我们目睹了大型语言模型 (LLM) 的采用迅速增加,这些模型为跨行业的生成式 AI 应用提供了动力。 法学硕士能够完成各种任务,例如生成创意内容、通过聊天机器人回答查询、生成代码等等。
希望使用法学硕士来支持其应用程序的组织对数据隐私越来越谨慎,以确保其生成式人工智能应用程序中保持信任和安全。 这包括正确处理客户的个人身份信息 (PII) 数据。 它还包括防止滥用和不安全的内容传播到法学硕士,并检查法学硕士生成的数据是否遵循相同的原则。
在这篇文章中,我们讨论由 亚马逊领悟 实现无缝集成,以确保新的和现有的生成人工智能应用程序中的数据隐私、内容安全和提示安全。
Amazon Comprehend 是一项自然语言处理 (NLP) 服务,它使用机器学习 (ML) 来发现文档中非结构化数据和文本中的信息。 在这篇文章中,我们讨论为什么法学硕士的信任和安全对您的工作负载很重要。 我们还深入研究了如何将这些新的审核功能与流行的生成式人工智能开发框架结合使用 浪链 为您的用例引入可定制的信任和安全机制。
为什么法学硕士的信任和安全很重要
与法学硕士合作时,信任和安全至关重要,因为它们对从客户支持聊天机器人到内容生成的广泛应用产生深远影响。 随着这些模型处理大量数据并生成类似人类的响应,误用或意外结果的可能性就会增加。 确保这些人工智能系统在道德和可靠的范围内运行至关重要,不仅对于使用它们的企业的声誉,而且对于维护最终用户和客户的信任也至关重要。
此外,随着法学硕士越来越融入我们的日常数字体验,它们对我们的看法、信念和决策的影响力也越来越大。 确保法学硕士的信任和安全不仅仅是技术措施; 它体现了人工智能从业者和组织维护道德标准的更广泛责任。 通过优先考虑信任和安全,组织不仅可以保护其用户,还可以确保人工智能在社会中可持续和负责任的发展。 它还可以帮助降低生成有害内容的风险,并帮助遵守监管要求。
在信任和安全领域,内容审核是一种解决各个方面的机制,包括但不限于:
- 隐私政策 – 用户可能会无意中提供包含敏感信息的文本,从而危及他们的隐私。 检测和编辑任何 PII 至关重要。
- 毒性 – 识别和过滤有害内容,例如仇恨言论、威胁或辱骂,至关重要。
- 用户意向 – 识别用户输入(提示)是否安全至关重要。 不安全提示可以明确或隐含地表达恶意意图,例如请求个人或私人信息以及生成攻击性、歧视性或非法内容。 提示还可能隐含地表达或请求有关医疗、法律、政治、有争议、个人或财务的建议
使用 Amazon Comprehend 进行内容审核
在本部分中,我们将讨论使用 Amazon Comprehend 进行内容审核的优势。
处理隐私
Amazon Comprehend 已经通过其现有的 PII 检测和编辑功能解决了隐私问题 检测PII实体 和 包含 PIE 实体 蜜蜂。 这两个 API 由 NLP 模型支持,可以检测大量 PII 实体,例如社会安全号码 (SSN)、信用卡号、姓名、地址、电话号码等。 有关实体的完整列表,请参阅 PII 通用实体类型。 DetectPII 还提供 PII 实体在文本中的字符级位置; 例如,句子“My name is J欧恩·多e” 为 12,结束字符位置为 19。这些偏移量可用于执行值的屏蔽或编辑,从而降低私有数据传播到 LLM 的风险。
解决毒性问题并及时确保安全
今天,我们以 API 的形式宣布两项新的 Amazon Comprehend 功能: 通过 DetectToxicContent
API,并通过 ClassifyDocument
API. 需要注意的是 DetectToxicContent
是一个新的 API,而 ClassifyDocument
是一个现有的 API,现在支持即时安全分类。
毒性检测
借助 Amazon Comprehend 毒性检测,您可以识别并标记可能有害、冒犯或不当的内容。 此功能对于用户生成内容的平台尤其有价值,例如社交媒体网站、论坛、聊天机器人、评论部分以及使用法学硕士生成内容的应用程序。 主要目标是通过防止有毒物质的传播来维持积极和安全的环境。
毒性检测模型的核心是分析文本,以确定其包含仇恨内容、威胁、淫秽或其他形式的有害文本的可能性。 该模型在包含有毒和无毒内容示例的大量数据集上进行训练。 毒性 API 评估给定的文本片段以提供毒性分类和置信度评分。 然后,生成式人工智能应用程序可以使用这些信息来采取适当的行动,例如阻止文本传播到法学硕士。 截至撰写本文时,毒性检测 API 检测到的标签为 HATE_SPEECH
, GRAPHIC
, HARRASMENT_OR_ABUSE
, SEXUAL
, VIOLENCE_OR_THREAT
, INSULT
及 PROFANITY
。 以下代码演示了使用 Python Boto3 进行 API 调用以进行 Amazon Comprehend 毒性检测:
提示安全分级
Amazon Comprehend 的提示安全分类有助于将输入文本提示分类为安全或不安全。 此功能对于聊天机器人、虚拟助手或内容审核工具等应用程序至关重要,在这些应用程序中,了解提示的安全性可以确定对法学硕士的响应、操作或内容传播。
从本质上讲,及时安全分类会分析人类输入是否存在任何明确或隐含的恶意意图,例如请求个人或私人信息以及生成攻击性、歧视性或非法内容。 它还标记提示寻求有关医疗、法律、政治、有争议、个人或财务主题的建议。 提示分类返回两个类, UNSAFE_PROMPT
和 SAFE_PROMPT
,对于关联文本,每个文本都有关联的置信度分数。 置信度分数范围在 0-1 之间,总和为 1。例如,在客户支持聊天机器人中,文本“如何重置我的密码?” 表示有意寻求有关密码重置程序的指导,并标记为 SAFE_PROMPT
。 同样,类似“我希望你发生一些不好的事” 可以被标记为具有潜在的有害意图并标记为 UNSAFE_PROMPT
。 值得注意的是,提示安全分类主要侧重于检测人类输入(提示)的意图,而不是机器生成的文本(LLM 输出)。 下面的代码演示了如何使用 ClassifyDocument
API:
需要注意的是 endpoint_arn
上面的代码是AWS提供的 亚马逊资源号 模式的 (ARN) arn:aws:comprehend:<region>:aws:document-classifier-endpoint/prompt-safety
,其中 <region>
是您选择的 AWS 区域,其中 Amazon Comprehend 可用.
为了演示这些功能,我们构建了一个示例聊天应用程序,要求法学硕士从给定的文本片段中提取 PII 实体,例如地址、电话号码和 SSN。 LLM 查找并返回适当的 PII 实体,如左图所示。
通过 Amazon Comprehend 审核,我们可以编辑 LLM 的输入和 LLM 的输出。 在右图中,SSN 值可以直接传递给 LLM,无需进行编辑。 但是,LLM 响应中的任何 SSN 值都会被编辑。
以下示例说明了如何阻止包含 PII 信息的提示完全到达 LLM。 此示例演示用户提出包含 PII 信息的问题。 我们使用 Amazon Comprehend 审核来检测提示中的 PII 实体,并通过中断流程来显示错误。
前面的聊天示例展示了 Amazon Comprehend 审核如何对发送到 LLM 的数据应用限制。 在下面的章节中,我们将解释如何使用 LangChain 来实现这种审核机制。
与浪链集成
随着法学硕士在各种用例中应用的无限可能性,简化生成式人工智能应用程序的开发变得同样重要。 浪链 是一个流行的开源框架,可以轻松开发生成式人工智能应用程序。 Amazon Comprehend 审核扩展了 LangChain 框架,通过以下方式提供 PII 识别和编辑、毒性检测以及提示安全分类功能: AmazonComprehendModerationChain
.
AmazonComprehendModerationChain
是一个自定义实现 LangChain基础链 界面。 这意味着应用程序可以将这条链与自己的链一起使用 法学硕士连锁 将所需的审核应用于输入提示以及 LLM 的输出文本。 可以通过合并多个链或将链与其他组件混合来构建链。 您可以使用 AmazonComprehendModerationChain
与其他法学硕士链合作,以模块化和灵活的方式开发复杂的人工智能应用程序。
为了进一步解释它,我们在以下部分中提供了一些示例。 的源代码 AmazonComprehendModerationChain
实现可以在 LangChain开源库。 有关API接口的完整文档,请参阅LangChain API文档 Amazon Comprehend 审核链。 使用此审核链就像使用默认配置初始化类的实例一样简单:
在幕后,审核链执行三个连续的审核检查,即 PII、毒性和提示安全性,如下图所示。 这是审核的默认流程。
以下代码片段显示了使用审核链的简单示例 亚马逊 FalconLite LLM(这是一个量化版本 猎鹰 40B SFT OASST-TOP1 模型)托管在 Hugging Face Hub:
在前面的例子中,我们用以下方法来扩充我们的链: comprehend_moderation
对于进入法学硕士的文本和法学硕士生成的文本。 这将执行默认审核,检查 PII、毒性并按该顺序提示安全分类。
使用过滤器配置自定义您的审核
您可以使用 AmazonComprehendModerationChain
具有特定的配置,这使您能够控制您希望在基于人工智能的生成应用程序中执行哪些审核。 在配置的核心,您可以使用三种过滤器配置。
- 审核PiiConfig – 用于配置 PII 过滤器。
- 适度毒性配置 – 用于配置有毒内容过滤器。
- 审核意图配置 – 用于配置意图过滤器。
您可以使用每个过滤器配置来自定义您的审核行为。 每个过滤器的配置都有一些通用参数和一些可以用来初始化的独特参数。 定义配置后,您可以使用 BaseModerationConfig
类来定义过滤器必须应用于文本的顺序。 例如,在以下代码中,我们首先定义三个过滤器配置,然后指定它们必须应用的顺序:
让我们更深入地了解此配置的作用:
- 首先,对于毒性过滤器,我们指定了 0.6 的阈值。 这意味着,如果文本包含任何可用的有毒标签或分数大于阈值的实体,则整个链条将被中断。
- 如果文本中没有发现有毒内容,则进行 PII 检查。在这种情况下,我们有兴趣检查文本是否包含 SSN 值。 因为
redact
参数设置为True
,链将屏蔽检测到的 SSN 值(如果有),其中 SSN 实体的置信度分数大于或等于 0.5,并指定屏蔽字符 (X)。 如果redact
被设置为False
,对于检测到的任何 SSN,该链将被中断。 - 最后,链上会进行及时的安全分类,如果内容被分类,将阻止该内容在链上进一步传播。
UNSAFE_PROMPT
置信度得分大于或等于 0.8。
下图说明了此工作流程。
如果审核链中断(在本例中,适用于毒性和提示安全分类过滤器),该链将引发 Python异常,本质上是停止正在进行的链并允许您捕获异常(在 try-catch 块中)并执行任何相关操作。 三种可能的异常类型是:
ModerationPIIError
ModerationToxicityError
ModerationPromptSafetyError
您可以使用以下命令配置一个或多个过滤器 BaseModerationConfig
。 您还可以在同一链中使用具有不同配置的相同类型的过滤器。 例如,如果您的用例仅涉及 PII,您可以指定一个配置,该配置必须在检测到 SSN 时中断链; 否则,它必须对年龄和名称 PII 实体执行编辑。 其配置可以定义如下:
使用回调和唯一标识符
如果您熟悉工作流的概念,您可能也熟悉 回调。 工作流中的回调是独立的代码片段,当工作流中满足某些条件时运行。 对于工作流来说,回调可以是阻塞的,也可以是非阻塞的。 LangChain链本质上是LLM的工作流程。 AmazonComprehendModerationChain
允许您定义自己的回调函数。 最初,实现仅限于异步(非阻塞)回调函数。
这实际上意味着,如果您在审核链中使用回调,它们将独立于链的运行而运行,而不会阻止它。 对于审核链,您可以选择在每次审核运行后独立于链运行具有任何业务逻辑的代码片段。
您还可以选择在创建时提供任意唯一标识符字符串 AmazonComprehendModerationChain
以便稍后启用日志记录和分析。 例如,如果您正在运行由法学硕士支持的聊天机器人,您可能希望跟踪持续滥用或有意或无意暴露个人信息的用户。 在这种情况下,有必要跟踪此类提示的来源,并可能将它们存储在数据库中或适当地记录它们以进行进一步的操作。 您可以传递明确标识用户的唯一 ID,例如用户名或电子邮件,或者生成提示的应用程序名称。
回调和唯一标识符的组合为您提供了一种强大的方法来实现审核链,该审核链以更具凝聚力的方式适合您的用例,并且代码更少,更易于维护。 回调处理程序可通过 BaseModerationCallbackHandler
,具有三个可用的回调: on_after_pii()
, on_after_toxicity()
及 on_after_prompt_safety()
。 在链内执行相应的审核检查后,将异步调用每个回调函数。 这些函数还接收两个默认参数:
- 审核信标 – 包含详细信息的字典,例如执行审核的文本、Amazon Comprehend API 的完整 JSON 输出、审核类型以及是否在文本中找到提供的标签(在配置中)
- 唯一身份 – 您在初始化实例时分配的唯一 ID
AmazonComprehendModerationChain
.
以下是回调实现如何工作的示例。 在本例中,我们定义了一个回调,希望链在执行 PII 检查后运行:
然后我们使用 my_callback
对象同时初始化调节链并传递一个 unique_id
。 您可以在有或没有配置的情况下使用回调和唯一标识符。 当你子类化时 BaseModerationCallbackHandler
,您必须根据您打算使用的过滤器实现一个或所有回调方法。 为简洁起见,以下示例展示了一种使用回调和 unique_id
没有任何配置:
下图解释了带有回调和唯一标识符的审核链的工作原理。 具体来说,我们实现了 PII 回调,该回调应该使用以下中的可用数据编写一个 JSON 文件: moderation_beacon
和 unique_id
通过(在本例中为用户的电子邮件)。
在下面的 Python笔记本,我们编译了几种不同的方法,您可以通过各种 LLM 配置和使用审核链,例如托管的 LLM 亚马逊SageMaker JumpStart 并托管在 拥抱脸中心。 我们还提供了之前讨论过的示例聊天应用程序,其中包含以下内容 Python笔记本.
结论
大型语言模型和生成式人工智能的变革潜力是不可否认的。 然而,负责任和合乎道德的使用取决于解决信任和安全问题。 通过认识到挑战并积极实施降低风险的措施,开发人员、组织和整个社会可以利用这些技术的优势,同时保持支持其成功集成的信任和安全性。 使用 Amazon Comprehend ContentModerationChain 向任何 LLM 工作流程添加信任和安全功能,包括在 LangChain 中实施的检索增强生成 (RAG) 工作流程。
有关使用 LangChain 和 Amazon Kendra 的高精度、机器学习 (ML) 支持构建基于 RAG 的解决方案的信息 智能搜索, 看 - 使用 Amazon Kendra、LangChain 和大型语言模型在企业数据上快速构建高精度的生成式 AI 应用程序。 作为下一步,请参阅 代码样本 我们创建的目的是为了将 Amazon Comprehend 审核与 LangChain 结合使用。 有关 Amazon Comprehend 审核链 API 的完整文档,请参阅 LangChain API文档.
关于作者
瑞克·塔鲁克达尔 是 Amazon Comprehend Service 团队的高级架构师。 他与 AWS 客户合作,帮助他们大规模采用机器学习。 工作之余,他喜欢阅读和摄影。
安扬·比斯瓦斯 是一名高级 AI 服务解决方案架构师,专注于 AI/ML 和数据分析。 Anjan 是全球 AI 服务团队的一员,与客户合作,帮助他们理解和开发 AI 和 ML 业务问题的解决方案。 Anjan 拥有超过 14 年的与全球供应链、制造和零售组织合作的经验,并积极帮助客户开始使用 AWS AI 服务并进行扩展。
尼基尔·贾 是 Amazon Web Services 的高级技术客户经理。 他的重点领域包括 AI/ML 和分析。 业余时间,他喜欢和女儿一起打羽毛球和户外探险。
钦兰 是 Amazon Web Services 的 AI/ML 专家解决方案架构师。 她对应用数学和机器学习充满热情。 她专注于为 AWS 客户设计智能文档处理解决方案。 工作之余,她喜欢萨尔萨舞和巴哈塔舞。
- SEO 支持的内容和 PR 分发。 今天得到放大。
- PlatoData.Network 垂直生成人工智能。 赋予自己力量。 访问这里。
- 柏拉图爱流。 Web3 智能。 知识放大。 访问这里。
- 柏拉图ESG。 碳, 清洁科技, 能源, 环境, 太阳能, 废物管理。 访问这里。
- 柏拉图健康。 生物技术和临床试验情报。 访问这里。
- Sumber: https://aws.amazon.com/blogs/machine-learning/build-trust-and-safety-for-generative-ai-applications-with-amazon-comprehend-and-langchain/
- :具有
- :是
- :不是
- :在哪里
- $UP
- 1
- 100
- 11
- 12
- 14
- 15%
- 17
- 19
- 500
- 7
- 8
- 9
- a
- 能力
- 对,能力--
- 关于
- 滥用
- ACCESS
- 账号管理
- 精准的
- 实现
- 横过
- 操作
- 行动
- 积极地
- 加
- 地址
- 地址
- 解决
- 坚持
- 采用
- 采用
- 忠告
- 后
- 年龄
- AI
- 人工智能服务
- 人工智能系统
- AI / ML
- 所有类型
- 允许
- 允许
- 允许
- 已经
- 还
- 共
- Amazon
- 亚马逊领悟
- 亚马逊肯德拉
- 亚马逊网络服务
- 量
- an
- 分析
- 分析
- 和
- 宣布
- 回答
- 任何
- API
- APIs
- 相应
- 应用领域
- 应用领域
- 应用的
- 适用
- 使用
- 适当
- 适当
- 保健
- 地区
- AS
- 问
- 问
- 方面
- 分配
- 助理
- 相关
- At
- 增加
- 增强
- 可使用
- AWS
- 已备份
- 坏
- 基地
- 基于
- BE
- 因为
- 成为
- 成为
- 行为
- 作为
- 信仰
- 好处
- 之间
- 超越
- 阻止
- 闭塞
- 都
- 边界
- 更广泛
- 建立
- 建立信任
- 建筑物
- 建
- 商业
- 企业
- 但是
- by
- 呼叫
- 回调
- 被称为
- CAN
- 能力
- 能力
- 能力
- 资本
- 卡
- 案件
- 例
- 摔角
- 一定
- 链
- 链
- 挑战
- 字符
- 聊天机器人
- 聊天机器人
- 查
- 检查
- 支票
- 下巴
- 选择
- 程
- 类
- 分类
- 机密
- 分类
- 客户
- 码
- 凝聚力
- COM的
- 组合
- 结合
- 评论
- 相当常见
- 复杂
- 组件
- 理解
- 概念
- 关心
- 关注
- 条件
- 信心
- 配置
- 连续
- 始终如一
- 包含
- 内容
- 内容生成
- 控制
- 争议
- 核心
- 创建
- 创造
- 创意奖学金
- 信用
- 信用卡
- 危急
- 关键
- 习俗
- 顾客
- 客户支持
- 合作伙伴
- 定制
- 定制
- 每天
- 跳舞
- data
- 数据分析
- 数据隐私
- 数据库
- 数据集
- 决定
- 更深
- 默认
- 定义
- 定义
- 钻研
- 演示
- 演示
- 根据
- 设计
- 期望
- 详情
- 检测
- 检测
- 检测
- 确定
- 开发
- 开发
- 研发支持
- 不同
- 数字
- 讨论
- 讨论
- 明显地
- 潜水
- do
- 文件
- 文件
- 文件
- 母鹿
- 向下
- 两
- e
- 每
- 此前
- 更容易
- 只
- 毫不费力
- 或
- 其他
- 邮箱地址
- enable
- 结束
- 无穷
- 确保
- 保证
- 企业
- 实体
- 实体
- 环境
- 等于
- 一样
- 错误
- 本质
- 必要
- 本质上
- 伦理
- 例子
- 例子
- 除
- 例外
- 现有
- 体验
- 体验
- 说明
- 解释
- 介绍
- 明确地
- 探索
- 特快
- 扩展
- 提取
- 面部彩妆
- 熟悉
- 专栏
- 特征
- 少数
- 文件
- 过滤
- 过滤
- 过滤器
- 金融
- 找到最适合您的地方
- 发现
- (名字)
- 已标记
- 标志
- 柔软
- 流
- 专注焦点
- 重点
- 重点
- 以下
- 如下
- 针对
- 申请
- 格式
- 形式
- 论坛
- 发现
- 骨架
- 法国
- 止
- ,
- 功能
- 进一步
- 生成
- 产生
- 发电
- 代
- 生成的
- 生成式人工智能
- 得到
- GIF
- 给
- 特定
- 给
- 全球
- 目标
- GOES
- 去
- 非常好
- 更大的
- 成长
- 事业发展
- 指导
- 处理
- 发生
- 有害
- 马具
- 恨
- 有
- 有
- he
- 帮助
- 帮助
- 帮助
- 高度
- 铰链
- 他的
- 托管
- 创新中心
- How To
- 但是
- HTML
- HTTPS
- 中心
- 人
- 人性化
- i
- ID
- 鉴定
- 识别码
- 身份标识
- 识别
- 鉴定
- 确定
- if
- 不法
- 说明
- 图片
- 影响力故事
- 实施
- 履行
- 实施
- 实施
- 进口
- 重要性
- 重要
- in
- 不经意间
- 包括
- 包括
- 包括
- 包含
- 增加
- 增加
- 日益
- 独立
- 独立地
- 行业
- 影响
- 信息
- 原来
- 输入
- 输入
- 咨询内容
- 例
- 集成
- 积分
- 智能化
- 智能文档处理
- 打算
- 意图
- 有兴趣
- 接口
- 间断
- 成
- 介绍
- IT
- 它的
- John
- 约翰DOE
- JPG
- JSON
- 只是
- 标签
- 语言
- 大
- 后来
- 学习
- 左
- 法律咨询
- 减
- 喜欢
- 可能性
- 有限
- 清单
- 小
- 更深一点
- LLM
- 日志
- 记录
- 逻辑
- 寻找
- 机
- 机器学习
- 保持
- 制作
- 经理
- 方式
- 制造业
- 面膜
- 数学
- 问题
- 可能..
- me
- 手段
- 措施
- 机制
- 媒体
- 医生
- 合并
- 一半
- 方法
- 滥用
- 减轻
- 搅和
- ML
- 模型
- 模型
- 适度
- 模块化
- 更多
- 许多
- 必须
- my
- 姓名
- 亦即
- 名称
- 自然
- 自然语言处理
- 必要
- 全新
- 新功能
- 下页
- NLP
- 没有
- 现在
- 数
- 数字
- 众多
- 对象
- of
- 进攻
- 提供
- 抵消
- on
- 一
- 仅由
- 打开
- 开放源码
- 操作
- 操作
- 附加选项
- or
- 秩序
- 组织
- 起源
- 其他名称
- 除此以外
- 我们的
- 输出
- 结果
- 户外活动
- 产量
- 输出
- 学校以外
- 超过
- 己
- 参数
- 参数
- 最重要的
- 部分
- 尤其
- 通过
- 通过
- 多情
- 密码
- 重设密码
- 模式
- 演出
- 执行
- 施行
- 也许
- 个人
- 亲自
- 电话
- 摄影
- 片
- 件
- 平台
- 柏拉图
- 柏拉图数据智能
- 柏拉图数据
- 播放
- 政治
- 热门
- 位置
- 积极
- 可能性
- 可能
- 帖子
- 潜力
- 可能
- 功率
- 供电
- 强大
- 保存
- 预防
- 主要
- 小学
- 原则
- 优先顺序
- 隐私
- 私立
- 私人信息
- 问题
- 程序
- 过程
- 处理
- 深刻的
- 进展
- 正确
- 保护
- 提供
- 提供
- 蟒蛇
- 题
- 提高
- 范围
- 范围
- 快
- 宁
- 达
- 阅读
- 境界
- 接收
- 认识
- 减少
- 减少
- 参考
- 地区
- 监管
- 相应
- 可靠
- 声誉
- 请求
- 岗位要求
- 资源
- 那些
- 响应
- 回复
- 责任
- 提供品牌战略规划
- 限制
- 零售
- 回报
- 右
- 风险
- 风险
- 运行
- s
- 安全
- 实现安全
- sagemaker
- 同
- 鳞片
- 场景
- 得分了
- 无缝的
- 部分
- 部分
- 保安
- 看到
- 寻找
- 自
- 前辈
- 敏感
- 发送
- 句子
- 序列
- 服务
- 特色服务
- 集
- 她
- 应该
- 显示
- 展示
- 如图
- 作品
- 信号
- 同样
- 简易
- 简化
- 单
- 网站
- 片段
- So
- 社会
- 社会化媒体
- 社会
- 解决方案
- 一些
- 东西
- 来源
- 源代码
- 说
- 专家
- 具体的
- 特别是
- 指定
- 言语
- 标准
- 开始
- 开始
- 个人陈述
- 步
- Stop 停止
- 停车
- 商店
- 串
- 后来
- 成功
- 这样
- 提供
- 供应
- 供应链
- SUPPORT
- 支持
- 可持续发展
- 产品
- 采取
- 任务
- 团队
- 文案
- 技术
- 模板
- 文本
- 比
- 这
- 资本
- 其
- 他们
- 然后
- 那里。
- 从而
- 博曼
- 他们
- Free Introduction
- 威胁
- 三
- 门槛
- 通过
- 次
- 至
- 工具
- 跟踪时
- 熟练
- 变革
- 信任
- 尝试
- 二
- 类型
- 类型
- 揭露
- 不可否认
- 支撑
- 理解
- 理解
- 独特
- 普遍
- 坚持
- 使用
- 用例
- 用过的
- 用户
- 用户
- 使用
- 运用
- 利用
- 利用
- 有价值
- 折扣值
- 价值观
- 各种
- 各个
- 广阔
- 版本
- 通过
- 在线会议
- W
- 想
- 是
- 方法..
- 方法
- we
- 卷筒纸
- Web服务
- 井
- 为
- 什么是
- 什么是
- ,尤其是
- 而
- 是否
- 这
- 而
- WHO
- 全
- 为什么
- 宽
- 大范围
- 将
- 希望
- 中
- 也完全不需要
- 见证
- 工作
- 工作流程
- 工作流程
- 加工
- 合作
- 写
- 写作
- X
- 年
- 完全
- 您一站式解决方案
- 和风网