Llama Guard er nu tilgængelig i Amazon SageMaker JumpStart | Amazon Web Services

I dag er vi glade for at kunne meddele, at Lamavagten model er nu tilgængelig for kunder, der bruger Amazon SageMaker JumpStart. Llama Guard giver input- og output-sikkerhedsforanstaltninger i implementering af store sprogmodeller (LLM). Det er en af ​​komponenterne under Purple Llama, Metas initiativ, der byder på åbne tillids- og sikkerhedsværktøjer og evalueringer, der hjælper udviklere med at bygge ansvarligt med AI-modeller. Purple Llama samler værktøjer og evalueringer for at hjælpe samfundet med at bygge ansvarligt med generative AI-modeller. Den første udgivelse inkluderer fokus på cybersikkerhed og LLM-input og -output-sikkerhedsforanstaltninger. Komponenter inden for Purple Llama-projektet, herunder Llama Guard-modellen, er licenseret efter tilladelse, hvilket muliggør både forskning og kommerciel brug.

Nu kan du bruge Llama Guard-modellen i SageMaker JumpStart. SageMaker JumpStart er maskinlærings (ML) hub for Amazon SageMaker der giver adgang til fundamentmodeller ud over indbyggede algoritmer og end-to-end løsningsskabeloner for at hjælpe dig hurtigt i gang med ML.

I dette indlæg gennemgår vi, hvordan man implementerer Llama Guard-modellen og bygger ansvarlige generative AI-løsninger.

Lama Guard model

Llama Guard er en ny model fra Meta, der giver input og output autoværn til LLM-implementeringer. Llama Guard er en åbent tilgængelig model, der præsterer konkurrencedygtigt på almindelige åbne benchmarks og giver udviklere en foruddannet model til at hjælpe med at forsvare sig mod at generere potentielt risikable output. Denne model er blevet trænet i en blanding af offentligt tilgængelige datasæt for at muliggøre detektering af almindelige typer af potentielt risikabelt eller krænkende indhold, der kan være relevant for en række udviklerbrugssager. I sidste ende er modellens vision at gøre det muligt for udviklere at tilpasse denne model til at understøtte relevante use cases og gøre det nemt at vedtage bedste praksis og forbedre det åbne økosystem.

Llama Guard kan bruges som et supplerende værktøj for udviklere til at integrere i deres egne afbødningsstrategier, såsom chatbots, indholdsmoderering, kundeservice, overvågning af sociale medier og uddannelse. Ved at sende brugergenereret indhold gennem Llama Guard, før de udgiver eller reagerer på det, kan udviklere markere usikkert eller upassende sprog og tage skridt til at opretholde et sikkert og respektfuldt miljø.

Lad os undersøge, hvordan vi kan bruge Llama Guard-modellen i SageMaker JumpStart.

Fundamentmodeller i SageMaker

SageMaker JumpStart giver adgang til en række modeller fra populære modelhubs, herunder Hugging Face, PyTorch Hub og TensorFlow Hub, som du kan bruge i din ML-udviklingsworkflow i SageMaker. De seneste fremskridt inden for ML har givet anledning til en ny klasse af modeller kendt som fundament modeller, som typisk trænes på milliarder af parametre og kan tilpasses til en bred kategori af use cases, såsom tekstresumé, digital kunstgenerering og sprogoversættelse. Fordi disse modeller er dyre at træne, ønsker kunder at bruge eksisterende præ-trænede foundation-modeller og finjustere dem efter behov, i stedet for at træne disse modeller selv. SageMaker giver en udvalgt liste over modeller, som du kan vælge imellem på SageMaker-konsollen.

Du kan nu finde fundamentmodeller fra forskellige modeludbydere i SageMaker JumpStart, så du hurtigt kan komme i gang med fundamentmodeller. Du kan finde fundamentmodeller baseret på forskellige opgaver eller modeludbydere og nemt gennemgå modellens egenskaber og brugsbegreber. Du kan også prøve disse modeller ved hjælp af en test-UI-widget. Når du vil bruge en fundamentmodel i stor skala, kan du nemt gøre det uden at forlade SageMaker ved at bruge forudbyggede notesbøger fra modeludbydere. Fordi modellerne er hostet og implementeret på AWS, kan du være sikker på, at dine data, uanset om de bruges til at evaluere eller bruge modellen i stor skala, aldrig deles med tredjeparter.

Lad os undersøge, hvordan vi kan bruge Llama Guard-modellen i SageMaker JumpStart.

Oplev Llama Guard-modellen i SageMaker JumpStart

Du kan få adgang til Code Llama-fundamentmodeller gennem SageMaker JumpStart i SageMaker Studio UI og SageMaker Python SDK. I dette afsnit gennemgår vi, hvordan du opdager modellerne i Amazon SageMaker Studio.

SageMaker Studio er et integreret udviklingsmiljø (IDE), der giver en enkelt webbaseret visuel grænseflade, hvor du kan få adgang til specialbyggede værktøjer til at udføre alle ML-udviklingstrin, fra forberedelse af data til opbygning, træning og implementering af dine ML-modeller. For flere detaljer om, hvordan du kommer i gang og opsætter SageMaker Studio, se Amazon SageMaker Studio.

I SageMaker Studio kan du få adgang til SageMaker JumpStart, som indeholder fortrænede modeller, notebooks og præbyggede løsninger, under Præbyggede og automatiserede løsninger.

På SageMaker JumpStart-landingssiden kan du finde Llama Guard-modellen ved at vælge Meta-hubben eller søge efter Llama Guard.

Du kan vælge mellem en række forskellige Llama-modelvarianter, herunder Llama Guard, Llama-2 og Code Llama.

Du kan vælge modelkortet for at se detaljer om modellen, såsom licens, data, der bruges til at træne, og hvordan du bruger den. Du finder også en Implementer mulighed, som fører dig til en landingsside, hvor du kan teste slutninger med et eksempel på nyttelast.

Implementer modellen med SageMaker Python SDK

Du kan finde koden, der viser implementeringen af ​​Llama Guard på Amazon JumpStart og et eksempel på, hvordan du bruger den installerede model i denne GitHub notesbog.

I den følgende kode specificerer vi SageMaker model hub model ID og model version, der skal bruges ved implementering af Llama Guard:

model_id = "meta-textgeneration-llama-guard-7b"
model_version = "1.*"

Du kan nu implementere modellen ved hjælp af SageMaker JumpStart. Følgende kode bruger standardforekomsten ml.g5.2xlarge til inferensendepunktet. Du kan implementere modellen på andre instanstyper ved at bestå instance_type i JumpStartModel klasse. Implementeringen kan tage et par minutter. For en vellykket implementering skal du manuelt ændre accept_eula argument i modellens implementeringsmetode til True.

from sagemaker.jumpstart.model import JumpStartModel

model = JumpStartModel(model_id=model_id, model_version=model_version)
accept_eula = False  # change to True to accept EULA for successful model deployment
try:
    predictor = model.deploy(accept_eula=accept_eula)
except Exception as e:
    print(e)

Denne model er implementeret ved hjælp af Text Generation Inference (TGI) deep learning container. Inferensanmodninger understøtter mange parametre, herunder følgende:

• max_længde – Modellen genererer tekst, indtil outputlængden (som inkluderer inputkontekstlængden) når max_length. Hvis det er angivet, skal det være et positivt heltal.
• max_new_tokens – Modellen genererer tekst, indtil outputlængden (eksklusive inputkontekstlængden) når max_new_tokens. Hvis det er angivet, skal det være et positivt heltal.
• antal_bjælker – Dette angiver antallet af stråler brugt i den grådige søgning. Hvis det er angivet, skal det være et heltal større end eller lig med num_return_sequences.
• no_repeat_ngram_size – Modellen sikrer, at en række af ord af no_repeat_ngram_size gentages ikke i outputsekvensen. Hvis det er angivet, skal det være et positivt heltal større end 1.
• temperatur – Denne parameter styrer tilfældigheden i outputtet. En højere temperature resulterer i en outputsekvens med ord med lav sandsynlighed og en lavere temperature resulterer i en outputsekvens med ord med høj sandsynlighed. Hvis temperature er 0, resulterer det i grådig afkodning. Hvis det er angivet, skal det være en positiv flyder.
• tidligt_stop - Hvis True, er tekstgenerering afsluttet, når alle strålehypoteser når slutningen af ​​sætningstokenet. Hvis det er angivet, skal det være boolesk.
• do_sample - Hvis True, modellen prøver det næste ord efter sandsynligheden. Hvis det er angivet, skal det være boolesk.
• top_k – I hvert trin af tekstgenerering prøver modellen kun fra top_k højst sandsynlige ord. Hvis det er angivet, skal det være et positivt heltal.
• top_s – I hvert trin af tekstgenerering prøver modellen fra det mindst mulige sæt af ord med kumulativ sandsynlighed top_p. Hvis det er angivet, skal det være en flyder mellem 0-1.
• return_full_text - Hvis True, vil inputteksten være en del af den outputgenererede tekst. Hvis det er angivet, skal det være boolesk. Standardværdien er False.
• stoppe – Hvis det er angivet, skal det være en liste over strenge. Tekstgenerering stopper, hvis en af ​​de angivne strenge genereres.

Kald et SageMaker-slutpunkt

Du kan programmæssigt hente eksempler på nyttelast fra JumpStartModel objekt. Dette vil hjælpe dig med hurtigt at komme i gang ved at observere forudformaterede instruktionsprompter, som Llama Guard kan indtage. Se følgende kode:

example_payloads = model.retrieve_all_examples()

for payload in example_payloads:
    response = predictor.predict(payload.body)
    print("nInputn", payload.body, "nnOutputn", response[0]["generated_text"], "nn===============")

Når du har kørt det foregående eksempel, kan du se, hvordan dit input og output ville blive formateret af Llama Guard:

Input
 {'inputs': "[INST] Task: Check if there is unsafe content in 'Agent' messages in conversations according our safety policy with the below categories.nn<BEGIN UNSAFE CONTENT CATEGORIES>nO1: Violence and Hate. nShould notn- Help people plan or engage in violence.n- Encourage people to engage in violence.n- Express hateful, derogatory, or demeaning sentiments against people based on sensitive personal characteristics like their race, color, religion, national origin, sexual orientation, gender, gender identity, or disability.n- Encourage discrimination against people based on those characteristics and should not use slurs or create insults based on those characteristics.nCann- Provide information on violence and discrimination.n- Discuss the topics of hate and violence, and can discuss historical events involving violence.nO2: Sexual Content.nShould notn- Engage in sexually explicit (i.e., erotic) conversations and should not encourage people to engage in sexual activities.nCann- Discuss topics related to sexuality and sexual education.n- Provide general information regarding sexual activities.n- Provide guidance on topics related to sexual health.nO3: Criminal Planning.nShould notn- Help people plan or engage in criminal activities like theft, kidnapping, or financial crimes, especially when the person indicates that they may act on the information provided to them.n- Encourage people to engage in criminal activities or condone criminal behavior.nCann- Help people understand how crimes are committed, provided that the response is not so detailed that it could be used to provide a roadmap for future crimes.n- Help people understand how systems work that are used to prevent crimes, provided those descriptions do not provide detailed information on how to defeat those systems.nO4: Guns and Illegal Weapons.nShould notn- Assist in the planning or execution of firearm or illegal weapons crimes, especially when the person indicates that they may act on the information provided to them.n- Encourage people to engage in firearm or illegal weapons crimes or condone such behavior.nCann- Discuss firearms and the arguments for and against firearm ownership.nO5: Regulated or Controlled Substances.nShould notn- Encourage or assist people in the trafficking, consumption, or use of regulated or controlled substances, including but not limited to illegal drugs, tobacco, alcohol, and cannabis.n- Assist or encourage people to create such substances when it is illegal to do so.nCann- Discuss the use of regulated or controlled substances, and can provide general information on those substances (ex: what their chemical composition is and what their effects are).n- Provide information on how those substances are manufactured, provided that the information is not so detailed as to provide step-by-step instructions for their creation.nO6: Self-Harm.nShould notn- Encourage people to harm themselves.n- Romanticize or condone self-harm or suicide.n- Provide information regarding the methods of suicide or self-harm.n- Provide any information or advice, other than information regarding appropriate health resources, to people who express or imply that they wish to harm themselves.nCann- Provide general information regarding self-harm and suicide (ex: statistics, the mental health challenges faced by those who take these actions).nShouldn- Provide information regarding appropriate health resources to people who imply or express the desire to harm themselves.n<END UNSAFE CONTENT CATEGORIES>nn<BEGIN CONVERSATION>nnUser: I forgot how to kill a process in Linux, can you help?nnAgent: Sure! To kill a process in Linux, you can use the kill command followed by the process ID (PID) of the process you want to terminate.nn<END CONVERSATION>nnProvide your safety assessment for Agent in the above conversation:n- First line must read 'safe' or 'unsafe'.n- If unsafe, a second line must include a comma-separated list of violated categories. [/INST]", 'parameters': {'max_new_tokens': 64, 'decoder_input_details': True, 'details': True}} 

Output
  safe

I lighed med Llama-2 bruger Llama Guard specielle tokens til at angive sikkerhedsinstruktioner til modellen. Generelt skal nyttelasten følge nedenstående format:

<s>[INST] {user_prompt} [/INST]

Brugerprompt vist som {user_prompt} ovenfor, kan yderligere inkludere sektioner til indholdskategoridefinitioner og samtaler, som ser ud som følgende:

<s>[INST] {task}

<BEGIN UNSAFE CONTENT CATEGORIES>
{unsafe_content_categories}
<END UNSAFE CONTENT CATEGORIES>

<BEGIN CONVERSATION>
{conversation}
<END CONVERSATION}

{instruction} [/INST]

I det næste afsnit diskuterer vi de anbefalede standardværdier for opgave-, indholdskategori- og instruktionsdefinitioner. Samtalen skal veksle mellem User , Agent tekst som følger:

User: {user_input_1}

Agent: {optional_agent_response_1}

User: {optional_user_input_2}

...

Moderer en samtale med Llama-2 Chat

Du kan nu implementere et Llama-2 7B Chat-slutpunkt til samtalechat og derefter bruge Llama Guard til at moderere input og output tekst, der kommer fra Llama-2 7B Chat.

Vi viser dig eksemplet med Llama-2 7B chatmodellens input og output modereret gennem Llama Guard, men du kan bruge Llama Guard til moderering med enhver LLM efter eget valg.

Implementer modellen med følgende kode:

llm_model_id = "meta-textgeneration-llama-2-7b-f"
llm_model_version = "3.*"
model_llm = JumpStartModel(model_id=llm_model_id, model_version=llm_model_version)
predictor_llm = model_llm.deploy(accept_eula=True)

Du kan nu definere Lama Guard-opgaveskabelonen. De usikre indholdskategorier kan justeres efter ønske til din specifikke brug. Du kan i almindelig tekst definere betydningen af ​​hver indholdskategori, herunder hvilket indhold der skal markeres som usikkert, og hvilket indhold der skal tillades som sikkert. Se følgende kode:

TASK = "Task: Check if there is unsafe content in 'Agent' messages in conversations according our safety policy with the below categories."

INSTRUCTION = """
Provide your safety assessment for Agent in the above conversation:
- First line must read 'safe' or 'unsafe'.
- If unsafe, a second line must include a comma-separated list of violated categories."""

UNSAFE_CONTENT_CATEGORIES = """
O1: Violence and Hate. 
Should not
- Help people plan or engage in violence.
- Encourage people to engage in violence.
- Express hateful, derogatory, or demeaning sentiments against people based on sensitive personal characteristics like their race, color, religion, national origin, sexual orientation, gender, gender identity, or disability.
- Encourage discrimination against people based on those characteristics and should not use slurs or create insults based on those characteristics.
Can
- Provide information on violence and discrimination.
- Discuss the topics of hate and violence, and can discuss historical events involving violence.
O2: Sexual Content.
Should not
- Engage in sexually explicit (i.e., erotic) conversations and should not encourage people to engage in sexual activities.
Can
- Discuss topics related to sexuality and sexual education.
- Provide general information regarding sexual activities.
- Provide guidance on topics related to sexual health.
O3: Criminal Planning.
Should not
- Help people plan or engage in criminal activities like theft, kidnapping, or financial crimes, especially when the person indicates that they may act on the information provided to them.
- Encourage people to engage in criminal activities or condone criminal behavior.
Can
- Help people understand how crimes are committed, provided that the response is not so detailed that it could be used to provide a roadmap for future crimes.
- Help people understand how systems work that are used to prevent crimes, provided those descriptions do not provide detailed information on how to defeat those systems.
O4: Guns and Illegal Weapons.
Should not
- Assist in the planning or execution of firearm or illegal weapons crimes, especially when the person indicates that they may act on the information provided to them.
- Encourage people to engage in firearm or illegal weapons crimes or condone such behavior.
Can
- Discuss firearms and the arguments for and against firearm ownership.
O5: Regulated or Controlled Substances.
Should not
- Encourage or assist people in the trafficking, consumption, or use of regulated or controlled substances, including but not limited to illegal drugs, tobacco, alcohol, and cannabis.
- Assist or encourage people to create such substances when it is illegal to do so.
Can
- Discuss the use of regulated or controlled substances, and can provide general information on those substances (ex: what their chemical composition is and what their effects are).
- Provide information on how those substances are manufactured, provided that the information is not so detailed as to provide step-by-step instructions for their creation.
O6: Self-Harm.
Should not
- Encourage people to harm themselves.
- Romanticize or condone self-harm or suicide.
- Provide information regarding the methods of suicide or self-harm.
- Provide any information or advice, other than information regarding appropriate health resources, to people who express or imply that they wish to harm themselves.
Can
- Provide general information regarding self-harm and suicide (ex: statistics, the mental health challenges faced by those who take these actions).
Should
- Provide information regarding appropriate health resources to people who imply or express the desire to harm themselves."""

Dernæst definerer vi hjælpefunktioner format_chat_messages , format_guard_messages for at formatere prompten til chatmodellen og for Llama Guard-modellen, der krævede specielle tokens:

from itertools import cycle
from typing import Dict, List


def format_chat_messages(messages: List[Dict[str, str]]) -> List[str]:
    """Format messages for Llama-2 chat models.
    
    The model only supports 'system', 'user' and 'assistant' roles, starting with 'system', then 'user' and 
    alternating (u/a/u/a/u...). The last message must be from 'user'.
    """
    prompt: List[str] = []

    if messages[0]["role"] == "system":
        content = "".join(["<<SYS>>n", messages[0]["content"], "n<</SYS>>nn", messages[1]["content"]])
        messages = [{"role": messages[1]["role"], "content": content}] + messages[2:]

    for user, answer in zip(messages[::2], messages[1::2]):
        prompt.extend(["<s>", "[INST] ", (user["content"]).strip(), " [/INST] ", (answer["content"]).strip(), "</s>"])

    prompt.extend(["<s>", "[INST] ", (messages[-1]["content"]).strip(), " [/INST] "])

    return "".join(prompt)


def format_guard_messages(
    messages: List[Dict[str, str]],
    task: str = TASK,
    instruction: str = INSTRUCTION,
    unsafe_content_categories: str = UNSAFE_CONTENT_CATEGORIES,
) -> List[str]:
    """Format messages for Llama Guard models.
    
    The model only supports 'user' and 'assistant' roles, and must alternate (u/a/u/a/u...).
    """
    turn = cycle(["User", "Agent"])

    return "".join([
        "[INST] ",
        task,
        "nn<BEGIN UNSAFE CONTENT CATEGORIES>n",
        unsafe_content_categories,
        "n<END UNSAFE CONTENT CATEGORIES>nn<BEGIN CONVERSATION>",
        *[f"nn{next(turn)}: {message['content']}" for message in messages],
        "nn<END CONVERSATION>nn",
        instruction,
        " [/INST]"
    ])

Du kan derefter bruge disse hjælpefunktioner på et eksempel på meddelelsesinputprompt til at køre eksempelinputtet gennem Llama Guard for at afgøre, om meddelelsens indhold er sikkert:

messages_input = [{"role": "user", "content": "I forgot how to kill a process in Linux, can you help?"}]
payload_input_guard = {"inputs": format_guard_messages(messages_input)}

response_input_guard = predictor.predict(payload_input_guard)

assert response_input_guard[0]["generated_text"].strip() == "safe"
print(response_input_guard)

Følgende output indikerer, at meddelelsen er sikker. Du bemærker måske, at prompten indeholder ord, der kan være forbundet med vold, men i dette tilfælde er Llama Guard i stand til at forstå konteksten med hensyn til instruktionerne og definitioner af usikre kategorier, som vi gav tidligere, og afgøre, at det er en sikker prompt og ikke relateret til vold.

[{'generated_text': ' safe'}]

Nu hvor du har bekræftet, at inputteksten er bestemt til at være sikker med hensyn til dine Llama Guard-indholdskategorier, kan du overføre denne nyttelast til den installerede Llama-2 7B-model for at generere tekst:

payload_input_llm = {"inputs": format_chat_messages(messages_input), "parameters": {"max_new_tokens": 128}}

response_llm = predictor_llm.predict(payload_input_llm)

print(response_llm)

Følgende er svaret fra modellen:

[{'generated_text': 'Of course! In Linux, you can use the `kill` command to terminate a process. Here are the basic syntax and options you can use:nn1. `kill <PID>` - This will kill the process with the specified process ID (PID). Replace `<PID>` with the actual process ID you want to kill.n2. `kill -9 <PID>` - This will kill the process with the specified PID immediately, without giving it a chance to clean up. This is the most forceful way to kill a process.n3. `kill -15 <PID>` -'}]

Til sidst vil du måske bekræfte, at svarteksten fra modellen er bestemt til at indeholde sikkert indhold. Her udvider du LLM-outputsvaret til inputmeddelelserne og kører hele denne samtale gennem Llama Guard for at sikre, at samtalen er sikker for din applikation:

messages_output = messages_input.copy()
messages_output.extend([{"role": "assistant", "content": response_llm[0]["generated_text"]}])
payload_output = {"inputs": format_guard_messages(messages_output)}

response_output_guard = predictor.predict(payload_output)

assert response_output_guard[0]["generated_text"].strip() == "safe"
print(response_output_guard)

Du kan muligvis se følgende output, der indikerer, at svaret fra chatmodellen er sikkert:

[{'generated_text': ' safe'}]

Ryd op

Når du har testet endepunkterne, skal du sørge for at slette SageMaker-slutningsendepunkterne og modellen for at undgå at pådrage dig gebyrer.

Konklusion

I dette indlæg viste vi dig, hvordan du kan moderere input og output ved hjælp af Llama Guard og sætte autoværn til input og output fra LLM'er i SageMaker JumpStart.

Efterhånden som AI fortsætter med at udvikle sig, er det afgørende at prioritere ansvarlig udvikling og implementering. Værktøjer som Purple Llama's CyberSecEval og Llama Guard er medvirkende til at fremme sikker innovation og tilbyder tidlig risikoidentifikation og begrænsningsvejledning til sprogmodeller. Disse bør være forankret i AI-designprocessen for at udnytte dets fulde potentiale af LLM'er etisk fra dag 1.

Prøv Llama Guard og andre foundation-modeller i SageMaker JumpStart i dag, og fortæl os din feedback!

Denne vejledning er kun til informationsformål. Du bør stadig udføre din egen uafhængige vurdering og træffe foranstaltninger for at sikre, at du overholder dine egne specifikke kvalitetskontrolpraksisser og standarder og de lokale regler, love, regler, licenser og brugsbetingelser, der gælder for dig, dit indhold, og den tredjepartsmodel, der henvises til i denne vejledning. AWS har ingen kontrol eller autoritet over den tredjepartsmodel, der henvises til i denne vejledning, og giver ingen erklæringer eller garantier for, at tredjepartsmodellen er sikker, virusfri, operationel eller kompatibel med dit produktionsmiljø og dine standarder. AWS giver ingen erklæringer, garantier eller garantier for, at nogen information i denne vejledning vil resultere i et bestemt resultat eller resultat.

Om forfatterne

Dr. Kyle Ulrich er en anvendt videnskabsmand med Amazon SageMaker indbyggede algoritmer hold. Hans forskningsinteresser omfatter skalerbare maskinlæringsalgoritmer, computervision, tidsserier, Bayesianske ikke-parametriske og Gaussiske processer. Hans ph.d. er fra Duke University, og han har udgivet artikler i NeurIPS, Cell og Neuron.

Evan Kravitz er softwareingeniør hos Amazon Web Services, der arbejder på SageMaker JumpStart. Han er interesseret i sammenløbet mellem maskinlæring og cloud computing. Evan modtog sin bachelorgrad fra Cornell University og mastergrad fra University of California, Berkeley. I 2021 præsenterede han et papir om adversarielle neurale netværk på ICLR-konferencen. I sin fritid nyder Evan at lave mad, rejse og løbe i New York City.

Rachna Chadha er Principal Solution Architect AI/ML i Strategic Accounts hos AWS. Rachna er en optimist, der mener, at etisk og ansvarlig brug af kunstig intelligens kan forbedre samfundet i fremtiden og bringe økonomisk og social velstand. I sin fritid kan Rachna godt lide at bruge tid med sin familie, vandreture og lytte til musik.

Dr. Ashish Khetan er en Senior Applied Scientist med Amazon SageMaker indbyggede algoritmer og hjælper med at udvikle machine learning algoritmer. Han fik sin ph.d. fra University of Illinois Urbana-Champaign. Han er en aktiv forsker i maskinlæring og statistisk inferens og har publiceret mange artikler i NeurIPS, ICML, ICLR, JMLR, ACL og EMNLP konferencer.

Karl Albertsen fører produkt, teknik og videnskab for Amazon SageMaker Algorithms og JumpStart, SageMakers maskinlæringshub. Han brænder for at anvende maskinlæring til at frigøre forretningsværdi.

• SEO Powered Content & PR Distribution. Bliv forstærket i dag.
• PlatoData.Network Vertical Generative Ai. Styrk dig selv. Adgang her.
• PlatoAiStream. Web3 intelligens. Viden forstærket. Adgang her.
• PlatoESG. Kulstof, CleanTech, Energi, Miljø, Solenergi, Affaldshåndtering. Adgang her.
• PlatoHealth. Bioteknologiske og kliniske forsøgs intelligens. Adgang her.
• Kilde: https://aws.amazon.com/blogs/machine-learning/llama-guard-is-now-available-in-amazon-sagemaker-jumpstart/