אנו עדים לעלייה מהירה באימוץ מודלים של שפה גדולה (LLM) המניעים יישומי AI מחוללים בתעשיות. LLMs מסוגלים לבצע מגוון משימות, כגון הפקת תוכן יצירתי, מענה לפניות באמצעות צ'טבוטים, הפקת קוד ועוד.
ארגונים המעוניינים להשתמש ב-LLMs כדי להפעיל את היישומים שלהם נזהרים יותר ויותר מפרטיות הנתונים כדי להבטיח שהאמון והבטיחות נשמרים ביישומי הבינה המלאכותית שלהם. זה כולל טיפול נאות בנתוני מידע אישי מזהה (PII) של לקוחות. זה כולל גם מניעת הפצת תוכן פוגעני ולא בטוח ל-LLMs ובדיקה שהנתונים שנוצרו על-ידי LLMs פועלים לפי אותם עקרונות.
בפוסט זה, אנו דנים בתכונות חדשות המופעלות על ידי אמזון להתבונן המאפשרים אינטגרציה חלקה כדי להבטיח פרטיות נתונים, בטיחות תוכן ובטיחות מיידית ביישומי AI חדשים וקיימים.
Amazon Comprehend הוא שירות עיבוד שפה טבעית (NLP) המשתמש בלמידה חישובית (ML) כדי לחשוף מידע בנתונים ובטקסט לא מובנים בתוך מסמכים. בפוסט זה, אנו דנים מדוע אמון ובטיחות עם LLMs חשובים לעומסי העבודה שלך. אנו גם מעמיקים כיצד מנוצלות יכולות המנחה החדשות הללו עם מסגרת הפיתוח הפופולרית של AI LangChain כדי להציג מנגנון אמון ובטיחות הניתן להתאמה אישית עבור מקרה השימוש שלך.
מדוע אמון ובטיחות עם תכניות לימודים חשובות
אמון ובטיחות הם בעלי חשיבות עליונה בעבודה עם LLMs בשל השפעתם העמוקה על מגוון רחב של יישומים, החל מצ'אט בוטים של תמיכת לקוחות ועד ליצירת תוכן. ככל שהמודלים הללו מעבדים כמויות אדירות של נתונים ומייצרים תגובות כמו אנושיות, הפוטנציאל לשימוש לרעה או לתוצאות לא מכוונות גדל. הבטחת מערכות הבינה המלאכותית הללו פועלות בגבולות אתיים ואמינים היא חיונית, לא רק למוניטין של עסקים שמשתמשים בהן, אלא גם לשמירה על אמון משתמשי הקצה והלקוחות.
יתרה מכך, ככל שלימודי תואר שני משתלבים יותר בחוויות הדיגיטליות היומיומיות שלנו, השפעתם על התפיסות, האמונות וההחלטות שלנו גוברת. הבטחת אמון ובטיחות עם LLMs חורג מאמצעים טכניים בלבד; זה מדבר על האחריות הרחבה יותר של מתרגלי בינה מלאכותית וארגונים לקיים סטנדרטים אתיים. על ידי מתן עדיפות לאמון ובטיחות, ארגונים לא רק מגנים על המשתמשים שלהם, אלא גם מבטיחים צמיחה בת קיימא ואחראית של AI בחברה. זה גם יכול לעזור להפחית את הסיכון ליצירת תוכן מזיק, ולסייע בעמידה בדרישות הרגולטוריות.
בתחום האמון והבטיחות, ניהול תוכן הוא מנגנון המתייחס להיבטים שונים, כולל אך לא רק:
- פרטיות - משתמשים יכולים לספק בטעות טקסט המכיל מידע רגיש, מה שמסכן את פרטיותם. זיהוי ותיקון כל PII הוא חיוני.
- רעילות - זיהוי וסינון של תוכן מזיק, כגון דברי שטנה, איומים או התעללות, הוא בעל חשיבות עליונה.
- כוונת המשתמש – זיהוי אם קלט המשתמש (הנחיה) בטוח או לא בטוח הוא קריטי. הנחיות לא בטוחות יכולות להביע במפורש או במשתמע כוונות זדוניות, כגון בקשת מידע אישי או פרטי ויצירת תוכן פוגעני, מפלה או בלתי חוקי. הנחיה עשויה גם להביע או לבקש ייעוץ במשתמע בנושאים רפואיים, משפטיים, פוליטיים, שנויים במחלוקת, אישיים או פיננסיים
ניהול תוכן עם Amazon Comprehend
בחלק זה, אנו דנים ביתרונות של ניהול תוכן עם Amazon Comprehend.
התייחסות לפרטיות
Amazon Comprehend כבר מטפלת בפרטיות באמצעות יכולות הזיהוי והעריכה הקיימות של PII באמצעות ה DetectPIIEntities ו מכיל מאפיינים ממשקי API. שני ממשקי API אלה מגובים במודלים של NLP שיכולים לזהות מספר רב של ישויות PII כגון מספרי ביטוח לאומי (SSNs), מספרי כרטיסי אשראי, שמות, כתובות, מספרי טלפון וכן הלאה. לרשימה מלאה של ישויות, עיין ב סוגי ישויות אוניברסליות PII. DetectPII מספק גם מיקום ברמת התו של ישות ה-PII בתוך טקסט; לדוגמה, מיקום תו ההתחלה של הישות NAME (John Doe) במשפט "שמי הוא Jאה דוe” הוא 12, ומיקום התווים הסופי הוא 19. ניתן להשתמש בקיזוזים אלה כדי לבצע מיסוך או עריכה של הערכים, ובכך להפחית את הסיכונים של הפצת נתונים פרטיים לתוך LLMs.
טיפול ברעילות ובטיחות מיידית
היום, אנו מכריזים על שתי תכונות חדשות של Amazon Comprehend בצורה של ממשקי API: זיהוי רעילות באמצעות DetectToxicContent
API, וסיווג בטיחות מהיר באמצעות ה ClassifyDocument
API. שים לב כי DetectToxicContent
הוא API חדש, ואילו ClassifyDocument
הוא API קיים התומך כעת בסיווג בטיחות מהיר.
זיהוי רעילות
עם זיהוי רעילות של Amazon Comprehend, אתה יכול לזהות ולסמן תוכן שעשוי להיות מזיק, פוגע או בלתי הולם. יכולת זו חשובה במיוחד עבור פלטפורמות שבהן משתמשים מייצרים תוכן, כגון אתרי מדיה חברתית, פורומים, צ'טבוטים, קטעי תגובות ויישומים המשתמשים ב-LLM ליצירת תוכן. המטרה העיקרית היא לשמור על סביבה חיובית ובטוחה על ידי מניעת הפצת תוכן רעיל.
בבסיסו, מודל זיהוי הרעילות מנתח טקסט כדי לקבוע את הסבירות שהוא מכיל תוכן שנאה, איומים, גסויות או צורות אחרות של טקסט מזיק. המודל מאומן על מערכי נתונים נרחבים המכילים דוגמאות לתוכן רעיל ולא רעיל כאחד. ה-API של רעילות מעריך קטע טקסט נתון כדי לספק סיווג רעילות וציון ביטחון. יישומי AI גנרטיביים יכולים אז להשתמש במידע זה כדי לנקוט בפעולות מתאימות, כגון עצירת הטקסט מלהפיץ ל-LLMs. נכון לכתיבת שורות אלה, התוויות שזוהו על ידי ממשק API לגילוי רעילות הן HATE_SPEECH
, GRAPHIC
, HARRASMENT_OR_ABUSE
, SEXUAL
, VIOLENCE_OR_THREAT
, INSULT
, ו PROFANITY
. הקוד הבא מדגים את קריאת ה-API עם Python Boto3 לזיהוי רעילות של Amazon Comprehend:
סיווג בטיחות מהיר
סיווג בטיחות מהיר עם Amazon Comprehend עוזר לסווג הודעת טקסט קלט כבטוחה או לא בטוחה. יכולת זו חיונית עבור יישומים כמו צ'אטבוטים, עוזרים וירטואליים או כלים לניהול תוכן שבהם הבנת הבטיחות של הנחיה יכולה לקבוע תגובות, פעולות או הפצת תוכן ל-LLMs.
למעשה, סיווג בטיחות מהיר מנתח קלט אנושי לכל כוונה זדונית מפורשת או מרומזת, כגון בקשה למידע אישי או פרטי ויצירת תוכן פוגעני, מפלה או לא חוקי. הוא גם מסמן הנחיות המחפשות ייעוץ בנושאים רפואיים, משפטיים, פוליטיים, שנויים במחלוקת, אישיים או פיננסיים. סיווג מהיר מחזיר שתי מחלקות, UNSAFE_PROMPT
ו SAFE_PROMPT
, עבור טקסט משויך, עם ציון ביטחון משויך לכל אחד. ציון האמון נע בין 0-1 ובשילוב יסתכם ל-1. לדוגמה, בצ'אטבוט של תמיכת לקוחות, הטקסט "איך אני מאפס את הסיסמא שלי?" מאותת על כוונה לבקש הדרכה לגבי הליכי איפוס סיסמה ומסומן כ SAFE_PROMPT
. באופן דומה, אמירה כמו "הלוואי שיקרה לך משהו רע"ניתן לסמן כבעל כוונה מזיקה ולתווית כ UNSAFE_PROMPT
. חשוב לציין שסיווג בטיחות מהיר מתמקד בעיקר בזיהוי כוונה מקלט אנושי (הנחיות), במקום טקסט שנוצר על ידי מכונה (פלטי LLM). הקוד הבא מדגים כיצד לגשת לתכונת סיווג הבטיחות המהיר באמצעות ה ClassifyDocument
API:
שים לב כי endpoint_arn
בקוד הקודם מסופק AWS מספר משאב של אמזון (ARN) של התבנית arn:aws:comprehend:<region>:aws:document-classifier-endpoint/prompt-safety
, שם <region>
הוא אזור ה-AWS שבו בחרת Amazon Comprehend זמין.
כדי להדגים את היכולות הללו, בנינו יישום צ'אט לדוגמה שבו אנו מבקשים מ-LLM לחלץ ישויות PII כגון כתובת, מספר טלפון ו-SSN מקטע טקסט נתון. ה-LLM מוצא ומחזיר את ישויות ה-PII המתאימות, כפי שמוצג בתמונה משמאל.
עם התמתנות Amazon Comprehend, אנו יכולים לשנות את הקלט ל-LLM ואת הפלט מה-LLM. בתמונה מימין, מותר להעביר את ערך SSN ל-LLM ללא עריכה. עם זאת, כל ערך SSN בתגובת ה-LLM נמחק.
להלן דוגמה כיצד ניתן למנוע מהנחיה המכילה מידע PII להגיע לחלוטין ל-LLM. דוגמה זו מדגימה משתמש ששואל שאלה המכילה מידע PII. אנו משתמשים במנח Amazon Comprehend כדי לזהות ישויות PII בהנחיה ולהראות שגיאה על ידי הפסקת הזרימה.
דוגמאות הצ'אט הקודמות מציגות כיצד ניהול Amazon Comprehend מחיל הגבלות על נתונים הנשלחים ל-LLM. בסעיפים הבאים, אנו מסבירים כיצד מנגנון ניהול זה מיושם באמצעות LangChain.
אינטגרציה עם LangChain
עם האפשרויות האינסופיות של היישום של LLMs למקרי שימוש שונים, הפך חשוב לא פחות לפשט את הפיתוח של יישומי AI גנרטיביים. LangChain היא מסגרת קוד פתוח פופולרית שמאפשרת לפתח יישומי AI גנרטיביים ללא מאמץ. אמזון Comprehend מרחיבה את מסגרת LangChain כדי להציע זיהוי PII ועיבוד, זיהוי רעילות ויכולות סיווג בטיחות מהיר באמצעות AmazonComprehendModerationChain
.
AmazonComprehendModerationChain
הוא יישום מותאם אישית של שרשרת בסיס LangChain מִמְשָׁק. משמעות הדבר היא שיישומים יכולים להשתמש בשרשרת זו עם שרשרת משלהם רשתות LLM כדי להחיל את המתיחות הרצויה על הוראת הקלט וכן על טקסט הפלט מה-LLM. ניתן לבנות שרשראות על ידי מיזוג שרשראות רבות או על ידי ערבוב שרשראות עם רכיבים אחרים. אתה יכול להשתמש AmazonComprehendModerationChain
עם רשתות LLM אחרות לפיתוח יישומי AI מורכבים בצורה מודולרית וגמישה.
כדי להסביר זאת עוד יותר, אנו מספקים כמה דוגמאות בסעיפים הבאים. קוד המקור של AmazonComprehendModerationChain
ניתן למצוא יישום בתוך מאגר קוד פתוח של LangChain. לתיעוד מלא של ממשק ה-API, עיין בתיעוד LangChain API עבור שרשרת המנחה של Amazon Comprehend. השימוש בשרשרת המנחה הזו הוא פשוט כמו אתחול מופע של המחלקה עם תצורות ברירת מחדל:
מאחורי הקלעים, שרשרת המנחה מבצעת שלוש בדיקות מתינות רצופות, כלומר PII, רעילות ובטיחות מיידית, כפי שמוסבר בתרשים הבא. זוהי זרימת ברירת המחדל עבור המנחה.
קטע הקוד הבא מציג דוגמה פשוטה לשימוש בשרשרת הניהול עם ה- אמזון FalconLite LLM (שהיא גרסה כמותית של Falcon 40B SFT OASST-TOP1 דגם) מתארח ב-Huging Face Hub:
בדוגמה הקודמת, אנו מגדילים את השרשרת שלנו עם comprehend_moderation
הן עבור טקסט שנכנס ל-LLM והן עבור טקסט שנוצר על ידי ה-LLM. זה יבצע ניהול ברירת מחדל שיבדוק PII, רעילות וסיווג בטיחות מיידי ברצף זה.
התאם אישית את המנחה שלך עם תצורות סינון
אתה יכול להשתמש ב AmazonComprehendModerationChain
עם תצורות ספציפיות, מה שנותן לך את היכולת לשלוט באילו בדיקות ברצונך לבצע ביישום המבוסס על בינה מלאכותית שלך. בליבת התצורה, יש לך שלוש תצורות סינון זמינות.
- ModerationPiiConfig - משמש להגדרת מסנן PII.
- ModerationToxicityConfig - משמש להגדרת מסנן תוכן רעיל.
- ModerationIntentConfig - משמש להגדרת מסנן כוונות.
אתה יכול להשתמש בכל אחת מתצורות המסנן האלה כדי להתאים אישית את ההתנהגות של התנהלות ההנחיות שלך. לכל תצורות של מסנן יש כמה פרמטרים נפוצים, וכמה פרמטרים ייחודיים, שאיתם ניתן לאתחל אותם. לאחר שתגדיר את התצורות, אתה משתמש ב- BaseModerationConfig
class כדי להגדיר את הרצף שבו המסננים חייבים להחיל על הטקסט. לדוגמה, בקוד הבא, אנו מגדירים תחילה את שלוש תצורות המסנן, ולאחר מכן מציינים את הסדר שבו הן צריכות להחיל:
בואו נצלול קצת יותר לעומק כדי להבין מה משיגה התצורה הזו:
- ראשית, עבור מסנן הרעילות, ציינו סף של 0.6. המשמעות היא שאם הטקסט מכיל תוויות או ישויות רעילות הזמינות עם ציון גבוה מהסף, כל השרשרת תופסק.
- אם לא נמצא תוכן רעיל בטקסט, בדיקת PII היא במקרה זה, אנו מעוניינים לבדוק אם הטקסט מכיל ערכי SSN. בגלל ה
redact
פרמטר מוגדר לTrue
, השרשרת תמסך את ערכי ה-SSN שזוהו (אם קיימים) כאשר ציון הביטחון של ישות ה-SSN גדול או שווה ל-0.5, עם תו המסיכה שצוין (X). אםredact
מוגדרFalse
, השרשרת תופסק עבור כל SSN שזוהה. - לבסוף, הרשת מבצעת סיווג בטיחות מיידי, ותמנע מהתוכן להתפשט בהמשך השרשרת אם התוכן מסווג עם
UNSAFE_PROMPT
עם ציון ביטחון גדול או שווה ל-0.8.
התרשים הבא ממחיש זרימת עבודה זו.
במקרה של הפרעות בשרשרת המתינות (בדוגמה זו, חלה על מסנני רעילות וסיווג בטיחות מהיר), השרשרת תעלה חריג פייתון, בעצם עוצר את השרשרת בתהליך ומאפשר לך לתפוס את החריגה (בלוק של try-catch) ולבצע כל פעולה רלוונטית. שלושת סוגי החריגים האפשריים הם:
ModerationPIIError
ModerationToxicityError
ModerationPromptSafetyError
אתה יכול להגדיר מסנן אחד או יותר ממסנן אחד באמצעות BaseModerationConfig
. אתה יכול גם לקבל את אותו סוג של מסנן עם תצורות שונות בתוך אותה שרשרת. לדוגמה, אם מקרה השימוש שלך עוסק רק ב-PII, אתה יכול לציין תצורה שחייבת לקטוע את השרשרת במקרה של זיהוי SSN; אחרת, עליו לבצע עיבוד של ישויות גיל ושמות PII. ניתן להגדיר תצורה לכך באופן הבא:
שימוש בהתקשרויות חוזרות ומזהים ייחודיים
אם אתה מכיר את המושג של זרימות עבודה, אולי אתה גם מכיר התקשרות חוזרת. Callbacks בתוך זרימות עבודה הן קטעי קוד עצמאיים הפועלים כאשר מתקיימים תנאים מסוימים בתוך זרימת העבודה. התקשרות חוזרת יכולה להיות חוסמת או לא חוסמת את זרימת העבודה. רשתות LangChain הן, במהותן, זרימות עבודה עבור LLMs. AmazonComprehendModerationChain
מאפשר לך להגדיר פונקציות התקשרות חוזרת משלך. בתחילה, היישום מוגבל לפונקציות התקשרות חזרה אסינכרוניות (לא חוסמות) בלבד.
משמעות הדבר היא למעשה שאם אתה משתמש בהתקשרויות חוזרות עם שרשרת המנחה, הן יפעלו ללא תלות בהרצה של השרשרת מבלי לחסום אותה. עבור שרשרת המנחה, אתה מקבל אפשרויות להריץ פיסות קוד, עם כל היגיון עסקי, לאחר הפעלת כל מנחה, ללא תלות בשרשרת.
באפשרותך גם לספק מחרוזת מזהה ייחודית שרירותית בעת יצירת AmazonComprehendModerationChain
כדי לאפשר רישום וניתוח מאוחר יותר. לדוגמה, אם אתה מפעיל צ'אט בוט המופעל על ידי LLM, ייתכן שתרצה לעקוב אחר משתמשים שמתעללים באופן עקבי או חושפים מידע אישי בכוונה או שלא ביודעין. במקרים כאלה, יש צורך לעקוב אחר מקורן של הנחיות כאלה ואולי לאחסן אותן במסד נתונים או לרשום אותן כראוי להמשך פעולה. אתה יכול להעביר מזהה ייחודי שמזהה משתמש באופן מובהק, כגון שם המשתמש או הדוא"ל שלו, או שם אפליקציה שיוצר את הבקשה.
השילוב של התקשרויות חוזרות ומזהים ייחודיים מספק לך דרך רבת עוצמה ליישם שרשרת ניהול שמתאימה למקרה השימוש שלך בצורה הרבה יותר מגובשת עם פחות קוד שקל יותר לתחזוקה. המטפל בהתקשרות חוזרת זמין דרך BaseModerationCallbackHandler
, עם שלוש התקשרויות זמינות: on_after_pii()
, on_after_toxicity()
, ו on_after_prompt_safety()
. כל אחת מפונקציות ה-callback הללו נקראת באופן אסינכרוני לאחר ביצוע בדיקת התיווך המתאימה בתוך השרשרת. פונקציות אלה מקבלים גם שני פרמטרים של ברירת מחדל:
- moderation_beacon – מילון המכיל פרטים כגון הטקסט שעליו בוצעה המנחה, פלט ה-JSON המלא של ה-API של Amazon Comprehend, סוג המנחה, ואם התוויות שסופקו (בתצורה) נמצאו בתוך הטקסט או לא.
- מזהה ייחודי - המזהה הייחודי שהקצית בעת אתחול מופע של
AmazonComprehendModerationChain
.
להלן דוגמה לאופן שבו יישום עם התקשרות חוזרת פועל. במקרה זה, הגדרנו התקשרות חוזרת אחת שאנו רוצים שהשרשרת תפעל לאחר ביצוע בדיקת ה-PII:
לאחר מכן אנו משתמשים ב- my_callback
אובייקט תוך אתחול שרשרת המנחה וגם לעבור א unique_id
. אתה יכול להשתמש בהתקשרויות חוזרות ומזהים ייחודיים עם או בלי תצורה. כשאתה מחלק משנה BaseModerationCallbackHandler
, עליך ליישם אחת או את כולן משיטות ההתקשרות חזרה בהתאם למסננים שבהם אתה מתכוון להשתמש. למען הקיצור, הדוגמה הבאה מציגה דרך להשתמש בהתקשרויות חוזרות ו unique_id
ללא שום תצורה:
הדיאגרמה הבאה מסבירה כיצד פועלת שרשרת ניהול זו עם התקשרויות חוזרות ומזהים ייחודיים. באופן ספציפי, הטמענו את ה-PII callback שאמור לכתוב קובץ JSON עם הנתונים הזמינים ב- moderation_beacon
ו unique_id
עבר (המייל של המשתמש במקרה זה).
בהמשך מחברת פייתון, ריכזנו כמה דרכים שונות שבהן תוכל להגדיר ולהשתמש בשרשרת הניהול עם LLMs שונים, כגון LLMs המתארחים עם אמזון SageMaker JumpStart ומתארח ב חיבוק Face Hub. כללנו גם את אפליקציית הצ'אט לדוגמה שדיברנו עליה קודם לכן עם הדברים הבאים מחברת פייתון.
סיכום
אין להכחיש את הפוטנציאל הטרנספורמטיבי של מודלים של שפות גדולות ובינה מלאכותית גנרטיבית. עם זאת, השימוש האחראי והמוסרי שלהם תלוי בטיפול בדאגות של אמון ובטיחות. על ידי הכרה באתגרים ויישום פעיל של אמצעים להפחתת סיכונים, מפתחים, ארגונים והחברה בכלל יכולים לרתום את היתרונות של טכנולוגיות אלו תוך שמירה על האמון והבטיחות העומדים בבסיס השילוב המוצלח שלהם. השתמש ב- Amazon Comprehend ContentModerationChain כדי להוסיף תכונות אמון ובטיחות לכל זרימת עבודה של LLM, כולל זרימות עבודה של Retrieval Augmented Generation (RAG) המיושמות ב-LangChain.
למידע על בניית פתרונות מבוססי RAG באמצעות LangChain ואמזון קנדרה המדויקת ביותר, מופעלת למידת מכונה (ML) חיפוש מושכל, ראה - בנה במהירות יישומי בינה מלאכותית בינה מלאכותית ברמת דיוק גבוהה על נתונים ארגוניים באמצעות Amazon Kendra, LangChain ומודלים של שפות גדולות. כשלב הבא, עיין ב- דוגמאות קוד יצרנו לשימוש ב-Amazon Comprehend מתינות עם LangChain. לתיעוד מלא של ה-API של שרשרת הניהול של Amazon Comprehend, עיין ב-LangChain תיעוד API.
על המחברים
וריק טלוקדר הוא אדריכל בכיר בצוות Amazon Comprehend Service. הוא עובד עם לקוחות AWS כדי לעזור להם לאמץ למידת מכונה בקנה מידה גדול. מחוץ לעבודה, הוא נהנה לקרוא ולצלם.
אנג'אן ביזוואז הוא ארכיטקט בכיר בשירותי AI עם התמקדות ב-AI/ML ו-Data Analytics. אנג'אן הוא חלק מצוות שירותי AI העולמי ועובד עם לקוחות כדי לעזור להם להבין ולפתח פתרונות לבעיות עסקיות עם AI ו-ML. לאנג'אן יש למעלה מ-14 שנות ניסיון בעבודה עם שרשרת אספקה גלובלית, ייצור וקמעונאות, והיא עוזרת ללקוחות להתחיל ולהתקדם בשירותי AI של AWS.
ניכיל ג'ה הוא מנהל חשבונות טכניים בכיר בשירותי האינטרנט של אמזון. תחומי המיקוד שלו כוללים AI/ML ואנליטיקה. בזמנו הפנוי, הוא נהנה לשחק בדמינטון עם בתו ולחקור את החוץ.
סנטר ראן הוא אדריכל פתרונות AI/ML מומחה בשירותי האינטרנט של אמזון. היא נלהבת למתמטיקה שימושית ולמידת מכונה. היא מתמקדת בעיצוב פתרונות עיבוד מסמכים חכמים עבור לקוחות AWS. מחוץ לעבודה, היא נהנית לרקוד סלסה ובאצ'טה.
- הפצת תוכן ויחסי ציבור מופעל על ידי SEO. קבל הגברה היום.
- PlatoData.Network Vertical Generative Ai. העצים את עצמך. גישה כאן.
- PlatoAiStream. Web3 Intelligence. הידע מוגבר. גישה כאן.
- PlatoESG. פחמן, קלינטק, אנרגיה, סביבה, שמש, ניהול פסולת. גישה כאן.
- PlatoHealth. מודיעין ביוטכנולוגיה וניסויים קליניים. גישה כאן.
- מקור: https://aws.amazon.com/blogs/machine-learning/build-trust-and-safety-for-generative-ai-applications-with-amazon-comprehend-and-langchain/
- :יש ל
- :הוא
- :לֹא
- :איפה
- $ למעלה
- 1
- 100
- 11
- 12
- 14
- 15%
- 17
- 19
- 500
- 8
- 9
- a
- יכולות
- יכולת
- אודות
- התעללות
- גישה
- חֶשְׁבּוֹן
- מדויק
- משיגה
- לרוחב
- פעולה
- פעולות
- באופן פעיל
- להוסיף
- כתובת
- כתובות
- פְּנִיָה
- לדבוק
- לְאַמֵץ
- אימוץ
- עצה
- לאחר
- גיל
- AI
- שירותי AI
- מערכות AI
- AI / ML
- תעשיות
- מותר
- מאפשר
- מאפשר
- כְּבָר
- גם
- בסך הכל
- אמזון בעברית
- אמזון להתבונן
- אמזון קנדרה
- אמזון שירותי אינטרנט
- כמויות
- an
- ניתוח
- ניתוחים
- ו
- מכריז
- לענות
- כל
- API
- ממשקי API
- ישים
- בקשה
- יישומים
- יישומית
- חל
- החל
- מתאים
- כראוי
- ARE
- אזורים
- AS
- לשאול
- לשאול
- היבטים
- שהוקצה
- עוזרים
- המשויך
- At
- לְהַגדִיל
- מוגבר
- זמין
- AWS
- מגובה
- רע
- בסיס
- מבוסס
- BE
- כי
- להיות
- הופך להיות
- להתנהג
- התנהגות
- להיות
- אמונות
- הטבות
- בֵּין
- מעבר
- לחסום
- חסימה
- שניהם
- גבולות
- רחב
- לִבנוֹת
- בניית אמון
- בִּניָן
- נבנה
- עסקים
- עסקים
- אבל
- by
- שיחה
- התקשרות חוזרת
- נקרא
- CAN
- יכולות
- יכולת
- מסוגל
- הון
- כרטיס
- מקרה
- מקרים
- היאבקות
- מסוים
- שרשרת
- שרשראות
- האתגרים
- אופי
- chatbot
- chatbots
- לבדוק
- בדיקה
- בדיקות
- סַנְטֵר
- בחירה
- בכיתה
- כיתות
- מיון
- מְסוּוָג
- לסווג
- לקוחות
- קוד
- מגובש
- COM
- שילוב
- משולב
- הערה
- Common
- מורכב
- רכיבים
- לִהַבִין
- מושג
- מודאג
- דאגות
- תנאים
- אמון
- תְצוּרָה
- תצורות
- רצופים
- באופן עקבי
- מכיל
- תוכן
- התמתנות תוכן
- לִשְׁלוֹט
- שנוי במחלוקת
- ליבה
- נוצר
- יוצרים
- יְצִירָתִי
- אשראי
- כרטיס אשראי
- קריטי
- מכריע
- מנהג
- לקוח
- שירות לקוחות
- לקוחות
- להתאמה אישית
- אישית
- יומי
- רוקד
- נתונים
- ניתוח נתונים
- פרטיות מידע
- מסד נתונים
- מערכי נתונים
- החלטות
- עמוק יותר
- בְּרִירַת מֶחדָל
- לְהַגדִיר
- מוגדר
- להתעמק
- להפגין
- מדגים
- תלוי
- תכנון
- רצוי
- פרטים
- לאתר
- זוהה
- איתור
- לקבוע
- לפתח
- מפתחים
- צעצועי התפתחות
- אחר
- דיגיטלי
- לדון
- נָדוֹן
- בבהירות
- צלילה
- do
- מסמך
- תיעוד
- מסמכים
- DOE
- מטה
- ראוי
- e
- כל אחד
- מוקדם יותר
- קל יותר
- יעילות
- ללא מאמץ
- או
- אחר
- אמייל
- לאפשר
- סוף
- אין סופי
- לְהַבטִיחַ
- הבטחתי
- מִפְעָל
- ישויות
- ישות
- סביבה
- שווה
- באותה מידה
- שגיאה
- מַהוּת
- חיוני
- למעשה
- Ether (ETH)
- אֶתִי
- דוגמה
- דוגמאות
- אלא
- יוצא מן הכלל
- קיימים
- ניסיון
- חוויות
- להסביר
- מוסבר
- מסביר
- בִּמְפוּרָשׁ
- היכרות
- אקספרס
- משתרע
- תמצית
- פָּנִים
- מוכר
- מאפיין
- תכונות
- מעטים
- שלח
- לסנן
- סינון
- מסננים
- כספי
- ממצאים
- ראשון
- מסומן
- דגלים
- גמיש
- תזרים
- להתמקד
- מרוכז
- מתמקד
- הבא
- כדלקמן
- בעד
- טופס
- פוּרמָט
- צורות
- פורומים
- מצא
- מסגרת
- צרפת
- החל מ-
- מלא
- פונקציות
- נוסף
- ליצור
- נוצר
- יצירת
- דור
- גנרטטיבית
- AI Generative
- לקבל
- gif
- לתת
- נתן
- נותן
- גלוֹבָּלִי
- מטרה
- Goes
- הולך
- טוב
- יותר
- גדל
- צמיחה
- הדרכה
- טיפול
- קורה
- מזיק
- רתמת
- לשנוא
- שונא את הדיבור
- יש
- יש
- he
- לעזור
- עזרה
- עוזר
- מאוד
- צירי
- שֶׁלוֹ
- אירח
- איך
- איך
- אולם
- HTML
- HTTPS
- טבור
- בן אנוש
- כמו אנושי
- i
- ID
- הזדהות
- מזהה
- מזהים
- מזהה
- לזהות
- זיהוי
- if
- לא חוקי
- מדגים
- תמונה
- פְּגִיעָה
- ליישם
- הפעלה
- יושם
- יישום
- לייבא
- חשיבות
- חשוב
- in
- מבלי משים
- לכלול
- כלול
- כולל
- כולל
- להגדיל
- עליות
- יותר ויותר
- עצמאי
- באופן עצמאי
- תעשיות
- להשפיע
- מידע
- בהתחלה
- קלט
- תשומות
- פניות
- למשל
- משולב
- השתלבות
- אינטליגנטי
- עיבוד מסמכים חכם
- בכוונת
- כוונה
- מעוניין
- מִמְשָׁק
- נקטע
- אל תוך
- מבוא
- IT
- שֶׁלָה
- ג'ון
- ג 'ון DOE
- jpg
- ג'סון
- רק
- תוויות
- שפה
- גָדוֹל
- מאוחר יותר
- למידה
- עזבו
- משפטי
- פחות
- כמו
- סְבִירוּת
- מוגבל
- רשימה
- קְצָת
- היכנס
- רישום
- הגיון
- הסתכלות
- מכונה
- למידת מכונה
- לתחזק
- עושה
- מנהל
- דרך
- ייצור
- מסכה
- מתימטיקה
- דבר
- מאי..
- me
- אומר
- אמצעים
- מנגנון
- מדיה
- רפואי
- מיזוג
- נפגש
- שיטות
- שימוש לרעה
- להקל
- ערבוב
- ML
- מודל
- מודלים
- מתינות
- מודולרי
- יותר
- הרבה
- צריך
- my
- שם
- כלומר
- שמות
- טבעי
- שפה טבעית
- עיבוד שפה טבעית
- הכרחי
- חדש
- תכונות חדשות
- הבא
- NLP
- לא
- הערות
- עַכשָׁיו
- מספר
- מספרים
- רב
- אובייקט
- of
- מתקפה
- הַצָעָה
- קיזוז
- on
- ONE
- רק
- לפתוח
- קוד פתוח
- להפעיל
- פועל
- אפשרויות
- or
- להזמין
- ארגונים
- מָקוֹר
- אחר
- אַחֶרֶת
- שלנו
- הַחוּצָה
- תוצאות
- בחוץ
- תפוקה
- פלטים
- בחוץ
- יותר
- שֶׁלוֹ
- פרמטר
- פרמטרים
- הגדול ביותר
- חלק
- במיוחד
- לעבור
- עבר
- לוהט
- סיסמה
- איפוס סיסמא
- תבנית
- לבצע
- ביצעתי
- מבצע
- אוּלַי
- אישי
- מידע אישי
- אישית
- טלפון
- צילום
- לְחַבֵּר
- חתיכות
- pii
- פלטפורמות
- אפלטון
- מודיעין אפלטון
- אפלטון נתונים
- משחק
- פוליטי
- פופולרי
- עמדה
- חיובי
- אפשרויות
- אפשרי
- הודעה
- פוטנציאל
- פוטנציאל
- כּוֹחַ
- מופעל
- חזק
- מִשׁמֶרֶת
- מניעה
- בראש ובראשונה
- יְסוֹדִי
- עקרונות
- סדר עדיפויות
- פְּרָטִיוּת
- פְּרָטִי
- מידע פרטי
- בעיות
- נהלים
- תהליך
- תהליך
- עמוק
- התקדמות
- ריבוי
- התפשטות
- כמו שצריך
- להגן
- לספק
- מספק
- פיתון
- שאלה
- להעלות
- רכס
- טווחים
- מהיר
- במקום
- הגעה
- קריאה
- תחום
- לקבל
- זיהוי
- להפחית
- הפחתה
- להתייחס
- באזור
- רגולטורים
- רלוונטי
- אָמִין
- מוניטין
- לבקש
- דרישות
- משאב
- אלה
- תגובה
- תגובות
- אחריות
- אחראי
- הגבלות
- קמעוני
- החזרות
- תקין
- הסיכון
- סיכונים
- הפעלה
- s
- בטוח
- בְּטִיחוּת
- בעל חכמים
- אותו
- סולם
- סצנות
- ציון
- בצורה חלקה
- סעיף
- סעיפים
- אבטחה
- לִרְאוֹת
- לחפש
- עצמי
- לחצני מצוקה לפנסיונרים
- רגיש
- נשלח
- משפט
- רצף
- שרות
- שירותים
- סט
- היא
- צריך
- לְהַצִיג
- ראווה
- הראה
- הופעות
- אותות
- באופן דומה
- פָּשׁוּט
- לפשט
- יחיד
- אתרים
- קטע
- So
- חֶברָתִי
- מדיה חברתית
- חֶברָה
- פתרונות
- כמה
- משהו
- מָקוֹר
- קוד מקור
- מדבר
- מומחה
- ספציפי
- במיוחד
- מפורט
- נאום
- תקנים
- התחלה
- החל
- הצהרה
- שלב
- עצור
- סְתִימָה
- חנות
- מחרוזת
- כתוצאה מכך
- מוצלח
- כזה
- סכום
- שסופק
- לספק
- שרשרת אספקה
- תמיכה
- תומך
- בר קיימא
- מערכות
- לקחת
- משימות
- נבחרת
- טכני
- טכנולוגיות
- תבנית
- טֶקסט
- מֵאֲשֶׁר
- זֶה
- השמיים
- עיר הבירה
- המקור
- שֶׁלָהֶם
- אותם
- אז
- שם.
- בכך
- אלה
- הֵם
- זֶה
- איומים
- שְׁלוֹשָׁה
- סף
- דרך
- זמן
- ל
- כלים
- לעקוב
- מְאוּמָן
- טרנספורמטיבית
- סומך
- לנסות
- שתיים
- סוג
- סוגים
- לגלות
- לֹא מוּטָל בְּסֶפֶק
- לְחַזֵק
- להבין
- הבנה
- ייחודי
- אוניברסלי
- מרומז
- להשתמש
- במקרה להשתמש
- מְשׁוּמָשׁ
- משתמש
- משתמשים
- שימושים
- באמצעות
- לנצל
- מנוצל
- בעל ערך
- ערך
- ערכים
- מגוון
- שונים
- Vast
- גרסה
- באמצעות
- וירטואלי
- W
- רוצה
- היה
- דֶרֶך..
- דרכים
- we
- אינטרנט
- שירותי אינטרנט
- טוֹב
- היו
- מה
- מה
- מתי
- ואילו
- אם
- אשר
- בזמן
- מי
- כל
- למה
- רָחָב
- טווח רחב
- יצטרך
- רצון
- עם
- בתוך
- לְלֹא
- עדים
- תיק עבודות
- זרימת עבודה
- זרימות עבודה
- עובד
- עובד
- לכתוב
- כתיבה
- X
- שנים
- אתה
- זפירנט