Optimalizálja a kisállat-profilokat a Purina Petfinder alkalmazásához az Amazon Rekognition egyedi címkéi és az AWS lépésfunkciói segítségével | Amazon webszolgáltatások

Purina US, a subsidiary of Nestle, has a long history of enabling people to more easily adopt pets through Kisállatkereső, több mint 11,000 XNUMX állatmenhely és mentőcsoport digitális piactere az Egyesült Államokban, Kanadában és Mexikóban. A Petfinder, mint a vezető kisállatfogadási platform, háziállatok millióinak segített megtalálni örökre otthonát.

A Purina folyamatosan keresi a módját, hogy a Petfinder platformot még jobbá tegye mind a menhelyek, mind a mentőcsoportok, mind a kisállat-fogadók számára. Az egyik kihívás, amellyel szembesültek, az volt, hogy megfelelően tükrözzék az örökbefogadandó állatfajtát. Mivel sok menhelyi állat keverék fajtájú, a fajták és tulajdonságok helyes azonosítása a kisállat profilban kézi erőfeszítést igényelt, ami időigényes volt. A Purina mesterséges intelligenciát (AI) és gépi tanulást (ML) használt az állatfajták nagyarányú felismerésének automatizálására.

Ez a bejegyzés részletezi, hogyan használta Purina Amazon Rekognition egyéni címkék, AWS lépésfunkciókés más AWS-szolgáltatások segítségével olyan ML-modellt hoznak létre, amely felismeri a kisállat fajtáját egy feltöltött kép alapján, majd az előrejelzést használja a kisállat attribútumainak automatikus kitöltésére. A megoldás az AI/ML alkalmazások adat-előkészítési, modellképzési, modellértékelési és modellfelügyeleti munkafolyamatának fejlesztésének alapelveire összpontosít.

Megoldás áttekintése

Az állatfajták kép alapján történő előrejelzéséhez egyedi ML-modellek szükségesek. A képek elemzésére szolgáló egyedi modell kidolgozása jelentős vállalkozás, amely időt, szakértelmet és erőforrásokat igényel, és gyakran hónapokig tart. Ezenkívül gyakran több ezer vagy több tízezer kézzel címkézett képre van szükség ahhoz, hogy a modell elegendő adattal rendelkezzen a pontos döntések meghozatalához. A modell-előrejelzések auditálására vagy felülvizsgálatára szolgáló munkafolyamat beállítása a követelményeknek való megfelelés ellenőrzésére tovább növelheti az általános bonyolultságot.

Rekognition egyéni címkékkel, amely a meglévő képességeire épül Amazon felismerés, azonosíthatja a képeken az üzleti igényeinek megfelelő tárgyakat és jeleneteket. Már több tízmillió képre van kiképezve számos kategóriában. Több ezer kép helyett feltölthet egy kis készlet képzési képeket (általában néhány száz kép vagy kevesebb kategóriánként), amelyek az Ön használati esetére vonatkoznak.

A megoldás a következő szolgáltatásokat használja:

• Amazon API átjáró egy teljesen felügyelt szolgáltatás, amely megkönnyíti a fejlesztők számára az API-k közzétételét, karbantartását, figyelését és biztonságossá tételét bármilyen léptékben.
• A AWS Cloud Development Kit (AWS CDK) egy nyílt forráskódú szoftverfejlesztési keretrendszer, amely a felhő infrastruktúráját modern programozási nyelvekkel kódként határozza meg, és ezen keresztül telepíti. AWS felhőképződés.
• AWS CodeBuild egy teljesen felügyelt folyamatos integrációs szolgáltatás a felhőben. A CodeBuild forráskódot fordít, teszteket futtat, és üzembe helyezésre kész csomagokat állít elő.
• Amazon DynamoDB egy gyors és rugalmas, nem relációs adatbázis-szolgáltatás bármilyen méretű.
• AWS Lambda egy eseményvezérelt számítási szolgáltatás, amely gyakorlatilag bármilyen típusú alkalmazás vagy háttérszolgáltatás kódjának futtatását teszi lehetővé kiszolgálók kiépítése vagy kezelése nélkül.
• Amazon felismerés előre betanított és testreszabható számítógépes látási (CV) képességeket kínál, hogy információkat és betekintést nyerjen képeiből és videóiból. Val vel Amazon Rekognition egyéni címkék, akkor a képeken azonosíthatja az üzleti igényeinek megfelelő tárgyakat és jeleneteket.
• AWS lépésfunkciók egy teljesen felügyelt szolgáltatás, amely megkönnyíti az elosztott alkalmazások és mikroszolgáltatások összetevőinek koordinálását vizuális munkafolyamatok segítségével.
• AWS rendszermenedzser egy biztonságos, teljes körű felügyeleti megoldás az erőforrásokhoz az AWS-en és a multicloud- és hibrid környezetekben. Paramétertár, amely a Systems Manager képessége, biztonságos, hierarchikus tárolást biztosít a konfigurációs adatok kezeléséhez és a titkok kezeléséhez.

A Purina megoldását egy API-átjáró HTTP végpont, amely a kéréseket a kisállat attribútumok beszerzéséhez irányítja. A Rekognition egyéni címkéket használja a kisállat fajtájának előrejelzésére. Az ML modellt a Purina adatbázisából származó kisállat profilokból képezték ki, feltételezve, hogy az elsődleges fajtacímke a valódi címke. A DynamoDB a kisállat attribútumok tárolására szolgál. A Lambda a kisállat-attribútumok kérésének feldolgozására szolgál API Gateway, Amazon Rekognition és DynamoDB közötti összehangolással.

Az architektúra a következőképpen valósul meg:

1. A Petfinder alkalmazás az API-átjárón keresztül irányítja a kérelmet a kisállat-attribútumok beszerzésére.
2. Az API Gateway meghívja a Lambda függvényt a pet attribútumok lekéréséhez.
3. A Lambda függvény meghívja a Rekognition Custom Label következtetési végpontot, hogy megjósolja a kisállat fajtáját.
4. A Lambda függvény az előre jelzett kisállatfajták információit használja a kisállat-attribútumok kereséséhez a DynamoDB táblában. Összegyűjti a kisállat attribútumait, és visszaküldi a Petfinder alkalmazásnak.

A következő ábra a megoldás munkafolyamatát mutatja be.

A Purina Petfinder csapata olyan automatizált megoldást szeretne, amelyet minimális karbantartással tudnak bevezetni. Ennek megvalósításához a Step Functions segítségével hozunk létre egy állapotgépet, amely betanítja a modelleket a legfrissebb adatokkal, ellenőrzi teljesítményüket egy benchmark halmazon, és újratelepíti a modelleket, ha javultak. A modell átképzését a profiladatokat elküldő felhasználók által végrehajtott fajtajavítások száma indítja el.

Modellképzés

A képek elemzésére szolgáló egyedi modell kidolgozása jelentős vállalkozás, amely időt, szakértelmet és erőforrásokat igényel. Ezenkívül gyakran több ezer vagy tízezer kézzel címkézett képre van szükség ahhoz, hogy a modell elegendő adatot kapjon a pontos döntések meghozatalához. Ezeknek az adatoknak az előállítása hónapokba telhet, és nagy erőfeszítést igényel a gépi tanulásban való címkézés. Egy technika ún transzfer tanulás segíti a jobb minőségű modellek előállítását egy előre betanított modell paramétereinek kölcsönzésével, és lehetővé teszi a modellek kevesebb képpel történő betanítását.

Kihívásunk az, hogy adataink nincsenek tökéletesen felcímkézve: a profiladatokat beíró emberek hibázhatnak és követnek is el. Megállapítottuk azonban, hogy elég nagy adatminták esetén a rosszul címkézett képek kellően kis hányadot tettek ki, és a modell teljesítményét nem befolyásolta 2%-nál nagyobb pontosság.

ML munkafolyamat és állapotgép

A Step Functions állapotgépet az Amazon Rekognition modell automatikus átképzésének elősegítésére fejlesztették ki. A visszajelzést a rendszer a profilbevitel során gyűjti – minden alkalommal, amikor egy kép alapján kikövetkeztetett fajtát a felhasználó másik fajtára módosít, a javítás rögzítésre kerül. Ezt az állapotgépet a korrekciók és további adatok konfigurálható küszöbszáma váltja ki.

Az állapotgép több lépésen keresztül hozza létre a megoldást:

1. Hozzon létre képzési és tesztelési jegyzékfájlokat, amelyek a listát tartalmazzák Amazon egyszerű tárolási szolgáltatás (Amazon S3) képútvonalak és címkéik az Amazon Rekognition általi használatra.
2. Hozzon létre egy Amazon Rekognition adatkészletet a jegyzékfájlok segítségével.
3. Tanítson meg egy Amazon Rekognition modellverziót az adatkészlet létrehozása után.
4. Indítsa el a modellváltozatot, amikor a képzés befejeződött.
5. Értékelje a modellt, és készítsen teljesítménymutatókat.
6. Ha a teljesítménymutatók kielégítőek, frissítse a modell verzióját a Paramétertárban.
7. Várja meg, amíg az új modellverzió elterjed a Lambda függvényekben (20 perc), majd állítsa le az előző modellt.

Modell értékelés

Az adatmintánkból vett véletlenszerű 20%-os holdout halmazt használjuk modellünk validálásához. Mivel az általunk észlelt fajták konfigurálhatók, nem használunk rögzített adatkészletet az érvényesítéshez a képzés során, de manuálisan címkézett értékelőkészletet használunk az integrációs teszteléshez. A metrikák kiszámításához a manuálisan címkézett halmaz és a modell kimutatható fajtáinak átfedését használják fel. Ha a modell fajtafelismerési pontossága egy meghatározott küszöbérték felett van, akkor a végpontban használandó modellt népszerűsítjük.

Az alábbiakban néhány képernyőkép látható a Rekognition Custom Labels háziállat-előrejelzési munkafolyamatáról.

Telepítés az AWS CDK-val

A Step Functions állapotgép és a kapcsolódó infrastruktúra (beleértve a Lambda-függvényeket, a CodeBuild-projekteket és a Systems Manager-paramétereket) az AWS CDK-val együtt kerül telepítésre Python használatával. Az AWS CDK kód szintetizál egy CloudFormation sablont, amelyet a megoldás összes infrastruktúrájának üzembe helyezésére használ.

Integráció a Petfinder alkalmazással

A Petfinder alkalmazás az API-átjáró-végponton keresztül éri el a képbesorolási végpontot egy olyan POST-kéréssel, amely egy JSON-adatot tartalmaz a kép Amazon S3-útvonalának mezőivel és a visszaküldendő eredmények számával.

befolyásolandó KPI-k

A képkövetkeztetési végpont futtatásával járó többletköltség igazolására kísérleteket futtattunk, hogy meghatározzuk a végpont által a Petfinderhez hozzáadott értéket. A végpont használata két fő fejlesztési típust kínál:

• Csökkentett erőfeszítés a kisállat-profilokat létrehozó kisállatmenhelyek számára
• Teljesebb kisállat-profilok, amelyek várhatóan javítják a keresési relevanciát

Az erőfeszítés és a profil teljességének mérésére szolgáló mérőszámok magukban foglalják a javított automatikusan kitöltött mezők számát, a kitöltött mezők teljes számát és a kisállat-profil feltöltéséhez szükséges időt. A keresési relevancia javulására közvetetten következtethetünk az elfogadási arányhoz kapcsolódó fő teljesítménymutatók méréséből. Purina szerint a megoldás életbe lépése után a Petfinder alkalmazásban a kisállat profil létrehozásának átlagos ideje 7 percről 4 percre csökkent. Ez óriási előrelépés és időmegtakarítás, mert 2022-ben 4 millió kisállat profilt töltöttek fel.

Biztonság

Az architektúra diagramon átfolyó adatok továbbításkor és nyugalmi állapotban is titkosítva vannak, összhangban a AWS jól megtervezett bevált gyakorlatok. Az összes AWS-megbízhatóság során egy biztonsági szakértő felülvizsgálja a megoldást a biztonságos megvalósítás biztosítása érdekében.

Következtetés

A Rekognition egyedi címkéken alapuló megoldásukkal a Petfinder csapata képes felgyorsítani a kisállat-profilok létrehozását a kisállatmenhelyek számára, csökkentve ezzel a menhely személyzetének adminisztratív terheit. Az AWS CDK-n alapuló üzembe helyezés egy Step Functions munkafolyamatot telepít a betanítási és telepítési folyamat automatizálására. A Rekognition egyéni címkék használatának megkezdéséhez lásd: Kezdő lépések az Amazon Rekognition egyéni címkéivel. Néhányat meg is nézhet Példák a lépésfüggvényekre és a kezdje el az AWS CDK használatát.

---

A szerzőkről

Mason Cahill az AWS Professional Services vezető fejlesztői tanácsadója. Szívesen segíti a szervezeteket üzleti céljaik elérésében, és szenvedélyesen foglalkozik automatizált megoldások AWS Cloudon való kiépítésével és szállításával. A munkán kívül szeret a családjával tölteni az idejét, kirándulni és focizni.

Matthew Chasse az Amazon Web Services adattudományi tanácsadója, ahol segít ügyfeleinek skálázható gépi tanulási megoldások létrehozásában. Matthew matematikából doktorált, és szabadidejében szívesen mászik és zenél.

Rushikesh Jagtap megoldástervező, aki több mint 5 éves tapasztalattal rendelkezik az AWS Analytics szolgáltatások terén. Szenvedélyesen segít ügyfeleinek skálázható és modern adatelemzési megoldások kidolgozásában, hogy betekintést nyerhessenek az adatokból. A munkán kívül imádja nézni a Forma-1-et, tollaslabdázni és gokartozni.

Tayo Olajide egy tapasztalt Cloud Data Engineering generalista, aki több mint egy évtizedes tapasztalattal rendelkezik az adatmegoldások felhőkörnyezetekben történő tervezésében és megvalósításában. A nyers adatok értékes ismeretekké alakítása iránti szenvedélyével Tayo kulcsszerepet játszott a különféle iparágak adatfolyamainak tervezésében és optimalizálásában, beleértve a pénzügyeket, az egészségügyet és az autóipart. A területen gondolkodó vezetőként Tayo úgy véli, hogy az adatok ereje abban rejlik, hogy képesek megalapozott döntéshozatalt előmozdítani, és elkötelezett amellett, hogy segítse a vállalkozásokat adataikban rejlő teljes potenciál kiaknázásában a felhőkorszakban. Amikor éppen nem adatfolyamokat készít, megtalálhatja Tayót, aki felfedezi a legújabb technológiai trendeket, túrázik a szabadban, vagy kütyükkel és szoftverekkel bütyköl.

• SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
• PlatoData.Network Vertical Generative Ai. Erősítse meg magát. Hozzáférés itt.
• PlatoAiStream. Web3 Intelligence. Felerősített tudás. Hozzáférés itt.
• PlatoESG. Carbon, CleanTech, Energia, Környezet, Nap, Hulladékgazdálkodás. Hozzáférés itt.
• PlatoHealth. Biotechnológiai és klinikai vizsgálatok intelligencia. Hozzáférés itt.
• Forrás: https://aws.amazon.com/blogs/machine-learning/optimize-pet-profiles-for-purinas-petfinder-application-using-amazon-rekognition-custom-labels-and-aws-step-functions/