Amazon Titan lmage Generator G1 είναι ένα μοντέλο αιχμής κειμένου σε εικόνα, διαθέσιμο μέσω Θεμέλιο του Αμαζονίου, που είναι σε θέση να κατανοήσει τις προτροπές που περιγράφουν πολλαπλά αντικείμενα σε διάφορα περιβάλλοντα και αποτυπώνει αυτές τις σχετικές λεπτομέρειες στις εικόνες που δημιουργεί. Είναι διαθέσιμο στις περιφέρειες AWS East των ΗΠΑ (Ν. Βιρτζίνια) και των Δυτικών ΗΠΑ (Όρεγκον) και μπορεί να εκτελέσει προηγμένες εργασίες επεξεργασίας εικόνας, όπως έξυπνη περικοπή, ζωγραφική και αλλαγές φόντου. Ωστόσο, οι χρήστες θα ήθελαν να προσαρμόσουν το μοντέλο σε μοναδικά χαρακτηριστικά σε προσαρμοσμένα σύνολα δεδομένων στα οποία το μοντέλο δεν έχει ήδη εκπαιδευτεί. Τα προσαρμοσμένα σύνολα δεδομένων μπορούν να περιλαμβάνουν εξαιρετικά ιδιόκτητα δεδομένα που συνάδουν με τις οδηγίες της επωνυμίας σας ή με συγκεκριμένα στυλ, όπως μια προηγούμενη καμπάνια. Για να αντιμετωπίσετε αυτές τις περιπτώσεις χρήσης και να δημιουργήσετε πλήρως εξατομικευμένες εικόνες, μπορείτε να ρυθμίσετε το Amazon Titan Image Generator με τα δικά σας δεδομένα χρησιμοποιώντας προσαρμοσμένα μοντέλα για το Amazon Bedrock.

Από τη δημιουργία εικόνων έως την επεξεργασία τους, τα μοντέλα κειμένου σε εικόνα έχουν ευρείες εφαρμογές σε όλους τους κλάδους. Μπορούν να ενισχύσουν τη δημιουργικότητα των εργαζομένων και να παρέχουν τη δυνατότητα να φαντάζονται νέες δυνατότητες απλά με περιγραφές κειμένου. Για παράδειγμα, μπορεί να βοηθήσει το σχεδιασμό και τον σχεδιασμό δαπέδων για αρχιτέκτονες και να επιτρέψει ταχύτερη καινοτομία παρέχοντας τη δυνατότητα οπτικοποίησης διαφόρων σχεδίων χωρίς τη μη αυτόματη διαδικασία δημιουργίας τους. Ομοίως, μπορεί να βοηθήσει στο σχεδιασμό σε διάφορους κλάδους, όπως η κατασκευή, το σχέδιο μόδας στο λιανικό εμπόριο και ο σχεδιασμός παιχνιδιών, βελτιστοποιώντας τη δημιουργία γραφικών και εικονογραφήσεων. Τα μοντέλα κειμένου σε εικόνα ενισχύουν επίσης την εμπειρία των πελατών σας επιτρέποντας εξατομικευμένη διαφήμιση καθώς και διαδραστικά και καθηλωτικά οπτικά chatbot σε περιπτώσεις χρήσης πολυμέσων και ψυχαγωγίας.

Σε αυτήν την ανάρτηση, σας καθοδηγούμε στη διαδικασία τελειοποίησης του μοντέλου Amazon Titan Image Generator για να μάθετε δύο νέες κατηγορίες: τον σκύλο Ron και τη γάτα Smila, τα αγαπημένα μας κατοικίδια. Συζητάμε πώς να προετοιμάσετε τα δεδομένα σας για την εργασία μικρορύθμισης μοντέλου και πώς να δημιουργήσετε μια εργασία προσαρμογής μοντέλου στο Amazon Bedrock. Τέλος, σας δείχνουμε πώς να δοκιμάσετε και να αναπτύξετε το τελειοποιημένο μοντέλο σας Παρεχόμενη απόδοση.

Ρον ο σκύλος	Σμίλα η γάτα

Αξιολόγηση των δυνατοτήτων του μοντέλου πριν τελειοποιήσετε μια εργασία

Τα μοντέλα θεμελίωσης εκπαιδεύονται σε μεγάλες ποσότητες δεδομένων, επομένως είναι πιθανό το μοντέλο σας να λειτουργεί αρκετά καλά. Γι' αυτό, είναι καλή πρακτική να ελέγχετε εάν χρειάζεται πραγματικά να προσαρμόσετε το μοντέλο σας για την περίπτωση χρήσης σας ή εάν αρκεί η έγκαιρη τεχνική. Ας προσπαθήσουμε να δημιουργήσουμε μερικές εικόνες του σκύλου Ron και της γάτας Smila με το βασικό μοντέλο Amazon Titan Image Generator, όπως φαίνεται στα παρακάτω στιγμιότυπα οθόνης.

Όπως ήταν αναμενόμενο, το out-of-the-box μοντέλο δεν γνωρίζει ακόμα τον Ron και τη Smila και τα αποτελέσματα που δημιουργούνται δείχνουν διαφορετικούς σκύλους και γάτες. Με κάποια άμεση μηχανική, μπορούμε να παρέχουμε περισσότερες λεπτομέρειες για να έρθουμε πιο κοντά στην εμφάνιση των αγαπημένων μας κατοικίδιων.

Αν και οι εικόνες που δημιουργούνται μοιάζουν περισσότερο με τον Ρον και τη Σμίλα, βλέπουμε ότι το μοντέλο δεν είναι σε θέση να αναπαράγει την πλήρη ομοιότητα τους. Ας ξεκινήσουμε τώρα μια δουλειά τελειοποίησης με τις φωτογραφίες από τον Ron και τη Smila για να έχουμε συνεπή, εξατομικευμένα αποτελέσματα.

Βελτιστοποίηση του Amazon Titan Image Generator

Το Amazon Bedrock σάς παρέχει μια εμπειρία χωρίς διακομιστή για να ρυθμίσετε το μοντέλο του Amazon Titan Image Generator. Χρειάζεται μόνο να προετοιμάσετε τα δεδομένα σας και να επιλέξετε τις υπερπαραμέτρους σας και το AWS θα χειριστεί τη βαριά ανύψωση για εσάς.

Όταν χρησιμοποιείτε το μοντέλο του Amazon Titan Image Generator για λεπτομέρεια, δημιουργείται ένα αντίγραφο αυτού του μοντέλου στον λογαριασμό ανάπτυξης μοντέλου AWS, που ανήκει και διαχειρίζεται η AWS, και δημιουργείται μια εργασία προσαρμογής μοντέλου. Στη συνέχεια, αυτή η εργασία έχει πρόσβαση στα δεδομένα λεπτομέρειας από ένα VPC και το μοντέλο amazon Titan ενημερώνει τα βάρη του. Στη συνέχεια, το νέο μοντέλο αποθηκεύεται σε ένα Απλή υπηρεσία αποθήκευσης Amazon (Amazon S3) που βρίσκεται στον ίδιο λογαριασμό ανάπτυξης μοντέλου με το προεκπαιδευμένο μοντέλο. Μπορεί πλέον να χρησιμοποιηθεί για συμπεράσματα μόνο από τον λογαριασμό σας και δεν είναι κοινόχρηστο με κανέναν άλλο λογαριασμό AWS. Όταν εκτελείτε το συμπέρασμα, έχετε πρόσβαση σε αυτό το μοντέλο μέσω a υπολογισμός της προβλεπόμενης χωρητικότητας ή απευθείας, χρησιμοποιώντας συμπεράσματα παρτίδας για το Amazon Bedrock. Ανεξάρτητα από την επιλεγμένη μέθοδο συμπερασμάτων, τα δεδομένα σας παραμένουν στο λογαριασμό σας και δεν αντιγράφονται σε κανέναν λογαριασμό που ανήκει στο AWS ούτε χρησιμοποιούνται για τη βελτίωση του μοντέλου Amazon Titan Image Generator.

Το παρακάτω διάγραμμα απεικονίζει αυτήν τη ροή εργασίας.

Απόρρητο δεδομένων και ασφάλεια δικτύου

Τα δεδομένα σας που χρησιμοποιούνται για τη λεπτομέρεια, συμπεριλαμβανομένων των προτροπών, καθώς και τα προσαρμοσμένα μοντέλα, παραμένουν ιδιωτικά στον λογαριασμό σας AWS. Δεν κοινοποιούνται ούτε χρησιμοποιούνται για εκπαίδευση μοντέλων ή βελτιώσεις υπηρεσιών και δεν κοινοποιούνται σε τρίτους παρόχους μοντέλων. Όλα τα δεδομένα που χρησιμοποιούνται για τη λεπτομέρεια είναι κρυπτογραφημένα κατά τη μεταφορά και την ηρεμία. Τα δεδομένα παραμένουν στην ίδια Περιοχή όπου γίνεται η επεξεργασία της κλήσης API. Μπορείτε επίσης να χρησιμοποιήσετε AWS PrivateLink για να δημιουργήσετε μια ιδιωτική σύνδεση μεταξύ του λογαριασμού AWS όπου βρίσκονται τα δεδομένα σας και του VPC.

Προετοιμασία δεδομένων

Για να μπορέσετε να δημιουργήσετε μια εργασία προσαρμογής μοντέλου, πρέπει να το κάνετε προετοιμάστε το εκπαιδευτικό σας σύνολο. Η μορφή του συνόλου εκπαίδευσης εξαρτάται από τον τύπο της εργασίας προσαρμογής που δημιουργείτε (βελτιστοποίηση ή συνεχής προεκπαίδευση) και τον τρόπο λειτουργίας των δεδομένων σας (κείμενο σε κείμενο, κείμενο σε εικόνα ή εικόνα σε- ενσωμάτωση). Για το μοντέλο Amazon Titan Image Generator, πρέπει να παρέχετε τις εικόνες που θέλετε να χρησιμοποιήσετε για τη λεπτομέρεια και μια λεζάντα για κάθε εικόνα. Το Amazon Bedrock αναμένει ότι οι εικόνες σας θα αποθηκευτούν στο Amazon S3 και τα ζεύγη εικόνων και λεζάντες θα παρέχονται σε μορφή JSONL με πολλές γραμμές JSON.

Κάθε γραμμή JSON είναι ένα δείγμα που περιέχει μια εικόνα-αναφορά, το S3 URI για μια εικόνα και μια λεζάντα που περιλαμβάνει μια προτροπή κειμένου για την εικόνα. Οι εικόνες σας πρέπει να είναι σε μορφή JPEG ή PNG. Ο παρακάτω κώδικας δείχνει ένα παράδειγμα της μορφής:

{"image-ref": "s3://bucket/path/to/image001.png", "caption": ""} {"image-ref": "s3://bucket/path/to/image002.png", "caption": ""} {"image-ref": "s3://bucket/path/to/image003.png", "caption": ""}

Επειδή το "Ron" και το "Smila" είναι ονόματα που θα μπορούσαν επίσης να χρησιμοποιηθούν σε άλλα περιβάλλοντα, όπως το όνομα ενός ατόμου, προσθέτουμε τα αναγνωριστικά "Ron the dog" και "Smila the cat" όταν δημιουργούμε την προτροπή για να τελειοποιήσουμε το μοντέλο μας . Αν και δεν αποτελεί απαίτηση για τη ροή εργασιών λεπτομέρειας, αυτές οι πρόσθετες πληροφορίες παρέχουν μεγαλύτερη σαφήνεια για το μοντέλο όταν προσαρμόζεται για τις νέες κατηγορίες και θα αποφύγει τη σύγχυση του "Ron the dog" με ένα άτομο που ονομάζεται Ron και " Σμίλα η γάτα» με την πόλη Σμίλα στην Ουκρανία. Χρησιμοποιώντας αυτή τη λογική, οι παρακάτω εικόνες δείχνουν ένα δείγμα του συνόλου της εκπαίδευσης μας.

Ο Ρον ο σκύλος ξαπλώνει σε ένα λευκό κρεβάτι σκύλου	Ο Ρον ο σκύλος κάθεται σε ένα δάπεδο με πλακάκια	Ο Ρον ο σκύλος ξαπλωμένος σε ένα κάθισμα αυτοκινήτου

Smila η γάτα ξαπλωμένη σε έναν καναπέ	Η Smila η γάτα κοιτάζει την κάμερα ξαπλωμένη σε έναν καναπέ	Smila η γάτα που ξαπλώνει σε μια κουβέρτα

Όταν μετατρέπουμε τα δεδομένα μας στη μορφή που αναμένεται από την εργασία προσαρμογής, λαμβάνουμε την ακόλουθη δομή δείγματος:

{"image-ref": "/ron_01.jpg", "caption": "Ο Ρον ο σκύλος ξαπλώνει σε ένα λευκό κρεβάτι σκύλου"} {"image-ref": "/ron_02.jpg", "caption": "Ο Ρον ο σκύλος κάθεται σε ένα δάπεδο με πλακάκια"} {"image-ref": "/ron_03.jpg", "caption": "Ο Ρον ο σκύλος ξαπλώνει σε ένα κάθισμα αυτοκινήτου"} {"image-ref": "/smila_01.jpg", "caption": "Smila η γάτα ξαπλωμένη σε έναν καναπέ"} {"image-ref": "/smila_02.jpg", "caption": "Smila η γάτα που κάθεται δίπλα στο παράθυρο δίπλα σε μια γάτα άγαλμα"} {"image-ref": "/smila_03.jpg", "caption": "Smila η γάτα ξαπλωμένη σε ένα κουβάρι"}

Αφού δημιουργήσουμε το αρχείο JSONL, πρέπει να το αποθηκεύσουμε σε έναν κάδο S3 για να ξεκινήσουμε την εργασία προσαρμογής. Οι εργασίες μικρορύθμισης του Amazon Titan Image Generator G1 θα λειτουργούν με 5–10,000 εικόνες. Για το παράδειγμα που συζητείται σε αυτήν την ανάρτηση, χρησιμοποιούμε 60 εικόνες: 30 του σκύλου Ρον και 30 της γάτας Σμίλα. Γενικά, η παροχή περισσότερων ποικιλιών του στυλ ή της κατηγορίας που προσπαθείτε να μάθετε θα βελτιώσει την ακρίβεια του βελτιωμένου μοντέλου σας. Ωστόσο, όσο περισσότερες εικόνες χρησιμοποιείτε για λεπτομέρεια, τόσο περισσότερος χρόνος θα απαιτείται για να ολοκληρωθεί η εργασία μικρορύθμισης. Ο αριθμός των εικόνων που χρησιμοποιούνται επηρεάζει επίσης την τιμολόγηση της τελειοποιημένης εργασίας σας. Αναφέρομαι σε Τιμολόγηση του Amazon Bedrock Για περισσότερες πληροφορίες.

Βελτιστοποίηση του Amazon Titan Image Generator

Τώρα που έχουμε έτοιμα τα δεδομένα εκπαίδευσης, μπορούμε να ξεκινήσουμε μια νέα εργασία προσαρμογής. Αυτή η διαδικασία μπορεί να γίνει τόσο μέσω της κονσόλας Amazon Bedrock όσο και μέσω API. Για να χρησιμοποιήσετε την κονσόλα Amazon Bedrock, ολοκληρώστε τα παρακάτω βήματα:

1. Στην κονσόλα Amazon Bedrock, επιλέξτε Προσαρμοσμένα μοντέλα στο παράθυρο πλοήγησης.
2. Στις Προσαρμογή μοντέλου μενού, επιλέξτε Δημιουργία εργασίας τελειοποίησης.
3. Για Λεπτομερές όνομα μοντέλου, πληκτρολογήστε ένα όνομα για το νέο σας μοντέλο.
4. Για Διαμόρφωση εργασίας, πληκτρολογήστε ένα όνομα για την εργασία εκπαίδευσης.
5. Για Εισαγωγή δεδομένων, εισάγετε τη διαδρομή S3 των δεδομένων εισόδου.
   
6. Στο Υπερπαραμέτρους ενότητα, δώστε τιμές για τα ακόλουθα:
   1. Αριθμός βημάτων – Ο αριθμός των φορών που το μοντέλο εκτίθεται σε κάθε παρτίδα.
   2. Μέγεθος παρτίδας – Ο αριθμός των δειγμάτων που υποβλήθηκαν σε επεξεργασία πριν από την ενημέρωση των παραμέτρων του μοντέλου.
   3. Ποσοστό εκμάθησης – Ο ρυθμός με τον οποίο ενημερώνονται οι παράμετροι του μοντέλου μετά από κάθε παρτίδα. Η επιλογή αυτών των παραμέτρων εξαρτάται από ένα δεδομένο σύνολο δεδομένων. Ως γενική οδηγία, σας συνιστούμε να ξεκινήσετε καθορίζοντας το μέγεθος παρτίδας σε 8, τον ρυθμό εκμάθησης σε 1e-5 και να ορίσετε τον αριθμό των βημάτων ανάλογα με τον αριθμό των εικόνων που χρησιμοποιούνται, όπως περιγράφεται λεπτομερώς στον παρακάτω πίνακα.

Αριθμός παρεχόμενων εικόνων	8	32	64	1,000	10,000
Αριθμός βημάτων που προτείνονται	1,000	4,000	8,000	10,000	12,000

Εάν τα αποτελέσματα της εργασίας βελτιστοποίησης δεν είναι ικανοποιητικά, εξετάστε το ενδεχόμενο να αυξήσετε τον αριθμό των βημάτων εάν δεν παρατηρήσετε σημάδια του στυλ στις εικόνες που δημιουργούνται και να μειώσετε τον αριθμό των βημάτων εάν παρατηρήσετε το στυλ στις εικόνες που δημιουργούνται, αλλά με τεχνουργήματα ή θολούρα. Εάν το βελτιστοποιημένο μοντέλο δεν καταφέρει να μάθει το μοναδικό στυλ στο σύνολο δεδομένων σας ακόμα και μετά από 40,000 βήματα, εξετάστε το ενδεχόμενο να αυξήσετε το μέγεθος παρτίδας ή τον ρυθμό εκμάθησης.

7. Στο Δεδομένα εξόδου ενότητα, εισαγάγετε τη διαδρομή εξόδου S3 όπου αποθηκεύονται οι έξοδοι επικύρωσης, συμπεριλαμβανομένων των περιοδικά καταγεγραμμένων μετρήσεων απώλειας επικύρωσης και ακρίβειας.
8. Στο Πρόσβαση στην υπηρεσία ενότητα, δημιουργήστε ένα νέο Διαχείριση ταυτότητας και πρόσβασης AWS ρόλο (IAM) ή επιλέξτε έναν υπάρχοντα ρόλο IAM με τα απαραίτητα δικαιώματα για πρόσβαση στους κάδους S3 σας.

Αυτή η εξουσιοδότηση επιτρέπει στο Amazon Bedrock να ανακτά σύνολα δεδομένων εισόδου και επικύρωσης από τον καθορισμένο κάδο σας και να αποθηκεύει τα αποτελέσματα επικύρωσης χωρίς προβλήματα στον κάδο S3 σας.

9. Επιλέξτε Μοντέλο λεπτομέρειας.
   

Με τις σωστές διαμορφώσεις που έχουν οριστεί, το Amazon Bedrock θα εκπαιδεύσει τώρα το προσαρμοσμένο μοντέλο σας.

Αναπτύξτε το βελτιστοποιημένο Amazon Titan Image Generator με προβλεπόμενη απόδοση

Αφού δημιουργήσετε προσαρμοσμένο μοντέλο, το Provisioned Throughput σάς επιτρέπει να εκχωρήσετε έναν προκαθορισμένο, σταθερό ρυθμό ικανότητας επεξεργασίας στο προσαρμοσμένο μοντέλο. Αυτή η κατανομή παρέχει ένα σταθερό επίπεδο απόδοσης και ικανότητας για τη διαχείριση του φόρτου εργασίας, το οποίο έχει ως αποτέλεσμα καλύτερη απόδοση στον φόρτο εργασίας της παραγωγής. Το δεύτερο πλεονέκτημα του Provisioned Throughput είναι ο έλεγχος του κόστους, επειδή η τυπική τιμολόγηση με βάση διακριτικά με λειτουργία συμπερασμάτων κατ' απαίτηση μπορεί να είναι δύσκολο να προβλεφθεί σε μεγάλη κλίμακα.

Όταν ολοκληρωθεί η λεπτή ρύθμιση του μοντέλου σας, αυτό το μοντέλο θα εμφανιστεί στο Προσαρμοσμένα μοντέλα' σελίδα στην κονσόλα Amazon Bedrock.

Για να αγοράσετε Παρεχόμενη Διακίνηση, επιλέξτε το προσαρμοσμένο μοντέλο που μόλις ρυθμίσατε και επιλέξτε Προβλεπόμενη απόδοση αγοράς.

Αυτό συμπληρώνει εκ των προτέρων το επιλεγμένο μοντέλο για το οποίο θέλετε να αγοράσετε Παρεχόμενη Διακίνηση. Για να δοκιμάσετε το τελειοποιημένο μοντέλο σας πριν από την ανάπτυξη, ορίστε τις μονάδες μοντέλου σε τιμή 1 και ορίστε τον όρο δέσμευσης σε Καμία δέσμευση. Αυτό σας επιτρέπει γρήγορα να αρχίσετε να δοκιμάζετε τα μοντέλα σας με τις προσαρμοσμένες σας προτροπές και να ελέγχετε εάν η εκπαίδευση είναι επαρκής. Επιπλέον, όταν είναι διαθέσιμα νέα βελτιωμένα μοντέλα και νέες εκδόσεις, μπορείτε να ενημερώσετε την Παρεχόμενη Διακίνηση αρκεί να την ενημερώσετε με άλλες εκδόσεις του ίδιου μοντέλου.

Αποτελέσματα λεπτομέρειας

Για το καθήκον μας να προσαρμόσουμε το μοντέλο στον σκύλο Ρον και τη γάτα Σμίλα, τα πειράματα έδειξαν ότι οι καλύτερες υπερπαράμετροι ήταν 5,000 βήματα με μέγεθος παρτίδας 8 και ρυθμό εκμάθησης 1e-5.

Ακολουθούν μερικά παραδείγματα των εικόνων που δημιουργούνται από το προσαρμοσμένο μοντέλο.

Ο σκύλος Ρον φοράει μια κάπα υπερήρωα	Ο Ρον ο σκύλος στο φεγγάρι	Ο σκύλος Ron σε μια πισίνα με γυαλιά ηλίου

Smila η γάτα στο χιόνι	Η Smila η γάτα στα ασπρόμαυρα κοιτάζοντας την κάμερα	Η Smila η γάτα που φορά ένα χριστουγεννιάτικο καπέλο

Συμπέρασμα

Σε αυτήν την ανάρτηση, συζητήσαμε πότε πρέπει να χρησιμοποιείτε τη λεπτομέρεια αντί να σχεδιάζουμε τις προτροπές σας για δημιουργία εικόνας καλύτερης ποιότητας. Δείξαμε πώς να βελτιστοποιήσετε το μοντέλο του Amazon Titan Image Generator και να αναπτύξετε το προσαρμοσμένο μοντέλο στο Amazon Bedrock. Παρέχαμε επίσης γενικές οδηγίες σχετικά με τον τρόπο προετοιμασίας των δεδομένων σας για λεπτομέρεια και ορισμού βέλτιστων υπερπαραμέτρων για πιο ακριβή προσαρμογή του μοντέλου.

Ως επόμενο βήμα, μπορείτε να προσαρμόσετε τα παρακάτω παράδειγμα στην περίπτωση χρήσης σας για να δημιουργήσετε υπερ-εξατομικευμένες εικόνες χρησιμοποιώντας το Amazon Titan Image Generator.

---

Σχετικά με τους Συγγραφείς

Maira Ladeira Tanke είναι Senior Generative AI Data Scientist στο AWS. Με υπόβαθρο στη μηχανική μάθηση, έχει πάνω από 10 χρόνια εμπειρία στην αρχιτεκτονική και την κατασκευή εφαρμογών AI με πελάτες σε όλους τους κλάδους. Ως τεχνική επικεφαλής, βοηθά τους πελάτες να επιταχύνουν την επίτευξη επιχειρηματικής αξίας μέσω παραγωγικών λύσεων τεχνητής νοημοσύνης στο Amazon Bedrock. Στον ελεύθερο χρόνο της, η Μάιρα απολαμβάνει τα ταξίδια, τα παιχνίδια με τη γάτα της Σμίλα και τον χρόνο με την οικογένειά της κάπου ζεστά.

Ντάνι Μίτσελ είναι Αρχιτέκτονας Ειδικών Λύσεων AI/ML στο Amazon Web Services. Επικεντρώνεται σε περιπτώσεις χρήσης όρασης υπολογιστή και βοηθά τους πελάτες σε όλη την EMEA να επιταχύνουν το ταξίδι τους ML.

Μπχαράθι Σρινιβασάν είναι Επιστήμονας Δεδομένων στο AWS Professional Services, όπου της αρέσει να χτίζει όμορφα πράγματα στο Amazon Bedrock. Είναι παθιασμένη με την αύξηση της επιχειρηματικής αξίας από τις εφαρμογές μηχανικής εκμάθησης, με έμφαση στην υπεύθυνη τεχνητή νοημοσύνη. Εκτός από τη δημιουργία νέων εμπειριών AI για πελάτες, η Bharathi λατρεύει να γράφει επιστημονική φαντασία και να προκαλεί τον εαυτό της με αθλήματα αντοχής.

Achin Jain είναι Εφαρμοσμένος Επιστήμονας με την ομάδα της Amazon Artificial General Intelligence (AGI). Έχει εξειδίκευση στα μοντέλα κειμένου σε εικόνα και επικεντρώνεται στην κατασκευή του Amazon Titan Image Generator.

• SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
• PlatoData.Network Vertical Generative Ai. Ενδυναμώστε τον εαυτό σας. Πρόσβαση εδώ.
• PlatoAiStream. Web3 Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
• PlatoESG. Ανθρακας, Cleantech, Ενέργεια, Περιβάλλον, Ηλιακός, Διαχείριση των αποβλήτων. Πρόσβαση εδώ.
• PlatoHealth. Ευφυΐα βιοτεχνολογίας και κλινικών δοκιμών. Πρόσβαση εδώ.
• πηγή: https://aws.amazon.com/blogs/machine-learning/fine-tune-your-amazon-titan-image-generator-g1-model-using-amazon-bedrock-model-customization/