Bedrijven vertrouwen steeds meer op door gebruikers gegenereerde afbeeldingen en video’s voor betrokkenheid. Van e-commerceplatforms die klanten aanmoedigen productafbeeldingen te delen tot socialemediabedrijven die door gebruikers gegenereerde video's en afbeeldingen promoten: het gebruik van gebruikersinhoud voor betrokkenheid is een krachtige strategie. Het kan echter een uitdaging zijn om ervoor te zorgen dat deze door gebruikers gegenereerde inhoud in overeenstemming is met uw beleid en een veilige online community voor uw gebruikers bevordert.
Veel bedrijven zijn momenteel afhankelijk van menselijke moderators of reageren reactief op klachten van gebruikers om ongepaste, door gebruikers gegenereerde inhoud te beheren. Deze benaderingen zijn niet schaalbaar om miljoenen afbeeldingen en video's effectief te modereren met voldoende kwaliteit of snelheid, wat leidt tot een slechte gebruikerservaring, hoge kosten om schaal te bereiken of zelfs potentiële schade aan de merkreputatie.
In dit bericht bespreken we hoe u de functie Aangepaste moderatie kunt gebruiken Amazon Rekognition om de nauwkeurigheid van uw vooraf getrainde contentmoderatie-API te verbeteren.
Contentmoderatie in Amazon Rekognition
Amazon Rekognition is een beheerde dienst voor kunstmatige intelligentie (AI) die vooraf getrainde en aanpasbare computervisiemogelijkheden biedt om informatie en inzichten uit afbeeldingen en video's te halen. Eén van die mogelijkheden is Contentmoderatie van Amazon Recognition, dat ongepaste of ongewenste inhoud in afbeeldingen en video's detecteert. Amazon Rekognition gebruikt een hiërarchische taxonomie om ongepaste of ongewenste inhoud te labelen met 10 moderatiecategorieën op het hoogste niveau (zoals geweld, expliciet, alcohol of drugs) en 35 categorieën op het tweede niveau. Klanten uit verschillende sectoren, zoals e-commerce, sociale media en gaming, kunnen contentmoderatie in Amazon Rekognition gebruiken om hun merkreputatie te beschermen en veilige gebruikersgemeenschappen te bevorderen.
Door Amazon Rekognition te gebruiken voor beeld- en videomoderatie moeten menselijke moderators een veel kleinere set inhoud beoordelen, doorgaans 1 à 5% van het totale volume, dat al wordt gemarkeerd door het inhoudmoderatiemodel. Hierdoor kunnen bedrijven zich concentreren op waardevollere activiteiten en toch een uitgebreide moderatiedekking bereiken tegen een fractie van hun bestaande kosten.
Introductie van aangepaste moderatie van Amazon Rekognition
U kunt nu de nauwkeurigheid van het erkenningsmoderatiemodel voor uw bedrijfsspecifieke gegevens verbeteren met de functie Aangepaste moderatie. U kunt in minder dan 20 uur een aangepaste adapter trainen met slechts twintig geannoteerde afbeeldingen. Deze adapters breiden de mogelijkheden van het moderatiemodel uit om afbeeldingen die voor training worden gebruikt, met grotere nauwkeurigheid te detecteren. Voor dit bericht gebruiken we een voorbeelddataset met zowel veilige afbeeldingen als afbeeldingen met alcoholische dranken (die als onveilig worden beschouwd) om de nauwkeurigheid van het alcoholmoderatielabel te verbeteren.
De unieke ID van de getrainde adapter kan aan de bestaande worden doorgegeven DetecterenModeratieLabels API-bewerking om afbeeldingen te verwerken met deze adapter. Elke adapter kan alleen worden gebruikt door het AWS-account dat is gebruikt voor het trainen van de adapter, zodat de voor de training gebruikte gegevens veilig blijven in dat AWS-account. Met de functie Aangepaste moderatie kunt u het vooraf getrainde moderatiemodel van Rekognition aanpassen voor betere prestaties in uw specifieke moderatiegebruikscasus, zonder enige expertise op het gebied van machine learning (ML). U kunt blijven profiteren van de voordelen van een volledig beheerde moderatieservice met een prijsmodel op basis van betalen per gebruik voor aangepaste moderatie.
Overzicht oplossingen
Het trainen van een aangepaste moderatieadapter omvat vijf stappen die u kunt voltooien met behulp van de AWS-beheerconsole of de API-interface:
- Maak een project
- Upload de trainingsgegevens
- Wijs grondwaarheidslabels toe aan afbeeldingen
- Train de adapter
- Gebruik de adapter
Laten we deze stappen gedetailleerder doorlopen met behulp van de console.
Maak een project
Een project is een container waarin u uw adapters kunt opbergen. U kunt binnen een project meerdere adapters trainen met verschillende trainingsgegevenssets om te beoordelen welke adapter het beste presteert voor uw specifieke gebruikssituatie. Om uw project aan te maken, voert u de volgende stappen uit:
- Kies op de Amazon Rekognition-console Aangepaste moderatie in het navigatievenster.
- Kies Maak een project aan.
- Voor Naam van het project, voer een naam in voor uw project.
- Voor Adapter naamVoer een naam in voor uw adapter.
- Voer optioneel een beschrijving in voor uw adapter.
Trainingsgegevens uploaden
U kunt beginnen met slechts twintig voorbeeldafbeeldingen om het moderatiemodel aan te passen en zo minder valse positieven te detecteren (afbeeldingen die geschikt zijn voor uw bedrijf, maar door het model zijn gemarkeerd met een moderatielabel). Om het aantal valse negatieven (afbeeldingen die ongepast zijn voor uw bedrijf maar niet worden gemarkeerd met een moderatielabel) te verminderen, moet u beginnen met 20 voorbeeldafbeeldingen.
U kunt uit de volgende opties kiezen om de afbeeldingsgegevenssets voor adaptertraining te leveren:
Voer de volgende stappen uit:
- Selecteer voor dit bericht Importeer afbeeldingen uit S3-bucket en voer uw S3-URI in.
Zoals elk ML-trainingsproces vereist het trainen van een Custom Moderation-adapter in Amazon Rekognition twee afzonderlijke datasets: een voor het trainen van de adapter en een andere voor het evalueren van de adapter. U kunt een afzonderlijke testgegevensset uploaden of ervoor kiezen uw trainingsgegevensset automatisch te splitsen voor training en testen.
- Selecteer voor dit bericht Automatisch splitsen.
- kies Automatisch bijwerken inschakelen om ervoor te zorgen dat het systeem de adapter automatisch opnieuw traint wanneer een nieuwe versie van het contentmoderatiemodel wordt gelanceerd.
- Kies Maak een project aan.
Wijs grondwaarheidslabels toe aan afbeeldingen
Als je niet-geannoteerde afbeeldingen hebt geüpload, kun je de Amazon Rekognition-console gebruiken om afbeeldingslabels aan te bieden volgens de moderatietaxonomie. In het volgende voorbeeld trainen we een adapter om verborgen alcohol met hogere nauwkeurigheid te detecteren, en labelen we al dergelijke afbeeldingen met het label alcohol. Afbeeldingen die niet als ongepast worden beschouwd, kunnen als veilig worden bestempeld.
Train de adapter
Nadat u alle afbeeldingen hebt gelabeld, kiest u Begin met trainen om het opleidingsproces te starten. Amazon Rekognition zal de geüploade afbeeldingsdatasets gebruiken om een adaptermodel te trainen voor verbeterde nauwkeurigheid op het specifieke type afbeeldingen dat voor training wordt aangeboden.
Nadat de aangepaste moderatieadapter is getraind, kunt u alle adaptergegevens bekijken (adapterID
, test
en training
manifest-bestanden) in de Adapterprestaties pagina.
De Adapterprestaties sectie toont verbeteringen in fout-positieven en fout-negatieven in vergelijking met het vooraf getrainde moderatiemodel. De adapter die we hebben getraind om de detectie van het alcohollabel te verbeteren, vermindert het percentage fout-negatieve resultaten in testbeelden met 73%. Met andere woorden: de adapter voorspelt nu nauwkeurig het alcoholmoderatielabel voor 73% meer afbeeldingen vergeleken met het vooraf getrainde moderatiemodel. Er wordt echter geen verbetering waargenomen bij vals-positieve resultaten, aangezien er geen vals-positieve monsters zijn gebruikt voor training.
Gebruik de adapter
U kunt gevolgtrekkingen uitvoeren met behulp van de nieuw getrainde adapter om een grotere nauwkeurigheid te bereiken. Bel hiervoor de Amazon Rekognition DetectModerationLabel
API met een extra parameter, ProjectVersion
, wat het unieke is AdapterID
van de adapter. Het volgende is een voorbeeldopdracht waarbij gebruik wordt gemaakt van de AWS-opdrachtregelinterface (AWS-CLI):
Het volgende is een voorbeeldcodefragment met behulp van de Python Boto3-bibliotheek:
Beste praktijken voor training
Om de prestaties van uw adapter te maximaliseren, worden de volgende best practices aanbevolen voor het trainen van de adapter:
- De voorbeeldafbeeldingsgegevens moeten de representatieve fouten vastleggen waarvoor u de nauwkeurigheid van het moderatiemodel wilt verbeteren
- In plaats van alleen foutafbeeldingen voor valse positieven en valse negatieven in te voeren, kunt u ook echte positieve en echte negatieven leveren voor betere prestaties
- Zorg voor zoveel mogelijk geannoteerde afbeeldingen voor training
Conclusie
In dit bericht presenteerden we een diepgaand overzicht van de nieuwe Amazon Rekognition Custom Moderation-functie. Bovendien hebben we de stappen voor het uitvoeren van training met behulp van de console gedetailleerd beschreven, inclusief best practices voor optimale resultaten. Ga voor meer informatie naar de Amazon Rekognition-console en verken de functie Aangepaste moderatie.
Aangepaste moderatie van Amazon-herkenning is nu algemeen beschikbaar in alle AWS-regio's waar Amazon Rekognition beschikbaar is.
Lees verder over inhoudsmoderatie op AWS. Zet de eerste stap naar het stroomlijnen van uw contentmoderatieactiviteiten met AWS.
Over de auteurs
Shipra Kanoria is Principal Product Manager bij AWS. Ze is gepassioneerd om klanten te helpen bij het oplossen van hun meest complexe problemen met de kracht van machine learning en kunstmatige intelligentie. Voordat ze bij AWS kwam, werkte Shipra meer dan 4 jaar bij Amazon Alexa, waar ze veel productiviteitsgerelateerde functies op de Alexa-spraakassistent lanceerde.
Aakasj Deep is een Software Development Engineering Manager gevestigd in Seattle. Hij werkt graag aan computervisie, AI en gedistribueerde systemen. Zijn missie is om klanten in staat te stellen complexe problemen aan te pakken en waarde te creëren met AWS Rekognition. Buiten zijn werk houdt hij van wandelen en reizen.
Lana Zhang is een Senior Solutions Architect bij het AWS WWSO AI Services-team, gespecialiseerd in AI en ML voor contentmoderatie, computervisie, natuurlijke taalverwerking en generatieve AI. Met haar expertise is ze toegewijd aan het promoten van AWS AI/ML-oplossingen en het helpen van klanten bij het transformeren van hun zakelijke oplossingen in diverse sectoren, waaronder sociale media, gaming, e-commerce, media, reclame en marketing.
- Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
- PlatoData.Network Verticale generatieve AI. Versterk jezelf. Toegang hier.
- PlatoAiStream. Web3-intelligentie. Kennis versterkt. Toegang hier.
- PlatoESG. carbon, CleanTech, Energie, Milieu, Zonne, Afvalbeheer. Toegang hier.
- Plato Gezondheid. Intelligentie op het gebied van biotech en klinische proeven. Toegang hier.
- Bron: https://aws.amazon.com/blogs/machine-learning/announcing-rekogniton-custom-moderation-enhance-accuracy-of-pre-trained-rekognition-moderation-models-with-your-data/
- :is
- :niet
- :waar
- 1
- 10
- 100
- 118
- 150
- 20
- 35%
- 50
- 7
- 9
- a
- aakasha
- Over
- Account
- nauwkeurigheid
- nauwkeurig
- Bereiken
- over
- activiteiten
- aanpassen
- Extra
- Extra informatie
- adres
- ADVERTISING
- AI
- AI-diensten
- AI / ML
- Alcohol
- Alexa
- Alles
- al
- ook
- Amazone
- Amazon Rekognition
- Amazon Web Services
- an
- en
- Het aankondigen
- Nog een
- elke
- api
- benaderingen
- passend
- ZIJN
- kunstmatig
- kunstmatige intelligentie
- Kunstmatige intelligentie (AI)
- AS
- schatten
- Assistent
- bijstaan
- At
- auteur
- webmaster.
- Beschikbaar
- AWS
- gebaseerde
- BE
- vaardigheden
- beginnen
- betekent
- BEST
- 'best practices'
- zowel
- merk
- Bringing
- bedrijfsdeskundigen
- maar
- by
- Bellen
- CAN
- mogelijkheden
- bekwaamheid
- vangen
- geval
- categorieën
- uitdagend
- Kies
- klant
- code
- Gemeenschappen
- gemeenschap
- Bedrijven
- vergeleken
- klachten
- compleet
- complex
- uitgebreid
- computer
- Computer visie
- beschouwd
- consequent
- troosten
- Containers
- content
- voortzetten
- Kosten
- Kosten
- dekking
- en je merk te creëren
- Waarde creëren
- Op dit moment
- gewoonte
- Klanten
- aanpasbare
- gegevens
- datasets
- toegewijd aan
- deep
- beschrijving
- detail
- gedetailleerd
- gegevens
- opsporen
- Opsporing
- Ontwikkeling
- anders
- bespreken
- displays
- verdeeld
- gedistribueerde systemen
- diversen
- do
- Dont
- Drugs
- e-commerce
- elk
- ecommerce
- effectief
- beide
- in staat stellen
- maakt
- bemoedigend
- engagement
- Engineering
- verhogen
- verbeterde
- en geniet van
- verzekeren
- zorgen
- Enter
- fout
- fouten
- evalueren
- Zelfs
- voorbeeld
- bestaand
- ervaring
- expertise
- Verken
- verlengen
- extract
- vals
- Kenmerk
- Voordelen
- weinig
- minder
- Bestanden
- Voornaam*
- vijf
- markeerde
- Focus
- volgend
- Voor
- Bevorderen
- Fosters
- fractie
- oppompen van
- geheel
- Bovendien
- gaming
- algemeen
- generatief
- generatieve AI
- krijgen
- Ground
- schaden
- Hebben
- he
- het helpen van
- haar
- verborgen
- Hoge
- hoger
- zijn
- uur
- Hoe
- How To
- Echter
- HTML
- http
- HTTPS
- menselijk
- ID
- beeld
- afbeeldingen
- verbeteren
- verbeterd
- verbetering
- verbeteringen
- in
- Anders
- diepgaande
- Inclusief
- in toenemende mate
- industrieën
- informatie
- beginnen
- inzichten
- Intelligentie
- Interface
- IT
- aansluiting
- label
- labels
- taal
- gelanceerd
- Leads
- leren
- minder
- Lijn
- Lijst
- machine
- machine learning
- beheer
- beheerd
- management
- manager
- veel
- Marketing
- Maximaliseren
- Media
- miljoenen
- Missie
- ML
- model
- modellen
- gematigdheid
- meer
- meest
- veel
- meervoudig
- naam
- Naturel
- Natural Language Processing
- Navigatie
- negatief
- negatieven
- New
- onlangs
- geen
- nu
- of
- Aanbod
- on
- EEN
- online.
- Slechts
- operatie
- Operations
- optimale
- Opties
- or
- Overige
- buiten
- over
- overzicht
- brood
- parameter
- hartstochtelijk
- voor
- Uitvoeren
- prestatie
- uitvoerend
- presteert
- platforms
- Plato
- Plato gegevensintelligentie
- PlatoData
- beleidsmaatregelen door te lezen.
- arm
- positief
- mogelijk
- Post
- potentieel
- energie
- krachtige
- praktijken
- voorspelt
- gepresenteerd
- prijsstelling
- prijs model
- Principal
- problemen
- verwerking
- Product
- product manager
- project
- Het bevorderen van
- beschermen
- zorgen voor
- mits
- kwaliteit
- tarief
- aanbevolen
- verminderen
- vermindert
- regio
- vertrouwen
- stoffelijk overschot
- vertegenwoordiger
- reputatie
- nodig
- vereist
- Reageren
- antwoord
- Resultaten
- beoordelen
- veilig
- Voorbeeldgegevensset
- Scale
- Seattle
- sectie
- beveiligen
- senior
- apart
- service
- Diensten
- reeks
- Delen
- ze
- moet
- kleinere
- snipper
- Social
- social media
- Software
- software development
- Oplossingen
- OPLOSSEN
- gespecialiseerd
- specifiek
- snelheid
- besteed
- spleet
- begin
- Stap voor
- Stappen
- Still
- shop
- Strategie
- dergelijk
- voldoende
- system
- Systems
- Nemen
- Taak
- taken
- taxonomie
- team
- proef
- Testen
- neem contact
- dat
- De
- hun
- Deze
- dit
- Door
- naar
- hoogste niveau
- Totaal
- Trainen
- getraind
- Trainingen
- transformeren
- Reizend
- waar
- waarheid
- twee
- type dan:
- typisch
- unieke
- ongewenste
- geüpload
- .
- use case
- gebruikt
- Gebruiker
- Gebruikerservaring
- gebruikers
- toepassingen
- gebruik
- waardevol
- waarde
- versie
- Video
- Video's
- Bekijk
- Geweld
- visie
- Bezoek
- Stem
- volume
- lopen
- willen
- was
- we
- web
- webservices
- waren
- wanneer
- welke
- wil
- Met
- binnen
- zonder
- woorden
- Mijn werk
- workflow
- werkzaam
- jaar
- You
- Your
- zephyrnet