Amazon SageMaker Temel Gerçek Artı veri etiketleme uygulamaları oluşturmak ve etiketleme iş gücünü yönetmekle ilişkili farklılaşmamış ağır yükleri ortadan kaldırarak yüksek kaliteli eğitim veri kümeleri hazırlamanıza yardımcı olur. Tek yaptığınız, etiketleme gereksinimleriyle birlikte verileri paylaşmaktır ve Ground Truth Plus, veri etiketleme iş akışınızı bu gereksinimlere göre kurar ve yönetir. Oradan, çeşitli makine öğrenimi (ML) görevlerinde eğitilmiş uzman bir iş gücü verilerinizi etiketler. Ground Truth Plus'ı kullanmak için derin makine öğrenimi uzmanlığına veya iş akışı tasarımı ve kalite yönetimi bilgisine bile ihtiyacınız yok. Şimdi, Ground Truth Plus, üretken yapay zeka uygulamaları için temel modellerin ince ayarını yapmak için veri etiketlemeye ve insan geri bildirimine ihtiyaç duyan müşterilere hizmet veriyor.
Bu gönderide, üretken yapay zeka için SageMaker Ground Truth Plus aracılığıyla sağlanan insan geri bildirimindeki son gelişmeler hakkında bilgi edineceksiniz. Buna, denetimli ince ayarda kullanılan tanıtım veri kümelerini hazırlamak, üretken yapay zeka temel modellerini insan tercihleriyle uyumlu hale getirmek için tercih veri kümeleri oluşturmak üzere yüksek kaliteli insan geri bildirimi toplamak ve ayrıca modelleri uygulama oluşturuculara göre özelleştirmek için kullanılabilen yeni iş akışları ve kullanıcı arabirimleri (UI'ler) dahildir. stil, içerik ve ses gereksinimleri.
Üretken yapay zekayı kullanmaya başlamanın zorlukları
Dünyanın dört bir yanındaki üretken AI uygulamaları, birçok farklı kullanım durumunu çözmek için hem tek modlu hem de çok modlu temel modelleri birleştirir. Bunlar arasında yaygın olan sohbet robotları, görüntü oluşturucular ve video oluşturuculardır. Yaratıcı arayışlar, akademik ve kişisel asistanlar, iş zekası araçları ve üretkenlik araçları için sohbet robotlarında büyük dil modelleri (LLM'ler) kullanılıyor. Soyut veya gerçekçi yapay zeka sanatı ve pazarlama varlıkları oluşturmak için metinden görüntüye modelleri kullanabilirsiniz. Metinden videoya modeller, sanat projeleri, ilgi çekici reklamlar, video oyunu geliştirme ve hatta film geliştirme için videolar oluşturmak için kullanılıyor.
Hem temel modeller oluşturan model üreticileri hem de kendi araçlarını ve uygulamalarını oluşturmak için mevcut üretken temel modellerini kullanan uygulama oluşturucular için çözülmesi gereken en önemli sorunlardan ikisi şunlardır:
- Belirli görevleri yerine getirebilmek için bu temel modellere ince ayar yapma
- Yararlı, doğru ve zararsız bilgiler vermelerini sağlamak için bunları insan tercihleriyle uyumlu hale getirme
Temel modeller tipik olarak büyük etiketlenmemiş veriler topluluğu üzerinde önceden eğitilir ve bu nedenle doğal dil talimatlarını takip ederek iyi performans göstermez. Bir LLM için bu, genel olarak dili ayrıştırıp üretebilecekleri, ancak soruları tutarlı bir şekilde yanıtlayamayacakları veya bir kullanıcının ihtiyaç duyduğu kaliteye kadar metni özetleyemeyecekleri anlamına gelir. Örneğin, bir kullanıcı bir bilgi istemindeki bir metnin özetini istediğinde, metnin nasıl özetleneceği konusunda ince ayar yapılmamış bir model, yalnızca istem metnini kullanıcıya geri okuyabilir veya alakasız bir şeyle yanıt verebilir. Bir kullanıcı bir konu hakkında bir soru sorarsa, bir modelden gelen yanıt sorunun ezberlenmesinden ibaret olabilir. Metinden resme veya metinden videoya modeller gibi çok modlu modeller için modeller, bilgi istemiyle ilgili olmayan içeriğin çıktısını alabilir. Örneğin, bir kurumsal grafik tasarımcı, bir reklam için yeni bir logo veya bir resim oluşturmak için metinden resme bir modelden talimat verirse, model, yalnızca genel bir resim konseptine sahipse, bilgi istemiyle ilgili bir grafik oluşturmayabilir. ve bir görüntünün öğeleri. Bazı durumlarda bir model, kullanıcının güvenini veya şirketin itibarını riske atacak şekilde zararlı bir görüntü veya video çıkarabilir.
Modeller, belirli görevleri yerine getirmek için hassas bir şekilde ayarlanmış olsalar bile, çıktı içeriğinin anlamı, stili veya özü açısından insan tercihleriyle uyumlu olmayabilirler. Bir LLM'de bu, model tarafından üretilen yanlış ve hatta zararlı içerik olarak kendini gösterebilir. Örneğin, ince ayar yoluyla insan tercihleriyle uyumlu olmayan bir model, bir kullanıcı tarafından istendiğinde tehlikeli, etik dışı ve hatta yasa dışı talimatlar verebilir. Model tarafından üretilen içeriğin, doğru, ilgili ve yararlı olması yönündeki insan tercihleriyle uyumlu olmasını sağlamak için sınırlandırılmasına hiçbir özen gösterilmeyecektir. Bu yanlış hizalama, sohbet botları ve multimedya oluşturma gibi uygulamaları için üretken yapay zeka modellerine güvenen şirketler için bir sorun olabilir. Çok modlu modeller için bu, toksik, tehlikeli veya kötü amaçlı resimler veya videoların oluşturulması şeklinde olabilir. Bu, hassas içerik oluşturma niyeti olmadan modele bilgi istemleri girildiğinde ve ayrıca model üreticisinin veya uygulama oluşturucunun modelin bu tür içeriği oluşturmasına izin vermeyi amaçlamadığı, ancak yine de oluşturulmuş olduğu durumlarda bir risktir.
Göreve özgü yetenek sorunlarını çözmek ve üretken temel modellerini insan tercihleriyle uyumlu hale getirmek için, model üreticileri ve uygulama oluşturucular, insan tarafından yönlendirilen gösterileri ve model çıktılarının insan geri bildirimini kullanarak modellerde verilerle ince ayar yapmalıdır.
Veri ve eğitim türleri
Talimat ayarlama - veya bir modele talimatları nasıl izleyeceğini öğretme - olarak kategorize edilen, farklı türde etiketlenmiş verilere sahip birkaç tür ince ayar yöntemi vardır. Bunlar arasında gösteri verilerini kullanan denetimli ince ayar (SFT) ve tercih verilerini kullanan insan geri bildiriminden (RLHF) pekiştirmeli öğrenme yer alır.
Denetimli ince ayar için gösterim verileri
Soruları yanıtlamak veya metni yüksek kalitede özetlemek gibi belirli görevleri gerçekleştirmek üzere temel modellere ince ayar yapmak için modeller, tanıtım verileriyle birlikte SFT'ye tabi tutulur. Gösterim verilerinin amacı, insanlar tarafından gerçekleştirilen tamamlanmış görevlerin etiketli örneklerini (gösterilerini) sağlayarak modele rehberlik etmektir. Örneğin, bir LLM'ye sorulara nasıl cevap verileceğini öğretmek için, bir insan anlatıcı, bir soru ve cevap etkileşiminin dilbilimsel olarak nasıl çalıştığını ve içeriğin anlamsal olarak ne anlama geldiğini göstermek için insan tarafından oluşturulmuş soru ve cevap çiftlerinden oluşan etiketli bir veri kümesi oluşturacaktır. Bu tür bir SFT, modeli, gösteri eğitim verilerinde insanlar tarafından gösterilen davranış kalıplarını tanıması için eğitir. Model üreticilerinin, modellerinin sonraki benimseyenler için bu tür görevleri yerine getirebildiğini göstermek için bu tür ince ayar yapmaları gerekir. Üretken yapay zeka uygulamaları için mevcut temel modellerini kullanan uygulama oluşturucuların, uygulamalarının uygunluğunu ve doğruluğunu iyileştirmek için sektöre veya şirkete özgü verilerle bu görevlere ilişkin tanıtım verileriyle modellerinde ince ayar yapmaları gerekebilir.
RLHF gibi talimat ayarı için tercih verileri
Temel modelleri insan tercihleriyle daha fazla uyumlu hale getirmek için, model üreticilerinin ve özellikle uygulama oluşturucuların talimat ayarlaması yapmak için tercih veri kümeleri oluşturması gerekir. Yönerge ayarlama bağlamındaki tercih verileri, üretken bir temel model tarafından çıkarılan bir dizi seçeneğe göre insan geri bildirimini yakalayan etiketli verilerdir. Tipik olarak, birkaç çıkarımın derecelendirilmesini veya sıralanmasını veya belirli bir özniteliğe göre bir temel modelden iki çıkarımın ikili olarak karşılaştırılmasını içerir. LLM'ler için bu nitelikler yararlılık, doğruluk ve zararsızlık olabilir. Metinden resme modeller için, estetik bir kalite veya metin-resim hizalaması olabilir. İnsan geri bildirimine dayalı bu tercih verileri daha sonra, insan tercihleriyle hizalanacak bir modele daha fazla ince ayar yapmak için çeşitli talimat ayarlama yöntemlerinde (RLHF dahil) kullanılabilir.
Tercih verilerini kullanarak talimat ayarlama, temel modellerin kişiselleştirmesini ve etkinliğini artırmada çok önemli bir rol oynar. Bu, önceden eğitilmiş temel modellerin üzerine özel uygulamalar oluşturmak için önemli bir adımdır ve modellerin yararlı, doğru ve zararsız içerik üretmesini sağlamak için güçlü bir yöntemdir. Yönerge ayarının yaygın bir örneği, bir sohbet robotuna bir sorguya üç yanıt üretmesi talimatını vermek ve bir insanın üçünü de zehirlilik, gerçeğe dayalı doğruluk veya okunabilirlik gibi belirli bir boyuta göre okumasını ve sıralamasını sağlamaktır. Örneğin, bir şirket pazarlama departmanı için bir sohbet robotu kullanabilir ve içeriğin marka mesajıyla uyumlu olduğundan, önyargı göstermediğinden ve açıkça okunabilir olduğundan emin olmak isteyebilir. Şirket, talimat ayarlaması sırasında sohbet robotundan üç örnek üretmesini ister ve kendi iç uzmanlarının hedeflerine en uygun olanları seçmesini ister. Zamanla, pekiştirmeli öğrenme yoluyla insanların hangi içerik tarzını tercih ettiğini modele öğretmek için kullanılan bir veri kümesi oluştururlar. Bu, chatbot uygulamasının daha alakalı, okunabilir ve güvenli içerik çıkarmasını sağlar.
SageMaker Ground Truth Plus
Ground Truth Plus, göreve özgü yeteneklere sahip tanıtım veri kümeleri oluşturmanın yanı sıra modelleri insan tercihleriyle uyumlu hale getirmek için insan geri bildirimlerinden tercih veri kümeleri toplamanın yanı sıra her iki zorluğu da çözmenize yardımcı olur. LLM'ler ve metinden resme ve metinden videoya gibi çok modlu modeller için projeler talep edebilirsiniz. LLM'ler için temel tanıtım veri kümeleri, içerik denetimi, stil değişikliği veya uzunluk değişikliği amacıyla sorular ve yanıtlar (S&C), metin özetleme, metin oluşturma ve metin yeniden işlemeyi içerir. Anahtar LLM tercih veri kümeleri, metin çıktılarının sıralanmasını ve sınıflandırılmasını içerir. Çok modlu modeller için, temel görev türleri, resimlere veya videolara altyazı eklemenin yanı sıra videolardaki olayların zaman damgalarını günlüğe kaydetmeyi içerir. Bu nedenle, Ground Truth Plus, üretken yapay zeka yolculuklarında hem model üreticilerine hem de uygulama geliştiricilere yardımcı olabilir.
Bu gönderide, hem LLM'ler hem de çok modlu modeller için hem tanıtım verilerini hem de tercih verilerini kapsayan dört vakada insan annotator ve geri bildirim yolculuğuna daha derinden giriyoruz: LLM'ler için soru ve cevap çifti oluşturma ve metin sıralaması, ayrıca resim alt yazısı ve çok modlu modeller için video alt yazısı.
Büyük dil modelleri
Bu bölümde, kullanım durumunuz için isteyebileceğiniz özelleştirmelerin yanı sıra, LLM'ler için soru ve cevap çiftlerini ve metin sıralamasını ele alıyoruz.
Soru ve cevap çiftleri
Aşağıdaki ekran görüntüsü, bir insan anlatıcının bir metin pasajını okuyacağı ve bir Soru-Cevap tanıtım veri seti oluşturma sürecinde hem sorular hem de cevaplar oluşturacağı bir etiketleme kullanıcı arayüzünü göstermektedir.
Açıklayıcının yerine kullanıcı arabiriminde bir tur atalım. Kullanıcı arabiriminin sol tarafında, iş talep eden kişinin özel talimatları, ek açıklama yapan kişiye sunulur. Bu durumda, anlatıcının kullanıcı arayüzünün merkezinde sunulan metnin pasajını okuması ve metne dayalı sorular ve cevaplar oluşturması beklenir. Sağ tarafta, açıklama yapanın yazdığı sorular ve cevaplar gösterilir. Metin pasajının yanı sıra soru ve cevapların türü, uzunluğu ve sayısı, Ground Truth Plus ekibiyle proje kurulumu sırasında iş talep eden kişi tarafından özelleştirilebilir. Bu durumda, açıklama yapan kişi, yanıtlamak için tüm metin pasajının anlaşılmasını gerektiren bir soru oluşturmuştur ve bir soru işaretiyle işaretlenmiştir. Tüm pasajın referansları onay kutusu. Diğer iki soru ve yanıtlar, renk kodlu eşleştirme ile açıklayıcı vurgulamalarda gösterildiği gibi, metin pasajının belirli bölümlerine dayanmaktadır. İsteğe bağlı olarak, soruların ve yanıtların sağlanan bir metin pasajı olmadan oluşturulmasını talep edebilir ve insan yorumcular için başka yönergeler sağlayabilirsiniz; bu, Ground Truth Plus tarafından da desteklenir.
Sorular ve yanıtlar gönderildikten sonra, isteğe bağlı bir kalite kontrol döngüsü iş akışına akabilirler; burada diğer insan gözden geçirenler, müşteri tanımlı dağıtım ve soru ve yanıt türlerinin oluşturulduğunu onaylayacaktır. Müşteri gereklilikleri ile insan açıklamacının ürettikleri arasında bir uyumsuzluk varsa, çalışma, müşteriye teslim edilmek üzere veri setinin bir parçası olarak dışa aktarılmadan önce yeniden işlenmek üzere bir insana yönlendirilir. Veri kümesi size geri teslim edildiğinde, sizin takdirinize bağlı olarak denetimli ince ayar iş akışına dahil edilmeye hazırdır.
Metin sıralaması
Aşağıdaki ekran görüntüsü, bir bilgi istemine dayalı olarak bir LLM'den gelen çıktıları sıralamak için bir kullanıcı arabirimini göstermektedir.
İnsan gözden geçiren için talimatları yazabilir ve işe başlamak için Ground Truth Plus proje ekibine istemler ve önceden oluşturulmuş yanıtlar getirebilirsiniz. Bu durumda, bir insan gözden geçirenden, bir LLM'den gelen istem başına üç yanıtı yazma netliği (okunabilirlik) boyutuna göre derecelendirmesini istedik. Yine sol bölme, iş talebinde bulunan kişi tarafından gözden geçiren kişiye verilen talimatları gösterir. Merkezde, bilgi istemi sayfanın üst kısmındadır ve önceden oluşturulmuş üç yanıt, kullanım kolaylığı açısından ana gövdeyi oluşturur. Kullanıcı arayüzünün sağ tarafında, insan gözden geçiren kişi bunları en çok en az anlaşılır yazıya göre sıralayacaktır.
Bu tür bir tercih veri kümesi oluşturmak isteyen müşteriler, insan benzeri sohbet robotları oluşturmakla ilgilenen ve bu nedenle talimatları kendi kullanımları için özelleştirmek isteyen uygulama oluşturucuları içerir. Bilgi isteminin uzunluğu, yanıt sayısı ve sıralama boyutunun tümü özelleştirilebilir. Örneğin, beş yanıtı gerçeklere dayalı olarak en çok doğru olandan en aza doğru, önyargılı veya zehirli olana göre sıralamak ve hatta aynı anda birden çok boyutu sıralamak ve sınıflandırmak isteyebilirsiniz. Bu özelleştirmeler, Ground Truth Plus'ta desteklenir.
Çok modlu modeller
Bu bölümde, metinden resme ve metinden videoya modeller gibi çok modlu modelleri eğitmek için resim ve video alt yazılarını ve ayrıca kendi özel kullanım durumunuz için yapmak isteyebileceğiniz özelleştirmeleri ele alıyoruz.
Resim altyazısı
Aşağıdaki ekran görüntüsü, resim alt yazısı için bir etiketleme kullanıcı arabirimini göstermektedir. Metinden görüntüye bir model veya görüntüden metne model eğitmek için veri toplamak üzere görüntü altyazılı bir proje talep edebilirsiniz.
Bu durumda, bir metinden görüntüye modeli eğitme talebinde bulunduk ve uzunluk ve ayrıntı açısından başlık için özel gereksinimler belirledik. Kullanıcı arabirimi, yardımcı ve açıklayıcı araçlar aracılığıyla zihinsel bir çerçeve sağlayarak, zengin altyazılar oluşturma bilişsel sürecinde insan ek açıklama yapanlara yol gösterecek şekilde tasarlanmıştır. Açıklama yapanlar için bu zihinsel çerçeveyi sağlamanın, tek başına düzenlenebilir bir metin kutusu sağlamaktan daha açıklayıcı ve doğru altyazılarla sonuçlandığını bulduk.
Çerçevedeki ilk adım, insan anlatıcının görüntüdeki anahtar nesneleri tanımlamasıdır. Ek açıklama yapan kişi görüntüde bir nesne seçtiğinde, nesne üzerinde renk kodlu bir nokta belirir. Bu durumda, açıklama yapan kişi hem köpeği hem de kediyi seçmiş ve kullanıcı arayüzünün sağ tarafında iki düzenlenebilir alan yaratmıştır; burada açıklayıcı, nesnelerin adlarını (kedi ve köpek) ve her nesnenin ayrıntılı bir açıklamasını girecektir. Daha sonra, açıklama yapan kişi, görüntüdeki tüm nesneler arasındaki tüm ilişkileri tanımlaması için yönlendirilir. Bu durumda kedi, köpeğin yanında dinlenmektedir. Ardından, anlatıcıdan görüntüyle ilgili ayar, arka plan veya ortam gibi belirli nitelikleri tanımlaması istenir. Son olarak, altyazı giriş metin kutusunda, anlatıcıya nesnelere, ilişkilere ve görüntü ayarı alanlarına yazdıklarının tümünü görüntünün eksiksiz tek bir tanımlayıcı başlığında birleştirme talimatı verilir.
İsteğe bağlı olarak, bu görüntü altyazısını, altyazının gereksinimleri karşıladığından emin olmak için özel talimatlar içeren insan temelli bir kalite kontrol döngüsünden geçirilecek şekilde yapılandırabilirsiniz. Eksik bir anahtar nesne gibi bir sorun tespit edilirse, eğitim veri setinin bir parçası olarak dışa aktarmadan önce bu açıklama yazısı bir insanın sorunu düzeltmesi için geri gönderilebilir.
Video altyazısı
Aşağıdaki ekran görüntüsü, zaman damgası etiketleriyle zengin video altyazıları oluşturmak için bir video altyazı kullanıcı arabirimini göstermektedir. Metinden videoya veya videodan metne modeller oluşturmak için veri toplamak üzere bir video altyazı projesi talep edebilirsiniz.
Bu etiketleme kullanıcı arayüzünde, yüksek kaliteli altyazıların yazılmasını sağlamak için benzer bir zihinsel çerçeve oluşturduk. İnsan anlatıcı, sol taraftaki videoyu kontrol edebilir ve sağ taraftaki videoda gösterilen her etkinlik için kullanıcı arabirimi öğeleriyle açıklamalar ve zaman damgaları oluşturabilir. Resim alt yazısı kullanıcı arayüzüne benzer şekilde, ek açıklama yapan kişinin video ayarı, arka plan ve ortamın ayrıntılı bir açıklamasını yazabileceği bir yer vardır. Son olarak, anlatıcıya tüm öğeleri tutarlı bir video başlığında birleştirme talimatı verilir.
Resim alt yazısı örneğine benzer şekilde, video alt yazıları, gereksinimlerinizin karşılanıp karşılanmadığını belirlemek için isteğe bağlı olarak insan tabanlı bir kalite kontrol iş akışından geçebilir. Video altyazılarıyla ilgili bir sorun varsa, insan ek açıklama iş gücü tarafından yeniden çalışılmak üzere gönderilir.
Sonuç
Ground Truth Plus, soruları yanıtlamaktan görüntü ve video oluşturmaya kadar üretken yapay zeka görevleri için temel modellere ince ayar yapmak üzere yüksek kaliteli veri kümeleri hazırlamanıza yardımcı olabilir. Ayrıca, yetenekli insan iş gücünün, insan tercihleriyle uyumlu olduklarından emin olmak için model çıktılarını gözden geçirmesine olanak tanır. Ek olarak, uygulama oluşturucuların, uygulamalarının tercih ettikleri sesi ve stili temsil etmesini sağlamak için sektör veya şirket verilerini kullanarak modelleri özelleştirmelerine olanak tanır. Bunlar, Ground Truth Plus'taki birçok yeniliğin ilkidir ve daha fazlası geliştirme aşamasındadır. Gelecekteki gönderiler için bizi izlemeye devam edin.
Üretken AI modellerinizi ve uygulamalarınızı oluşturmak veya iyileştirmek için bir proje başlatmakla ilgileniyor musunuz? Ground Truth Plus'ı kullanmaya başlayın: ekibimizle bağlantı kurmak bugün.
yazarlar hakkında
Jesse Manders AWS AI/ML human in the loop hizmetleri ekibinde Kıdemli Ürün Yöneticisidir. İhtiyaçlarımızı karşılamak için AI/ML ürünleri ve hizmetleri oluşturmak ve geliştirmek amacıyla AI ve insan etkileşiminin kesiştiği noktada çalışıyor. Daha önce Jesse, Apple ve Lumileds'te mühendislik alanlarında liderlik rolleri üstlenmişti ve Silikon Vadisi'ndeki bir girişimde kıdemli bilim insanıydı. Yüksek lisans ve doktora derecesine sahiptir. Florida Üniversitesi'nden ve University of California, Berkeley, Haas School of Business'tan MBA derecesi.
Romi Datta Amazon SageMaker ekibinde Human in the Loop hizmetlerinden sorumlu Kıdemli Ürün Yönetimi Yöneticisidir. 4 yılı aşkın bir süredir AWS'de çalışıyor ve SageMaker, S3 ve IoT'de çeşitli ürün yönetimi liderlik rolleri üstleniyor. AWS'den önce IBM, Texas Instruments ve Nvidia'da çeşitli ürün yönetimi, mühendislik ve operasyonel liderlik rollerinde çalıştı. Yüksek lisans ve doktora derecesine sahiptir. Austin'deki Texas Üniversitesi'nden Elektrik ve Bilgisayar Mühendisliği ve Chicago Üniversitesi Booth İşletme Okulu'ndan MBA derecesi.
Jonathan Buck Amazon Web Services'ta makine öğrenimi ve dağıtık sistemlerin kesiştiği noktada çalışan bir Yazılım Mühendisidir. İşi, makine öğrenimi modellerini üretmeyi ve en son yetenekleri müşterilere sunmak için makine öğrenimiyle desteklenen yeni yazılım uygulamaları geliştirmeyi içeriyor.
Alex Williams insan-bilgisayar etkileşimi (HCI) ve makine öğreniminin kesiştiği noktada etkileşimli sistem araştırmaları yürüttüğü AWS AI'daki döngüdeki insan bilim ekibinde uygulamalı bir bilim insanıdır. Amazon'a katılmadan önce, İnsanlar, Aracılar, Etkileşimler ve Sistemler (PAIRS) araştırma laboratuvarının eş yöneticiliğini yaptığı Tennessee Üniversitesi'nde Elektrik Mühendisliği ve Bilgisayar Bilimleri Bölümü'nde profesördü. Ayrıca Microsoft Research, Mozilla Research ve Oxford Üniversitesi'nde araştırma pozisyonlarında bulunmuştur. Çalışmalarını düzenli olarak CHI, CSCW ve UIST gibi HCI'nin önde gelen yayın yerlerinde yayınlamaktadır. Waterloo Üniversitesi'nden doktora derecesine sahiptir.
Sarah Gao Amazon SageMaker Human In the Loop'ta (HIL) Yazılım Geliştirme Müdürüdür ve makine öğrenimi tabanlı etiketleme platformunun oluşturulmasından sorumludur. Sarah, 4 yılı aşkın bir süredir AWS'de çalışıyor ve EC2 güvenliği ve SageMaker'da çeşitli yazılım yönetimi liderlik rolleri üstleniyor. AWS'den önce Oracle ve Sun Microsystem'de çeşitli mühendislik yönetimi görevlerinde çalıştı.
erran li human-in-the-loop hizmetlerinde, AWS AI, Amazon'da uygulamalı bilim yöneticisidir. Araştırma ilgi alanları, 3D derin öğrenme ve vizyon ve dil temsili öğrenmedir. Daha önce Alexa AI'da kıdemli bilim insanı, Scale AI'da makine öğrenimi başkanı ve Pony.ai'de baş bilim insanıydı. Bundan önce, otonom sürüş için makine öğrenimi, makine öğrenimi sistemleri ve yapay zekanın stratejik girişimleri üzerinde çalışan Uber ATG'deki algı ekibi ve Uber'deki makine öğrenimi platformu ekibiyle birlikteydi. Kariyerine Bell Laboratuarlarında başladı ve Columbia Üniversitesi'nde yardımcı profesördü. ICML'17 ve ICCV'19'da ortak eğitimler verdi ve NeurIPS, ICML, CVPR, ICCV'de otonom sürüş için makine öğrenimi, 3D görüş ve robotik, makine öğrenimi sistemleri ve çekişmeli makine öğrenimi üzerine birkaç çalıştayın eş düzenleyicisi oldu. Cornell Üniversitesi'nde bilgisayar bilimi alanında doktorası var. Kendisi bir ACM Üyesi ve IEEE Üyesidir.
- SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
- PlatoAiStream. Web3 Veri Zekası. Bilgi Genişletildi. Buradan Erişin.
- Adryenn Ashley ile Geleceği Basmak. Buradan Erişin.
- PREIPO® ile PRE-IPO Şirketlerinde Hisse Al ve Sat. Buradan Erişin.
- Kaynak: https://aws.amazon.com/blogs/machine-learning/high-quality-human-feedback-for-your-generative-ai-applications-from-amazon-sagemaker-ground-truth-plus/
- :vardır
- :dır-dir
- :olumsuzluk
- :Neresi
- $UP
- 100
- 3d
- 7
- a
- Yapabilmek
- Hakkımızda
- ÖZET
- akademik
- Göre
- doğruluk
- doğru
- ACM
- etkinlik
- Ayrıca
- adres
- benimseyenler
- gelişmeler
- düşmanca
- reklâm
- tekrar
- ajanları
- AI
- yapay zeka
- AI / ML
- Alexa
- hizalamak
- hizalı
- hiza
- Türkiye
- izin vermek
- veriyor
- tek başına
- boyunca
- Ayrıca
- Amazon
- Amazon Adaçayı Yapıcı
- Amazon SageMaker Yer Gerçeği
- Amazon Web Servisleri
- arasında
- an
- ve
- cevap
- cevaplar
- belirir
- Apple
- Uygulama
- uygulamaları
- uygulamalı
- ARE
- etrafında
- Sanat
- AS
- Varlıklar
- yardımcıları
- ilişkili
- At
- öznitelikleri
- austin
- özerk
- mevcut
- AWS
- Arka
- arka fon
- merkezli
- BE
- olmuştur
- önce
- olmak
- Çan
- Berkeley
- arasında
- önyargılı
- önyargıları
- vücut
- her ikisi de
- kutu
- marka
- getirmek
- inşa etmek
- oluşturucu
- inşaatçılar
- bina
- yapılı
- iş
- iş zekası
- fakat
- by
- Kaliforniya
- CAN
- yetenekleri
- yetenekli
- başlıklar
- yakalar
- hangi
- Kariyer
- dava
- durumlarda
- KEDİ
- Merkez
- değişiklik
- chatbot
- chatbots
- Kontrol
- Chicago
- baş
- seçilmiş
- berraklık
- sınıflandırmak
- açık
- Açıkça
- bilişsel
- tutarlı
- KOLOMBİYA
- birleştirmek
- ortak
- Şirketler
- şirket
- karşılaştırarak
- tamamlamak
- Tamamlandı
- bilgisayar
- Bilgisayar Mühendisliği
- Bilgisayar Bilimleri
- kavram
- davranışlarda
- güven
- Onaylamak
- içerik
- bağlam
- kontrol
- Cornell
- Kurumsal
- doğru
- olabilir
- kaplama
- yaratmak
- çevrimiçi kurslar düzenliyorlar.
- Oluşturma
- oluşturma
- Yaratıcı
- çok önemli
- görenek
- müşteri
- Müşteriler
- özelleştirmek
- özelleştirilmiş
- Tehlikeli
- veri
- veri kümeleri
- derin
- derin öğrenme
- derin
- teslim etmek
- teslim edilen
- göstermek
- gösterdi
- bölüm
- tanım
- Dizayn
- tasarlanmış
- tasarımcı
- ayrıntı
- detaylı
- Belirlemek
- gelişen
- gelişme
- farklı
- Boyut
- boyutlar
- takdir
- tartışmak
- dağıtıldı
- dağıtılmış sistemler
- dağıtım
- do
- Değil
- Köpek
- yapılmış
- Dont
- DOT
- sürme
- sırasında
- her
- kolaylaştırmak
- kullanım kolaylığı
- etki
- elemanları
- sağlar
- çekici
- mühendis
- Mühendislik
- artırılması
- sağlamak
- Keşfet
- Tüm
- çevre
- özellikle
- Hatta
- olaylar
- örnek
- örnekler
- sergi
- mevcut
- uzman
- Uzmanlık
- uzmanlara göre
- geribesleme
- adam
- Alanlar
- Film
- Nihayet
- Ad
- Florida
- akış
- takip et
- takip etme
- İçin
- Airdrop Formu
- bulundu
- vakıf
- dört
- iskelet
- itibaren
- daha fazla
- gelecek
- oyun
- oyun-geliştirme
- GAO
- toplamak
- toplama
- genel
- oluşturmak
- oluşturulan
- üreten
- nesil
- üretken
- üretken yapay zeka
- jeneratörler
- almak
- alma
- verilmiş
- gol
- grafik
- Zemin
- rehberlik
- kuralları yenileyerek
- vardı
- Eller
- zararlı
- Var
- HCI
- he
- baş
- ağır
- ağırlık kaldırma
- Held
- yardım et
- faydalı
- yardımcı olur
- Yüksek
- Yüksek kaliteli
- özeti
- büyük ölçüde
- onun
- tutma
- tutar
- Ne kadar
- Nasıl Yapılır
- HTML
- HTTPS
- insan
- İnsanlar
- IBM
- tespit
- belirlemek
- IEEE
- if
- Yasadışı
- görüntü
- görüntüleri
- önemli
- iyileştirmek
- geliştirme
- in
- yanlış
- dahil
- içerir
- birleştirmek
- sanayi
- sektöre özgü
- girişimler
- yenilikler
- giriş
- talimatlar
- enstrümanlar
- İstihbarat
- yönelik
- Niyet
- etkileşim
- etkileşimleri
- interaktif
- ilgili
- ilgi alanları
- arayüzler
- iç
- kavşak
- içine
- IOT
- konu
- sorunlar
- IT
- ONUN
- kendisi
- İş
- birleştirme
- seyahat
- jpg
- sadece
- anahtar
- Nezaket.
- bilgi
- etiketleme
- Etiketler
- laboratuvar
- Labs
- dil
- büyük
- son
- Liderlik
- ÖĞRENİN
- öğrenme
- en az
- sol
- uzunluk
- kaldırma
- LİMİT
- Yüksek Lisans
- günlüğü
- logo
- makine
- makine öğrenme
- Ana
- yapmak
- yönetim
- müdür
- yönetir
- yönetme
- çok
- işaretlenmiş
- Pazarlama
- uygun
- Mayıs..
- anlam
- anlamına geliyor
- Neden
- Toplandı
- zihinsel
- mesaj
- yöntem
- yöntemleri
- Microsoft
- eksik
- ML
- model
- modelleri
- ılımlılık
- Daha
- çoğu
- mozilla
- Multimedia
- çoklu
- şart
- isimleri
- Doğal (Madenden)
- gerek
- ihtiyaçlar
- yeni
- sonraki
- yok hayır
- roman
- şimdi
- numara
- Nvidia
- nesne
- nesneler
- of
- on
- olanlar
- bir tek
- işletme
- Opsiyonlar
- or
- kehanet
- sipariş
- Diğer
- bizim
- çıktı
- tekrar
- kendi
- Oxford
- Kanal
- çift
- çiftleri
- bölmesi
- Bölüm
- belirli
- parçalar
- geçti
- desen
- İnsanlar
- algı
- Yapmak
- icra
- kişisel
- Kişiselleştirme
- yer
- platform
- Platon
- Plato Veri Zekası
- PlatoVeri
- çalış
- artı
- pozisyonları
- Çivi
- Mesajlar
- powered
- güçlü
- tercih
- tercihleri
- tercihli
- başbakan
- Hazırlamak
- hazırlanması
- sundu
- Önceden
- Önceki
- Sorun
- sorunlar
- süreç
- üretmek
- Üretilmiş
- üretici
- Üreticileri
- PLATFORM
- ürün Yönetimi
- ürün müdürü
- verimlilik
- Ürünler
- profesör
- proje
- Projeler
- sağlamak
- sağlanan
- sağlama
- Yayın
- Yayınladı
- amaç
- amaçlı
- koymak
- Soru-Cevap
- kalite
- soru
- Sorular
- Sıralaması
- değerlendirme
- Okumak
- hazır
- реалистичный,en
- son
- tanımak
- düzenli
- ilgili
- İlişkiler
- uygun
- güvenmek
- kaldırma
- temsil
- temsil
- ün
- talep
- isteklerinizi
- gereklidir
- Yer Alan Kurallar
- gerektirir
- araştırma
- saygı
- Yanıtlamak
- yanıt
- yanıtları
- sorumlu
- Sonuçlar
- yorum
- Zengin
- krallar gibi yaşamaya
- Risk
- riske
- robotik
- Rol
- rolleri
- s
- güvenli
- sagemaker
- ölçek
- ölçek ai
- Okul
- Bilim
- bilim adamı
- Bölüm
- güvenlik
- kıdemli
- hassas
- gönderdi
- Hizmetler
- servis
- set
- Setleri
- ayar
- kurulum
- birkaç
- paylaş
- o
- şov
- gösterilen
- Gösteriler
- yan
- Silikon
- Silikon Vadisi
- benzer
- sadece
- aynı anda
- tek
- yetenekli
- Yazılım
- yazılım geliştirme
- Yazılım Mühendisi
- ÇÖZMEK
- biraz
- bir şey
- özel
- Belirtilen
- başlama
- başladı
- XNUMX dakika içinde!
- başlangıç
- kalmak
- adım
- Stratejik
- stil
- gönderilen
- madde
- böyle
- özetlemek
- ÖZET
- güneş
- destekli
- sözde
- Sistemler
- Bizi daha iyi tanımak için
- alınan
- Görev
- görevleri
- Öğretim
- takım
- Tennessee
- şartlar
- Teksas
- göre
- o
- The
- Dünya
- ve bazı Asya
- Onları
- sonra
- Orada.
- bu nedenle
- Bunlar
- onlar
- Re-Tweet
- üç
- İçinden
- zaman
- zaman damgası
- için
- bugün
- araçlar
- üst
- konu
- Tur
- Tren
- eğitilmiş
- Eğitim
- trenler
- Hakikat
- Öğreticiler
- iki
- tip
- türleri
- tipik
- Uber
- ui
- anlayış
- üniversite
- California Üniversitesi
- Chicago Üniversitesi
- Oxford Üniversitesi
- kullanım
- kullanım durumu
- Kullanılmış
- kullanıcı
- kullanma
- Vadi
- çeşitlilik
- çeşitli
- mekanları
- Video
- video oyunu
- Videolar
- vizyonumuz
- ses
- istemek
- eksik
- istiyor
- oldu
- we
- ağ
- web hizmetleri
- İYİ
- Ne
- ne zaman
- hangi
- DSÖ
- bütün
- irade
- ile
- olmadan
- İş
- işlenmiş
- iş akışı
- iş akışları
- işgücü
- çalışma
- çalışır
- Atölyeler
- Dünya
- olur
- yazmak
- yazı yazıyor
- yazılı
- yıl
- Sen
- zefirnet