Companiile se bazează din ce în ce mai mult pe imagini și videoclipuri generate de utilizatori pentru implicare. De la platformele de comerț electronic care încurajează clienții să partajeze imagini ale produselor până la companiile de rețele sociale care promovează videoclipuri și imagini generate de utilizatori, utilizarea conținutului utilizatorului pentru implicare este o strategie puternică. Cu toate acestea, poate fi dificil să vă asigurați că acest conținut generat de utilizatori este în concordanță cu politicile dvs. și promovează o comunitate online sigură pentru utilizatorii dvs.
Multe companii depind în prezent de moderatori umani sau răspund reactiv la reclamațiile utilizatorilor pentru a gestiona conținutul neadecvat generat de utilizatori. Aceste abordări nu se extind pentru a modera în mod eficient milioane de imagini și videoclipuri la o calitate sau o viteză suficientă, ceea ce duce la o experiență slabă a utilizatorului, costuri mari pentru atingerea dimensiunii sau chiar potențiale prejudicii pentru reputația mărcii.
În această postare, discutăm despre cum să folosiți funcția de moderare personalizată în Amazon Rekognition pentru a îmbunătăți acuratețea API-ului dvs. de moderare a conținutului pregătit în prealabil.
Moderarea conținutului în Amazon Rekognition
Amazon Rekognition este un serviciu gestionat de inteligență artificială (AI) care oferă capabilități de viziune pe computer pre-instruite și personalizabile pentru a extrage informații și perspective din imagini și videoclipuri. O astfel de capacitate este Moderare de conținut Amazon Rekognition, care detectează conținut neadecvat sau nedorit în imagini și videoclipuri. Amazon Rekognition folosește o taxonomie ierarhică pentru a eticheta conținutul neadecvat sau nedorit cu 10 categorii de moderare de nivel superior (cum ar fi violență, explicit, alcool sau droguri) și 35 de categorii de nivel al doilea. Clienții din industrii precum comerțul electronic, rețelele sociale și jocurile de noroc pot folosi moderarea conținutului în Amazon Rekognition pentru a-și proteja reputația mărcii și pentru a promova comunități sigure de utilizatori.
Folosind Amazon Rekognition pentru moderarea imaginilor și video, moderatorii umani trebuie să revizuiască un set mult mai mic de conținut, de obicei 1–5% din volumul total, deja semnalat de modelul de moderare a conținutului. Acest lucru permite companiilor să se concentreze pe activități mai valoroase și să obțină în continuare o acoperire cuprinzătoare de moderare la o fracțiune din costul lor existent.
Vă prezentăm Amazon Rekognition Custom Moderation
Acum puteți îmbunătăți acuratețea modelului de moderare Rekognition pentru datele specifice companiei dvs. cu funcția de moderare personalizată. Puteți antrena un adaptor personalizat cu doar 20 de imagini adnotate în mai puțin de 1 oră. Aceste adaptoare extind capacitățile modelului de moderare pentru a detecta imaginile utilizate pentru antrenament cu o precizie mai mare. Pentru această postare, folosim un set de date eșantion care conține atât imagini sigure, cât și imagini cu băuturi alcoolice (considerate nesigure) pentru a îmbunătăți acuratețea etichetei de moderare a alcoolului.
ID-ul unic al adaptorului instruit poate fi furnizat celui existent DetectModerationLabels Operație API pentru procesarea imaginilor folosind acest adaptor. Fiecare adaptor poate fi utilizat numai de contul AWS care a fost utilizat pentru antrenamentul adaptorului, asigurându-se că datele folosite pentru antrenament rămân în siguranță și securizate în acel cont AWS. Cu funcția de moderare personalizată, puteți personaliza modelul de moderare pregătit în prealabil Rekognition pentru o performanță îmbunătățită în cazul dvs. de utilizare specific de moderare, fără nicio experiență în învățarea automată (ML). Vă puteți bucura în continuare de beneficiile unui serviciu de moderare complet gestionat cu un model de prețuri cu plată pe utilizare pentru Moderare personalizată.
Prezentare generală a soluțiilor
Antrenarea unui adaptor de moderare personalizat implică cinci pași pe care îi puteți finaliza folosind Consola de administrare AWS sau interfața API:
- Creați un proiect
- Încărcați datele de antrenament
- Atribuiți etichete de adevăr de bază imaginilor
- Antrenați adaptorul
- Utilizați adaptorul
Să parcurgem acești pași mai detaliat folosind consola.
Creați un proiect
Un proiect este un container pentru a vă stoca adaptoarele. Puteți antrena mai multe adaptoare în cadrul unui proiect cu diferite seturi de date de antrenament pentru a evalua care adaptor funcționează cel mai bine pentru cazul dvs. de utilizare specific. Pentru a vă crea proiectul, parcurgeți următorii pași:
- Pe consola Amazon Rekognition, alegeți Moderare personalizată în panoul de navigare.
- Alege Creați un proiect.
- Pentru Numele proiectului, introduceți un nume pentru proiectul dvs.
- Pentru Numele adaptorului, introduceți un nume pentru adaptorul dvs.
- Opțional, introduceți o descriere pentru adaptorul dvs.
Încărcați date de antrenament
Puteți începe cu doar 20 de imagini eșantion pentru a adapta modelul de moderare pentru a detecta mai puține pozitive false (imagini care sunt adecvate pentru afacerea dvs., dar sunt semnalate de model cu o etichetă de moderare). Pentru a reduce negativul fals (imagini neadecvate pentru afacerea dvs., dar care nu sunt semnalate cu o etichetă de moderare), trebuie să începeți cu 50 de imagini eșantion.
Puteți selecta dintre următoarele opțiuni pentru a furniza seturile de date de imagine pentru instruirea adaptorului:
Urmați pașii următori:
- Pentru această postare, selectați Importați imagini din cupa S3 și introduceți URI-ul dvs. S3.
Ca orice proces de instruire ML, antrenarea unui adaptor de moderare personalizată în Amazon Rekognition necesită două seturi de date separate: unul pentru antrenamentul adaptorului și altul pentru evaluarea adaptorului. Puteți fie să încărcați un set de date de testare separat, fie să alegeți să împărțiți automat setul de date de antrenament pentru antrenament și testare.
- Pentru această postare, selectați Divizare automată.
- Selectați Activați actualizarea automată pentru a se asigura că sistemul reantrenează automat adaptorul atunci când este lansată o nouă versiune a modelului de moderare a conținutului.
- Alege Creați un proiect.
Atribuiți etichete de adevăr de bază imaginilor
Dacă ați încărcat imagini neadnotate, puteți utiliza consola Amazon Rekognition pentru a furniza etichete de imagini conform taxonomiei de moderare. În exemplul următor, antrenăm un adaptor pentru a detecta alcoolul ascuns cu o precizie mai mare și etichetăm toate aceste imagini cu eticheta alcool. Imaginile care nu sunt considerate neadecvate pot fi etichetate ca Sigur.
Antrenați adaptorul
După ce etichetați toate imaginile, alegeți Începeți antrenamentul pentru a iniția procesul de instruire. Amazon Rekognition va folosi seturile de date de imagini încărcate pentru a antrena un model de adaptor pentru o precizie sporită asupra tipului specific de imagini furnizate pentru instruire.
După ce adaptorul de moderare personalizat este antrenat, puteți vizualiza toate detaliile adaptorului (adapterID
, test
și training
fișiere manifest) în fișierul Performanța adaptorului secţiune.
Performanța adaptorului secțiunea afișează îmbunătățiri ale fals pozitive și false negative în comparație cu modelul de moderare pre-antrenat. Adaptorul pe care l-am antrenat pentru a îmbunătăți detectarea etichetei cu alcool reduce rata de fals negativ în imaginile de testare cu 73%. Cu alte cuvinte, adaptorul prezice acum cu acuratețe eticheta de moderare a alcoolului pentru cu 73% mai multe imagini în comparație cu modelul de moderare pre-antrenat. Cu toate acestea, nu se observă nicio îmbunătățire a rezultatelor false pozitive, deoarece nu au fost utilizate probe fals pozitive pentru antrenament.
Utilizați adaptorul
Puteți efectua inferențe folosind adaptorul nou pregătit pentru a obține o precizie sporită. Pentru a face acest lucru, apelați Amazon Rekognition DetectModerationLabel
API cu un parametru suplimentar, ProjectVersion
, care este unic AdapterID
a adaptorului. Următorul este un exemplu de comandă care utilizează Interfața liniei de comandă AWS (AWS CLI):
Următorul este un exemplu de fragment de cod care folosește Biblioteca Python Boto3:
Cele mai bune practici pentru antrenament
Pentru a maximiza performanța adaptorului dvs., sunt recomandate următoarele bune practici pentru antrenamentul adaptorului:
- Eșantionul de date din imagine ar trebui să captureze erorile reprezentative pentru care doriți să îmbunătățiți acuratețea modelului de moderare
- În loc să introduceți doar imagini de eroare pentru false pozitive și false negative, puteți oferi, de asemenea, adevărate pozitive și adevărate negative pentru o performanță îmbunătățită.
- Furnizați cât mai multe imagini adnotate posibil pentru antrenament
Concluzie
În această postare, am prezentat o prezentare detaliată a noii caracteristici de moderare personalizată Amazon Rekognition. În plus, am detaliat pașii pentru efectuarea antrenamentului folosind consola, inclusiv cele mai bune practici pentru rezultate optime. Pentru informații suplimentare, vizitați consola Amazon Rekognition și explorați caracteristica Moderare personalizată.
Moderare personalizată Amazon Rekognition este acum disponibil în general în toate regiunile AWS în care este disponibil Amazon Rekognition.
Aflați mai multe despre moderarea conținutului pe AWS. Fă primul pas spre eficientizarea operațiunilor de moderare a conținutului cu AWS.
Despre Autori
Shipra Kanoria este manager de produs principal la AWS. Este pasionată de a ajuta clienții să-și rezolve cele mai complexe probleme cu puterea învățării automate și a inteligenței artificiale. Înainte de a se alătura AWS, Shipra a petrecut peste 4 ani la Amazon Alexa, unde a lansat multe funcții legate de productivitate pe asistentul vocal Alexa.
Aakash Deep este un manager de inginerie de dezvoltare software cu sediul în Seattle. Îi place să lucreze la viziune computerizată, AI și sisteme distribuite. Misiunea sa este de a permite clienților să abordeze probleme complexe și să creeze valoare cu AWS Rekognition. În afara serviciului, îi place drumețiile și călătoriile.
Lana Zhang este arhitect senior de soluții la echipa AWS WWSO AI Services, specializată în AI și ML pentru moderarea conținutului, viziunea computerizată, procesarea limbajului natural și IA generativă. Cu expertiza ei, ea este dedicată promovării soluțiilor AWS AI/ML și asistenței clienților în transformarea soluțiilor lor de afaceri din diverse industrii, inclusiv social media, jocuri, comerț electronic, media, publicitate și marketing.
- Distribuție de conținut bazat pe SEO și PR. Amplifică-te astăzi.
- PlatoData.Network Vertical Generative Ai. Împuterniciți-vă. Accesați Aici.
- PlatoAiStream. Web3 Intelligence. Cunoștințe amplificate. Accesați Aici.
- PlatoESG. carbon, CleanTech, Energie, Mediu inconjurator, Solar, Managementul deșeurilor. Accesați Aici.
- PlatoHealth. Biotehnologie și Inteligență pentru studii clinice. Accesați Aici.
- Sursa: https://aws.amazon.com/blogs/machine-learning/announcing-rekogniton-custom-moderation-enhance-accuracy-of-pre-trained-rekognition-moderation-models-with-your-data/
- :este
- :nu
- :Unde
- 1
- 10
- 100
- 118
- 150
- 20
- 35%
- 50
- 7
- 9
- a
- aakash
- Despre Noi
- Cont
- precizie
- precis
- Obține
- peste
- activităţi de
- adapta
- Suplimentar
- informatii suplimentare
- adresa
- Promovare
- AI
- Servicii AI
- AI / ML
- Alcool
- Alexa
- TOATE
- deja
- de asemenea
- Amazon
- Amazon Rekognition
- Amazon Web Services
- an
- și
- anunțare
- O alta
- Orice
- api
- abordari
- adecvat
- SUNT
- artificial
- inteligență artificială
- Inteligența artificială (AI)
- AS
- evalua
- Asistent
- asistarea
- At
- autor
- în mod automat
- disponibil
- AWS
- bazat
- BE
- înainte
- începe
- Beneficiile
- CEL MAI BUN
- Cele mai bune practici
- atât
- marca
- Aducere
- afaceri
- dar
- by
- apel
- CAN
- capacități
- capacitate
- captura
- caz
- categorii
- provocare
- Alege
- client
- cod
- Comunități
- comunitate
- Companii
- comparație
- plângeri
- Completă
- complex
- cuprinzător
- calculator
- Computer Vision
- luate în considerare
- consistent
- Consoleze
- Recipient
- conţinut
- continua
- A costat
- Cheltuieli
- acoperire
- crea
- A crea valoare
- În prezent
- personalizat
- clienţii care
- personalizabil
- de date
- seturi de date
- dedicat
- adânc
- descriere
- detaliu
- detaliat
- detalii
- detecta
- Detectare
- Dezvoltare
- diferit
- discuta
- afișează
- distribuite
- sisteme distribuite
- diferit
- do
- Dont
- Droguri
- e-commerce
- fiecare
- E-commerce
- în mod eficient
- oricare
- permite
- permite
- Fii încurajator.
- angajament
- Inginerie
- spori
- sporită
- se bucura
- asigura
- asigurare
- Intrați
- eroare
- Erori
- evaluarea
- Chiar
- exemplu
- existent
- experienţă
- expertiză
- explora
- extinde
- extrage
- fals
- Caracteristică
- DESCRIERE
- puțini
- mai puține
- Fişiere
- First
- cinci
- fanionat
- Concentra
- următor
- Pentru
- Foster
- plasează
- fracțiune
- din
- complet
- În plus
- jocuri
- în general
- generativ
- AI generativă
- obține
- Teren
- rău
- Avea
- he
- ajutor
- ei
- Ascuns
- Înalt
- superior
- lui
- oră
- Cum
- Cum Pentru a
- Totuși
- HTML
- http
- HTTPS
- uman
- ID
- imagine
- imagini
- îmbunătăţi
- îmbunătățit
- îmbunătățire
- îmbunătățiri
- in
- În altele
- în profunzime
- Inclusiv
- tot mai mult
- industrii
- informații
- iniția
- perspective
- Inteligență
- interfaţă
- IT
- aderarea
- Etichetă
- etichete
- limbă
- a lansat
- Conduce
- învăţare
- mai puțin
- Linie
- Listă
- maşină
- masina de învățare
- administra
- gestionate
- administrare
- manager
- multe
- Marketing
- Maximaliza
- Mass-media
- milioane
- Misiune
- ML
- model
- Modele
- moderare
- mai mult
- cele mai multe
- mult
- multiplu
- nume
- Natural
- Procesarea limbajului natural
- Navigare
- negativ
- negative
- Nou
- recent
- Nu.
- acum
- of
- promoții
- on
- ONE
- on-line
- afară
- operaţie
- Operațiuni
- optimă
- Opţiuni
- or
- Altele
- exterior
- peste
- Prezentare generală
- pâine
- parametru
- pasionat
- pentru
- Efectua
- performanță
- efectuarea
- efectuează
- Platforme
- Plato
- Informații despre date Platon
- PlatoData
- Politicile
- sărac
- pozitiv
- posibil
- Post
- potenţial
- putere
- puternic
- practicile
- prezice
- prezentat
- de stabilire a prețurilor
- model de stabilire a prețurilor
- Principal
- probleme
- proces
- prelucrare
- Produs
- manager de produs
- proiect
- Promovarea
- proteja
- furniza
- prevăzut
- calitate
- rată
- recomandat
- reduce
- reduce
- regiuni
- se bazează
- rămășițe
- reprezentant
- reputație
- necesar
- Necesită
- Răspunde
- răspuns
- REZULTATE
- revizuiască
- sigur
- Exemplu de set de date
- Scară
- Seattle
- Secțiune
- sigur
- senior
- distinct
- serviciu
- Servicii
- set
- Distribuie
- ea
- să
- mai mici
- fragment
- Social
- social media
- Software
- de dezvoltare de software
- soluţii
- REZOLVAREA
- specializata
- specific
- viteză
- uzat
- împărţi
- Începe
- Pas
- paşi
- Încă
- stoca
- Strategie
- astfel de
- suficient
- sistem
- sisteme
- Lua
- Sarcină
- sarcini
- taxonomie
- echipă
- test
- Testarea
- decât
- acea
- lor
- Acestea
- acest
- Prin
- la
- nivel superior
- Total
- Tren
- dresat
- Pregătire
- transformare
- Traveling
- adevărat
- Adevăr
- Două
- tip
- tipic
- unic
- nedorit
- încărcat
- utilizare
- carcasa de utilizare
- utilizat
- Utilizator
- Experiența de utilizare
- utilizatorii
- utilizări
- folosind
- Valoros
- valoare
- versiune
- Video
- Video
- Vizualizare
- Violenţă
- viziune
- Vizita
- Voce
- volum
- umbla
- vrea
- a fost
- we
- web
- servicii web
- au fost
- cand
- care
- voi
- cu
- în
- fără
- cuvinte
- Apartamente
- flux de lucru
- de lucru
- ani
- Tu
- Ta
- zephyrnet