โมเดลภาษาขนาดใหญ่ (LLM) ได้ปฏิวัติขอบเขตการประมวลผลภาษาธรรมชาติ (NLP) โดยปรับปรุงงานต่างๆ เช่น การแปลภาษา การสรุปข้อความ และการวิเคราะห์ความรู้สึก อย่างไรก็ตาม เนื่องจากโมเดลเหล่านี้มีขนาดและความซับซ้อนเพิ่มขึ้นอย่างต่อเนื่อง การติดตามประสิทธิภาพและพฤติกรรมจึงมีความท้าทายมากขึ้น
การตรวจสอบประสิทธิภาพและพฤติกรรมของ LLM ถือเป็นงานสำคัญในการรับรองความปลอดภัยและประสิทธิผล สถาปัตยกรรมที่เรานำเสนอนำเสนอโซลูชันที่ปรับขนาดได้และปรับแต่งได้สำหรับการตรวจสอบ LLM ออนไลน์ ช่วยให้ทีมปรับแต่งโซลูชันการตรวจสอบของคุณให้เหมาะกับกรณีการใช้งานและความต้องการเฉพาะของคุณ ด้วยการใช้บริการของ AWS สถาปัตยกรรมของเรามอบการมองเห็นแบบเรียลไทม์เกี่ยวกับพฤติกรรม LLM และช่วยให้ทีมสามารถระบุและแก้ไขปัญหาหรือความผิดปกติได้อย่างรวดเร็ว
ในโพสต์นี้ เราจะสาธิตตัววัดบางส่วนสำหรับการตรวจสอบ LLM ออนไลน์และสถาปัตยกรรมที่เกี่ยวข้องสำหรับการปรับขนาดโดยใช้บริการของ AWS เช่น อเมซอน คลาวด์วอตช์ และ AWS แลมบ์ดา. นี่เป็นการนำเสนอโซลูชันที่ปรับแต่งได้เกินกว่าจะเป็นไปได้ การประเมินแบบจำลอง งานด้วย อเมซอน เบดร็อค.
ภาพรวมของโซลูชัน
สิ่งแรกที่ต้องพิจารณาคือหน่วยวัดที่ต่างกันต้องการการพิจารณาในการคำนวณที่แตกต่างกัน สถาปัตยกรรมแบบโมดูลาร์ซึ่งแต่ละโมดูลสามารถรับข้อมูลอนุมานแบบจำลองและสร้างหน่วยวัดของตัวเองได้นั้นเป็นสิ่งจำเป็น
เราขอแนะนำให้แต่ละโมดูลส่งคำขอการอนุมานขาเข้าไปยัง LLM โดยส่งคู่พร้อมต์และการดำเนินการ (ตอบกลับ) ไปยังโมดูลคำนวณเมตริก แต่ละโมดูลมีหน้าที่ในการคำนวณหน่วยเมตริกของตนเองโดยคำนึงถึงการแจ้งอินพุตและความสมบูรณ์ (การตอบสนอง) ตัววัดเหล่านี้จะถูกส่งผ่านไปยัง CloudWatch ซึ่งสามารถรวบรวมและทำงานร่วมกับการแจ้งเตือนของ CloudWatch เพื่อส่งการแจ้งเตือนเกี่ยวกับเงื่อนไขเฉพาะ แผนภาพต่อไปนี้แสดงให้เห็นถึงสถาปัตยกรรมนี้
เวิร์กโฟลว์ประกอบด้วยขั้นตอนต่อไปนี้:
- ผู้ใช้ส่งคำขอไปยัง Amazon Bedrock โดยเป็นส่วนหนึ่งของแอปพลิเคชันหรืออินเทอร์เฟซผู้ใช้
- Amazon Bedrock บันทึกคำขอและการดำเนินการ (ตอบกลับ) ลงใน บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon (Amazon S3) ตามการกำหนดค่าของ การบันทึกการร้องขอ.
- ไฟล์ที่บันทึกไว้ใน Amazon S3 จะสร้างเหตุการณ์ที่ ทริกเกอร์ ฟังก์ชันแลมบ์ดา ฟังก์ชั่นเรียกใช้โมดูล
- โมดูลจะโพสต์การวัดตามลำดับไปที่ ตัววัด CloudWatch.
- สัญญาณเตือน สามารถแจ้งทีมพัฒนาเกี่ยวกับค่าเมตริกที่ไม่คาดคิดได้
สิ่งที่สองที่ต้องพิจารณาเมื่อใช้การตรวจสอบ LLM คือการเลือกตัวชี้วัดที่เหมาะสมในการติดตาม แม้ว่าจะมีตัวชี้วัดที่เป็นไปได้มากมายที่คุณสามารถใช้เพื่อติดตามประสิทธิภาพ LLM แต่เราอธิบายตัวชี้วัดที่กว้างที่สุดบางส่วนในโพสต์นี้
ในส่วนต่อไปนี้ เราจะเน้นเมตริกโมดูลที่เกี่ยวข้องบางส่วนและสถาปัตยกรรมโมดูลประมวลผลเมตริกที่เกี่ยวข้อง
ความคล้ายคลึงกันเชิงความหมายระหว่างพร้อมท์และเสร็จสิ้น (ตอบกลับ)
เมื่อเรียกใช้ LLM คุณสามารถดักฟังพร้อมต์และดำเนินการให้เสร็จสิ้น (ตอบกลับ) สำหรับแต่ละคำขอ และแปลงเป็นการฝังโดยใช้โมเดลการฝัง การฝังเป็นเวกเตอร์มิติสูงที่แสดงถึงความหมายเชิงความหมายของข้อความ อเมซอนไททัน จัดหาโมเดลดังกล่าวผ่าน Titan Embeddings ด้วยการใช้ระยะห่างเช่นโคไซน์ระหว่างเวกเตอร์ทั้งสองนี้ คุณสามารถระบุได้ว่าพรอมต์และความสมบูรณ์ (การตอบสนอง) มีความคล้ายคลึงกันในเชิงความหมายเพียงใด คุณสามารถใช้ได้ วิทย์ or scikit เรียนรู้ เพื่อคำนวณระยะห่างโคไซน์ระหว่างเวกเตอร์ แผนภาพต่อไปนี้แสดงสถาปัตยกรรมของโมดูลคำนวณเมตริกนี้
เวิร์กโฟลว์นี้ประกอบด้วยขั้นตอนสำคัญต่อไปนี้:
- ฟังก์ชัน Lambda ได้รับข้อความที่สตรีมผ่าน อเมซอน Kinesis ประกอบด้วยคู่พร้อมท์และการตอบสนอง (ตอบกลับ)
- ฟังก์ชันได้รับการฝังสำหรับทั้งพรอมต์และการเสร็จสิ้น (การตอบสนอง) และคำนวณระยะห่างโคไซน์ระหว่างเวกเตอร์ทั้งสอง
- ฟังก์ชันจะส่งข้อมูลนั้นไปยังตัววัด CloudWatch
ความรู้สึกและความเป็นพิษ
การตรวจสอบความรู้สึกช่วยให้คุณสามารถวัดน้ำเสียงโดยรวมและผลกระทบทางอารมณ์ของการตอบสนอง ในขณะที่การวิเคราะห์ความเป็นพิษเป็นการวัดที่สำคัญของการมีอยู่ของภาษาที่ไม่เหมาะสม ไม่เคารพ หรือเป็นอันตรายในเอาท์พุต LLM การเปลี่ยนแปลงความรู้สึกหรือความเป็นพิษควรได้รับการตรวจสอบอย่างใกล้ชิดเพื่อให้แน่ใจว่าแบบจำลองทำงานได้ตามที่คาดไว้ แผนภาพต่อไปนี้แสดงโมดูลคำนวณเมตริก
เวิร์กโฟลว์ประกอบด้วยขั้นตอนต่อไปนี้:
- ฟังก์ชัน Lambda ได้รับการจับคู่พร้อมท์และการเสร็จสิ้น (ตอบสนอง) ผ่าน Amazon Kinesis
- ผ่านการประสาน AWS Step Functions การเรียกใช้ฟังก์ชัน เข้าใจ Amazon เพื่อตรวจจับไฟล์ ความรู้สึก และ ความเป็นพิษ.
- ฟังก์ชันจะบันทึกข้อมูลลงในตัววัด CloudWatch
สำหรับข้อมูลเพิ่มเติมเกี่ยวกับการตรวจจับความรู้สึกและความเป็นพิษด้วย Amazon Comprehend โปรดดูที่ สร้างตัวทำนายความเป็นพิษแบบข้อความที่มีประสิทธิภาพ และ แจ้งเนื้อหาที่เป็นอันตรายโดยใช้การตรวจจับความเป็นพิษของ Amazon Comprehend.
อัตราส่วนของการปฏิเสธ
การปฏิเสธที่เพิ่มขึ้น เช่น เมื่อ LLM ปฏิเสธการดำเนินการให้เสร็จสิ้นเนื่องจากขาดข้อมูล อาจหมายความว่าผู้ใช้ที่เป็นอันตรายกำลังพยายามใช้ LLM ในลักษณะที่มีจุดประสงค์เพื่อเจลเบรค หรือความคาดหวังของผู้ใช้ไม่เป็นไปตามที่กำหนด และพวกเขาก็ ได้รับการตอบกลับที่มีคุณค่าต่ำ วิธีหนึ่งในการวัดว่าเหตุการณ์นี้เกิดขึ้นบ่อยแค่ไหนคือการเปรียบเทียบการปฏิเสธมาตรฐานจากแบบจำลอง LLM ที่ใช้กับการตอบสนองจริงจาก LLM ตัวอย่างเช่น ต่อไปนี้คือวลีปฏิเสธทั่วไปของ Claude v2 LLM ของ Anthropic:
“Unfortunately, I do not have enough context to provide a substantive response. However, I am an AI assistant created by Anthropic to be helpful, harmless, and honest.”
“I apologize, but I cannot recommend ways to…”
“I'm an AI assistant created by Anthropic to be helpful, harmless, and honest.”
ในชุดคำสั่งคงที่ การปฏิเสธที่เพิ่มขึ้นเหล่านี้อาจเป็นสัญญาณว่าแบบจำลองมีความระมัดระวังหรือละเอียดอ่อนมากเกินไป ควรประเมินกรณีผกผันด้วย อาจเป็นสัญญาณว่าขณะนี้โมเดลมีแนวโน้มที่จะมีส่วนร่วมในการสนทนาที่เป็นพิษหรือเป็นอันตราย
เพื่อช่วยจำลองความสมบูรณ์และอัตราส่วนการปฏิเสธแบบจำลอง เราสามารถเปรียบเทียบการตอบกลับกับชุดวลีการปฏิเสธที่รู้จักจาก LLM นี่อาจเป็นตัวแยกประเภทจริงที่สามารถอธิบายได้ว่าทำไมโมเดลจึงปฏิเสธคำขอ คุณสามารถใช้ระยะห่างโคไซน์ระหว่างการตอบสนองและการตอบกลับการปฏิเสธที่ทราบจากแบบจำลองที่กำลังตรวจสอบ แผนภาพต่อไปนี้แสดงโมดูลคำนวณเมตริกนี้
เวิร์กโฟลว์ประกอบด้วยขั้นตอนต่อไปนี้:
- ฟังก์ชัน Lambda ได้รับข้อความแจ้งและการเสร็จสิ้น (ตอบกลับ) และได้รับการฝังจากการตอบกลับโดยใช้ Amazon Titan
- ฟังก์ชันคำนวณระยะห่างโคไซน์หรือยุคลิเดียนระหว่างการตอบสนองและพร้อมท์การปฏิเสธที่มีอยู่ซึ่งแคชไว้ในหน่วยความจำ
- ฟังก์ชันจะส่งค่าเฉลี่ยนั้นไปยังตัววัด CloudWatch
อีกทางเลือกหนึ่งคือการใช้ การจับคู่ที่คลุมเครือ สำหรับแนวทางที่ตรงไปตรงมาแต่มีประสิทธิภาพน้อยกว่าในการเปรียบเทียบการปฏิเสธที่ทราบกับเอาต์พุต LLM อ้างถึง เอกสาร Python สำหรับตัวอย่าง
สรุป
ความสามารถในการสังเกต LLM เป็นแนวทางปฏิบัติที่สำคัญในการรับรองการใช้งาน LLM ที่เชื่อถือได้และน่าเชื่อถือ การตรวจสอบ การทำความเข้าใจ และการรับรองความถูกต้องและความน่าเชื่อถือของ LLM สามารถช่วยคุณลดความเสี่ยงที่เกี่ยวข้องกับโมเดล AI เหล่านี้ได้ ด้วยการตรวจสอบภาพหลอน การดำเนินการที่ไม่ดี (การตอบสนอง) และการแจ้งเตือน คุณสามารถมั่นใจได้ว่า LLM ของคุณดำเนินไปในแนวทางเดิมและมอบคุณค่าที่คุณและผู้ใช้ของคุณต้องการ ในโพสต์นี้ เราได้พูดคุยถึงเมตริกบางอย่างเพื่อแสดงตัวอย่าง
สำหรับข้อมูลเพิ่มเติมเกี่ยวกับการประเมินแบบจำลองฐานราก โปรดดูที่ ใช้ SageMaker Clarify เพื่อประเมินโมเดลพื้นฐานและเรียกดูเพิ่มเติม ตัวอย่างโน๊ตบุ๊ค มีอยู่ในพื้นที่เก็บข้อมูล GitHub ของเรา คุณยังสามารถสำรวจวิธีดำเนินการประเมิน LLM ในวงกว้างได้ ดำเนินการประเมิน LLM ตามขนาดโดยใช้บริการ Amazon SageMaker Clarify และ MLOps. สุดท้ายนี้เราแนะนำให้อ้างอิงถึง ประเมินแบบจำลองภาษาขนาดใหญ่ในด้านคุณภาพและความรับผิดชอบ เพื่อเรียนรู้เพิ่มเติมเกี่ยวกับการประเมิน LLM
เกี่ยวกับผู้เขียน
บรูโน่ ไคลน์ เป็นวิศวกร Machine Learning อาวุโสที่มี AWS Professional Services Analytics Practice เขาช่วยลูกค้าปรับใช้โซลูชันข้อมูลขนาดใหญ่และการวิเคราะห์ นอกเหนือจากงาน เขาชอบใช้เวลากับครอบครัว ท่องเที่ยว และลองอาหารใหม่ๆ
รัชบาห์ โลกานด์ เป็นวิศวกรข้อมูลและ ML อาวุโสที่มีการฝึกปฏิบัติด้านการวิเคราะห์บริการระดับมืออาชีพของ AWS เขาช่วยลูกค้าปรับใช้โซลูชันข้อมูลขนาดใหญ่ การเรียนรู้ของเครื่อง และการวิเคราะห์ นอกเหนือจากงาน เขาชอบใช้เวลากับครอบครัว อ่านหนังสือ วิ่ง และเล่นกอล์ฟ
- 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/techniques-and-approaches-for-monitoring-large-language-models-on-aws/
- :มี
- :เป็น
- :ไม่
- :ที่ไหน
- 1
- 100
- 143
- 32
- 455
- 7
- a
- เกี่ยวกับเรา
- ความถูกต้อง
- ที่เกิดขึ้นจริง
- เพิ่มเติม
- ที่อยู่
- สรุป
- AI
- ผู้ช่วย AI
- โมเดล AI
- ช่วยให้
- ด้วย
- แม้ว่า
- am
- อเมซอน
- เข้าใจ Amazon
- อเมซอน Kinesis
- อเมซอน SageMaker
- Amazon Web Services
- an
- การวิเคราะห์
- การวิเคราะห์
- และ
- ความผิดปกติ
- มานุษยวิทยา
- ใด
- การใช้งาน
- เข้าใกล้
- วิธีการ
- สถาปัตยกรรม
- เป็น
- AS
- ผู้ช่วย
- ที่เกี่ยวข้อง
- At
- ใช้ได้
- เฉลี่ย
- AWS
- บริการระดับมืออาชีพของ AWS
- ฟังก์ชันขั้นตอนของ AWS
- ไม่ดี
- BE
- กลายเป็น
- พฤติกรรม
- กำลัง
- ระหว่าง
- เกิน
- ใหญ่
- ข้อมูลขนาดใหญ่
- ทั้งสอง
- แต่
- by
- โทร
- CAN
- ไม่ได้
- กรณี
- กรณี
- ระมัดระวัง
- ท้าทาย
- เลือก
- จำแนก
- อย่างใกล้ชิด
- ร่วมกัน
- เปรียบเทียบ
- เปรียบเทียบ
- เสร็จสิ้น
- ความซับซ้อน
- เข้าใจ
- การคำนวณ
- คำนวณ
- การคำนวณ
- เงื่อนไข
- องค์ประกอบ
- พิจารณา
- การพิจารณา
- ประกอบ
- เนื้อหา
- สิ่งแวดล้อม
- ต่อ
- การสนทนา
- ได้
- ที่สร้างขึ้น
- สร้าง
- วิกฤติ
- ลูกค้า
- ปรับแต่งได้
- ข้อมูล
- มอบ
- สาธิต
- ตรวจจับ
- พัฒนาการ
- ทีมพัฒนา
- แผนภาพ
- ต่าง
- กล่าวถึง
- ระยะทาง
- do
- สอง
- แต่ละ
- ประสิทธิผล
- ทั้ง
- การฝัง
- ช่วยให้
- การเปิดใช้งาน
- ว่าจ้าง
- วิศวกร
- พอ
- ทำให้มั่นใจ
- การสร้างความมั่นใจ
- ประเมินค่า
- ประเมิน
- การประเมินการ
- การประเมินผล
- การประเมินผล
- เหตุการณ์
- ตัวอย่าง
- ตัวอย่าง
- ที่มีอยู่
- ความคาดหวัง
- ที่คาดหวัง
- อธิบาย
- สำรวจ
- ครอบครัว
- สองสาม
- สนาม
- มะเดื่อ
- เนื้อไม่มีมัน
- ในที่สุด
- ชื่อจริง
- การแก้ไข
- ดังต่อไปนี้
- อาหาร
- สำหรับ
- รากฐาน
- ราคาเริ่มต้นที่
- ฟังก์ชัน
- ฟังก์ชั่น
- วัด
- ได้รับ
- ได้รับ
- GitHub
- กอล์ฟ
- ขึ้น
- สิ่งที่เกิดขึ้น
- เป็นอันตราย
- มี
- he
- ช่วย
- เป็นประโยชน์
- จะช่วยให้
- เน้น
- ซื่อสัตย์
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- อย่างไรก็ตาม
- HTML
- ที่ http
- HTTPS
- i
- แยกแยะ
- แสดงให้เห็นถึง
- ส่งผลกระทบ
- การดำเนินการ
- การดำเนินการ
- สำคัญ
- การปรับปรุง
- in
- รวมถึง
- ขาเข้า
- เพิ่ม
- ขึ้น
- ข้อมูล
- อินพุต
- ความสมบูรณ์
- ตั้งใจว่า
- อินเตอร์เฟซ
- เข้าไป
- ผกผัน
- จะเรียก
- ปัญหา
- IT
- ITS
- การแหกคุก
- งาน
- jpg
- คีย์
- ที่รู้จักกัน
- ไม่มี
- ภาษา
- ใหญ่
- เรียนรู้
- การเรียนรู้
- น้อยลง
- LLM
- ที่ต้องการหา
- เครื่อง
- เรียนรู้เครื่อง
- ทำ
- ทำให้
- ที่เป็นอันตราย
- หลาย
- หมายความ
- ความหมาย
- วัด
- หน่วยความจำ
- ข่าวสาร
- ครึ่ง
- เมตริก
- ตัวชี้วัด
- บรรเทา
- ML
- ม.ป.ป
- แบบ
- โมเดล
- โมดูลาร์
- โมดูล
- โมดูล
- การตรวจสอบ
- การตรวจสอบ
- การตรวจสอบ
- ข้อมูลเพิ่มเติม
- โดยธรรมชาติ
- ประมวลผลภาษาธรรมชาติ
- จำเป็น
- ใหม่
- NLP
- การแจ้งเตือน
- ตอนนี้
- of
- น่ารังเกียจ
- เสนอ
- มักจะ
- on
- ONE
- คน
- ออนไลน์
- ตัวเลือกเสริม (Option)
- or
- ประสาน
- ของเรา
- เอาท์พุต
- เอาท์พุท
- ด้านนอก
- ทั้งหมด
- ภาพรวม
- ของตนเอง
- คู่
- คู่
- ส่วนหนึ่ง
- ผ่าน
- ที่ผ่านไป
- ต่อ
- การปฏิบัติ
- วลี
- เพลโต
- เพลโตดาต้าอินเทลลิเจนซ์
- เพลโตดาต้า
- เล่น
- เป็นไปได้
- โพสต์
- ที่มีศักยภาพ
- ที่มีประสิทธิภาพ
- การปฏิบัติ
- การมี
- การประมวลผล
- ก่อ
- มืออาชีพ
- แจ้ง
- เสนอ
- ให้
- ให้
- หลาม
- คุณภาพ
- อย่างรวดเร็ว
- อัตราส่วน
- การอ่าน
- เรียลไทม์
- ที่ได้รับ
- แนะนำ
- อ้างอิง
- การปฏิเสธ
- ปฏิเสธ
- ตรงประเด็น
- ความเชื่อถือได้
- น่าเชื่อถือ
- กรุ
- แสดง
- ขอ
- การร้องขอ
- ต้องการ
- ความต้องการ
- เคารพ
- ว่า
- คำตอบ
- การตอบสนอง
- รับผิดชอบ
- ปฏิวัติ
- ขวา
- ความเสี่ยง
- แข็งแรง
- วิ่ง
- ความปลอดภัย
- sagemaker
- ที่บันทึกไว้
- ที่ปรับขนาดได้
- ขนาด
- ที่สอง
- ส่วน
- ความหมาย
- ส่ง
- ส่ง
- ระดับอาวุโส
- มีความละเอียดอ่อน
- ความรู้สึก
- บริการ
- ชุด
- กะ
- น่า
- แสดง
- สัญญาณ
- คล้ายคลึงกัน
- ง่าย
- ขนาด
- ทางออก
- โซลูชัน
- บาง
- เกี่ยวกับอวกาศ
- โดยเฉพาะ
- การใช้จ่าย
- มาตรฐาน
- ขั้นตอน
- ขั้นตอน
- การเก็บรักษา
- ซื่อตรง
- สตรีม
- อย่างเช่น
- แนะนำ
- แน่ใจ
- ช่างตัดเสื้อ
- เอา
- การ
- งาน
- งาน
- ทีม
- ทีม
- เทคนิค
- ข้อความ
- ที่
- พื้นที่
- ข้อมูล
- ของพวกเขา
- พวกเขา
- ที่นั่น
- ล้อยางขัดเหล่านี้ติดตั้งบนแกน XNUMX (มม.) ผลิตภัณฑ์นี้ถูกผลิตในหลายรูปทรง และหลากหลายเบอร์ความแน่นหนาของปริมาณอนุภาคขัดของมัน จะทำให้ท่านได้รับประสิทธิภาพสูงในการขัดและการใช้งานที่ยาวนาน
- พวกเขา
- สิ่ง
- นี้
- ตลอด
- เวลา
- ยักษ์
- ไปยัง
- TONE
- ลู่
- แปลง
- การแปลภาษา
- การเดินทาง
- เชื่อถือได้
- พยายาม
- สอง
- ความเข้าใจ
- ไม่คาดฝัน
- ใช้
- มือสอง
- ผู้ใช้งาน
- ส่วนติดต่อผู้ใช้
- ผู้ใช้
- การใช้
- ความคุ้มค่า
- ความคุ้มค่า
- ผ่านทาง
- ความชัดเจน
- ทาง..
- วิธี
- we
- เว็บ
- บริการเว็บ
- อะไร
- ความหมายของ
- เมื่อ
- แต่ทว่า
- ที่
- ทำไม
- วิกิพีเดีย
- กับ
- งาน
- เวิร์กโฟลว์
- คุณ
- ของคุณ
- ลมทะเล