Unternehmen verlassen sich zur Interaktion zunehmend auf benutzergenerierte Bilder und Videos. Von E-Commerce-Plattformen, die Kunden zum Teilen von Produktbildern ermutigen, bis hin zu Social-Media-Unternehmen, die benutzergenerierte Videos und Bilder bewerben, ist die Nutzung von Benutzerinhalten zur Interaktion eine wirkungsvolle Strategie. Es kann jedoch schwierig sein, sicherzustellen, dass diese benutzergenerierten Inhalte Ihren Richtlinien entsprechen und eine sichere Online-Community für Ihre Benutzer fördern.
Viele Unternehmen sind derzeit auf menschliche Moderatoren angewiesen oder reagieren reaktiv auf Benutzerbeschwerden, um unangemessene benutzergenerierte Inhalte zu verwalten. Diese Ansätze lassen sich nicht skalieren, um Millionen von Bildern und Videos in ausreichender Qualität oder Geschwindigkeit effektiv zu moderieren, was zu einer schlechten Benutzererfahrung, hohen Kosten für die Erzielung einer Skalierung oder sogar zu einer potenziellen Schädigung des Markenrufs führt.
In diesem Beitrag besprechen wir, wie Sie die Funktion „Benutzerdefinierte Moderation“ verwenden Amazon-Anerkennung um die Genauigkeit Ihrer vorab trainierten Inhaltsmoderations-API zu verbessern.
Inhaltsmoderation in Amazon Rekognition
Amazon Rekognition ist ein verwalteter Dienst für künstliche Intelligenz (KI), der vorab trainierte und anpassbare Computer-Vision-Funktionen bietet, um Informationen und Erkenntnisse aus Bildern und Videos zu extrahieren. Eine solche Fähigkeit ist Moderation von Amazon Rekognition-Inhalten, das unangemessene oder unerwünschte Inhalte in Bildern und Videos erkennt. Amazon Rekognition verwendet eine hierarchische Taxonomie zur Kennzeichnung unangemessener oder unerwünschter Inhalte mit 10 Moderationskategorien der obersten Ebene (z. B. Gewalt, explizit, Alkohol oder Drogen) und 35 Kategorien der zweiten Ebene. Kunden aus allen Branchen wie E-Commerce, Social Media und Gaming können die Inhaltsmoderation in Amazon Rekognition nutzen, um den Ruf ihrer Marke zu schützen und sichere Benutzergemeinschaften zu fördern.
Durch die Verwendung von Amazon Rekognition für die Bild- und Videomoderation müssen menschliche Moderatoren einen viel kleineren Inhaltssatz überprüfen, typischerweise 1–5 % des Gesamtvolumens, der bereits vom Inhaltsmoderationsmodell gekennzeichnet ist. Dies ermöglicht es Unternehmen, sich auf wertvollere Aktivitäten zu konzentrieren und dennoch eine umfassende Moderationsabdeckung zu einem Bruchteil ihrer bisherigen Kosten zu erzielen.
Einführung der benutzerdefinierten Moderation von Amazon Rekognition
Sie können jetzt die Genauigkeit des Rekognition-Moderationsmodells für Ihre unternehmensspezifischen Daten mit der Funktion „Benutzerdefinierte Moderation“ verbessern. Sie können einen benutzerdefinierten Adapter mit nur 20 kommentierten Bildern in weniger als einer Stunde trainieren. Diese Adapter erweitern die Fähigkeiten des Moderationsmodells, um für das Training verwendete Bilder mit höherer Genauigkeit zu erkennen. Für diesen Beitrag verwenden wir einen Beispieldatensatz, der sowohl sichere Bilder als auch Bilder mit alkoholischen Getränken (die als unsicher gelten) enthält, um die Genauigkeit der Alkoholmoderationskennzeichnung zu verbessern.
Die eindeutige ID des trainierten Adapters kann dem vorhandenen bereitgestellt werden DetectModerationLabels API-Operation zum Verarbeiten von Bildern mit diesem Adapter. Jeder Adapter kann nur von dem AWS-Konto verwendet werden, das zum Training des Adapters verwendet wurde. Dadurch wird sichergestellt, dass die für das Training verwendeten Daten in diesem AWS-Konto sicher und geschützt bleiben. Mit der Funktion „Benutzerdefinierte Moderation“ können Sie das vorab trainierte Moderationsmodell von Rekognition anpassen, um die Leistung für Ihren spezifischen Moderationsanwendungsfall zu verbessern, ohne dass Sie über Kenntnisse im Bereich maschinelles Lernen (ML) verfügen müssen. Sie können weiterhin die Vorteile eines vollständig verwalteten Moderationsdienstes mit einem Pay-per-Use-Preismodell für benutzerdefinierte Moderation genießen.
Lösungsüberblick
Das Training eines benutzerdefinierten Moderationsadapters umfasst fünf Schritte, die Sie mit dem ausführen können AWS-Managementkonsole oder die API-Schnittstelle:
- Erstellen Sie ein Projekt
- Laden Sie die Trainingsdaten hoch
- Weisen Sie Bildern Ground-Truth-Beschriftungen zu
- Trainieren Sie den Adapter
- Verwenden Sie den Adapter
Lassen Sie uns diese Schritte mithilfe der Konsole detaillierter durchgehen.
Erstellen Sie ein Projekt
Ein Projekt ist ein Container zum Speichern Ihrer Adapter. Sie können innerhalb eines Projekts mehrere Adapter mit unterschiedlichen Trainingsdatensätzen trainieren, um zu beurteilen, welcher Adapter für Ihren spezifischen Anwendungsfall die beste Leistung erbringt. Um Ihr Projekt zu erstellen, führen Sie die folgenden Schritte aus:
- Wählen Sie in der Amazon Rekognition-Konsole aus Benutzerdefinierte Moderation im Navigationsbereich.
- Auswählen Projekt anlegen.
- Aussichten für Projektname, geben Sie einen Namen für Ihr Projekt ein.
- Aussichten für AdapternameGeben Sie einen Namen für Ihren Adapter ein.
- Geben Sie optional eine Beschreibung für Ihren Adapter ein.
Trainingsdaten hochladen
Sie können mit nur 20 Beispielbildern beginnen, um das Moderationsmodell so anzupassen, dass weniger Fehlalarme erkannt werden (Bilder, die für Ihr Unternehmen geeignet sind, aber vom Modell mit einem Moderationslabel gekennzeichnet werden). Um falsch negative Ergebnisse (Bilder, die für Ihr Unternehmen ungeeignet sind, aber nicht mit einem Moderationslabel gekennzeichnet werden) zu reduzieren, müssen Sie mit 50 Beispielbildern beginnen.
Sie können aus den folgenden Optionen auswählen, um die Bilddatensätze für das Adaptertraining bereitzustellen:
Führen Sie die folgenden Schritte aus:
- Wählen Sie für diesen Beitrag Importieren Sie Bilder aus dem S3-Bucket und geben Sie Ihren S3-URI ein.
Wie jeder ML-Trainingsprozess erfordert das Training eines benutzerdefinierten Moderationsadapters in Amazon Rekognition zwei separate Datensätze: einen zum Trainieren des Adapters und einen anderen zum Bewerten des Adapters. Sie können entweder einen separaten Testdatensatz hochladen oder Ihren Trainingsdatensatz automatisch für Training und Tests aufteilen.
- Wählen Sie für diesen Beitrag Auto-Split.
- Auswählen Automatische Aktualisierung aktivieren um sicherzustellen, dass das System den Adapter automatisch neu trainiert, wenn eine neue Version des Inhaltsmoderationsmodells gestartet wird.
- Auswählen Projekt anlegen.
Weisen Sie Bildern Ground-Truth-Beschriftungen zu
Wenn Sie nicht kommentierte Bilder hochgeladen haben, können Sie die Amazon Rekognition-Konsole verwenden, um Bildbezeichnungen gemäß der Moderationstaxonomie bereitzustellen. Im folgenden Beispiel trainieren wir einen Adapter, um versteckten Alkohol mit höherer Genauigkeit zu erkennen, und kennzeichnen alle derartigen Bilder mit der Bezeichnung „Alkohol“. Bilder, die nicht als unangemessen gelten, können als sicher gekennzeichnet werden.
Trainieren Sie den Adapter
Nachdem Sie alle Bilder beschriftet haben, wählen Sie Beginne zu üben um den Trainingsprozess einzuleiten. Amazon Rekognition verwendet die hochgeladenen Bilddatensätze, um ein Adaptermodell zu trainieren, um die Genauigkeit der für das Training bereitgestellten spezifischen Bildtypen zu erhöhen.
Nachdem der benutzerdefinierte Moderationsadapter trainiert wurde, können Sie alle Adapterdetails anzeigen (adapterID
, test
und training
Manifestdateien) in der Adapterleistung .
Das Adapterleistung Der Abschnitt zeigt Verbesserungen bei falsch-positiven und falsch-negativen Ergebnissen im Vergleich zum vorab trainierten Moderationsmodell. Der von uns trainierte Adapter zur Verbesserung der Erkennung des Alkoholetiketts reduziert die Falsch-Negativ-Rate in Testbildern um 73 %. Mit anderen Worten: Der Adapter sagt jetzt die Alkoholmoderationsbezeichnung für 73 % mehr Bilder im Vergleich zum vorab trainierten Moderationsmodell genau vorher. Bei falsch-positiven Ergebnissen ist jedoch keine Verbesserung zu beobachten, da für das Training keine falsch-positiven Proben verwendet wurden.
Verwenden Sie den Adapter
Sie können mithilfe des neu trainierten Adapters eine Inferenz durchführen, um eine höhere Genauigkeit zu erzielen. Rufen Sie dazu Amazon Rekognition auf DetectModerationLabel
API mit einem zusätzlichen Parameter, ProjectVersion
, das ist das Einzigartige AdapterID
des Adapters. Das Folgende ist ein Beispielbefehl mit dem AWS-Befehlszeilenschnittstelle (AWS-CLI):
Das Folgende ist ein Beispielcode-Snippet mit dem Python Boto3-Bibliothek:
Best Practices für die Schulung
Um die Leistung Ihres Adapters zu maximieren, werden die folgenden Best Practices für das Training des Adapters empfohlen:
- Die Beispielbilddaten sollten die repräsentativen Fehler erfassen, für die Sie die Genauigkeit des Moderationsmodells verbessern möchten
- Anstatt nur Fehlerbilder für falsch-positive und falsch-negative Ergebnisse einzubinden, können Sie für eine verbesserte Leistung auch richtig-positive und richtig-negative Ergebnisse bereitstellen
- Stellen Sie für die Schulung so viele kommentierte Bilder wie möglich bereit
Zusammenfassung
In diesem Beitrag haben wir einen detaillierten Überblick über die neue benutzerdefinierte Moderationsfunktion von Amazon Rekognition gegeben. Darüber hinaus haben wir die Schritte zur Durchführung des Trainings mit der Konsole detailliert beschrieben, einschließlich Best Practices für optimale Ergebnisse. Weitere Informationen finden Sie in der Amazon Rekognition-Konsole und erkunden Sie die Funktion „Benutzerdefinierte Moderation“.
Benutzerdefinierte Moderation von Amazon Rekognition ist jetzt allgemein in allen AWS-Regionen verfügbar, in denen Amazon Rekognition verfügbar ist.
Erfahren Sie mehr darüber Inhaltsmoderation auf AWS. Machen Sie den ersten Schritt dorthin Optimieren Sie Ihre Content-Moderationsvorgänge mit AWS.
Über die Autoren
Shipra Kanoria ist Principal Product Manager bei AWS. Sie ist leidenschaftlich daran interessiert, Kunden dabei zu helfen, ihre komplexesten Probleme mit der Kraft des maschinellen Lernens und der künstlichen Intelligenz zu lösen. Bevor sie zu AWS kam, verbrachte Shipra über 4 Jahre bei Amazon Alexa, wo sie viele produktivitätsbezogene Funktionen des Alexa-Sprachassistenten einführte.
Aakash tief ist ein Software Development Engineering Manager mit Sitz in Seattle. Er beschäftigt sich gerne mit Computer Vision, KI und verteilten Systemen. Seine Mission ist es, Kunden in die Lage zu versetzen, komplexe Probleme anzugehen und mit AWS Rekognition Mehrwert zu schaffen. Außerhalb der Arbeit wandert und reist er gerne.
Lana Zhang ist Senior Solutions Architect beim AWS WWSO AI Services-Team, spezialisiert auf KI und ML für Inhaltsmoderation, Computer Vision, Verarbeitung natürlicher Sprache und generative KI. Mit ihrem Fachwissen widmet sie sich der Förderung von AWS AI/ML-Lösungen und unterstützt Kunden bei der Transformation ihrer Geschäftslösungen in verschiedenen Branchen, darunter soziale Medien, Spiele, E-Commerce, Medien, Werbung und Marketing.
- SEO-gestützte Content- und PR-Distribution. Holen Sie sich noch heute Verstärkung.
- PlatoData.Network Vertikale generative KI. Motiviere dich selbst. Hier zugreifen.
- PlatoAiStream. Web3-Intelligenz. Wissen verstärkt. Hier zugreifen.
- PlatoESG. Kohlenstoff, CleanTech, Energie, Umwelt, Solar, Abfallwirtschaft. Hier zugreifen.
- PlatoHealth. Informationen zu Biotechnologie und klinischen Studien. Hier zugreifen.
- Quelle: https://aws.amazon.com/blogs/machine-learning/announcing-rekogniton-custom-moderation-enhance-accuracy-of-pre-trained-rekognition-moderation-models-with-your-data/
- :Ist
- :nicht
- :Wo
- 1
- 10
- 100
- 118
- 150
- 20
- 35%
- 50
- 7
- 9
- a
- aakash
- Über Uns
- Konto
- Genauigkeit
- genau
- Erreichen
- über
- Aktivitäten
- automatisch
- Zusätzliche
- Zusätzliche Angaben
- Adresse
- Marketings
- AI
- KI-Dienste
- AI / ML
- Alkohol
- Alexa
- Alle
- bereits
- ebenfalls
- Amazon
- Amazon-Anerkennung
- Amazon Web Services
- an
- und
- Ankündigung
- Ein anderer
- jedem
- Bienen
- Ansätze
- angemessen
- SIND
- künstlich
- künstliche Intelligenz
- Künstliche Intelligenz (AI)
- AS
- beurteilen
- Assistentin
- Unterstützung
- At
- Autor
- Im Prinzip so, wie Sie es von Google Maps kennen.
- verfügbar
- AWS
- basierend
- BE
- Bevor
- beginnen
- Vorteile
- BESTE
- Best Practices
- beide
- Marke
- Bringing
- Geschäft
- aber
- by
- rufen Sie uns an!
- CAN
- Fähigkeiten
- capability
- Erfassung
- Häuser
- Kategorien
- herausfordernd
- Auswählen
- Auftraggeber
- Code
- Communities
- community
- Unternehmen
- verglichen
- Beschwerden
- abschließen
- Komplex
- umfassend
- Computer
- Computer Vision
- betrachtet
- konsistent
- Konsul (Console)
- Container
- Inhalt
- fortsetzen
- Kosten
- Kosten
- Berichterstattung
- erstellen
- Wert schaffen
- Zur Zeit
- Original
- Kunden
- anpassbare
- technische Daten
- Datensätze
- gewidmet
- tief
- Beschreibung
- Detail
- detailliert
- Details
- entdecken
- Entdeckung
- Entwicklung
- anders
- diskutieren
- Displays
- verteilt
- verteilte Systeme
- verschieden
- do
- Nicht
- Drogen
- e-commerce
- jeder
- E-EINKAUF
- effektiv
- entweder
- ermöglichen
- ermöglicht
- ermutigend
- Engagement
- Entwicklung
- zu steigern,
- verbesserte
- genießen
- gewährleisten
- Gewährleistung
- Enter
- Fehler
- Fehler
- Auswerten
- Sogar
- Beispiel
- vorhandenen
- ERFAHRUNGEN
- Expertise
- ERKUNDEN
- erweitern
- Extrakt
- falsch
- Merkmal
- Eigenschaften
- wenige
- Weniger
- Mappen
- Vorname
- fünf
- markiert
- Setzen Sie mit Achtsamkeit
- Folgende
- Aussichten für
- Fördern
- fördert
- Fraktion
- für
- voll
- Außerdem
- Gaming
- allgemein
- generativ
- Generative KI
- bekommen
- Boden
- schaden
- Haben
- he
- Unternehmen
- hier (auf dänisch)
- versteckt
- GUTE
- höher
- seine
- Stunde
- Ultraschall
- Hilfe
- aber
- HTML
- http
- HTTPS
- human
- ID
- Image
- Bilder
- zu unterstützen,
- verbessert
- Verbesserung
- Verbesserungen
- in
- In anderen
- eingehende
- Einschließlich
- zunehmend
- Branchen
- Information
- initiieren
- Einblicke
- Intelligenz
- Schnittstelle
- IT
- Beitritt
- Label
- Etiketten
- Sprache
- ins Leben gerufen
- umwandeln
- lernen
- weniger
- Line
- Liste
- Maschine
- Maschinelles Lernen
- verwalten
- verwaltet
- Management
- Manager
- viele
- Marketing
- Maximieren
- Medien
- Millionen
- Ziel
- ML
- Modell
- für
- Mäßigung
- mehr
- vor allem warme
- viel
- mehrere
- Name
- Natürliche
- Verarbeitung natürlicher Sprache
- Menü
- Negativ
- Negative
- Neu
- neu
- nicht
- jetzt an
- of
- Angebote
- on
- EINEM
- Online
- einzige
- Betrieb
- Einkauf & Prozesse
- optimal
- Optionen
- or
- Andere
- aussen
- übrig
- Überblick
- Brot
- Parameter
- leidenschaftlich
- für
- Ausführen
- Leistung
- Durchführung
- führt
- Plattformen
- Plato
- Datenintelligenz von Plato
- PlatoData
- Politik durchzulesen
- Arm
- positiv
- möglich
- Post
- Potenzial
- Werkzeuge
- größte treibende
- Praktiken
- sagt voraus,
- vorgeführt
- gebühr
- Preismodell
- Principal
- Probleme
- Prozessdefinierung
- Verarbeitung
- Produkt
- Produkt-Manager
- Projekt
- Die Förderung der
- Risiken zu minimieren
- die
- vorausgesetzt
- Qualität
- Bewerten
- empfohlen
- Veteran
- reduziert
- Regionen
- verlassen
- bleibt bestehen
- Vertreter
- Ruf
- falls angefordert
- erfordert
- Reagieren
- Antwort
- Die Ergebnisse
- Überprüfen
- Safe
- Beispieldatensatz
- Skalieren
- Seattle
- Abschnitt
- Verbindung
- Senior
- getrennte
- Lösungen
- kompensieren
- Teilen
- sie
- sollte
- kleinere
- Schnipsel
- Social Media
- Social Media
- Software
- Software-Entwicklung
- Lösungen
- LÖSEN
- spezialisieren
- spezifisch
- Geschwindigkeit
- verbrachte
- gespalten
- Anfang
- Schritt
- Shritte
- Immer noch
- speichern
- Strategie
- so
- ausreichend
- System
- Systeme und Techniken
- Nehmen
- Aufgabe
- und Aufgaben
- Taxonomie
- Team
- Test
- Testen
- als
- zur Verbesserung der Gesundheitsgerechtigkeit
- Das
- ihr
- Diese
- fehlen uns die Worte.
- Durch
- zu
- Top-Level
- Gesamt
- Training
- trainiert
- Ausbildung
- Transformieren
- Reise
- was immer dies auch sein sollte.
- Wahrheit
- XNUMX
- tippe
- typisch
- einzigartiges
- unerwünscht
- hochgeladen
- -
- Anwendungsfall
- benutzt
- Mitglied
- Benutzererfahrung
- Nutzer
- verwendet
- Verwendung von
- wertvoll
- Wert
- Version
- Video
- Videos
- Anzeigen
- Gewalt
- Seh-
- Besuchen Sie
- Stimme
- Volumen
- Spaziergang
- wollen
- wurde
- we
- Netz
- Web-Services
- waren
- wann
- welche
- werden wir
- mit
- .
- ohne
- Worte
- Arbeiten
- Arbeitsablauf.
- arbeiten,
- Jahr
- Du
- Ihr
- Zephyrnet