अमेज़ॅन टाइटन एलमेज जेनरेटर जी1 एक अत्याधुनिक टेक्स्ट-टू-इमेज मॉडल है, जो इसके माध्यम से उपलब्ध है अमेज़ॅन बेडरॉक, जो विभिन्न संदर्भों में कई वस्तुओं का वर्णन करने वाले संकेतों को समझने में सक्षम है और इन प्रासंगिक विवरणों को उत्पन्न छवियों में कैप्चर करता है। यह यूएस ईस्ट (एन. वर्जीनिया) और यूएस वेस्ट (ओरेगन) एडब्ल्यूएस क्षेत्रों में उपलब्ध है और स्मार्ट क्रॉपिंग, इन-पेंटिंग और पृष्ठभूमि परिवर्तन जैसे उन्नत छवि संपादन कार्य कर सकता है। हालाँकि, उपयोगकर्ता मॉडल को कस्टम डेटासेट में अद्वितीय विशेषताओं के लिए अनुकूलित करना चाहेंगे जिन पर मॉडल पहले से ही प्रशिक्षित नहीं है। कस्टम डेटासेट में अत्यधिक स्वामित्व वाला डेटा शामिल हो सकता है जो आपके ब्रांड दिशानिर्देशों या पिछले अभियान जैसी विशिष्ट शैलियों के अनुरूप हो। इन उपयोग मामलों को संबोधित करने और पूरी तरह से वैयक्तिकृत छवियां उत्पन्न करने के लिए, आप अमेज़ॅन टाइटन इमेज जेनरेटर को अपने डेटा का उपयोग करके ठीक कर सकते हैं अमेज़ॅन बेडरॉक के लिए कस्टम मॉडल.
छवियां बनाने से लेकर उन्हें संपादित करने तक, टेक्स्ट-टू-इमेज मॉडल का उद्योगों में व्यापक अनुप्रयोग होता है। वे कर्मचारी की रचनात्मकता को बढ़ा सकते हैं और केवल पाठ्य विवरण के साथ नई संभावनाओं की कल्पना करने की क्षमता प्रदान कर सकते हैं। उदाहरण के लिए, यह आर्किटेक्ट्स के लिए डिज़ाइन और फ़्लोर प्लानिंग में सहायता कर सकता है और उन्हें बनाने की मैन्युअल प्रक्रिया के बिना विभिन्न डिज़ाइनों को देखने की क्षमता प्रदान करके तेज़ नवाचार की अनुमति दे सकता है। इसी तरह, यह ग्राफिक्स और चित्रण की पीढ़ी को सुव्यवस्थित करके विनिर्माण, खुदरा क्षेत्र में फैशन डिजाइन और गेम डिजाइन जैसे विभिन्न उद्योगों में डिजाइन में सहायता कर सकता है। टेक्स्ट-टू-इमेज मॉडल वैयक्तिकृत विज्ञापन के साथ-साथ मीडिया और मनोरंजन उपयोग के मामलों में इंटरैक्टिव और इमर्सिव विज़ुअल चैटबॉट की अनुमति देकर आपके ग्राहक अनुभव को भी बढ़ाते हैं।
इस पोस्ट में, हम आपको दो नई श्रेणियां सीखने के लिए अमेज़ॅन टाइटन इमेज जेनरेटर मॉडल को ठीक करने की प्रक्रिया के माध्यम से मार्गदर्शन करते हैं: रॉन द डॉग और स्मिला द कैट, हमारे पसंदीदा पालतू जानवर। हम चर्चा करते हैं कि मॉडल फाइन-ट्यूनिंग कार्य के लिए अपना डेटा कैसे तैयार करें और अमेज़ॅन बेडरॉक में मॉडल अनुकूलन कार्य कैसे बनाएं। अंत में, हम आपको दिखाते हैं कि अपने परिष्कृत मॉडल का परीक्षण और परिनियोजन कैसे करें प्रावधानित थ्रूपुट.
कुत्ते को रॉन | बिल्ली स्माइला |
किसी कार्य को बेहतर बनाने से पहले मॉडल क्षमताओं का मूल्यांकन करना
फाउंडेशन मॉडल को बड़ी मात्रा में डेटा पर प्रशिक्षित किया जाता है, इसलिए यह संभव है कि आपका मॉडल बॉक्स से बाहर काफी अच्छा काम करेगा। इसीलिए यह जांचना अच्छा अभ्यास है कि क्या आपको वास्तव में अपने उपयोग के मामले के लिए अपने मॉडल को ठीक करने की आवश्यकता है या यदि त्वरित इंजीनियरिंग पर्याप्त है। आइए बेस अमेज़ॅन टाइटन इमेज जेनरेटर मॉडल के साथ रॉन कुत्ते और स्मिला बिल्ली की कुछ छवियां उत्पन्न करने का प्रयास करें, जैसा कि निम्नलिखित स्क्रीनशॉट में दिखाया गया है।
जैसा कि अपेक्षित था, आउट-ऑफ़-द-बॉक्स मॉडल अभी तक रॉन और स्मिला को नहीं जानता है, और उत्पन्न आउटपुट अलग-अलग कुत्तों और बिल्लियों को दिखाते हैं। कुछ शीघ्र इंजीनियरिंग के साथ, हम अपने पसंदीदा पालतू जानवरों के लुक के करीब पहुंचने के लिए अधिक विवरण प्रदान कर सकते हैं।
हालाँकि उत्पन्न छवियां रॉन और स्मिला के समान हैं, हम देखते हैं कि मॉडल उनकी पूर्ण समानता को पुन: पेश करने में सक्षम नहीं है। आइए अब सुसंगत, वैयक्तिकृत आउटपुट प्राप्त करने के लिए रॉन और स्मिला की तस्वीरों के साथ एक बढ़िया ट्यूनिंग का काम शुरू करें।
अमेज़ॅन टाइटन इमेज जेनरेटर को फाइन-ट्यूनिंग करें
अमेज़ॅन बेडरॉक आपको अपने अमेज़ॅन टाइटन इमेज जेनरेटर मॉडल को ठीक करने के लिए सर्वर रहित अनुभव प्रदान करता है। आपको केवल अपना डेटा तैयार करने और अपने हाइपरपैरामीटर का चयन करने की आवश्यकता है, और AWS आपके लिए भारी भारोत्तोलन संभाल लेगा।
जब आप अमेज़ॅन टाइटन इमेज जेनरेटर मॉडल को फाइन-ट्यून करने के लिए उपयोग करते हैं, तो इस मॉडल की एक प्रति AWS मॉडल डेवलपमेंट अकाउंट में बनाई जाती है, जिसका स्वामित्व और प्रबंधन AWS द्वारा किया जाता है, और एक मॉडल अनुकूलन कार्य बनाया जाता है। यह कार्य फिर वीपीसी से फाइन-ट्यूनिंग डेटा तक पहुंचता है और अमेज़ॅन टाइटन मॉडल का वजन अपडेट किया जाता है। फिर नए मॉडल को एक में सहेजा जाता है अमेज़न सरल भंडारण सेवा (अमेज़ॅन S3) पूर्व-प्रशिक्षित मॉडल के समान मॉडल विकास खाते में स्थित है। इसका उपयोग अब केवल आपके खाते द्वारा अनुमान लगाने के लिए किया जा सकता है और इसे किसी अन्य AWS खाते के साथ साझा नहीं किया जा सकता है। अनुमान चलाते समय, आप इस मॉडल को a के माध्यम से एक्सेस करते हैं प्रावधानित क्षमता गणना या सीधे, उपयोग करके अमेज़ॅन बेडरॉक के लिए बैच अनुमान. चुने गए अनुमान के तरीके से स्वतंत्र रूप से, आपका डेटा आपके खाते में रहता है और इसे किसी भी AWS के स्वामित्व वाले खाते में कॉपी नहीं किया जाता है या अमेज़ॅन टाइटन इमेज जेनरेटर मॉडल को बेहतर बनाने के लिए उपयोग नहीं किया जाता है।
निम्न आरेख इस वर्कफ़्लो को दिखाता है।
डेटा गोपनीयता और नेटवर्क सुरक्षा
संकेतों के साथ-साथ कस्टम मॉडल को ठीक करने के लिए उपयोग किया जाने वाला आपका डेटा आपके AWS खाते में निजी रहता है। उन्हें मॉडल प्रशिक्षण या सेवा सुधार के लिए साझा या उपयोग नहीं किया जाता है, और तीसरे पक्ष के मॉडल प्रदाताओं के साथ साझा नहीं किया जाता है। फ़ाइन-ट्यूनिंग के लिए उपयोग किया जाने वाला सभी डेटा ट्रांज़िट और आराम के दौरान एन्क्रिप्ट किया गया है। डेटा उसी क्षेत्र में रहता है जहां एपीआई कॉल संसाधित होती है। आप भी उपयोग कर सकते हैं एडब्ल्यूएस प्राइवेटलिंक AWS खाते जहां आपका डेटा रहता है और VPC के बीच एक निजी कनेक्शन बनाने के लिए।
डेटा तैयारी
इससे पहले कि आप एक मॉडल अनुकूलन कार्य बना सकें, आपको यह करना होगा अपना प्रशिक्षण डेटासेट तैयार करें. आपके प्रशिक्षण डेटासेट का प्रारूप आपके द्वारा बनाए जा रहे अनुकूलन कार्य के प्रकार (फाइन-ट्यूनिंग या निरंतर पूर्व-प्रशिक्षण) और आपके डेटा की पद्धति (पाठ-से-पाठ, पाठ-से-छवि, या छवि-से-) पर निर्भर करता है। एम्बेडिंग)। अमेज़ॅन टाइटन इमेज जेनरेटर मॉडल के लिए, आपको वे छवियां प्रदान करनी होंगी जिन्हें आप फ़ाइन-ट्यूनिंग के लिए उपयोग करना चाहते हैं और प्रत्येक छवि के लिए एक कैप्शन प्रदान करना होगा। अमेज़ॅन बेडरॉक को उम्मीद है कि आपकी छवियां अमेज़ॅन एस 3 पर संग्रहीत की जाएंगी और छवियों और कैप्शन के जोड़े को कई JSON लाइनों के साथ JSONL प्रारूप में प्रदान किया जाएगा।
प्रत्येक JSON लाइन एक नमूना है जिसमें एक छवि-रेफ, एक छवि के लिए S3 URI और एक कैप्शन होता है जिसमें छवि के लिए एक पाठ्य संकेत शामिल होता है। आपकी छवियां JPEG या PNG प्रारूप में होनी चाहिए. निम्नलिखित कोड प्रारूप का एक उदाहरण दिखाता है:
{"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": ""}
क्योंकि "रॉन" और "स्मिला" ऐसे नाम हैं जिनका उपयोग अन्य संदर्भों में भी किया जा सकता है, जैसे कि किसी व्यक्ति का नाम, हम अपने मॉडल को बेहतर बनाने के लिए संकेत बनाते समय पहचानकर्ता "रॉन द डॉग" और "स्मिला द कैट" जोड़ते हैं। . हालाँकि यह फाइन-ट्यूनिंग वर्कफ़्लो के लिए एक आवश्यकता नहीं है, यह अतिरिक्त जानकारी मॉडल के लिए अधिक प्रासंगिक स्पष्टता प्रदान करती है जब इसे नई कक्षाओं के लिए अनुकूलित किया जा रहा है और रॉन नामक व्यक्ति के साथ ''रॉन द डॉग'' के भ्रम से बचा जाएगा। स्मिला द कैट” यूक्रेन के स्मिला शहर के साथ। इस तर्क का उपयोग करते हुए, निम्नलिखित छवियां हमारे प्रशिक्षण डेटासेट का एक नमूना दिखाती हैं।
रॉन कुत्ता सफ़ेद कुत्ते के बिस्तर पर लेटा हुआ है | रॉन कुत्ता टाइल फर्श पर बैठा है | रॉन कुत्ता कार की सीट पर लेटा हुआ है |
बिल्ली स्माइला सोफ़े पर लेटी हुई है | बिल्ली स्माइला सोफे पर लेटी हुई कैमरे की ओर घूर रही है | पालतू पशु वाहक में लेटी हुई बिल्ली स्मिला |
अपने डेटा को अनुकूलन कार्य द्वारा अपेक्षित प्रारूप में परिवर्तित करते समय, हमें निम्नलिखित नमूना संरचना मिलती है:
{"छवि-रेफ": "/ron_01.jpg", "caption": "सफेद कुत्ते के बिस्तर पर लेटा कुत्ता रॉन"} {"image-ref": "/ron_02.jpg", "caption": "टाइल फर्श पर बैठे कुत्ते को रॉन करें"} {"image-ref": "/ron_03.jpg", "caption": "कार की सीट पर लेटा कुत्ता रॉन"} {"image-ref": "/smila_01.jpg", "caption": "सोफ़े पर लेटी बिल्ली स्माइला"} {"image-ref": "/smila_02.jpg", "caption": "बिल्ली स्माइला खिड़की के पास एक मूर्ति वाली बिल्ली के पास बैठी है"} {"image-ref": "/smila_03.jpg", "caption": "पालतू जानवर ले जाने वाली गाड़ी पर लेटी बिल्ली स्माइला"}
अपनी JSONL फ़ाइल बनाने के बाद, हमें अपना अनुकूलन कार्य शुरू करने के लिए इसे S3 बकेट पर संग्रहीत करना होगा। अमेज़ॅन टाइटन इमेज जेनरेटर जी1 फाइन-ट्यूनिंग जॉब 5-10,000 छवियों के साथ काम करेगा। इस पोस्ट में चर्चा किए गए उदाहरण के लिए, हम 60 छवियों का उपयोग करते हैं: रॉन कुत्ते की 30 और बिल्ली स्मिला की 30। सामान्य तौर पर, आप जिस शैली या वर्ग को सीखने का प्रयास कर रहे हैं उसकी अधिक किस्में प्रदान करने से आपके परिष्कृत मॉडल की सटीकता में सुधार होगा। हालाँकि, फाइन-ट्यूनिंग के लिए आप जितनी अधिक छवियों का उपयोग करेंगे, फाइन-ट्यूनिंग कार्य को पूरा करने में उतना ही अधिक समय लगेगा। उपयोग की गई छवियों की संख्या आपके सुव्यवस्थित कार्य के मूल्य निर्धारण को भी प्रभावित करती है। को देखें अमेज़ॅन बेडरॉक मूल्य निर्धारण देखें।
अमेज़ॅन टाइटन इमेज जेनरेटर को फाइन-ट्यूनिंग करें
अब जब हमारे पास अपना प्रशिक्षण डेटा तैयार है, तो हम एक नया अनुकूलन कार्य शुरू कर सकते हैं। यह प्रक्रिया अमेज़ॅन बेडरॉक कंसोल या एपीआई दोनों के माध्यम से की जा सकती है। अमेज़ॅन बेडरॉक कंसोल का उपयोग करने के लिए, निम्नलिखित चरणों को पूरा करें:
- अमेज़ॅन बेडरॉक कंसोल पर, चुनें कस्टम मॉडल नेविगेशन फलक में
- पर मॉडल अनुकूलित करें मेनू, चुनें फाइन-ट्यूनिंग कार्य बनाएं.
- के लिए सुव्यवस्थित मॉडल का नाम, अपने नए मॉडल के लिए एक नाम दर्ज करें।
- के लिए कार्य विन्यास, प्रशिक्षण कार्य के लिए एक नाम दर्ज करें।
- के लिए इनपुट डेटा, इनपुट डेटा का S3 पथ दर्ज करें।
- में हाइपरपैरामीटर अनुभाग, निम्नलिखित के लिए मान प्रदान करें:
- चरणों की संख्या - प्रत्येक बैच में मॉडल के संपर्क में आने की संख्या।
- बैच का आकार - मॉडल मापदंडों को अद्यतन करने से पहले संसाधित नमूनों की संख्या।
- सीखने की दर - वह दर जिस पर प्रत्येक बैच के बाद मॉडल पैरामीटर अपडेट किए जाते हैं। इन मापदंडों का चुनाव किसी दिए गए डेटासेट पर निर्भर करता है। एक सामान्य दिशानिर्देश के रूप में, हम अनुशंसा करते हैं कि आप बैच का आकार 8, सीखने की दर 1e-5 तय करके शुरू करें, और उपयोग की गई छवियों की संख्या के अनुसार चरणों की संख्या निर्धारित करें, जैसा कि निम्नलिखित तालिका में बताया गया है।
प्रदान की गई छवियों की संख्या | 8 | 32 | 64 | 1,000 | 10,000 |
अनुशंसित चरणों की संख्या | 1,000 | 4,000 | 8,000 | 10,000 | 12,000 |
यदि आपके फ़ाइन-ट्यूनिंग कार्य के परिणाम संतोषजनक नहीं हैं, तो यदि आप जेनरेट की गई छवियों में शैली का कोई संकेत नहीं देखते हैं, तो चरणों की संख्या बढ़ाने पर विचार करें, और यदि आप जेनरेट की गई छवियों में शैली देखते हैं, तो चरणों की संख्या कम करने पर विचार करें। कलाकृतियों या धुंधलापन के साथ. यदि फाइन-ट्यून मॉडल 40,000 चरणों के बाद भी आपके डेटासेट में अनूठी शैली सीखने में विफल रहता है, तो बैच आकार या सीखने की दर बढ़ाने पर विचार करें।
- में उत्पादित आंकड़े अनुभाग, S3 आउटपुट पथ दर्ज करें जहां समय-समय पर रिकॉर्ड की गई सत्यापन हानि और सटीकता मेट्रिक्स सहित सत्यापन आउटपुट संग्रहीत होते हैं।
- में सेवा का उपयोग अनुभाग, एक नया उत्पन्न करें AWS पहचान और अभिगम प्रबंधन (IAM) भूमिका या अपने S3 बकेट तक पहुँचने के लिए आवश्यक अनुमतियों के साथ मौजूदा IAM भूमिका चुनें।
यह प्राधिकरण अमेज़ॅन बेडरॉक को आपके निर्दिष्ट बकेट से इनपुट और सत्यापन डेटासेट पुनर्प्राप्त करने और आपके S3 बकेट में सत्यापन आउटपुट को मूल रूप से संग्रहीत करने में सक्षम बनाता है।
- चुनें फाइन-ट्यून मॉडल.
सही कॉन्फ़िगरेशन सेट के साथ, अमेज़ॅन बेडरॉक अब आपके कस्टम मॉडल को प्रशिक्षित करेगा।
प्रावधानित थ्रूपुट के साथ बेहतर ट्यून किए गए अमेज़ॅन टाइटन इमेज जेनरेटर को तैनात करें
आपके द्वारा कस्टम मॉडल बनाने के बाद, प्रोविज़न्ड थ्रूपुट आपको कस्टम मॉडल के लिए प्रसंस्करण क्षमता की एक पूर्व निर्धारित, निश्चित दर आवंटित करने की अनुमति देता है। यह आवंटन कार्यभार संभालने के लिए प्रदर्शन और क्षमता का एक सुसंगत स्तर प्रदान करता है, जिसके परिणामस्वरूप उत्पादन कार्यभार में बेहतर प्रदर्शन होता है। प्रावधानित थ्रूपुट का दूसरा लाभ लागत नियंत्रण है, क्योंकि ऑन-डिमांड अनुमान मोड के साथ मानक टोकन-आधारित मूल्य निर्धारण बड़े पैमाने पर भविष्यवाणी करना मुश्किल हो सकता है।
जब आपके मॉडल की फाइन ट्यूनिंग पूरी हो जाएगी, तो यह मॉडल दिखाई देगा कस्टम मॉडल' अमेज़न बेडरॉक कंसोल पर पेज।
प्रोविज़न्ड थ्रूपुट खरीदने के लिए, उस कस्टम मॉडल का चयन करें जिसे आपने अभी ठीक किया है और चुना है प्रावधानित थ्रूपुट खरीदें.
यह उस चयनित मॉडल को पहले से पॉप्युलेट करता है जिसके लिए आप प्रोविज़न्ड थ्रूपुट खरीदना चाहते हैं। परिनियोजन से पहले अपने सुव्यवस्थित मॉडल का परीक्षण करने के लिए, मॉडल इकाइयों को 1 के मान पर सेट करें और प्रतिबद्धता अवधि को इस पर सेट करें कोई वादा नहीं. यह आपको तुरंत अपने कस्टम संकेतों के साथ अपने मॉडलों का परीक्षण शुरू करने और यह जांचने की सुविधा देता है कि प्रशिक्षण पर्याप्त है या नहीं। इसके अलावा, जब नए फाइन-ट्यून किए गए मॉडल और नए संस्करण उपलब्ध होते हैं, तो आप प्रावधानित थ्रूपुट को तब तक अपडेट कर सकते हैं जब तक आप इसे उसी मॉडल के अन्य संस्करणों के साथ अपडेट करते हैं।
फाइन-ट्यूनिंग परिणाम
रॉन कुत्ते और स्मिला बिल्ली पर मॉडल को अनुकूलित करने के हमारे कार्य के लिए, प्रयोगों से पता चला कि सबसे अच्छे हाइपरपैरामीटर 5,000 के बैच आकार और 8e-1 की सीखने की दर के साथ 5 कदम थे।
अनुकूलित मॉडल द्वारा उत्पन्न छवियों के कुछ उदाहरण निम्नलिखित हैं।
सुपरहीरो केप पहने कुत्ते रॉन | चाँद पर कुत्ते को रॉन करो | स्विमिंग पूल में कुत्ते को धूप का चश्मा पहनाकर घुमाएँ |
बर्फ पर बिल्ली स्माइला | काले और सफेद रंग में बिल्ली स्माइला कैमरे की ओर घूर रही है | क्रिसमस टोपी पहने बिल्ली स्माइला |
निष्कर्ष
इस पोस्ट में, हमने चर्चा की कि बेहतर गुणवत्ता वाली छवि निर्माण के लिए अपने संकेतों को इंजीनियरिंग के बजाय फ़ाइन-ट्यूनिंग का उपयोग कब करना चाहिए। हमने दिखाया कि अमेज़ॅन टाइटन इमेज जेनरेटर मॉडल को कैसे ठीक किया जाए और कस्टम मॉडल को अमेज़ॅन बेडरॉक पर कैसे तैनात किया जाए। हमने आपके डेटा को फ़ाइन-ट्यूनिंग के लिए तैयार करने और अधिक सटीक मॉडल अनुकूलन के लिए इष्टतम हाइपरपैरामीटर सेट करने के बारे में सामान्य दिशानिर्देश भी प्रदान किए हैं।
अगले चरण के रूप में, आप निम्नलिखित को अनुकूलित कर सकते हैं उदाहरण अमेज़ॅन टाइटन इमेज जेनरेटर का उपयोग करके हाइपर-वैयक्तिकृत छवियां उत्पन्न करने के लिए आपके उपयोग के मामले में।
लेखक के बारे में
मैरा लादेइरा टंके AWS में वरिष्ठ जनरेटिव AI डेटा वैज्ञानिक हैं। मशीन लर्निंग की पृष्ठभूमि के साथ, उनके पास विभिन्न उद्योगों में ग्राहकों के साथ एआई अनुप्रयोगों की वास्तुकला और निर्माण का 10 वर्षों से अधिक का अनुभव है। एक तकनीकी नेतृत्व के रूप में, वह ग्राहकों को अमेज़ॅन बेडरॉक पर जेनरेटिव एआई समाधानों के माध्यम से व्यावसायिक मूल्य की उपलब्धि में तेजी लाने में मदद करती है। अपने खाली समय में, मायरा को यात्रा करना, अपनी बिल्ली स्मिला के साथ खेलना और अपने परिवार के साथ किसी गर्म जगह पर समय बिताना अच्छा लगता है।
दानी मिशेल अमेज़ॅन वेब सर्विसेज में एआई/एमएल स्पेशलिस्ट सॉल्यूशंस आर्किटेक्ट हैं। वह कंप्यूटर विज़न उपयोग के मामलों पर ध्यान केंद्रित करता है और ईएमईए में ग्राहकों को उनकी एमएल यात्रा में तेजी लाने में मदद करता है।
भारती श्रीनिवासन AWS प्रोफेशनल सर्विसेज में एक डेटा साइंटिस्ट है, जहां उसे अमेज़ॅन बेडरॉक पर शानदार चीजें बनाना पसंद है। वह जिम्मेदार एआई पर ध्यान देने के साथ मशीन लर्निंग अनुप्रयोगों से व्यावसायिक मूल्य बढ़ाने को लेकर उत्साहित हैं। ग्राहकों के लिए नए एआई अनुभवों के निर्माण के अलावा, भारती को विज्ञान कथा लिखना और धीरज वाले खेलों में खुद को चुनौती देना पसंद है।
अचिन जैन अमेज़ॅन आर्टिफिशियल जनरल इंटेलिजेंस (एजीआई) टीम के साथ एक एप्लाइड साइंटिस्ट हैं। उनके पास टेक्स्ट-टू-इमेज मॉडल में विशेषज्ञता है और उनका ध्यान अमेज़ॅन टाइटन इमेज जेनरेटर के निर्माण पर है।
- एसईओ संचालित सामग्री और पीआर वितरण। आज ही प्रवर्धित हो जाओ।
- प्लेटोडेटा.नेटवर्क वर्टिकल जेनरेटिव एआई। स्वयं को शक्तिवान बनाएं। यहां पहुंचें।
- प्लेटोआईस्ट्रीम। Web3 इंटेलिजेंस। ज्ञान प्रवर्धित। यहां पहुंचें।
- प्लेटोईएसजी. कार्बन, क्लीनटेक, ऊर्जा, पर्यावरण, सौर, कचरा प्रबंधन। यहां पहुंचें।
- प्लेटोहेल्थ। बायोटेक और क्लिनिकल परीक्षण इंटेलिजेंस। यहां पहुंचें।
- स्रोत: https://aws.amazon.com/blogs/machine-learning/fine-tune-your-amazon-titan-image-generator-g1-model-using-amazon-bedrock-model-customization/