İçerik denetimi, çevrimiçi güvenliğin korunmasında ve web siteleri ile sosyal medya platformlarının değer ve standartlarının desteklenmesinde çok önemli bir rol oynar. Kullanıcılara uygunsuz içeriğe maruz kalmaktan sağladığı koruma ve dijital alanlardaki refahlarını güvence altına alması, bunun öneminin altını çiziyor. Örneğin, reklamcılık sektöründe içerik denetimi, markaları olumsuz çağrışımlardan korumaya hizmet eder, böylece markanın yükselmesine ve gelir artışına katkıda bulunur. Reklamverenler, itibarlarını korumak ve olumsuz tanıtımları önlemek için markalarının uygun içerikle uyumlu hale getirilmesine öncelik verir. İçerik denetimi, birden fazla işleve hizmet ettiği finans ve sağlık sektörlerinde de kritik önem taşıyor. Hassas kişisel kimlik bilgilerinin ve sağlık bilgilerinin (PII, PHI) tanımlanmasında ve korunmasında önemli bir rol oynar. İçerik denetimi, dahili standartlara ve uygulamalara bağlı kalarak ve harici düzenlemelere uyarak kullanıcılar için dijital güvenliği artırır. Bu sayede gizli verilerin kamuya açık platformlarda yanlışlıkla paylaşılmasının önüne geçilerek kullanıcı gizliliğinin ve veri güvenliğinin korunması sağlanır.
Bu yazıda, çok modlu ön eğitim ve büyük dil modeli (LLM) ile görüntü verileri üzerinde içerik denetimi gerçekleştirmek için yeni bir yöntem tanıtıyoruz. Çok modlu ön eğitim ile görüntü içeriğini bir dizi ilgi çekici soruya göre doğrudan sorgulayabiliriz ve model bu sorulara yanıt verebilecektir. Bu, kullanıcıların, görselin kuruluşun politikalarını ihlal eden uygunsuz içerik içerip içermediğini doğrulamak için görselle sohbet etmesine olanak tanır. Güvenli/güvensiz etiketler ve kategori türü de dahil olmak üzere nihai kararı oluşturmak için Yüksek Lisans'ın güçlü oluşturma kapasitesini kullanıyoruz. Ek olarak, bir istem tasarlayarak, bir LLM'nin JSON formatı gibi tanımlanmış çıktı formatını oluşturmasını sağlayabiliriz. Tasarlanan bilgi istemi şablonu, LLM'nin görselin denetleme politikasını ihlal edip etmediğini belirlemesine, ihlal kategorisini belirlemesine, nedenini açıklamasına ve çıktıyı yapılandırılmış bir JSON formatında sunmasına olanak tanır.
Biz kullanmak BLIP-2 çok modlu ön eğitim yöntemi olarak. BLIP-2, çok modlu ön eğitimde en gelişmiş modellerden biridir ve görsel soru yanıtlama, görüntü altyazısı ekleme ve görüntü metni alma konularında mevcut yöntemlerin çoğundan daha iyi performans gösterir. LLM'miz için şunu kullanıyoruz: Llama 2, yeni nesil açık kaynaklı LLM muhakeme, kodlama, yeterlilik ve bilgi testleri de dahil olmak üzere birçok kriterde mevcut açık kaynak dil modellerinden daha iyi performans gösterir. Aşağıdaki şemada çözüm bileşenleri gösterilmektedir.
İçerik denetlemedeki zorluklar
İnsan tabanlı denetim gibi geleneksel içerik denetleme yöntemleri, artan kullanıcı tarafından oluşturulan içerik (UGC) hacmine ayak uyduramaz. UGC'nin hacmi arttıkça, insan moderatörler bunalıma girebilir ve içeriği etkili bir şekilde yönetmekte zorluk yaşayabilir. Bu, kötü bir kullanıcı deneyimine, yüksek denetleme maliyetlerine ve marka riskine neden olur. İnsan temelli moderasyon aynı zamanda hatalara da açıktır; bu da tutarsız moderasyona ve taraflı kararlara yol açabilir. Bu zorlukların üstesinden gelmek için makine öğrenimi (ML) tarafından desteklenen içerik denetimi bir çözüm olarak ortaya çıktı. Makine öğrenimi algoritmaları, büyük hacimli UGC'yi analiz edebilir ve kuruluşun politikalarını ihlal eden içeriği belirleyebilir. Makine öğrenimi modelleri, kalıpları tanıyacak ve nefret söylemi, spam ve uygunsuz materyal gibi sorunlu içerikleri tanımlayacak şekilde eğitilebilir. Araştırmaya göre Yapay zeka destekli içerik denetimiyle kullanıcılarınızı, markanızı ve bütçenizi koruyunML destekli içerik denetimi, kuruluşların ekiplerinin içeriği manuel olarak denetlemek için harcadığı zamanın %95'e kadarını geri kazanmasına yardımcı olabilir. Bu, kuruluşların kaynaklarını topluluk oluşturma ve içerik oluşturma gibi daha stratejik görevlere odaklamalarına olanak tanır. Makine öğrenimi destekli içerik denetimi, insan tabanlı denetimden daha verimli olduğundan denetleme maliyetlerini de azaltabilir.
Makine öğrenimi destekli içerik denetiminin avantajlarına rağmen hâlâ daha fazla iyileştirme alanı vardır. ML algoritmalarının etkinliği büyük ölçüde üzerinde eğitim aldıkları verilerin kalitesine bağlıdır. Modeller önyargılı veya eksik veriler kullanılarak eğitildiğinde hatalı denetim kararları verebilir, kuruluşları marka risklerine ve olası yasal yükümlülüklere maruz bırakabilir. İçerik denetimi için makine öğrenimi tabanlı yaklaşımların benimsenmesi, dikkatli bir şekilde değerlendirilmesi gereken çeşitli zorlukları beraberinde getirir. Bu zorluklar şunları içerir:
- Etiketli verileri edinme – Bu, özellikle etiketleyicilerin eğitimini gerektiren karmaşık içerik denetleme görevleri için maliyetli bir süreç olabilir. Bu maliyet, denetlenen bir makine öğrenimi modelini kolaylıkla eğitmek için yeterince büyük veri kümeleri toplamayı zorlaştırabilir. Ek olarak, modelin doğruluğu büyük ölçüde eğitim verilerinin kalitesine bağlıdır ve önyargılı veya eksik veriler, hatalı denetleme kararlarına yol açarak marka riskine ve yasal yükümlülüklere yol açabilir.
- Model genellemesi – Bu, makine öğrenimi tabanlı yaklaşımların benimsenmesi açısından kritik öneme sahiptir. Bir veri kümesi üzerinde eğitilen bir model, özellikle veri kümeleri farklı dağılımlara sahipse, başka bir veri kümesine iyi şekilde genelleştirilemeyebilir. Bu nedenle, modelin yeni verilere iyi bir şekilde genelleştirilebilmesini sağlamak için modelin çeşitli ve temsili bir veri kümesi üzerinde eğitilmesini sağlamak önemlidir.
- Operasyonel verimlilik – Bu, içerik denetimi için geleneksel makine öğrenimi tabanlı yaklaşımları kullanırken ortaya çıkan başka bir zorluktur. Sürekli olarak yeni etiketler eklemek ve yeni sınıflar eklendiğinde modeli yeniden eğitmek zaman alıcı ve maliyetli olabilir. Ayrıca, denetlenen içerikteki değişikliklere ayak uydurabilmek için modelin düzenli olarak güncellendiğinden emin olmak önemlidir.
- Açıklanabilirlik – İçeriğin gerekçesiz olarak işaretlenmesi veya kaldırılması durumunda son kullanıcılar platformu taraflı veya adaletsiz olarak algılayabilir ve bu da kötü bir kullanıcı deneyimine neden olabilir. Benzer şekilde, net açıklamaların bulunmaması, içerik denetleme sürecini moderatörler için verimsiz, zaman alıcı ve maliyetli hale getirebilir.
- Düşman doğa – Görüntü tabanlı içerik denetiminin çekişmeli doğası, geleneksel makine öğrenimi tabanlı yaklaşımlara benzersiz bir zorluk teşkil ediyor. Kötü aktörler, görsellerin eşanlamlılarını kullanmak veya gerçek içeriklerini daha büyük bir rahatsız edici olmayan içerik gövdesine yerleştirmek gibi çeşitli yollarla içeriği değiştirerek içerik denetleme mekanizmalarından kaçmaya çalışabilirler. Bu, bu tür düşmanca taktikleri tespit etmek ve bunlara yanıt vermek için modelin sürekli izlenmesini ve güncellenmesini gerektirir.
BLIP-2 ile çok modlu muhakeme
Çok modlu makine öğrenimi modelleri; görüntüler, metin, ses, video ve diğer yapılandırılmış veya yapılandırılmamış veri biçimleri gibi birden fazla kaynaktan veya yöntemden gelen verileri işleyebilen ve entegre edebilen modelleri ifade eder. Popüler çok modlu modellerden biri, hem görsel hem de metinsel bilgileri anlamak ve üretmek için bilgisayarlı görmeyi ve doğal dil işlemeyi (NLP) birleştiren BLIP-2 gibi görsel dil modelleridir. Bu modeller, bilgisayarların görüntülerin ve metinlerin anlamını insan anlayışını taklit edecek şekilde yorumlamasını sağlar. Görme dili modelleri, görüntüye altyazı ekleme, görüntü metnini alma, görsel soru yanıtlama ve daha fazlasını içeren çeşitli görevlerin üstesinden gelebilir. Örneğin, bir görüntü altyazı modeli, bir görüntünün doğal dil açıklamasını oluşturabilir ve bir görüntü metni alma modeli, bir metin sorgusuna dayalı olarak görüntüleri arayabilir. Görsel soru yanıtlama modelleri, görüntülerle ilgili doğal dildeki sorulara yanıt verebilir ve çok modlu sohbet robotları yanıtlar oluşturmak için görsel ve metinsel girdileri kullanabilir. İçerik denetimi açısından, bu özelliği bir soru listesine göre sorgulama yapmak için kullanabilirsiniz.
BLIP-2 üç bölümden oluşmaktadır. İlk bileşen, girdi olarak görüntü verilerini alan, CLIP'in ViT-L/14 adlı donmuş görüntü kodlayıcısıdır. İkinci bileşen, metin çıktısı veren donmuş bir LLM olan FlanT5'tir. Üçüncü bileşen, dondurulmuş görüntü kodlayıcıyı dondurulmuş LLM'ye bağlayan hafif bir transformatör olan Q-Former adı verilen eğitilebilir bir modüldür. Q-Former, dondurulmuş görüntü kodlayıcıdan görsel özellikleri çıkarmak için öğrenilebilir sorgu vektörlerini kullanır ve istenen metnin çıktısını almak için en kullanışlı görsel özelliği LLM'ye besler.
Eğitim öncesi süreç iki aşamadan oluşmaktadır. İlk aşamada, Q-Former'a metne en uygun görsel temsili öğrenmeyi öğretmek için görüntü-dil temsili öğrenimi gerçekleştirilir. İkinci aşamada, Q-Former çıktısının dondurulmuş bir LLM'ye bağlanması ve Q-Former'ın LLM tarafından yorumlanabilecek görsel temsillerin çıktısını alması için eğitilmesi yoluyla vizyondan dile üretken öğrenme gerçekleştirilir.
BLIP-2, mevcut yöntemlere göre önemli ölçüde daha az eğitilebilir parametreye sahip olmasına rağmen, çeşitli görüş dili görevlerinde en son teknolojiye sahip performansa ulaşıyor. Model aynı zamanda doğal dil talimatlarını takip edebilen sıfır çekimli görüntüden metne oluşturmanın yeni ortaya çıkan yeteneklerini de gösteriyor. Aşağıdaki çizim şu şekilde değiştirilmiştir: orijinal araştırma makalesi.
Çözüme genel bakış
Aşağıdaki şemada çözüm mimarisi gösterilmektedir.
Aşağıdaki bölümlerde BLIP-2'nin bir bilgisayara nasıl dağıtılacağını gösteriyoruz. Amazon Adaçayı Yapıcı uç nokta ve içerik denetimi için BLIP-2 ve bir LLM kullanın.
Önkoşullar
sahip bir AWS hesabına ihtiyacınız var. AWS Kimlik ve Erişim Yönetimi Çözümün bir parçası olarak oluşturulan kaynakları yönetme izinlerine sahip (IAM) rolü. Ayrıntılar için bkz. Bağımsız bir AWS hesabı oluşturun.
Eğer bu ilk kez çalışıyorsanız Amazon SageMaker Stüdyosu, önce bir oluşturmanız gerekir SageMaker etki alanı. Ayrıca ilgili SageMaker barındırma örnekleri için hizmet kotası artışı talep etmeniz gerekebilir. BLIP-2 modeli için şunu kullanıyoruz: ml.g5.2xlarge
SageMaker barındırma örneği. Llama 2 13B modeli için bir kullanıyoruz ml.g5.12xlarge
SageMaker barındırma örneği.
BLIP-2'yi bir SageMaker uç noktasına dağıtın
LLM'yi SageMaker'da aşağıdakileri kullanarak barındırabilirsiniz: Büyük Model Çıkarımı (LMI) DJLServing kullanarak büyük modelleri barındırmak için optimize edilmiş konteyner. DJLServing, programlama dilinden bağımsız olan Deep Java Library (DJL) tarafından desteklenen, yüksek performanslı bir evrensel model hizmet çözümüdür. DJL ve DJLServing hakkında daha fazla bilgi edinmek için bkz. DJLServing ve DeepSpeed model paralel çıkarımını kullanarak büyük modelleri Amazon SageMaker'da dağıtın. SageMaker LMI konteynerinin yardımıyla BLIP-2 modeli, Hugging Face kütüphanesi ile kolayca uygulanabilir ve SageMaker'da barındırılabilir. Koşabilirsin blip2-sagemaker.ipynb
bu adım için.
Docker görüntüsünü ve model dosyasını hazırlamak için DJLServing'in Docker görüntüsünü almanız, çıkarım komut dosyasını ve yapılandırma dosyalarını bir paket olarak paketlemeniz gerekir. model.tar.gz
dosyasına yükleyin ve Amazon Basit Depolama Hizmeti (Amazon S3) kovası. Şuraya başvurabilirsiniz: çıkarım komut dosyası ve yapılandırma dosyası daha fazla ayrıntı için.
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)
Docker görüntüsü ve çıkarımla ilgili dosyalar hazır olduğunda modeli, uç noktanın yapılandırmasını ve uç noktayı oluşturursunuz:
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
)
Uç nokta durumu hizmete girdiğinde, görüntü altyazıları ve talimatlı sıfır atışlı vizyondan dile oluşturma görevi için uç noktayı çağırabilirsiniz. Görüntü altyazısı ekleme görevi için yalnızca bir görüntüyü uç noktaya aktarmanız gerekir:
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)
Talimatlı sıfır atışlı vizyondan dile dönüştürme görevi için, giriş görüntüsüne ek olarak soruyu bir bilgi istemi olarak tanımlamanız gerekir:
base64_string = encode_image(test_image)
inputs = {"prompt": "Question: what happened in this photo? Answer:", "image": base64_string}
run_inference(endpoint_name, inputs)
İçerik denetimi için BLIP-2 ve LLM'yi kullanın
Bu aşamada verilen görsel üzerinde sorgulamalar yapabilir ve gizli bilgilere ulaşabilirsiniz. LLM ile JSON formatındaki sonucu oluşturmak için sorguları düzenler ve bilgileri alırsınız. Bu görevi kabaca aşağıdaki iki alt göreve bölebilirsiniz:
- BLIP-2 modeliyle görüntüden bilgi çıkarın.
- LLM ile nihai sonucu ve açıklamayı oluşturun.
BLIP-2 modeliyle görüntüden bilgi çıkarın
Verilen görüntüden yeterince yararlı gizli bilgi almak için sorguları tanımlamanız gerekir. Her sorgu uç noktayı bir kez çağıracağından, birçok sorgu daha uzun işlem süresine yol açacaktır. Bu nedenle, sorguların yüksek kalitede yapılmasını ve tüm politikaları kapsayacak şekilde, aynı zamanda kopyalanmadan yapılmasını öneririz. Örnek kodumuzda sorguları şu şekilde tanımlıyoruz:
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?"
]
Önceki sorgularda, aşağıdaki kodla bilgileri almak için BLIP-2'nin uç noktasını çağırın:
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}. """
Sorgularla alınan bilgilere ek olarak, uç noktayı çağrılmadan görüntü altyazısı göreviyle de bilgi alabilirsiniz. prompt
yükteki alan:
inputs = {"image": base64_string}
response = smr_client.invoke_endpoint(
EndpointName=endpoint_name, Body=json.dumps(inputs)
)
image_caption = response["Body"].read().decode('utf-8')
Sorguların ve yanıtların içeriklerini görsel başlığıyla birleştirebilir ve alınan bu bilgileri, aşağıdaki bir sonraki bölümde açıklanan alt görev için kullanabilirsiniz.
LLM ile nihai sonucu ve açıklamayı oluşturun
Llama 2 gibi büyük dil modelleri (LLM'ler), doğru bilgi istemi şablonuyla yüksek kaliteli sonuçlar üretebilir. Kullanma Amazon SageMaker Hızlı BaşlangıçML uygulayıcıları, halka açık geniş bir temel model yelpazesi arasından seçim yapabilir. SageMaker Studio'da yalnızca birkaç tıklamayla artık şunları yapabilirsiniz: Llama 2'yi keşfedin ve dağıtın.
Nihai sonuçlar, belirli bir bilgi istemi şablonuna sahip bir LLM'ye dayanır. Bu tür bir istem şunlardan oluşur: Uygunsuz veya saldırgan kategorilere dayalı denetleme politikası denetleme kategorileri; BLIP-2'den çıkarılan görüntü bilgisi; fotoğrafın güvenli olmayan içerik içerip içermediğini soran ve fotoğrafın kategorisini ve güvenli değilse nedenini talep eden LLM'ye soru şablonu; ve sonuçların JSON formatında çıktısını alma talimatları. Tasarlanan bilgi istemi şablonu, LLM'nin görselin denetleme politikasını ihlal edip etmediğini belirlemesine, ihlal kategorisini belirlemesine, nedenini açıklamasına ve çıktıyı yapılandırılmış bir JSON formatında sunmasına olanak tanır.
Temel kaynak kodu aşağıdaki gibidir:
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}
]
İstemi kendi kullanım durumunuza göre özelleştirebilirsiniz. Bakın defter daha fazla ayrıntı için. Bilgi istemi hazır olduğunda, sonuçları oluşturmak için LLM uç noktasını çağırabilirsiniz:
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]
Oluşturulan çıktının bir kısmı aşağıdaki gibidir:
Bazen Lama 2, asistanın yanıtının yanı sıra ek açıklamalar da ekler. JSON verilerini orijinal oluşturulan sonuçlardan çıkarmak için ayrıştırma kodunu kullanabilirsiniz:
answer = result['generation']['content'].split('}')[0]+'}'
json.loads(answer)
Üretken yaklaşımların avantajları
Önceki bölümlerde model çıkarımının temel kısmının nasıl uygulanacağı gösterildi. Bu bölümde, geleneksel yaklaşımlar ve perspektiflerle karşılaştırmalar da dahil olmak üzere, üretken yaklaşımların çeşitli yönlerini ele alıyoruz.
Aşağıdaki tablo her yaklaşımı karşılaştırmaktadır.
. | Üretken Yaklaşım | Sınıflandırma Yaklaşımı |
Etiketli verileri edinme | Çok sayıda görüntü üzerinde önceden eğitilmiş model, sıfır atış çıkarımı | Her tür kategoriden veri gerektirir |
Model genellemesi | Çeşitli görüntü türlerine sahip önceden eğitilmiş model | Model genellemesini iyileştirmek için içerik denetimiyle ilgili büyük miktarda veri gerektirir |
Operasyonel verimlilik | Sıfır atış yetenekleri | Farklı modelleri tanımak için modelin eğitilmesini ve etiketler eklendiğinde yeniden eğitilmesini gerektirir |
Açıklanabilirlik | Metin çıktısı olarak akıl yürütme, mükemmel kullanıcı deneyimi | Akıl yürütmeye ulaşmak zor, açıklamak ve yorumlamak zor |
Düşman doğa | güçlü | Yüksek frekanslı yeniden eğitim |
İçerik denetiminin ötesinde çok modlu akıl yürütmenin potansiyel kullanım durumları
BLIP-2 modelleri, aşağıdakileri içeren ince ayar ile veya ince ayar olmadan birden fazla amaca uyacak şekilde uygulanabilir:
- Resim altyazısı – Bu, modelden görüntünün görsel içeriği için bir metin açıklaması oluşturmasını ister. Aşağıdaki örnek resimde (solda) gösterildiği gibi, “bir adam elinde sörf tahtasıyla sahilde duruyor” resim açıklaması olarak.
- Görsel soru cevaplama – Ortadaki örnek resimde görüldüğü gibi şunu sorabiliriz: “Ticari içerikli mi?” ve biz var "Evet" cevap olarak. Ayrıca BLIP-2 çok yönlü konuşmayı destekler ve aşağıdaki soruyu üretir: "Neden böyle düşünüyorsun?" Görsel işaret ve LLM yeteneklerine dayalı olarak BLIP-2 çıktıları “Bu Amazon için bir işaret.”
- Resim metnini alma – Soru şu şekilde verildiğinde “Resmin üzerindeki metin”, resim metnini çıkartabiliriz “Bugün pazartesi ama gülümsemeye devam et” sağdaki resimde gösterildiği gibi.
Aşağıdaki resimler görsel bilgi muhakemesinin sıfır çekimli görüntüden metne yeteneğini gösteren örnekleri göstermektedir.
Yukarıdaki çeşitli örneklerden de görebileceğimiz gibi, çok modlu modeller, geleneksel tek modlu modellerin çözmekte zorlanacağı karmaşık sorunları çözmek için yeni fırsatlar yaratıyor.
Temizlemek
Gelecekte ücret alınmasını önlemek için bu gönderinin parçası olarak oluşturulan kaynakları silin. Bunu, dizüstü bilgisayar temizleme bölümündeki talimatları izleyerek yapabilir veya SageMaker konsolu ve S3 klasöründe depolanan kaynaklar aracılığıyla oluşturulan uç noktaları silebilirsiniz.
Sonuç
Bu yazıda dijital dünyada içerik denetiminin önemini tartıştık ve zorluklarını vurguladık. Görüntü verileriyle içerik denetlemeyi geliştirmeye yardımcı olacak ve yararlı bilgileri otomatik olarak çıkarmak için görüntülere karşı soru yanıtlama gerçekleştirecek yeni bir yöntem önerdik. Ayrıca geleneksel sınıflandırmaya dayalı yaklaşıma kıyasla üretken yapay zeka tabanlı bir yaklaşım kullanmanın avantajları hakkında daha fazla tartışma sağladık. Son olarak görsel dil modellerinin içerik denetiminin ötesindeki potansiyel kullanım durumlarını gösterdik.
SageMaker'ı keşfederek ve bu yazıda sunulan çok modlu çözümü ve işletmenizle ilgili bir veri kümesini kullanarak bir çözüm oluşturarak daha fazla bilgi edinmenizi öneririz.
Yazarlar Hakkında
Gordon Wang AWS'de Kıdemli AI/ML Uzmanı TAM'dir. Birçok sektördeki stratejik müşterileri AI/ML en iyi uygulamalarıyla destekliyor. Bilgisayarla görme, NLP, üretken yapay zeka ve MLOps konusunda tutkulu. Boş zamanlarında koşmayı ve yürüyüş yapmayı seviyor.
Yanwei Cui, PhD, AWS'de Kıdemli Makine Öğrenimi Uzmanı Çözüm Mimarıdır. IRISA'da (Bilgisayar Bilimi ve Rastgele Sistemler Araştırma Enstitüsü) makine öğrenimi araştırmalarına başladı ve bilgisayarlı görme, doğal dil işleme ve çevrimiçi kullanıcı davranışı tahmini alanlarında yapay zeka destekli endüstriyel uygulamalar oluşturma konusunda uzun yıllara dayanan deneyime sahip. AWS'de alan uzmanlığını paylaşıyor ve müşterilerin iş potansiyellerini açığa çıkarmasına ve geniş ölçekte makine öğrenimi ile eyleme dönüştürülebilir sonuçlar elde etmesine yardımcı oluyor. İş dışında kitap okumaktan ve seyahat etmekten hoşlanıyor.
melanie li, PhD, Sidney, Avustralya merkezli AWS'de Kıdemli Yapay Zeka/ML Uzmanı TAM'dir. Kurumsal müşterilerin AWS'de en son teknolojiye sahip AI/ML araçlarını kullanarak çözümler oluşturmasına yardımcı olur ve en iyi uygulamalarla makine öğrenimi çözümlerini tasarlama ve uygulama konusunda rehberlik sağlar. Boş zamanlarında doğayı keşfetmeyi, ailesi ve arkadaşlarıyla vakit geçirmeyi çok seviyor.
- 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. Otomotiv / EV'ler, karbon, temiz teknoloji, Enerji, Çevre, Güneş, Atık Yönetimi. Buradan Erişin.
- PlatoSağlık. Biyoteknoloji ve Klinik Araştırmalar Zekası. Buradan Erişin.
- ChartPrime. Ticaret Oyununuzu ChartPrime ile yükseltin. Buradan Erişin.
- Blok Ofsetleri. Çevre Dengeleme Sahipliğini Modernleştirme. Buradan Erişin.
- Kaynak: https://aws.amazon.com/blogs/machine-learning/build-a-generative-ai-based-content-moderation-solution-on-amazon-sagemaker-jumpstart/
- :vardır
- :dır-dir
- :olumsuzluk
- :Neresi
- $UP
- 1
- 10
- 100
- 20
- 22
- 7
- 9
- İNDİRİM
- a
- Yapabilmek
- Hakkımızda
- yukarıdaki
- erişim
- Göre
- Hesap
- doğruluk
- Başarmak
- Elde Ediyor
- aktörler
- gerçek
- katma
- ekleme
- ilave
- Ek
- Ayrıca
- adres
- bağlı
- Benimsemek
- Benimseme
- avantajları
- düşmanca
- reklamverenler
- reklâm
- karşı
- AI
- AI destekli
- AI / ML
- algoritmalar
- hiza
- Türkiye
- veriyor
- Ayrıca
- Amazon
- Amazon Adaçayı Yapıcı
- Amazon SageMaker Hızlı Başlangıç
- Amazon Web Servisleri
- an
- çözümlemek
- ve
- Başka
- cevap
- cevaplar
- herhangi
- uygulamaları
- uygulamalı
- yaklaşım
- yaklaşımlar
- uygun
- mimari
- ARE
- AS
- sormak
- yönleri
- Asistan
- dernekler
- varsayar
- At
- ses
- Avustralya
- otomatik olarak
- mevcut
- önlemek
- AWS
- Kötü
- merkezli
- BE
- plaj
- Çünkü
- müşterimiz
- olur
- davranış
- olmak
- altında
- kriterler
- dışında
- İYİ
- en iyi uygulamalar
- Ötesinde
- önyargılı
- kan
- vücut
- her ikisi de
- marka
- markalar
- Getiriyor
- geniş
- bütçe
- inşa etmek
- bina
- iş
- fakat
- by
- denilen
- CAN
- Alabilirsin
- yetenekleri
- kabiliyet
- dikkatli
- dava
- durumlarda
- kategoriler
- Kategoriler
- meydan okuma
- zorluklar
- zor
- değişiklikler
- yükler
- chatbots
- Klinik
- sınıflar
- açık
- müşteri
- çamaşırlar
- kod
- kodlama
- birleştirmek
- biçerdöverler
- ticari
- topluluk
- topluluk oluşturma
- şirket
- karşılaştırıldığında
- tamamlamak
- karmaşık
- bileşen
- bileşenler
- bilgisayar
- Bilgisayar Bilimleri
- Bilgisayar görüşü
- bilgisayarlar
- yapılandırma
- Onaylamak
- bağlantı
- bağlanır
- dikkate
- kabul
- oluşur
- konsolos
- sabit
- sürekli
- UAF ile
- içermek
- Konteyner
- içeren
- içerik
- içerik yaratımı
- içindekiler
- katkıda
- geleneksel
- konuşma
- konuşmaları
- çekirdek
- uyan
- Ücret
- pahalı
- maliyetler
- olabilir
- kapak
- yaratmak
- çevrimiçi kurslar düzenliyorlar.
- oluşturma
- kritik
- Çapraz
- Müşteriler
- özelleştirmek
- veri
- veri güvenliği
- veri kümeleri
- karar
- kararlar
- derin
- tanımlamak
- tanımlı
- göstermek
- gösterdi
- gösteriyor
- dağıtmak
- tarif edilen
- tanım
- tasarlanmış
- tasarım
- İstediğiniz
- Rağmen
- ayrıntılar
- belirlemek
- Belirlemek
- Diyalog
- farklı
- dijital
- dijital dünya
- direkt olarak
- tartışılan
- tartışma
- Dağılımlar
- çeşitli
- do
- liman işçisi
- yok
- domain
- sürücü
- her
- kolaylaştırmak
- kolayca
- etkili bir şekilde
- etki
- verimli
- katıştırma
- ortaya
- ortaya çıkan
- istihdam
- etkinleştirmek
- sağlar
- teşvik etmek
- son
- Son nokta
- Geliştirir
- yeterli
- sağlamak
- sağlanması
- kuruluş
- Hatalar
- özellikle
- gerekli
- örnek
- örnekler
- mevcut
- deneyim
- Uzmanlık
- Açıklamak
- açıklama
- keşfetmek
- Keşfetmek
- Maruz kalma
- dış
- çıkarmak
- Yüz
- Falls
- aile
- Özellikler(Hazırlık aşamasında)
- Özellikler
- kadın
- az
- daha az
- alan
- kavga
- fileto
- dosyalar
- son
- maliye
- Ad
- ilk kez
- uygun
- bayraklı
- odak
- takip et
- takip etme
- şu
- İçin
- biçim
- formlar
- vakıf
- Sıklık
- arkadaşlar
- itibaren
- dondurulmuş
- fonksiyonlar
- daha fazla
- gelecek
- toplamak
- oluşturmak
- oluşturulan
- üreten
- nesil
- üretken
- üretken yapay zeka
- almak
- Vermek
- verilmiş
- harika
- Büyüyen
- Büyüme
- rehberlik
- sap
- olmuş
- Zor
- Var
- sahip olan
- he
- Sağlık
- sağlık Bilgisi
- sağlık
- ağır şekilde
- yardım et
- yardımcı olur
- onu
- Gizli
- Yüksek
- yüksek performans
- Yüksek kaliteli
- Vurgulanan
- onun
- ev sahibi
- ev sahipliği yaptı
- hosting
- Ne kadar
- Nasıl Yapılır
- HTML
- http
- HTTPS
- insan
- belirlemek
- belirlenmesi
- Kimlik
- if
- göstermektedir
- görüntü
- görüntüleri
- uygulamak
- uygulanan
- uygulanması
- ithalat
- önem
- önemli
- iyileştirmek
- iyileşme
- in
- yanlış
- dahil
- içerir
- Dahil olmak üzere
- Artırmak
- Artışlar
- Sanayi
- Endüstri
- sanayi
- verimsiz
- bilgi
- giriş
- girişler
- örnek
- Enstitü
- talimatlar
- entegre
- faiz
- iç
- içine
- tanıtmak
- IT
- ONUN
- Java
- jpg
- json
- sadece
- tutmak
- bilgi
- Etiketler
- dil
- büyük
- büyük
- öncülük etmek
- önemli
- ÖĞRENİN
- öğrenme
- sol
- Yasal Şartlar
- yükümlülükler
- Kütüphane
- hafif
- Liste
- lama
- Yüksek Lisans
- uzun
- seviyor
- makine
- makine öğrenme
- Bakımı
- yapmak
- Yapımı
- adam
- yönetmek
- el ile
- çok
- malzeme
- Mayıs..
- me
- anlam
- mekanizmaları
- medya
- Meta
- yöntem
- yöntemleri
- Orta
- ML
- MLO'lar
- model
- modelleri
- ılımlılık
- değiştirilmiş
- modül
- Pazartesi
- izleme
- Daha
- daha verimli
- çoğu
- çoklu
- Doğal (Madenden)
- Doğal Dil İşleme
- Tabiat
- gerek
- negatif
- yeni
- sonraki
- nlp
- defter
- roman
- şimdi
- numara
- of
- saldırgan
- on
- bir Zamanlar
- ONE
- Online
- bir tek
- açık
- açık kaynak
- Fırsatlar
- optimize
- or
- organizasyonlar
- orijinal
- Diğer
- bizim
- Şirketimiz
- sonuçlar
- Mağazasından
- çıktı
- dışında
- boğulmuş
- kendi
- paket
- Paralel
- parametreler
- Bölüm
- özellikle
- parçalar
- geçmek
- tutkulu
- desen
- Yapmak
- performans
- yapılan
- izinleri
- kişi
- kişisel
- kişiler
- perspektifler
- doktora
- Fotoğraf
- asıl
- platform
- Platformlar
- Platon
- Plato Veri Zekası
- PlatoVeri
- çalış
- Lütfen
- politikaları
- politika
- yoksul
- Popüler
- Çivi
- potansiyel
- potansiyeller
- powered
- güçlü
- uygulamalar
- tahmin
- Hazırlamak
- hediyeler
- koruma
- önler
- Öncelik
- gizlilik
- sorunlar
- süreç
- işleme
- Programlama
- önerilen
- koruma
- sağlamak
- sağlanan
- sağlar
- halka açık
- tanıtım
- alenen
- amaçlı
- koymak
- Soru-Cevap
- kalite
- sorgular
- soru
- Sorular
- rasgele
- Okuma
- hazır
- neden
- tanımak
- tanıma
- azaltmak
- düzenli
- yönetmelik
- ilgili
- uygun
- güvenmek
- çıkarıldı
- temsil
- temsilci
- ün
- talep
- gerektirir
- gerektirir
- araştırma
- Kaynaklar
- Yanıtlamak
- yanıt
- yanıtları
- sonuç
- Ortaya çıkan
- Sonuçlar
- dönüş
- açıklayıcı
- gelir
- gelir artışı
- RGB
- krallar gibi yaşamaya
- Risk
- riskler
- Rol
- kabaca
- Kural
- koşmak
- koşu
- s
- koruma
- Güvenlik
- sagemaker
- ölçek
- Bilim
- Ara
- İkinci
- Bölüm
- bölümler
- Sektörler
- güvenlik
- görmek
- seçim
- kıdemli
- hassas
- vermektedir
- hizmet
- Hizmetler
- servis
- set
- birkaç
- Cinsel
- Paylar
- paylaşımı
- o
- Kalkan
- şov
- gösterdi
- Gösteriler
- işaret
- önem
- önemli ölçüde
- benzer şekilde
- Basit
- durumlar
- So
- Sosyal Medya
- sosyal medya
- sosyal medya platformları
- çözüm
- Çözümler
- Çözme
- Kaynak
- kaynak kodu
- kaynaklar
- uzay
- alanlarda
- Spam
- uzman
- özel
- konuşma
- geçirmek
- bölmek
- Aşama
- aşamaları
- bağımsız
- standartlar
- başladı
- state-of-the-art
- Devletler
- Durum
- adım
- Yine
- hafızası
- saklı
- Stratejik
- yapılandırılmış
- Çabalama
- stüdyo
- Ders çalışma
- böyle
- önermek
- Destekler
- sydney
- Sistemler
- tablo
- ele almak
- taktik
- alır
- Görev
- görevleri
- takım
- söylemek
- şablon
- şartlar
- metin
- metinsel
- göre
- o
- The
- Bilgi
- ve bazı Asya
- Orada.
- böylece
- bu nedenle
- Bunlar
- onlar
- düşünmek
- Üçüncü
- Re-Tweet
- üç
- zaman
- zaman tükeniyor
- için
- araçlar
- geleneksel
- Tren
- eğitilmiş
- Eğitim
- transformatör
- Seyahat
- iki
- tip
- türleri
- altında
- anlamak
- anlayış
- benzersiz
- Evrensel
- kilidini açmak
- güncellenmiş
- güncellenmesi
- sürdürmek
- Yüklenen
- kullanım
- kullanım durumu
- kullanıcı
- Kullanıcı Deneyimi
- kullanıcı gizliliği
- kullanıcılar
- kullanma
- Değerler
- çeşitlilik
- çeşitli
- üzerinden
- Video
- İHLAL
- vizyonumuz
- hacim
- hacimleri
- Yol..
- yolları
- we
- ağ
- web hizmetleri
- web siteleri
- İYİ
- Ne
- ne zaman
- hangi
- neden
- irade
- ile
- içinde
- olmadan
- sözler
- İş
- çalışma
- Dünya
- olur
- yıl
- Sen
- zefirnet