Ми є свідками швидкого зростання впровадження великих мовних моделей (LLM), які забезпечують генеративні додатки штучного інтелекту в різних галузях. LLM можуть виконувати різноманітні завдання, наприклад створювати креативний контент, відповідати на запити через чат-ботів, генерувати код тощо.
Організації, які хочуть використовувати LLM для забезпечення своїх додатків, дедалі обережніше ставляться до конфіденційності даних, щоб забезпечити довіру та безпеку в своїх генеративних програмах ШІ. Це включає належну обробку персональних даних клієнтів (PII). Це також включає запобігання розповсюдженню образливого та небезпечного вмісту в LLM і перевірку відповідності даних, створених LLM, тим же принципам.
У цій публікації ми обговорюємо нові функції на основі «Амазонка» які забезпечують бездоганну інтеграцію для забезпечення конфіденційності даних, безпеки вмісту та швидкої безпеки в нових і існуючих генеративних програмах ШІ.
Amazon Comprehend — це служба обробки природної мови (NLP), яка використовує машинне навчання (ML) для виявлення інформації в неструктурованих даних і тексті в документах. У цій публікації ми обговорюємо, чому довіра та безпека LLM мають значення для ваших робочих навантажень. Ми також глибше досліджуємо, як ці нові можливості модерації використовуються в популярній структурі розробки генеративного штучного інтелекту. LangChain щоб запровадити настроюваний механізм довіри та безпеки для вашого випадку використання.
Чому довіра та безпека LLM мають значення
Довіра та безпека мають першочергове значення під час роботи з LLM через їх глибокий вплив на широкий спектр програм, від чат-ботів підтримки клієнтів до створення контенту. Оскільки ці моделі обробляють величезні обсяги даних і генерують відповіді, схожі на людину, збільшується потенціал неправильного використання або небажаних результатів. Забезпечення того, щоб ці системи штучного інтелекту працювали в рамках етичних і надійних кордонів, має вирішальне значення не тільки для репутації компаній, які їх використовують, але й для збереження довіри кінцевих користувачів і клієнтів.
Крім того, у міру того як LLM стають більш інтегрованими в наш щоденний цифровий досвід, їхній вплив на наше сприйняття, переконання та рішення зростає. Забезпечення довіри та безпеки з LLM виходить за рамки лише технічних заходів; це говорить про ширшу відповідальність практиків ШІ та організацій за дотримання етичних стандартів. Віддаючи пріоритет довірі та безпеці, організації не лише захищають своїх користувачів, але й забезпечують стале та відповідальне зростання ШІ в суспільстві. Це також може допомогти зменшити ризик створення шкідливого вмісту та допомогти дотримуватися нормативних вимог.
У сфері довіри та безпеки модерація вмісту – це механізм, який стосується різних аспектів, зокрема, але не обмежуючись:
- Конфіденційність – Користувачі можуть ненавмисно надати текст, який містить конфіденційну інформацію, ставлячи під загрозу їх конфіденційність. Виявляти та редагувати будь-яку ідентифікаційну інформацію дуже важливо.
- Токсичність – Розпізнавання та відфільтрування шкідливого вмісту, такого як ворожнеча, погрози чи образи, є надзвичайно важливими.
- Намір користувача – Критично важливо визначити, чи є введення (підказка) користувача безпечним чи небезпечним. Небезпечні підказки можуть явно чи неявно виражати зловмисний намір, наприклад запитувати особисту чи приватну інформацію та створювати образливий, дискримінаційний або незаконний вміст. Підказки також можуть неявно виражати або вимагати поради щодо медичних, юридичних, політичних, суперечливих, особистих чи фінансових питань.
Модерація вмісту за допомогою Amazon Comprehend
У цьому розділі ми обговорюємо переваги модерації вмісту за допомогою Amazon Comprehend.
Звернення до конфіденційності
Amazon Comprehend уже займається конфіденційністю за допомогою наявних можливостей виявлення та редагування ідентифікаційної інформації через DetectPIIEntities та Містить PIIEntities API. Ці два API підтримуються моделями NLP, які можуть виявляти велику кількість ідентифікаційних даних, таких як номери соціального страхування (SSN), номери кредитних карток, імена, адреси, номери телефонів тощо. Повний список сутностей див Універсальні типи сутностей PII. DetectPII також надає позицію ідентифікаційної інформації на рівні символів у тексті; наприклад, початкова позиція символу сутності NAME (John Doe) у реченні «Мене звати John Doe” дорівнює 12, а позиція кінцевого символу дорівнює 19. Ці зміщення можна використовувати для виконання маскування або редагування значень, таким чином зменшуючи ризики поширення приватних даних у LLM.
Усунення токсичності та швидка безпека
Сьогодні ми оголошуємо дві нові функції Amazon Comprehend у формі API: виявлення токсичності за допомогою DetectToxicContent
API та оперативна класифікація безпеки через ClassifyDocument
API. Зверніть увагу, що DetectToxicContent
це новий API, тоді як ClassifyDocument
це існуючий API, який тепер підтримує швидку класифікацію безпеки.
Виявлення токсичності
За допомогою виявлення токсичності Amazon Comprehend ви можете ідентифікувати та позначати вміст, який може бути шкідливим, образливим або неприйнятним. Ця можливість особливо цінна для платформ, де користувачі створюють вміст, наприклад сайтів соціальних мереж, форумів, чат-ботів, розділів коментарів і програм, які використовують LLM для створення вмісту. Основною метою є підтримання позитивного та безпечного середовища шляхом запобігання поширенню токсичного вмісту.
По суті, модель виявлення токсичності аналізує текст, щоб визначити ймовірність того, що він містить ненависницький вміст, погрози, непристойність або інші форми шкідливого тексту. Модель навчена на величезних наборах даних, що містять приклади як токсичного, так і нетоксичного вмісту. API токсичності оцінює певний фрагмент тексту, щоб забезпечити класифікацію токсичності та оцінку достовірності. Програми Generative AI можуть потім використовувати цю інформацію для вжиття відповідних дій, таких як зупинка розповсюдження тексту до LLM. На момент написання цієї статті мітки, виявлені API виявлення токсичності, є такими HATE_SPEECH
, GRAPHIC
, HARRASMENT_OR_ABUSE
, SEXUAL
, VIOLENCE_OR_THREAT
, INSULT
та PROFANITY
. Наступний код демонструє виклик API за допомогою Python Boto3 для виявлення токсичності Amazon Comprehend:
Швидка класифікація безпеки
Класифікація безпеки підказок за допомогою Amazon Comprehend допомагає класифікувати текстові підказки щодо введення як безпечні чи небезпечні. Ця можливість має вирішальне значення для таких додатків, як чат-боти, віртуальні помічники або інструменти модерації вмісту, де розуміння безпеки підказки може визначити відповіді, дії або поширення вмісту для LLM.
По суті, оперативна класифікація безпеки аналізує вхід людини на наявність будь-яких явних чи неявних зловмисних намірів, таких як запит особистої чи приватної інформації та створення образливого, дискримінаційного чи незаконного вмісту. Він також позначає підказки щодо отримання поради з медичних, юридичних, політичних, суперечливих, особистих або фінансових питань. Швидка класифікація повертає два класи, UNSAFE_PROMPT
та SAFE_PROMPT
, для пов’язаного тексту, з пов’язаним показником надійності для кожного. Оцінка впевненості коливається в діапазоні від 0 до 1, а сумарна сума дає 1. Наприклад, у чат-боті служби підтримки клієнтів текст «Як скинути пароль??» сигналізує про намір отримати вказівки щодо процедур скидання пароля та позначається як SAFE_PROMPT
. Подібним чином, твердження на зразок «Я хочу, щоб з тобою сталося щось погане” можна позначити як потенційно шкідливий намір і позначити як UNSAFE_PROMPT
. Важливо зазначити, що швидка класифікація безпеки в першу чергу зосереджена на виявленні наміру на основі введених людьми (підказок), а не машинно-генерованого тексту (виходи LLM). Наступний код демонструє, як отримати доступ до функції швидкої класифікації безпеки за допомогою ClassifyDocument
API:
Зверніть увагу, що endpoint_arn
у попередньому коді надається AWS Номер ресурсу Amazon (ARN) візерунка arn:aws:comprehend:<region>:aws:document-classifier-endpoint/prompt-safety
, Де <region>
це регіон AWS за вашим вибором Amazon Comprehend доступний.
Щоб продемонструвати ці можливості, ми створили зразок додатка для чату, де ми просимо LLM витягти ідентифікаційні сутності, такі як адреса, номер телефону та номер соціального страхування, із певного фрагмента тексту. LLM знаходить і повертає відповідні ідентифікаційні сутності, як показано на зображенні ліворуч.
За допомогою модерації Amazon Comprehend ми можемо редагувати вхідні дані для LLM і виводити з LLM. На зображенні праворуч значення SSN можна передавати до LLM без редагування. Однак будь-яке значення SSN у відповіді LLM видаляється.
Нижче наведено приклад того, як підказка, що містить ідентифікаційну інформацію, може повністю запобігти досягненню LLM. У цьому прикладі показано, як користувач ставить запитання, яке містить ідентифікаційну інформацію. Ми використовуємо модерацію Amazon Comprehend, щоб виявляти ідентифікаційні сутності в підказці та показувати помилку, перериваючи потік.
У попередніх прикладах чату показано, як модерація Amazon Comprehend застосовує обмеження щодо даних, що надсилаються до LLM. У наступних розділах ми пояснюємо, як цей механізм модерації реалізовано за допомогою LangChain.
Інтеграція з LangChain
З нескінченними можливостями застосування LLM в різних сценаріях використання стало не менш важливим спростити розробку генеративних програм ШІ. LangChain це популярна платформа з відкритим вихідним кодом, яка полегшує розробку генеративних програм ШІ. Модерація Amazon Comprehend розширює структуру LangChain, щоб запропонувати ідентифікацію та редагування ідентифікаційної інформації, виявлення токсичності та можливості швидкої класифікації безпеки через AmazonComprehendModerationChain
.
AmazonComprehendModerationChain
є спеціальною реалізацією Базовий ланцюг LangChain інтерфейс. Це означає, що програми можуть використовувати цей ланцюжок разом із власними Ланцюги LLM щоб застосувати бажану модерацію до підказки введення, а також до вихідного тексту з LLM. Ланцюги можна побудувати шляхом злиття багатьох ланцюгів або шляхом змішування ланцюгів з іншими компонентами. Ви можете використовувати AmazonComprehendModerationChain
з іншими ланцюжками LLM для розробки складних додатків ШІ модульним і гнучким способом.
Щоб пояснити це далі, ми надаємо кілька зразків у наступних розділах. Вихідний код для AmazonComprehendModerationChain
реалізацію можна знайти в межах Репозиторій з відкритим кодом LangChain. Щоб отримати повну документацію щодо інтерфейсу API, зверніться до документації LangChain API для Ланцюг модерації Amazon Comprehend. Використовувати цей ланцюжок модерації так само просто, як ініціалізувати примірник класу з конфігураціями за замовчуванням:
За лаштунками ланцюжок модерації виконує три послідовні перевірки модерації, а саме ідентифікаційну інформацію, токсичність і швидку безпеку, як пояснюється на наступній схемі. Це типовий потік для модерації.
У наступному фрагменті коду показано простий приклад використання ланцюжка модерації з Amazon FalconLite LLM (який є квантованою версією Модель Falcon 40B SFT OASST-TOP1) розміщено в Hugging Face Hub:
У попередньому прикладі ми доповнюємо наш ланцюжок за допомогою comprehend_moderation
як для тексту, що надходить до LLM, так і для тексту, створеного LLM. Це виконає стандартне модерування, яке перевірить ідентифікаційну інформацію, токсичність і оперативну класифікацію безпеки в цій послідовності.
Налаштуйте свою модерацію за допомогою конфігурацій фільтрів
Ви можете використовувати AmazonComprehendModerationChain
зі спеціальними конфігураціями, що дає вам можливість контролювати, які модерації ви бажаєте виконувати у своїй генеративній програмі на основі ШІ. В основі конфігурації є три доступні конфігурації фільтрів.
- МодераціяPiiConfig – Використовується для налаштування фільтра ідентифікаційної інформації.
- ModerationToxicityConfig – Використовується для налаштування фільтра токсичного вмісту.
- ModerationIntentConfig – Використовується для налаштування фільтра намірів.
Ви можете використовувати кожну з цих конфігурацій фільтра, щоб налаштувати поведінку ваших модераторів. Конфігурації кожного фільтра мають кілька загальних параметрів і деякі унікальні параметри, якими їх можна ініціалізувати. Після визначення конфігурацій ви використовуєте BaseModerationConfig
клас, щоб визначити послідовність, у якій фільтри мають застосовуватися до тексту. Наприклад, у наведеному нижче коді ми спочатку визначаємо три конфігурації фільтрів, а потім вказуємо порядок їх застосування:
Давайте зануримося глибше, щоб зрозуміти, чого досягає ця конфігурація:
- По-перше, для фільтра токсичності ми встановили поріг 0.6. Це означає, що якщо текст містить будь-яку з доступних токсичних міток або об’єктів із балом, вищим за порогове значення, весь ланцюжок буде перервано.
- Якщо в тексті не знайдено токсичного вмісту, виконується перевірка ідентифікаційної інформації. У цьому випадку нам цікаво перевірити, чи містить текст значення SSN. Тому що
redact
для параметра встановлено значенняTrue
, ланцюжок маскує виявлені значення SSN (якщо такі є), якщо оцінка достовірності об’єкта SSN перевищує або дорівнює 0.5 із указаним символом маски (X). Якщоredact
встановлений вFalse
, ланцюжок буде перервано для будь-якого виявленого SSN. - Нарешті, ланцюжок виконує швидку класифікацію безпеки та зупиняє подальше поширення вмісту по ланцюжку, якщо вміст класифіковано
UNSAFE_PROMPT
з достовірним показником більше або дорівнює 0.8.
Наступна діаграма ілюструє цей робочий процес.
У разі перерв у ланцюжку модерування (у цьому прикладі, застосовному для фільтрів класифікації токсичності та швидкої безпеки), ланцюг підніме Виняток Python, по суті, зупиняючи поточний ланцюжок і дозволяючи вам перехопити виняток (у блоці try-catch) і виконати будь-яку відповідну дію. Три можливі типи винятків:
ModerationPIIError
ModerationToxicityError
ModerationPromptSafetyError
Ви можете налаштувати один або декілька фільтрів за допомогою BaseModerationConfig
. Ви також можете мати той самий тип фільтра з різними конфігураціями в межах одного ланцюжка. Наприклад, якщо ваш варіант використання стосується лише ідентифікаційної інформації, ви можете вказати конфігурацію, яка повинна переривати ланцюжок у разі виявлення SSN; інакше він повинен виконати редагування віку та назви ідентифікаційних сутностей. Конфігурація для цього може бути визначена таким чином:
Використання зворотних викликів і унікальних ідентифікаторів
Якщо ви знайомі з концепцією робочих процесів, ви також можете бути знайомі зворотні дзвінки. Зворотні виклики в робочих процесах — це незалежні фрагменти коду, які запускаються, коли в робочому процесі виконуються певні умови. Зворотний виклик може блокувати або не блокувати робочий процес. Ланцюжки LangChain, по суті, є робочими процесами для магістра. AmazonComprehendModerationChain
дозволяє визначати власні функції зворотного виклику. Спочатку реалізація обмежена лише асинхронними (неблокуючими) функціями зворотного виклику.
Фактично це означає, що якщо ви використовуєте зворотні виклики з ланцюжком модерації, вони працюватимуть незалежно від виконання ланцюжка, не блокуючи його. Для ланцюжка модерації ви отримуєте варіанти запуску фрагментів коду з будь-якою бізнес-логікою після кожного запуску модерації незалежно від ланцюжка.
Ви також можете надати довільний рядок унікального ідентифікатора під час створення AmazonComprehendModerationChain
щоб увімкнути журналювання та аналітику пізніше. Наприклад, якщо ви керуєте чат-ботом на базі LLM, вам може знадобитися відстежувати користувачів, які постійно порушують правила або навмисно чи несвідомо розкривають особисту інформацію. У таких випадках виникає необхідність відстежувати походження таких підказок і, можливо, зберігати їх у базі даних або належним чином реєструвати для подальших дій. Ви можете передати унікальний ідентифікатор, який чітко ідентифікує користувача, наприклад його ім’я користувача чи адресу електронної пошти, або назву програми, яка генерує запит.
Комбінація зворотних викликів і унікальних ідентифікаторів надає вам потужний спосіб реалізувати ланцюжок модерування, який відповідає вашому варіанту використання набагато більш узгодженим способом з меншим кодом, який легше підтримувати. Обробник зворотного виклику доступний через BaseModerationCallbackHandler
, з трьома доступними зворотними викликами: on_after_pii()
, on_after_toxicity()
та on_after_prompt_safety()
. Кожна з цих функцій зворотного виклику викликається асинхронно після виконання відповідної перевірки модерації в ланцюжку. Ці функції також отримують два параметри за замовчуванням:
- moderation_beacon – Словник, що містить такі деталі, як текст, для якого було виконано модерування, повний вихід JSON Amazon Comprehend API, тип модерування та наявність наданих міток (у конфігурації) у тексті чи ні.
- унікальний_ідентифікатор – Унікальний ідентифікатор, який ви призначили під час ініціалізації екземпляра
AmazonComprehendModerationChain
.
Нижче наведено приклад того, як працює реалізація із зворотним викликом. У цьому випадку ми визначили один зворотний виклик, який ми хочемо запускати в ланцюжку після виконання перевірки ідентифікаційної інформації:
Потім ми використовуємо my_callback
об’єкт під час ініціалізації ланцюжка модерації, а також передати a unique_id
. Ви можете використовувати зворотні виклики та унікальні ідентифікатори з конфігурацією або без неї. Коли ви підклас BaseModerationCallbackHandler
, ви повинні реалізувати один або всі методи зворотного виклику залежно від фільтрів, які ви збираєтеся використовувати. Для стислості в наступному прикладі показано спосіб використання зворотних викликів і unique_id
без конфігурації:
На наступній діаграмі пояснюється, як працює цей ланцюжок модерування із зворотними викликами та унікальними ідентифікаторами. Зокрема, ми реалізували зворотний виклик ідентифікаційної інформації, який має записати файл JSON з даними, доступними в moderation_beacon
і unique_id
пройдено (електронна адреса користувача в цьому випадку).
У наступному Блокнот Python, ми зібрали кілька різних способів налаштування та використання ланцюжка модерації з різними LLM, такими як LLM, розміщені на Amazon SageMaker JumpStart і розміщено в Hugging Face Hub. Ми також включили зразок програми чату, який ми обговорювали раніше, разом із наступним Блокнот Python.
Висновок
Трансформаційний потенціал великих мовних моделей і генеративного ШІ незаперечний. Однак їх відповідальне та етичне використання залежить від вирішення проблем довіри та безпеки. Усвідомлюючи проблеми та активно впроваджуючи заходи для зменшення ризиків, розробники, організації та суспільство в цілому можуть використовувати переваги цих технологій, зберігаючи довіру та безпеку, які лежать в основі їх успішної інтеграції. Використовуйте Amazon Comprehend ContentModerationChain, щоб додати функції довіри та безпеки до будь-якого робочого процесу LLM, включаючи робочі процеси Retrieval Augmented Generation (RAG), реалізовані в LangChain.
Щоб отримати інформацію про створення рішень на основі RAG за допомогою високоточних технологій машинного навчання (ML) LangChain і Amazon Kendra розумний пошук, побачити - Швидко створюйте високоточні програми Generative AI на корпоративних даних за допомогою Amazon Kendra, LangChain і великих мовних моделей. Як наступний крок зверніться до зразки коду ми створили для використання модерації Amazon Comprehend із LangChain. Щоб отримати повну документацію щодо API ланцюжка модерації Amazon Comprehend, зверніться до LangChain Документація API.
Про авторів
Вік Талукдар є старшим архітектором команди Amazon Comprehend Service. Він працює з клієнтами AWS, щоб допомогти їм запровадити машинне навчання у великих масштабах. Поза роботою він захоплюється читанням і фотографією.
Анжан Бісвас є старшим архітектором рішень AI Services, який спеціалізується на AI/ML та аналізі даних. Анджан є частиною всесвітньої команди надання послуг штучного інтелекту та працює з клієнтами, щоб допомогти їм зрозуміти та розробити рішення бізнес-проблем за допомогою штучного інтелекту та машинного навчання. Анджан має понад 14 років досвіду роботи з глобальними ланцюжками постачання, виробництвом і роздрібними організаціями, і активно допомагає клієнтам почати роботу та масштабувати послуги AWS AI.
Нікхіл Джа є старшим технічним менеджером по роботі з клієнтами Amazon Web Services. Його сфери уваги включають AI/ML та аналітику. У вільний час він любить грати з дочкою в бадмінтон і гуляти на природі.
Чин Ране є архітектором спеціалістів із штучного інтелекту та ML в Amazon Web Services. Вона захоплюється прикладною математикою та машинним навчанням. Вона зосереджується на розробці інтелектуальних рішень для обробки документів для клієнтів AWS. Поза роботою вона любить танцювати сальсу та бачату.
- Розповсюдження контенту та PR на основі SEO. Отримайте посилення сьогодні.
- PlatoData.Network Vertical Generative Ai. Додайте собі сили. Доступ тут.
- PlatoAiStream. Web3 Intelligence. Розширення знань. Доступ тут.
- ПлатонЕСГ. вуглець, CleanTech, Енергія, Навколишнє середовище, Сонячна, Поводження з відходами. Доступ тут.
- PlatoHealth. Розвідка про біотехнології та клінічні випробування. Доступ тут.
- джерело: https://aws.amazon.com/blogs/machine-learning/build-trust-and-safety-for-generative-ai-applications-with-amazon-comprehend-and-langchain/
- : має
- :є
- : ні
- :де
- $UP
- 1
- 100
- 11
- 12
- 14
- 15%
- 17
- 19
- 500
- 7
- 8
- 9
- a
- здібності
- здатність
- МЕНЮ
- зловживання
- доступ
- рахунки
- точний
- Досягає
- через
- дію
- дії
- активно
- додавати
- адреса
- адреси
- адресація
- дотримуватися
- прийняти
- Прийняття
- рада
- після
- вік
- AI
- Послуги ШІ
- Системи ШІ
- AI / ML
- ВСІ
- дозволено
- Дозволити
- дозволяє
- вже
- Також
- взагалі
- Amazon
- «Амазонка»
- Амазонка Кендра
- Amazon Web Services
- суми
- an
- аналітика
- аналізи
- та
- Оголошуючи
- відповідь
- будь-який
- API
- Інтерфейси
- застосовно
- додаток
- застосування
- прикладної
- застосовується
- Застосовувати
- відповідний
- відповідним чином
- ЕСТЬ
- області
- AS
- запитати
- запитувач
- аспекти
- призначений
- помічники
- асоційований
- At
- збільшення
- збільшено
- доступний
- AWS
- підтриманий
- поганий
- база
- заснований
- BE
- оскільки
- ставати
- стає
- поведінка
- буття
- переконанням
- Переваги
- між
- За
- Блокувати
- блокування
- обидва
- Межі
- ширше
- будувати
- побудувати довіру
- Створюємо
- побудований
- бізнес
- підприємства
- але
- by
- call
- зворотні дзвінки
- званий
- CAN
- можливості
- можливості
- здатний
- капітал
- карта
- випадок
- випадків
- Залучайте
- певний
- ланцюг
- ланцюга
- проблеми
- характер
- Chatbot
- chatbots
- перевірка
- контроль
- Перевірки
- підборіддя
- вибір
- клас
- класів
- класифікація
- класифікований
- Класифікувати
- клієнт
- код
- згуртований
- COM
- поєднання
- комбінований
- коментар
- загальний
- комплекс
- Компоненти
- осягнути
- концепція
- стурбований
- Турбота
- Умови
- довіра
- конфігурація
- поспіль
- послідовно
- містить
- зміст
- Генерація контенту
- контроль
- спірний
- Core
- створений
- створення
- Креатив
- кредит
- кредитна картка
- критичний
- вирішальне значення
- виготовлений на замовлення
- клієнт
- підтримка клієнтів
- Клієнти
- настроюється
- налаштувати
- щодня
- танці
- дані
- Analytics даних
- конфіденційність даних
- Database
- набори даних
- рішення
- глибше
- дефолт
- визначати
- певний
- заглиблюватися
- демонструвати
- демонструє
- Залежно
- проектування
- бажаний
- деталі
- виявляти
- виявлено
- Виявлення
- Визначати
- розвивати
- розробників
- розробка
- різний
- цифровий
- обговорювати
- обговорювалися
- виразно
- занурення
- do
- документ
- документація
- документація
- лань
- вниз
- два
- e
- кожен
- Раніше
- легше
- фактично
- без зусиль
- або
- ще
- включіть
- кінець
- Нескінченний
- забезпечувати
- забезпечення
- підприємство
- юридичні особи
- суб'єкта
- Навколишнє середовище
- рівним
- однаково
- помилка
- сутність
- істотний
- по суті
- етичний
- приклад
- Приклади
- Крім
- виняток
- існуючий
- досвід
- Досліди
- Пояснювати
- пояснені
- Пояснює
- явно
- Дослідження
- експрес
- продовжується
- витяг
- Face
- знайомий
- особливість
- риси
- кілька
- філе
- фільтрувати
- фільтрація
- Фільтри
- фінансовий
- знайти
- знахідки
- Перший
- позначений прапором
- прапори
- гнучкий
- потік
- Сфокусувати
- увагу
- фокусується
- після
- слідує
- для
- форма
- формат
- форми
- форуми
- знайдений
- Рамки
- Франція
- від
- Повний
- Функції
- далі
- породжувати
- генерується
- породжує
- покоління
- генеративний
- Генеративний ШІ
- отримати
- GIF
- Давати
- даний
- дає
- Глобальний
- мета
- йде
- буде
- добре
- великий
- Зростає
- Зростання
- керівництво
- Обробка
- відбувається
- шкідливий
- збруя
- ненавидіти
- Мати
- має
- he
- допомога
- допомогу
- допомагає
- дуже
- петлі
- його
- відбувся
- Як
- How To
- Однак
- HTML
- HTTPS
- Концентратор
- людина
- людський
- i
- ID
- Ідентифікація
- ідентифікатор
- ідентифікатори
- ідентифікує
- ідентифікувати
- ідентифікує
- if
- незаконний
- ілюструє
- зображення
- Impact
- здійснювати
- реалізація
- реалізовані
- реалізації
- імпорт
- значення
- важливо
- in
- ненавмисно
- включати
- включені
- includes
- У тому числі
- Augmenter
- Збільшує
- все більше і більше
- незалежний
- самостійно
- промисловості
- вплив
- інформація
- спочатку
- вхід
- витрати
- Запити
- екземпляр
- інтегрований
- інтеграція
- Розумний
- Інтелектуальна обробка документів
- мати намір
- намір
- зацікавлений
- інтерфейс
- перерваний
- в
- вводити
- IT
- ЙОГО
- Джон
- ДЖОН ДОУ
- JPG
- json
- просто
- етикетки
- мова
- великий
- пізніше
- вивчення
- залишити
- легальний
- менше
- як
- ймовірність
- обмеженою
- список
- трохи
- трохи глибше
- LLM
- журнал
- каротаж
- логіка
- шукати
- машина
- навчання за допомогою машини
- підтримувати
- РОБОТИ
- менеджер
- манера
- виробництво
- маска
- математика
- Матерія
- Може..
- me
- засоби
- заходи
- механізм
- Медіа
- медичний
- злиття
- зустрів
- методика
- зловживання
- Пом'якшити
- Змішування
- ML
- модель
- Моделі
- помірність
- модульний
- більше
- багато
- повинен
- my
- ім'я
- а саме
- Імена
- Природний
- Обробка природних мов
- необхідно
- Нові
- Нові можливості
- наступний
- nlp
- немає
- зараз
- номер
- номера
- численний
- об'єкт
- of
- наступ
- пропонувати
- компенсації
- on
- ONE
- тільки
- відкрити
- з відкритим вихідним кодом
- працювати
- операційний
- Опції
- or
- порядок
- організації
- походження
- Інше
- інакше
- наші
- з
- Результати
- на відкритому повітрі
- вихід
- виходи
- поза
- над
- власний
- параметр
- параметри
- Першорядний
- частина
- особливо
- проходити
- Пройшов
- пристрасний
- Пароль
- скидання пароля
- Викрійки
- Виконувати
- виконується
- виступає
- може бути
- персонал
- Особисто
- телефон
- малюнок
- частина
- частин
- Платформи
- plato
- Інформація про дані Платона
- PlatoData
- ігри
- політичний
- популярний
- положення
- позитивний
- можливостей
- це можливо
- пошта
- потенціал
- потенційно
- влада
- Харчування
- потужний
- консервування
- попередження
- в першу чергу
- первинний
- Принципи
- визначення пріоритетів
- недоторканність приватного життя
- приватний
- приватна інформація
- проблеми
- Процедури
- процес
- обробка
- глибокий
- прогрес
- правильно
- захист
- забезпечувати
- забезпечує
- Python
- питання
- підвищення
- діапазон
- діапазони
- швидко
- швидше
- досягнення
- читання
- царство
- отримати
- визнаючи
- зменшити
- зниження
- послатися
- регіон
- регуляторні
- доречний
- надійний
- репутація
- запросити
- Вимога
- ресурс
- ті
- відповідь
- відповіді
- відповідальність
- відповідальний
- Обмеження
- роздрібна торгівля
- Умови повернення
- право
- Risk
- ризики
- прогін
- s
- сейф
- Безпека
- мудрець
- то ж
- шкала
- сцени
- рахунок
- безшовні
- розділ
- розділам
- безпеку
- побачити
- Шукати
- SELF
- старший
- чутливий
- посланий
- пропозиція
- Послідовність
- обслуговування
- Послуги
- комплект
- вона
- Повинен
- Показувати
- демонстрації
- показаний
- Шоу
- сигнали
- Аналогічно
- простий
- спростити
- один
- сайти
- уривок
- So
- соціальна
- соціальні медіа
- суспільство
- Рішення
- деякі
- що в сім'ї щось
- Source
- вихідні
- Говорить
- спеціаліст
- конкретний
- конкретно
- зазначений
- мова
- стандартів
- старт
- почалася
- Заява
- Крок
- Стоп
- зупинка
- зберігати
- рядок
- Згодом
- успішний
- такі
- поставляється
- поставка
- ланцюжка поставок
- підтримка
- Опори
- сталого
- Systems
- Приймати
- завдання
- команда
- технічний
- Технології
- шаблон
- текст
- ніж
- Що
- Команда
- Капітал
- Джерело
- їх
- Їх
- потім
- Там.
- тим самим
- Ці
- вони
- це
- загрози
- три
- поріг
- через
- час
- до
- інструменти
- трек
- навчений
- перетворювальний
- Довіряйте
- намагатися
- два
- тип
- Типи
- розкрити
- незаперечний
- підґрунтя
- розуміти
- розуміння
- створеного
- Universal
- Uphold
- використання
- використання випадку
- використовуваний
- користувач
- користувачі
- використовує
- використання
- використовувати
- використовувати
- Цінний
- значення
- Цінності
- різноманітність
- різний
- величезний
- версія
- через
- Віртуальний
- W
- хотіти
- було
- шлях..
- способи
- we
- Web
- веб-сервіси
- ДОБРЕ
- були
- Що
- Що таке
- коли
- в той час як
- Чи
- який
- в той час як
- ВООЗ
- всі
- чому
- широкий
- Широкий діапазон
- волі
- бажання
- з
- в
- без
- спостереження
- Work
- робочий
- Робочі процеси
- робочий
- працює
- запис
- лист
- X
- років
- Ти
- вашу
- зефірнет