Företag förlitar sig alltmer på användargenererade bilder och videor för engagemang. Från e-handelsplattformar som uppmuntrar kunder att dela produktbilder till sociala medieföretag som marknadsför användargenererade videor och bilder, att använda användarinnehåll för engagemang är en kraftfull strategi. Det kan dock vara utmanande att se till att detta användargenererade innehåll överensstämmer med dina policyer och främjar en säker onlinegemenskap för dina användare.
Många företag är för närvarande beroende av mänskliga moderatorer eller reagerar reaktivt på användarklagomål för att hantera olämpligt användargenererat innehåll. Dessa tillvägagångssätt skalas inte för att effektivt moderera miljontals bilder och videor med tillräcklig kvalitet eller hastighet, vilket leder till en dålig användarupplevelse, höga kostnader för att uppnå skala eller till och med potentiell skada på varumärkets rykte.
I det här inlägget diskuterar vi hur man använder funktionen anpassad moderering i Amazon-erkännande för att förbättra noggrannheten i ditt förutbildade API för innehållsmoderering.
Innehållsmoderering i Amazon Rekognition
Amazon Rekognition är en hanterad artificiell intelligens (AI)-tjänst som erbjuder förutbildade och anpassningsbara datorseendefunktioner för att extrahera information och insikter från bilder och videor. En sådan förmåga är Amazon Rekognition Content Moderering, som upptäcker olämpligt eller oönskat innehåll i bilder och videor. Amazon Rekognition använder en hierarkisk taxonomi för att märka olämpligt eller oönskat innehåll med 10 modereringskategorier på toppnivå (som våld, explicit, alkohol eller droger) och 35 kategorier på andra nivån. Kunder över branscher som e-handel, sociala medier och spel kan använda innehållsmoderering i Amazon Rekognition för att skydda sitt varumärkes rykte och främja säkra användargemenskaper.
Genom att använda Amazon Rekognition för bild- och videomoderering måste mänskliga moderatorer granska en mycket mindre uppsättning innehåll, vanligtvis 1–5 % av den totala volymen, som redan flaggats av modellen för innehållsmoderering. Detta gör det möjligt för företag att fokusera på mer värdefulla aktiviteter och ändå uppnå en omfattande måttfullhet till en bråkdel av sin befintliga kostnad.
Vi introducerar anpassad moderering av Amazon Rekognition
Du kan nu förbättra noggrannheten i modereringsmodellen för erkännande för dina företagsspecifika data med funktionen anpassad moderering. Du kan träna en anpassad adapter med så få som 20 kommenterade bilder på mindre än 1 timme. Dessa adaptrar utökar modereringsmodellens möjligheter för att upptäcka bilder som används för träning med högre noggrannhet. För det här inlägget använder vi en provdatauppsättning som innehåller både säkra bilder och bilder med alkoholhaltiga drycker (som anses vara osäkra) för att förbättra noggrannheten hos alkoholmodereringsetiketten.
Det unika ID:t för den tränade adaptern kan tillhandahållas den befintliga DetectModerationLabels API-operation för att bearbeta bilder med denna adapter. Varje adapter kan endast användas av AWS-kontot som användes för att träna adaptern, vilket säkerställer att data som används för träning förblir säker och säker på det AWS-kontot. Med funktionen anpassad moderering kan du skräddarsy Rekognition förutbildade modereringsmodell för förbättrad prestanda i ditt specifika modereringsfall, utan någon expertis inom maskininlärning (ML). Du kan fortsätta att dra nytta av fördelarna med en helt hanterad modereringstjänst med en prismodell för betalning per användning för anpassad moderering.
Lösningsöversikt
Att träna en anpassad modereringsadapter omfattar fem steg som du kan slutföra med hjälp av AWS Management Console eller API-gränssnittet:
- Skapa ett projekt
- Ladda upp träningsdata
- Tilldela marken sanningsetiketter till bilder
- Träna adaptern
- Använd adaptern
Låt oss gå igenom dessa steg mer i detalj med hjälp av konsolen.
Skapa ett projekt
Ett projekt är en behållare för att lagra dina adaptrar. Du kan träna flera adaptrar inom ett projekt med olika träningsdatauppsättningar för att bedöma vilken adapter som fungerar bäst för ditt specifika användningsfall. För att skapa ditt projekt, slutför följande steg:
- Välj på Amazon Rekognition-konsolen Anpassad moderering i navigeringsfönstret.
- Välja Skapa projekt.
- För Projektnamn, ange ett namn för ditt projekt.
- För Adapternamn, ange ett namn för din adapter.
- Ange eventuellt en beskrivning för din adapter.
Ladda upp träningsdata
Du kan börja med så få som 20 exempelbilder för att anpassa modereringsmodellen för att upptäcka färre falska positiva (bilder som är lämpliga för ditt företag men flaggas av modellen med en modereringsetikett). För att minska falska negativa bilder (bilder som är olämpliga för ditt företag men som inte flaggas med en modereringsetikett) måste du börja med 50 exempelbilder.
Du kan välja bland följande alternativ för att tillhandahålla bilddatauppsättningarna för adapterträning:
Följ följande steg:
- Välj det här inlägget Importera bilder från S3-hink och ange din S3 URI.
Liksom alla ML-utbildningsprocesser kräver träning av en anpassad modereringsadapter i Amazon Rekognition två separata datamängder: en för att träna adaptern och en annan för att utvärdera adaptern. Du kan antingen ladda upp en separat testdatauppsättning eller välja att automatiskt dela upp din träningsdatauppsättning för träning och testning.
- Välj det här inlägget Autosplit.
- Välja Aktivera automatisk uppdatering för att säkerställa att systemet automatiskt tränar om adaptern när en ny version av innehållsmodereringsmodellen lanseras.
- Välja Skapa projekt.
Tilldela marken sanningsetiketter till bilder
Om du laddade upp bilder utan kommentarer kan du använda Amazon Rekognition-konsolen för att tillhandahålla bildetiketter enligt modereringstaxonomien. I följande exempel tränar vi en adapter för att upptäcka dold alkohol med högre noggrannhet och märker alla sådana bilder med etiketten alkohol. Bilder som inte anses olämpliga kan märkas som säkra.
Träna adaptern
När du har märkt alla bilder väljer du Börja träna för att sätta igång utbildningsprocessen. Amazon Rekognition kommer att använda de uppladdade bilddatauppsättningarna för att träna en adaptermodell för ökad noggrannhet på den specifika typen av bilder som tillhandahålls för utbildning.
När den anpassade modereringsadaptern har tränats kan du se alla adapterdetaljer (adapterID
, test
och training
manifestfiler) i Adapterprestanda sektion.
Smakämnen Adapterprestanda avsnittet visar förbättringar av falska positiva och falska negativa resultat jämfört med den förtränade modereringsmodellen. Adaptern vi tränade för att förbättra upptäckten av alkoholetiketten minskar antalet falskt negativa i testbilder med 73 %. Med andra ord förutsäger adaptern nu alkoholmodereringsetiketten för 73 % fler bilder jämfört med den förtränade modereringsmodellen. Däremot observeras ingen förbättring av falskt positiva, eftersom inga falskt positiva prover användes för träning.
Använd adaptern
Du kan göra slutsatser med den nyutbildade adaptern för att uppnå ökad noggrannhet. För att göra detta, ring Amazon Rekognition DetectModerationLabel
API med en extra parameter, ProjectVersion
, vilket är det unika AdapterID
av adaptern. Följande är ett exempel på kommando som använder AWS-kommandoradsgränssnitt (AWS CLI):
Följande är ett exempel på ett kodavsnitt som använder Python Boto3 bibliotek:
Bästa praxis för träning
För att maximera prestanda för din adapter rekommenderas följande bästa praxis för att träna adaptern:
- Exempelbilddatan bör fånga de representativa felen som du vill förbättra modereringsmodellens noggrannhet för
- Istället för att bara ta in felbilder för falska positiva och falska negativa, kan du också ge sanna positiva och sanna negativa för förbättrad prestanda
- Ange så många kommenterade bilder som möjligt för träning
Slutsats
I det här inlägget presenterade vi en djupgående översikt av den nya Amazon Rekognition Custom Moderation-funktionen. Dessutom beskrev vi stegen för att utföra träning med konsolen, inklusive bästa praxis för optimala resultat. För ytterligare information, besök Amazon Rekognition-konsolen och utforska funktionen för anpassad moderering.
Amazon Rekognition Custom Moderering är nu allmänt tillgänglig i alla AWS-regioner där Amazon Rekognition är tillgängligt.
Läs mer om innehållsmoderering på AWS. Ta första steget mot effektivisera din innehållsmoderering med AWS.
Om författarna
Shipra Kanoria är huvudproduktchef på AWS. Hon brinner för att hjälpa kunder att lösa sina mest komplexa problem med kraften i maskininlärning och artificiell intelligens. Innan Shipra började på AWS tillbringade hon över fyra år på Amazon Alexa, där hon lanserade många produktivitetsrelaterade funktioner på Alexa röstassistent.
Aakash Deep är en Software Development Engineering Manager baserad i Seattle. Han tycker om att arbeta med datorseende, AI och distribuerade system. Hans uppdrag är att göra det möjligt för kunder att ta itu med komplexa problem och skapa värde med AWS Rekognition. Utanför jobbet tycker han om att vandra och resa.
Lana Zhang är en Senior Solutions Architect på AWS WWSO AI Services-teamet, specialiserat på AI och ML för Content Moderation, Computer Vision, Natural Language Processing och Generative AI. Med sin expertis är hon dedikerad till att marknadsföra AWS AI/ML-lösningar och hjälpa kunder att transformera sina affärslösningar inom olika branscher, inklusive sociala medier, spel, e-handel, media, reklam och marknadsföring.
- SEO-drivet innehåll och PR-distribution. Bli förstärkt idag.
- PlatoData.Network Vertical Generative Ai. Styrka dig själv. Tillgång här.
- PlatoAiStream. Web3 Intelligence. Kunskap förstärkt. Tillgång här.
- Platoesg. Kol, CleanTech, Energi, Miljö, Sol, Avfallshantering. Tillgång här.
- PlatoHealth. Biotech och kliniska prövningar Intelligence. Tillgång här.
- Källa: https://aws.amazon.com/blogs/machine-learning/announcing-rekogniton-custom-moderation-enhance-accuracy-of-pre-trained-rekognition-moderation-models-with-your-data/
- :är
- :inte
- :var
- 1
- 10
- 100
- 118
- 150
- 20
- 35%
- 50
- 7
- 9
- a
- aakash
- Om oss
- Konto
- noggrannhet
- exakt
- Uppnå
- tvärs
- aktiviteter
- anpassa
- Annat
- ytterligare information
- adress
- reklam
- AI
- AI-tjänster
- AI / ML
- Alkoholer
- alexa
- Alla
- redan
- också
- amason
- Amazon-erkännande
- Amazon Web Services
- an
- och
- Vi presenterar
- Annan
- vilken som helst
- api
- tillvägagångssätt
- lämpligt
- ÄR
- konstgjord
- artificiell intelligens
- Konstgjord intelligens (AI)
- AS
- bedöma
- Assistent
- bistå
- At
- Författaren
- automatiskt
- tillgänglig
- AWS
- baserat
- BE
- innan
- börja
- Fördelarna
- BÄST
- bästa praxis
- båda
- varumärke
- Föra
- företag
- men
- by
- Ring
- KAN
- kapacitet
- kapacitet
- fånga
- Vid
- kategorier
- utmanande
- Välja
- klient
- koda
- samhällen
- samfundet
- Företag
- jämfört
- klagomål
- fullborda
- komplex
- omfattande
- dator
- Datorsyn
- anses
- konsekvent
- Konsol
- Behållare
- innehåll
- fortsätta
- Pris
- Kostar
- täckning
- skapa
- Skapa värde
- För närvarande
- beställnings
- Kunder
- anpassningsbar
- datum
- datauppsättningar
- dedicerad
- djup
- beskrivning
- detalj
- detaljerad
- detaljer
- upptäcka
- Detektering
- Utveckling
- olika
- diskutera
- displayer
- distribueras
- distribuerade system
- flera
- do
- inte
- Läkemedel
- e-handel
- varje
- e-handel
- effektivt
- antingen
- möjliggöra
- möjliggör
- uppmuntra
- ingrepp
- Teknik
- förbättra
- förbättrad
- njuta
- säkerställa
- säkerställa
- ange
- fel
- fel
- utvärdering
- Även
- exempel
- befintliga
- erfarenhet
- expertis
- utforska
- förlänga
- extrahera
- falsk
- Leverans
- Funktioner
- få
- färre
- Filer
- Förnamn
- fem
- flaggad
- Fokus
- efter
- För
- Foster
- Fosters
- fraktion
- från
- fullständigt
- Vidare
- Gaming
- allmänhet
- generativ
- Generativ AI
- skaffa sig
- Marken
- skada
- Har
- he
- hjälpa
- här
- dold
- Hög
- högre
- hans
- timme
- Hur ser din drömresa ut
- How To
- Men
- html
- http
- HTTPS
- humant
- ID
- bild
- bilder
- förbättra
- förbättras
- förbättring
- förbättringar
- in
- I andra
- djupgående
- Inklusive
- alltmer
- industrier
- informationen
- initiera
- insikter
- Intelligens
- Gränssnitt
- IT
- sammanfogning
- etikett
- Etiketter
- språk
- lanserades
- Leads
- inlärning
- mindre
- linje
- Lista
- Maskinen
- maskininlärning
- hantera
- förvaltade
- ledning
- chef
- många
- Marknadsföring
- Maximera
- Media
- miljoner
- Mission
- ML
- modell
- modeller
- måttfullhet
- mer
- mest
- mycket
- multipel
- namn
- Natural
- Naturlig språkbehandling
- Navigering
- negativ
- negativ
- Nya
- nytt
- Nej
- nu
- of
- Erbjudanden
- on
- ONE
- nätet
- endast
- drift
- Verksamhet
- optimala
- Tillbehör
- or
- Övriga
- utanför
- över
- Översikt
- panelen
- parameter
- brinner
- för
- Utföra
- prestanda
- utför
- utför
- Plattformar
- plato
- Platon Data Intelligence
- PlatonData
- Strategier
- dålig
- positiv
- möjlig
- Inlägg
- potentiell
- kraft
- den mäktigaste
- praxis
- Förutspår
- presenteras
- prissättning
- prissättningsmodell
- Principal
- problem
- process
- bearbetning
- Produkt
- produktchef
- projektet
- främja
- skydda
- ge
- förutsatt
- kvalitet
- Betygsätta
- rekommenderas
- minska
- minskar
- regioner
- förlita
- resterna
- representativ
- rykte
- Obligatorisk
- Kräver
- Svara
- respons
- Resultat
- översyn
- säker
- Exempeldatauppsättning
- Skala
- Seattle
- §
- säkra
- senior
- separat
- service
- Tjänster
- in
- Dela
- hon
- skall
- mindre
- kodavsnitt
- Social hållbarhet
- sociala medier
- Mjukvara
- mjukvaruutveckling
- Lösningar
- LÖSA
- specialiserat
- specifik
- fart
- spent
- delas
- starta
- Steg
- Steg
- Fortfarande
- lagra
- Strategi
- sådana
- tillräcklig
- system
- System
- Ta
- uppgift
- uppgifter
- taxonomi
- grupp
- testa
- Testning
- än
- den där
- Smakämnen
- deras
- Dessa
- detta
- Genom
- till
- toppnivå
- Totalt
- Tåg
- tränad
- Utbildning
- omvandla
- Traveling
- sann
- sanningen
- två
- Typ
- typiskt
- unika
- oönskade
- uppladdad
- användning
- användningsfall
- Begagnade
- Användare
- Användarupplevelse
- användare
- användningar
- med hjälp av
- Värdefulla
- värde
- version
- Video
- Video
- utsikt
- Våld
- syn
- Besök
- Röst
- volym
- gå
- vill
- var
- we
- webb
- webbservice
- były
- när
- som
- kommer
- med
- inom
- utan
- ord
- Arbete
- arbetsflöde
- arbetssätt
- år
- Om er
- Din
- zephyrnet