Kunden greifen bei ihrem Einkauf zunehmend auf Produktbewertungen zurück, um fundierte Entscheidungen zu treffen, sei es beim Kauf von Alltagsgegenständen wie einem Küchentuch oder bei größeren Anschaffungen wie dem Kauf eines Autos. Diese Bewertungen haben sich zu einer wichtigen Informationsquelle entwickelt und ermöglichen es Käufern, auf die Meinungen und Erfahrungen anderer Kunden zuzugreifen. Daher sind Produktbewertungen zu einem entscheidenden Aspekt in jedem Geschäft geworden und bieten wertvolles Feedback und Einblicke, die bei Kaufentscheidungen hilfreich sind.
Amazon verfügt über einen der größten Stores mit Hunderten Millionen verfügbaren Artikeln. Im Jahr 2022 haben 125 Millionen Kunden fast 1.5 Milliarden Rezensionen und Bewertungen in Amazon-Shops abgegeben, was Online-Bewertungen bei Amazon zu einer soliden Feedbackquelle für Kunden macht. Bei den monatlich eingereichten Produktbewertungen ist es wichtig zu überprüfen, ob diese Bewertungen übereinstimmen Amazon-Community-Richtlinien hinsichtlich akzeptabler Sprache, Wörter, Videos und Bilder. Diese Praxis dient dazu, sicherzustellen, dass Kunden genaue Informationen über das Produkt erhalten, und um zu verhindern, dass Bewertungen unangemessene Sprache, anstößige Bilder oder jede Art von Hassrede enthalten, die sich gegen Einzelpersonen oder Gemeinschaften richtet. Durch die Durchsetzung dieser Richtlinien kann Amazon eine sichere und integrative Umgebung für alle Kunden aufrechterhalten.
Durch die Automatisierung der Inhaltsmoderation kann Amazon den Prozess skalieren und gleichzeitig eine hohe Genauigkeit gewährleisten. Es handelt sich um einen komplexen Problembereich mit einzigartigen Herausforderungen, der unterschiedliche Techniken für Text, Bilder und Videos erfordert. Bilder sind ein relevanter Bestandteil von Produktbewertungen und haben oft eine unmittelbarere Wirkung auf Kunden als Text. Mit Moderation von Amazon Rekognition-InhaltenAmazon ist in der Lage, schädliche Bilder in Produktbewertungen automatisch und mit höherer Genauigkeit zu erkennen, wodurch die Abhängigkeit von menschlichen Rezensenten zur Moderation solcher Inhalte verringert wird. Rekognition Content Moderation hat dazu beigetragen, das Wohlbefinden menschlicher Moderatoren zu verbessern und erhebliche Kosteneinsparungen zu erzielen.
Moderation mit selbstgehosteten ML-Modellen
Das Amazon Shopping-Team hat ein Moderationssystem entworfen und implementiert, das maschinelles Lernen (ML) in Verbindung mit Human-in-the-Loop-Bewertungen (HITL) nutzt, um sicherzustellen, dass sich Produktbewertungen auf das Kundenerlebnis mit dem Produkt beziehen und keine unangemessenen oder unangemessenen Inhalte enthalten schädliche Inhalte gemäß den Community-Richtlinien. Das Bildmoderations-Subsystem nutzte, wie im folgenden Diagramm dargestellt, mehrere selbstgehostete und selbsttrainierte Computer-Vision-Modelle, um Bilder zu erkennen, die gegen die Amazon-Richtlinien verstoßen. Der Entscheidungsbearbeiter bestimmt die Moderationsaktion und begründet seine Entscheidung auf der Grundlage der Ausgabe der ML-Modelle. Dabei entscheidet er, ob das Bild einer weiteren Überprüfung durch einen menschlichen Moderator bedarf oder automatisch genehmigt oder abgelehnt werden könnte.
Mit diesen selbst gehosteten ML-Modellen automatisierte das Team zunächst Entscheidungen zu 40 % der im Rahmen der Überprüfungen erhaltenen Bilder und arbeitete im Laufe der Jahre kontinuierlich an der Verbesserung der Lösung, wobei es sich dabei mehreren Herausforderungen stellte:
- Laufende Bemühungen zur Verbesserung der Automatisierungsrate – Das Team wollte die Genauigkeit von ML-Algorithmen verbessern, um die Automatisierungsrate zu erhöhen. Dies erfordert kontinuierliche Investitionen in Datenkennzeichnung, Datenwissenschaft und MLOps für die Modellschulung und -bereitstellung.
- Systemkomplexität – Die Komplexität der Architektur erfordert Investitionen in MLOps, um sicherzustellen, dass der ML-Inferenzprozess effizient skaliert wird, um dem wachsenden Datenverkehr bei der Einreichung von Inhalten gerecht zu werden.
Ersetzen Sie selbst gehostete ML-Modelle durch die Rekognition Content Moderation API
Amazon-Anerkennung ist ein verwalteter Dienst für künstliche Intelligenz (KI), der vorab trainierte Modelle über eine API-Schnittstelle für bereitstellt Bild- und Videomoderation. Es wurde in Branchen wie E-Commerce, Social Media, Gaming, Online-Dating-Apps und anderen weit verbreitet, um benutzergenerierte Inhalte (UGC) zu moderieren. Dazu gehören eine Reihe von Inhaltstypen, wie Produktbewertungen, Benutzerprofile und die Moderation von Social-Media-Beiträgen.
Rekognition Content Moderation automatisiert und optimiert Bild- und Videomoderations-Workflows, ohne dass ML-Erfahrung erforderlich ist. Kunden von Amazon Rekognition können Millionen von Bildern und Videos verarbeiten und unangemessene oder unerwünschte Inhalte mit vollständig verwalteten APIs und anpassbaren Moderationsregeln effizient erkennen, um die Sicherheit der Benutzer und die Compliance des Unternehmens zu gewährleisten.
Das Team migrierte erfolgreich eine Teilmenge selbstverwalteter ML-Modelle im Bildmoderationssystem zur Erkennung von Nacktheit und nicht arbeitssicheren Inhalten (NSFW) zur Amazon Rekognition Detect Moderation API und nutzte dabei die hochpräzisen und umfassenden vorab trainierten Moderationsmodelle . Dank der hohen Genauigkeit von Amazon Rekognition konnte das Team mehr Entscheidungen automatisieren, Kosten sparen und die Systemarchitektur vereinfachen.
Verbesserte Genauigkeit und erweiterte Moderationskategorien
Die Umsetzung der Bildmoderations-API von Amazon Rekognition hat zu einer höheren Genauigkeit bei der Erkennung unangemessener Inhalte geführt. Dies bedeutet, dass zusätzlich etwa 1 Million Bilder pro Jahr automatisch moderiert werden, ohne dass eine menschliche Überprüfung erforderlich ist.
Optimierung der Betriebsabläufe
Das Team von Amazon Shopping konnte die Systemarchitektur vereinfachen und so den betrieblichen Aufwand für die Verwaltung und Wartung des Systems reduzieren. Dieser Ansatz hat ihnen Monate an DevOps-Aufwand pro Jahr erspart, was bedeutet, dass sie ihre Zeit nun der Entwicklung innovativer Funktionen widmen können, anstatt sie für betriebliche Aufgaben aufzuwenden.
Kostenreduktion
Die hohe Genauigkeit der Rekognition Content Moderation hat es dem Team ermöglicht, weniger Bilder, einschließlich potenziell unangemessener Inhalte, zur menschlichen Überprüfung zu senden. Dadurch konnten die mit der menschlichen Moderation verbundenen Kosten gesenkt werden und die Moderatoren konnten sich auf wichtigere geschäftliche Aufgaben konzentrieren. In Kombination mit den DevOps-Effizienzsteigerungen erzielte das Amazon Shopping-Team erhebliche Kosteneinsparungen.
Zusammenfassung
Die Migration von selbst gehosteten ML-Modellen zur Amazon Rekognition Moderation API für die Moderation von Produktbewertungen kann Unternehmen viele Vorteile bieten, darunter auch erhebliche Kosteneinsparungen. Durch die Automatisierung des Moderationsprozesses können Online-Shops große Mengen an Produktbewertungen schnell und präzise moderieren und so das Kundenerlebnis verbessern, indem sichergestellt wird, dass unangemessene Inhalte oder Spam-Inhalte schnell entfernt werden. Darüber hinaus können Unternehmen durch die Verwendung eines verwalteten Dienstes wie der Amazon Rekognition Moderation API den Zeit- und Ressourcenaufwand für die Entwicklung und Wartung ihrer eigenen Modelle reduzieren, was besonders für Unternehmen mit begrenzten technischen Ressourcen nützlich sein kann. Die Flexibilität der API ermöglicht es Online-Shops außerdem, ihre Moderationsregeln und Schwellenwerte an ihre spezifischen Bedürfnisse anzupassen.
Erfahren Sie mehr darüber Inhaltsmoderation auf AWS und unseren ML-Anwendungsfälle für die Inhaltsmoderation. 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.
Luca Agostino Rubino ist leitender Softwareentwickler im Amazon Shopping-Team. Er arbeitet an Community-Funktionen wie Kundenrezensionen und Fragen und Antworten und konzentriert sich im Laufe der Jahre auf die Moderation von Inhalten sowie auf die Skalierung und Automatisierung von Lösungen für maschinelles Lernen.
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. Automobil / Elektrofahrzeuge, Kohlenstoff, CleanTech, Energie, Umwelt, Solar, Abfallwirtschaft. Hier zugreifen.
- PlatoHealth. Informationen zu Biotechnologie und klinischen Studien. Hier zugreifen.
- ChartPrime. Verbessern Sie Ihr Handelsspiel mit ChartPrime. Hier zugreifen.
- BlockOffsets. Modernisierung des Eigentums an Umweltkompensationen. Hier zugreifen.
- Quelle: https://aws.amazon.com/blogs/machine-learning/how-amazon-shopping-uses-amazon-rekognition-content-moderation-to-review-harmful-images-in-product-reviews/
- :hast
- :Ist
- :nicht
- :Wo
- 1
- 100
- 125
- 2022
- 7
- 700
- a
- Fähig
- LiveBuzz
- akzeptabel
- Zugang
- Genauigkeit
- genau
- genau
- Erreichen
- erreicht
- über
- Action
- Zusätzliche
- zusätzlich
- angenommen
- Vorteil
- Marketings
- AI
- KI-Dienste
- AI / ML
- Anvisieren
- Alexa
- Algorithmen
- ausrichten
- Alle
- zuordnen
- erlaubt
- erlaubt
- ebenfalls
- Amazon
- Amazon-Anerkennung
- Amazon Web Services
- an
- und
- jedem
- Bienen
- APIs
- Ansatz
- genehmigt
- ungefähr
- Apps
- Architektur
- SIND
- künstlich
- künstliche Intelligenz
- Künstliche Intelligenz (AI)
- AS
- Aussehen
- Assistentin
- Unterstützung
- damit verbundenen
- At
- automatisieren
- Automatisches Erfassen:
- Im Prinzip so, wie Sie es von Google Maps kennen.
- automatisieren
- Automation
- verfügbar
- AWS
- basierend
- BE
- werden
- war
- Bevor
- Vorteile
- Milliarde
- Geschäft
- Unternehmen
- Kauf
- by
- CAN
- Auto
- Fälle
- Herausforderungen
- kombiniert
- Communities
- community
- Unternehmen
- Komplex
- Komplexität
- konform
- Komponente
- umfassend
- Computer
- Computer Vision
- Verbindung
- enthalten
- Inhalt
- Inhaltstypen
- kontinuierlich
- ständig
- beigetragen
- Kosten
- Einsparmaßnahmen
- Kosten
- könnte
- wichtig
- Kunde
- Customer Experience
- Kunden
- anpassbare
- anpassen
- technische Daten
- Datenwissenschaft
- Partnersuche
- Entscheiden
- Entscheidung
- Entscheidungen
- gewidmet
- Einsatz
- entworfen
- erwünscht
- entdecken
- Entdeckung
- entschlossen
- entwickeln
- Entwicklung
- anders
- verschieden
- Nicht
- e-commerce
- E-EINKAUF
- Effizienz
- effizient
- Anstrengung
- Bemühungen
- freigegeben
- ermöglichen
- Durchsetzung
- Ingenieur
- gewährleisten
- Gewährleistung
- Arbeitsumfeld
- insbesondere
- essential
- Jedes
- jeden Tag
- ergänzt
- ERFAHRUNGEN
- Erfahrungen
- Expertise
- zugewandt
- Eigenschaften
- Feedback
- Weniger
- Vorname
- passen
- Flexibilität
- Setzen Sie mit Achtsamkeit
- Fokussierung
- Folgende
- Aussichten für
- für
- voll
- weiter
- Gewinne
- Gaming
- generativ
- Generative KI
- persönlichem Wachstum
- Garantie
- Richtlinien
- schädlich
- Haben
- he
- Hilfe
- dazu beigetragen,
- Unternehmen
- hier (auf dänisch)
- GUTE
- höher
- hoch
- Ultraschall
- HTML
- HTTPS
- human
- hunderte
- hunderte Millionen
- Image
- Bilder
- unmittelbar
- Impact der HXNUMXO Observatorien
- Implementierung
- umgesetzt
- zu unterstützen,
- Verbesserung
- in
- Dazu gehören
- Einschließlich
- Inklusive
- Erhöhung
- zunehmend
- Einzelpersonen
- Branchen
- informieren
- Information
- informiert
- innovativ
- Einblicke
- beantragen müssen
- Intelligenz
- Schnittstelle
- in
- Investments
- IT
- Artikel
- SEINE
- Beitritt
- Reise
- jpg
- Behalten
- Aufbewahrung
- Beschriftung
- Sprache
- grosse
- höchste
- ins Leben gerufen
- lernen
- Gefällt mir
- Limitiert
- Maschine
- Maschinelles Lernen
- halten
- Dur
- um
- Making
- verwalten
- verwaltet
- Manager
- viele
- Marketing
- Mittel
- Medien
- Triff
- migriert
- Million
- Millionen
- ML
- MLOps
- für
- Mäßigung
- Monat
- Monat
- mehr
- vor allem warme
- mehrere
- Natürliche
- Verarbeitung natürlicher Sprache
- fast
- Need
- erforderlich
- Bedürfnisse
- jetzt an
- NSFW
- of
- Offensive
- bieten
- Angebote
- vorgenommen,
- on
- EINEM
- Online
- Betriebs-
- Einkauf & Prozesse
- Meinungen
- or
- Andere
- Anders
- UNSERE
- Möglichkeiten für das Ausgangssignal:
- übrig
- Gesamt-
- besitzen
- Teil
- leidenschaftlich
- für
- Ort
- Plato
- Datenintelligenz von Plato
- PlatoData
- Post
- möglicherweise
- Werkzeuge
- Praxis
- verhindern
- Principal
- Aufgabenstellung:
- Probleme
- Prozessdefinierung
- Verarbeitung
- Produkt
- Produkt-Manager
- Produktrezensionen
- Profil
- Die Förderung der
- die
- bietet
- Bereitstellung
- Kauf
- Einkäufe
- Kauf
- schnell
- Angebot
- Bewerten
- Bewertungen
- Gründe
- erhalten
- Received
- Veteran
- Reduziert
- Reduzierung
- in Bezug auf
- relevant
- Vertrauen
- Entfernt
- falls angefordert
- erfordert
- Downloads
- Folge
- Überprüfen
- Bewertungen
- Ohne eine erfahrene Medienplanung zur Festlegung von Regeln und Strategien beschleunigt der programmatische Medieneinkauf einfach die Rate der verschwenderischen Ausgaben.
- Safe
- Speichern
- Ersparnisse
- Skalieren
- Waage
- Skalierung
- Wissenschaft
- senden
- Senior
- Lösungen
- mehrere
- sie
- Shopping
- signifikant
- vereinfachen
- Social Media
- Social Media
- Software
- Software IngenieurIn
- solide
- Lösung
- Lösungen
- LÖSEN
- Quelle
- Raumfahrt
- Spam
- spezialisieren
- spezifisch
- Rede
- Ausgabe
- verbrachte
- begonnen
- Schritt
- speichern
- Läden
- Einreichung
- eingereicht
- Erfolgreich
- so
- System
- Nehmen
- Einnahme
- und Aufgaben
- Team
- Technische
- Techniken
- als
- zur Verbesserung der Gesundheitsgerechtigkeit
- Das
- ihr
- Sie
- damit
- Diese
- vom Nutzer definierten
- fehlen uns die Worte.
- Durch
- Zeit
- zu
- gegenüber
- der Verkehr
- Ausbildung
- verwandelt
- Transformieren
- Drehung
- tippe
- Typen
- einzigartiges
- unerwünscht
- -
- Mitglied
- Nutzer
- verwendet
- Verwendung von
- seit
- wertvoll
- überprüfen
- Video
- Videos
- Seh-
- Stimme
- Volumen
- wurde
- Netz
- Web-Services
- ob
- welche
- während
- weit
- werden wir
- mit
- ohne
- Worte
- Arbeiten
- gearbeitet
- Workflows
- Werk
- Jahr
- Jahr
- Ihr
- Zephyrnet