Endüstriler genelinde üretken yapay zeka uygulamalarına güç veren büyük dil modellerinin (LLM) benimsenmesinde hızlı bir artışa tanık oluyoruz. LLM'ler, yaratıcı içerik oluşturmak, sohbet robotları aracılığıyla soruları yanıtlamak, kod oluşturmak ve daha fazlası gibi çeşitli görevleri yerine getirme yeteneğine sahiptir.
Uygulamalarını güçlendirmek için Yüksek Lisans'ları kullanmak isteyen kuruluşlar, üretken yapay zeka uygulamalarında güven ve güvenliğin korunmasını sağlamak için veri gizliliği konusunda giderek daha ihtiyatlı davranıyor. Buna, müşterilerin kişisel olarak tanımlanabilir bilgileri (PII) verilerinin uygun şekilde işlenmesi de dahildir. Ayrıca, kötüye kullanım amaçlı ve güvenli olmayan içeriğin Yüksek Lisans'lara yayılmasının önlenmesini ve Yüksek Lisans'lar tarafından oluşturulan verilerin aynı ilkelere uygun olup olmadığının kontrol edilmesini de içerir.
Bu yazıda, tarafından desteklenen yeni özellikleri tartışıyoruz. Amazon Kavramak Yeni ve mevcut üretken yapay zeka uygulamalarında veri gizliliğini, içerik güvenliğini ve hızlı güvenliği sağlamak için kusursuz entegrasyona olanak tanıyan.
Amazon Comprehend, yapılandırılmamış verilerdeki bilgileri ve belgelerdeki metinleri ortaya çıkarmak için makine öğrenimini (ML) kullanan bir doğal dil işleme (NLP) hizmetidir. Bu yazıda, LLM'lerde güven ve güvenliğin iş yükleriniz için neden önemli olduğunu tartışıyoruz. Ayrıca bu yeni denetleme yeteneklerinin popüler üretken yapay zeka geliştirme çerçevesinde nasıl kullanıldığını daha derinlemesine inceliyoruz. Dil Zinciri kullanım durumunuz için özelleştirilebilir bir güven ve emniyet mekanizması sunmak.
Yüksek Lisans'ta güven ve güvenlik neden önemlidir?
Müşteri desteği sohbet robotlarından içerik oluşturmaya kadar geniş bir uygulama yelpazesi üzerindeki derin etkileri nedeniyle Yüksek Lisans'larla çalışırken güven ve güvenlik çok önemlidir. Bu modeller çok büyük miktarda veriyi işleyip insani tepkiler ürettikçe, yanlış kullanım veya istenmeyen sonuç olasılığı da artıyor. Bu yapay zeka sistemlerinin etik ve güvenilir sınırlar dahilinde çalışmasını sağlamak, yalnızca bunları kullanan işletmelerin itibarı açısından değil, aynı zamanda son kullanıcıların ve müşterilerin güvenini korumak açısından da çok önemlidir.
Dahası, Yüksek Lisanslar günlük dijital deneyimlerimize daha fazla entegre oldukça, algılarımız, inançlarımız ve kararlarımız üzerindeki etkileri de artıyor. Yüksek Lisans'larda güven ve emniyetin sağlanması, teknik önlemlerin ötesine geçer; AI uygulayıcılarının ve kuruluşlarının etik standartları destekleme konusundaki daha geniş sorumluluğuna değinmektedir. Kuruluşlar, güven ve güvenliğe öncelik vererek yalnızca kullanıcılarını korumakla kalmıyor, aynı zamanda toplumda yapay zekanın sürdürülebilir ve sorumlu bir şekilde büyümesini de sağlıyor. Ayrıca zararlı içerik üretme riskinin azaltılmasına ve yasal gerekliliklere uyulmasına yardımcı olabilir.
Güven ve güvenlik alanında içerik denetimi, aşağıdakiler dahil ancak bunlarla sınırlı olmamak üzere çeşitli hususları ele alan bir mekanizmadır:
- Gizlilik – Kullanıcılar yanlışlıkla hassas bilgiler içeren metinler sunarak gizliliklerini tehlikeye atabilirler. Herhangi bir PII'nin tespit edilmesi ve düzenlenmesi çok önemlidir.
- Toksisite – Nefret söylemi, tehdit veya istismar gibi zararlı içeriklerin tanınması ve filtrelenmesi son derece önemlidir.
- Kullanıcı amacı – Kullanıcı girişinin (istem) güvenli veya güvensiz olup olmadığının belirlenmesi kritik öneme sahiptir. Güvenli olmayan istemler, kişisel veya özel bilgilerin talep edilmesi ve saldırgan, ayrımcı veya yasa dışı içerik üretilmesi gibi kötü niyetli niyetleri açıkça veya dolaylı olarak ifade edebilir. İstemler ayrıca tıbbi, hukuki, politik, tartışmalı, kişisel veya mali konularda üstü kapalı olarak tavsiye verebilir veya tavsiye isteyebilir.
Amazon Comprehend ile içerik denetimi
Bu bölümde Amazon Comprehend ile içerik denetlemenin avantajlarını tartışıyoruz.
Adres gizliliği
Amazon Comprehen, halihazırda mevcut PII algılama ve düzenleme yetenekleri aracılığıyla gizliliği ele alıyor. PIIE Varlıkları Algıla ve PIE Varlıklarını İçerir API'ler. Bu iki API, Sosyal Güvenlik numaraları (SSN'ler), kredi kartı numaraları, isimler, adresler, telefon numaraları vb. gibi çok sayıda PII varlığını tespit edebilen NLP modelleri tarafından desteklenmektedir. Varlıkların tam listesi için bkz. PII evrensel varlık türleri. DetectPII ayrıca bir metin içindeki PII varlığının karakter düzeyindeki konumunu da sağlar; örneğin, NAME varlığının (John Doe) "My name is" cümlesindeki başlangıç karakteri konumu JOhn yape” 12'dir ve son karakter konumu 19'dur. Bu uzaklıklar, değerlerin maskelenmesi veya düzeltilmesi için kullanılabilir, böylece özel verilerin LLM'lere yayılma riski azalır.
Toksisitenin ele alınması ve acil güvenlik
Bugün, API biçimindeki iki yeni Amazon Comprehend özelliğini duyuruyoruz: DetectToxicContent
API ve hızlı güvenlik sınıflandırması aracılığıyla ClassifyDocument
API. Bunu not et DetectToxicContent
yeni bir API'dir, oysa ClassifyDocument
artık hızlı güvenlik sınıflandırmasını destekleyen mevcut bir API'dir.
Toksisite tespiti
Amazon Comprehen zehirlilik tespiti sayesinde zararlı, rahatsız edici veya uygunsuz olabilecek içerikleri tanımlayabilir ve işaretleyebilirsiniz. Bu yetenek, sosyal medya siteleri, forumlar, sohbet robotları, yorum bölümleri ve içerik oluşturmak için Yüksek Lisans'ı kullanan uygulamalar gibi kullanıcıların içerik ürettiği platformlar için özellikle değerlidir. Temel amaç toksik içeriğin yayılmasını önleyerek olumlu ve güvenli bir ortam sağlamaktır.
Toksisite tespit modeli özünde metni analiz ederek nefret dolu içerik, tehdit, müstehcenlik veya diğer zararlı metin türlerini içerme olasılığını belirler. Model, hem toksik hem de toksik olmayan içerik örneklerini içeren geniş veri kümeleri üzerinde eğitilmiştir. Toksisite API'si, toksisite sınıflandırmasını ve güven puanını sağlamak için belirli bir metin parçasını değerlendirir. Üretken yapay zeka uygulamaları daha sonra bu bilgiyi, metnin Yüksek Lisans'lara yayılmasını durdurmak gibi uygun eylemleri gerçekleştirmek için kullanabilir. Bu yazının yazıldığı an itibarıyla toksisite tespit API'si tarafından tespit edilen etiketler şu şekildedir: HATE_SPEECH
, GRAPHIC
, HARRASMENT_OR_ABUSE
, SEXUAL
, VIOLENCE_OR_THREAT
, INSULT
, ve PROFANITY
. Aşağıdaki kod, Amazon Comprehend toksisite tespiti için Python Boto3 ile yapılan API çağrısını göstermektedir:
Hızlı güvenlik sınıflandırması
Amazon Comprehend ile bilgi istemi güvenlik sınıflandırması, bir giriş metni isteminin güvenli veya güvensiz olarak sınıflandırılmasına yardımcı olur. Bu yetenek, bir istemin güvenliğinin anlaşılmasının yanıtları, eylemleri veya LLM'lere içerik yayılımını belirleyebileceği sohbet robotları, sanal asistanlar veya içerik denetleme araçları gibi uygulamalar için çok önemlidir.
Temel olarak, acil güvenlik sınıflandırması, kişisel veya özel bilgilerin talep edilmesi ve saldırgan, ayrımcı veya yasa dışı içerik üretilmesi gibi herhangi bir açık veya örtülü kötü niyet açısından insan girdisini analiz eder. Aynı zamanda tıbbi, hukuki, politik, tartışmalı, kişisel veya mali konularda tavsiye arayan istemleri de işaretler. İstemi sınıflandırma iki sınıfı döndürür, UNSAFE_PROMPT
ve SAFE_PROMPT
, ilişkili bir metin için, her biri için ilişkili bir güven puanıyla birlikte. Güven puanı 0-1 arasında değişir ve toplamı 1'e ulaşır. Örneğin, bir müşteri destek sohbet robotunda "Şifremi nasıl sıfırlarım?” Parola sıfırlama prosedürleri konusunda rehberlik arama niyetinin sinyalini verir ve şu şekilde etiketlenir: SAFE_PROMPT
. Benzer şekilde şöyle bir açıklama da var:Keşke başına kötü bir şey gelse”, potansiyel olarak zararlı bir niyet taşıdığı için işaretlenebilir ve şu şekilde etiketlenebilir: UNSAFE_PROMPT
. Anında güvenlik sınıflandırmasının, makine tarafından oluşturulan metinden (LLM çıktıları) ziyade öncelikle insan girdilerinden (istemler) gelen niyetin tespit edilmesine odaklandığını unutmamak önemlidir. Aşağıdaki kod, komut istemi güvenlik sınıflandırması özelliğine nasıl erişileceğini gösterir. ClassifyDocument
API:
Bunu not et endpoint_arn
önceki kodda AWS tarafından sağlanan bir Amazon Kaynak Numarası Desenin (ARN) arn:aws:comprehend:<region>:aws:document-classifier-endpoint/prompt-safety
, Burada <region>
seçtiğiniz AWS Bölgesi nerede Amazon Comprehend kullanılabilir.
Bu yetenekleri göstermek için, bir LLM'den adres, telefon numarası ve SSN gibi PII varlıklarını belirli bir metinden çıkarmasını istediğimiz örnek bir sohbet uygulaması oluşturduk. LLM, soldaki resimde gösterildiği gibi uygun PII varlıklarını bulur ve döndürür.
Amazon Comprehend moderasyonu ile LLM'ye yapılan girişi ve LLM'den alınan çıktıyı düzeltebiliriz. Sağdaki görselde SSN değerinin herhangi bir düzenleme yapılmadan LLM'ye aktarılmasına izin veriliyor. Ancak LLM'nin yanıtındaki herhangi bir SSN değeri çıkarılır.
Aşağıda, PII bilgilerini içeren bir istemin LLM'ye tamamen ulaşmasının nasıl önlenebileceğine dair bir örnek verilmiştir. Bu örnekte, PII bilgilerini içeren bir soruyu soran bir kullanıcı gösterilmektedir. İstemdeki PII varlıklarını tespit etmek ve akışı kesintiye uğratarak bir hata göstermek için Amazon Comprehend moderasyonunu kullanırız.
Önceki sohbet örnekleri, Amazon Comprehend moderasyonunun bir LLM'ye gönderilen verilere nasıl kısıtlamalar uyguladığını göstermektedir. Aşağıdaki bölümlerde bu moderasyon mekanizmasının LangChain kullanılarak nasıl uygulandığını açıklıyoruz.
LangChain ile entegrasyon
Yüksek Lisans'ın çeşitli kullanım senaryolarına uygulanmasının sonsuz olanaklarıyla birlikte, üretken yapay zeka uygulamalarının geliştirilmesini basitleştirmek de aynı derecede önemli hale geldi. Dil Zinciri üretken yapay zeka uygulamaları geliştirmeyi zahmetsiz hale getiren popüler bir açık kaynaklı çerçevedir. Amazon Comprehend moderasyonu, LangChain çerçevesini genişleterek PII tanımlama ve düzeltme, toksisite tespiti ve hızlı güvenlik sınıflandırması özelliklerini sunar. AmazonComprehendModerationChain
.
AmazonComprehendModerationChain
özel bir uygulamasıdır LangChain temel zinciri arayüz. Bu, uygulamaların bu zinciri kendi uygulamalarıyla kullanabileceği anlamına gelir. Yüksek Lisans zincirleri İstenilen denetimi giriş istemine ve aynı zamanda LLM'den gelen çıkış metnine uygulamak için. Zincirler, çok sayıda zincirin birleştirilmesiyle veya zincirlerin diğer bileşenlerle karıştırılmasıyla oluşturulabilir. Kullanabilirsiniz AmazonComprehendModerationChain
karmaşık yapay zeka uygulamalarını modüler ve esnek bir şekilde geliştirmek için diğer LLM zincirleriyle birlikte.
Bunu daha ayrıntılı olarak açıklamak için aşağıdaki bölümlerde birkaç örnek sunuyoruz. Kaynak kodu AmazonComprehendModerationChain
uygulama içerisinde bulunabilir. LangChain açık kaynak deposu. API arayüzünün tam dokümantasyonu için LangChain API dokümantasyonuna bakın. Amazon Comprehend denetleme zinciri. Bu denetleme zincirini kullanmak, sınıfın bir örneğini varsayılan yapılandırmalarla başlatmak kadar basittir:
Perde arkasında denetleme zinciri, aşağıdaki şemada açıklandığı gibi PII, toksisite ve anında güvenlik olmak üzere ardışık üç denetleme kontrolü gerçekleştirir. Bu, denetlemenin varsayılan akışıdır.
Aşağıdaki kod parçacığı, denetleme zincirini aşağıdakilerle kullanmanın basit bir örneğini gösterir: Amazon FalconLite LLM (LLM'nin nicelenmiş bir versiyonudur) Falcon 40B SFT OASST-TOP1 modeli) Hugging Face Hub'da barındırılıyor:
Önceki örnekte zincirimizi şununla genişletiyoruz: comprehend_moderation
hem LLM'ye giren metin hem de LLM tarafından oluşturulan metin için. Bu, PII'yi, toksisiteyi ve güvenlik sınıflandırmasını bu sırayla kontrol edecek varsayılan denetlemeyi gerçekleştirecektir.
Denetlemenizi filtre yapılandırmalarıyla özelleştirin
Sen kullanabilirsiniz AmazonComprehendModerationChain
belirli yapılandırmalarla, üretken yapay zeka tabanlı uygulamanızda hangi denetimleri gerçekleştirmek istediğinizi kontrol edebilmenizi sağlar. Yapılandırmanın temelinde üç filtre yapılandırması mevcuttur.
- ModerasyonPiiConfig – PII filtresini yapılandırmak için kullanılır.
- ModerasyonToksisiteYapılandırması – Zehirli içerik filtresini yapılandırmak için kullanılır.
- ModerationIntentConfig – Niyet filtresini yapılandırmak için kullanılır.
Denetlemelerinizin davranışını özelleştirmek için bu filtre yapılandırmalarının her birini kullanabilirsiniz. Her filtrenin konfigürasyonunda, başlatılabilecekleri birkaç ortak parametre ve bazı benzersiz parametreler bulunur. Konfigürasyonları tanımladıktan sonra, BaseModerationConfig
Filtrelerin metne uygulanması gereken sırayı tanımlamak için sınıf. Örneğin, aşağıdaki kodda ilk olarak üç filtre konfigürasyonunu tanımlıyoruz ve ardından bunların uygulanması gereken sırayı belirtiyoruz:
Bu yapılandırmanın neyi başardığını anlamak için biraz daha derine inelim:
- İlk olarak toksisite filtresi için 0.6'lık bir eşik belirledik. Bu, eğer metin mevcut toksik etiketlerden herhangi birini veya eşiğin üzerinde puanı olan varlıkları içeriyorsa, tüm zincirin kesintiye uğrayacağı anlamına gelir.
- Metinde toksik içerik bulunmuyorsa PII kontrolü yapılır. Bu durumda metnin SSN değerleri içerip içermediğini kontrol etmekle ilgileniyoruz. Çünkü
redact
parametre şu şekilde ayarlanmıştır:True
, SSN varlığının güven puanının 0.5'ten büyük veya ona eşit olduğu durumlarda zincir, belirlenen SSN değerlerini (varsa) maske karakteriyle (X) belirtilen şekilde maskeleyecektir. Eğerredact
ayarlandıFalse
algılanan herhangi bir SSN için zincir kesilecektir. - Son olarak, zincir hızlı bir şekilde güvenlik sınıflandırması gerçekleştirir ve içerik şu şekilde sınıflandırılırsa içeriğin zincirde daha da aşağıya yayılmasını durdurur:
UNSAFE_PROMPT
0.8'e eşit veya daha büyük bir güven puanı ile.
Aşağıdaki şemada bu iş akışı gösterilmektedir.
Moderasyon zincirinde kesinti olması durumunda (bu örnekte, toksisite ve acil güvenlik sınıflandırması filtreleri için geçerlidir), zincir bir artışa neden olacaktır. Python istisnası, esas olarak devam eden zinciri durdurur ve istisnayı yakalamanıza (bir try-catch bloğunda) ve ilgili herhangi bir eylemi gerçekleştirmenize olanak tanır. Olası üç istisna türü şunlardır:
ModerationPIIError
ModerationToxicityError
ModerationPromptSafetyError
Bir filtreyi veya birden fazla filtreyi kullanarak yapılandırabilirsiniz. BaseModerationConfig
. Aynı zincir içinde aynı tip filtreye farklı konfigürasyonlara da sahip olabilirsiniz. Örneğin, kullanım durumunuz yalnızca PII ile ilgiliyse, bir SSN'nin algılanması durumunda zinciri kesmesi gereken bir yapılandırma belirtebilirsiniz; aksi takdirde yaş ve isim PII varlıkları üzerinde düzenleme yapması gerekir. Bunun için bir konfigürasyon şu şekilde tanımlanabilir:
Geri aramaları ve benzersiz tanımlayıcıları kullanma
İş akışı kavramına aşina iseniz, aşağıdakilere de aşina olabilirsiniz: geri aramaları. İş akışlarındaki geri aramalar, iş akışında belirli koşullar karşılandığında çalıştırılan bağımsız kod parçalarıdır. Bir geri arama, iş akışını engelliyor olabilir veya engellemeyebilir. LangChain zincirleri özünde LLM'ler için iş akışlarıdır. AmazonComprehendModerationChain
kendi geri arama işlevlerinizi tanımlamanıza olanak tanır. Başlangıçta, uygulama yalnızca eşzamansız (engellenmeyen) geri çağırma işlevleriyle sınırlıdır.
Bu, etkili bir şekilde, denetleme zinciriyle geri aramaları kullanırsanız, zincirin çalışmasından bağımsız olarak onu engellemeden çalışacakları anlamına gelir. Moderasyon zinciri için, zincirden bağımsız olarak her moderasyon çalıştırıldıktan sonra kod parçalarını herhangi bir iş mantığıyla çalıştırma seçeneklerine sahip olursunuz.
Ayrıca isteğe bağlı olarak benzersiz bir tanımlayıcı dize de sağlayabilirsiniz. AmazonComprehendModerationChain
Daha sonra günlüğe kaydetme ve analizleri etkinleştirmek için. Örneğin, bir Yüksek Lisans tarafından desteklenen bir sohbet robotu çalıştırıyorsanız, sürekli olarak kötü niyetli olan veya kasıtlı olarak veya bilmeden kişisel bilgileri ifşa eden kullanıcıları izlemek isteyebilirsiniz. Bu gibi durumlarda, bu tür istemlerin kökenini takip etmek ve belki de bunları bir veritabanında saklamak veya daha sonraki eylemler için uygun şekilde günlüğe kaydetmek gerekli hale gelir. Kullanıcı adı veya e-posta adresi gibi bir kullanıcıyı açıkça tanımlayan benzersiz bir kimlik ya da istemi oluşturan uygulama adı iletebilirsiniz.
Geri aramaların ve benzersiz tanımlayıcıların birleşimi, kullanımınıza uyan bir denetleme zincirini, bakımı daha kolay olan daha az kodla çok daha uyumlu bir şekilde uygulamanız için güçlü bir yol sağlar. Geri arama işleyicisine şu adresten ulaşılabilir: BaseModerationCallbackHandler
, kullanılabilir üç geri arama seçeneğiyle: on_after_pii()
, on_after_toxicity()
, ve on_after_prompt_safety()
. Bu geri çağırma işlevlerinin her biri, zincir içinde ilgili denetleme denetimi gerçekleştirildikten sonra eşzamansız olarak çağrılır. Bu işlevler ayrıca iki varsayılan parametre alır:
- moderation_beacon – Denetlemenin gerçekleştirildiği metin, Amazon Comprehend API'nin tam JSON çıktısı, denetleme türü ve sağlanan etiketlerin (yapılandırmada) metin içinde bulunup bulunmadığı gibi ayrıntıları içeren bir sözlük
- benzersiz_kimlik – Bir örneğini başlatırken atadığınız benzersiz kimlik
AmazonComprehendModerationChain
.
Aşağıda geri çağırmalı bir uygulamanın nasıl çalıştığına dair bir örnek verilmiştir. Bu durumda, PII kontrolü yapıldıktan sonra zincirin çalışmasını istediğimiz tek bir geri çağırma tanımladık:
Daha sonra kullanırız my_callback
denetleme zincirini başlatırken nesneyi kullanın ve aynı zamanda bir unique_id
. Geri aramaları ve benzersiz tanımlayıcıları, yapılandırmayla veya yapılandırma olmadan kullanabilirsiniz. Alt sınıfa girdiğinizde BaseModerationCallbackHandler
kullanmayı düşündüğünüz filtrelere bağlı olarak geri çağırma yöntemlerinden birini veya tümünü uygulamanız gerekir. Kısaltmak adına, aşağıdaki örnek geri aramaları kullanmanın bir yolunu gösterir ve unique_id
herhangi bir konfigürasyon olmadan:
Aşağıdaki şema, geri aramalar ve benzersiz tanımlayıcılar içeren bu denetleme zincirinin nasıl çalıştığını açıklamaktadır. Özellikle, mevcut verilerle bir JSON dosyası yazması gereken PII geri çağrısını uyguladık. moderation_beacon
ve unique_id
iletildi (bu durumda kullanıcının e-postası).
Aşağıda Python not defteriile barındırılan LLM'ler gibi çeşitli LLM'lerle denetleme zincirini yapılandırabileceğiniz ve kullanabileceğiniz birkaç farklı yolu derledik. Amazon SageMaker Hızlı Başlangıç ve barındırılan sarılma yüz hub. Daha önce ele aldığımız örnek sohbet uygulamasını da aşağıdakilerle birlikte ekledik. Python not defteri.
Sonuç
Büyük dil modellerinin ve üretken yapay zekanın dönüştürücü potansiyeli yadsınamaz. Ancak bunların sorumlu ve etik kullanımı, güven ve güvenlik endişelerinin giderilmesine bağlıdır. Geliştiriciler, kuruluşlar ve genel olarak toplum, zorlukların farkına vararak ve riskleri azaltmaya yönelik tedbirleri aktif bir şekilde uygulayarak, başarılı entegrasyonlarının temelini oluşturan güven ve emniyeti korurken bu teknolojilerin faydalarından yararlanabilir. LangChain'de uygulanan Retrieval Augmented Generation (RAG) iş akışları da dahil olmak üzere herhangi bir LLM iş akışına güven ve emniyet özellikleri eklemek için Amazon Comprehend ContentModerationChain'i kullanın.
LangChain ve Amazon Kendra'nın son derece doğru, makine öğrenimi (ML) destekli çözümlerini kullanarak RAG tabanlı çözümler oluşturma hakkında bilgi için akıllı arama, Görmek - Amazon Kendra, LangChain ve büyük dil modellerini kullanarak kurumsal veriler üzerinde yüksek doğruluk oranına sahip Üretken AI uygulamalarını hızla oluşturun. Bir sonraki adım olarak, bkz. kod örnekleri LangChain ile Amazon Comprehend moderasyonunu kullanmak için oluşturduk. Amazon Comprehend moderasyon zinciri API'sinin tam belgeleri için LangChain'e bakın API belgeleri.
yazarlar hakkında
Wrick Talukdar Amazon Comprehend Service ekibinde Kıdemli Mimardır. Makine öğrenimini geniş ölçekte benimsemelerine yardımcı olmak için AWS müşterileriyle birlikte çalışıyor. İş dışında kitap okumaktan ve fotoğraf çekmekten hoşlanıyor.
Anjan Biswas AI/ML ve Veri Analitiğine odaklanan bir Kıdemli AI Hizmetleri Çözümleri Mimarıdır. Anjan, dünya çapındaki AI hizmetleri ekibinin bir parçasıdır ve AI ve ML ile iş sorunlarını anlamalarına ve bunlara çözümler geliştirmelerine yardımcı olmak için müşterilerle birlikte çalışır. Anjan, küresel tedarik zinciri, üretim ve perakende kuruluşlarıyla çalışma konusunda 14 yılı aşkın deneyime sahiptir ve müşterilerin AWS AI hizmetlerini kullanmaya başlamasına ve bunları ölçeklendirmesine aktif olarak yardımcı olmaktadır.
Nikhil Jaha Amazon Web Services'de Kıdemli Teknik Hesap Yöneticisidir. Odak alanları arasında AI/ML ve analitik bulunmaktadır. Boş zamanlarında kızıyla badminton oynamayı ve dışarıyı keşfetmeyi seviyor.
Çene Ranesi Amazon Web Services'de AI/ML Uzman Çözüm Mimarıdır. Uygulamalı matematik ve makine öğrenimi konusunda tutkulu. AWS müşterileri için akıllı belge işleme çözümleri tasarlamaya odaklanıyor. İş dışında salsa ve bachata dansından hoşlanıyor.
- SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
- PlatoData.Network Dikey Üretken Yapay Zeka. Kendine güç ver. Buradan Erişin.
- PlatoAiStream. Web3 Zekası. Bilgi Genişletildi. Buradan Erişin.
- PlatoESG. karbon, temiz teknoloji, Enerji, Çevre, Güneş, Atık Yönetimi. Buradan Erişin.
- PlatoSağlık. Biyoteknoloji ve Klinik Araştırmalar Zekası. Buradan Erişin.
- Kaynak: https://aws.amazon.com/blogs/machine-learning/build-trust-and-safety-for-generative-ai-applications-with-amazon-comprehend-and-langchain/
- :vardır
- :dır-dir
- :olumsuzluk
- :Neresi
- $UP
- 1
- 100
- 11
- 12
- 14
- İNDİRİM
- 17
- 19
- 500
- 7
- 8
- 9
- a
- yeteneklerini
- kabiliyet
- Hakkımızda
- taciz
- erişim
- Hesap
- doğru
- Elde Ediyor
- karşısında
- Action
- eylemler
- aktif
- eklemek
- adres
- adresleri
- adresleme
- bağlı
- benimsemek
- Benimseme
- tavsiye
- Sonra
- yaş
- AI
- AI hizmetleri
- AI sistemleri
- AI / ML
- Türkiye
- izin
- Izin
- veriyor
- zaten
- Ayrıca
- tamamen
- Amazon
- Amazon Kavramak
- Amazon Kendrası
- Amazon Web Servisleri
- tutarları
- an
- analytics
- analizler
- ve
- Duyurusu
- cevap
- herhangi
- api
- API'ler
- uygulanabilir
- Uygulama
- uygulamaları
- uygulamalı
- geçerlidir
- Tamam
- uygun
- uygun olarak
- ARE
- alanlar
- AS
- sormak
- soran
- yönleri
- atanmış
- yardımcıları
- ilişkili
- At
- büyütme
- augmented
- mevcut
- AWS
- arka çıkılmış
- Kötü
- baz
- merkezli
- BE
- Çünkü
- müşterimiz
- olur
- davranış
- olmak
- inançlar
- faydaları
- arasında
- Ötesinde
- Engellemek
- bloke etme
- her ikisi de
- sınırları
- Daha geniş
- inşa etmek
- güven oluşturmak
- bina
- yapılı
- iş
- işletmeler
- fakat
- by
- çağrı
- geri aramaları
- denilen
- CAN
- yetenekleri
- kabiliyet
- yetenekli
- Başkent
- kart
- dava
- durumlarda
- Yakalamak
- belli
- zincir
- zincirler
- zorluklar
- karakter
- chatbot
- chatbots
- Kontrol
- denetleme
- Çekler
- Çin
- seçim
- sınıf
- sınıflar
- sınıflandırma
- sınıflandırılmış
- sınıflandırmak
- müşteri
- kod
- yapışkan
- COM
- kombinasyon
- kombine
- yorum Yap
- ortak
- karmaşık
- bileşenler
- idrak
- kavram
- ilgili
- Endişeler
- koşullar
- güven
- yapılandırma
- ardışık
- sürekli
- içeren
- içerik
- İçerik Üretimi
- kontrol
- tartışmalı
- çekirdek
- çevrimiçi kurslar düzenliyorlar.
- Oluşturma
- Yaratıcı
- kredi
- kredi kartı
- kritik
- çok önemli
- görenek
- müşteri
- Kullanıcı Desteği
- Müşteriler
- özelleştirilebilir
- özelleştirmek
- günlük
- Dans
- veri
- Veri Analizi
- veri gizliliği
- veritabanı
- veri kümeleri
- kararlar
- derin
- Varsayılan
- tanımlamak
- tanımlı
- altüst ederek aramak
- göstermek
- gösteriyor
- bağlı
- tasarım
- İstediğiniz
- ayrıntılar
- belirlemek
- algılandı
- Bulma
- Belirlemek
- geliştirmek
- geliştiriciler
- gelişme
- farklı
- dijital
- tartışmak
- tartışılan
- açıkça
- dalış
- do
- belge
- belgeleme
- evraklar
- dişi geyik
- aşağı
- gereken
- e
- her
- Daha erken
- kolay
- etkili bir şekilde
- zahmetsiz
- ya
- başka
- E-posta
- etkinleştirmek
- son
- Sonsuz
- sağlamak
- sağlanması
- kuruluş
- kişiler
- varlık
- çevre
- eşit
- eşit olarak
- hata
- öz
- gerekli
- esasen
- törel
- örnek
- örnekler
- Dışında
- istisna
- mevcut
- deneyim
- Deneyimler
- Açıklamak
- açıkladı
- açıklar
- açıkça
- Keşfetmek
- ekspres
- uzanır
- çıkarmak
- Yüz
- tanıdık
- Özellikler(Hazırlık aşamasında)
- Özellikler
- az
- fileto
- filtre
- süzme
- filtreler
- mali
- bulmak
- bulur
- Ad
- bayraklı
- bayraklar
- esnek
- akış
- odak
- odaklanmış
- odaklanır
- takip etme
- şu
- İçin
- Airdrop Formu
- biçim
- formlar
- forumları
- bulundu
- iskelet
- Fransa
- itibaren
- tam
- fonksiyonlar
- daha fazla
- oluşturmak
- oluşturulan
- üreten
- nesil
- üretken
- üretken yapay zeka
- almak
- gif
- Vermek
- verilmiş
- verir
- Küresel
- gol
- Goes
- gidiş
- Tercih Etmenizin
- büyük
- Büyür
- Büyüme
- rehberlik
- kullanma
- olur
- zararlı
- koşum
- nefret
- Var
- sahip olan
- he
- yardım et
- yardım
- yardımcı olur
- büyük ölçüde
- menteşeler
- onun
- ev sahipliği yaptı
- Ne kadar
- Nasıl Yapılır
- Ancak
- HTML
- HTTPS
- merkez
- insan
- İnsan gibi
- i
- ID
- Kimlik
- tanımlayıcı
- tanımlayıcıları
- tanımlar
- belirlemek
- belirlenmesi
- if
- Yasadışı
- göstermektedir
- görüntü
- darbe
- uygulamak
- uygulama
- uygulanan
- uygulanması
- ithalat
- önem
- önemli
- in
- yanlışlıkla
- dahil
- dahil
- içerir
- Dahil olmak üzere
- Artırmak
- Artışlar
- giderek
- bağımsız
- bağımsız
- Endüstri
- etkilemek
- bilgi
- başlangıçta
- giriş
- girişler
- Araştırma
- örnek
- entegre
- bütünleşme
- Akıllı
- Akıllı belge işleme
- niyetinde
- niyet
- ilgili
- arayüzey
- kesilmiş
- içine
- tanıtmak
- IT
- ONUN
- John
- JOHN DOE
- jpg
- json
- sadece
- Etiketler
- dil
- büyük
- sonra
- öğrenme
- sol
- Yasal Şartlar
- az
- sevmek
- olasılık
- Sınırlı
- Liste
- küçük
- biraz daha derin
- Yüksek Lisans
- log
- günlüğü
- mantık
- bakıyor
- makine
- makine öğrenme
- korumak
- YAPAR
- müdür
- tavır
- üretim
- maske
- matematik
- Mesele
- Mayıs..
- me
- anlamına geliyor
- önlemler
- mekanizma
- medya
- tıbbi
- birleştirme
- araya geldi
- yöntemleri
- yanlış kullanım
- Azaltmak
- Karıştırma
- ML
- model
- modelleri
- ılımlılık
- modüler
- Daha
- çok
- şart
- my
- isim
- yani
- isimleri
- Doğal (Madenden)
- Doğal Dil İşleme
- gerekli
- yeni
- Yeni Özellikler
- sonraki
- nlp
- yok hayır
- şimdi
- numara
- sayılar
- sayısız
- nesne
- of
- saldırgan
- teklif
- uzaklıklar
- on
- ONE
- bir tek
- açık
- açık kaynak
- işletmek
- işletme
- Opsiyonlar
- or
- sipariş
- organizasyonlar
- köken
- Diğer
- aksi takdirde
- bizim
- dışarı
- sonuçlar
- açık havada
- çıktı
- çıkışlar
- dışında
- tekrar
- kendi
- parametre
- parametreler
- Olağanüstü
- Bölüm
- özellikle
- geçmek
- geçti
- tutkulu
- Şifre
- parola sıfırlama
- model
- Yapmak
- yapılan
- gerçekleştirir
- belki
- kişisel
- Şahsen
- telefon
- fotoğrafçılık
- parça
- parçalar
- Platformlar
- Platon
- Plato Veri Zekası
- PlatoVeri
- oynama
- siyasi
- Popüler
- pozisyon
- pozitif
- olanakları
- mümkün
- Çivi
- potansiyel
- potansiyel
- güç kelimesini seçerim
- powered
- güçlü
- korunması
- önlenmesi
- öncelikle
- birincil
- ilkeler
- önceliklendirme
- gizlilik
- özel
- özel bilgi
- sorunlar
- prosedürler
- süreç
- işleme
- derin
- Ilerleme
- uygun şekilde
- korumak
- sağlamak
- sağlar
- Python
- soru
- yükseltmek
- menzil
- aralıkları
- hızlı
- daha doğrusu
- uzanarak almak
- Okuma
- alan
- teslim almak
- tanıma
- azaltmak
- azaltarak
- başvurmak
- bölge
- düzenleyici
- uygun
- güvenilir
- ün
- talep
- Yer Alan Kurallar
- kaynak
- bu
- yanıt
- yanıtları
- sorumluluk
- sorumlu
- kısıtlamaları
- perakende
- İade
- krallar gibi yaşamaya
- Risk
- riskler
- koşmak
- s
- güvenli
- Güvenlik
- sagemaker
- aynı
- ölçek
- Sahneler
- Gol
- sorunsuz
- Bölüm
- bölümler
- güvenlik
- görmek
- Aramak
- SELF
- kıdemli
- hassas
- gönderdi
- cümle
- Dizi
- hizmet
- Hizmetler
- set
- o
- meli
- şov
- vitrin
- gösterilen
- Gösteriler
- sinyalleri
- benzer şekilde
- Basit
- basitleştirmek
- tek
- Yer
- pasajı
- So
- Sosyal Medya
- sosyal medya
- Toplum
- Çözümler
- biraz
- bir şey
- Kaynak
- kaynak kodu
- Konuştu
- uzman
- özel
- özellikle
- Belirtilen
- konuşma
- standartlar
- başlama
- başladı
- Açıklama
- adım
- dur
- durdurma
- mağaza
- dizi
- Daha sonra
- başarılı
- böyle
- Verilen
- arz
- tedarik zinciri
- destek
- Destekler
- sürdürülebilir
- Sistemler
- Bizi daha iyi tanımak için
- görevleri
- takım
- Teknik
- Teknolojileri
- şablon
- metin
- göre
- o
- The
- Başkent
- Kaynak
- ve bazı Asya
- Onları
- sonra
- Orada.
- böylece
- Bunlar
- onlar
- Re-Tweet
- tehditler
- üç
- eşik
- İçinden
- zaman
- için
- araçlar
- iz
- eğitilmiş
- dönüştürücü
- Güven
- denemek
- iki
- tip
- türleri
- ortaya çıkarmak
- inkâr edilemez
- desteklemek
- anlamak
- anlayış
- benzersiz
- Evrensel
- sürdürmek
- kullanım
- kullanım durumu
- Kullanılmış
- kullanıcı
- kullanıcılar
- kullanım
- kullanma
- kullanmak
- kullanılan
- Değerli
- değer
- Değerler
- çeşitlilik
- çeşitli
- Geniş
- versiyon
- üzerinden
- Sanal
- W
- istemek
- oldu
- Yol..
- yolları
- we
- ağ
- web hizmetleri
- İYİ
- vardı
- Ne
- Nedir
- ne zaman
- oysa
- olup olmadığını
- hangi
- süre
- DSÖ
- bütün
- neden
- geniş
- Geniş ürün yelpazesi
- irade
- dilek
- ile
- içinde
- olmadan
- tanık
- İş
- iş akışı
- iş akışları
- çalışma
- çalışır
- yazmak
- yazı yazıyor
- X
- yıl
- Sen
- zefirnet