In diesem Beitrag diskutieren wir eine Lösung für maschinelles Lernen (ML) für komplexe Bildsuchen Amazon Kendra und Amazon-Anerkennung. Insbesondere verwenden wir das Beispiel von Architekturdiagrammen für komplexe Bilder aufgrund ihrer Einbeziehung zahlreicher verschiedener visueller Symbole und Texte.
Mit dem Internet war das Suchen und Erhalten eines Bildes noch nie so einfach. Meistens können Sie Ihre gewünschten Bilder genau finden, z. B. bei der Suche nach Ihrem nächsten Urlaubsziel. Einfache Suchen sind oft erfolgreich, weil sie nicht mit vielen Merkmalen verbunden sind. Abgesehen von den gewünschten Bildeigenschaften erfordern die Suchkriterien normalerweise keine wesentlichen Details, um das erforderliche Ergebnis zu finden. Wenn ein Benutzer beispielsweise versucht, nach einer bestimmten Art von blauen Flaschen zu suchen, werden Ergebnisse für viele verschiedene Arten von blauen Flaschen angezeigt. Aufgrund generischer Suchbegriffe kann es jedoch vorkommen, dass die gewünschte blaue Flasche nicht ohne Weiteres gefunden wird.
Das Interpretieren des Suchkontexts trägt auch zur Vereinfachung der Ergebnisse bei. Wenn Benutzer ein gewünschtes Bild im Kopf haben, versuchen sie, dieses in eine textbasierte Suchanfrage einzurahmen. Das Verständnis der Nuancen zwischen Suchanfragen für ähnliche Themen ist wichtig, um relevante Ergebnisse bereitzustellen und den Aufwand für den Benutzer zum manuellen Sortieren der Ergebnisse zu minimieren. Die Suchanfrage „Hundebesitzer spielt Apportieren“ versucht beispielsweise, Bildergebnisse zurückzugeben, die einen Hundebesitzer zeigen, der mit einem Hund ein Apportierspiel spielt. Die tatsächlich erzeugten Ergebnisse können sich jedoch stattdessen auf einen Hund konzentrieren, der ein Objekt holt, ohne die Beteiligung eines Besitzers anzuzeigen. Benutzer müssen bei komplexen Suchen möglicherweise ungeeignete Bildergebnisse manuell herausfiltern.
Um die mit komplexen Suchen verbundenen Probleme anzugehen, beschreibt dieser Beitrag ausführlich, wie Sie durch die Integration von Amazon Kendra und Amazon Rekognition eine Suchmaschine erreichen können, die in der Lage ist, nach komplexen Bildern zu suchen. Amazon Kendra ist ein intelligenter Suchdienst, der von ML unterstützt wird, und Amazon Rekognition ist ein ML-Dienst, der Objekte, Personen, Texte, Szenen und Aktivitäten anhand von Bildern oder Videos identifizieren kann.
Welche Bilder können zu komplex sein, um durchsuchbar zu sein? Ein Beispiel sind Architekturdiagramme, die je nach Komplexität des Anwendungsfalls und Anzahl der erforderlichen technischen Services mit vielen Suchkriterien verknüpft werden können, was zu einem erheblichen manuellen Suchaufwand für den Benutzer führt. Wenn Benutzer beispielsweise eine Architekturlösung für den Anwendungsfall der Kundenverifizierung finden möchten, verwenden sie typischerweise eine Suchanfrage ähnlich wie „Architekturdiagramme für die Kundenverifizierung“. Generische Suchanfragen würden sich jedoch über eine breite Palette von Diensten und über verschiedene Erstellungsdaten von Inhalten erstrecken. Benutzer müssten geeignete Architekturkandidaten basierend auf bestimmten Diensten manuell auswählen und die Relevanz der Architekturentwurfsentscheidungen gemäß dem Datum der Inhaltserstellung und dem Abfragedatum berücksichtigen.
Die folgende Abbildung zeigt ein Beispieldiagramm, das eine Architekturlösung mit orchestriertem Extrahieren, Transformieren und Laden (ETL) veranschaulicht.
Benutzer, die mit den auf der Cloud-Plattform bereitgestellten Dienstangeboten nicht vertraut sind, können bei der Suche nach einem solchen Diagramm verschiedene generische Wege und Beschreibungen angeben. Im Folgenden finden Sie einige Beispiele für mögliche Suchvorgänge:
- „ETL-Workflow orchestrieren“
- „So automatisieren Sie die Massendatenverarbeitung“
- „Methoden zum Erstellen einer Pipeline zum Transformieren von Daten“
Lösungsüberblick
Wir führen Sie durch die folgenden Schritte, um die Lösung zu implementieren:
- Trainieren und Benutzerdefinierte Etiketten von Amazon Rekognition Modell zur Erkennung von Symbolen in Architekturdiagrammen.
- Integrieren Sie die Amazon Rekognition-Texterkennung, um Architekturdiagrammsymbole zu validieren.
- Verwenden Sie Amazon Rekognition in einem Web-Crawler, um ein Repository für die Suche zu erstellen
- Verwenden Sie Amazon Kendra, um das Repository zu durchsuchen.
Um Benutzern auf einfache Weise eine große Sammlung relevanter Ergebnisse zur Verfügung zu stellen, sollte die Lösung eine automatisierte Möglichkeit bieten, vertrauenswürdige Quellen zu durchsuchen. Am Beispiel von Architekturdiagrammen muss die Lösung Referenzlinks und technische Dokumente nach Architekturdiagrammen durchsuchen und die vorhandenen Dienste identifizieren. Das Identifizieren von Schlüsselwörtern wie Anwendungsfällen und Branchenvertikalen in diesen Quellen ermöglicht es auch, die Informationen zu erfassen und dem Benutzer relevantere Suchergebnisse anzuzeigen.
In Anbetracht der Zielsetzung, wie relevante Diagramme durchsucht werden sollen, muss die Bildsuchlösung drei Kriterien erfüllen:
- Einfache Stichwortsuche aktivieren
- Interpretieren Sie Suchanfragen basierend auf Anwendungsfällen, die Benutzer bereitstellen
- Suchergebnisse sortieren und ordnen
Bei der Schlüsselwortsuche wird einfach nach „Amazon Rekognition“ gesucht und es werden Architekturdiagramme zur Verwendung des Dienstes in verschiedenen Anwendungsfällen angezeigt. Alternativ können die Suchbegriffe indirekt über Anwendungsfälle und Branchenvertikalen, die mit der Architektur verbunden sein können, mit dem Diagramm verknüpft werden. Wenn Sie beispielsweise nach den Begriffen „So orchestrieren Sie die ETL-Pipeline“ suchen, werden Ergebnisse von Architekturdiagrammen zurückgegeben, mit denen erstellt wurde AWS-Kleber und AWS Step-Funktionen. Das Sortieren und Ordnen der Suchergebnisse basierend auf Attributen wie dem Erstellungsdatum würde sicherstellen, dass die Architekturdiagramme trotz Dienstaktualisierungen und -versionen immer noch relevant sind. Die folgende Abbildung zeigt das Architekturdiagramm der Bildsuchlösung.
Wie im vorangehenden Diagramm und in der Lösungsübersicht dargestellt, gibt es zwei Hauptaspekte der Lösung. Der erste Aspekt wird von Amazon Rekognition ausgeführt, das Objekte, Personen, Texte, Szenen und Aktivitäten aus Bildern oder Videos identifizieren kann. Es besteht aus vortrainierten Modellen, die angewendet werden können, um Bilder und Videos in großem Maßstab zu analysieren. Mit seiner Funktion für benutzerdefinierte Labels ermöglicht Ihnen Amazon Rekognition, den ML-Service an Ihre spezifischen Geschäftsanforderungen anzupassen, indem Sie Bilder, die von der Beschaffung über Architekturdiagramme in vertrauenswürdigen Referenzlinks und technischen Dokumenten gesammelt wurden, mit Labels versehen. Durch das Hochladen eines kleinen Satzes von Trainingsbildern lädt und prüft Amazon Rekognition automatisch die Trainingsdaten, wählt die richtigen ML-Algorithmen aus, trainiert ein Modell und stellt Modellleistungsmetriken bereit. Daher können Benutzer ohne ML-Expertise die Vorteile eines benutzerdefinierten Labelmodells über einen API-Aufruf genießen, da ein erheblicher Teil des Overheads reduziert wird. Die Lösung wendet Amazon Rekognition Custom Labels an, um AWS-Service-Logos auf Architekturdiagrammen zu erkennen, damit die Architekturdiagramme mit Servicenamen durchsucht werden können. Nach der Modellierung werden erkannte Dienste jedes Architekturdiagrammbilds und seine Metadaten, wie URL-Ursprung und Bildtitel, für zukünftige Suchzwecke indiziert und gespeichert Amazon DynamoDB, eine vollständig verwaltete, serverlose Schlüsselwert-NoSQL-Datenbank, die für die Ausführung von Hochleistungsanwendungen entwickelt wurde.
Der zweite Aspekt wird von Amazon Kendra unterstützt, einem intelligenten, auf ML basierenden Suchdienst für Unternehmen, mit dem Sie in verschiedenen Inhaltsrepositorys suchen können. Mit Amazon Kendra können Sie nach Ergebnissen wie Bildern oder Dokumenten suchen, die indiziert wurden. Diese Ergebnisse können auch über verschiedene Repositorys hinweg gespeichert werden, da der Suchdienst integrierte Konnektoren verwendet. Schlüsselwörter, Phrasen und Beschreibungen können für die Suche verwendet werden, wodurch Sie genau nach Diagrammen suchen können, die sich auf einen bestimmten Anwendungsfall beziehen. Daher können Sie mit minimalen Entwicklungskosten einfach einen intelligenten Suchdienst aufbauen.
Mit einem Verständnis des Problems und der Lösung befassen sich die nachfolgenden Abschnitte mit der Automatisierung der Datenbeschaffung durch das Crawlen von Architekturdiagrammen aus glaubwürdigen Quellen. Anschließend gehen wir durch den Prozess der Generierung eines ML-Modells für benutzerdefinierte Labels mit einem vollständig verwalteten Dienst. Schließlich decken wir die Datenaufnahme durch einen intelligenten Suchdienst ab, der von ML unterstützt wird.
Erstellen Sie ein Amazon Rekognition-Modell mit benutzerdefinierten Labels
Bevor wir Architekturdiagramme erhalten, benötigen wir ein Tool, um zu bewerten, ob ein Bild als Architekturdiagramm identifiziert werden kann. Amazon Rekognition Custom Labels bietet einen optimierten Prozess zum Erstellen eines Bilderkennungsmodells, das Objekte und Szenen in Bildern identifiziert, die für einen Geschäftsbedarf spezifisch sind. In diesem Fall verwenden wir Amazon Rekognition Custom Labels, um AWS-Service-Symbole zu identifizieren, dann werden die Bilder mit den Services für eine relevantere Suche mit Amazon Kendra indiziert. Dieses Modell unterscheidet nicht, ob ein Bild ein Architekturdiagramm ist oder nicht; es identifiziert einfach Dienstsymbole, sofern vorhanden. Daher kann es Fälle geben, in denen Bilder, die keine Architekturdiagramme sind, in den Suchergebnissen landen. Allerdings sind solche Ergebnisse minimal.
Die folgende Abbildung zeigt die Schritte, die diese Lösung ausführt, um ein Amazon Rekognition Custom Labels-Modell zu erstellen.
Dieser Prozess umfasst das Hochladen der Datensätze, das Generieren einer Manifestdatei, die auf die hochgeladenen Datensätze verweist, und das anschließende Hochladen dieser Manifestdatei in Amazon Rekognition. Ein Python-Skript wird verwendet, um das Hochladen der Datensätze und das Generieren der Manifestdatei zu unterstützen. Nachdem die Manifestdatei erfolgreich generiert wurde, wird sie in Amazon Rekognition hochgeladen, um mit dem Modelltrainingsprozess zu beginnen. Einzelheiten zum Python-Skript und seiner Ausführung finden Sie in der GitHub Repo.
Um das Modell zu trainieren, wählen Sie im Amazon Rekognition-Projekt Zugmodell, wählen Sie das Projekt aus, das Sie trainieren möchten, fügen Sie dann alle relevanten Tags hinzu und wählen Sie aus Zugmodell. Anweisungen zum Starten eines Amazon Rekognition Custom Labels-Projekts finden Sie in den verfügbaren Video-Tutorials. Das Trainieren des Modells mit diesem Dataset kann bis zu 8 Stunden dauern.
Wenn das Training abgeschlossen ist, können Sie das trainierte Modell auswählen, um die Bewertungsergebnisse anzuzeigen. Weitere Einzelheiten zu den verschiedenen Metriken wie Genauigkeit, Abruf und F1 finden Sie unter Metriken zur Bewertung Ihres Modells. Um das Modell zu verwenden, navigieren Sie zu Modell verwenden Belassen Sie die Anzahl der Inferenzeinheiten auf 1 und starten Sie das Modell. Dann können wir ein verwenden AWS Lambda -Funktion, um Bilder in base64 an das Modell zu senden, und das Modell gibt eine Liste mit Bezeichnungen und Konfidenzwerten zurück.
Nach erfolgreichem Training eines Amazon Rekognition-Modells mit Amazon Rekognition Custom Labels können wir es verwenden, um Servicesymbole in den gecrawlten Architekturdiagrammen zu identifizieren. Um die Genauigkeit der Identifizierung von Diensten im Architekturdiagramm zu erhöhen, verwenden wir eine weitere Amazon Rekognition-Funktion namens Texterkennung. Um diese Funktion zu verwenden, übergeben wir dasselbe Bild in base64, und Amazon Rekognition gibt die Liste des im Bild identifizierten Texts zurück. In den folgenden Abbildungen vergleichen wir das Originalbild und wie es aussieht, nachdem die Dienste im Bild identifiziert wurden. Die erste Abbildung zeigt das Originalbild.
Die folgende Abbildung zeigt das Original-Image mit erkannten Diensten.
Um die Skalierbarkeit sicherzustellen, verwenden wir eine Lambda-Funktion, die über einen API-Endpunkt verfügbar gemacht wird, der mit erstellt wurde Amazon API-Gateway. Lambda ist ein serverloser, ereignisgesteuerter Rechendienst, mit dem Sie Code für praktisch jede Art von Anwendung oder Backend-Dienst ausführen können, ohne Server bereitstellen oder verwalten zu müssen. Die Verwendung einer Lambda-Funktion eliminiert ein häufiges Bedenken hinsichtlich der Skalierung, wenn große Mengen von Anforderungen an den API-Endpunkt gesendet werden. Lambda führt automatisch die Funktion für den spezifischen API-Aufruf aus, der stoppt, wenn der Aufruf abgeschlossen ist, wodurch die für den Benutzer anfallenden Kosten reduziert werden. Da die Anfrage an den Amazon Rekognition-Endpunkt geleitet würde, reicht es nicht aus, wenn nur die Lambda-Funktion skalierbar ist. Damit der Amazon Rekognition-Endpunkt skalierbar ist, können Sie die Inferenzeinheit des Endpunkts erhöhen. Weitere Einzelheiten zum Konfigurieren der Inferenzeinheit finden Sie unter Inferenzeinheiten.
Das Folgende ist ein Codeausschnitt der Lambda-Funktion für den Bilderkennungsprozess:
Nach dem Erstellen der Lambda-Funktion können wir damit fortfahren, sie als API mit API Gateway verfügbar zu machen. Anweisungen zum Erstellen einer API mit Lambda-Proxy-Integration finden Sie unter Tutorial: Erstellen Sie eine „Hello World“-REST-API mit Lambda-Proxy-Integration.
Crawlen Sie die Architekturdiagramme
Damit die Suchfunktion sinnvoll funktioniert, benötigen wir ein Repository mit Architekturdiagrammen. Diese Diagramme müssen jedoch aus glaubwürdigen Quellen wie z AWS-Blog und AWS-Vorschriften. Die Feststellung der Glaubwürdigkeit von Datenquellen stellt sicher, dass die zugrunde liegende Implementierung und der Zweck der Anwendungsfälle genau und gut überprüft sind. Der nächste Schritt besteht darin, einen Crawler einzurichten, der dabei helfen kann, viele Architekturdiagramme zu sammeln, um sie in unser Repository einzuspeisen. Wir haben einen Webcrawler erstellt, um Architekturdiagramme und Informationen wie eine Beschreibung der Implementierung aus den relevanten Quellen zu extrahieren. Es gibt mehrere Möglichkeiten, wie Sie einen solchen Mechanismus aufbauen können; Für dieses Beispiel verwenden wir ein Programm, das auf ausgeführt wird Amazon Elastic Compute-Cloud (Amazon EC2). Das Programm ruft zunächst Links zu Blogbeiträgen von einer AWS-Blog-API ab. Die von der API zurückgegebene Antwort enthält Informationen zum Beitrag wie Titel, URL, Datum und die Links zu den im Beitrag gefundenen Bildern.
Das Folgende ist ein Code-Snippet der JavaScript-Funktion für den Web-Crawling-Prozess:
Mit diesem Mechanismus können wir problemlos Hunderte und Tausende von Bildern aus verschiedenen Blogs crawlen. Wir benötigen jedoch einen Filter, der nur Bilder akzeptiert, die Inhalte eines Architekturdiagramms enthalten, was in unserem Fall Symbole von AWS-Diensten sind, um Bilder herauszufiltern, die keine Architekturdiagramme sind.
Dies ist der Zweck unseres Amazon Rekognition-Modells. Die Diagramme durchlaufen den Bilderkennungsprozess, der Dienstsymbole identifiziert und bestimmt, ob sie als gültiges Architekturdiagramm betrachtet werden können.
Das Folgende ist ein Codeausschnitt der Funktion, die Bilder an das Amazon Rekognition-Modell sendet:
Nach bestandener Bilderkennungsprüfung werden die vom Amazon Rekognition-Modell zurückgegebenen Ergebnisse und die dafür relevanten Informationen in eigenen Metadaten gebündelt. Die Metadaten werden dann in einer DynamoDB-Tabelle gespeichert, in der der Datensatz zur Aufnahme in Amazon Kendra verwendet wird.
Das Folgende ist ein Codeausschnitt der Funktion, die die Metadaten des Diagramms in DynamoDB speichert:
Nehmen Sie Metadaten in Amazon Kendra auf
Nachdem die Architekturdiagramme den Bilderkennungsprozess durchlaufen haben und die Metadaten in DynamoDB gespeichert wurden, benötigen wir eine Möglichkeit, die Diagramme durchsuchbar zu machen, während auf den Inhalt in den Metadaten verwiesen wird. Der Ansatz dafür ist eine Suchmaschine, die in die Anwendung integriert werden kann und eine große Anzahl von Suchanfragen verarbeiten kann. Daher verwenden wir Amazon Kendra, einen intelligenten Suchdienst für Unternehmen.
Wir verwenden Amazon Kendra als interaktive Komponente der Lösung aufgrund seiner leistungsstarken Suchfunktionen, insbesondere bei der Verwendung natürlicher Sprache. Dies fügt eine zusätzliche Ebene der Einfachheit hinzu, wenn Benutzer nach Diagrammen suchen, die dem, was sie suchen, am nächsten kommen. Amazon Kendra bietet eine Reihe von Konnektoren für Datenquellen zum Erfassen und Verbinden von Inhalten. Diese Lösung verwendet einen benutzerdefinierten Konnektor, um die Informationen von Architekturdiagrammen aus DynamoDB aufzunehmen. Um eine Datenquelle für einen Amazon Kendra-Index zu konfigurieren, können Sie einen vorhandenen Index verwenden oder Erstellen Sie einen neuen Index.
Die gecrawlten Diagramme müssen dann in den erstellten Amazon Kendra-Index aufgenommen werden. Die folgende Abbildung zeigt den Ablauf, wie die Diagramme indiziert werden.
Zunächst erstellen die in DynamoDB eingefügten Diagramme ein Put-Ereignis via Amazon DynamoDB-Streams. Das Ereignis löst die Lambda-Funktion aus, die als benutzerdefinierte Datenquelle für Amazon Kendra fungiert und die Diagramme in den Index lädt. Anweisungen zum Erstellen eines DynamoDB Streams-Triggers für eine Lambda-Funktion finden Sie unter Tutorial: Verwenden von AWS Lambda mit Amazon DynamoDB Streams
Nachdem wir die Lambda-Funktion in DynamoDB integriert haben, müssen wir die Datensätze der an die Funktion gesendeten Diagramme in den Amazon Kendra-Index aufnehmen. Der Index akzeptiert Daten aus verschiedenen Arten von Quellen, und die Aufnahme von Elementen in den Index aus der Lambda-Funktion bedeutet, dass er die benutzerdefinierte Datenquellenkonfiguration verwenden muss. Anweisungen zum Erstellen einer benutzerdefinierten Datenquelle für Ihren Index finden Sie unter Benutzerdefinierter Datenquellenanschluss.
Das Folgende ist ein Code-Snippet der Lambda-Funktion, wie ein Diagramm auf benutzerdefinierte Weise indiziert werden könnte:
Der wichtige Faktor, der die Durchsuchbarkeit von Diagrammen ermöglicht, ist der Blob-Schlüssel in einem Dokument. Darauf prüft Amazon Kendra, wenn Benutzer ihre Sucheingaben machen. In diesem Beispielcode enthält der Blob-Schlüssel eine zusammengefasste Version des Anwendungsfalls des Diagramms, verkettet mit den Informationen, die aus dem Bilderkennungsprozess erkannt wurden. Auf diese Weise können Benutzer nach Anwendungsfällen wie „Fraud Detection“ oder nach Dienstnamen wie „Amazon Kendra“ nach Architekturdiagrammen suchen.
Um ein Beispiel dafür zu veranschaulichen, wie der Blob-Schlüssel aussieht, verweist das folgende Snippet auf das anfängliche ETL-Diagramm, das wir zuvor in diesem Beitrag eingeführt haben. Es enthält eine Beschreibung des Diagramms, das beim Crawlen erhalten wurde, sowie die Dienste, die vom Amazon Rekognition-Modell identifiziert wurden.
Suche mit Amazon Kendra
Nachdem wir alle Komponenten zusammengefügt haben, sehen die Ergebnisse einer Beispielsuche nach „Real Time Analytics“ wie im folgenden Screenshot aus.
Durch die Suche nach diesem Anwendungsfall werden verschiedene Architekturdiagramme erstellt. Den Benutzern werden diese verschiedenen Methoden für die spezifische Workload bereitgestellt, die sie zu implementieren versuchen.
Aufräumen
Führen Sie die Schritte in diesem Abschnitt aus, um die Ressourcen zu bereinigen, die Sie im Rahmen dieses Beitrags erstellt haben:
- Löschen Sie die API:
- Wählen Sie in der API Gateway-Konsole die zu löschende API aus.
- Auf dem Aktionen Menü, wählen Sie Löschen.
- Auswählen Löschen zu bestätigen.
- Löschen Sie die DynamoDB-Tabelle:
- Wählen Sie in der DynamoDB-Konsole Tische im Navigationsbereich.
- Wählen Sie die Tabelle aus, die Sie erstellt haben, und wählen Sie aus Löschen.
- Geben Sie delete ein, wenn Sie zur Bestätigung aufgefordert werden.
- Auswählen Tabelle löschen zu bestätigen.
- Löschen Sie den Amazon Kendra-Index:
- Wählen Sie in der Amazon Kendra-Konsole aus Indizes im Navigationsbereich.
- Wählen Sie den von Ihnen erstellten Index aus und wählen Sie Löschen
- Geben Sie einen Grund ein, wenn Sie zur Bestätigung aufgefordert werden.
- Auswählen Löschen zu bestätigen.
- Löschen Sie das Amazon Rekognition-Projekt:
- Wählen Sie in der Amazon Rekognition-Konsole aus Verwenden Sie benutzerdefinierte Beschriftungen im Navigationsbereich und wählen Sie dann aus Projekte.
- Wählen Sie das von Ihnen erstellte Projekt aus und wählen Sie Löschen.
- Geben Sie Löschen ein, wenn Sie zur Bestätigung aufgefordert werden.
- Auswählen Löschen Sie zugeordnete Datasets und Modelle zu bestätigen.
- Löschen Sie die Lambda-Funktion:
- Wählen Sie in der Lambda-Konsole die zu löschende Funktion aus.
- Auf dem Aktionen Menü, wählen Sie Löschen.
- Geben Sie Löschen ein, wenn Sie zur Bestätigung aufgefordert werden.
- Auswählen Löschen zu bestätigen.
Zusammenfassung
In diesem Beitrag haben wir ein Beispiel gezeigt, wie Sie Informationen aus Bildern intelligent suchen können. Dies umfasst den Prozess des Trainierens eines Amazon Rekognition ML-Modells, das als Filter für Bilder fungiert, die Automatisierung des Bild-Crawlings, das Glaubwürdigkeit und Effizienz gewährleistet, und das Abfragen von Diagrammen durch Anhängen einer benutzerdefinierten Datenquelle, die eine flexiblere Art der Indexierung von Elementen ermöglicht . Um tiefer in die Implementierung der Codes einzutauchen, beziehen Sie sich auf die GitHub Repo.
Nachdem Sie nun verstanden haben, wie Sie das Rückgrat eines zentralisierten Suchrepositorys für komplexe Suchen bereitstellen, versuchen Sie, Ihre eigene Bildsuchmaschine zu erstellen. Weitere Informationen zu den Kernfunktionen finden Sie unter Erste Schritte mit Amazon Rekognition Custom Labels, Inhalte moderierenund der Amazon Kendra-Entwicklerhandbuch. Wenn Sie neu bei Amazon Rekognition Custom Labels sind, probieren Sie es mit unserem kostenlosen Kontingent aus, das 3 Monate dauert und 10 kostenlose Schulungsstunden pro Monat und 4 kostenlose Inferenzstunden pro Monat umfasst.
Über die Autoren
Ryan Siehe ist Lösungsarchitekt bei AWS. Von Singapur aus arbeitet er mit Kunden zusammen, um Lösungen zur Lösung ihrer Geschäftsprobleme zu entwickeln und eine technische Vision zu entwickeln, die dazu beiträgt, skalierbarere und effizientere Workloads in der Cloud auszuführen.
James Ong Jia Xiang ist Customer Solutions Manager bei AWS. Er ist auf das Migration Acceleration Program (MAP) spezialisiert, wo er Kunden und Partnern dabei hilft, groß angelegte Migrationsprogramme zu AWS erfolgreich zu implementieren. Er lebt in Singapur und konzentriert sich auch darauf, Modernisierungs- und Unternehmenstransformationsinitiativen in APJ durch skalierbare Mechanismen voranzutreiben. In seiner Freizeit genießt er Aktivitäten in der Natur wie Trekking und Surfen.
Hang Duong ist Lösungsarchitekt bei AWS. Sie lebt in Hanoi, Vietnam, und konzentriert sich darauf, die Einführung der Cloud in ihrem Land voranzutreiben, indem sie ihren Kunden hochverfügbare, sichere und skalierbare Cloud-Lösungen bereitstellt. Darüber hinaus baut sie gerne und ist an verschiedenen Prototyping-Projekten beteiligt. Außerdem beschäftigt sie sich leidenschaftlich mit dem Bereich des maschinellen Lernens.
Trinh Vo ist Lösungsarchitekt bei AWS mit Sitz in Ho-Chi-Minh-Stadt, Vietnam. Sie konzentriert sich auf die Zusammenarbeit mit Kunden aus verschiedenen Branchen und Partnern in Vietnam, um Architekturen und Demonstrationen der AWS-Plattform zu entwickeln, die von den Geschäftsanforderungen des Kunden ausgehend rückwärts funktionieren und die Einführung geeigneter AWS-Technologie beschleunigen. Ihre Freizeit verbringt sie gerne mit Höhlenforschung und Trekking.
Wai Kin Tham ist Cloud-Architekt bei AWS. Von Singapur aus besteht seine tägliche Arbeit darin, Kunden bei der Migration in die Cloud und der Modernisierung ihres Technologie-Stacks in der Cloud zu unterstützen. In seiner Freizeit besucht er Muay Thai und Brazilian Jiu Jitsu.
- SEO-gestützte Content- und PR-Distribution. Holen Sie sich noch heute Verstärkung.
- PlatoAiStream. Web3-Datenintelligenz. Wissen verstärkt. Hier zugreifen.
- Die Zukunft prägen mit Adryenn Ashley. Hier zugreifen.
- Kaufen und verkaufen Sie Anteile an PRE-IPO-Unternehmen mit PREIPO®. Hier zugreifen.
- Quelle: https://aws.amazon.com/blogs/machine-learning/build-an-image-search-engine-with-amazon-kendra-and-amazon-rekognition/
- :hast
- :Ist
- :nicht
- :Wo
- $UP
- 1
- 10
- 100
- 12
- 200
- 40
- 7
- 8
- a
- Über Uns
- beschleunigen
- Akzeptiert
- Nach
- Genauigkeit
- genau
- genau
- Erreichen
- über
- Aktivitäten
- Handlungen
- hinzufügen
- Zusätzliche
- zusätzlich
- Adresse
- Fügt
- Adoption
- Nach der
- Hilfe
- Algorithmen
- Alle
- erlauben
- erlaubt
- ebenfalls
- Amazon
- Amazonas Athena
- Amazon EC2
- Amazon Kendra
- Amazon-Anerkennung
- Betrag
- an
- analysieren
- und
- Ein anderer
- jedem
- Bienen
- Anwendung
- Anwendungen
- angewandt
- Ansatz
- angemessen
- architektonisch
- Architektur
- SIND
- Feld
- AS
- Aussehen
- Aspekte
- damit verbundenen
- At
- Attribute
- automatisieren
- Automatisiert
- Im Prinzip so, wie Sie es von Google Maps kennen.
- Automation
- verfügbar
- – warten auf Sie!
- AWS
- AWS-Kleber
- AWS Lambda
- AWS Step-Funktionen
- Axios
- Backbone (Rückgrat)
- Backend
- basierend
- BE
- weil
- war
- beginnen
- Sein
- Vorteile
- zwischen
- Beyond
- Blog
- Blog-Beiträge
- Blogs
- Blau
- Körper
- Brasilianer
- Break
- Browser
- puffern
- bauen
- Building
- erbaut
- eingebaut
- gebündelt
- Geschäft
- by
- rufen Sie uns an!
- namens
- Aufrufe
- CAN
- Kandidaten
- Fähigkeiten
- fähig
- Häuser
- Fälle
- Katalog
- zentralisierte
- Charakteristik
- aus der Ferne überprüfen
- Schecks
- Entscheidungen
- Auswählen
- Stadt
- Unterricht
- Cloud
- Cloud-Einführung
- Cloud-Plattform
- Code
- gemeinsam
- vergleichen
- abschließen
- Abgeschlossene Verkäufe
- Komplex
- Komplexität
- Komponente
- Komponenten
- Berechnen
- Hautpflegeprobleme
- Vertrauen
- zuversichtlich
- Konfiguration
- Schichtannahme
- Bestätigung
- Sich zusammenschliessen
- Geht davon
- betrachtet
- Konsul (Console)
- enthalten
- enthält
- Inhalt
- Inhaltserstellung
- Inhalt
- Kontext
- Kernbereich
- Kosten
- Kosten
- könnte
- Land
- Abdeckung
- Handwerk
- Crawler
- erstellen
- erstellt
- Erstellen
- Schaffung
- Kommunikation
- glaubwürdig
- Kriterien
- Original
- Kunde
- Kundenlösungen
- Kunden
- technische Daten
- Datenbase
- Datensätze
- Datum
- Datum
- Tag
- Behandlung
- tiefer
- Übergeben
- Abhängig
- Beschreibung
- Design
- entworfen
- erwünscht
- Reiseziel
- Detail
- Details
- erkannt
- Entdeckung
- entschlossen
- Entwickler:in / Unternehmen
- Entwicklung
- Diagramme
- anders
- unterscheiden
- diskutieren
- Anzeige
- Dokument
- Dokumentation
- Unterlagen
- Tut nicht
- Hund
- Fahren
- zwei
- e
- jeder
- Früher
- einfacher
- leicht
- Effizienz
- effizient
- Anstrengung
- Element
- eliminiert
- beschäftigt
- ermöglicht
- Ende
- Endpunkt
- Motor
- genießen
- gewährleisten
- sorgt
- Unternehmen
- Fehler
- Festlegung
- bewerten
- Auswertung
- Event
- Beispiel
- Beispiele
- vorhandenen
- Expertise
- Ausfuhr
- ausgesetzt
- Extrakt
- f1
- Faktor
- vertraut
- Merkmal
- Eigenschaften
- Feld
- Abbildung
- Zahlen
- Reichen Sie das
- Filter
- Finden Sie
- Vorname
- flexibel
- Fluss
- Setzen Sie mit Achtsamkeit
- konzentriert
- gefolgt
- Folgende
- Aussichten für
- gefunden
- FRAME
- Frei
- für
- voll
- Funktion
- Funktionen
- Zukunft
- Spiel
- Tor
- sammeln
- erzeugt
- Erzeugung
- bekommen
- Global
- Go
- Griff
- Haben
- mit
- he
- Überschriften
- Hilfe
- Unternehmen
- hilft
- hier (auf dänisch)
- Hohe Leistungsfähigkeit
- höchste
- hoch
- seine
- Urlaub
- STUNDEN
- Ultraschall
- Hilfe
- aber
- HTML
- http
- HTTPS
- hunderte
- i
- ID
- identifiziert
- identifiziert
- identifizieren
- Identifizierung
- if
- zeigt
- Image
- Bilderkennung
- Bildersuche
- Bilder
- implementieren
- Implementierung
- importieren
- wichtig
- in
- Dazu gehören
- Erhöhung
- Index
- indirekt
- Krankengymnastik
- Branchen
- Energiegewinnung
- Information
- Anfangs-
- Initiativen
- Varianten des Eingangssignals:
- beantragen müssen
- Anleitung
- integrieren
- integriert
- Integration
- Integration
- Intelligent
- interaktive
- Internet
- in
- eingeführt
- beteiligt
- Beteiligung
- IT
- Artikel
- SEINE
- JavaScript
- Job
- jpg
- JSON
- Wesentliche
- Verwandtschaft
- Label
- Beschriftung
- Etiketten
- Sprache
- grosse
- großflächig
- Schicht
- lernen
- am wenigsten
- Verlassen
- Länge
- lassen
- Lasst uns
- Gefällt mir
- LINK
- verknüpft
- Links
- Liste
- Belastung
- Belastungen
- aussehen
- aussehen wie
- suchen
- SIEHT AUS
- Maschine
- Maschinelles Lernen
- gemacht
- Main
- verwaltet
- Manager
- flächendeckende Gesundheitsprogramme
- Weise
- manuell
- manuell
- viele
- Karte
- Kann..
- Mittel
- Mechanismus
- Mechanismen
- Metadaten
- Methoden
- Metrik
- migriert
- Migration
- Geist / Bewusstsein
- minimal
- ML
- Modell
- für
- modernisieren
- Monat
- Monat
- mehr
- vor allem warme
- mehrere
- sollen
- Name
- Namen
- Natürliche
- Natur
- Navigieren
- Menü
- Need
- Bedürfnisse
- hört niemals
- Neu
- weiter
- Anzahl
- und viele
- Objekt
- Ziel
- Objekte
- erhalten
- beschaffen
- erhält
- of
- Angebote
- Angebote
- vorgenommen,
- on
- EINEM
- einzige
- or
- orchestriert
- Auftrag
- Original
- OS
- UNSERE
- Überblick
- besitzen
- Eigentümer
- Seite
- Brot
- Teil
- besondere
- besonders
- passieren
- Bestehen
- leidenschaftlich
- Schnittmuster
- Personen
- Leistung
- Sätze
- ein Bild
- Pipeline
- Plattform
- Plato
- Datenintelligenz von Plato
- PlatoData
- spielend
- spielt
- Post
- BLOG-POSTS
- angetriebene
- größte treibende
- Präzision
- Gegenwart
- Aufgabenstellung:
- Probleme
- Prozessdefinierung
- Programm
- Programme
- Projekt
- Projekte
- Versprechen
- Prototyping
- die
- vorausgesetzt
- bietet
- Bereitstellung
- Stellvertreter
- Öffentlichkeit
- Zweck
- Zwecke
- setzen
- Versetzt
- Python
- Abfragen
- Angebot
- Grund
- Anerkennung
- erkennen
- Rekord
- Aufzeichnungen
- Reduziert
- Reduzierung
- Referenzen
- Region
- bezogene
- Mitteilungen
- Relevanz
- relevant
- entfernen
- Entfernt
- Quelle
- Anforderung
- Zugriffe
- erfordern
- falls angefordert
- Downloads
- Antwort
- REST
- Folge
- Die Ergebnisse
- behalten
- Rückkehr
- Rückgabe
- REIHE
- Führen Sie
- s
- gleich
- Skalierbarkeit
- skalierbaren
- Skalieren
- Skalierung
- Szenen
- Suche
- Suchmaschine
- Suche
- Zweite
- Abschnitt
- Abschnitte
- Verbindung
- Sucht
- ausgewählt
- senden
- sendet
- Serverlos
- Fertige Server
- Lösungen
- kompensieren
- sie
- sollte
- gezeigt
- Konzerte
- signifikant
- ähnlich
- Einfacher
- Einfachheit
- einfach
- Singapur
- Größe
- klein
- Lösung
- Lösungen
- LÖSEN
- einige
- Quelle
- Quellen
- Sourcing
- Spannweite
- spezialisiert
- spezifisch
- speziell
- Trotz
- Stapel
- Anfang
- begonnen
- Beginnen Sie
- Schritt
- Shritte
- Immer noch
- Stoppt
- gelagert
- Läden
- gestrafft
- Ströme
- Folge
- erfolgreich
- Erfolgreich
- so
- ausreichend
- geeignet
- Unterstützte
- Tabelle
- Nehmen
- nimmt
- Technische
- Technologie
- AGB
- thailändisch
- zur Verbesserung der Gesundheitsgerechtigkeit
- Das
- die Informationen
- ihr
- dann
- Dort.
- damit
- deswegen
- Diese
- vom Nutzer definierten
- fehlen uns die Worte.
- diejenigen
- Tausende
- nach drei
- Durch
- Tier
- Zeit
- Titel
- zu
- gemeinsam
- auch
- Werkzeug
- Themen
- Training
- trainiert
- Ausbildung
- schult Ehrenamtliche
- Transformieren
- Transformation
- Transformieren
- versucht
- auslösen
- was immer dies auch sein sollte.
- vertraut
- XNUMX
- tippe
- Typen
- typisch
- nicht fähig
- zugrunde liegen,
- verstehen
- Verständnis
- Einheit
- Bereiche
- Updates
- hochgeladen
- Uploading
- auf
- URL
- -
- Anwendungsfall
- benutzt
- Mitglied
- Nutzer
- Verwendung von
- BESTÄTIGEN
- Wert
- verschiedene
- Verification
- Version
- Vertikalen
- geprüft
- Videos
- Vietnam
- Anzeigen
- praktisch
- Seh-
- Volumen
- wollen
- wurde
- Weg..
- Wege
- we
- Netz
- GUT
- waren
- Was
- wann
- ob
- welche
- während
- WHO
- breit
- Große Auswahl
- werden wir
- mit
- ohne
- Arbeiten
- arbeiten,
- Werk
- weltweit wie ausgehandelt und gekauft ausgeführt wird.
- würde
- schreiben
- Du
- Ihr
- Zephyrnet