Kunder henvender sig i stigende grad til produktanmeldelser for at træffe informerede beslutninger i deres indkøbsrejse, uanset om de køber hverdagsting som et køkkenhåndklæde eller foretager større indkøb som at købe en bil. Disse anmeldelser har forvandlet sig til en vigtig informationskilde, der gør det muligt for kunder at få adgang til andre kunders meninger og oplevelser. Som følge heraf er produktanmeldelser blevet et afgørende aspekt af enhver butik, der tilbyder værdifuld feedback og indsigt, der hjælper med at informere købsbeslutninger.
Amazon har en af de største butikker med hundredvis af millioner tilgængelige varer. I 2022 bidrog 125 millioner kunder med næsten 1.5 milliarder anmeldelser og vurderinger til Amazon-butikker, hvilket gjorde onlineanmeldelser hos Amazon til en solid kilde til feedback for kunderne. På omfanget af produktanmeldelser, der indsendes hver måned, er det vigtigt at verificere, at disse anmeldelser stemmer overens med Amazon Community Retningslinjer vedrørende acceptabelt sprog, ord, videoer og billeder. Denne praksis er på plads for at sikre, at kunderne modtager nøjagtige oplysninger om produktet, og for at forhindre anmeldelser i at inkludere upassende sprogbrug, stødende billeder eller enhver form for hadefulde ytringer rettet mod enkeltpersoner eller fællesskaber. Ved at håndhæve disse retningslinjer kan Amazon opretholde et sikkert og inkluderende miljø for alle kunder.
Automatisering af indholdsmoderering giver Amazon mulighed for at skalere processen, mens den bevarer høj nøjagtighed. Det er et komplekst problemområde med unikke udfordringer og kræver forskellige teknikker til tekst, billeder og videoer. Billeder er en relevant komponent i produktanmeldelser og giver ofte en mere umiddelbar effekt på kunderne end tekst. Med Amazon-genkendelsesindholdsmoderering, Amazon er i stand til automatisk at opdage skadelige billeder i produktanmeldelser med højere nøjagtighed, hvilket reducerer afhængigheden af menneskelige anmeldere til at moderere sådant indhold. Moderering af anerkendelsesindhold har bidraget til at forbedre menneskelige moderatorers velbefindende og opnå betydelige omkostningsbesparelser.
Moderering med selv-hostede ML-modeller
Amazon Shopping-teamet har designet og implementeret et modereringssystem, der bruger maskinlæring (ML) i forbindelse med menneske-in-the-loop (HITL) anmeldelse for at sikre, at produktanmeldelser handler om kundeoplevelsen med produktet og ikke indeholder upassende eller skadeligt indhold i henhold til fællesskabets retningslinjer. Billedmodereringsundersystemet, som illustreret i det følgende diagram, brugte flere selv-hostede og selvtrænede computervisionsmodeller til at opdage billeder, der overtræder Amazons retningslinjer. Beslutningsbehandleren bestemmer modereringshandlingen og giver begrundelser for sin beslutning baseret på ML-modellernes output og beslutter derved, om billedet krævede en yderligere gennemgang af en menneskelig moderator eller automatisk kunne godkendes eller afvises.
Med disse selvhostede ML-modeller startede teamet med at automatisere beslutninger på 40 % af de billeder, der blev modtaget som en del af anmeldelserne og arbejdede løbende på at forbedre løsningen gennem årene, mens de stod over for adskillige udfordringer:
- Løbende bestræbelser på at forbedre automatiseringshastigheden – Holdet ønskede at forbedre nøjagtigheden af ML-algoritmer med det formål at øge automatiseringshastigheden. Dette kræver kontinuerlige investeringer i datamærkning, datavidenskab og MLOps til modeltræning og implementering.
- Systemets kompleksitet – Arkitekturens kompleksitet kræver investeringer i MLO'er for at sikre, at ML-inferensprocessen skaleres effektivt for at imødekomme den voksende indholdsindsendelsestrafik.
Erstat selv-hostede ML-modeller med Rekognition Content Moderation API
Amazon-anerkendelse er en administreret kunstig intelligens (AI)-tjeneste, der tilbyder forudtrænede modeller gennem en API-grænseflade til billed- og videomoderering. Det er blevet bredt brugt af industrier som e-handel, sociale medier, spil, online dating-apps og andre til at moderere brugergenereret indhold (UGC). Dette inkluderer en række indholdstyper, såsom produktanmeldelser, brugerprofiler og moderering af indlæg på sociale medier.
Rekognition Content Moderering automatiserer og strømliner arbejdsgange for billed- og videomoderering uden at kræve ML-erfaring. Amazon Rekognition-kunder kan behandle millioner af billeder og videoer, effektivt detektere upassende eller uønsket indhold, med fuldt administrerede API'er og tilpasselige modereringsregler for at holde brugerne sikre og virksomhedens compliant.
Holdet migrerede med succes et undersæt af selvadministrerede ML-modeller i billedmodereringssystemet til nøgenhed og ikke-sikkert for arbejde (NSFW) indholdsdetektering til Amazon Rekognition Detect Moderation API, idet de udnyttede de meget nøjagtige og omfattende præ-trænede modereringsmodeller . Med den høje nøjagtighed af Amazon Rekognition har teamet været i stand til at automatisere flere beslutninger, spare omkostninger og forenkle deres systemarkitektur.
Forbedret nøjagtighed og udvidede moderationskategorier
Gennemførelsen af Amazon Rekognition billedmoderering API har resulteret i højere nøjagtighed for detektering af upassende indhold. Dette indebærer, at yderligere cirka 1 million billeder om året automatisk vil blive modereret uden behov for nogen menneskelig gennemgang.
Operationel ekspertise
Amazon Shopping-teamet var i stand til at forenkle systemarkitekturen og reducere den operationelle indsats, der kræves for at administrere og vedligeholde systemet. Denne tilgang har sparet dem for måneders DevOps indsats om året, hvilket betyder, at de nu kan allokere deres tid til at udvikle innovative funktioner i stedet for at bruge den på operationelle opgaver.
Omkostningsreduktion
Den høje nøjagtighed fra Rekognition Content Moderation har gjort det muligt for teamet at sende færre billeder til menneskelig gennemgang, inklusive potentielt upassende indhold. Dette har reduceret omkostningerne forbundet med menneskelig moderation og givet moderatorer mulighed for at fokusere deres indsats på mere værdifulde forretningsopgaver. Kombineret med DevOps effektivitetsgevinster opnåede Amazon Shopping-teamet betydelige omkostningsbesparelser.
Konklusion
Migrering fra selv-hostede ML-modeller til Amazon Rekognition Moderation API til moderering af produktanmeldelser kan give mange fordele for virksomheder, herunder betydelige omkostningsbesparelser. Ved at automatisere modereringsprocessen kan onlinebutikker hurtigt og præcist moderere store mængder produktanmeldelser, hvilket forbedrer kundeoplevelsen ved at sikre, at upassende indhold eller spam-indhold hurtigt fjernes. Derudover kan virksomheder ved at bruge en administreret tjeneste som Amazon Rekognition Moderation API reducere den tid og de ressourcer, der er nødvendige for at udvikle og vedligeholde deres egne modeller, hvilket kan være særligt nyttigt for virksomheder med begrænsede tekniske ressourcer. API'ens fleksibilitet giver også onlinebutikker mulighed for at tilpasse deres modereringsregler og tærskler, så de passer til deres specifikke behov.
Lær mere om indholdsmoderering på AWS og vores indholdsmoderering ML use cases. 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.
Luca Agostino Rubino er hovedsoftwareingeniør i Amazon Shopping-teamet. Han arbejder på fællesskabsfunktioner som kundeanmeldelser og spørgsmål og svar, med fokus gennem årene på indholdsmoderering og på skalering og automatisering af maskinlæringsløsninger.
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. Automotive/elbiler, Kulstof, CleanTech, Energi, Miljø, Solenergi, Affaldshåndtering. Adgang her.
- PlatoHealth. Bioteknologiske og kliniske forsøgs intelligens. Adgang her.
- ChartPrime. Løft dit handelsspil med ChartPrime. Adgang her.
- BlockOffsets. Modernisering af miljømæssig offset-ejerskab. Adgang her.
- Kilde: https://aws.amazon.com/blogs/machine-learning/how-amazon-shopping-uses-amazon-rekognition-content-moderation-to-review-harmful-images-in-product-reviews/
- :har
- :er
- :ikke
- :hvor
- 1
- 100
- 125
- 2022
- 7
- 700
- a
- I stand
- Om
- acceptabel
- adgang
- nøjagtighed
- præcis
- præcist
- opnå
- opnået
- tværs
- Handling
- Yderligere
- Derudover
- vedtaget
- Fordel
- Reklame
- AI
- AI-tjenester
- AI / ML
- sigter
- Alexa
- algoritmer
- tilpasse
- Alle
- tildele
- tilladt
- tillader
- også
- Amazon
- Amazon-anerkendelse
- Amazon Web Services
- an
- ,
- enhver
- api
- API'er
- tilgang
- godkendt
- omtrentlig
- apps
- arkitektur
- ER
- kunstig
- kunstig intelligens
- Kunstig intelligens (AI)
- AS
- udseende
- Assistant
- bistår
- forbundet
- At
- automatisere
- automater
- automatisk
- Automatisering
- Automation
- til rådighed
- AWS
- baseret
- BE
- bliver
- været
- før
- fordele
- Billion
- virksomhed
- virksomheder
- Købe
- by
- CAN
- bil
- tilfælde
- udfordringer
- kombineret
- Fællesskaber
- samfund
- Virksomheder
- komplekse
- kompleksitet
- kompatibel
- komponent
- omfattende
- computer
- Computer Vision
- sammenholdt
- indeholder
- indhold
- Indholdstyper
- kontinuerlig
- kontinuerligt
- bidrog
- Koste
- omkostningsbesparelser
- Omkostninger
- kunne
- afgørende
- kunde
- Kundeoplevelse
- Kunder
- tilpasses
- tilpasse
- data
- datalogi
- Dating
- Beslutter
- beslutning
- afgørelser
- dedikeret
- implementering
- konstrueret
- ønskes
- opdage
- Detektion
- bestemmer
- udvikle
- udvikling
- forskellige
- forskelligartede
- Dont
- e-handel
- ecommerce
- effektivitet
- effektivt
- indsats
- indsats
- aktiveret
- muliggør
- håndhæve
- ingeniør
- sikre
- sikring
- Miljø
- især
- væsentlig
- Hver
- hverdagen
- udvidet
- erfaring
- Oplevelser
- ekspertise
- vender
- Funktionalitet
- tilbagemeldinger
- færre
- Fornavn
- passer
- Fleksibilitet
- Fokus
- fokusering
- efter
- Til
- fra
- fuldt ud
- yderligere
- gevinster
- spil
- generative
- Generativ AI
- Dyrkning
- garanti
- retningslinjer
- skadelig
- Have
- he
- hjælpe
- hjulpet
- hjælpe
- hende
- Høj
- højere
- stærkt
- Hvordan
- HTML
- HTTPS
- menneskelig
- Hundreder
- hundreder af millioner
- billede
- billeder
- umiddelbar
- KIMOs Succeshistorier
- implementering
- implementeret
- Forbedre
- forbedring
- in
- omfatter
- Herunder
- Inklusive
- Forøg
- stigende
- enkeltpersoner
- industrier
- informere
- oplysninger
- informeret
- innovativ
- indsigt
- i stedet
- Intelligens
- grænseflade
- ind
- Investeringer
- IT
- Varer
- ITS
- sammenføjning
- rejse
- jpg
- Holde
- holde
- mærkning
- Sprog
- stor
- største
- lanceret
- læring
- ligesom
- Limited
- maskine
- machine learning
- vedligeholde
- større
- lave
- Making
- administrere
- lykkedes
- leder
- mange
- Marketing
- midler
- Medier
- Mød
- migreret
- million
- millioner
- ML
- MLOps
- modeller
- mådehold
- Måned
- måned
- mere
- mest
- flere
- Natural
- Natural Language Processing
- næsten
- Behov
- behov
- behov
- nu
- NSFW
- of
- offensiv
- tilbyde
- Tilbud
- tit
- on
- ONE
- online
- operationelle
- Produktion
- Udtalelser
- or
- Andet
- Andre
- vores
- output
- i løbet af
- samlet
- egen
- del
- lidenskabelige
- per
- Place
- plato
- Platon Data Intelligence
- PlatoData
- Indlæg
- potentielt
- magt
- praksis
- forhindre
- Main
- Problem
- problemer
- behandle
- forarbejdning
- Produkt
- produktchef
- Produkt Anmeldelser
- Profiler
- Fremme
- give
- giver
- leverer
- køb
- indkøb
- køb
- hurtigt
- rækkevidde
- Sats
- ratings
- årsager
- modtage
- modtaget
- reducere
- Reduceret
- reducere
- om
- relevant
- afhængighed
- fjernet
- påkrævet
- Kræver
- Ressourcer
- resultere
- gennemgå
- Anmeldelser
- regler
- sikker
- Gem
- Besparelser
- Scale
- skalaer
- skalering
- Videnskab
- send
- senior
- tjeneste
- Tjenester
- flere
- hun
- Shopping
- signifikant
- forenkle
- Social
- sociale medier
- Software
- Software Engineer
- solid
- løsninger
- Løsninger
- SOLVE
- Kilde
- Space
- spam
- speciale
- specifikke
- tale
- udgifterne
- brugt
- påbegyndt
- Trin
- butik
- forhandler
- indsendelse
- indsendt
- Succesfuld
- sådan
- systemet
- Tag
- tager
- opgaver
- hold
- Teknisk
- teknikker
- end
- at
- deres
- Them
- derved
- Disse
- de
- denne
- Gennem
- tid
- til
- mod
- Trafik
- Kurser
- omdannet
- omdanne
- Drejning
- typen
- typer
- enestående
- uønsket
- brug
- Bruger
- brugere
- bruger
- ved brug af
- udnyttet
- Værdifuld
- verificere
- video
- Videoer
- vision
- Voice
- mængder
- var
- web
- webservices
- hvorvidt
- som
- mens
- bredt
- vilje
- med
- uden
- ord
- Arbejde
- arbejdede
- arbejdsgange
- virker
- år
- år
- Din
- zephyrnet