัติความน่าเชื่อถือและความปลอดภัยให้กับเวิร์กโฟลว์ LLM ใดๆ รวมถึงเวิร์กโฟลว์การดึงข้อมูล Augmented Generation (RAG) ที่ใช้งานใน LangChain
สำหรับข้อมูลเกี่ยวกับการสร้างโซลูชันที่ใช้ RAG โดยใช้ LangChain และ Amazon Kendra ที่ขับเคลื่อนด้วยแมชชีนเลิร์นนิง (ML) ที่มีความแม่นยำสูง การค้นหาอัจฉริยะ, ดู - สร้างแอปพลิเคชัน Generative AI ที่มีความแม่นยำสูงอย่างรวดเร็วบนข้อมูลองค์กรโดยใช้ Amazon Kendra, LangChain และโมเดลภาษาขนาดใหญ่. ในขั้นตอนถัดไป โปรดดูที่ ตัวอย่างโค้ด เราสร้างขึ้นเพื่อใช้การควบคุม Amazon Comprehend กับ LangChain สำหรับเอกสารฉบับสมบูรณ์ของ Amazon Comprehend moderation chain API โปรดดูที่ LangChain เอกสาร API.
เกี่ยวกับผู้แต่ง
Wrick ตะลักดาร์ เป็นสถาปนิกอาวุโสกับทีม Amazon Comprehend Service เขาทำงานร่วมกับลูกค้า AWS เพื่อช่วยให้พวกเขานำการเรียนรู้ของเครื่องไปใช้ในวงกว้าง นอกเวลางาน เขาชอบอ่านหนังสือและถ่ายรูป
อัญชัน บิสวาส เป็นสถาปนิกอาวุโสด้านโซลูชันบริการ AI โดยมุ่งเน้นที่ AI/ML และการวิเคราะห์ข้อมูล Anjan เป็นส่วนหนึ่งของทีมบริการ AI ทั่วโลก และทำงานร่วมกับลูกค้าเพื่อช่วยให้พวกเขาเข้าใจและพัฒนาวิธีแก้ปัญหาทางธุรกิจด้วย AI และ ML Anjan มีประสบการณ์มากกว่า 14 ปีในการทำงานกับซัพพลายเชน การผลิต และองค์กรค้าปลีกระดับโลก และคอยช่วยเหลือลูกค้าในการเริ่มต้นและปรับขนาดบนบริการ AWS AI
นิกิล จาห์ เป็นผู้จัดการบัญชีด้านเทคนิคอาวุโสที่ Amazon Web Services จุดสนใจของเขารวมถึง AI/ML และการวิเคราะห์ ในเวลาว่าง เขาชอบเล่นแบดมินตันกับลูกสาวและสำรวจพื้นที่กลางแจ้ง
ชิน เรน เป็นสถาปนิกโซลูชันผู้เชี่ยวชาญ AI/ML ที่ Amazon Web Services เธอหลงใหลเกี่ยวกับคณิตศาสตร์ประยุกต์และการเรียนรู้ของเครื่อง เธอมุ่งเน้นที่การออกแบบโซลูชันการประมวลผลเอกสารอัจฉริยะสำหรับลูกค้า AWS นอกงาน เธอชอบเต้นซัลซ่าและบาคาต้า
- เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
- PlatoData.Network Vertical Generative Ai เพิ่มพลังให้กับตัวเอง เข้าถึงได้ที่นี่.
- เพลโตไอสตรีม. Web3 อัจฉริยะ ขยายความรู้ เข้าถึงได้ที่นี่.
- เพลโตESG. คาร์บอน, คลีนเทค, พลังงาน, สิ่งแวดล้อม แสงอาทิตย์, การจัดการของเสีย. เข้าถึงได้ที่นี่.
- เพลโตสุขภาพ เทคโนโลยีชีวภาพและข่าวกรองการทดลองทางคลินิก เข้าถึงได้ที่นี่.
- ที่มา: https://aws.amazon.com/blogs/machine-learning/build-trust-and-safety-for-generative-ai-applications-with-amazon-comprehend-and-langchain/
- :มี
- :เป็น
- :ไม่
- :ที่ไหน
- $ ขึ้น
- 1
- 100
- 11
- 12
- 14
- 15%
- 17
- 19
- 500
- 7
- 8
- 9
- a
- ความสามารถ
- ความสามารถ
- เกี่ยวกับเรา
- การล่วงละเมิด
- เข้า
- ลงชื่อเข้าใช้
- ถูกต้อง
- ประสบความสำเร็จ
- ข้าม
- การกระทำ
- การปฏิบัติ
- อย่างกระตือรือร้น
- เพิ่ม
- ที่อยู่
- ที่อยู่
- ที่อยู่
- เป็นไปตาม
- นำมาใช้
- การนำมาใช้
- คำแนะนำ
- หลังจาก
- อายุ
- AI
- บริการ AI
- ระบบ AI
- AI / ML
- ทั้งหมด
- อนุญาตให้
- การอนุญาต
- ช่วยให้
- แล้ว
- ด้วย
- โดยสิ้นเชิง
- อเมซอน
- เข้าใจ Amazon
- อเมซอน เคนดรา
- Amazon Web Services
- จำนวน
- an
- การวิเคราะห์
- การวิเคราะห์
- และ
- ประกาศ
- คำตอบ
- ใด
- API
- APIs
- เหมาะสม
- การใช้งาน
- การใช้งาน
- ประยุกต์
- มีผลบังคับใช้
- ใช้
- เหมาะสม
- อย่างเหมาะสม
- เป็น
- พื้นที่
- AS
- ถาม
- ขอให้
- ด้าน
- ที่ได้รับมอบหมาย
- ผู้ช่วย
- ที่เกี่ยวข้อง
- At
- เสริม
- เติม
- ใช้ได้
- AWS
- ถอย
- ไม่ดี
- ฐาน
- ตาม
- BE
- เพราะ
- กลายเป็น
- จะกลายเป็น
- พฤติกรรม
- กำลัง
- ความเชื่อ
- ประโยชน์ที่ได้รับ
- ระหว่าง
- เกิน
- ปิดกั้น
- การปิดกั้น
- ทั้งสอง
- เขตแดน
- ที่กว้างขึ้น
- สร้าง
- สร้างความไว้วางใจ
- การก่อสร้าง
- สร้าง
- ธุรกิจ
- ธุรกิจ
- แต่
- by
- โทรศัพท์
- เรียกกลับ
- ที่เรียกว่า
- CAN
- ความสามารถในการ
- ความสามารถ
- สามารถ
- เมืองหลวง
- บัตร
- กรณี
- กรณี
- จับ
- บาง
- โซ่
- ห่วงโซ่
- ความท้าทาย
- ตัวอักษร
- chatbot
- chatbots
- ตรวจสอบ
- การตรวจสอบ
- การตรวจสอบ
- คาง
- ทางเลือก
- ชั้น
- ชั้นเรียน
- การจัดหมวดหมู่
- จัด
- แยกประเภท
- ไคลเอนต์
- รหัส
- เหนียว
- COM
- การผสมผสาน
- รวม
- ความเห็น
- ร่วมกัน
- ซับซ้อน
- ส่วนประกอบ
- เข้าใจ
- แนวคิด
- เกี่ยวข้อง
- ความกังวลเกี่ยวกับ
- เงื่อนไข
- ความมั่นใจ
- องค์ประกอบ
- ติดต่อกัน
- เสมอต้นเสมอปลาย
- มี
- เนื้อหา
- การสร้างเนื้อหา
- ควบคุม
- แย้ง
- แกน
- ที่สร้างขึ้น
- การสร้าง
- ความคิดสร้างสรรค์
- เครดิต
- บัตรเครดิต
- วิกฤติ
- สำคัญมาก
- ประเพณี
- ลูกค้า
- Customer Support
- ลูกค้า
- ปรับแต่งได้
- ปรับแต่ง
- ประจำวัน
- การเต้นรำ
- ข้อมูล
- วิเคราะห์ข้อมูล
- ความเป็นส่วนตัวของข้อมูล
- ฐานข้อมูล
- ชุดข้อมูล
- การตัดสินใจ
- ลึก
- ค่าเริ่มต้น
- กำหนด
- กำหนด
- คุ้ย
- สาธิต
- แสดงให้เห็นถึง
- ทั้งนี้ขึ้นอยู่กับ
- การออกแบบ
- ที่ต้องการ
- รายละเอียด
- ตรวจจับ
- ตรวจพบ
- การตรวจพบ
- กำหนด
- พัฒนา
- นักพัฒนา
- พัฒนาการ
- ต่าง
- ดิจิตอล
- สนทนา
- กล่าวถึง
- ชัดถ้อยชัดคำ
- การดำน้ำ
- do
- เอกสาร
- เอกสาร
- เอกสาร
- ทำ
- ลง
- สอง
- e
- แต่ละ
- ก่อน
- ง่ายดาย
- มีประสิทธิภาพ
- ง่ายดาย
- ทั้ง
- อื่น
- อีเมล
- ทำให้สามารถ
- ปลาย
- ไม่มีที่สิ้นสุด
- ทำให้มั่นใจ
- การสร้างความมั่นใจ
- Enterprise
- หน่วยงาน
- เอกลักษณ์
- สิ่งแวดล้อม
- เท่ากัน
- พอ ๆ กัน
- ความผิดพลาด
- แก่นแท้
- จำเป็น
- เป็นหลัก
- ตามหลักจริยธรรม
- ตัวอย่าง
- ตัวอย่าง
- ยกเว้น
- ข้อยกเว้น
- ที่มีอยู่
- ประสบการณ์
- ประสบการณ์
- อธิบาย
- อธิบาย
- อธิบาย
- อย่างชัดเจน
- สำรวจ
- ด่วน
- ขยาย
- สารสกัด
- ใบหน้า
- คุ้นเคย
- ลักษณะ
- คุณสมบัติ
- สองสาม
- เนื้อไม่มีมัน
- กรอง
- กรอง
- ฟิลเตอร์
- ทางการเงิน
- หา
- พบ
- ชื่อจริง
- ถูกตั้งค่าสถานะ
- ธง
- มีความยืดหยุ่น
- ไหล
- โฟกัส
- มุ่งเน้น
- มุ่งเน้นไปที่
- ดังต่อไปนี้
- ดังต่อไปนี้
- สำหรับ
- ฟอร์ม
- รูป
- รูปแบบ
- ฟอรั่ม
- พบ
- กรอบ
- ฝรั่งเศส
- ราคาเริ่มต้นที่
- เต็ม
- ฟังก์ชั่น
- ต่อไป
- สร้าง
- สร้าง
- การสร้าง
- รุ่น
- กำเนิด
- กำเนิด AI
- ได้รับ
- GIF
- ให้
- กำหนด
- จะช่วยให้
- เหตุการณ์ที่
- เป้าหมาย
- ไป
- ไป
- ดี
- มากขึ้น
- เติบโต
- การเจริญเติบโต
- คำแนะนำ
- การจัดการ
- ที่เกิดขึ้น
- เป็นอันตราย
- เทียม
- เกลียด
- มี
- มี
- he
- ช่วย
- การช่วยเหลือ
- จะช่วยให้
- อย่างสูง
- บานพับ
- ของเขา
- เป็นเจ้าภาพ
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- ทำอย่างไร
- อย่างไรก็ตาม
- HTML
- HTTPS
- Hub
- เป็นมนุษย์
- เหมือนมนุษย์
- i
- ID
- ประจำตัว
- ระบุ
- ตัวบ่งชี้
- ระบุ
- แยกแยะ
- ระบุ
- if
- ที่ผิดกฎหมาย
- แสดงให้เห็นถึง
- ภาพ
- ส่งผลกระทบ
- การดำเนินการ
- การดำเนินงาน
- การดำเนินการ
- การดำเนินการ
- นำเข้า
- ความสำคัญ
- สำคัญ
- in
- โดยไม่ตั้งใจ
- ประกอบด้วย
- รวม
- รวมถึง
- รวมทั้ง
- เพิ่ม
- เพิ่มขึ้น
- ขึ้น
- อิสระ
- อิสระ
- อุตสาหกรรม
- มีอิทธิพล
- ข้อมูล
- ในขั้นต้น
- อินพุต
- ปัจจัยการผลิต
- สอบถามข้อมูล
- ตัวอย่าง
- แบบบูรณาการ
- บูรณาการ
- ฉลาด
- การประมวลผลเอกสารอัจฉริยะ
- ตั้งใจ
- ความตั้งใจ
- สนใจ
- อินเตอร์เฟซ
- ขัดจังหวะ
- เข้าไป
- แนะนำ
- IT
- ITS
- จอห์น
- จอห์น โด
- jpg
- JSON
- เพียงแค่
- ป้ายกำกับ
- ภาษา
- ใหญ่
- ต่อมา
- การเรียนรู้
- ซ้าย
- กฎหมาย
- น้อยลง
- กดไลก์
- ความเป็นไปได้
- ถูก จำกัด
- รายการ
- น้อย
- ลึกหน่อย
- LLM
- เข้าสู่ระบบ
- การเข้าสู่ระบบ
- ตรรกะ
- ที่ต้องการหา
- เครื่อง
- เรียนรู้เครื่อง
- เก็บรักษา
- ทำให้
- ผู้จัดการ
- ลักษณะ
- การผลิต
- หน้ากาก
- คณิตศาสตร์
- เรื่อง
- อาจ..
- me
- วิธี
- มาตรการ
- กลไก
- ภาพบรรยากาศ
- ทางการแพทย์
- การผสม
- ครึ่ง
- วิธีการ
- ด่าว่า
- บรรเทา
- การผสม
- ML
- แบบ
- โมเดล
- การกลั่นกรอง
- โมดูลาร์
- ข้อมูลเพิ่มเติม
- มาก
- ต้อง
- my
- ชื่อ
- คือ
- ชื่อ
- โดยธรรมชาติ
- ประมวลผลภาษาธรรมชาติ
- จำเป็น
- ใหม่
- คุณสมบัติใหม่
- ถัดไป
- NLP
- ไม่
- ตอนนี้
- จำนวน
- ตัวเลข
- มากมาย
- วัตถุ
- of
- น่ารังเกียจ
- เสนอ
- ชดเชย
- on
- ONE
- เพียง
- เปิด
- โอเพนซอร์ส
- ทำงาน
- การดำเนินงาน
- Options
- or
- ใบสั่ง
- องค์กร
- ที่มา
- อื่นๆ
- มิฉะนั้น
- ของเรา
- ออก
- ผลลัพธ์
- กลางแจ้ง
- เอาท์พุต
- เอาท์พุท
- ด้านนอก
- เกิน
- ของตนเอง
- พารามิเตอร์
- พารามิเตอร์
- สำคัญยิ่ง
- ส่วนหนึ่ง
- โดยเฉพาะ
- ส่ง
- ผ่าน
- หลงใหล
- รหัสผ่าน
- รีเซ็ตรหัสผ่าน
- แบบแผน
- ดำเนินการ
- ดำเนินการ
- ดำเนินการ
- บางที
- ส่วนบุคคล
- ส่วนตัว
- โทรศัพท์
- การถ่ายภาพ
- ชิ้น
- ชิ้น
- แพลตฟอร์ม
- เพลโต
- เพลโตดาต้าอินเทลลิเจนซ์
- เพลโตดาต้า
- เล่น
- ทางการเมือง
- ยอดนิยม
- ตำแหน่ง
- บวก
- ความเป็นไปได้
- เป็นไปได้
- โพสต์
- ที่มีศักยภาพ
- ที่อาจเกิดขึ้น
- อำนาจ
- ขับเคลื่อน
- ที่มีประสิทธิภาพ
- การรักษา
- การป้องกัน
- ส่วนใหญ่
- ประถม
- หลักการ
- จัดลำดับความสำคัญ
- ความเป็นส่วนตัว
- ส่วนตัว
- ข้อมูลส่วนตัว
- ปัญหาที่เกิดขึ้น
- ขั้นตอน
- กระบวนการ
- การประมวลผล
- ลึกซึ้ง
- ความคืบหน้า
- อย่างถูกต้อง
- ป้องกัน
- ให้
- ให้
- หลาม
- คำถาม
- ยก
- พิสัย
- ช่วง
- รวดเร็ว
- ค่อนข้าง
- ถึง
- การอ่าน
- ดินแดน
- รับ
- ตระหนักถึง
- ลด
- ลด
- อ้างอิง
- ภูมิภาค
- หน่วยงานกำกับดูแล
- ตรงประเด็น
- น่าเชื่อถือ
- ชื่อเสียง
- ขอ
- ความต้องการ
- ทรัพยากร
- ว่า
- คำตอบ
- การตอบสนอง
- ความรับผิดชอบ
- รับผิดชอบ
- ข้อ จำกัด
- ค้าปลีก
- รับคืน
- ขวา
- ความเสี่ยง
- ความเสี่ยง
- วิ่ง
- s
- ปลอดภัย
- ความปลอดภัย
- sagemaker
- เดียวกัน
- ขนาด
- ฉาก
- คะแนน
- ไร้รอยต่อ
- Section
- ส่วน
- ความปลอดภัย
- เห็น
- แสวงหา
- ตนเอง
- ระดับอาวุโส
- มีความละเอียดอ่อน
- ส่ง
- ประโยค
- ลำดับ
- บริการ
- บริการ
- ชุด
- เธอ
- น่า
- โชว์
- แสดง
- แสดง
- แสดงให้เห็นว่า
- สัญญาณ
- เหมือนกับ
- ง่าย
- ลดความซับซ้อน
- เดียว
- สถานที่ทำวิจัย
- เศษเล็กเศษน้อย
- So
- สังคม
- โซเชียลมีเดีย
- สังคม
- โซลูชัน
- บาง
- บางสิ่งบางอย่าง
- แหล่ง
- รหัสแหล่งที่มา
- พูด
- ผู้เชี่ยวชาญ
- โดยเฉพาะ
- เฉพาะ
- ที่ระบุไว้
- การพูด
- มาตรฐาน
- เริ่มต้น
- ข้อความที่เริ่ม
- คำแถลง
- ขั้นตอน
- หยุด
- การหยุด
- จัดเก็บ
- เชือก
- ต่อจากนั้น
- ที่ประสบความสำเร็จ
- อย่างเช่น
- ที่จัดมา
- จัดหาอุปกรณ์
- ห่วงโซ่อุปทาน
- สนับสนุน
- รองรับ
- ที่ยั่งยืน
- ระบบ
- เอา
- งาน
- ทีม
- วิชาการ
- เทคโนโลยี
- เทมเพลต
- ข้อความ
- กว่า
- ที่
- พื้นที่
- เมืองหลวง
- ที่มา
- ของพวกเขา
- พวกเขา
- แล้วก็
- ที่นั่น
- ดังนั้น
- ล้อยางขัดเหล่านี้ติดตั้งบนแกน XNUMX (มม.) ผลิตภัณฑ์นี้ถูกผลิตในหลายรูปทรง และหลากหลายเบอร์ความแน่นหนาของปริมาณอนุภาคขัดของมัน จะทำให้ท่านได้รับประสิทธิภาพสูงในการขัดและการใช้งานที่ยาวนาน
- พวกเขา
- นี้
- ภัยคุกคาม
- สาม
- ธรณีประตู
- ตลอด
- เวลา
- ไปยัง
- เครื่องมือ
- ลู่
- ผ่านการฝึกอบรม
- กระแส
- วางใจ
- ลอง
- สอง
- ชนิด
- ชนิด
- เปิดเผย
- ปฏิเสธไม่ได้
- หนุน
- เข้าใจ
- ความเข้าใจ
- เป็นเอกลักษณ์
- สากล
- ส่งเสริม
- ใช้
- ใช้กรณี
- มือสอง
- ผู้ใช้งาน
- ผู้ใช้
- ใช้
- การใช้
- นำไปใช้
- ใช้
- มีคุณค่า
- ความคุ้มค่า
- ความคุ้มค่า
- ความหลากหลาย
- ต่างๆ
- กว้างใหญ่
- รุ่น
- ผ่านทาง
- เสมือน
- W
- ต้องการ
- คือ
- ทาง..
- วิธี
- we
- เว็บ
- บริการเว็บ
- ดี
- คือ
- อะไร
- ความหมายของ
- เมื่อ
- แต่ทว่า
- ว่า
- ที่
- ในขณะที่
- WHO
- ทั้งหมด
- ทำไม
- กว้าง
- ช่วงกว้าง
- จะ
- ต้องการ
- กับ
- ภายใน
- ไม่มี
- การเป็นพยาน
- งาน
- เวิร์กโฟลว์
- ขั้นตอนการทำงาน
- การทำงาน
- โรงงาน
- เขียน
- การเขียน
- X
- ปี
- คุณ
- ของคุณ
- ลมทะเล