Les entreprises s’appuient de plus en plus sur des images et des vidéos générées par les utilisateurs pour susciter l’engagement. Des plateformes de commerce électronique encourageant les clients à partager des images de produits aux sociétés de médias sociaux promouvant des vidéos et des images générées par les utilisateurs, l'utilisation du contenu utilisateur pour l'engagement est une stratégie puissante. Cependant, il peut être difficile de garantir que ce contenu généré par les utilisateurs est conforme à vos politiques et favorise une communauté en ligne sécurisée pour vos utilisateurs.
De nombreuses entreprises dépendent actuellement de modérateurs humains ou répondent de manière réactive aux plaintes des utilisateurs pour gérer le contenu inapproprié généré par les utilisateurs. Ces approches ne sont pas adaptées pour modérer efficacement des millions d'images et de vidéos avec une qualité ou une vitesse suffisante, ce qui entraîne une mauvaise expérience utilisateur, des coûts élevés pour atteindre l'échelle, voire un préjudice potentiel à la réputation de la marque.
Dans cet article, nous expliquons comment utiliser la fonctionnalité de modération personnalisée dans Amazon Reconnaissance pour améliorer la précision de votre API de modération de contenu pré-entraînée.
Modération du contenu dans Amazon Rekognition
Amazon Rekognition est un service d'intelligence artificielle (IA) géré qui offre des fonctionnalités de vision par ordinateur pré-entraînées et personnalisables pour extraire des informations et des insights à partir d'images et de vidéos. Une de ces capacités est Modération de contenu Amazon Rekognition, qui détecte le contenu inapproprié ou indésirable dans les images et les vidéos. Amazon Rekognition utilise une taxonomie hiérarchique pour étiqueter le contenu inapproprié ou indésirable avec 10 catégories de modération de niveau supérieur (telles que la violence, les contenus explicites, l'alcool ou les drogues) et 35 catégories de second niveau. Les clients de secteurs tels que le commerce électronique, les médias sociaux et les jeux peuvent utiliser la modération de contenu dans Amazon Rekognition pour protéger la réputation de leur marque et favoriser la sécurité des communautés d'utilisateurs.
En utilisant Amazon Rekognition pour la modération des images et des vidéos, les modérateurs humains doivent examiner un ensemble de contenus beaucoup plus restreint, généralement 1 à 5 % du volume total, déjà signalé par le modèle de modération de contenu. Cela permet aux entreprises de se concentrer sur des activités plus intéressantes tout en bénéficiant d’une couverture complète de modération pour une fraction de leur coût existant.
Présentation de la modération personnalisée Amazon Rekognition
Vous pouvez désormais améliorer la précision du modèle de modération Rekognition pour les données spécifiques à votre entreprise grâce à la fonctionnalité de modération personnalisée. Vous pouvez entraîner un adaptateur personnalisé avec seulement 20 images annotées en moins d’une heure. Ces adaptateurs étendent les capacités du modèle de modération pour détecter les images utilisées pour la formation avec une plus grande précision. Pour cet article, nous utilisons un exemple d'ensemble de données contenant à la fois des images sûres et des images contenant des boissons alcoolisées (considérées comme dangereuses) pour améliorer la précision de l'étiquette de modération d'alcool.
L'ID unique de l'adaptateur formé peut être fourni à l'utilisateur existant. DétecterModérationÉtiquettes Opération API pour traiter les images à l’aide de cet adaptateur. Chaque adaptateur ne peut être utilisé que par le compte AWS qui a été utilisé pour la formation de l'adaptateur, garantissant ainsi que les données utilisées pour la formation restent sûres et sécurisées dans ce compte AWS. Avec la fonctionnalité de modération personnalisée, vous pouvez personnaliser le modèle de modération pré-entraîné de Rekognition pour améliorer les performances de votre cas d'utilisation de modération spécifique, sans aucune expertise en apprentissage automatique (ML). Vous pouvez continuer à profiter des avantages d'un service de modération entièrement géré avec un modèle de tarification à l'utilisation pour la modération personnalisée.
Vue d'ensemble de la solution
La formation d'un adaptateur de modération personnalisé implique cinq étapes que vous pouvez effectuer à l'aide de l'outil Console de gestion AWS ou l'interface API :
- Créer un projet
- Télécharger les données d'entraînement
- Attribuer des étiquettes de vérité terrain aux images
- Former l'adaptateur
- Utilisez l'adaptateur
Examinons ces étapes plus en détail à l'aide de la console.
Créer un projet
Un projet est un conteneur pour stocker vos adaptateurs. Vous pouvez former plusieurs adaptateurs au sein d'un projet avec différents ensembles de données de formation pour évaluer quel adaptateur fonctionne le mieux pour votre cas d'utilisation spécifique. Pour créer votre projet, procédez comme suit :
- Sur la console Amazon Rekognition, choisissez Modération personnalisée dans le volet de navigation.
- Selectionnez Créer un projet.
- Pour Nom du projet, entrez un nom pour votre projet.
- Pour Nom de l'adaptateur, saisissez un nom pour votre adaptateur.
- Vous pouvez éventuellement saisir une description pour votre adaptateur.
Télécharger des données d'entraînement
Vous pouvez commencer avec seulement 20 exemples d'images pour adapter le modèle de modération afin de détecter moins de faux positifs (images appropriées à votre entreprise mais signalées par le modèle avec une étiquette de modération). Pour réduire les faux négatifs (images inappropriées pour votre entreprise mais qui ne sont pas signalées par une étiquette de modération), vous devez commencer avec 50 exemples d'images.
Vous pouvez sélectionner parmi les options suivantes pour fournir les jeux de données d'image pour la formation de l'adaptateur :
Effectuez les étapes suivantes:
- Pour cet article, sélectionnez Importer des images à partir du compartiment S3 et entrez votre URI S3.
Comme tout processus de formation ML, la formation d'un adaptateur de modération personnalisée dans Amazon Rekognition nécessite deux ensembles de données distincts : un pour former l'adaptateur et un autre pour évaluer l'adaptateur. Vous pouvez soit télécharger un ensemble de données de test distinct, soit choisir de diviser automatiquement votre ensemble de données d'entraînement pour l'entraînement et les tests.
- Pour cet article, sélectionnez Fractionnement automatique.
- Sélectionnez Activer la mise à jour automatique pour garantir que le système recycle automatiquement l'adaptateur lorsqu'une nouvelle version du modèle de modération de contenu est lancée.
- Selectionnez Créer un projet.
Attribuer des étiquettes de vérité terrain aux images
Si vous avez téléchargé des images non annotées, vous pouvez utiliser la console Amazon Rekognition pour fournir des étiquettes d'image conformément à la taxonomie de modération. Dans l'exemple suivant, nous formons un adaptateur pour détecter l'alcool caché avec une plus grande précision et étiquetons toutes ces images avec l'étiquette alcool. Les images non considérées comme inappropriées peuvent être étiquetées comme sûres.
Former l'adaptateur
Après avoir étiqueté toutes les images, choisissez Commence l'entraînement pour lancer le processus de formation. Amazon Rekognition utilisera les ensembles de données d'images téléchargés pour former un modèle d'adaptateur afin d'améliorer la précision sur le type spécifique d'images fournies pour la formation.
Une fois l'adaptateur de modération personnalisé formé, vous pouvez afficher tous les détails de l'adaptateur (adapterID
, test
ainsi que training
fichiers manifeste) dans le Performances de l'adaptateur .
La Performances de l'adaptateur La section affiche les améliorations des faux positifs et des faux négatifs par rapport au modèle de modération pré-entraîné. L'adaptateur que nous avons formé pour améliorer la détection de l'étiquette d'alcool réduit de 73 % le taux de faux négatifs dans les images de test. En d’autres termes, l’adaptateur prédit désormais avec précision l’étiquette de modération d’alcool pour 73 % d’images en plus par rapport au modèle de modération pré-entraîné. Cependant, aucune amélioration n’est observée dans les faux positifs, car aucun échantillon faussement positif n’a été utilisé pour la formation.
Utilisez l'adaptateur
Vous pouvez effectuer une inférence à l’aide de l’adaptateur nouvellement formé pour obtenir une précision améliorée. Pour ce faire, appelez Amazon Rekognition DetectModerationLabel
API avec un paramètre supplémentaire, ProjectVersion
, qui est l'unique AdapterID
de l'adaptateur. Ce qui suit est un exemple de commande utilisant le Interface de ligne de commande AWS (AWS CLI) :
Ce qui suit est un exemple d'extrait de code utilisant le Bibliothèque Python Boto3:
Bonnes pratiques pour la formation
Pour optimiser les performances de votre adaptateur, les bonnes pratiques suivantes sont recommandées pour la formation de l'adaptateur :
- Les exemples de données d'image doivent capturer les erreurs représentatives pour lesquelles vous souhaitez améliorer la précision du modèle de modération.
- Au lieu d'introduire uniquement des images d'erreur pour les faux positifs et les faux négatifs, vous pouvez également fournir de vrais positifs et de vrais négatifs pour améliorer les performances.
- Fournissez autant d’images annotées que possible pour la formation
Conclusion
Dans cet article, nous avons présenté un aperçu détaillé de la nouvelle fonctionnalité de modération personnalisée d'Amazon Rekognition. De plus, nous avons détaillé les étapes à suivre pour effectuer une formation à l'aide de la console, y compris les meilleures pratiques pour des résultats optimaux. Pour plus d'informations, visitez la console Amazon Rekognition et explorez la fonctionnalité de modération personnalisée.
Modération personnalisée Amazon Rekognition est désormais généralement disponible dans toutes les régions AWS où Amazon Rekognition est disponible.
En savoir plus sur modération de contenu sur AWS. Faites le premier pas vers rationaliser vos opérations de modération de contenu avec AWS.
À propos des auteurs
Shipra Kanoria est chef de produit principal chez AWS. Elle se passionne pour aider les clients à résoudre leurs problèmes les plus complexes grâce à la puissance de l'apprentissage automatique et de l'intelligence artificielle. Avant de rejoindre AWS, Shipra a passé plus de 4 ans chez Amazon Alexa, où elle a lancé de nombreuses fonctionnalités liées à la productivité sur l'assistant vocal Alexa.
Aakash profond est un responsable de l'ingénierie du développement logiciel basé à Seattle. Il aime travailler sur la vision par ordinateur, l'IA et les systèmes distribués. Sa mission est de permettre aux clients de résoudre des problèmes complexes et de créer de la valeur avec AWS Rekognition. En dehors du travail, il aime faire de la randonnée et voyager.
Lana Zhang est architecte de solutions senior au sein de l'équipe AWS WWSO AI Services, spécialisée dans l'IA et le ML pour la modération de contenu, la vision par ordinateur, le traitement du langage naturel et l'IA générative. Grâce à son expertise, elle se consacre à la promotion des solutions AWS AI/ML et à aider les clients à transformer leurs solutions commerciales dans divers secteurs, notamment les médias sociaux, les jeux, le commerce électronique, les médias, la publicité et le marketing.
- Contenu propulsé par le référencement et distribution de relations publiques. Soyez amplifié aujourd'hui.
- PlatoData.Network Ai générative verticale. Autonomisez-vous. Accéder ici.
- PlatoAiStream. Intelligence Web3. Connaissance Amplifiée. Accéder ici.
- PlatonESG. Carbone, Technologie propre, Énergie, Environnement, Solaire, La gestion des déchets. Accéder ici.
- PlatoHealth. Veille biotechnologique et essais cliniques. Accéder ici.
- La source: https://aws.amazon.com/blogs/machine-learning/announcing-rekogniton-custom-moderation-enhance-accuracy-of-pre-trained-rekognition-moderation-models-with-your-data/
- :est
- :ne pas
- :où
- 1
- 10
- 100
- 118
- 150
- 20
- 35%
- 50
- 7
- 9
- a
- aakash
- A Propos
- Compte
- précision
- avec précision
- atteindre
- à travers
- d'activités
- adapter
- Supplémentaire
- renseignements supplémentaires
- propos
- Numérique
- AI
- Services d'IA
- AI / ML
- Alcool
- Alexa
- Tous
- déjà
- aussi
- Amazon
- Amazon Reconnaissance
- Amazon Web Services
- an
- ainsi que
- Annoncer
- Une autre
- tous
- api
- approches
- approprié
- SONT
- artificiel
- intelligence artificielle
- Intelligence artificielle (AI)
- AS
- Evaluer
- Assistante gérante
- assistant
- At
- auteur
- automatiquement
- disponibles
- AWS
- basé
- BE
- before
- commencer
- avantages.
- LES MEILLEURS
- les meilleures pratiques
- tous les deux
- brand
- Apporter
- la performance des entreprises
- mais
- by
- Appelez-nous
- CAN
- capacités
- aptitude
- capturer
- maisons
- catégories
- difficile
- Selectionnez
- client
- code
- Communautés
- Communautés
- Sociétés
- par rapport
- plaintes
- complet
- complexe
- complet
- ordinateur
- Vision par ordinateur
- considéré
- cohérent
- Console
- Contenant
- contenu
- continuer
- Prix
- Costs
- couverture
- engendrent
- Créer de la valeur
- Lecture
- Customiser
- Clients
- personnalisables
- données
- ensembles de données
- dévoué
- profond
- la description
- détail
- détaillé
- détails
- détecter
- Détection
- Développement
- différent
- discuter
- affiche
- distribué
- systèmes distribués
- plusieurs
- do
- Ne pas
- Médicaments
- e-commerce
- chacun
- e-commerce
- de manière efficace
- non plus
- permettre
- permet
- encourageant
- participation
- ENGINEERING
- de renforcer
- améliorée
- jouir
- assurer
- assurer
- Entrer
- erreur
- Erreurs
- évaluer
- Pourtant, la
- exemple
- existant
- d'experience
- nous a permis de concevoir
- explorez
- étendre
- extrait
- non
- Fonctionnalité
- Fonctionnalités:
- few
- moins
- Fichiers
- Prénom
- cinq
- marqué
- Focus
- Abonnement
- Pour
- Accueillir
- favorise
- fraction
- De
- d’étiquettes électroniques entièrement
- En outre
- jeux
- généralement
- génératif
- IA générative
- obtenez
- Sol
- nuire
- Vous avez
- he
- aider
- ici
- caché
- Haute
- augmentation
- sa
- heure
- Comment
- How To
- Cependant
- HTML
- http
- HTTPS
- humain
- ID
- image
- satellite
- améliorer
- amélioré
- amélioration
- améliorations
- in
- Dans d'autres
- en profondeur
- Y compris
- de plus en plus
- secteurs
- d'information
- initier
- idées.
- Intelligence
- Interfaces
- IT
- joindre
- Libellé
- Etiquettes
- langue
- lancé
- Conduit
- apprentissage
- moins
- Gamme
- Liste
- click
- machine learning
- gérer
- gérés
- gestion
- manager
- de nombreuses
- Stratégie
- Maximisez
- Médias
- des millions
- Mission
- ML
- modèle
- numériques jumeaux (digital twin models)
- modération
- PLUS
- (en fait, presque toutes)
- beaucoup
- plusieurs
- prénom
- Nature
- Traitement du langage naturel
- Navigation
- négatif
- négatifs
- Nouveauté
- nouvellement
- aucune
- maintenant
- of
- Offres Speciales
- on
- ONE
- en ligne
- uniquement
- opération
- Opérations
- optimaux
- Options
- or
- Autre
- au contrôle
- plus de
- vue d'ensemble
- pain
- paramètre
- passionné
- /
- Effectuer
- performant
- effectuer
- effectue
- Plateformes
- Platon
- Intelligence des données Platon
- PlatonDonnées
- politiques
- pauvres
- positif
- possible
- Post
- défaillances
- power
- solide
- pratiques
- Prévoit
- présenté
- établissement des prix
- Modèle de prix
- Directeur
- d'ouvrabilité
- processus
- traitement
- Produit
- chef de produit
- Projet
- la promotion de
- protéger
- fournir
- à condition de
- qualité
- Tarif
- recommandé
- réduire
- réduit
- régions
- compter
- reste
- représentant
- réputation
- conditions
- a besoin
- Réagir
- réponse
- Résultats
- Avis
- des
- Exemple d'ensemble de données
- Escaliers intérieurs
- Seattle
- Section
- sécurisé
- supérieur
- séparé
- service
- Services
- set
- Partager
- elle
- devrait
- faibles
- Fragment
- Réseaux sociaux
- réseaux sociaux
- Logiciels
- développement de logiciels
- Solutions
- RÉSOUDRE
- spécialisation
- groupe de neurones
- vitesse
- dépensé
- scission
- Commencer
- étapes
- Étapes
- Encore
- Boutique
- de Marketing
- tel
- suffisant
- combustion propre
- Système
- Prenez
- Tâche
- tâches
- taxonomie
- équipe
- tester
- Essais
- que
- qui
- La
- leur
- Ces
- this
- Avec
- à
- haut niveau
- Total
- Train
- qualifié
- Formation
- transformer
- Voyages
- oui
- Vérité
- deux
- type
- typiquement
- expérience unique et authentique
- indésirable
- téléchargé
- utilisé
- cas d'utilisation
- d'utiliser
- Utilisateur
- Expérience utilisateur
- utilisateurs
- Usages
- en utilisant
- Précieux
- Plus-value
- version
- Vidéo
- Vidéos
- Voir
- Violence
- vision
- Visiter
- Voix
- le volume
- marcher
- souhaitez
- était
- we
- web
- services Web
- ont été
- quand
- qui
- sera
- comprenant
- dans les
- sans
- des mots
- activités principales
- workflow
- de travail
- années
- Vous n'avez
- Votre
- zéphyrnet