Virksomheder er i stigende grad afhængige af brugergenererede billeder og videoer til engagement. Fra e-handelsplatforme, der opfordrer kunder til at dele produktbilleder til sociale medievirksomheder, der promoverer brugergenererede videoer og billeder, er brug af brugerindhold til engagement en kraftfuld strategi. Det kan dog være udfordrende at sikre, at dette brugergenererede indhold er i overensstemmelse med dine politikker og fremmer et sikkert onlinefællesskab for dine brugere.
Mange virksomheder er i øjeblikket afhængige af menneskelige moderatorer eller reagerer reaktivt på brugerklager for at administrere upassende brugergenereret indhold. Disse tilgange skaleres ikke til effektivt at moderere millioner af billeder og videoer med tilstrækkelig kvalitet eller hastighed, hvilket fører til en dårlig brugeroplevelse, høje omkostninger for at opnå skalering eller endda potentiel skade på brandets omdømme.
I dette indlæg diskuterer vi, hvordan du bruger Custom Moderation-funktionen i Amazon-anerkendelse for at forbedre nøjagtigheden af din forudtrænede indholdsmoderering API.
Indholdsmoderering i Amazon Rekognition
Amazon Rekognition er en administreret kunstig intelligens (AI)-tjeneste, der tilbyder forudtrænede og tilpassede computersynsfunktioner til at udtrække information og indsigt fra billeder og videoer. En sådan evne er Amazon-genkendelsesindholdsmoderering, som registrerer upassende eller uønsket indhold i billeder og videoer. Amazon Rekognition bruger en hierarkisk taksonomi til at mærke upassende eller uønsket indhold med 10 moderationskategorier på øverste niveau (såsom vold, eksplicit, alkohol eller stoffer) og 35 kategorier på andet niveau. Kunder på tværs af brancher som e-handel, sociale medier og spil kan bruge indholdsmoderering i Amazon Rekognition for at beskytte deres brands omdømme og fremme sikre brugerfællesskaber.
Ved at bruge Amazon Rekognition til billed- og videomoderering skal menneskelige moderatorer gennemgå et meget mindre sæt indhold, typisk 1-5 % af det samlede volumen, som allerede er markeret af indholdsmodereringsmodellen. Dette gør det muligt for virksomheder at fokusere på mere værdifulde aktiviteter og stadig opnå en omfattende moderationsdækning til en brøkdel af deres eksisterende omkostninger.
Introduktion af Amazon Rekognition Custom Moderation
Du kan nu forbedre nøjagtigheden af modereringsmodellen for anerkendelse af dine virksomhedsspecifikke data med funktionen Custom Moderation. Du kan træne en brugerdefineret adapter med så få som 20 kommenterede billeder på mindre end 1 time. Disse adaptere udvider modereringsmodellens muligheder for at registrere billeder brugt til træning med højere nøjagtighed. Til dette indlæg bruger vi et prøvedatasæt, der indeholder både sikre billeder og billeder med alkoholholdige drikkevarer (som anses for at være usikre) for at forbedre nøjagtigheden af alkoholmoderationsetiketten.
Det unikke ID for den trænede adapter kan leveres til den eksisterende DetectModerationLabels API-operation til at behandle billeder ved hjælp af denne adapter. Hver adapter kan kun bruges af den AWS-konto, der blev brugt til at træne adapteren, hvilket sikrer, at de data, der bruges til træning, forbliver sikre og sikre på den pågældende AWS-konto. Med Custom Moderation-funktionen kan du skræddersy den forudtrænede Rekognition-modereringsmodel til forbedret ydeevne på dit specifikke modereringsbrug uden nogen form for maskinlæringsekspertise (ML). Du kan fortsætte med at nyde fordelene ved en fuldt administreret modereringstjeneste med en betal-pr-brug prismodel for Custom Moderation.
Løsningsoversigt
Træning af en brugerdefineret modereringsadapter involverer fem trin, som du kan fuldføre ved hjælp af AWS Management Console eller API-grænsefladen:
- Opret et projekt
- Upload træningsdata
- Tildel grundsandhedsetiketter til billeder
- Træn adapteren
- Brug adapteren
Lad os gennemgå disse trin mere detaljeret ved hjælp af konsollen.
Opret et projekt
Et projekt er en beholder til at opbevare dine adaptere. Du kan træne flere adaptere inden for et projekt med forskellige træningsdatasæt for at vurdere, hvilken adapter der fungerer bedst til din specifikke brug. For at oprette dit projekt skal du udføre følgende trin:
- På Amazon Rekognition-konsollen skal du vælge Brugerdefineret moderation i navigationsruden.
- Vælg Opret projekt.
- Til Projekt navn, indtast et navn til dit projekt.
- Til Adapternavn, indtast et navn til din adapter.
- Indtast eventuelt en beskrivelse af din adapter.
Upload træningsdata
Du kan begynde med så få som 20 prøvebilleder for at tilpasse modereringsmodellen for at detektere færre falske positiver (billeder, der er passende for din virksomhed, men som er markeret af modellen med en moderationsetiket). For at reducere falske negativer (billeder, der er upassende for din virksomhed, men som ikke bliver markeret med en moderationsetiket), skal du starte med 50 eksempelbilleder.
Du kan vælge mellem følgende muligheder for at levere billeddatasæt til adaptertræning:
Udfør følgende trin:
- For dette indlæg skal du vælge Importer billeder fra S3 bucket og indtast din S3 URI.
Som enhver ML-træningsproces kræver træning af en Custom Moderation-adapter i Amazon Rekognition to separate datasæt: et til træning af adapteren og et andet til at evaluere adapteren. Du kan enten uploade et separat testdatasæt eller vælge automatisk at opdele dit træningsdatasæt til træning og test.
- For dette indlæg skal du vælge Autosplit.
- Type Aktiver automatisk opdatering for at sikre, at systemet automatisk genoplærer adapteren, når en ny version af indholdsmodereringsmodellen lanceres.
- Vælg Opret projekt.
Tildel grundsandhedsetiketter til billeder
Hvis du uploadede billeder uden anmærkninger, kan du bruge Amazon Rekognition-konsollen til at levere billedetiketter i henhold til moderationstaksonomien. I det følgende eksempel træner vi en adapter til at opdage skjult alkohol med højere nøjagtighed og mærker alle sådanne billeder med etiketten alkohol. Billeder, der ikke anses for upassende, kan mærkes som sikre.
Træn adapteren
Når du har mærket alle billederne, skal du vælge Start træning at igangsætte uddannelsesprocessen. Amazon Rekognition vil bruge de uploadede billeddatasæt til at træne en adaptermodel til øget nøjagtighed på den specifikke type billeder, der leveres til træning.
Når den brugerdefinerede modereringsadapter er trænet, kan du se alle adapterdetaljerne (adapterID
, test
, training
manifestfiler) i Adapterydelse sektion.
Adapterydelse sektionen viser forbedringer i falske positive og falske negative sammenlignet med den forudtrænede modereringsmodel. Adapteren, vi trænede til at forbedre detektionen af alkoholmærket, reducerer antallet af falske negative på testbilleder med 73 %. Med andre ord forudsiger adapteren nu nøjagtigt alkoholmodereringsmærket for 73 % flere billeder sammenlignet med den forudtrænede modereringsmodel. Der ses dog ingen forbedring i falsk positive, da ingen falsk positive prøver blev brugt til træning.
Brug adapteren
Du kan udføre slutninger ved hjælp af den nyligt trænede adapter for at opnå forbedret nøjagtighed. For at gøre dette skal du ringe til Amazon Rekognition DetectModerationLabel
API med en ekstra parameter, ProjectVersion
, som er det unikke AdapterID
af adapteren. Følgende er en eksempelkommando ved hjælp af AWS kommandolinjegrænseflade (AWS CLI):
Følgende er et eksempel på et kodestykke, der bruger Python Boto3 bibliotek:
Bedste praksis for træning
For at maksimere ydeevnen af din adapter anbefales følgende bedste praksis for træning af adapteren:
- Eksempelbilleddataene bør fange de repræsentative fejl, som du ønsker at forbedre modereringsmodellens nøjagtighed for
- I stedet for kun at indsætte fejlbilleder for falske positive og falske negativer, kan du også give sande positive og sande negativer for forbedret ydeevne
- Lever så mange kommenterede billeder som muligt til træning
Konklusion
I dette indlæg præsenterede vi en dybdegående oversigt over den nye Amazon Rekognition Custom Moderation-funktion. Desuden detaljerede vi trinene til at udføre træning ved hjælp af konsollen, herunder bedste praksis for optimale resultater. Besøg Amazon Rekognition-konsollen for at få yderligere oplysninger og udforsk funktionen Custom Moderation.
Tilpasset moderering af Amazon-genkendelse er nu generelt tilgængelig i alle AWS-regioner, hvor Amazon Rekognition er tilgængelig.
Lær mere om indholdsmoderering på AWS. Tag det første skridt mod strømlining af din indholdsmoderering med AWS.
Om forfatterne
Shipra Kanoria er Principal Product Manager hos AWS. Hun brænder for at hjælpe kunder med at løse deres mest komplekse problemer med kraften i maskinlæring og kunstig intelligens. Før hun kom til AWS, tilbragte Shipra over 4 år hos Amazon Alexa, hvor hun lancerede mange produktivitetsrelaterede funktioner på Alexa-stemmeassistenten.
Aakash Deep er en softwareudviklingsingeniør med base i Seattle. Han nyder at arbejde med computervision, kunstig intelligens og distribuerede systemer. Hans mission er at sætte kunder i stand til at løse komplekse problemer og skabe værdi med AWS Rekognition. Uden for arbejdet nyder han at vandre og rejse.
Lana Zhang er Senior Solutions Architect hos AWS WWSO AI Services-teamet, med speciale i AI og ML til Content Moderation, Computer Vision, Natural Language Processing og Generative AI. Med sin ekspertise er hun dedikeret til at promovere AWS AI/ML-løsninger og hjælpe kunder med at transformere deres forretningsløsninger på tværs af forskellige brancher, herunder sociale medier, spil, e-handel, medier, reklame og marketing.
- 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/announcing-rekogniton-custom-moderation-enhance-accuracy-of-pre-trained-rekognition-moderation-models-with-your-data/
- :er
- :ikke
- :hvor
- 1
- 10
- 100
- 118
- 150
- 20
- 35 %
- 50
- 7
- 9
- a
- aakash
- Om
- Konto
- nøjagtighed
- præcist
- opnå
- tværs
- aktiviteter
- tilpasse
- Yderligere
- yderligere information
- adresse
- Reklame
- AI
- AI-tjenester
- AI / ML
- Procenter
- Alexa
- Alle
- allerede
- også
- Amazon
- Amazon-anerkendelse
- Amazon Web Services
- an
- ,
- Annoncerer
- En anden
- enhver
- api
- tilgange
- passende
- ER
- kunstig
- kunstig intelligens
- Kunstig intelligens (AI)
- AS
- vurdere
- Assistant
- bistår
- At
- forfatter
- automatisk
- til rådighed
- AWS
- baseret
- BE
- før
- begynde
- fordele
- BEDSTE
- bedste praksis
- både
- brand
- Bringe
- virksomhed
- men
- by
- ringe
- CAN
- kapaciteter
- kapacitet
- fange
- tilfælde
- kategorier
- udfordrende
- Vælg
- kunde
- kode
- Fællesskaber
- samfund
- Virksomheder
- sammenlignet
- klager
- fuldføre
- komplekse
- omfattende
- computer
- Computer Vision
- betragtes
- konsekvent
- Konsol
- Container
- indhold
- fortsæt
- Koste
- Omkostninger
- dækning
- skabe
- Opret værdi
- For øjeblikket
- skik
- Kunder
- tilpasses
- data
- datasæt
- dedikeret
- dyb
- beskrivelse
- detail
- detaljeret
- detaljer
- opdage
- Detektion
- Udvikling
- forskellige
- diskutere
- displays
- distribueret
- distribuerede systemer
- forskelligartede
- do
- Dont
- Narkotika
- e-handel
- hver
- ecommerce
- effektivt
- enten
- muliggøre
- muliggør
- tilskynde
- engagement
- Engineering
- forbedre
- forbedret
- nyde
- sikre
- sikring
- Indtast
- fejl
- fejl
- evaluere
- Endog
- eksempel
- eksisterende
- erfaring
- ekspertise
- udforske
- udvide
- ekstrakt
- falsk
- Feature
- Funktionalitet
- få
- færre
- Filer
- Fornavn
- fem
- Markeret
- Fokus
- efter
- Til
- Foster
- Fosters
- fraktion
- fra
- fuldt ud
- Endvidere
- spil
- generelt
- generative
- Generativ AI
- få
- Ground
- skade
- Have
- he
- hjælpe
- hende
- Skjult
- Høj
- højere
- hans
- time
- Hvordan
- How To
- Men
- HTML
- http
- HTTPS
- menneskelig
- ID
- billede
- billeder
- Forbedre
- forbedret
- forbedringer
- in
- I andre
- dybdegående
- Herunder
- stigende
- industrier
- oplysninger
- indlede
- indsigt
- Intelligens
- grænseflade
- IT
- sammenføjning
- etiket
- Etiketter
- Sprog
- lanceret
- Leads
- læring
- mindre
- Line (linje)
- Liste
- maskine
- machine learning
- administrere
- lykkedes
- ledelse
- leder
- mange
- Marketing
- Maksimer
- Medier
- millioner
- Mission
- ML
- model
- modeller
- mådehold
- mere
- mest
- meget
- flere
- navn
- Natural
- Natural Language Processing
- Navigation
- negativ
- negativer
- Ny
- nyligt
- ingen
- nu
- of
- Tilbud
- on
- ONE
- online
- kun
- drift
- Produktion
- optimal
- Indstillinger
- or
- Andet
- uden for
- i løbet af
- oversigt
- brød
- parameter
- lidenskabelige
- per
- Udfør
- ydeevne
- udfører
- udfører
- Platforme
- plato
- Platon Data Intelligence
- PlatoData
- politikker
- fattige
- positiv
- mulig
- Indlæg
- potentiale
- magt
- vigtigste
- praksis
- forudser
- forelagt
- prissætning
- prisfastsættelsesmodel
- Main
- problemer
- behandle
- forarbejdning
- Produkt
- produktchef
- projekt
- Fremme
- beskytte
- give
- forudsat
- kvalitet
- Sats
- anbefales
- reducere
- reducerer
- regioner
- stole
- resterne
- repræsentativt
- omdømme
- påkrævet
- Kræver
- Svar
- svar
- Resultater
- gennemgå
- sikker
- Eksempeldatasæt
- Scale
- Seattle
- Sektion
- sikker
- senior
- adskille
- tjeneste
- Tjenester
- sæt
- Del
- hun
- bør
- mindre
- uddrag
- Social
- sociale medier
- Software
- softwareudvikling
- Løsninger
- SOLVE
- speciale
- specifikke
- hastighed
- brugt
- delt
- starte
- Trin
- Steps
- Stadig
- butik
- Strategi
- sådan
- tilstrækkeligt
- systemet
- Systemer
- Tag
- Opgaver
- opgaver
- taksonomi
- hold
- prøve
- Test
- end
- at
- deres
- Disse
- denne
- Gennem
- til
- øverste niveau
- I alt
- Tog
- uddannet
- Kurser
- omdanne
- Traveling
- sand
- Sandheden
- to
- typen
- typisk
- enestående
- uønsket
- uploadet
- brug
- brug tilfælde
- anvendte
- Bruger
- Brugererfaring
- brugere
- bruger
- ved brug af
- Værdifuld
- værdi
- udgave
- video
- Videoer
- Specifikation
- Vold
- vision
- Besøg
- Voice
- bind
- gå
- ønsker
- var
- we
- web
- webservices
- var
- hvornår
- som
- vilje
- med
- inden for
- uden
- ord
- Arbejde
- workflow
- arbejder
- år
- Du
- Din
- zephyrnet