ปรับแต่งโปรไฟล์สัตว์เลี้ยงให้เหมาะสมสำหรับแอปพลิเคชัน Petfinder ของ Purina โดยใช้ Amazon Rekognition Custom Labels และ AWS Step Functions | อเมซอนเว็บเซอร์วิส

Purina US ซึ่งเป็นบริษัทในเครือของ Nestle มีประวัติอันยาวนานในการทำให้ผู้คนสามารถรับเลี้ยงสัตว์เลี้ยงได้ง่ายขึ้น เพ็ทไฟน์เดอร์ซึ่งเป็นตลาดดิจิทัลที่มีศูนย์พักพิงสัตว์และกลุ่มช่วยเหลือสัตว์มากกว่า 11,000 แห่งทั่วสหรัฐอเมริกา แคนาดา และเม็กซิโก ในฐานะแพลตฟอร์มการรับเลี้ยงสัตว์เลี้ยงชั้นนำ Petfinder ได้ช่วยให้สัตว์เลี้ยงหลายล้านตัวค้นพบบ้านถาวรของพวกเขา

Purina พยายามอย่างต่อเนื่องในการทำให้แพลตฟอร์ม Petfinder ดียิ่งขึ้นสำหรับทั้งสถานสงเคราะห์และกลุ่มช่วยเหลือและผู้รับเลี้ยงสัตว์เลี้ยง ความท้าทายประการหนึ่งที่พวกเขาเผชิญคือการสะท้อนถึงสายพันธุ์สัตว์เฉพาะที่พร้อมรับเลี้ยงไว้อย่างเพียงพอ เนื่องจากสัตว์ในสถานสงเคราะห์จำนวนมากเป็นพันธุ์ผสม การระบุสายพันธุ์และคุณลักษณะอย่างถูกต้องในโปรไฟล์สัตว์เลี้ยงจึงต้องใช้ความพยายามด้วยตนเอง ซึ่งใช้เวลานาน Purina ใช้ปัญญาประดิษฐ์ (AI) และการเรียนรู้ของเครื่อง (ML) เพื่อทำให้การตรวจจับสายพันธุ์สัตว์เป็นอัตโนมัติในวงกว้าง

โพสต์นี้จะอธิบายรายละเอียดว่า Purina ใช้อย่างไร ป้ายกำกับที่กำหนดเองของ Amazon Rekognition, ฟังก์ชันขั้นตอนของ AWSและบริการของ AWS อื่นๆ เพื่อสร้างโมเดล ML ที่ตรวจจับสายพันธุ์สัตว์เลี้ยงจากภาพที่อัปโหลด จากนั้นใช้การคาดการณ์เพื่อเติมแอตทริบิวต์สัตว์เลี้ยงโดยอัตโนมัติ โซลูชันมุ่งเน้นไปที่หลักการพื้นฐานของการพัฒนาเวิร์กโฟลว์แอปพลิเคชัน AI/ML ในการเตรียมข้อมูล การฝึกโมเดล การประเมินโมเดล และการตรวจสอบโมเดล

ภาพรวมโซลูชัน

การทำนายสายพันธุ์สัตว์จากรูปภาพจำเป็นต้องมีโมเดล ML แบบกำหนดเอง การพัฒนาแบบจำลองที่กำหนดเองเพื่อวิเคราะห์ภาพถือเป็นภารกิจสำคัญที่ต้องใช้เวลา ความเชี่ยวชาญ และทรัพยากร ซึ่งมักใช้เวลาหลายเดือนจึงจะเสร็จสมบูรณ์ นอกจากนี้ บ่อยครั้งที่ต้องใช้รูปภาพที่ติดป้ายกำกับด้วยมือหลายพันหรือหลายหมื่นรูปเพื่อให้โมเดลมีข้อมูลที่เพียงพอต่อการตัดสินใจได้อย่างแม่นยำ การตั้งค่าขั้นตอนการทำงานสำหรับการตรวจสอบหรือตรวจสอบการคาดการณ์แบบจำลองเพื่อตรวจสอบการปฏิบัติตามข้อกำหนดของคุณสามารถเพิ่มความซับซ้อนโดยรวมได้อีก

ด้วย Rekognition Custom Labels ซึ่งสร้างขึ้นจากความสามารถที่มีอยู่ของ ความหมายของ Amazonคุณสามารถระบุวัตถุและฉากในรูปภาพที่ตรงกับความต้องการทางธุรกิจของคุณได้ มีการฝึกอบรมเกี่ยวกับรูปภาพนับสิบล้านภาพในหลายประเภทแล้ว แทนที่จะอัปโหลดรูปภาพหลายพันรายการ คุณสามารถอัปโหลดรูปภาพการฝึกอบรมชุดเล็กๆ (โดยทั่วไปคือไม่กี่ร้อยรูปภาพหรือน้อยกว่านั้นต่อหมวดหมู่) ที่เหมาะกับกรณีการใช้งานของคุณโดยเฉพาะ

โซลูชันใช้บริการต่อไปนี้:

• Amazon API Gateway Amazon เป็นบริการที่มีการจัดการเต็มรูปแบบซึ่งช่วยให้นักพัฒนาเผยแพร่ บำรุงรักษา ตรวจสอบ และรักษาความปลอดภัย API ในทุกขนาดได้อย่างง่ายดาย
• พื้นที่ ชุดพัฒนา AWS Cloud (AWS CDK) เป็นเฟรมเวิร์กการพัฒนาซอฟต์แวร์โอเพ่นซอร์สสำหรับการกำหนดโครงสร้างพื้นฐานคลาวด์เป็นโค้ดด้วยภาษาการเขียนโปรแกรมสมัยใหม่และปรับใช้ผ่าน การก่อตัวของ AWS Cloud.
• AWS CodeBuild คือบริการบูรณาการอย่างต่อเนื่องที่มีการจัดการเต็มรูปแบบในระบบคลาวด์ CodeBuild รวบรวมซอร์สโค้ด รันการทดสอบ และสร้างแพ็คเกจที่พร้อมใช้งาน
• อเมซอน ไดนาโมดีบี เป็นบริการฐานข้อมูลที่ไม่เชิงสัมพันธ์ที่รวดเร็วและยืดหยุ่นสำหรับทุกขนาด
• AWS แลมบ์ดา เป็นบริการประมวลผลที่ขับเคลื่อนด้วยเหตุการณ์ ซึ่งช่วยให้คุณเรียกใช้โค้ดสำหรับแอปพลิเคชันหรือบริการแบ็คเอนด์แทบทุกประเภท โดยไม่ต้องจัดเตรียมหรือจัดการเซิร์ฟเวอร์
• ความหมายของ Amazon นำเสนอความสามารถด้านคอมพิวเตอร์วิทัศน์ (CV) ที่ได้รับการฝึกอบรมล่วงหน้าและปรับแต่งได้ เพื่อดึงข้อมูลและข้อมูลเชิงลึกจากรูปภาพและวิดีโอของคุณ กับ ป้ายกำกับที่กำหนดเองของ Amazon Rekognitionคุณสามารถระบุวัตถุและฉากในรูปภาพที่ตรงกับความต้องการทางธุรกิจของคุณได้
• ฟังก์ชันขั้นตอนของ AWS เป็นบริการที่มีการจัดการเต็มรูปแบบซึ่งทำให้การประสานงานส่วนประกอบของแอปพลิเคชันแบบกระจายและไมโครเซอร์วิสโดยใช้เวิร์กโฟลว์แบบภาพทำได้ง่ายขึ้น
• ผู้จัดการระบบ AWS เป็นโซลูชันการจัดการแบบ end-to-end ที่ปลอดภัยสำหรับทรัพยากรบน AWS และในสภาพแวดล้อมมัลติคลาวด์และไฮบริด ที่เก็บพารามิเตอร์ซึ่งเป็นความสามารถของ Systems Manager จัดเตรียมพื้นที่เก็บข้อมูลที่ปลอดภัยและเป็นลำดับชั้นสำหรับการจัดการข้อมูลคอนฟิกูเรชันและการจัดการความลับ

โซลูชันของ Purina ถูกปรับใช้เป็น API เกตเวย์ HTTP จุดสิ้นสุดซึ่งกำหนดเส้นทางคำขอเพื่อรับคุณลักษณะของสัตว์เลี้ยง ใช้ Rekognition Custom Labels เพื่อทำนายสายพันธุ์สัตว์เลี้ยง โมเดล ML ได้รับการฝึกจากโปรไฟล์สัตว์เลี้ยงที่ดึงมาจากฐานข้อมูลของ Purina โดยถือว่าฉลากสายพันธุ์หลักคือฉลากที่แท้จริง DynamoDB ใช้เพื่อจัดเก็บคุณลักษณะของสัตว์เลี้ยง Lambda ใช้เพื่อประมวลผลคำขอแอตทริบิวต์สัตว์เลี้ยงโดยประสานระหว่าง API Gateway, Amazon Rekognition และ DynamoDB

สถาปัตยกรรมดำเนินการดังนี้:

1. แอปพลิเคชัน Petfinder กำหนดเส้นทางคำขอเพื่อรับคุณลักษณะของสัตว์เลี้ยงผ่าน API Gateway
2. API Gateway เรียกใช้ฟังก์ชัน Lambda เพื่อรับคุณลักษณะของสัตว์เลี้ยง
3. ฟังก์ชัน Lambda เรียกใช้ตำแหน่งข้อมูลการอนุมาน Rekognition Custom Label เพื่อทำนายสายพันธุ์สัตว์เลี้ยง
4. ฟังก์ชัน Lambda ใช้ข้อมูลสายพันธุ์สัตว์เลี้ยงที่คาดการณ์ไว้เพื่อทำการค้นหาคุณลักษณะของสัตว์เลี้ยงในตาราง DynamoDB โดยจะรวบรวมคุณลักษณะของสัตว์เลี้ยงและส่งกลับไปยังแอปพลิเคชัน Petfinder

ไดอะแกรมต่อไปนี้แสดงเวิร์กโฟลว์โซลูชัน

ทีมงาน Petfinder ที่ Purina ต้องการโซลูชันอัตโนมัติที่สามารถใช้งานได้โดยมีการบำรุงรักษาเพียงเล็กน้อย เพื่อส่งมอบสิ่งนี้ เราใช้ Step Functions เพื่อสร้างเครื่องสถานะที่ฝึกโมเดลด้วยข้อมูลล่าสุด ตรวจสอบประสิทธิภาพบนชุดการวัดประสิทธิภาพ และปรับใช้โมเดลอีกครั้งหากมีการปรับปรุง การฝึกแบบจำลองใหม่เกิดขึ้นจากจำนวนการแก้ไขสายพันธุ์ที่ทำโดยผู้ใช้ที่ส่งข้อมูลโปรไฟล์

การฝึกโมเดล

การพัฒนาแบบจำลองที่กำหนดเองเพื่อวิเคราะห์ภาพถือเป็นภารกิจสำคัญที่ต้องใช้เวลา ความเชี่ยวชาญ และทรัพยากร นอกจากนี้ บ่อยครั้งที่ต้องใช้รูปภาพที่ติดป้ายกำกับด้วยมือหลายพันหรือหลายหมื่นรูปเพื่อให้โมเดลมีข้อมูลที่เพียงพอต่อการตัดสินใจได้อย่างแม่นยำ การสร้างข้อมูลนี้อาจใช้เวลาหลายเดือนในการรวบรวม และต้องใช้ความพยายามอย่างมากในการติดป้ายกำกับเพื่อใช้ในแมชชีนเลิร์นนิง มีเทคนิคที่เรียกว่า ถ่ายทอดการเรียนรู้ ช่วยผลิตโมเดลคุณภาพสูงขึ้นโดยการยืมพารามิเตอร์ของโมเดลที่ผ่านการฝึกอบรมมาแล้ว และช่วยให้โมเดลได้รับการฝึกฝนโดยใช้รูปภาพน้อยลง

ความท้าทายของเราคือข้อมูลของเราไม่ได้ติดป้ายกำกับไว้อย่างสมบูรณ์ มนุษย์ที่ป้อนข้อมูลโปรไฟล์สามารถและทำผิดพลาดได้ อย่างไรก็ตาม เราพบว่าสำหรับตัวอย่างข้อมูลที่มีขนาดใหญ่เพียงพอ รูปภาพที่ติดป้ายกำกับผิดจะมีสัดส่วนเพียงเล็กน้อย และประสิทธิภาพของโมเดลไม่ได้รับผลกระทบด้านความแม่นยำเกิน 2%

เวิร์กโฟลว์ ML และเครื่องสถานะ

เครื่องสถานะ Step Functions ได้รับการพัฒนาเพื่อช่วยในการฝึกโมเดล Amazon Rekognition ขึ้นใหม่โดยอัตโนมัติ ข้อเสนอแนะจะถูกรวบรวมระหว่างการป้อนโปรไฟล์ แต่ละครั้งที่ผู้ใช้แก้ไขสายพันธุ์ที่อนุมานจากรูปภาพเป็นสายพันธุ์อื่น การแก้ไขจะถูกบันทึก เครื่องสถานะนี้ถูกทริกเกอร์จากจำนวนการแก้ไขตามเกณฑ์ที่กำหนดได้และข้อมูลเพิ่มเติม

เครื่องสถานะทำงานผ่านหลายขั้นตอนเพื่อสร้างโซลูชัน:

1. สร้างไฟล์รายการฝึกอบรมและทดสอบที่มีรายการ บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon เส้นทางรูปภาพ (Amazon S3) และป้ายกำกับสำหรับใช้งานโดย Amazon Rekognition
2. สร้างชุดข้อมูล Amazon Rekognition โดยใช้ไฟล์ Manifest
3. ฝึกเวอร์ชันโมเดล Amazon Rekognition หลังจากสร้างชุดข้อมูลแล้ว
4. เริ่มเวอร์ชันโมเดลเมื่อการฝึกเสร็จสมบูรณ์
5. ประเมินแบบจำลองและสร้างตัวชี้วัดประสิทธิภาพ
6. หากการวัดประสิทธิภาพเป็นที่น่าพอใจ ให้อัพเดตเวอร์ชันโมเดลในที่เก็บพารามิเตอร์
7. รอให้โมเดลใหม่เผยแพร่ในฟังก์ชัน Lambda (20 นาที) จากนั้นหยุดโมเดลก่อนหน้า

การประเมินแบบจำลอง

เราใช้ชุดการระงับ 20% แบบสุ่มที่นำมาจากตัวอย่างข้อมูลของเราเพื่อตรวจสอบแบบจำลองของเรา เนื่องจากสายพันธุ์ที่เราตรวจพบนั้นสามารถกำหนดค่าได้ เราจึงไม่ใช้ชุดข้อมูลคงที่สำหรับการตรวจสอบระหว่างการฝึกอบรม แต่เราจะใช้ชุดการประเมินที่ติดป้ายกำกับด้วยตนเองสำหรับการทดสอบบูรณาการ การทับซ้อนกันของชุดที่มีการติดป้ายกำกับด้วยตนเองและสายพันธุ์ที่ตรวจพบได้ของแบบจำลองจะถูกนำมาใช้ในการคำนวณหน่วยเมตริก หากความแม่นยำในการตรวจจับสายพันธุ์ของแบบจำลองสูงกว่าเกณฑ์ที่กำหนด เราจะส่งเสริมแบบจำลองที่จะใช้ในจุดสิ้นสุด

ต่อไปนี้คือภาพหน้าจอบางส่วนของเวิร์กโฟลว์การทำนายสัตว์เลี้ยงจาก Rekognition Custom Labels

การปรับใช้กับ AWS CDK

เครื่องสถานะ Step Functions และโครงสร้างพื้นฐานที่เกี่ยวข้อง (รวมถึงฟังก์ชัน Lambda, โปรเจ็กต์ CodeBuild และพารามิเตอร์ Systems Manager) ได้รับการปรับใช้กับ AWS CDK โดยใช้ Python โค้ด AWS CDK สังเคราะห์เทมเพลต CloudFormation ซึ่งใช้เพื่อปรับใช้โครงสร้างพื้นฐานทั้งหมดสำหรับโซลูชัน

บูรณาการกับแอปพลิเคชัน Petfinder

แอปพลิเคชัน Petfinder เข้าถึงตำแหน่งข้อมูลการจัดหมวดหมู่รูปภาพผ่านตำแหน่งข้อมูล API Gateway โดยใช้คำขอ POST ที่มีเพย์โหลด JSON พร้อมฟิลด์สำหรับเส้นทาง Amazon S3 ไปยังรูปภาพและจำนวนผลลัพธ์ที่จะส่งคืน

KPI ที่จะได้รับผลกระทบ

เพื่อพิสูจน์ต้นทุนที่เพิ่มขึ้นของการเรียกใช้ตำแหน่งข้อมูลการอนุมานรูปภาพ เราได้ทำการทดลองเพื่อกำหนดค่าที่ตำแหน่งข้อมูลเพิ่มสำหรับ Petfinder การใช้ตำแหน่งข้อมูลมีการปรับปรุงหลักๆ สองประเภท:

• ลดความพยายามสำหรับสถานสงเคราะห์สัตว์เลี้ยงที่กำลังสร้างโปรไฟล์สัตว์เลี้ยง
• โปรไฟล์สัตว์เลี้ยงที่สมบูรณ์ยิ่งขึ้น ซึ่งคาดว่าจะปรับปรุงความเกี่ยวข้องในการค้นหา

ตัวชี้วัดสำหรับการวัดความพยายามและความสมบูรณ์ของโปรไฟล์ ได้แก่ จำนวนช่องที่กรอกอัตโนมัติที่ได้รับการแก้ไข จำนวนช่องทั้งหมดที่กรอก และเวลาในการอัปโหลดโปรไฟล์สัตว์เลี้ยง การปรับปรุงความเกี่ยวข้องในการค้นหาจะอนุมานโดยอ้อมจากการวัดตัวบ่งชี้ประสิทธิภาพหลักที่เกี่ยวข้องกับอัตราการนำไปใช้ จากข้อมูลของ Purina หลังจากที่โซลูชันใช้งานได้แล้ว เวลาเฉลี่ยในการสร้างโปรไฟล์สัตว์เลี้ยงบนแอปพลิเคชัน Petfinder ก็ลดลงจาก 7 นาทีเหลือ 4 นาที ซึ่งเป็นการปรับปรุงครั้งใหญ่และประหยัดเวลาได้มาก เนื่องจากในปี 2022 มีการอัปโหลดโปรไฟล์สัตว์เลี้ยงถึง 4 ล้านโปรไฟล์

Security

ข้อมูลที่ไหลผ่านไดอะแกรมสถาปัตยกรรมจะถูกเข้ารหัสระหว่างการส่งผ่านและขณะพัก ตามข้อกำหนด แนวทางปฏิบัติที่ดีที่สุดของ AWS Well-Architected. ในระหว่างการมีส่วนร่วมของ AWS ทั้งหมด ผู้เชี่ยวชาญด้านความปลอดภัยจะตรวจสอบโซลูชันเพื่อให้แน่ใจว่ามีการใช้งานที่ปลอดภัย

สรุป

ด้วยโซลูชันที่ใช้ Rekognition Custom Labels ทีมงาน Petfinder สามารถเร่งการสร้างโปรไฟล์สัตว์เลี้ยงสำหรับสถานสงเคราะห์สัตว์เลี้ยงได้ ซึ่งช่วยลดภาระด้านการบริหารจัดการของบุคลากรในสถานสงเคราะห์ การปรับใช้ตาม AWS CDK จะปรับใช้เวิร์กโฟลว์ Step Functions เพื่อทำให้กระบวนการฝึกอบรมและการปรับใช้เป็นแบบอัตโนมัติ หากต้องการเริ่มใช้ป้ายกำกับที่กำหนดเองสำหรับการจดจำ โปรดดูที่ เริ่มต้นใช้งาน Amazon Rekognition Custom Labels. คุณยังสามารถตรวจสอบบางอย่าง ตัวอย่างฟังก์ชั่นขั้นตอน และ เริ่มต้นใช้งาน AWS CDK.

---

เกี่ยวกับผู้เขียน

เมสัน เคฮิลล์ เป็นที่ปรึกษาอาวุโส DevOps ที่มี AWS Professional Services เขาสนุกกับการช่วยให้องค์กรบรรลุเป้าหมายทางธุรกิจ และหลงใหลในการสร้างและนำเสนอโซลูชันอัตโนมัติบน AWS Cloud นอกเหนือจากงาน เขาชอบใช้เวลาอยู่กับครอบครัว เดินป่า และเล่นฟุตบอล

แมทธิว เชส เป็นที่ปรึกษาด้านวิทยาศาสตร์ข้อมูลที่ Amazon Web Services ซึ่งเขาช่วยลูกค้าสร้างโซลูชันการเรียนรู้ของเครื่องที่ปรับขนาดได้ Matthew สำเร็จการศึกษาระดับปริญญาเอกสาขาคณิตศาสตร์และชอบปีนเขาและดนตรีในเวลาว่าง

รูชิเคช แจกตัป เป็นสถาปนิกโซลูชันที่มีประสบการณ์ 5 ปีขึ้นไปในบริการ AWS Analytics เขามีความกระตือรือร้นในการช่วยลูกค้าสร้างโซลูชันการวิเคราะห์ข้อมูลที่ทันสมัยและปรับขนาดได้เพื่อรับข้อมูลเชิงลึกจากข้อมูล นอกเหนือจากงาน เขาชอบดู Formula1 เล่นแบดมินตัน และแข่งรถโกคาร์ท

ทาโย โอลาจิเด้ เป็นผู้ชำนาญการด้านวิศวกรรมข้อมูลบนคลาวด์ที่มีประสบการณ์มากกว่าทศวรรษในการออกแบบสถาปัตยกรรมและการนำโซลูชันข้อมูลไปใช้งานในสภาพแวดล้อมคลาวด์ ด้วยความหลงใหลในการแปลงข้อมูลดิบให้เป็นข้อมูลเชิงลึกอันมีค่า Tayo มีบทบาทสำคัญในการออกแบบและเพิ่มประสิทธิภาพท่อส่งข้อมูลสำหรับอุตสาหกรรมต่างๆ รวมถึงอุตสาหกรรมการเงิน การดูแลสุขภาพ และยานยนต์ ในฐานะผู้นำทางความคิดในสาขานี้ Tayo เชื่อว่าพลังของข้อมูลขึ้นอยู่กับความสามารถในการขับเคลื่อนการตัดสินใจด้วยข้อมูล และมุ่งมั่นที่จะช่วยให้ธุรกิจต่างๆ ใช้ประโยชน์จากข้อมูลของตนได้อย่างเต็มศักยภาพในยุคคลาวด์ เมื่อเขาไม่ได้สร้างท่อส่งข้อมูล คุณจะพบว่า Tayo กำลังสำรวจเทรนด์เทคโนโลยีล่าสุด เดินป่าในที่โล่งแจ้ง หรือซ่อมแซมอุปกรณ์และซอฟต์แวร์

• เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
• PlatoData.Network Vertical Generative Ai เพิ่มพลังให้กับตัวเอง เข้าถึงได้ที่นี่.
• เพลโตไอสตรีม. Web3 อัจฉริยะ ขยายความรู้ เข้าถึงได้ที่นี่.
• เพลโตESG. คาร์บอน, คลีนเทค, พลังงาน, สิ่งแวดล้อม แสงอาทิตย์, การจัดการของเสีย. เข้าถึงได้ที่นี่.
• เพลโตสุขภาพ เทคโนโลยีชีวภาพและข่าวกรองการทดลองทางคลินิก เข้าถึงได้ที่นี่.
• ที่มา: https://aws.amazon.com/blogs/machine-learning/optimize-pet-profiles-for-purinas-petfinder-application-using-amazon-rekognition-custom-labels-and-aws-step-functions/