Pelanggan semakin beralih ke ulasan produk untuk membuat keputusan yang tepat dalam perjalanan belanja mereka, apakah mereka membeli barang sehari-hari seperti handuk dapur atau melakukan pembelian besar seperti membeli mobil. Ulasan ini telah berubah menjadi sumber informasi penting, yang memungkinkan pembeli mengakses pendapat dan pengalaman pelanggan lain. Akibatnya, ulasan produk telah menjadi aspek penting dari toko mana pun, menawarkan umpan balik dan wawasan yang berharga untuk membantu menginformasikan keputusan pembelian.
Amazon memiliki salah satu toko terbesar dengan ratusan juta barang tersedia. Pada tahun 2022, 125 juta pelanggan menyumbangkan hampir 1.5 miliar ulasan dan peringkat ke toko Amazon, menjadikan ulasan online di Amazon sebagai sumber umpan balik yang kuat bagi pelanggan. Pada skala ulasan produk yang dikirimkan setiap bulan, penting untuk memverifikasi bahwa ulasan ini selaras Pedoman Komunitas Amazon mengenai bahasa, kata-kata, video, dan gambar yang dapat diterima. Praktik ini dilakukan untuk menjamin pelanggan menerima informasi yang akurat mengenai produk, dan untuk mencegah ulasan menyertakan bahasa yang tidak pantas, gambar yang menyinggung, atau segala jenis ujaran kebencian yang ditujukan kepada individu atau komunitas. Dengan menegakkan pedoman ini, Amazon dapat mempertahankan lingkungan yang aman dan inklusif untuk semua pelanggan.
Otomatisasi moderasi konten memungkinkan Amazon untuk menskalakan proses sambil menjaga akurasi tinggi. Ini adalah ruang masalah yang kompleks dengan tantangan unik dan membutuhkan teknik berbeda untuk teks, gambar, dan video. Gambar adalah komponen ulasan produk yang relevan, seringkali memberikan dampak yang lebih langsung pada pelanggan daripada teks. Dengan Moderasi Konten Pengakuan Amazon, Amazon dapat secara otomatis mendeteksi gambar berbahaya dalam ulasan produk dengan akurasi yang lebih tinggi, mengurangi ketergantungan pada pengulas manusia untuk memoderasi konten semacam itu. Moderasi Konten Rekognisi telah membantu meningkatkan kesejahteraan moderator manusia dan mencapai penghematan biaya yang signifikan.
Moderasi dengan model ML yang dihosting sendiri
Tim Belanja Amazon merancang dan menerapkan sistem moderasi yang menggunakan pembelajaran mesin (ML) bersama dengan tinjauan manusia-in-the-loop (HITL) untuk memastikan ulasan produk adalah tentang pengalaman pelanggan dengan produk dan tidak mengandung yang tidak pantas atau konten berbahaya sesuai pedoman komunitas. Subsistem moderasi gambar, seperti yang diilustrasikan dalam diagram berikut, menggunakan beberapa model visi komputer yang dihosting sendiri dan dilatih sendiri untuk mendeteksi gambar yang melanggar panduan Amazon. Pengendali keputusan menentukan tindakan moderasi dan memberikan alasan untuk keputusannya berdasarkan output model ML, sehingga memutuskan apakah gambar memerlukan peninjauan lebih lanjut oleh moderator manusia atau dapat disetujui atau ditolak secara otomatis.
Dengan model ML yang dihosting sendiri ini, tim memulai dengan mengotomatiskan pengambilan keputusan pada 40% gambar yang diterima sebagai bagian dari tinjauan dan terus berupaya meningkatkan solusi selama bertahun-tahun sambil menghadapi beberapa tantangan:
- Upaya berkelanjutan untuk meningkatkan tingkat otomasi โ Tim ingin meningkatkan akurasi algoritme ML, yang bertujuan untuk meningkatkan tingkat otomatisasi. Ini membutuhkan investasi berkelanjutan dalam pelabelan data, ilmu data, dan MLOps untuk pelatihan dan penyebaran model.
- Kompleksitas sistem โ Kompleksitas arsitektur memerlukan investasi dalam MLOps untuk memastikan proses inferensi ML diskalakan secara efisien untuk memenuhi lalu lintas pengiriman konten yang berkembang.
Ganti model ML yang dihosting sendiri dengan Rekognition Content Moderation API
Rekognisi Amazon adalah layanan kecerdasan buatan (AI) terkelola yang menawarkan model terlatih melalui antarmuka API untuk moderasi gambar dan video. Ini telah diadopsi secara luas oleh industri seperti e-niaga, media sosial, game, aplikasi kencan online, dan lainnya untuk memoderasi konten buatan pengguna (UGC). Ini termasuk berbagai jenis konten, seperti ulasan produk, profil pengguna, dan moderasi posting media sosial.
Rekognition Content Moderation mengotomatiskan dan merampingkan alur kerja moderasi gambar dan video tanpa memerlukan pengalaman ML. Pelanggan Amazon Rekognition dapat memproses jutaan gambar dan video, mendeteksi konten yang tidak pantas atau tidak diinginkan secara efisien, dengan API yang dikelola sepenuhnya dan aturan moderasi yang dapat disesuaikan untuk menjaga keamanan pengguna dan kepatuhan bisnis.
Tim berhasil memigrasikan subset model ML yang dikelola sendiri dalam sistem moderasi gambar untuk deteksi konten ketelanjangan dan tidak aman untuk pekerjaan (NSFW) ke Amazon Rekognition Detect Moderation API, memanfaatkan model moderasi terlatih yang sangat akurat dan komprehensif . Dengan akurasi Amazon Rekognition yang tinggi, tim dapat mengotomatiskan lebih banyak keputusan, menghemat biaya, dan menyederhanakan arsitektur sistem mereka.
Akurasi yang ditingkatkan dan kategori moderasi yang diperluas
Pelaksanaan API moderasi gambar Amazon Rekognition telah menghasilkan akurasi yang lebih tinggi untuk mendeteksi konten yang tidak pantas. Ini menyiratkan bahwa perkiraan tambahan 1 juta gambar per tahun akan dimoderasi secara otomatis tanpa perlu peninjauan manusia.
Keunggulan operasional
Tim Belanja Amazon dapat menyederhanakan arsitektur sistem, mengurangi upaya operasional yang diperlukan untuk mengelola dan memelihara sistem. Pendekatan ini telah menyelamatkan mereka dari upaya DevOps selama berbulan-bulan per tahun, yang berarti mereka sekarang dapat mengalokasikan waktu mereka untuk mengembangkan fitur-fitur inovatif alih-alih menghabiskannya untuk tugas-tugas operasional.
Pengurangan biaya
Akurasi tinggi dari Moderasi Konten Rekognisi telah memungkinkan tim mengirim lebih sedikit gambar untuk ditinjau manusia, termasuk konten yang berpotensi tidak pantas. Ini telah mengurangi biaya yang terkait dengan moderasi manusia dan memungkinkan moderator untuk memfokuskan upaya mereka pada tugas bisnis yang lebih bernilai tinggi. Dikombinasikan dengan peningkatan efisiensi DevOps, tim Belanja Amazon mencapai penghematan biaya yang signifikan.
Kesimpulan
Bermigrasi dari model ML yang dihosting sendiri ke Amazon Rekognition Moderation API untuk moderasi ulasan produk dapat memberikan banyak manfaat bagi bisnis, termasuk penghematan biaya yang signifikan. Dengan mengotomatiskan proses moderasi, toko online dapat dengan cepat dan akurat memoderasi ulasan produk dalam jumlah besar, meningkatkan pengalaman pelanggan dengan memastikan bahwa konten yang tidak pantas atau spam dihapus dengan cepat. Selain itu, dengan menggunakan layanan terkelola seperti Amazon Rekognition Moderation API, perusahaan dapat mengurangi waktu dan sumber daya yang diperlukan untuk mengembangkan dan memelihara model mereka sendiri, yang dapat sangat berguna untuk bisnis dengan sumber daya teknis terbatas. Fleksibilitas API juga memungkinkan toko online menyesuaikan aturan moderasi dan ambang batas agar sesuai dengan kebutuhan khusus mereka.
Pelajari lebih lanjut tentang moderasi konten di AWS dan kami kasus penggunaan ML moderasi konten. 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.
Luca Agostino Rubino adalah Insinyur Perangkat Lunak Utama di tim Belanja Amazon. Dia mengerjakan fitur Komunitas seperti Ulasan Pelanggan dan Tanya Jawab, berfokus selama bertahun-tahun pada Moderasi Konten dan pada penskalaan dan otomatisasi solusi Pembelajaran Mesin.
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. Otomotif / EV, Karbon, teknologi bersih, energi, Lingkungan Hidup, Tenaga surya, Penanganan limbah. Akses Di Sini.
- PlatoHealth. Kecerdasan Uji Coba Biotek dan Klinis. Akses Di Sini.
- ChartPrime. Tingkatkan Game Trading Anda dengan ChartPrime. Akses Di Sini.
- BlockOffset. Modernisasi Kepemilikan Offset Lingkungan. Akses Di Sini.
- Sumber: https://aws.amazon.com/blogs/machine-learning/how-amazon-shopping-uses-amazon-rekognition-content-moderation-to-review-harmful-images-in-product-reviews/
- :memiliki
- :adalah
- :bukan
- :Di mana
- 1
- 100
- 125
- 2022
- 7
- 700
- a
- Sanggup
- Tentang Kami
- diterima
- mengakses
- ketepatan
- tepat
- akurat
- Mencapai
- dicapai
- di seluruh
- Tindakan
- Tambahan
- Selain itu
- diadopsi
- Keuntungan
- pengiklanan
- AI
- Layanan AI
- AI / ML
- Bertujuan
- Alexa
- algoritma
- meluruskan
- Semua
- mengalokasikan
- diizinkan
- memungkinkan
- juga
- Amazon
- Rekognisi Amazon
- Amazon Web Services
- an
- dan
- Apa pun
- api
- Lebah
- pendekatan
- disetujui
- kira-kira
- aplikasi
- arsitektur
- ADALAH
- buatan
- kecerdasan buatan
- Kecerdasan buatan (AI)
- AS
- penampilan
- Asisten
- membantu
- terkait
- At
- mengotomatisasikan
- mengotomatiskan
- secara otomatis
- mengotomatisasi
- Otomatisasi
- tersedia
- AWS
- berdasarkan
- BE
- menjadi
- menjadi
- sebelum
- Manfaat
- Milyar
- bisnis
- bisnis
- Pembelian
- by
- CAN
- mobil
- kasus
- tantangan
- bergabung
- Masyarakat
- masyarakat
- Perusahaan
- kompleks
- kompleksitas
- compliant
- komponen
- luas
- komputer
- Visi Komputer
- hubungan
- mengandung
- Konten
- Jenis Konten
- kontinu
- terus menerus
- berkontribusi
- Biaya
- penghematan biaya
- Biaya
- bisa
- sangat penting
- pelanggan
- pengalaman pelanggan
- pelanggan
- disesuaikan
- menyesuaikan
- data
- ilmu data
- kencan
- Memutuskan
- keputusan
- keputusan
- dedicated
- penyebaran
- dirancang
- diinginkan
- menemukan
- Deteksi
- ditentukan
- mengembangkan
- berkembang
- berbeda
- beberapa
- Dont
- e-commerce
- e-commerce
- efisiensi
- efisien
- usaha
- upaya
- diaktifkan
- memungkinkan
- Menegakkan
- insinyur
- memastikan
- memastikan
- Lingkungan Hidup
- terutama
- penting
- Setiap
- sehari-hari
- diperluas
- pengalaman
- Pengalaman
- keahlian
- menghadapi
- Fitur
- umpan balik
- sedikit
- Pertama
- cocok
- keluwesan
- Fokus
- berfokus
- berikut
- Untuk
- dari
- sepenuhnya
- lebih lanjut
- Keuntungan
- game
- generatif
- AI generatif
- Pertumbuhan
- menjamin
- pedoman
- berbahaya
- Memiliki
- he
- membantu
- membantu
- membantu
- dia
- High
- lebih tinggi
- sangat
- Seterpercayaapakah Olymp Trade? Kesimpulan
- HTML
- HTTPS
- manusia
- Ratusan
- ratusan juta
- gambar
- gambar
- Segera
- Dampak
- implementasi
- diimplementasikan
- memperbaiki
- meningkatkan
- in
- termasuk
- Termasuk
- Inklusif
- Meningkatkan
- makin
- individu
- industri
- memberitahu
- informasi
- informasi
- inovatif
- wawasan
- sebagai gantinya
- Intelijen
- Antarmuka
- ke
- Investasi
- IT
- item
- NYA
- bergabung
- perjalanan
- jpg
- Menjaga
- pemeliharaan
- pelabelan
- bahasa
- besar
- terbesar
- diluncurkan
- pengetahuan
- 'like'
- Terbatas
- mesin
- Mesin belajar
- memelihara
- utama
- membuat
- Membuat
- mengelola
- berhasil
- manajer
- banyak
- Marketing
- cara
- Media
- Pelajari
- bermigrasi
- juta
- jutaan
- ML
- MLOps
- model
- moderasi
- Bulan
- bulan
- lebih
- paling
- beberapa
- Alam
- Pengolahan Bahasa alami
- hampir
- Perlu
- dibutuhkan
- kebutuhan
- sekarang
- NSFW
- of
- serangan
- menawarkan
- Penawaran
- sering
- on
- ONE
- secara online
- operasional
- Operasi
- Pendapat
- or
- Lainnya
- Lainnya
- kami
- keluaran
- lebih
- secara keseluruhan
- sendiri
- bagian
- bergairah
- untuk
- Tempat
- plato
- Kecerdasan Data Plato
- Data Plato
- Pos
- berpotensi
- kekuasaan
- praktek
- mencegah
- Utama
- Masalah
- masalah
- proses
- pengolahan
- Produk
- manajer produk
- Ulasan produk
- profil
- mempromosikan
- memberikan
- menyediakan
- menyediakan
- membeli
- pembelian
- pembelian
- segera
- jarak
- Penilaian
- peringkat
- alasan
- menerima
- diterima
- menurunkan
- mengurangi
- mengurangi
- mengenai
- relevan
- kepercayaan
- Dihapus
- wajib
- membutuhkan
- Sumber
- mengakibatkan
- ulasan
- Review
- aturan
- aman
- Save
- Tabungan
- Skala
- sisik
- skala
- Ilmu
- mengirim
- senior
- layanan
- Layanan
- beberapa
- dia
- tas
- penting
- menyederhanakan
- Sosial
- media sosial
- Perangkat lunak
- Software Engineer
- padat
- larutan
- Solusi
- MEMECAHKAN
- sumber
- Space
- Spam
- mengkhususkan diri
- tertentu
- pidato
- Pengeluaran
- menghabiskan
- mulai
- Langkah
- menyimpan
- toko
- pengajuan
- disampaikan
- berhasil
- seperti itu
- sistem
- Mengambil
- pengambilan
- tugas
- tim
- Teknis
- teknik
- dari
- bahwa
- Grafik
- mereka
- Mereka
- dengan demikian
- Ini
- mereka
- ini
- Melalui
- waktu
- untuk
- terhadap
- lalu lintas
- Pelatihan
- berubah
- mengubah
- Putar
- mengetik
- jenis
- unik
- tidak diinginkan
- menggunakan
- Pengguna
- Pengguna
- kegunaan
- menggunakan
- dimanfaatkan
- Berharga
- memeriksa
- Video
- Video
- penglihatan
- Suara
- volume
- adalah
- jaringan
- layanan web
- apakah
- yang
- sementara
- sangat
- akan
- dengan
- tanpa
- kata
- Kerja
- bekerja
- Alur kerja
- bekerja
- tahun
- tahun
- Anda
- zephyrnet.dll