תוכן שנוצר על ידי משתמשים (UGC) גדל באופן אקספוננציאלי, כמו גם הדרישות והעלות לשמירה על בטיחות תוכן וקהילות מקוונות ותאימות. פלטפורמות אינטרנט ומובייל מודרניות מתדלקות עסקים ומניעות מעורבות משתמשים באמצעות תכונות חברתיות, החל מסטארט-אפים ועד לארגונים גדולים. חברי הקהילה המקוונת מצפים לחוויות בטוחות ומכילות שבהן הם יכולים לצרוך באופן חופשי ולתרום תמונות, סרטונים, טקסט ואודיו. הנפח, המגוון והמורכבות ההולכים וגדלים של UGC הופכים את זרימות העבודה המסורתיות של ניהול אנושי למאתגר להרחיב כדי להגן על המשתמשים. מגבלות אלו מאלצות לקוחות להיכנס לתהליכי הפחתה לא יעילים, יקרים ותגובתיים הנושאים סיכון מיותר עבור המשתמשים והעסק. התוצאה היא חוויה קהילתית גרועה, מזיקה ולא מכילה, שמנתקת את המשתמשים, ומשפיעה לרעה על יעדי הקהילה והעסקים.
הפתרון הוא זרימות עבודה ניתנות להרחבה של ניהול תוכן המסתמכות על בינה מלאכותית (AI), למידת מכונה (ML), למידה עמוקה (DL) וטכנולוגיות עיבוד שפה טבעית (NLP). מבנים אלה מתרגמים, מתמללים, מזהים, ממסכים, עורכים ומביאים אסטרטגית כישרון אנושי לתוך זרימת העבודה של ניהול, כדי להפעיל את הפעולות הדרושות כדי לשמור על המשתמשים בטוחים ומעורבים תוך הגברת הדיוק ויעילות התהליך, והורדת עלויות התפעול.
פוסט זה סוקר כיצד לבנות זרימות עבודה של ניהול תוכן באמצעות שירותי AI של AWS. למידע נוסף על צרכים עסקיים, השפעה והפחתת עלויות שמביאה ניהול תוכן אוטומטי לתעשיות המדיה החברתית, המשחקים, המסחר האלקטרוני והפרסום, ראה השתמש בשירותי AWS AI כדי להפוך את ניהול התוכן והתאימות לאוטומטי.
סקירת פתרונות
אתה לא צריך מומחיות ב-ML כדי ליישם את זרימות העבודה האלה ויכול להתאים את הדפוסים האלה לצרכים העסקיים הספציפיים שלך! AWS מספקת את היכולות הללו באמצעות שירותים מנוהלים במלואם שמסירים מורכבות תפעולית והרמה כבדה ללא הבחנה, וללא צוות מדעי נתונים.
בפוסט זה, אנו מדגימים כיצד למתן ביעילות חללים שבהם לקוחות דנים וסוקרות מוצרים באמצעות טקסט, אודיו, תמונות, וידאו ואפילו קבצי PDF. התרשים הבא ממחיש את ארכיטקטורת הפתרון.
תנאים מוקדמים
כברירת מחדל, דפוסים אלה מדגימים מתודולוגיה ללא שרת, שבה אתה משלם רק על מה שאתה משתמש. אתה ממשיך לשלם עבור משאבי המחשוב, כגון AWS פרגייט מכולות, ואחסון, כגון שירות אחסון פשוט של אמזון (Amazon S3), עד שתמחק את המשאבים האלה. שירותי AWS AI שנדונו גם פועלים לפי מודל תמחור צריכה לכל פעולה.
סביבות שאינן ייצור יכולות לבדוק כל אחד מהדפוסים הללו ב-Free Tier, בהנחה שהחשבון שלך מתאים.
טקסט רגיל מתון
ראשית, עליך ליישם ניהול תוכן עבור טקסט רגיל. הליך זה משמש כבסיס לסוגי מדיה מתוחכמים יותר וכולל שני שלבים ברמה גבוהה:
- תתרגם את הטקסט.
- נתח את הטקסט.
לקוחות גלובליים רוצים לשתף פעולה עם פלטפורמות חברתיות בשפת האם שלהם. עמידה בציפייה זו יכולה להוסיף מורכבות מכיוון שצוותי עיצוב חייבים לבנות זרימת עבודה או שלבים עבור כל שפה. במקום זאת, אתה יכול להשתמש אמזון תרגם להמיר טקסט ליותר מ-70 שפות וגרסאות בלמעלה מ-15 אזורים. יכולת זו מאפשרת לך לכתוב כללי ניתוח עבור שפה אחת וליישם את הכללים הללו בכל הקהילה המקוונת העולמית.
Amazon Translate הוא שירות תרגום מכונות עצביות המספק תרגום שפה מהיר, איכותי, זול וניתן להתאמה אישית. אתה יכול לשלב אותו בזרימות העבודה שלך כדי לזהות את השפה השלטת ו תתרגם את הטקסט. התרשים הבא ממחיש את זרימת העבודה.
ממשקי ה-API פועלים באופן הבא:
- השמיים DetectDominantLanguage API קובע את השפה הדומיננטית של טקסט הקלט. לרשימה של שפות ש-Amazon Comprehend יכולה לזהות, ראה שפה דומיננטית.
- השמיים TranslateText API מתרגם טקסט קלט משפת המקור לשפת היעד עם אופציונלי מיסוך ניבולי פה. לקבלת רשימה של שפות זמינות וקודי שפה, ראה שפות נתמכות וקודי שפה.
- השמיים StartExecution ו StartSyncExecution ממשקי API מתחילים פונקציות שלב AWS מכונת מצבים.
לאחר מכן, תוכל להשתמש ב-NLP כדי לחשוף קשרים בטקסט, כמו גילוי ביטויי מפתח, ניתוח סנטימנטים וזיהוי מידע אישי מזהה (PII). אמזון להתבונן ממשקי API מחלצים את התובנות החשובות הללו ומעבירים אותן למטפלי פונקציות מותאמות אישית.
להריץ את המטפלים האלה פנימה AWS למבדה functions מרחיבה את הקוד שלך בצורה אלסטית מבלי לחשוב על שרתים או אשכולות. לחלופין, אתה יכול לעבד תובנות מאמזון Comprehend עם דפוסי ארכיטקטורת microservices. ללא קשר לזמן הריצה, הקוד שלך מתמקד בשימוש בתוצאות, לא בניתוח טקסט.
התרשים הבא ממחיש את זרימת העבודה.
פונקציות Lambda מקיימות אינטראקציה עם ממשקי ה-API הבאים:
- השמיים DetectEntities API מגלה ומקבץ שמות של אובייקטים בעולם האמיתי כגון אנשים ומקומות בטקסט. אתה יכול להשתמש באוצר מילים מותאם אישית כדי לבטל סוגי ישויות לא הולמים וספציפיים לעסק.
- השמיים DetectSentiment API מזהה את הסנטימנט הכולל של הטקסט כחיובי, שלילי או ניטרלי. אתה יכול להכשיר מסווגים מותאמים אישית לזהות את מצבי העניין הספציפיים לתעשייה ולחלץ את המשמעות הרעיונית של הטקסט.
- השמיים DetectPIIEntities API מזהה PII בטקסט שלך, כגון כתובת, מספר חשבון בנק או מספר טלפון. הפלט מכיל את סוג ישות PII ואת המיקום המתאים לה.
מתון קבצי שמע
כדי למתן קבצי אודיו, עליך לתמלל את הקובץ לטקסט ולאחר מכן לנתח אותו. לתהליך זה יש שתי גרסאות, תלוי אם אתה מעבד קבצים בודדים (סינכרוני) או זרמי אודיו חיים (אסינכרוני). זרימות עבודה סינכרוניות אידיאליות לעיבוד אצווה, כאשר המתקשר מקבל תגובה אחת מלאה. לעומת זאת, זרמי אודיו דורשים דגימה תקופתית עם תוצאות תמלול מרובות.
אמזון תעתיק הוא שירות זיהוי דיבור אוטומטי המשתמש במודלים של ML כדי להמיר אודיו לטקסט. אתה יכול לשלב אותו בזרימות עבודה סינכרוניות על ידי תחילת עבודת תמלול ומדי פעם שאילתה על מצב המשרה. לאחר השלמת העבודה, תוכל לנתח את הפלט באמצעות זרימת העבודה של ניהול טקסט רגיל מהשלב הקודם.
התרשים הבא ממחיש את זרימת העבודה.
ממשקי ה-API פועלים באופן הבא:
- השמיים StartTranscriptionJob API מתחיל עבודה אסינכרונית לתמלול דיבור לטקסט.
- השמיים GetTranscriptionJob API מחזיר מידע על עבודת תמלול. כדי לראות את מצב העבודה, בדוק את
TranscriptionJobStatus
שדה. אם מאפיין הסטטוס הואCOMPLETED
, תוכל למצוא את התוצאות במיקום המצוין ב-TranscriptFileUri
שדה. אם תפעיל עריכת תוכן, התמליל שנערך יופיע בRedactedTranscriptFileUri
.
זרמי אודיו חיים צריכים דפוס אחר התומך במודל מסירה בזמן אמת. הזרמה יכולה לכלול מדיה מוקלטת מראש, כגון סרטים, מוזיקה ופודקאסטים, ומדיה בזמן אמת, כגון שידורי חדשות חיים. אתה יכול לתמלל נתחי אודיו באופן מיידי באמצעות הזרמת תעתיק של אמזון על פרוטוקולי HTTP/2 ו-WebSockets. לאחר פרסום נתח לשירות, תקבל אחד או יותר אובייקטי תוצאת תמלול תיאור מקטעי התמלול החלקיים והמלאים. פלחים הדורשים ניהול יכולים לעשות שימוש חוזר בזרימת העבודה של טקסט רגיל מהסעיף הקודם. התרשים הבא ממחיש תהליך זה.
השמיים StartStreamingTranscription API מתחיל זרם HTTP/2 דו-כיווני שבו אודיו זורם אל Amazon Transcribe, ומזרים את תוצאות התמלול לאפליקציה שלך.
מתון תמונות ותמונות
ניהול תמונות מחייב זיהוי תוכן לא הולם, לא רצוי או פוגעני המכיל עירום, רמיזות, אלימות וקטגוריות אחרות מתוכן תמונות ותמונות.
אמזון מאפשר לך לייעל או להפוך את זרימות העבודה שלך לניהול תמונות ווידאו ללא צורך במומחיות ב-ML. Amazon Rekognition מחזירה טקסונומיה היררכית של תוויות הקשורות למתינות. מידע זה מקל על הגדרת כללים עסקיים מפורטים לפי הסטנדרטים והנהלים שלך, בטיחות המשתמש והנחיות התאימות שלך. ניסיון ב-ML אינו נדרש כדי להשתמש ביכולות אלו. Amazon Rekognition יכולה לזהות ולקרוא את הטקסט בתמונה ולהחזיר תיבות תוחמות עבור כל מילה שנמצאה. Amazon Rekognition תומכת בזיהוי טקסט שנכתב באנגלית, ערבית, רוסית, גרמנית, צרפתית, איטלקית, פורטוגזית וספרדית!
אתה יכול להשתמש בחיזוי המכונה כדי להפוך משימות ניהול ספציפיות לאוטומטיות לחלוטין. יכולת זו מאפשרת למנחים אנושיים להתמקד בעבודה מסדר גבוה יותר. בנוסף, Amazon Rekognition יכולה לסקור במהירות מיליוני תמונות או אלפי סרטונים באמצעות ML ולסמן את תת-קבוצת הנכסים הדורשת פעולה נוספת. סינון מוקדם מסייע לספק כיסוי ניהול מקיף אך חסכוני תוך הפחתת כמות התוכן שצוותים אנושיים ממתנים.
התרשים הבא ממחיש את זרימת העבודה.
ממשקי ה-API פועלים באופן הבא:
- השמיים DetectModerationLabels API מזהה תוכן לא בטוח בתמונות שצוינו בפורמט JPEG או PNG. השתמש ב-DetectModerationLabels כדי למתן תמונות בהתאם לדרישות שלך. לדוגמה, ייתכן שתרצה לסנן תמונות המכילות עירום אך לא תמונות המכילות תוכן מרמז.
- השמיים DetectText API מזהה טקסט בתמונת הקלט וממיר אותו לטקסט קריא במכונה.
מתון מסמכי טקסט עשיר
בשלב הבא תוכלו להשתמש טקסטורה באמזון כדי לחלץ טקסט ונתונים בכתב יד ממסמכים סרוקים. תהליך זה מתחיל בהפעלת ה- התחל ניתוח מסמכים פעולה לניתוח קובצי Microsoft Word ו-Adobe PDF. אתה יכול לעקוב אחר התקדמות העבודה עם GetDocumentAnalysis פעולה.
תוצאת הניתוח מציינת כל עמוד, פסקה, טבלה וזוג מפתח-ערך שנחשפו במסמך. לדוגמה, נניח שספק בריאות חייב להסוות את שמות המטופלים רק בשדה תיאור התביעה. במקרה זה, דוח הניתוח יכול להפעיל צינורות עיבוד מסמכים חכמים שממתנים ומבטלים את שדה הנתונים הספציפי. התרשים הבא ממחיש את הצינור.
ממשקי ה-API פועלים באופן הבא:
- השמיים התחל ניתוח מסמכים API מתחיל ניתוח אסינכרוני של מסמך קלט לקשרים בין פריטים שזוהו כגון צמדי מפתח-ערך, טבלאות ורכיבי בחירה
- השמיים GetDocumentAnalysis API מקבל את התוצאות עבור פעולה אסינכרונית של Amazon Textract שמנתחת טקסט במסמך
מתון סרטונים
גישה סטנדרטית לניהול תוכן וידאו היא באמצעות הליך דגימת פריימים. מקרי שימוש רבים אינם צריכים לבדוק כל פריים, ומספיק לבחור אחד כל 15-30 שניות. מסגרות וידאו מדוגמות יכולות לעשות שימוש חוזר במכונת המצב כדי למתן תמונות מהסעיף הקודם. באופן דומה, התהליך הקיים למתן שמע יכול לתמוך בתוכן הנשמע של הקובץ. התרשים הבא ממחיש זרימת עבודה זו.
השמיים להפעיל API מריץ פונקציית Lambda ומחכה באופן סינכרוני לתגובה.
נניח שקובץ המדיה הוא סרט שלם עם מספר סצנות. במקרה כזה, אתה יכול להשתמש ב- ממשק API של אמזון זיהוי פלח, API מורכב לזיהוי רמזים טכניים או זיהוי יריות. לאחר מכן, אתה יכול להשתמש בקיזוז זמן אלה כדי לעבד במקביל כל קטע עם דפוס ניהול הווידאו הקודם, כפי שמוצג בתרשים הבא.
ממשקי ה-API פועלים באופן הבא:
- השמיים התחל זיהוי סגמנטציה API מתחיל זיהוי אסינכרוני של זיהוי מקטעים בסרטון מאוחסן
- השמיים GetSegmentationDetection API מקבל את תוצאות זיהוי הפלחים של ניתוח וידאו של Amazon Rekognition שהתחיל על ידי StartSegmentDetection API
חילוץ פריימים בודדים מהסרט אינו מצריך שליפת האובייקט מאמזון S3 מספר פעמים. פתרון נאיבי כרוך בקריאת הסרטון לזיכרון ופיפוס עד הסוף. דפוס זה אידיאלי לקליפים קצרים ולמקומות שבהם ההערכות אינן רגישות לזמן.
אסטרטגיה נוספת כוללת העברת הקובץ פעם אחת אל מערכת הקבצים של אמזון אלסטית (Amazon EFS), מערכת קבצים משותפת מנוהלת במלואה, ניתנת להרחבה עבור שירותי AWS אחרים, כגון Lambda. עם אמזון EFS עבור Lambda, אתה יכול להפיץ נתונים ביעילות על פני הפעלות לפונקציות. כל הזמנה מטפלת ביעילות בנתח קטן, ופותחת את הפוטנציאל לעיבוד מקביל מסיבי וזמני עיבוד מהירים יותר.
לנקות את
לאחר שתתנסו בשיטות בפוסט זה, עליכם למחוק כל תוכן בדליים של S3 כדי למנוע עלויות עתידיות. אם יישמת את הדפוסים האלה עם משאבי מחשוב שהוגדרו כמו ענן מחשוב אלסטי של אמזון (אמזון EC2) או שירות מיכלים אלסטי של אמזון (Amazon ECS), עליך להפסיק את המקרים הללו כדי להימנע מחיובים נוספים.
סיכום
תוכן שנוצר על ידי משתמשים והערך שלו לגיימינג, מדיה חברתית, מסחר אלקטרוני וארגונים פיננסיים ובריאות ימשיכו לגדול. ובכל זאת, סטארט-אפים וארגונים גדולים צריכים ליצור תהליכי ניהול יעילים כדי להגן על המשתמשים, המידע והעסק, תוך הפחתת עלויות תפעול. פתרון זה מדגים כיצד טכנולוגיות AI, ML ו-NLP יכולות לעזור לך ביעילות למתן תוכן בקנה מידה. אתה יכול להתאים אישית את שירותי AWS AI כדי לתת מענה לצורכי המנחה הספציפיים שלך! היכולות המנוהלות במלואן הללו מסירות מורכבות תפעולית. הגמישות הזו משלבת באופן אסטרטגי תובנות הקשריות וכישרון אנושי בתהליכי הממתן שלך.
למידע נוסף, משאבים וכדי להתחיל בחינם היום, בקר באתר דף הבית של ניהול תוכן של AWS.
על הכותבים
נייט בכמאייר הוא ארכיטקט פתרונות בכיר של AWS שחוקר בנוודים את ניו יורק, שילוב ענן אחד בכל פעם. הוא מתמחה בהעברת אפליקציות ומודרניות. חוץ מזה, נייט הוא סטודנט במשרה מלאה ויש לו שני ילדים.
רם פאתנגי הוא אדריכל פתרונות בחברת Amazon Web Services באזור מפרץ סן פרנסיסקו. הוא עזר ללקוחות בחקלאות, ביטוח, בנקאות, קמעונאות, בריאות ומדעי החיים, אירוח וענפי היי-טק לנהל את עסקיהם בהצלחה בענן AWS. הוא מתמחה במאגרי מידע, אנליטיקה ולמידת מכונה.
רופ ביינס הוא אדריכל פתרונות ב-AWS המתמקד ב-AI/ML. הוא נלהב לעזור ללקוחות לחדש ולהשיג את היעדים העסקיים שלהם באמצעות בינה מלאכותית ולמידת מכונה. בזמנו הפנוי, רופ נהנה לקרוא ולטייל.
- "
- 100
- 70
- אודות
- תקציר
- חֶשְׁבּוֹן
- לרוחב
- פעולה
- פעולות
- תוספת
- נוסף
- כתובת
- פרסום
- חקלאות
- AI
- שירותי AI
- אמזון בעברית
- אמזון שירותי אינטרנט
- כמות
- אנליזה
- ניתוח
- API
- ממשקי API
- בקשה
- יישומים
- גישה
- ארכיטקטורה
- AREA
- מלאכותי
- בינה מלאכותית
- בינה מלאכותית (AI)
- בינה מלאכותית ולמידה מכונה
- נכסים
- אודיו
- אוטומטי
- אוטומטי
- מכני עם סלילה אוטומטית
- זמין
- AWS
- בנק
- חשבון בנק
- בנקאות
- מִפרָץ
- לִבנוֹת
- עסקים
- עסקים
- שיחה
- יכולות
- לשאת
- מקרים
- אתגר
- חיובים
- קליפים
- ענן
- קוד
- לשתף פעולה
- איך
- הקהילות
- קהילה
- מורכבות
- הענות
- תואם
- מַקִיף
- לחשב
- חיבורי
- לצרוך
- צְרִיכָה
- מכולה
- מכולות
- מכיל
- תוכן
- להמשיך
- לתרום
- תוֹאֵם
- עלות תועלת
- עלויות
- לִיצוֹר
- מנהג
- לקוחות
- להתאמה אישית
- נתונים
- מדע נתונים
- מאגרי מידע
- מספק
- מסירה
- להפגין
- תלוי
- עיצוב
- זוהה
- איתור
- אחר
- לדון
- מסמכים
- לא
- נהיגה
- מסחר אלקטרוני
- מסחר אלקטרוני
- יְעִילוּת
- יעיל
- יעילות
- לאפשר
- התעסקות
- אנגלית
- ישות
- דוגמה
- קיימים
- לצפות
- ניסיון
- חוויות
- לְנַסוֹת
- מומחיות
- אקספוננציאלית
- מהר
- מהר יותר
- תכונות
- כספי
- גמישות
- תזרים
- להתמקד
- מתמקד
- לעקוב
- הבא
- מצא
- קרן
- מסגרת
- פרנסיסקו
- חופשי
- צרפתית
- לתדלק
- פונקציה
- נוסף
- עתיד
- המשחקים
- גלוֹבָּלִי
- קבוצה
- לגדול
- הנחיות
- בְּרִיאוּת
- בריאות
- לעזור
- עזרה
- עוזר
- באיכות גבוהה
- איך
- איך
- HTTPS
- בן אנוש
- תמונה
- פְּגִיעָה
- ליישם
- יושם
- לכלול
- גדל
- בנפרד
- תעשיות
- מידע
- קלט
- תובנות
- ביטוח
- לשלב
- השתלבות
- מוֹדִיעִין
- אינטרס
- IT
- עבודה
- מפתח
- הילדים
- תוויות
- שפה
- שפות
- גָדוֹל
- לִלמוֹד
- למידה
- מדעי חיים
- רמה
- רשימה
- מיקום
- מכונה
- למידת מכונה
- עושה
- הצליח
- מסכה
- משמעות
- מדיה
- מפגש
- להרשם/להתחבר
- זכרון
- מיקרוסופט
- יכול
- מיליונים
- ML
- סלולרי
- מודל
- מודלים
- צג
- יותר
- סרט
- סרטים
- נע
- מספר
- כלי נגינה
- שמות
- טבעי
- שלילי
- ניו יורק
- חדשות
- מספר
- באינטרנט
- להפעיל
- מבצע
- ארגונים
- אחר
- מקיף
- לוהט
- תבנית
- תשלום
- אֲנָשִׁים
- ביטויים
- פלטפורמות
- פודקאסטים
- עני
- פורטוגזי
- חיובי
- פוטנציאל
- כּוֹחַ
- התחזיות
- קודם
- תמחור
- תהליך
- תהליכים
- תהליך
- מוצרים
- רכוש
- להגן
- פרוטוקולים
- לספק
- מהירות
- קריאה
- זמן אמת
- לקבל
- להכיר
- הפחתה
- מערכות יחסים
- לדווח
- לדרוש
- נדרש
- דרישות
- משאבים
- תגובה
- תוצאות
- קמעוני
- לַחֲזוֹר
- החזרות
- סקירה
- חוות דעת של לקוחותינו
- הסיכון
- כללי
- הפעלה
- בטוח
- בְּטִיחוּת
- סן
- סן פרנסיסקו
- להרחבה
- סולם
- סצנות
- מדע
- מדעים
- שניות
- קטע
- מגזרים
- רגש
- ללא שרת
- שרות
- שירותים
- משותף
- קצר
- הראה
- באופן דומה
- פָּשׁוּט
- קטן
- חֶברָתִי
- מדיה חברתית
- פִּתָרוֹן
- פתרונות
- מתוחכם
- רווחים
- מתמחה
- תֶקֶן
- תקנים
- התחלה
- החל
- התחלות
- חברות סטארט
- מדינה
- מצב
- אחסון
- אִסטרָטֶגִיָה
- זרם
- נהירה
- סטודנט
- בהצלחה
- תמיכה
- תומך
- מערכת
- כִּשָׁרוֹן
- יעד
- משימות
- נבחרת
- טכני
- טכנולוגיות
- מבחן
- המקור
- חושב
- אלפים
- דרך
- זמן
- היום
- יַחַד
- מסורתי
- תמליל
- תרגום
- סוגים
- לגלות
- להשתמש
- משתמשים
- ערך
- מגוון
- אנכיות
- וִידֵאוֹ
- וידאו
- כֶּרֶך
- אינטרנט
- שירותי אינטרנט
- מה
- אם
- בזמן
- בתוך
- לְלֹא
- תיק עבודות