Компании все чаще полагаются на изображения и видео, созданные пользователями, для привлечения внимания. От платформ электронной коммерции, поощряющих клиентов делиться изображениями продуктов, до компаний в социальных сетях, продвигающих созданные пользователями видео и изображения, использование пользовательского контента для взаимодействия является мощной стратегией. Однако может быть сложно гарантировать, что этот пользовательский контент соответствует вашим политикам и способствует созданию безопасного онлайн-сообщества для ваших пользователей.
Многие компании в настоящее время зависят от модераторов-людей или реагируют на жалобы пользователей, чтобы управлять нежелательным контентом, созданным пользователями. Эти подходы не масштабируются для эффективной модерации миллионов изображений и видео с достаточным качеством или скоростью, что приводит к ухудшению пользовательского опыта, высоким затратам на достижение масштаба или даже потенциальному ущербу репутации бренда.
В этом посте мы обсудим, как использовать функцию пользовательской модерации в Апостол чтобы повысить точность вашего предварительно обученного API модерации контента.
Модерация контента в Amazon Rekognition
Amazon Rekognition — это управляемый сервис искусственного интеллекта (ИИ), который предлагает предварительно обученные и настраиваемые возможности компьютерного зрения для извлечения информации и аналитических данных из изображений и видео. Одной из таких возможностей является Модерация контента Amazon Rekognition, который обнаруживает неприемлемый или нежелательный контент в изображениях и видео. Amazon Rekognition использует иерархическую таксономию для обозначения неприемлемого или нежелательного контента с 10 категориями модерации верхнего уровня (например, насилие, откровенное, алкоголь или наркотики) и 35 категориями второго уровня. Клиенты из таких отраслей, как электронная коммерция, социальные сети и игры, могут использовать модерацию контента в Amazon Rekognition, чтобы защитить репутацию своего бренда и создать безопасные сообщества пользователей.
Используя Amazon Rekognition для модерации изображений и видео, модераторам приходится просматривать гораздо меньший набор контента, обычно 1–5 % от общего объема, уже помеченного моделью модерации контента. Это позволяет компаниям сосредоточиться на более важных видах деятельности и при этом обеспечить всестороннюю модерацию за небольшую часть существующих затрат.
Представляем пользовательскую модерацию Amazon Rekognition
Теперь вы можете повысить точность модели модерации Rekognition для данных вашего бизнеса с помощью функции пользовательской модерации. Вы можете обучить собственный адаптер всего лишь с 20 аннотированными изображениями менее чем за 1 час. Эти адаптеры расширяют возможности модели модерации, позволяя с большей точностью обнаруживать изображения, используемые для обучения. В этом посте мы используем образец набора данных, содержащий как безопасные изображения, так и изображения с алкогольными напитками (считающимися небезопасными), чтобы повысить точность метки модерации алкоголя.
Уникальный идентификатор обученного адаптера может быть предоставлен существующему детектмодератионлейблс Операция API для обработки изображений с помощью этого адаптера. Каждый адаптер может использоваться только той учетной записью AWS, которая использовалась для обучения адаптера, гарантируя, что данные, используемые для обучения, останутся в безопасности в этой учетной записи AWS. С помощью функции пользовательской модерации вы можете адаптировать предварительно обученную модель модерации Rekognition для повышения производительности в вашем конкретном случае модерации без каких-либо знаний в области машинного обучения (ML). Вы можете продолжать пользоваться преимуществами полностью управляемой службы модерации с моделью оплаты по факту использования для индивидуальной модерации.
Обзор решения
Обучение пользовательского адаптера модерации включает пять шагов, которые можно выполнить с помощью Консоль управления AWS или интерфейс API:
- Создать проект
- Загрузите данные тренировки
- Присвойте изображениям метки основной истины
- Обучение адаптера
- Используйте адаптер
Давайте рассмотрим эти шаги более подробно с помощью консоли.
Создать проект
Проект — это контейнер для хранения ваших адаптеров. Вы можете обучать несколько адаптеров в рамках проекта с помощью разных наборов обучающих данных, чтобы оценить, какой адаптер лучше всего работает для вашего конкретного случая использования. Чтобы создать свой проект, выполните следующие шаги:
- На консоли Amazon Rekognition выберите Пользовательская модерация в навигационной панели.
- Выберите Создать проект.
- Что касается Название проекта, введите имя для вашего проекта.
- Что касается Имя адаптера, введите имя вашего адаптера.
- При необходимости введите описание вашего адаптера.
Загрузить данные обучения
Вы можете начать всего с 20 образцов изображений, чтобы адаптировать модель модерации для обнаружения меньшего количества ложных срабатываний (изображения, которые подходят для вашего бизнеса, но помечены моделью меткой модерации). Чтобы уменьшить количество ложноотрицательных результатов (изображений, которые не подходят для вашего бизнеса, но не отмечены меткой модерации), вам необходимо начать с 50 образцов изображений.
Вы можете выбрать один из следующих вариантов, чтобы предоставить наборы данных изображений для обучения адаптера:
Выполните следующие шаги:
- Для этого сообщения выберите Импортировать изображения из корзины S3 и введите свой URI S3.
Как и любой процесс обучения ML, обучение адаптера пользовательской модерации в Amazon Rekognition требует двух отдельных наборов данных: один для обучения адаптера, а другой — для оценки адаптера. Вы можете либо загрузить отдельный набор тестовых данных, либо автоматически разделить набор обучающих данных для обучения и тестирования.
- Для этого сообщения выберите Автосплит.
- Выберите Включить автообновление чтобы система автоматически переобучала адаптер при запуске новой версии модели модерации контента.
- Выберите Создать проект.
Присвойте изображениям метки основной истины
Если вы загрузили изображения без аннотаций, вы можете использовать консоль Amazon Rekognition для присвоения меток изображениям в соответствии с таксономией модерации. В следующем примере мы обучаем адаптер обнаруживать скрытый алкоголь с более высокой точностью и помечаем все такие изображения меткой «алкоголь». Изображения, которые не считаются неприемлемыми, могут быть помечены как безопасные.
Обучение адаптера
После того, как вы пометите все изображения, выберите Начать тренировку инициировать тренировочный процесс. Amazon Rekognition будет использовать загруженные наборы данных изображений для обучения модели адаптера с целью повышения точности обработки изображений определенного типа, предоставленных для обучения.
После обучения пользовательского адаптера модерации вы сможете просмотреть все сведения об адаптере (adapterID
, test
и training
файлы манифеста) в Производительность адаптера .
Ассоциация Производительность адаптера В разделе отображаются улучшения по количеству ложных срабатываний и ложных отрицательных результатов по сравнению с предварительно обученной моделью модерации. Адаптер, который мы обучили для улучшения обнаружения этикетки с алкоголем, снижает уровень ложноотрицательных результатов на тестовых изображениях на 73%. Другими словами, адаптер теперь точно предсказывает метку модерации алкоголя для на 73 % больше изображений по сравнению с предварительно обученной моделью модерации. Однако улучшения в отношении ложноположительных результатов не наблюдается, поскольку для обучения не использовались ложноположительные образцы.
Используйте адаптер
Вы можете выполнить вывод с помощью недавно обученного адаптера для достижения повышенной точности. Для этого позвоните в Amazon Rekognition. DetectModerationLabel
API с дополнительным параметром, ProjectVersion
, который является уникальным AdapterID
адаптера. Ниже приведен пример команды с использованием Интерфейс командной строки AWS (интерфейс командной строки AWS):
Ниже приведен пример фрагмента кода с использованием Библиотека Python Boto3:
Лучшие практики для обучения
Чтобы максимизировать производительность вашего адаптера, рекомендуется использовать следующие рекомендации по его обучению:
- Данные образца изображения должны отражать репрезентативные ошибки, для которых вы хотите повысить точность модели модерации.
- Вместо того, чтобы использовать только изображения ошибок для ложноположительных и ложноотрицательных результатов, вы также можете предоставить истинные положительные и истинные отрицательные значения для повышения производительности.
- Предоставьте как можно больше аннотированных изображений для обучения.
Заключение
В этом посте мы представили подробный обзор новой функции пользовательской модерации Amazon Rekognition. Кроме того, мы подробно описали шаги по проведению обучения с помощью консоли, включая рекомендации по достижению оптимальных результатов. Для получения дополнительной информации посетите консоль Amazon Rekognition и изучите функцию пользовательской модерации.
Пользовательская модерация Amazon Rekognition теперь общедоступен во всех регионах AWS, где доступен Amazon Rekognition.
Узнать больше о модерация контента на AWS. Сделайте первый шаг навстречу оптимизация операций модерации контента с помощью AWS.
Об авторах
Шипра Канория является главным менеджером по продуктам в AWS. Она увлечена тем, что помогает клиентам решать их самые сложные проблемы с помощью машинного обучения и искусственного интеллекта. До прихода в AWS Шипра более 4 лет работала в Amazon Alexa, где запустила множество функций, связанных с продуктивностью, в голосовом помощнике Alexa.
Аакаш Дип — инженер-менеджер по разработке программного обеспечения из Сиэтла. Ему нравится работать над компьютерным зрением, искусственным интеллектом и распределенными системами. Его миссия — предоставить клиентам возможность решать сложные проблемы и создавать ценность с помощью AWS Rekognition. Помимо работы он любит пешие прогулки и путешествия.
Лана Чжан является старшим архитектором решений в команде AWS WWSO AI Services, специализирующейся на ИИ и машинном обучении для модерации контента, компьютерного зрения, обработки естественного языка и генеративного ИИ. Благодаря своему опыту она занимается продвижением решений AWS AI/ML и помогает клиентам трансформировать их бизнес-решения в различных отраслях, включая социальные сети, игры, электронную коммерцию, средства массовой информации, рекламу и маркетинг.
- SEO-контент и PR-распределение. Получите усиление сегодня.
- PlatoData.Network Вертикальный генеративный ИИ. Расширьте возможности себя. Доступ здесь.
- ПлатонАйСтрим. Интеллект Web3. Расширение знаний. Доступ здесь.
- ПлатонЭСГ. Углерод, чистые технологии, Энергия, Окружающая среда, Солнечная, Управление отходами. Доступ здесь.
- ПлатонЗдоровье. Биотехнологии и клинические исследования. Доступ здесь.
- Источник: https://aws.amazon.com/blogs/machine-learning/announcing-rekogniton-custom-moderation-enhance-accuracy-of-pre-trained-rekognition-moderation-models-with-your-data/
- :является
- :нет
- :куда
- 1
- 10
- 100
- 118
- 150
- 20
- 35%
- 50
- 7
- 9
- a
- Аакаш
- О нас
- Учетная запись
- точность
- точно
- Достигать
- через
- активно
- приспосабливать
- дополнительный
- Дополнительная информация
- адрес
- Реклама
- AI
- Услуги искусственного интеллекта
- AI / ML
- Алкоголь
- Alexa
- Все
- уже
- причислены
- Amazon
- Апостол
- Amazon Web Services
- an
- и
- объявляющий
- Другой
- любой
- API
- подходы
- соответствующий
- МЫ
- искусственный
- искусственный интеллект
- Искусственный интеллект (AI)
- AS
- оценить
- помощник
- содействие
- At
- автор
- автоматически
- доступен
- AWS
- основанный
- BE
- до
- начинать
- Преимущества
- ЛУЧШЕЕ
- лучшие практики
- изоферменты печени
- марка
- Приведение
- бизнес
- но
- by
- призывают
- CAN
- возможности
- возможности
- захватить
- случаев
- категории
- сложные
- Выберите
- клиент
- код
- Сообщества
- сообщество
- Компании
- сравненный
- жалобы
- полный
- комплекс
- комплексный
- компьютер
- Компьютерное зрение
- считается
- последовательный
- Консоли
- Container
- содержание
- продолжать
- Цена
- Расходы
- охват
- Создайте
- Создать ценность
- В настоящее время
- изготовленный на заказ
- Клиенты
- настраиваемый
- данным
- Наборы данных
- преданный
- глубоко
- описание
- подробность
- подробный
- подробнее
- обнаруживать
- обнаружение
- Развитие
- различный
- обсуждать
- дисплеев
- распределенный
- распределенные системы
- Разное
- do
- Dont
- Наркотики
- электронная коммерция
- каждый
- электронной коммерции
- фактически
- или
- включить
- позволяет
- поощрение
- обязательство
- Проект и
- повышать
- расширение
- пользоваться
- обеспечивать
- обеспечение
- Enter
- ошибка
- ошибки
- оценки
- Даже
- пример
- существующий
- опыт
- опыта
- Больше
- продлить
- извлечение
- ложный
- Особенность
- Особенности
- несколько
- меньше
- Файлы
- Во-первых,
- 5
- Помеченные
- Фокус
- после
- Что касается
- Способствовать
- культивирует
- доля
- от
- полностью
- Более того
- игровой
- в общем
- генеративный
- Генеративный ИИ
- получить
- земля
- вред
- Есть
- he
- помощь
- ее
- Скрытый
- High
- высший
- его
- час
- Как
- How To
- Однако
- HTML
- HTTP
- HTTPS
- человек
- ID
- изображение
- изображений
- улучшать
- улучшенный
- улучшение
- улучшение
- in
- В других
- углубленный
- В том числе
- все больше и больше
- промышленности
- информация
- инициировать
- размышления
- Интеллекта
- Интерфейс
- IT
- присоединение
- этикетка
- Этикетки
- язык
- запустили
- Лиды
- изучение
- Меньше
- линия
- Список
- машина
- обучение с помощью машины
- управлять
- управляемого
- управление
- менеджер
- многих
- Маркетинг
- Максимизировать
- Медиа
- миллионы
- Наша миссия
- ML
- модель
- Модели
- умеренность
- БОЛЕЕ
- самых
- много
- с разными
- имя
- натуральный
- Обработка естественного языка
- Навигация
- отрицательный
- негативах
- Новые
- вновь
- нет
- сейчас
- of
- Предложения
- on
- ONE
- онлайн
- только
- операция
- Операционный отдел
- оптимальный
- Опции
- or
- Другое
- внешнюю
- за
- обзор
- хлеб
- параметр
- страстный
- для
- Выполнять
- производительность
- выполнения
- выполняет
- Платформы
- Платон
- Платон Интеллектуальные данные
- ПлатонДанные
- сборах
- состояния потока
- положительный
- возможное
- После
- потенциал
- мощностью
- мощный
- практиками
- предсказывает
- представлены
- цены
- модель ценообразования
- Основной
- проблемам
- процесс
- обработка
- Продукт
- Менеджер по продукции
- Проект
- Содействие
- для защиты
- обеспечивать
- при условии
- Обменный курс
- Управление по борьбе с наркотиками (DEA)
- уменьшить
- снижает
- районы
- полагаться
- остатки
- представитель
- репутация
- обязательный
- требуется
- Реагируйте
- ответ
- Итоги
- обзоре
- безопасный
- Пример набора данных
- Шкала
- Сиэтл
- Раздел
- безопасный
- старший
- отдельный
- обслуживание
- Услуги
- набор
- Поделиться
- она
- должен
- меньше
- отрывок
- Соцсети
- социальные сети
- Software
- разработка программного обеспечения
- Решения
- РЕШАТЬ
- специализация
- конкретный
- скорость
- потраченный
- раскол
- Начало
- Шаг
- Шаги
- По-прежнему
- магазин
- Стратегия
- такие
- достаточный
- система
- системы
- взять
- Сложность задачи
- задачи
- систематики
- команда
- тестXNUMX
- Тестирование
- чем
- который
- Ассоциация
- их
- Эти
- этой
- Через
- в
- верхний уровень
- Всего
- Train
- специалистов
- Обучение
- превращение
- Путешествие
- правда
- Правда
- два
- напишите
- типично
- созданного
- нежелательный
- загружено
- использование
- прецедент
- используемый
- Информация о пользователе
- Пользовательский опыт
- пользователей
- использования
- через
- ценный
- ценностное
- версия
- Видео
- Видео
- Вид
- Насилие
- видение
- Войти
- Режимы
- объем
- от
- хотеть
- законопроект
- we
- Web
- веб-сервисы
- были
- когда
- который
- будете
- в
- без
- слова
- Работа
- рабочий
- работает
- лет
- Ты
- ВАШЕ
- зефирнет