Bedrifter stoler i økende grad på brukergenererte bilder og videoer for engasjement. Fra e-handelsplattformer som oppmuntrer kunder til å dele produktbilder til sosiale medieselskaper som promoterer brukergenererte videoer og bilder, er bruk av brukerinnhold for engasjement en kraftig strategi. Det kan imidlertid være utfordrende å sikre at dette brukergenererte innholdet er i samsvar med retningslinjene dine og fremmer et trygt nettsamfunn for brukerne dine.
Mange selskaper er for tiden avhengige av menneskelige moderatorer eller reagerer reaktivt på brukerklager for å håndtere upassende brukergenerert innhold. Disse tilnærmingene skaleres ikke til effektivt å moderere millioner av bilder og videoer med tilstrekkelig kvalitet eller hastighet, noe som fører til en dårlig brukeropplevelse, høye kostnader for å oppnå skalering, eller til og med potensiell skade på merkevarens omdømme.
I dette innlegget diskuterer vi hvordan du bruker funksjonen Custom Moderation i Amazon-anerkjennelse for å forbedre nøyaktigheten til din forhåndstrente innholdsmodererings-API.
Moderering av innhold i Amazon Rekognition
Amazon Rekognition er en administrert kunstig intelligens (AI)-tjeneste som tilbyr ferdigtrente og tilpassbare datasynsfunksjoner for å trekke ut informasjon og innsikt fra bilder og videoer. En slik evne er Moderering av innhold for Amazon-gjenkjenning, som oppdager upassende eller uønsket innhold i bilder og videoer. Amazon Rekognition bruker en hierarkisk taksonomi for å merke upassende eller uønsket innhold med 10 moderasjonskategorier på toppnivå (som vold, eksplisitt, alkohol eller narkotika) og 35 andrenivåkategorier. Kunder på tvers av bransjer som e-handel, sosiale medier og spill kan bruke innholdsmoderering i Amazon Rekognition for å beskytte merkevarens omdømme og fremme trygge brukerfellesskap.
Ved å bruke Amazon Rekognition for bilde- og videomoderering, må menneskelige moderatorer gjennomgå et mye mindre sett med innhold, vanligvis 1–5 % av det totale volumet, som allerede er flagget av innholdsmodereringsmodellen. Dette gjør det mulig for selskaper å fokusere på mer verdifulle aktiviteter og fortsatt oppnå omfattende moderasjonsdekning til en brøkdel av deres eksisterende kostnad.
Vi introduserer tilpasset moderering av Amazon Rekognition
Du kan nå forbedre nøyaktigheten til modereringsmodellen for anerkjennelse for bedriftsspesifikke data med funksjonen Egendefinert moderering. Du kan trene en tilpasset adapter med så få som 20 kommenterte bilder på mindre enn 1 time. Disse adapterene utvider mulighetene til moderasjonsmodellen for å oppdage bilder som brukes til trening med høyere nøyaktighet. For dette innlegget bruker vi et eksempeldatasett som inneholder både trygge bilder og bilder med alkoholholdige drikker (anses som usikre) for å forbedre nøyaktigheten til alkoholmoderasjonsetiketten.
Den unike IDen til den trente adapteren kan gis til den eksisterende DetectModerationLabels API-operasjon for å behandle bilder med denne adapteren. Hver adapter kan bare brukes av AWS-kontoen som ble brukt til å trene adapteren, og sikrer at dataene som brukes til trening forblir trygge og sikre på den AWS-kontoen. Med funksjonen Custom Moderering kan du skreddersy den forhåndstrente Rekognition-moderasjonsmodellen for forbedret ytelse på ditt spesifikke modereringsbruk, uten maskinlæringsekspertise (ML). Du kan fortsette å nyte fordelene med en fullt administrert modereringstjeneste med en prismodell for betal-per-bruk for tilpasset moderering.
Løsningsoversikt
Trening av en tilpasset moderasjonsadapter innebærer fem trinn som du kan fullføre ved å bruke AWS-administrasjonskonsoll eller API-grensesnittet:
- Lag et prosjekt
- Last opp treningsdataene
- Tilordne grunnsannhetsetiketter til bilder
- Tren adapteren
- Bruk adapteren
La oss gå gjennom disse trinnene mer detaljert ved hjelp av konsollen.
Lag et prosjekt
Et prosjekt er en beholder for å lagre adaptere. Du kan trene opp flere adaptere i et prosjekt med forskjellige opplæringsdatasett for å vurdere hvilken adapter som fungerer best for ditt spesifikke brukstilfelle. For å opprette prosjektet, fullfør følgende trinn:
- Velg på Amazon Rekognition-konsollen Egendefinert moderering i navigasjonsruten.
- Velg Opprett prosjekt.
- Til Prosjektnavn, skriv inn et navn for prosjektet ditt.
- Til Adapternavn, skriv inn et navn for adapteren.
- Eventuelt, skriv inn en beskrivelse for adapteren.
Last opp treningsdata
Du kan begynne med så få som 20 eksempelbilder for å tilpasse modereringsmodellen for å oppdage færre falske positiver (bilder som passer for virksomheten din, men som er flagget av modellen med en modereringsetikett). For å redusere falske negativer (bilder som er upassende for bedriften din, men som ikke blir flagget med en modereringsetikett), må du starte med 50 eksempelbilder.
Du kan velge blant følgende alternativer for å gi bildedatasettene for adapteropplæring:
Fullfør følgende trinn:
- Velg dette innlegget Importer bilder fra S3-bøtte og skriv inn S3 URI.
Som enhver ML-treningsprosess krever opplæring av en Custom Moderation-adapter i Amazon Rekognition to separate datasett: ett for opplæring av adapteren og et annet for å evaluere adapteren. Du kan enten laste opp et eget testdatasett eller velge å automatisk dele treningsdatasettet ditt for trening og testing.
- Velg dette innlegget Autosplitt.
- Plukke ut Aktiver automatisk oppdatering for å sikre at systemet automatisk omskoler adapteren når en ny versjon av innholdsmodereringsmodellen lanseres.
- Velg Opprett prosjekt.
Tilordne grunnsannhetsetiketter til bilder
Hvis du lastet opp uannoterte bilder, kan du bruke Amazon Rekognition-konsollen til å gi bildeetiketter i henhold til moderasjonstaksonomien. I det følgende eksempelet trener vi en adapter til å oppdage skjult alkohol med høyere nøyaktighet, og merker alle slike bilder med etiketten alkohol. Bilder som ikke anses som upassende, kan merkes som trygge.
Tren adapteren
Når du har merket alle bildene, velger du Start trening for å sette i gang opplæringsprosessen. Amazon Rekognition vil bruke de opplastede bildedatasettene til å trene en adaptermodell for økt nøyaktighet på den spesifikke typen bilder som er gitt for opplæring.
Etter at den tilpassede modereringsadapteren er opplært, kan du se alle adapterdetaljene (adapterID
, test
og training
manifestfiler) i Adapterytelse seksjon.
De Adapterytelse delen viser forbedringer i falske positive og falske negative sammenlignet med den forhåndstrente moderasjonsmodellen. Adapteren vi trente opp for å forbedre gjenkjenningen av alkoholetiketten reduserer antallet falske negative på testbilder med 73 %. Med andre ord, adapteren forutsier nå nøyaktig alkoholmoderasjonsetiketten for 73 % flere bilder sammenlignet med den forhåndstrente moderasjonsmodellen. Imidlertid observeres ingen forbedring i falske positive, da ingen falske positive prøver ble brukt til trening.
Bruk adapteren
Du kan utføre slutninger ved å bruke den nylig opplærte adapteren for å oppnå økt nøyaktighet. For å gjøre dette, ring Amazon Rekognition DetectModerationLabel
API med en ekstra parameter, ProjectVersion
, som er det unike AdapterID
av adapteren. Følgende er en eksempelkommando som bruker AWS kommandolinjegrensesnitt (AWS CLI):
Følgende er en eksempelkodebit som bruker Python Boto3-biblioteket:
Beste praksis for trening
For å maksimere ytelsen til adapteren, anbefales følgende beste fremgangsmåter for opplæring av adapteren:
- Eksempelbildedataene skal fange opp de representative feilene du ønsker å forbedre moderasjonsmodellens nøyaktighet for
- I stedet for å bare hente inn feilbilder for falske positive og falske negative, kan du også gi sanne positive og sanne negative for forbedret ytelse
- Gi så mange kommenterte bilder som mulig for opplæring
konklusjonen
I dette innlegget presenterte vi en grundig oversikt over den nye Amazon Rekognition Custom Moderering-funksjonen. Videre beskrev vi trinnene for å utføre trening ved hjelp av konsollen, inkludert beste praksis for optimale resultater. For ytterligere informasjon, besøk Amazon Rekognition-konsollen og utforsk funksjonen Custom Moderation.
Tilpasset moderering av Amazon-gjenkjenning er nå generelt tilgjengelig i alle AWS-regioner der Amazon Rekognition er tilgjengelig.
Lær mer om innholdsmoderering på AWS. Ta det første skrittet mot strømlinjeforme innholdsmodereringsoperasjonene dine med AWS.
Om forfatterne
Shipra Kanoria er hovedproduktsjef i AWS. Hun brenner for å hjelpe kunder med å løse deres mest komplekse problemer med kraften til maskinlæring og kunstig intelligens. Før hun begynte i AWS, tilbrakte Shipra over 4 år hos Amazon Alexa, hvor hun lanserte mange produktivitetsrelaterte funksjoner på Alexa stemmeassistent.
Aakash Deep er en Software Development Engineering Manager basert i Seattle. Han liker å jobbe med datasyn, kunstig intelligens og distribuerte systemer. Hans oppgave er å gjøre det mulig for kunder å løse komplekse problemer og skape verdier med AWS Rekognition. Utenom jobben liker han å gå tur og reise.
Lana Zhang er en senior løsningsarkitekt ved AWS WWSO AI Services-teamet, som spesialiserer seg på AI og ML for innholdsmoderering, datasyn, naturlig språkbehandling og generativ AI. Med sin ekspertise er hun dedikert til å promotere AWS AI/ML-løsninger og hjelpe kunder med å transformere sine forretningsløsninger på tvers av ulike bransjer, inkludert sosiale medier, spill, e-handel, media, reklame og markedsføring.
- SEO-drevet innhold og PR-distribusjon. Bli forsterket i dag.
- PlatoData.Network Vertical Generative Ai. Styrk deg selv. Tilgang her.
- PlatoAiStream. Web3 Intelligence. Kunnskap forsterket. Tilgang her.
- PlatoESG. Karbon, CleanTech, Energi, Miljø, Solenergi, Avfallshåndtering. Tilgang her.
- PlatoHelse. Bioteknologisk og klinisk etterretning. Tilgang her.
- kilde: https://aws.amazon.com/blogs/machine-learning/announcing-rekogniton-custom-moderation-enhance-accuracy-of-pre-trained-rekognition-moderation-models-with-your-data/
- :er
- :ikke
- :hvor
- 1
- 10
- 100
- 118
- 150
- 20
- 35%
- 50
- 7
- 9
- a
- aakash
- Om oss
- Logg inn
- nøyaktighet
- nøyaktig
- Oppnå
- tvers
- Aktiviteter
- tilpasse
- Ytterligere
- Tilleggsinformasjon
- adresse
- Annonsering
- AI
- AI-tjenester
- AI / ML
- Alkohol
- Alexa
- Alle
- allerede
- også
- Amazon
- Amazon-anerkjennelse
- Amazon Web Services
- an
- og
- Kunngjøring
- En annen
- noen
- api
- tilnærminger
- hensiktsmessig
- ER
- kunstig
- kunstig intelligens
- Kunstig intelligens (AI)
- AS
- vurdere
- Assistent
- bistå
- At
- forfatter
- automatisk
- tilgjengelig
- AWS
- basert
- BE
- før du
- begynne
- Fordeler
- BEST
- beste praksis
- både
- merke
- Bringe
- virksomhet
- men
- by
- ring
- CAN
- evner
- evne
- fangst
- saken
- kategorier
- utfordrende
- Velg
- kunde
- kode
- Communities
- samfunnet
- Selskaper
- sammenlignet
- klager
- fullføre
- komplekse
- omfattende
- datamaskin
- Datamaskin syn
- ansett
- konsistent
- Konsoll
- Container
- innhold
- fortsette
- Kostnad
- Kostnader
- dekning
- skape
- Skap verdi
- I dag
- skikk
- Kunder
- tilpasses
- dato
- datasett
- dedikert
- dyp
- beskrivelse
- detalj
- detaljert
- detaljer
- oppdage
- Gjenkjenning
- Utvikling
- forskjellig
- diskutere
- skjermer
- distribueres
- distribuerte systemer
- diverse
- do
- ikke
- Narkotika
- e-handel
- hver enkelt
- e-handel
- effektivt
- enten
- muliggjøre
- muliggjør
- oppmuntrende
- engasjement
- Ingeniørarbeid
- forbedre
- forbedret
- nyte
- sikre
- sikrer
- Enter
- feil
- feil
- evaluere
- Selv
- eksempel
- eksisterende
- erfaring
- ekspertise
- utforske
- utvide
- trekke ut
- falsk
- Trekk
- Egenskaper
- Noen få
- færre
- Filer
- Først
- fem
- flaggede
- Fokus
- etter
- Til
- Foster
- foster
- brøkdel
- fra
- fullt
- Dess
- gaming
- generelt
- generative
- Generativ AI
- få
- Ground
- skade
- Ha
- he
- hjelpe
- her
- skjult
- Høy
- høyere
- hans
- time
- Hvordan
- Hvordan
- Men
- HTML
- http
- HTTPS
- menneskelig
- ID
- bilde
- bilder
- forbedre
- forbedret
- forbedring
- forbedringer
- in
- I andre
- dyptgående
- Inkludert
- stadig
- bransjer
- informasjon
- initiere
- innsikt
- Intelligens
- Interface
- IT
- sammenføyning
- Etiketten
- etiketter
- Språk
- lansert
- Fører
- læring
- mindre
- linje
- Liste
- maskin
- maskinlæring
- administrer
- fikk til
- ledelse
- leder
- mange
- Marketing
- Maksimer
- Media
- millioner
- Oppdrag
- ML
- modell
- modeller
- moderasjon
- mer
- mest
- mye
- flere
- navn
- Naturlig
- Natural Language Processing
- Navigasjon
- negativ
- negativer
- Ny
- nylig
- Nei.
- nå
- of
- Tilbud
- on
- ONE
- på nett
- bare
- drift
- Drift
- optimal
- alternativer
- or
- Annen
- utenfor
- enn
- oversikt
- brød
- parameter
- lidenskapelig
- for
- Utfør
- ytelse
- utfører
- utfører
- Plattformer
- plato
- Platon Data Intelligence
- PlatonData
- Politikk
- dårlig
- positiv
- mulig
- Post
- potensiell
- makt
- kraftig
- praksis
- spår
- presentert
- prising
- prismodell
- Principal
- problemer
- prosess
- prosessering
- Produkt
- Produktsjef
- prosjekt
- fremme
- beskytte
- gi
- forutsatt
- kvalitet
- Sats
- anbefales
- redusere
- reduserer
- regioner
- avhengige
- forblir
- representant
- omdømme
- påkrevd
- Krever
- Svare
- svar
- Resultater
- anmeldelse
- trygge
- Eksempel på datasett
- Skala
- Seattle
- Seksjon
- sikre
- senior
- separat
- tjeneste
- Tjenester
- sett
- Del
- hun
- bør
- mindre
- tekstutdrag
- selskap
- sosiale medier
- Software
- programvareutvikling
- Solutions
- LØSE
- spesialisert
- spesifikk
- fart
- brukt
- splittet
- Begynn
- Trinn
- Steps
- Still
- oppbevare
- Strategi
- slik
- tilstrekkelig
- system
- Systemer
- Ta
- Oppgave
- oppgaver
- taksonomi
- lag
- test
- Testing
- enn
- Det
- De
- deres
- Disse
- denne
- Gjennom
- til
- øverste nivå
- Totalt
- Tog
- trent
- Kurs
- transformere
- Traveling
- sant
- Sannhet
- to
- typen
- typisk
- unik
- uønsket
- lastet opp
- bruke
- bruk sak
- brukt
- Bruker
- Brukererfaring
- Brukere
- bruker
- ved hjelp av
- Verdifull
- verdi
- versjon
- video
- videoer
- Se
- vold
- syn
- Besøk
- Voice
- volum
- gå
- ønsker
- var
- we
- web
- webtjenester
- var
- når
- hvilken
- vil
- med
- innenfor
- uten
- ord
- Arbeid
- arbeidsflyt
- arbeid
- år
- Du
- Din
- zephyrnet