Kunder henvender seg i økende grad til produktanmeldelser for å ta informerte beslutninger i handlereisen, enten de kjøper hverdagslige varer som et kjøkkenhåndkle eller gjør større kjøp som å kjøpe en bil. Disse anmeldelsene har forvandlet seg til en viktig informasjonskilde, som gjør det mulig for kunder å få tilgang til andre kunders meninger og erfaringer. Som et resultat har produktanmeldelser blitt et avgjørende aspekt av enhver butikk, og gir verdifull tilbakemelding og innsikt for å informere om kjøpsbeslutninger.
Amazon har en av de største butikkene med hundrevis av millioner tilgjengelige varer. I 2022 bidro 125 millioner kunder med nesten 1.5 milliarder anmeldelser og vurderinger til Amazon-butikker, noe som gjorde anmeldelser på nett hos Amazon til en solid kilde til tilbakemeldinger for kundene. På omfanget av produktanmeldelser som sendes inn hver måned, er det viktig å bekrefte at disse anmeldelsene stemmer overens Retningslinjer for Amazon-fellesskapet angående akseptabelt språk, ord, videoer og bilder. Denne praksisen er på plass for å garantere at kundene mottar nøyaktig informasjon om produktet, og for å forhindre at anmeldelser inkluderer upassende språk, støtende bilder eller noen form for hatytringer rettet mot enkeltpersoner eller samfunn. Ved å håndheve disse retningslinjene kan Amazon opprettholde et trygt og inkluderende miljø for alle kunder.
Automatisering av innholdsmoderering lar Amazon skalere prosessen samtidig som den beholder høy nøyaktighet. Det er et komplekst problemområde med unike utfordringer og krever ulike teknikker for tekst, bilder og videoer. Bilder er en relevant komponent i produktanmeldelser, og gir ofte en mer umiddelbar innvirkning på kundene enn tekst. Med Moderering av innhold for Amazon-gjenkjenning, Amazon er i stand til automatisk å oppdage skadelige bilder i produktanmeldelser med høyere nøyaktighet, noe som reduserer avhengigheten av menneskelige anmeldere for å moderere slikt innhold. Moderering av anerkjennelsesinnhold har bidratt til å forbedre trivselen til menneskelige moderatorer og oppnå betydelige kostnadsbesparelser.
Moderering med selvhostede ML-modeller
Amazon Shopping-teamet designet og implementerte et modereringssystem som bruker maskinlæring (ML) i forbindelse med menneske-in-the-loop (HITL) anmeldelse for å sikre at produktanmeldelser handler om kundeopplevelsen med produktet og ikke inneholder upassende eller skadelig innhold i henhold til fellesskapets retningslinjer. Bildemodereringsundersystemet, som illustrert i følgende diagram, brukte flere selvdrevne og selvtrente datasynsmodeller for å oppdage bilder som bryter Amazons retningslinjer. Beslutningsbehandleren bestemmer modereringshandlingen og gir begrunnelse for sin avgjørelse basert på ML-modellenes utdata, og bestemmer dermed om bildet krevde en ytterligere gjennomgang av en menneskelig moderator eller kan automatisk godkjennes eller avvises.
Med disse selvhostede ML-modellene startet teamet med å automatisere beslutninger på 40 % av bildene som ble mottatt som en del av anmeldelsene og arbeidet kontinuerlig med å forbedre løsningen gjennom årene, samtidig som de møtte flere utfordringer:
- Pågående innsats for å forbedre automatiseringshastigheten – Teamet ønsket å forbedre nøyaktigheten til ML-algoritmer, med sikte på å øke automatiseringshastigheten. Dette krever kontinuerlige investeringer i datamerking, datavitenskap og MLOps for modellopplæring og utrulling.
- Systemkompleksitet – Arkitekturens kompleksitet krever investeringer i MLO-er for å sikre at ML-slutningsprosessen skaleres effektivt for å møte den økende trafikken for innholdsinnsending.
Erstatt selvvertsbaserte ML-modeller med Rekognition Content Moderation API
Amazon-anerkjennelse er en administrert kunstig intelligens (AI)-tjeneste som tilbyr forhåndstrente modeller gjennom et API-grensesnitt for bilde- og videomoderering. Det har blitt bredt tatt i bruk av bransjer som e-handel, sosiale medier, spill, online dating-apper og andre for å moderere brukergenerert innhold (UGC). Dette inkluderer en rekke innholdstyper, for eksempel produktanmeldelser, brukerprofiler og moderering av innlegg i sosiale medier.
Rekognition Content Moderering automatiserer og effektiviserer arbeidsflyter for bilde- og videomoderering uten å kreve ML-erfaring. Amazon Rekognition-kunder kan behandle millioner av bilder og videoer, effektivt oppdage upassende eller uønsket innhold, med fullt administrerte APIer og tilpassbare modereringsregler for å holde brukerne trygge og virksomheten overholder kravene.
Teamet har migrert et undersett av selvadministrerte ML-modeller i bildemodereringssystemet for gjenkjenning av nakenhet og ikke trygt for arbeid (NSFW) til Amazon Rekognition Detect Moderation API, og utnyttet de svært nøyaktige og omfattende forhåndstrente modereringsmodellene . Med den høye nøyaktigheten til Amazon Rekognition har teamet vært i stand til å automatisere flere beslutninger, spare kostnader og forenkle systemarkitekturen.
Forbedret nøyaktighet og utvidede modereringskategorier
Gjennomføringen av Amazon Rekognition bildemoderering API har resultert i høyere nøyaktighet for deteksjon av upassende innhold. Dette innebærer at ytterligere omtrentlig 1 million bilder per år vil bli automatisk moderert uten behov for noen menneskelig vurdering.
Operasjonell dyktighet
Amazon Shopping-teamet var i stand til å forenkle systemarkitekturen, og redusere den operasjonelle innsatsen som kreves for å administrere og vedlikeholde systemet. Denne tilnærmingen har spart dem for måneder med DevOps-innsats per år, noe som betyr at de nå kan bruke tiden sin på å utvikle innovative funksjoner i stedet for å bruke den på driftsoppgaver.
Kostnadsreduksjon
Den høye nøyaktigheten fra Rekognition Content Moderering har gjort det mulig for teamet å sende færre bilder for menneskelig vurdering, inkludert potensielt upassende innhold. Dette har redusert kostnadene forbundet med menneskelig moderering og tillatt moderatorer å fokusere innsatsen på mer verdifulle forretningsoppgaver. Kombinert med DevOps effektivitetsgevinster, oppnådde Amazon Shopping-teamet betydelige kostnadsbesparelser.
konklusjonen
Migrering fra selvvertsbaserte ML-modeller til Amazon Rekognition Moderation API for moderering av produktvurderinger kan gi mange fordeler for bedrifter, inkludert betydelige kostnadsbesparelser. Ved å automatisere modereringsprosessen kan nettbutikker raskt og nøyaktig moderere store mengder produktanmeldelser, og forbedre kundeopplevelsen ved å sikre at upassende innhold eller spam-innhold raskt fjernes. I tillegg, ved å bruke en administrert tjeneste som Amazon Rekognition Moderation API, kan bedrifter redusere tiden og ressursene som trengs for å utvikle og vedlikeholde sine egne modeller, noe som kan være spesielt nyttig for bedrifter med begrensede tekniske ressurser. API-ets fleksibilitet gjør det også mulig for nettbutikker å tilpasse modereringsregler og terskler for å passe deres spesifikke behov.
Lær mer om innholdsmoderering på AWS og vår innholdsmoderering ML brukstilfeller. 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.
Luca Agostino Rubino er hovedprogramvareingeniør i Amazon Shopping-teamet. Han jobber med fellesskapsfunksjoner som kundeanmeldelser og spørsmål og svar, med fokus gjennom årene på innholdsmoderering og på skalering og automatisering av maskinlæringsløsninger.
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. Bil / elbiler, Karbon, CleanTech, Energi, Miljø, Solenergi, Avfallshåndtering. Tilgang her.
- PlatoHelse. Bioteknologisk og klinisk etterretning. Tilgang her.
- ChartPrime. Hev handelsspillet ditt med ChartPrime. Tilgang her.
- BlockOffsets. Modernisering av eierskap for miljøkompensasjon. Tilgang her.
- kilde: https://aws.amazon.com/blogs/machine-learning/how-amazon-shopping-uses-amazon-rekognition-content-moderation-to-review-harmful-images-in-product-reviews/
- : har
- :er
- :ikke
- :hvor
- 1
- 100
- 125
- 2022
- 7
- 700
- a
- I stand
- Om oss
- akseptabelt
- adgang
- nøyaktighet
- nøyaktig
- nøyaktig
- Oppnå
- oppnådd
- tvers
- Handling
- Ytterligere
- I tillegg
- vedtatt
- Fordel
- Annonsering
- AI
- AI-tjenester
- AI / ML
- Sikter
- Alexa
- algoritmer
- justere
- Alle
- tildele
- tillatt
- tillater
- også
- Amazon
- Amazon-anerkjennelse
- Amazon Web Services
- an
- og
- noen
- api
- APIer
- tilnærming
- godkjent
- tilnærmet
- apps
- arkitektur
- ER
- kunstig
- kunstig intelligens
- Kunstig intelligens (AI)
- AS
- aspektet
- Assistent
- bistå
- assosiert
- At
- automatisere
- automatiserer
- automatisk
- Automatisere
- Automatisering
- tilgjengelig
- AWS
- basert
- BE
- bli
- vært
- før du
- Fordeler
- Milliarder
- virksomhet
- bedrifter
- Kjøpe
- by
- CAN
- bil
- saker
- utfordringer
- kombinert
- Communities
- samfunnet
- Selskaper
- komplekse
- kompleksitet
- kompatibel
- komponent
- omfattende
- datamaskin
- Datamaskin syn
- sammen
- inneholde
- innhold
- Innholdstyper
- kontinuerlig
- kontinuerlig
- bidratt
- Kostnad
- kostnadsbesparelser
- Kostnader
- kunne
- avgjørende
- kunde
- kundeopplevelse
- Kunder
- tilpasses
- tilpasse
- dato
- datavitenskap
- Dating
- Avgjør
- avgjørelse
- avgjørelser
- dedikert
- distribusjon
- designet
- ønsket
- oppdage
- Gjenkjenning
- bestemmes
- utvikle
- utvikle
- forskjellig
- diverse
- ikke
- e-handel
- e-handel
- effektivitet
- effektivt
- innsats
- innsats
- aktivert
- muliggjør
- håndheving
- ingeniør
- sikre
- sikrer
- Miljø
- spesielt
- avgjørende
- Hver
- hverdagen
- utvidet
- erfaring
- Erfaringer
- ekspertise
- vendt
- Egenskaper
- tilbakemelding
- færre
- Først
- passer
- fleksibilitet
- Fokus
- fokusering
- etter
- Til
- fra
- fullt
- videre
- inntjening
- gaming
- generative
- Generativ AI
- Økende
- garantere
- retningslinjer
- skadelig
- Ha
- he
- hjelpe
- hjulpet
- hjelpe
- her
- Høy
- høyere
- svært
- Hvordan
- HTML
- HTTPS
- menneskelig
- Hundrevis
- hundrevis av millioner
- bilde
- bilder
- umiddelbar
- Påvirkning
- gjennomføring
- implementert
- forbedre
- bedre
- in
- inkluderer
- Inkludert
- Inklusive
- Øke
- stadig
- individer
- bransjer
- informere
- informasjon
- informert
- innovative
- innsikt
- i stedet
- Intelligens
- Interface
- inn
- Investeringer
- IT
- varer
- DET ER
- sammenføyning
- reise
- jpg
- Hold
- holde
- merking
- Språk
- stor
- største
- lansert
- læring
- i likhet med
- Begrenset
- maskin
- maskinlæring
- vedlikeholde
- større
- gjøre
- Making
- administrer
- fikk til
- leder
- mange
- Marketing
- midler
- Media
- Møt
- migrert
- millioner
- millioner
- ML
- MLOps
- modeller
- moderasjon
- Måned
- måneder
- mer
- mest
- flere
- Naturlig
- Natural Language Processing
- nesten
- Trenger
- nødvendig
- behov
- nå
- NSFW
- of
- støtende
- tilby
- Tilbud
- ofte
- on
- ONE
- på nett
- operasjonell
- Drift
- Meninger
- or
- Annen
- andre
- vår
- produksjon
- enn
- samlet
- egen
- del
- lidenskapelig
- for
- Sted
- plato
- Platon Data Intelligence
- PlatonData
- Post
- potensielt
- makt
- praksis
- forebygge
- Principal
- Problem
- problemer
- prosess
- prosessering
- Produkt
- Produktsjef
- produkt~~POS=TRUNC
- Profiler
- fremme
- gi
- gir
- gi
- Kjøp
- kjøp
- innkjøp
- raskt
- område
- Sats
- rangeringer
- grunner
- motta
- mottatt
- redusere
- Redusert
- redusere
- om
- relevant
- avhengighet
- fjernet
- påkrevd
- Krever
- Ressurser
- resultere
- anmeldelse
- Anmeldelser
- regler
- trygge
- Spar
- Besparelser
- Skala
- vekter
- skalering
- Vitenskap
- send
- senior
- tjeneste
- Tjenester
- flere
- hun
- Shopping
- signifikant
- forenkle
- selskap
- sosiale medier
- Software
- Software Engineer
- solid
- løsning
- Solutions
- LØSE
- kilde
- Rom
- spam
- spesialisert
- spesifikk
- tale
- utgifter
- brukt
- startet
- Trinn
- oppbevare
- butikker
- innsending
- innsendt
- vellykket
- slik
- system
- Ta
- ta
- oppgaver
- lag
- Teknisk
- teknikker
- enn
- Det
- De
- deres
- Dem
- derved
- Disse
- de
- denne
- Gjennom
- tid
- til
- mot
- trafikk
- Kurs
- forvandlet
- transformere
- Turning
- typen
- typer
- unik
- uønsket
- bruke
- Bruker
- Brukere
- bruker
- ved hjelp av
- benyttes
- Verdifull
- verifisere
- video
- videoer
- syn
- Voice
- volumer
- var
- web
- webtjenester
- om
- hvilken
- mens
- allment
- vil
- med
- uten
- ord
- Arbeid
- arbeidet
- arbeidsflyt
- virker
- år
- år
- Din
- zephyrnet