مقاييس تقييم الإشراف على المحتوى في Amazon Rekognition وخدمات الإشراف على المحتوى الأخرى

تعديل المحتوى هو عملية فحص ومراقبة المحتوى الذي ينشئه المستخدمون عبر الإنترنت. لتوفير بيئة آمنة لكل من المستخدمين والعلامات التجارية ، يجب على الأنظمة الأساسية تنسيق المحتوى للتأكد من أنه يقع ضمن الإرشادات المحددة مسبقًا للسلوك المقبول الخاص بالمنصة وجمهورها.

عندما يقوم النظام الأساسي بالإشراف على المحتوى ، يمكن إنشاء محتوى مقبول من إنشاء المستخدم (UGC) ومشاركته مع مستخدمين آخرين. يمكن منع السلوكيات غير الملائمة أو السامة أو المحظورة أو حظرها في الوقت الفعلي أو إزالتها بعد وقوعها ، اعتمادًا على أدوات وإجراءات تعديل المحتوى التي تطبقها المنصة.

يمكنك استخدام الإشراف على محتوى Amazon Rekognition لاكتشاف المحتوى غير الملائم أو غير المرغوب فيه أو المسيء ، لخلق تجربة مستخدم أكثر أمانًا ، وتقديم ضمانات سلامة العلامة التجارية للمعلنين ، والامتثال للوائح المحلية والعالمية.

في هذا المنشور ، نناقش العناصر الأساسية اللازمة لتقييم جانب الأداء في خدمة الإشراف على المحتوى من حيث مقاييس الدقة المختلفة ، ونقدم مثالاً باستخدام Amazon Rekognition واجهة برمجة تطبيقات الإشراف على المحتوى.

ما يجب تقييمه

عند تقييم خدمة الإشراف على المحتوى ، نوصي بالخطوات التالية.

قبل أن تتمكن من تقييم أداء API في حالات الاستخدام الخاصة بك ، تحتاج إلى إعداد مجموعة بيانات اختبار تمثيلية. فيما يلي بعض الإرشادات عالية المستوى:

• مجموعة - خذ عينة عشوائية كبيرة بما يكفي (صور أو مقاطع فيديو) من البيانات التي تريد في النهاية تشغيلها من خلال Amazon Rekognition. على سبيل المثال ، إذا كنت تخطط لتعديل الصور التي تم تحميلها بواسطة المستخدم ، فيمكنك أخذ صور المستخدم لمدة أسبوع للاختبار. نوصي باختيار مجموعة تحتوي على صور كافية دون أن تصبح كبيرة جدًا بحيث لا يمكن معالجتها (مثل 1,000-10,000 صورة) ، على الرغم من أن المجموعات الأكبر هي الأفضل.
• تعريف - استخدم إرشادات محتوى التطبيق الخاص بك لتحديد أنواع المحتوى غير الآمن الذي ترغب في اكتشافه من Amazon Rekognition تصنيف مفاهيم الاعتدال. على سبيل المثال ، قد تكون مهتمًا باكتشاف جميع أنواع العري الصريح والعنف المصور أو الدماء.
• حاشية - أنت الآن بحاجة إلى حقيقة أساسية من صنع الإنسان لمجموعة اختبارك باستخدام الملصقات المختارة ، بحيث يمكنك مقارنة تنبؤات الآلة مقابلها. هذا يعني أنه يتم توضيح كل صورة لوجود أو عدم وجود المفاهيم التي اخترتها. لتعليق بيانات صورتك ، يمكنك استخدام الحقيقة الأمازون SageMaker الأرض (GT) لإدارة التعليق التوضيحي للصورة. يمكنك الرجوع إلى GT لتصنيف الصور, توحيد التعليقات التوضيحية و معالجة إخراج التعليق التوضيحي.

احصل على تنبؤات حول مجموعة بيانات الاختبار الخاصة بك مع Amazon Rekognition

بعد ذلك ، تريد الحصول على تنبؤات حول مجموعة بيانات الاختبار الخاصة بك.

تتمثل الخطوة الأولى في تحديد الحد الأدنى لدرجة الثقة (قيمة حدية ، مثل 50٪) التي تريد قياس النتائج عندها. تم تعيين الحد الأقصى الافتراضي لدينا على 50 ، مما يوفر توازنًا جيدًا بين استرداد كميات كبيرة من المحتوى غير الآمن دون تكبد الكثير من التنبؤات الخاطئة بشأن المحتوى الآمن. ومع ذلك ، قد يكون لمنصتك احتياجات عمل مختلفة ، لذلك يجب عليك تخصيص حد الثقة هذا حسب الحاجة. يمكنك استخدام ال MinConfidence المعلمة في طلبات واجهة برمجة التطبيقات الخاصة بك لموازنة الكشف عن المحتوى (الاسترجاع) مقابل دقة الكشف (الدقة). إذا قمت بتقليل MinConfidence، من المحتمل أن تكتشف معظم المحتوى غير المناسب ، ولكن من المحتمل أيضًا أن تلتقط محتوى غير مناسب في الواقع. إذا قمت بزيادة MinConfidence من المحتمل أن تتأكد من أن كل المحتوى الذي تم اكتشافه غير لائق حقًا ولكن قد لا يتم وضع علامة على بعض المحتويات. نقترح تجربة القليل MinConfidence القيم في مجموعة البيانات الخاصة بك وتحديد أفضل قيمة لنطاق البيانات كميًا.

بعد ذلك ، قم بتشغيل كل عينة (صورة أو فيديو) لمجموعة اختبارك من خلال واجهة برمجة تطبيقات Amazon Rekognition moderation API (كشف الاعتدال).

قياس دقة النموذج على الصور

يمكنك تقييم دقة النموذج من خلال مقارنة التعليقات التوضيحية للحقيقة الأرضية التي تم إنشاؤها بواسطة الإنسان مع تنبؤات النموذج. تكرر هذه المقارنة لكل صورة بشكل مستقل ثم تتجمع على مجموعة الاختبار بأكملها:

• نتائج كل صورة - يُعرَّف تنبؤ النموذج بأنه الزوج {label_name, confidence_score} (حيث درجة الثقة> = الحد الأدنى الذي حددته سابقًا). لكل صورة ، يعتبر التنبؤ صحيحًا عندما يتطابق مع الحقيقة الأساسية (GT). التوقع هو أحد الخيارات التالية:
  • إيجابي حقيقي (TP): كل ​​من التنبؤ و GT "غير آمن"
  • سلبي حقيقي (TN): كل من التنبؤ و GT "آمنان"
  • إيجابي كاذبة (FP): يقول التوقع "غير آمن" ، لكن GT "آمنة"
  • سلبي كاذب (FN): التوقع "آمن" ، لكن GT "غير آمن"
• النتائج المجمعة على جميع الصور - بعد ذلك ، يمكنك تجميع هذه التوقعات في نتائج على مستوى مجموعة البيانات:
  • المعدل الإيجابي الكاذب (FPR) - هذه هي النسبة المئوية للصور في مجموعة الاختبار التي تم وضع علامة عليها بشكل خاطئ بواسطة النموذج لاحتوائها على محتوى غير آمن: (FP): FP / (TN + FP).
  • معدل سلبي كاذب (FNR) - هذه هي النسبة المئوية للصور غير الآمنة في مجموعة الاختبار التي فاتها النموذج: (FN): FN / (FN + TP).
  • المعدل الإيجابي الحقيقي (TPR) - يُسمى أيضًا الاسترجاع ، يحسب هذا النسبة المئوية للمحتوى غير الآمن (الحقيقة الأساسية) التي تم اكتشافها أو توقعها بشكل صحيح بواسطة النموذج: TP / (TP + FN) = 1 - FNR.
  • دقة - يحسب هذا النسبة المئوية للتنبؤات الصحيحة (المحتوى غير الآمن) فيما يتعلق بالعدد الإجمالي للتنبؤات التي تم إجراؤها: TP / (TP + FP).

دعنا نستكشف مثالا. لنفترض أن مجموعة الاختبار الخاصة بك تحتوي على 10,000 صورة: 9,950 آمنة و 50 غير آمنة. يتنبأ النموذج بشكل صحيح أن 9,800 صورة من أصل 9,950 صورة آمنة و 45 من 50 صورة غير آمنة:

• TP = 45
• TN = 9800
• FP = 9950 - 9800 = 150
• FN = 50 - 45 = 5
• FPR = 150 / (9950 + 150) = 0.015 = 1.5٪
• FNR = 5 / (5 + 45) = 0.1 = 10٪
• TPR / استدعاء = 45 / (45 + 5) = 0.9 = 90٪
• دقة = 45 / (45 + 150) = 0.23 = 23٪

قياس دقة النموذج على مقاطع الفيديو

إذا كنت تريد تقييم الأداء على مقاطع الفيديو ، فمن الضروري اتباع بعض الخطوات الإضافية:

1. عينة مجموعة فرعية من الإطارات من كل فيديو. نقترح أخذ العينات بشكل موحد بمعدل 0.3-1 إطار في الثانية (fps). على سبيل المثال ، إذا تم تشفير مقطع فيديو بمعدل 24 إطارًا في الثانية وتريد اختبار إطار واحد كل 3 ثوانٍ (0.3 إطارًا في الثانية) ، فأنت بحاجة إلى تحديد إطار كل 72 إطارًا.
2. قم بتشغيل هذه الإطارات التي تم أخذ عينات منها من خلال الإشراف على محتوى Amazon Rekognition. يمكنك إما استخدام واجهة برمجة تطبيقات الفيديو الخاصة بنا ، والتي تقوم بالفعل بتجربة الإطارات من أجلك (بمعدل 3 إطارات في الثانية) ، أو استخدام واجهة برمجة التطبيقات للصور ، وفي هذه الحالة تريد أخذ عينات بشكل متقطع. نوصي بالخيار الأخير ، نظرًا لتكرار المعلومات في مقاطع الفيديو (الإطارات المتتالية متشابهة جدًا).
3. احسب نتائج كل إطار كما هو موضح في القسم السابق (نتائج لكل صورة).
4. النتائج الإجمالية على مجموعة الاختبار بأكملها. هنا لديك خياران ، اعتمادًا على نوع النتيجة التي تهم عملك:
   1. نتائج على مستوى الإطار - يعتبر هذا كل الإطارات التي تم أخذ عينات منها كصور مستقلة ويجمع النتائج تمامًا كما تم شرحه سابقًا للصور (FPR ، FNR ، الاسترجاع ، الدقة). إذا كانت بعض مقاطع الفيديو أطول بكثير من غيرها ، فستساهم في المزيد من الإطارات في العدد الإجمالي ، مما يجعل المقارنة غير متوازنة. في هذه الحالة ، نقترح تغيير استراتيجية أخذ العينات الأولية إلى عدد ثابت من الإطارات لكل فيديو. على سبيل المثال ، يمكنك أخذ عينات بشكل موحد من 50 إلى 100 إطار لكل فيديو (بافتراض أن مقاطع الفيديو لا تقل عن 2-3 دقائق).
   2. نتائج على مستوى الفيديو - في بعض حالات الاستخدام ، لا يهم ما إذا كان النموذج قادرًا على التنبؤ بشكل صحيح بنسبة 50٪ أو 99٪ من الإطارات في الفيديو. حتى التنبؤ الخاطئ غير الآمن في إطار واحد يمكن أن يؤدي إلى إجراء تقييم بشري في المراحل النهائية ، ويتم اعتبار مقاطع الفيديو التي تحتوي على تنبؤات صحيحة بنسبة 100٪ فقط بشكل صحيح. إذا كانت هذه هي حالة الاستخدام الخاصة بك ، فإننا نقترح عليك حساب FPR / FNR / TPR عبر إطارات كل فيديو والنظر في الفيديو على النحو التالي:

بعد أن تقوم بحساب هذه لكل مقطع فيديو بشكل مستقل ، يمكنك بعد ذلك حساب جميع المقاييس التي قدمناها مسبقًا:

• النسبة المئوية لمقاطع الفيديو التي تم الإبلاغ عنها خطأ (FP) أو الفائتة (FN)
• الدقة والاستدعاء

قياس الأداء مقابل الأهداف

أخيرًا ، تحتاج إلى تفسير هذه النتائج في سياق أهدافك وقدراتك.

أولاً ، ضع في اعتبارك احتياجات عملك فيما يتعلق بما يلي:

• البيانات - تعرف على بياناتك (الحجم اليومي ونوع البيانات وما إلى ذلك) وتوزيع المحتوى غير الآمن مقابل المحتوى الآمن. على سبيل المثال ، هل هو متوازن (50/50) أم منحرف (10/90) أم منحرف جدًا (1/99 ، مما يعني أن 1٪ فقط غير آمن)؟ يمكن أن يساعدك فهم هذا التوزيع في تحديد أهدافك الفعلية من حيث المقاييس. على سبيل المثال ، غالبًا ما يكون عدد المحتوى الآمن ترتيبًا من حيث الحجم أكبر من المحتوى غير الآمن (شديد الانحراف) ، مما يجعل هذه المشكلة تقريبًا في اكتشاف الشذوذ. ضمن هذا السيناريو ، قد يفوق عدد الإيجابيات الخاطئة عدد الإيجابيات الحقيقية ، ويمكنك استخدام معلومات بياناتك (انحراف التوزيع ، وحجم البيانات ، وما إلى ذلك) لتحديد FPR الذي يمكنك العمل معه.
• الأهداف المترية - ما هي أهم جوانب عملك؟ غالبًا ما يأتي خفض FPR على حساب FNR أعلى (والعكس صحيح) ومن المهم إيجاد التوازن الصحيح الذي يناسبك. إذا لم تتمكن من تفويت أي محتوى غير آمن ، فأنت على الأرجح تريد ما يقرب من 0٪ FNR (100٪ استرداد). ومع ذلك ، سيتحمل هذا أكبر عدد من الإيجابيات الخاطئة ، وتحتاج إلى تحديد الهدف (الحد الأقصى) FPR الذي يمكنك العمل معه ، بناءً على خط أنابيب ما بعد التنبؤ الخاص بك. قد ترغب في السماح بمستوى معين من السلبيات الخاطئة لتتمكن من إيجاد توازن أفضل وخفض معدل FPR الخاص بك: على سبيل المثال ، قد يؤدي قبول FNR بنسبة 5٪ بدلاً من 0٪ إلى تقليل معدل FPR من 2٪ إلى 0.5٪ ، مما يؤدي إلى تقليل الرقم بشكل كبير من المحتويات التي تم الإبلاغ عنها.

بعد ذلك ، اسأل نفسك عن الآليات التي ستستخدمها لتحليل الصور التي تم الإبلاغ عنها. على الرغم من أن واجهة برمجة التطبيقات قد لا توفر 0٪ FPR و FNR ، إلا أنها لا تزال تحقق وفورات ضخمة وحجمًا (على سبيل المثال ، من خلال وضع علامة على 3٪ فقط من صورك ، تكون قد قمت بالفعل بتصفية 97٪ من المحتوى الخاص بك). عند إقران واجهة برمجة التطبيقات ببعض الآليات النهائية ، مثل القوى العاملة البشرية التي تراجع المحتوى الذي تم الإبلاغ عنه ، يمكنك الوصول بسهولة إلى أهدافك (على سبيل المثال ، 0.5٪ من المحتوى الذي تم الإبلاغ عنه). لاحظ كيف أن هذا الاقتران أرخص بكثير من الاضطرار إلى إجراء مراجعة بشرية على 100٪ من المحتوى الخاص بك.

عندما تقرر آليات المصب ، نقترح عليك تقييم الإنتاجية التي يمكنك دعمها. على سبيل المثال ، إذا كان لديك قوة عاملة يمكنها فقط التحقق من 2٪ من المحتوى اليومي الخاص بك ، فإن هدفك المستهدف من واجهة برمجة تطبيقات تعديل المحتوى لدينا هو معدل إشارة (FPR + TPR) بنسبة 2٪.

أخيرًا ، إذا كان الحصول على التعليقات التوضيحية للحقيقة أمرًا صعبًا للغاية أو مكلفًا للغاية (على سبيل المثال ، حجم البيانات كبير جدًا) ، فإننا نقترح إضافة تعليقات توضيحية إلى العدد الصغير من الصور التي تم وضع علامة عليها بواسطة واجهة برمجة التطبيقات. على الرغم من أن هذا لا يسمح بتقييمات FNR (لأن بياناتك لا تحتوي على أي سلبيات خاطئة) ، فلا يزال بإمكانك قياس TPR و FPR.

في القسم التالي ، نقدم حلاً لتقييم تعديل الصور. يمكنك اتباع نهج مماثل لتقييم الإشراف على الفيديو.

حل نظرة عامة

يوضح الرسم التخطيطي التالي خدمات AWS المتنوعة التي يمكنك استخدامها لتقييم أداء الإشراف على محتوى Amazon Rekognition في مجموعة بيانات الاختبار الخاصة بك.

يتضمن تقييم الإشراف على المحتوى الخطوات التالية:

1. قم بتحميل مجموعة بيانات التقييم الخاصة بك إلى خدمة تخزين أمازون البسيطة (أمازون S3).
2. استخدم الحقيقة الأرضية لتعيين تسميات اعتدال الحقيقة الأساسية.
3. قم بإنشاء تسميات الإشراف المتوقعة باستخدام واجهة برمجة تطبيقات الإشراف المدربة مسبقًا في Amazon Rekognition باستخدام قيم حدية قليلة. (على سبيل المثال ، 70٪ و 75٪ و 80٪).
4. قم بتقييم الأداء لكل حد من خلال حساب الإيجابيات الحقيقية والسلبيات الحقيقية والإيجابيات الكاذبة والسلبيات الكاذبة. حدد القيمة الحدية المثلى لحالة الاستخدام الخاصة بك.
5. اختياريًا ، يمكنك تخصيص حجم القوة العاملة بناءً على الإيجابيات الصحيحة والخطأ والاستخدام أمازون المعزز بالذكاء الاصطناعي (Amazon A2I) لإرسال كل المحتوى الذي تم الإبلاغ عنه تلقائيًا إلى القوى العاملة المعينة من أجل المراجعة اليدوية.

توفر الأقسام التالية مقتطفات التعليمات البرمجية للخطوات 1 و 2 و 3. للحصول على شفرة مصدر كاملة من طرف إلى طرف ، يُرجى الرجوع إلى دفتر جوبيتر.

المتطلبات الأساسية المسبقة

قبل البدء ، أكمل الخطوات التالية لإعداد دفتر ملاحظات Jupyter:

1. إنشاء نسخة دفتر ملاحظات in الأمازون SageMaker.
2. عندما يكون دفتر الملاحظات نشطًا ، اختر فتح كوكب المشتري.
3. في لوحة معلومات جوبيتر ، اختر جديد، و اختار محطة.
4. في الوحدة الطرفية ، أدخل الرمز التالي:

   cd SageMaker
   git clone https://github.com/aws-samples/amazon-rekognition-code-samples.git

5. افتح دفتر الملاحظات لهذا المنشور: content-moderation-evaluation/Evaluating-Amazon-Rekognition-Content-Moderation-Service.ipynb.
6. قم بتحميل مجموعة بيانات التقييم الخاصة بك إلى خدمة تخزين أمازون البسيطة (أمازون S3).

سننتقل الآن من خلال الخطوات من 2 إلى 4 في دفتر Jupyter.

استخدم Ground Truth لتعيين تسميات الاعتدال

لتعيين تسميات في Ground Truth ، أكمل الخطوات التالية:

1. قم بإنشاء ملف إدخال بيان لوظيفة Ground Truth وتحميله إلى Amazon S3.
2. قم بإنشاء تكوين الملصقات ، والذي يحتوي على جميع تسميات الإشراف المطلوبة لوظيفة وضع العلامات على أساس الحقيقة الأساسية للتحقق من الحد الأقصى لعدد فئات الملصقات التي يمكنك استخدامها ، ارجع إلى حصص فئة التسمية. في مقتطف الشفرة التالي ، نستخدم خمس تسميات (راجع ملف التصنيف الهرمي المستخدم في Amazon Rekognition لمزيد من التفاصيل) بالإضافة إلى تسمية واحدة (Safe_Content) التي تحدد المحتوى على أنه آمن:

   # customize CLASS_LIST to include all labels that can be used to classify sameple data, it's up to 10 labels
   # In order to easily match image label with content moderation service supported taxonomy, 
   
   CLASS_LIST = ["", "", "", "", "", "Safe_Content"]
   print("Label space is {}".format(CLASS_LIST))
   
   json_body = {"labels": [{"label": label} for label in CLASS_LIST]}
   with open("class_labels.json", "w") as f:
       json.dump(json_body, f)
   
   s3.upload_file("class_labels.json", BUCKET, EXP_NAME + "/class_labels.json")

3. قم بإنشاء قالب مهمة عامل مخصص لتزويد القوى العاملة في Ground Truth بإرشادات وضع العلامات وتحميلها إلى Amazon S3.
   يتم تعريف وظيفة تسمية الحقيقة الأرضية على أنها مهمة تصنيف الصورة (متعددة التسميات). الرجوع إلى التعليمات البرمجية المصدر للحصول على تعليمات لتخصيص قالب التعليمات.
4. حدد القوة العاملة التي تريد استخدامها لإكمال مهمة الحقيقة الأرضية. لديك خياران (راجع كود المصدر للحصول على التفاصيل):
   1. إستخدم القوى العاملة الخاصة في مؤسستك الخاصة لتسمية مجموعة بيانات التقييم.
   2. إستخدم القوى العاملة العامة لتسمية مجموعة بيانات التقييم.
5. قم بإنشاء وتقديم وظيفة تصنيف الحقيقة الأرضية. يمكنك أيضًا ضبط الكود التالي لتكوين ملف وضع العلامات على معلمات الوظيفة لتلبية متطلبات عملك المحددة. ارجع إلى كود المصدر للحصول على إرشادات كاملة حول إنشاء وتكوين مهمة الحقيقة الأرضية.

   human_task_config = {
       "AnnotationConsolidationConfig": {
           "AnnotationConsolidationLambdaArn": acs_arn,
       },
       "PreHumanTaskLambdaArn": prehuman_arn,
       "MaxConcurrentTaskCount": 200,  # 200 images will be sent at a time to the workteam.
       "NumberOfHumanWorkersPerDataObject": 3,  # 3 separate workers will be required to label each image.
       "TaskAvailabilityLifetimeInSeconds": 21600,  # Your workteam has 6 hours to complete all pending tasks.
       "TaskDescription": task_description,
       "TaskKeywords": task_keywords,
       "TaskTimeLimitInSeconds": 180,  # Each image must be labeled within 3 minutes.
       "TaskTitle": task_title,
       "UiConfig": {
           "UiTemplateS3Uri": "s3://{}/{}/instructions.template".format(BUCKET, EXP_NAME),
       },
   }

بعد إرسال الوظيفة ، يجب أن ترى مخرجات مشابهة لما يلي:

Labeling job name is: ground-truth-cm-1662738403

انتظر حتى تكتمل عملية وضع العلامات في مجموعة بيانات التقييم بنجاح ، ثم تابع إلى الخطوة التالية.

استخدم واجهة برمجة تطبيقات Amazon Rekognition moderation لإنشاء تسميات الإشراف المتوقعة.

يوضح مقتطف الشفرة التالي كيفية استخدام Amazon Rekognition اعتدال API لإنشاء تسميات الإشراف:

client=boto3.client('rekognition')
def moderate_image(photo, bucket):
    response = client.detect_moderation_labels(Image={'S3Object':{'Bucket':bucket,'Name':photo}})
    return len(response['ModerationLabels'])

قيم الأداء

لقد استردت أولاً تسميات الإشراف على الحقيقة الأساسية من نتائج وظيفة وضع العلامات على الحقيقة الأرضية لمجموعة بيانات التقييم ، ثم قمت بتشغيل واجهة برمجة تطبيقات Amazon Rekognition moderation للحصول على تسميات الإشراف المتوقعة لمجموعة البيانات نفسها. نظرًا لأن هذه مشكلة تصنيف ثنائية (المحتوى الآمن مقابل المحتوى غير الآمن) ، فإننا نحسب المقاييس التالية (بافتراض أن المحتوى غير الآمن إيجابي):

نحسب أيضًا مقاييس التقييم المقابلة:

يوضح مقتطف الشفرة التالي كيفية حساب تلك المقاييس:

FPR = FP / (FP + TN)
FNR = FN / (FN + TP)
Recall = TP / (TP + FN)
Precision = TP / (TP + FP)

وفي الختام

يناقش هذا المنشور العناصر الأساسية اللازمة لتقييم جانب أداء خدمة الإشراف على المحتوى من حيث مقاييس الدقة المختلفة. ومع ذلك ، فإن الدقة ليست سوى أحد الأبعاد العديدة التي تحتاج إلى تقييمها عند اختيار خدمة معينة للإشراف على المحتوى. من المهم أن تقوم بتضمين معلمات أخرى ، مثل مجموعة ميزات الخدمة الإجمالية ، وسهولة الاستخدام ، وعمليات الدمج الحالية ، والخصوصية والأمان ، وخيارات التخصيص ، وآثار قابلية التوسع ، وخدمة العملاء ، والتسعير. لمعرفة المزيد حول الإشراف على المحتوى في Amazon Rekognition ، تفضل بزيارة الإشراف على محتوى Amazon Rekognition.

عن المؤلفين

اميت غوبتا هو كبير مهندسي حلول خدمات الذكاء الاصطناعي في AWS. إنه متحمس لتمكين العملاء من خلال حلول التعلم الآلي المصممة جيدًا على نطاق واسع.

دافيد مودولو هو مدير العلوم التطبيقية في AWS AI Labs. حصل على درجة الدكتوراه في رؤية الكمبيوتر من جامعة إدنبرة (المملكة المتحدة) وهو متحمس لتطوير حلول علمية جديدة لمشاكل العملاء في العالم الحقيقي. خارج العمل ، يستمتع بالسفر ولعب أي نوع من الرياضة وخاصة كرة القدم.

جيان وو هو كبير مهندسي حلول المؤسسات في AWS. لقد عمل مع AWS لمدة 6 سنوات مع العملاء من جميع الأحجام. إنه متحمس لمساعدة العملاء على الابتكار بشكل أسرع من خلال اعتماد السحابة و AI / ML. قبل انضمامه إلى AWS ، أمضى Jian أكثر من 10 سنوات في التركيز على تطوير البرامج وتنفيذ النظام وإدارة البنية التحتية. بصرف النظر عن العمل ، فإنه يستمتع بالبقاء نشيطًا وقضاء الوقت مع أسرته.