Perusahaan semakin bergantung pada gambar dan video buatan pengguna untuk berinteraksi. Dari platform ecommerce yang mendorong pelanggan untuk berbagi gambar produk hingga perusahaan media sosial yang mempromosikan video dan gambar buatan pengguna, menggunakan konten pengguna untuk interaksi adalah strategi yang ampuh. Namun, mungkin sulit untuk memastikan bahwa konten buatan pengguna ini konsisten dengan kebijakan Anda dan menumbuhkan komunitas online yang aman bagi pengguna Anda.
Banyak perusahaan saat ini bergantung pada moderator manusia atau merespons secara reaktif terhadap keluhan pengguna untuk mengelola konten buatan pengguna yang tidak pantas. Pendekatan ini tidak mampu memoderasi jutaan gambar dan video secara efektif dengan kualitas atau kecepatan yang memadai, sehingga menghasilkan pengalaman pengguna yang buruk, biaya yang tinggi untuk mencapai skala tersebut, atau bahkan potensi kerugian terhadap reputasi merek.
Pada postingan kali ini kita akan membahas cara menggunakan fitur Moderasi Kustom di Rekognisi Amazon untuk meningkatkan akurasi API moderasi konten terlatih Anda.
Moderasi konten di Amazon Recognition
Amazon Rekognition adalah layanan kecerdasan buatan (AI) terkelola yang menawarkan kemampuan visi komputer terlatih dan dapat disesuaikan untuk mengekstrak informasi dan wawasan dari gambar dan video. Salah satu kemampuan tersebut adalah Moderasi Konten Pengakuan Amazon, yang mendeteksi konten yang tidak pantas atau tidak diinginkan dalam gambar dan video. Amazon Rekognition menggunakan taksonomi hierarki untuk memberi label pada konten yang tidak pantas atau tidak diinginkan dengan 10 kategori moderasi tingkat atas (seperti kekerasan, eksplisit, alkohol, atau obat-obatan) dan 35 kategori tingkat kedua. Pelanggan di seluruh industri seperti e-niaga, media sosial, dan game dapat menggunakan moderasi konten di Amazon Rekognition untuk melindungi reputasi merek mereka dan membina komunitas pengguna yang aman.
Dengan menggunakan Amazon Rekognition untuk moderasi gambar dan video, moderator manusia harus meninjau kumpulan konten yang jauh lebih kecil, biasanya 1โ5% dari total volume, yang sudah ditandai oleh model moderasi konten. Hal ini memungkinkan perusahaan untuk fokus pada aktivitas yang lebih bernilai dan tetap mencapai cakupan moderasi yang komprehensif dengan biaya yang lebih murah.
Memperkenalkan Moderasi Kustom Amazon Rekognition
Anda kini dapat meningkatkan keakuratan model moderasi Pengakuan untuk data spesifik bisnis Anda dengan fitur Moderasi Kustom. Anda dapat melatih adaptor khusus dengan sedikitnya 20 gambar beranotasi dalam waktu kurang dari 1 jam. Adaptor ini memperluas kemampuan model moderasi untuk mendeteksi gambar yang digunakan untuk pelatihan dengan akurasi lebih tinggi. Untuk postingan ini, kami menggunakan contoh kumpulan data yang berisi gambar aman dan gambar minuman beralkohol (dianggap tidak aman) untuk meningkatkan keakuratan label moderasi alkohol.
ID unik dari adaptor terlatih dapat diberikan ke yang sudah ada DeteksiModerationLabels Operasi API untuk memproses gambar menggunakan adaptor ini. Setiap adaptor hanya dapat digunakan oleh akun AWS yang digunakan untuk melatih adaptor, memastikan bahwa data yang digunakan untuk pelatihan tetap aman dan terjamin di akun AWS tersebut. Dengan fitur Moderasi Kustom, Anda dapat menyesuaikan model moderasi terlatih Rekognition untuk meningkatkan performa pada kasus penggunaan moderasi spesifik Anda, tanpa keahlian pembelajaran mesin (ML). Anda dapat terus menikmati manfaat layanan moderasi yang terkelola sepenuhnya dengan model harga bayar per penggunaan untuk Moderasi Kustom.
Ikhtisar solusi
Melatih adaptor moderasi khusus melibatkan lima langkah yang dapat Anda selesaikan menggunakan Konsol Manajemen AWS atau antarmuka API:
- Buat proyek
- Unggah data pelatihan
- Tetapkan label kebenaran dasar pada gambar
- Latih adaptornya
- Gunakan adaptor
Mari kita ikuti langkah-langkah ini secara lebih detail menggunakan konsol.
Buat proyek
Proyek adalah wadah untuk menyimpan adaptor Anda. Anda dapat melatih beberapa adaptor dalam satu proyek dengan kumpulan data pelatihan berbeda untuk menilai adaptor mana yang berkinerja terbaik untuk kasus penggunaan spesifik Anda. Untuk membuat proyek Anda, selesaikan langkah-langkah berikut:
- Di konsol Amazon Rekognition, pilih Moderasi Kustom di panel navigasi.
- Pilih Buat proyek.
- Untuk Nama proyek, masukkan nama untuk proyek Anda.
- Untuk Nama adaptor, masukkan nama untuk adaptor Anda.
- Secara opsional, masukkan deskripsi untuk adaptor Anda.
Unggah data pelatihan
Anda dapat memulai dengan sedikitnya 20 gambar sampel untuk mengadaptasi model moderasi guna mendeteksi lebih sedikit kesalahan positif (gambar yang sesuai untuk bisnis Anda tetapi ditandai oleh model dengan label moderasi). Untuk mengurangi negatif palsu (gambar yang tidak pantas untuk bisnis Anda tetapi tidak ditandai dengan label moderasi), Anda harus memulai dengan 50 contoh gambar.
Anda dapat memilih dari opsi berikut untuk menyediakan himpunan data gambar untuk pelatihan adaptor:
Selesaikan langkah-langkah berikut:
- Untuk posting ini, pilih Impor gambar dari bucket S3 dan masukkan URI S3 Anda.
Seperti proses pelatihan ML lainnya, pelatihan adaptor Moderasi Kustom di Amazon Rekognition memerlukan dua set data terpisah: satu untuk melatih adaptor dan satu lagi untuk mengevaluasi adaptor. Anda dapat mengunggah kumpulan data pengujian terpisah atau memilih untuk membagi kumpulan data pelatihan Anda secara otomatis untuk pelatihan dan pengujian.
- Untuk posting ini, pilih Pemisahan otomatis.
- Pilih Aktifkan pembaruan otomatis untuk memastikan bahwa sistem secara otomatis melatih ulang adaptor ketika versi baru model moderasi konten diluncurkan.
- Pilih Buat proyek.
Tetapkan label kebenaran dasar pada gambar
Jika Anda mengunggah gambar yang tidak diberi anotasi, Anda dapat menggunakan konsol Amazon Rekognition untuk memberikan label gambar sesuai taksonomi moderasi. Dalam contoh berikut, kami melatih adaptor untuk mendeteksi alkohol tersembunyi dengan akurasi lebih tinggi, dan memberi label pada semua gambar tersebut dengan label alkohol. Gambar yang tidak dianggap tidak pantas dapat diberi label Aman.
Latih adaptornya
Setelah Anda memberi label pada semua gambar, pilih Mulailah berlatih untuk memulai proses pelatihan. Amazon Rekognition akan menggunakan kumpulan data gambar yang diunggah untuk melatih model adaptor guna meningkatkan akurasi pada jenis gambar tertentu yang disediakan untuk pelatihan.
Setelah adaptor moderasi khusus dilatih, Anda dapat melihat semua detail adaptor (adapterID
, test
dan training
file manifes) di Kinerja adaptor bagian.
Grafik Kinerja adaptor bagian menampilkan peningkatan dalam positif palsu dan negatif palsu jika dibandingkan dengan model moderasi terlatih. Adaptor yang kami latih untuk meningkatkan deteksi label alkohol mengurangi tingkat negatif palsu pada gambar uji sebesar 73%. Dengan kata lain, adaptor kini secara akurat memprediksi label moderasi alkohol untuk gambar 73% lebih banyak dibandingkan dengan model moderasi terlatih. Namun, tidak ada perbaikan yang terlihat pada hasil positif palsu, karena tidak ada sampel positif palsu yang digunakan untuk pelatihan.
Gunakan adaptor
Anda dapat melakukan inferensi menggunakan adaptor yang baru dilatih untuk mencapai peningkatan akurasi. Untuk melakukan ini, hubungi Amazon Recognition DetectModerationLabel
API dengan parameter tambahan, ProjectVersion
, yang unik AdapterID
dari adaptor. Berikut ini adalah contoh perintah menggunakan Antarmuka Baris Perintah AWS (AWS CLI):
Berikut ini contoh cuplikan kode menggunakan Perpustakaan Python Boto3:
Praktik terbaik untuk pelatihan
Untuk memaksimalkan performa adaptor Anda, praktik terbaik berikut direkomendasikan untuk melatih adaptor:
- Contoh data gambar harus menangkap kesalahan representatif yang ingin Anda tingkatkan akurasi model moderasinya
- Daripada hanya menampilkan gambar kesalahan untuk positif palsu dan negatif palsu, Anda juga dapat memberikan gambar positif dan negatif sebenarnya untuk meningkatkan kinerja
- Berikan sebanyak mungkin gambar beranotasi untuk pelatihan
Kesimpulan
Dalam postingan ini, kami menyajikan ikhtisar mendalam tentang fitur Moderasi Kustom Amazon Rekognition yang baru. Selanjutnya, kami merinci langkah-langkah untuk melakukan pelatihan menggunakan konsol, termasuk praktik terbaik untuk hasil yang optimal. Untuk informasi tambahan, kunjungi konsol Amazon Rekognition dan jelajahi fitur Moderasi Kustom.
Moderasi Kustom Amazon Rekognition kini tersedia secara umum di semua Wilayah AWS tempat Amazon Rekognition tersedia.
Pelajari lebih lanjut tentang moderasi konten di AWS. Ambil langkah pertama menuju merampingkan operasi moderasi konten Anda dengan AWS.
Tentang Penulis
Shipra Kanoria adalah Manajer Produk Utama di AWS. Dia bersemangat membantu pelanggan memecahkan masalah mereka yang paling kompleks dengan kekuatan pembelajaran mesin dan kecerdasan buatan. Sebelum bergabung dengan AWS, Shipra menghabiskan lebih dari 4 tahun di Amazon Alexa, di mana dia meluncurkan banyak fitur terkait produktivitas pada asisten suara Alexa.
Aakash Jauh adalah Manajer Rekayasa Pengembangan Perangkat Lunak yang berbasis di Seattle. Dia senang bekerja pada visi komputer, AI, dan sistem terdistribusi. Misinya adalah memungkinkan pelanggan mengatasi masalah kompleks dan menciptakan nilai dengan AWS Rekognition. Di luar pekerjaan, dia menikmati hiking dan jalan-jalan.
Lana Zhang adalah Arsitek Solusi Senior di tim Layanan AI AWS WWSO, yang berspesialisasi dalam AI dan ML untuk Moderasi Konten, Visi Komputer, Pemrosesan Bahasa Alami, dan AI Generatif. Dengan keahliannya, dia berdedikasi untuk mempromosikan solusi AI/ML AWS dan membantu pelanggan dalam mengubah solusi bisnis mereka di berbagai industri, termasuk media sosial, game, e-commerce, media, periklanan & pemasaran.
- Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
- PlatoData.Jaringan Vertikal Generatif Ai. Berdayakan Diri Anda. Akses Di Sini.
- PlatoAiStream. Intelijen Web3. Pengetahuan Diperkuat. Akses Di Sini.
- PlatoESG. Karbon, teknologi bersih, energi, Lingkungan Hidup, Tenaga surya, Penanganan limbah. Akses Di Sini.
- PlatoHealth. Kecerdasan Uji Coba Biotek dan Klinis. Akses Di Sini.
- Sumber: https://aws.amazon.com/blogs/machine-learning/announcing-rekogniton-custom-moderation-enhance-accuracy-of-pre-trained-rekognition-moderation-models-with-your-data/
- :adalah
- :bukan
- :Di mana
- 1
- 10
- 100
- 118
- 150
- 20
- 35%
- 50
- 7
- 9
- a
- aakash
- Tentang Kami
- Akun
- ketepatan
- akurat
- Mencapai
- di seluruh
- kegiatan
- menyesuaikan
- Tambahan
- Informasi Tambahan
- alamat
- pengiklanan
- AI
- Layanan AI
- AI / ML
- Alkohol
- Alexa
- Semua
- sudah
- juga
- Amazon
- Rekognisi Amazon
- Amazon Web Services
- an
- dan
- Mengumumkan
- Lain
- Apa pun
- api
- pendekatan
- sesuai
- ADALAH
- buatan
- kecerdasan buatan
- Kecerdasan buatan (AI)
- AS
- menilai
- Asisten
- membantu
- At
- penulis
- secara otomatis
- tersedia
- AWS
- berdasarkan
- BE
- sebelum
- mulai
- Manfaat
- TERBAIK
- Praktik Terbaik
- kedua
- merek
- Membawa
- bisnis
- tapi
- by
- panggilan
- CAN
- kemampuan
- kemampuan
- menangkap
- kasus
- kategori
- menantang
- Pilih
- klien
- kode
- Masyarakat
- masyarakat
- Perusahaan
- dibandingkan
- keluhan
- lengkap
- kompleks
- luas
- komputer
- Visi Komputer
- dianggap
- konsisten
- konsul
- Wadah
- Konten
- terus
- Biaya
- Biaya
- liputan
- membuat
- Ciptakan Nilai
- Sekarang
- adat
- pelanggan
- disesuaikan
- data
- kumpulan data
- dedicated
- mendalam
- deskripsi
- rinci
- terperinci
- rincian
- menemukan
- Deteksi
- Pengembangan
- berbeda
- membahas
- menampilkan
- didistribusikan
- sistem terdistribusi
- beberapa
- do
- Dont
- Obat-obatan
- e-commerce
- setiap
- e-commerce
- efektif
- antara
- aktif
- memungkinkan
- mendorong
- interaksi
- Teknik
- mempertinggi
- ditingkatkan
- menikmati
- memastikan
- memastikan
- Enter
- kesalahan
- kesalahan
- mengevaluasi
- Bahkan
- contoh
- ada
- pengalaman
- keahlian
- menyelidiki
- memperpanjang
- ekstrak
- palsu
- Fitur
- Fitur
- beberapa
- sedikit
- File
- Pertama
- lima
- ditandai
- Fokus
- berikut
- Untuk
- Membantu perkembangan
- memupuk
- pecahan
- dari
- sepenuhnya
- Selanjutnya
- game
- umumnya
- generatif
- AI generatif
- mendapatkan
- Tanah
- membahayakan
- Memiliki
- he
- membantu
- dia
- Tersembunyi
- High
- lebih tinggi
- -nya
- jam
- Seterpercayaapakah Olymp Trade? Kesimpulan
- How To
- Namun
- HTML
- http
- HTTPS
- manusia
- ID
- gambar
- gambar
- memperbaiki
- ditingkatkan
- perbaikan
- perbaikan
- in
- Di lain
- secara mendalam
- Termasuk
- makin
- industri
- informasi
- memulai
- wawasan
- Intelijen
- Antarmuka
- IT
- bergabung
- label
- Label
- bahasa
- diluncurkan
- Memimpin
- pengetahuan
- kurang
- baris
- Daftar
- mesin
- Mesin belajar
- mengelola
- berhasil
- pengelolaan
- manajer
- banyak
- Marketing
- Maksimalkan
- Media
- jutaan
- Misi
- ML
- model
- model
- moderasi
- lebih
- paling
- banyak
- beberapa
- nama
- Alam
- Pengolahan Bahasa alami
- Navigasi
- negatif
- negatif
- New
- baru saja
- tidak
- sekarang
- of
- Penawaran
- on
- ONE
- secara online
- hanya
- operasi
- Operasi
- optimal
- Opsi
- or
- Lainnya
- di luar
- lebih
- ikhtisar
- pane
- parameter
- bergairah
- untuk
- Melakukan
- prestasi
- melakukan
- melakukan
- Platform
- plato
- Kecerdasan Data Plato
- Data Plato
- Kebijakan
- miskin
- positif
- mungkin
- Pos
- potensi
- kekuasaan
- kuat
- praktek
- Prediksi
- disajikan
- di harga
- model penetapan harga
- Utama
- masalah
- proses
- pengolahan
- Produk
- manajer produk
- proyek
- mempromosikan
- melindungi
- memberikan
- disediakan
- kualitas
- Penilaian
- direkomendasikan
- menurunkan
- mengurangi
- daerah
- mengandalkan
- sisa
- wakil
- reputasi
- wajib
- membutuhkan
- Menanggapi
- tanggapan
- Hasil
- ulasan
- aman
- Contoh kumpulan data
- Skala
- Seattle
- Bagian
- aman
- senior
- terpisah
- layanan
- Layanan
- set
- Share
- dia
- harus
- lebih kecil
- potongan
- Sosial
- media sosial
- Perangkat lunak
- pengembangan perangkat lunak
- Solusi
- MEMECAHKAN
- mengkhususkan diri
- tertentu
- kecepatan
- menghabiskan
- membagi
- awal
- Langkah
- Tangga
- Masih
- menyimpan
- Penyelarasan
- seperti itu
- cukup
- sistem
- sistem
- Mengambil
- tugas
- tugas
- taksonomi
- tim
- uji
- pengujian
- dari
- bahwa
- Grafik
- mereka
- Ini
- ini
- Melalui
- untuk
- tingkat atas
- Total
- Pelatihan VE
- terlatih
- Pelatihan
- mengubah
- Perjalanan
- benar
- kebenaran
- dua
- mengetik
- khas
- unik
- tidak diinginkan
- upload
- menggunakan
- gunakan case
- bekas
- Pengguna
- Pengguna Pengalaman
- Pengguna
- kegunaan
- menggunakan
- Berharga
- nilai
- versi
- Video
- Video
- View
- Kekerasan
- penglihatan
- Mengunjungi
- Suara
- volume
- berjalan
- ingin
- adalah
- we
- jaringan
- layanan web
- adalah
- ketika
- yang
- akan
- dengan
- dalam
- tanpa
- kata
- Kerja
- alur kerja
- kerja
- tahun
- Kamu
- Anda
- zephyrnet.dll