חברות מסתמכות יותר ויותר על תמונות וסרטונים שנוצרו על ידי משתמשים לצורך מעורבות. מפלטפורמות מסחר אלקטרוני המעודדות לקוחות לשתף תמונות מוצר ועד לחברות מדיה חברתית המקדמות סרטונים ותמונות שנוצרו על ידי משתמשים, שימוש בתוכן משתמשים לצורך מעורבות הוא אסטרטגיה רבת עוצמה. עם זאת, זה יכול להיות מאתגר להבטיח שתוכן זה שנוצר על ידי משתמשים תואם את המדיניות שלך ומטפח קהילה מקוונת בטוחה עבור המשתמשים שלך.
חברות רבות תלויות כיום במנחים אנושיים או מגיבות באופן תגובתי לתלונות משתמשים כדי לנהל תוכן בלתי הולם שנוצר על ידי משתמשים. גישות אלו אינן מתרחבות כדי למתן ביעילות מיליוני תמונות וסרטונים באיכות או במהירות מספקת, מה שמוביל לחוויית משתמש גרועה, לעלויות גבוהות להשגת קנה מידה, או אפילו לפגיעה אפשרית במוניטין המותג.
בפוסט זה, אנו דנים כיצד להשתמש בתכונת ניהול מותאם אישית ב אמזון כדי לשפר את הדיוק של ממשק API לניהול תוכן שהוכשר מראש.
ניהול תוכן ב-Amazon Rekognition
Amazon Rekognition הוא שירות בינה מלאכותית מנוהלת (AI) המציע יכולות ראייה ממוחשבת מאומנות וניתנות להתאמה אישית כדי לחלץ מידע ותובנות מתמונות וסרטונים. יכולת אחת כזו היא ניהול תוכן זיהוי אמזון, שמזהה תוכן לא הולם או לא רצוי בתמונות ובסרטונים. אמזון הכרה משתמשת בטקסונומיה היררכית כדי לתייג תוכן לא הולם או לא רצוי עם 10 קטגוריות של ניהול ברמה העליונה (כגון אלימות, אלכוהול מפורש, או סמים) ו-35 קטגוריות ברמה השנייה. לקוחות בכל תעשיות כמו מסחר אלקטרוני, מדיה חברתית ומשחקים יכולים להשתמש במתן תוכן ב-Amazon Rekognition כדי להגן על המוניטין של המותג שלהם ולטפח קהילות משתמשים בטוחות.
על ידי שימוש בזיהוי אמזון לניהול תמונות ווידאו, מנחים אנושיים צריכים לסקור קבוצה קטנה בהרבה של תוכן, בדרך כלל 1-5% מהנפח הכולל, שכבר סומן על ידי מודל ניהול התוכן. זה מאפשר לחברות להתמקד בפעילויות יקרות יותר ועדיין להשיג כיסוי מתון מקיף בשבריר מהעלות הקיימת שלהן.
היכרות עם אמזון זיהוי מותאם אישית
כעת תוכל לשפר את הדיוק של מודל ניהול ההכרה עבור הנתונים הספציפיים לעסק שלך באמצעות התכונה ניהול מותאם אישית. אתה יכול לאמן מתאם מותאם אישית עם 20 תמונות מוערות בפחות משעה. מתאמים אלו מרחיבים את היכולות של מודל המנחה כדי לזהות תמונות המשמשות לאימון עם דיוק גבוה יותר. עבור פוסט זה, אנו משתמשים במערך נתונים לדוגמה המכיל הן תמונות בטוחות והן תמונות עם משקאות אלכוהוליים (שנחשבים כלא בטוחים) כדי לשפר את הדיוק של תווית מתן אלכוהול.
המזהה הייחודי של המתאם המאומן ניתן לספק לקיים DetectModerationLabels פעולת API לעיבוד תמונות באמצעות מתאם זה. כל מתאם יכול לשמש רק את חשבון ה-AWS ששימש לאימון המתאם, מה שמבטיח שהנתונים המשמשים לאימון יישארו בטוחים ומאובטחים באותו חשבון AWS. עם תכונת המנחה המותאמת אישית, אתה יכול להתאים את מודל המנחה שהוכשר מראש ל-Rekognition עבור ביצועים משופרים במקרה השימוש הספציפי שלך במנחה, ללא כל מומחיות למידת מכונה (ML). אתה יכול להמשיך וליהנות מהיתרונות של שירות המתנה מנוהל במלואו עם מודל תמחור תשלום לפי שימוש עבור ניהול מותאם אישית.
סקירת פתרונות
אימון מתאם מותאם אישית כולל חמישה שלבים שאתה יכול להשלים באמצעות קונסולת הניהול של AWS או ממשק ה-API:
- צור פרוייקט
- העלה את נתוני האימון
- הקצה תוויות אמת יסוד לתמונות
- אמן את המתאם
- השתמש במתאם
בואו נעבור על השלבים הללו ביתר פירוט באמצעות הקונסולה.
צור פרוייקט
פרויקט הוא מיכל לאחסון המתאמים שלך. אתה יכול לאמן מתאמים מרובים בתוך פרויקט עם מערכי נתונים שונים להדרכה כדי להעריך איזה מתאם מתפקד בצורה הטובה ביותר עבור מקרה השימוש הספציפי שלך. כדי ליצור את הפרויקט שלך, בצע את השלבים הבאים:
- במסוף ההכרה של אמזון בחר ניהול מותאם אישית בחלונית הניווט.
- בחרו צור פרוייקט.
- בעד שם הפרוייקט, הזן שם לפרויקט שלך.
- בעד שם המתאם, הזן שם עבור המתאם שלך.
- לחלופין, הזן תיאור עבור המתאם שלך.
העלה נתוני אימון
אתה יכול להתחיל עם מעט כמו 20 תמונות לדוגמה כדי להתאים את מודל המנחה כדי לזהות פחות תוצאות חיוביות שגויות (תמונות שמתאימות לעסק שלך אך מסומנות על ידי המודל עם תווית מנחה). כדי לצמצם תוצאות שליליות כוזבות (תמונות שאינן מתאימות לעסק שלך אך אינן מסומנות עם תווית ניהול), אתה נדרש להתחיל עם 50 תמונות לדוגמה.
אתה יכול לבחור מבין האפשרויות הבאות כדי לספק את מערכי הנתונים של התמונה לאימון מתאמים:
בצע את הצעדים הבאים:
- לפוסט זה בחר ייבא תמונות מדלי S3 והזן את S3 URI שלך.
כמו כל תהליך אימון ML, אימון מתאם Custom Moderation ב-Amazon Rekognition דורש שני מערכי נתונים נפרדים: אחד לאימון המתאם ואחר להערכת המתאם. אתה יכול להעלות מערך בדיקה נפרד או לבחור לפצל אוטומטית את מערך ההדרכה שלך לצורך אימון ובדיקה.
- לפוסט זה בחר פיצול אוטומטי.
- בחר אפשר עדכון אוטומטי כדי להבטיח שהמערכת מכשירה מחדש את המתאם באופן אוטומטי כאשר מושקת גרסה חדשה של מודל ניהול התוכן.
- בחרו צור פרוייקט.
הקצה תוויות אמת יסוד לתמונות
אם העלית תמונות ללא הערות, אתה יכול להשתמש בקונסולת הזיהוי של אמזון כדי לספק תוויות תמונה בהתאם לטקסונומיית המנחה. בדוגמה הבאה, אנו מאמנים מתאם לזהות אלכוהול נסתר ברמת דיוק גבוהה יותר, ומתייגים את כל התמונות הללו עם התווית אלכוהול. תמונות שאינן נחשבות בלתי הולמות יכולות להיות מסומנות כבטוחות.
אמן את המתאם
לאחר שתווית את כל התמונות, בחר תתחיל להתאמן כדי להתחיל את תהליך ההכשרה. Amazon Rekognition תשתמש במערך הנתונים של התמונות שהועלו כדי לאמן מודל מתאם לדיוק משופר בסוג התמונות הספציפי שסופק לאימון.
לאחר הכשרה של מתאם הניהול המותאם אישית, תוכל להציג את כל פרטי המתאם (adapterID
, test
ו training
קבצי מניפסט) ב- ביצועי מתאם סָעִיף.
השמיים ביצועי מתאם הסעיף מציג שיפורים בתוצאות חיוביות שגויות ושליליות שגויות בהשוואה למודל המתינות שהוכשר מראש. המתאם שאימנו כדי לשפר את זיהוי תווית האלכוהול מפחית את שיעור השלילי השווא בתמונות הבדיקה ב-73%. במילים אחרות, המתאם חוזה כעת במדויק את תווית מידת האלכוהול עבור 73% יותר תמונות בהשוואה למודל המתיחות שהוכשר מראש. עם זאת, לא נצפה שיפור בתוצאות חיוביות שגויות, מכיוון שלא נעשה שימוש בדגימות חיוביות שגויות לאימון.
השתמש במתאם
אתה יכול לבצע הסקה באמצעות המתאם החדש שעבר הכשרה כדי להשיג דיוק משופר. כדי לעשות זאת, התקשר ל-Amazon Rekognition DetectModerationLabel
API עם פרמטר נוסף, ProjectVersion
, שהוא הייחודי AdapterID
של המתאם. להלן פקודה לדוגמה באמצעות ה- ממשק שורת הפקודה של AWS (AWS CLI):
להלן קטע קוד לדוגמה באמצעות ה ספריית Python Boto3:
שיטות עבודה מומלצות לאימון
כדי למקסם את הביצועים של המתאם שלך, מומלץ להשתמש בשיטות המומלצות הבאות לאימון המתאם:
- נתוני התמונה לדוגמה צריכים ללכוד את השגיאות המייצגות שעבורן ברצונך לשפר את דיוק מודל המנחה
- במקום להביא רק תמונות שגיאה עבור תוצאות חיוביות שגויות ושליליות שגויות, אתה יכול גם לספק תוצאות חיוביות אמיתיות ושליליות אמיתיות לשיפור הביצועים
- ספק כמה שיותר תמונות מוערות להדרכה
סיכום
בפוסט זה הצגנו סקירה מעמיקה של התכונה החדשה של Amazon Rekognition Custom Moderation. יתר על כן, פירטנו את השלבים לביצוע אימון באמצעות הקונסולה, כולל שיטות עבודה מומלצות לתוצאות מיטביות. למידע נוסף, בקר במסוף הזיהוי של Amazon וחקור את תכונת הניהול המותאם אישית.
אמזון זיהוי מותאם אישית זמין כעת באופן כללי בכל אזורי ה-AWS שבהם זיהוי אמזון זמין.
למידע נוסף בנושא ניהול תוכן ב-AWS. תעשה את הצעד הראשון לקראת ייעול פעולות ניהול התוכן שלך עם AWS.
על הכותבים
שיפרה קנוריה הוא מנהל מוצר ראשי ב-AWS. היא נלהבת לעזור ללקוחות לפתור את הבעיות המורכבות ביותר שלהם עם הכוח של למידת מכונה ובינה מלאכותית. לפני שהצטרפה ל-AWS, שיפרה בילתה למעלה מ-4 שנים באמזון אלקסה, שם השיקה תכונות רבות הקשורות לפרודוקטיביות בעוזרת הקולית אלקסה.
אאקאש דיפ הוא מנהל הנדסת פיתוח תוכנה שבסיסו בסיאטל. הוא נהנה לעבוד על ראייה ממוחשבת, בינה מלאכותית ומערכות מבוזרות. המשימה שלו היא לאפשר ללקוחות לטפל בבעיות מורכבות וליצור ערך עם AWS Rekognition. מחוץ לעבודה, הוא נהנה לטייל ולטייל.
לאנה ג'אנג הוא ארכיטקט פתרונות בכיר בצוות שירותי AI של AWS WWSO, המתמחה בבינה מלאכותית ו-ML עבור ניהול תוכן, ראייה ממוחשבת, עיבוד שפה טבעית ובינה מלאכותית גנרטיבית. עם המומחיות שלה, היא מחויבת לקידום פתרונות AI/ML של AWS ולסייע ללקוחות בשינוי הפתרונות העסקיים שלהם בתעשיות מגוונות, כולל מדיה חברתית, משחקים, מסחר אלקטרוני, מדיה, פרסום ושיווק.
- הפצת תוכן ויחסי ציבור מופעל על ידי SEO. קבל הגברה היום.
- PlatoData.Network Vertical Generative Ai. העצים את עצמך. גישה כאן.
- PlatoAiStream. Web3 Intelligence. הידע מוגבר. גישה כאן.
- PlatoESG. פחמן, קלינטק, אנרגיה, סביבה, שמש, ניהול פסולת. גישה כאן.
- PlatoHealth. מודיעין ביוטכנולוגיה וניסויים קליניים. גישה כאן.
- מקור: https://aws.amazon.com/blogs/machine-learning/announcing-rekogniton-custom-moderation-enhance-accuracy-of-pre-trained-rekognition-moderation-models-with-your-data/
- :הוא
- :לֹא
- :איפה
- 1
- 10
- 100
- 118
- 150
- 20
- 35%
- 50
- 7
- 9
- a
- aakash
- אודות
- חֶשְׁבּוֹן
- דיוק
- במדויק
- להשיג
- לרוחב
- פעילויות
- להסתגל
- נוסף
- מידע נוסף
- כתובת
- פרסום
- AI
- שירותי AI
- AI / ML
- כּוֹהֶל
- Alexa
- תעשיות
- כְּבָר
- גם
- אמזון בעברית
- אמזון
- אמזון שירותי אינטרנט
- an
- ו
- מכריז
- אחר
- כל
- API
- גישות
- מתאים
- ARE
- מלאכותי
- בינה מלאכותית
- בינה מלאכותית (AI)
- AS
- לְהַעֲרִיך
- עוזר
- סיוע
- At
- מחבר
- באופן אוטומטי
- זמין
- AWS
- מבוסס
- BE
- לפני
- להתחיל
- הטבות
- הטוב ביותר
- שיטות עבודה מומלצות
- שניהם
- מותג
- מביאים
- עסקים
- אבל
- by
- שיחה
- CAN
- יכולות
- יכולת
- ללכוד
- מקרה
- קטגוריות
- אתגר
- בחרו
- לקוחות
- קוד
- הקהילות
- קהילה
- חברות
- לעומת
- תלונות
- להשלים
- מורכב
- מַקִיף
- המחשב
- ראייה ממוחשבת
- נחשב
- עִקבִי
- קונסול
- מכולה
- תוכן
- להמשיך
- עלות
- עלויות
- כיסוי
- לִיצוֹר
- צור ערך
- כיום
- מנהג
- לקוחות
- להתאמה אישית
- נתונים
- מערכי נתונים
- מוקדש
- עמוק
- תיאור
- פרט
- מְפוֹרָט
- פרטים
- לאתר
- איתור
- צעצועי התפתחות
- אחר
- לדון
- מציג
- מופץ
- מערכות מבוזרות
- שונה
- do
- לא
- סמים
- מסחר אלקטרוני
- כל אחד
- מסחר אלקטרוני
- יעילות
- או
- לאפשר
- מאפשר
- מעודד
- התעסקות
- הנדסה
- להגביר את
- משופר
- להנות
- לְהַבטִיחַ
- הבטחתי
- זן
- שגיאה
- שגיאות
- הערכה
- אֲפִילוּ
- דוגמה
- קיימים
- ניסיון
- מומחיות
- לחקור
- להאריך
- תמצית
- שקר
- מאפיין
- תכונות
- מעטים
- פחות
- קבצים
- ראשון
- חמש
- מסומן
- להתמקד
- הבא
- בעד
- לטפח
- מאמצים
- שבריר
- החל מ-
- לגמרי
- יתר על כן
- המשחקים
- בדרך כלל
- גנרטטיבית
- AI Generative
- לקבל
- קרקע
- לפגוע
- יש
- he
- עזרה
- לה
- מוּסתָר
- גָבוֹהַ
- גבוה יותר
- שֶׁלוֹ
- שעה
- איך
- איך
- אולם
- HTML
- http
- HTTPS
- בן אנוש
- ID
- תמונה
- תמונות
- לשפר
- משופר
- השבחה
- שיפורים
- in
- באחר
- מעמיק
- כולל
- יותר ויותר
- תעשיות
- מידע
- ליזום
- תובנות
- מוֹדִיעִין
- מִמְשָׁק
- IT
- הצטרפות
- תווית
- תוויות
- שפה
- הושק
- מוביל
- למידה
- פחות
- קו
- רשימה
- מכונה
- למידת מכונה
- לנהל
- הצליח
- ניהול
- מנהל
- רב
- שיווק
- לְהַגדִיל
- מדיה
- מיליונים
- משימה
- ML
- מודל
- מודלים
- מתינות
- יותר
- רוב
- הרבה
- מספר
- שם
- טבעי
- עיבוד שפה טבעית
- ניווט
- שלילי
- תשלילים
- חדש
- חדש
- לא
- עַכשָׁיו
- of
- המיוחדות שלנו
- on
- ONE
- באינטרנט
- רק
- מבצע
- תפעול
- אופטימלי
- אפשרויות
- or
- אחר
- בחוץ
- יותר
- סקירה
- זגוגית
- פרמטר
- לוהט
- עבור
- לְבַצֵעַ
- ביצועים
- ביצוע
- מבצע
- פלטפורמות
- אפלטון
- מודיעין אפלטון
- אפלטון נתונים
- מדיניות
- עני
- חיובי
- אפשרי
- הודעה
- פוטנציאל
- כּוֹחַ
- חזק
- פרקטיקות
- תחזית
- מוצג
- תמחור
- מודל תמחור
- מנהל
- בעיות
- תהליך
- תהליך
- המוצר
- מנהל מוצר
- פּרוֹיֶקט
- קידום
- להגן
- לספק
- ובלבד
- איכות
- ציון
- מוּמלָץ
- להפחית
- מפחית
- אזורים
- לסמוך
- שְׂרִידִים
- נציג
- מוניטין
- נדרש
- דורש
- להגיב
- תגובה
- תוצאות
- סקירה
- בטוח
- מערך נתונים לדוגמה
- סולם
- סיאטל
- סעיף
- לבטח
- לחצני מצוקה לפנסיונרים
- נפרד
- שרות
- שירותים
- סט
- שיתוף
- היא
- צריך
- קטן יותר
- קטע
- חֶברָתִי
- מדיה חברתית
- תוכנה
- פיתוח תוכנה
- פתרונות
- לפתור
- מתמחה
- ספציפי
- מְהִירוּת
- בילה
- לפצל
- התחלה
- שלב
- צעדים
- עוד
- חנות
- אִסטרָטֶגִיָה
- כזה
- מספיק
- מערכת
- מערכות
- לקחת
- המשימות
- משימות
- טקסונומיה
- נבחרת
- מבחן
- בדיקות
- מֵאֲשֶׁר
- זֶה
- השמיים
- שֶׁלָהֶם
- אלה
- זֶה
- דרך
- ל
- הרמה העליונה
- סה"כ
- רכבת
- מְאוּמָן
- הדרכה
- הפיכה
- נסיעה
- נָכוֹן
- אמת
- שתיים
- סוג
- בדרך כלל
- ייחודי
- לא רצוי
- נטען
- להשתמש
- במקרה להשתמש
- מְשׁוּמָשׁ
- משתמש
- חוויית משתמש
- משתמשים
- שימושים
- באמצעות
- בעל ערך
- ערך
- גרסה
- וִידֵאוֹ
- וידאו
- לצפיה
- אלימות
- חזון
- לְבַקֵר
- קול
- כֶּרֶך
- ללכת
- רוצה
- היה
- we
- אינטרנט
- שירותי אינטרנט
- היו
- מתי
- אשר
- יצטרך
- עם
- בתוך
- לְלֹא
- מילים
- תיק עבודות
- זרימת עבודה
- עובד
- שנים
- אתה
- זפירנט