ประกาศเปิดตัวฟีเจอร์คัดลอกแบบจำลองสำหรับ Amazon Rekognition Custom Labels

ป้ายกำกับที่กำหนดเองของ Amazon Rekognition เป็นบริการคอมพิวเตอร์วิทัศน์ที่มีการจัดการเต็มรูปแบบ ซึ่งช่วยให้นักพัฒนาสามารถสร้างแบบจำลองที่กำหนดเองเพื่อจำแนกและระบุวัตถุในภาพที่มีความเฉพาะเจาะจงและไม่ซ้ำใครสำหรับธุรกิจของคุณ Rekognition Custom Labels ไม่ต้องการให้คุณมีความเชี่ยวชาญด้าน Computer Vision มาก่อน ตัวอย่างเช่น คุณสามารถค้นหาโลโก้ของคุณในโพสต์โซเชียลมีเดีย ระบุผลิตภัณฑ์ของคุณบนชั้นวางสินค้า จำแนกชิ้นส่วนเครื่องจักรในสายการประกอบ แยกแยะพืชที่มีสุขภาพดีและพืชที่ติดเชื้อ หรือตรวจจับตัวการ์ตูนในวิดีโอ

การพัฒนาโมเดลแบบกำหนดเองเพื่อวิเคราะห์ภาพเป็นภารกิจสำคัญที่ต้องใช้เวลา ความเชี่ยวชาญ และทรัพยากร ซึ่งมักใช้เวลาหลายเดือนกว่าจะเสร็จสมบูรณ์ นอกจากนี้ มักต้องใช้รูปภาพที่ติดป้ายกำกับด้วยมือเป็นพันหรือหมื่นเพื่อให้โมเดลมีข้อมูลเพียงพอสำหรับการตัดสินใจได้อย่างถูกต้อง การสร้างข้อมูลนี้อาจใช้เวลาหลายเดือนในการรวบรวม และต้องใช้ทีมผู้ติดฉลากจำนวนมากเพื่อเตรียมพร้อมสำหรับใช้ในการเรียนรู้ของเครื่อง (ML)

Rekognition Custom Labels สร้างขึ้นจากความสามารถที่มีอยู่ของ ความหมายของ Amazonซึ่งได้รับการฝึกอบรมเกี่ยวกับรูปภาพหลายสิบล้านภาพในหลากหลายหมวดหมู่ แทนที่จะต้องอัปโหลดรูปภาพนับพัน คุณเพียงแค่อัปโหลดชุดรูปภาพฝึกหัดชุดเล็กๆ (โดยทั่วไปแล้วจะมีรูปภาพไม่กี่ร้อยภาพหรือน้อยกว่านั้น) ที่เฉพาะเจาะจงกับกรณีการใช้งานของคุณโดยใช้คอนโซล Amazon Rekognition หากรูปภาพมีป้ายกำกับอยู่แล้ว คุณสามารถเริ่มฝึกโมเดลได้ด้วยการคลิกเพียงไม่กี่ครั้ง ถ้าไม่ คุณสามารถติดป้ายกำกับได้โดยตรงบนคอนโซล Rekognition Custom Labels หรือใช้ ความจริงของ Amazon SageMaker เพื่อติดฉลากพวกเขา Rekognition Custom Labels ใช้การเรียนรู้การถ่ายโอนเพื่อตรวจสอบข้อมูลการฝึกโดยอัตโนมัติ เลือกเฟรมเวิร์กโมเดลและอัลกอริธึมที่เหมาะสม เพิ่มประสิทธิภาพไฮเปอร์พารามิเตอร์ และฝึกโมเดล เมื่อคุณพอใจกับความถูกต้องของแบบจำลองแล้ว คุณสามารถเริ่มโฮสต์แบบจำลองที่ได้รับการฝึกอบรมได้ด้วยการคลิกเพียงครั้งเดียว

วันนี้เรายินดีที่จะประกาศเปิดตัวคุณลักษณะการคัดลอกแบบจำลอง Rekognition Custom Labels คุณสมบัตินี้ช่วยให้คุณคัดลอกโมเดล Rekognition Custom Labels ข้ามโปรเจ็กต์ ซึ่งสามารถอยู่ในบัญชี AWS เดียวกันหรือข้ามบัญชี AWS ในภูมิภาค AWS เดียวกัน โดยไม่ต้องฝึกโมเดลใหม่ตั้งแต่ต้น ความสามารถใหม่นี้ช่วยให้คุณย้ายโมเดล Rekognition Custom Labels ได้ง่ายขึ้นผ่านสภาพแวดล้อมต่างๆ เช่น การพัฒนา การประกันคุณภาพ การผสานรวม และการผลิต โดยไม่จำเป็นต้องคัดลอกการฝึกอบรมเดิมและชุดข้อมูลทดสอบ และฝึกอบรมโมเดลใหม่ คุณสามารถใช้ อินเทอร์เฟซบรรทัดคำสั่ง AWS AWS (AWS CLI) เพื่อคัดลอกโมเดลที่ผ่านการฝึกอบรมข้ามโปรเจ็กต์ ซึ่งสามารถอยู่ในบัญชี AWS เดียวกันหรือข้ามบัญชี AWS

ในโพสต์นี้ เราจะแสดงวิธีคัดลอกโมเดลระหว่างบัญชี AWS ต่างๆ ในภูมิภาค AWS เดียวกัน

ประโยชน์ของคุณสมบัติการคัดลอกแบบจำลอง

คุณลักษณะใหม่นี้มีประโยชน์ดังต่อไปนี้:

• แนวทางปฏิบัติที่ดีที่สุดสำหรับ ML-Ops หลายบัญชี – คุณสามารถฝึกโมเดลได้ครั้งเดียวและรับรองการปรับใช้ที่คาดการณ์ได้ด้วยผลลัพธ์ที่สอดคล้องกันในหลายบัญชีที่แมปกับสภาพแวดล้อมต่างๆ เช่น การพัฒนา การประกันคุณภาพ การผสานรวม และการผลิต ช่วยให้คุณปฏิบัติตามแนวทางปฏิบัติที่ดีที่สุดของ ML-Ops ภายในองค์กรของคุณ
• ประหยัดค่าใช้จ่ายและปรับใช้ได้เร็วขึ้น – คุณสามารถคัดลอกแบบจำลองที่ผ่านการฝึกอบรมระหว่างบัญชีต่างๆ ได้อย่างรวดเร็ว หลีกเลี่ยงเวลาในการฝึกซ้ำในทุกบัญชี และประหยัดค่าใช้จ่ายในการฝึกอบรมแบบจำลองใหม่
• ปกป้องชุดข้อมูลที่ละเอียดอ่อน – คุณไม่จำเป็นต้องแชร์ชุดข้อมูลระหว่างบัญชี AWS หรือผู้ใช้ต่างๆ อีกต่อไป ข้อมูลการฝึกอบรมต้องพร้อมใช้งานเฉพาะในบัญชี AWS ที่ทำการฝึกโมเดล สิ่งนี้สำคัญมากสำหรับอุตสาหกรรมบางประเภท ซึ่งการแยกข้อมูลเป็นสิ่งจำเป็นเพื่อให้เป็นไปตามข้อกำหนดทางธุรกิจหรือข้อบังคับ
• ทำงานร่วมกันได้ง่าย – ขณะนี้ คู่ค้าหรือผู้ขายสามารถฝึกอบรมโมเดล Amazon Rekognition Custom Labels ได้อย่างง่ายดายในบัญชี AWS ของตนเอง และแบ่งปันโมเดลกับผู้ใช้ในบัญชี AWS
• ประสิทธิภาพที่สอดคล้อง – ตอนนี้ประสิทธิภาพของโมเดลมีความสอดคล้องกันในบัญชี AWS ต่างๆ การฝึกแบบจำลองโดยทั่วไปจะไม่ถูกกำหนด และแบบจำลองสองแบบที่ฝึกด้วยชุดข้อมูลเดียวกันไม่รับประกันคะแนนประสิทธิภาพเดียวกันและการคาดคะเนที่เหมือนกัน การคัดลอกแบบจำลองช่วยให้แน่ใจว่าลักษณะการทำงานของแบบจำลองที่คัดลอกนั้นสอดคล้องกับแบบจำลองต้นทาง ทำให้ไม่จำเป็นต้องทดสอบแบบจำลองซ้ำ

ภาพรวมโซลูชัน

ไดอะแกรมต่อไปนี้แสดงสถาปัตยกรรมโซลูชันของเรา

โพสต์นี้ถือว่าคุณมีโมเดล Rekognition Custom Labels ที่ผ่านการฝึกอบรมในบัญชีต้นทางของคุณ สำหรับคำแนะนำ โปรดดูที่ ฝึกอบรมโมเดลการตรวจจับวัตถุคลาสเดี่ยวแบบกำหนดเองด้วย Amazon Rekognition Custom Labels. ในโพสต์นี้ เราใช้การจัดหมวดหมู่รูปภาพโครงการ "ห้อง" จาก Rekognition Custom Labels ตัวอย่างรายการโครงการ และฝึกแบบจำลองการจัดประเภทห้องในบัญชีต้นทางเพื่อจำแนกภาพห้องครัว ห้องน้ำ ห้องนั่งเล่น และอื่นๆ

เพื่อสาธิตการทำงานของคุณลักษณะการคัดลอกแบบจำลอง เราดำเนินการตามขั้นตอนต่อไปนี้ในบัญชีต้นทาง:

1. เริ่มโมเดลและรันการอนุมานบนอิมเมจตัวอย่าง
2. กำหนดนโยบายตามทรัพยากรเพื่ออนุญาตให้เข้าถึงข้ามบัญชีเพื่อคัดลอกโมเดล Rekognition Custom Labels

จากนั้นเราจะคัดลอกโมเดลต้นทางไปยังบัญชีเป้าหมาย

3. สร้าง บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon บัคเก็ต (Amazon S3) ซึ่งทำหน้าที่เป็นคอนเทนเนอร์สำหรับการประเมินโมเดลและสถิติประสิทธิภาพ
4. สร้างโครงการ
5. คัดลอกรูปแบบการฝึกอบรมจากบัญชีต้นทางไปยังบัญชีเป้าหมาย
6. เริ่มโมเดลและรันการอนุมานบนอิมเมจตัวอย่าง
7. ตรวจสอบผลการอนุมานที่ตรงกับผลลัพธ์ของรูปแบบบัญชีต้นทาง

เบื้องต้น

นอกจากการมีโมเดลที่ได้รับการฝึกอบรมแล้วในบัญชีต้นทางของคุณแล้ว อย่าลืมทำตามขั้นตอนข้อกำหนดเบื้องต้นต่อไปนี้:

1. ติดตั้ง AWS CLI V2
2. กำหนดค่า AWS CLI ของคุณด้วยรหัสต่อไปนี้และป้อนภูมิภาคของคุณ:

   aws configure

3. เรียกใช้คำสั่งต่อไปนี้เพื่อให้แน่ใจว่าคุณมี AWS CLI เวอร์ชัน 2.xx ติดตั้งอยู่บนโฮสต์ในพื้นที่ของคุณ:

   aws --version

4. อัปเดตไฟล์ข้อมูลรับรอง AWS ภายใต้ $HOME/.aws/credentials ด้วยรายการต่อไปนี้:

   [source-account]
   aws_access_key_id = ####
   aws_secret_access_key = #######
   
   [target-account]
   aws_access_key_id = ####
   aws_secret_access_key = #######

5. รับ ProjectArn และ ProjectVersionArn สำหรับบัญชี AWS ต้นทางProjectArn เป็นโครงการที่เกี่ยวข้องกับโมเดลต้นทางของคุณ ProjectVersionArn เป็นรุ่นของรุ่นที่คุณสนใจจะคัดลอกไปยังบัญชีเป้าหมาย คุณสามารถค้นหา SourceProjectArn ใช้คำสั่งต่อไปนี้:

   aws rekognition describe-projects 
   --region us-east-1 
   --profile source-account
   
   {
       "ProjectDescriptions": [{
           "ProjectArn": "arn:aws:rekognition:us-east-1::111111111111:project/rooms_1/1657588855531",
           .
           .
       }]
   }

   หากคุณเห็นเอาต์พุตหลายบรรทัด ให้เลือก ProjectArn เชื่อมโยงกับโมเดลที่คุณจะคัดลอก

   คุณสามารถค้นหา SourceProjectVersionArn สำหรับรุ่นที่คุณฝึกโดยใช้ SourceProjectArn (ผลลัพธ์ก่อนหน้า). แทนที่ SourceProjectArn ในคำสั่งต่อไปนี้:

   aws rekognition describe-project-versions 
   --project-arn SourceProjectArn 
   --region us-east-1 
   --profile source-account

   คำสั่งส่งคืน SourceProjectVersionArn. หากคุณเห็นเอาต์พุตหลายบรรทัด ให้เลือก ProjectVersionArn ที่น่าสนใจ

   {
       "ProjectVersionDescriptions": [
           {
               "ProjectVersionArn": "arn:aws:rekognition:us-east-1:111111111111:project/rooms_1/version/rooms_1.2022-07-12T09.39.36/1657643976475",
               .
               .
           }
       ]
   }

ตอนนี้คุณพร้อมที่จะดำเนินการตามขั้นตอนเพื่อนำโซลูชันไปใช้แล้ว แทนที่ค่าของ SourceProjectArn และ SourceProjectVersionArn ในคำสั่งต่อไปนี้ด้วยค่าที่คุณสร้างขึ้น

1. เริ่มโมเดลและรันการอนุมานบนภาพตัวอย่าง

ในบัญชีต้นทาง ให้ป้อนรหัสต่อไปนี้เพื่อเริ่มโมเดล:

aws rekognition start-project-version 
--project-version-arn SourceProjectVersionArn 
--min-inference-units 1 
--region us-east-1 
--profile source-account
{
    "Status": "STARTING"
}

หลังจากโฮสต์โมเดลแล้วและอยู่ในสถานะกำลังทำงาน คุณสามารถรันการอนุมานได้

เราใช้รูปภาพต่อไปนี้ (demo1.jpeg และ demo2.jpeg) เพื่อเรียกใช้การอนุมาน อิมเมจเหล่านี้อยู่ในระบบไฟล์ในเครื่องของเราในไดเรกทอรีเดียวกันกับที่เรียกใช้คำสั่ง AWS CLI

รูปภาพต่อไปนี้คือ demo1.jpeg ซึ่งแสดงสนามหลังบ้าน

ดูรหัสอนุมานและผลลัพธ์ต่อไปนี้:

aws rekognition detect-custom-labels 
--project-version-arn SourceProjectVersionArn   
--image-bytes fileb://demo1.jpeg 
--region us-east-1 
--profile source-account
{
    "Name": "backyard",
    "Confidence": 45.77000045776367
 }

รูปภาพต่อไปนี้คือ demo2.jpeg ซึ่งแสดงห้องนอน

ดูรหัสอนุมานและผลลัพธ์ต่อไปนี้:

aws rekognition detect-custom-labels 
--project-version-arn SourceProjectVersionArn   
--image-bytes fileb://demo2.jpeg 
--region us-east-1 
--profile source-account
{
    "Name": "bedroom",
    "Confidence": 61.84600067138672
 }

ผลการอนุมานแสดงว่ารูปภาพเป็นของคลาส backyard และ bedroomด้วยคะแนนความเชื่อมั่น 45.77 และ 61.84 ตามลำดับ

2. กำหนดนโยบายทรัพยากร IAM สำหรับโมเดลที่ได้รับการฝึกอบรมเพื่ออนุญาตการเข้าถึงข้ามบัญชี

หากต้องการสร้างนโยบาย IAM ตามทรัพยากร ให้ทำตามขั้นตอนต่อไปนี้ในบัญชีต้นทาง:

1. อนุญาตให้บัญชี AWS เฉพาะของคุณเข้าถึงทรัพยากรโดยใช้นโยบายทรัพยากร IAM ที่ให้มา (สำหรับข้อมูลเพิ่มเติม โปรดดูที่ การสร้างเอกสารนโยบายโครงการ. แทนที่ค่าสำหรับ TargetAWSAccountId และ SourceProjectVersionArn ในนโยบายดังต่อไปนี้

   {
       "Version": "2012-10-17",
       "Statement": [
           {
               "Principal": {
                   "AWS": [ "TargetAWSAccountId" ]
               },
               "Action": "Rekognition:CopyProjectVersion",
               "Resource": "SourceProjectVersionArn",
               "Effect": "Allow"
           }
       ]
   }

2. แนบนโยบายกับโครงการในบัญชีต้นทางโดยเรียกคำสั่งต่อไปนี้

   aws rekognition put-project-policy 
   --project-arn SourceProjectArn 
   --policy-name PolicyName 
   --policy-document '{
       "Version": "2012-10-17",
       "Statement": [
           {
               "Principal": {
                   "AWS": [ "TargetAWSAccountId" ]
               },
               "Action": "Rekognition:CopyProjectVersion",
               "Resource": "SourceProjectVersionArn",
               "Effect": "Allow"
           }
       ]
   }' 
   --region us-east-1 
   --profile source-account

   แทนที่ SourceProjectArn, PolicyName, TargetAWSAccountIdและ SourceProjectVersionArn.

   ผลลัพธ์แสดงรหัสการแก้ไขนโยบายที่สร้างขึ้น:

   {
       "PolicyRevisionId": "f95907f9c1472c114f61b0e1f31ed131"
   }

ตอนนี้เราพร้อมที่จะคัดลอกโมเดลการฝึกอบรมจากบัญชีต้นทางไปยังบัญชีเป้าหมายแล้ว.

3. สร้างบัคเก็ต S3 ในบัญชีเป้าหมาย

คุณสามารถใช้บัคเก็ต S3 ที่มีอยู่ในบัญชีของคุณหรือสร้างบัคเก็ต S3 ใหม่ได้ สำหรับโพสต์นี้ เราเรียกสิ่งนี้ว่าถัง S3 DestinationS3Bucket.

4. สร้างโครงการ Rekognition Custom Labels ใหม่

สร้างโครงการใหม่ด้วยรหัสต่อไปนี้:

aws rekognition create-project 
--project-name target_rooms_1 
--region us-east-1 
--profile target-account 

สิ่งนี้จะสร้างไฟล์ TargetProjectArn ในบัญชีเป้าหมาย:

{
    "ProjectArn": "arn:aws:rekognition:us-east-1:222222222222:project/target_rooms_1/1657599660206"
}

สังเกตมูลค่าโครงการปลายทาง ProjectArn สนาม. เราใช้ค่านี้ในคำสั่ง copy model ต่อไปนี้

5. คัดลอกโมเดลจากบัญชีต้นทางไปยังบัญชีเป้าหมาย

จัดหาแหล่งที่มาและเป้าหมาย ProjectArn, แหล่งที่มา ProjectVersionArnและกำหนดเป้าหมายที่ฝากข้อมูล S3 และคำนำหน้าคีย์ S3 ในโค้ดต่อไปนี้:

aws rekognition copy-project-version 
--source-project-arn SourceProjectArn 
--source-project-version-arn SourceProjectVersionArn 
--destination-project-arn TargetProjectArn 
--version-name TargetVersionName 
--output-config '{"S3Bucket":"DestinationS3Bucket", "S3KeyPrefix":"DestinationS3BucketPrefix"}' 
--region us-east-1 
--profile target-account

สิ่งนี้จะสร้างแบบจำลองที่คัดลอก TargetProjectVersionArn ในบัญชีเป้าหมาย ดิ TargetVersionName ในกรณีของเราได้รับการตั้งชื่อ copy_rooms_1:

{
    "ProjectVersionArn": "arn:aws:rekognition:us-east-1:222222222222:project/target_rooms_1/version/copy_rooms_1/1657667877079"
}

ตรวจสอบสถานะของกระบวนการคัดลอกแบบจำลอง:

aws rekognition describe-project-versions 
--project-arn TargetProjectArn 
--version-names TargetVersionName 
--region us-east-1 
--profile target-account

สำเนาแบบจำลองจากบัญชีต้นทางไปยังบัญชีเป้าหมายจะเสร็จสมบูรณ์เมื่อ Status เปลี่ยนเป็น COPYING_COMPLETED:

 {
    "ProjectVersionDescriptions": [
        {
            "ProjectVersionArn": "arn:aws:rekognition:us-east-1:222222222222:project/target_rooms_1/version/copy_rooms_1/1657667877079",
            "CreationTimestamp": "2022-07-12T16:17:57.079000-07:00",
            "Status": "COPYING_COMPLETED",
            "StatusMessage": "Model copy operation was successful",
            ..........
            ..........
            "EvaluationResult": {
                "F1Score": 0.0,
                "Summary": {

6. เริ่มโมเดลและเรียกใช้การอนุมาน

ป้อนรหัสต่อไปนี้เพื่อเริ่มโมเดลในบัญชีเป้าหมาย:

aws rekognition start-project-version 
--project-version-arn TargetProjectArn 
--min-inference-units 1 
--region us-east-1 
--profile target-account
{
    "Status": "STARTING"
}

ตรวจสอบสถานะของรุ่น:

aws rekognition describe-project-versions 
--project-arn TargetProjectArn 
--version-names copy_rooms_1 
--region us-east-1 
--profile target-account

โมเดลนี้โฮสต์และทำงานอยู่:

{
    "ProjectVersionDescriptions": [
        {
            "ProjectVersionArn": "arn:aws:rekognition:us-east-1:222222222222:project/target_rooms_1/version/copy_rooms_1/1657667877079",
            "CreationTimestamp": "2022-07-12T16:17:57.079000-07:00",
            "MinInferenceUnits": 1,
            "Status": "RUNNING",
            "StatusMessage": "The model is running.",
            ..........
            ..........
        }
    ]
}

เรียกใช้การอนุมานด้วยรหัสต่อไปนี้:

aws rekognition detect-custom-labels 
 --project-version-arn TargetProjectVersionArn 
 --image-bytes fileb://demo1.jpeg 
 --region us-east-1 
 --profile target-account
{
    "Name": "backyard",
    "Confidence": 45.77000045776367
 }
aws rekognition detect-custom-labels 
 --project-version-arn TargetProjectVersionArn 
 --image-bytes fileb://demo2.jpeg 
 --region us-east-1 
 --profile target-account
{
    "Name": "bedroom",
    "Confidence": 61.84600067138672

7. ตรวจสอบผลการอนุมานว่าตรงกัน

คลาสและคะแนนความมั่นใจสำหรับรูปภาพ demo1.jpg และ demo2.jpg ในบัญชีเป้าหมายควรตรงกับผลลัพธ์ในบัญชีต้นทาง

สรุป

ในโพสต์นี้ เราได้สาธิตคุณลักษณะการคัดลอกแบบจำลอง Rekognition Custom Label คุณลักษณะนี้ช่วยให้คุณสามารถฝึกรูปแบบการจำแนกประเภทหรือการตรวจจับวัตถุในบัญชีหนึ่ง แล้วแบ่งปันแบบจำลองกับอีกบัญชีหนึ่งในภูมิภาคเดียวกัน วิธีนี้ช่วยลดความซับซ้อนของกลยุทธ์แบบหลายบัญชี โดยที่โมเดลสามารถฝึกได้ครั้งเดียวและแชร์ระหว่างบัญชีภายในภูมิภาคเดียวกันโดยไม่ต้องอบรมใหม่หรือแชร์ชุดข้อมูลการฝึกอบรม ซึ่งช่วยให้สามารถปรับใช้งานได้ในทุกบัญชีโดยเป็นส่วนหนึ่งของเวิร์กโฟลว์ MLOps ของคุณ สำหรับข้อมูลเพิ่มเติม โปรดดูที่ การคัดลอกโมเดล Amazon Rekognition Custom Labelsหรือลองใช้คำแนะนำในโพสต์นี้โดยใช้ cloud Shell กับ AWS CLI

ในขณะที่เขียนนี้ คุณลักษณะการคัดลอกแบบจำลองใน Amazon Rekognition Custom Labels มีให้บริการในภูมิภาคต่อไปนี้:

• สหรัฐอเมริกาฝั่งตะวันออก (โอไฮโอ)
• สหรัฐอเมริกาฝั่งตะวันออก (เวอร์จิเนียเหนือ)
• สหรัฐอเมริกาฝั่งตะวันตก (ออริกอน)
• เอเชียแปซิฟิก (มุมไบ)
• เอเชียแปซิฟิก (โซล)
• เอเชียแปซิฟิก (สิงคโปร์)
• เอเชียแปซิฟิก (ซิดนีย์)
• เอเชียแปซิฟิก (โตเกียว)
• สหภาพยุโรป (แฟรงค์เฟิร์ต)
• สหภาพยุโรป (ไอร์แลนด์)
• สหภาพยุโรป (ลอนดอน)

ลองใช้คุณลักษณะนี้และโปรดส่งข้อเสนอแนะถึงเราผ่านทาง ฟอรัม AWS สำหรับ Amazon Rekognition หรือผ่านผู้ติดต่อฝ่ายสนับสนุนของ AWS

เกี่ยวกับผู้แต่ง

Amit Gupta เป็นสถาปนิกอาวุโสด้านโซลูชันบริการ AI ที่ AWS เขาหลงใหลในการช่วยให้ลูกค้าได้รับโซลูชันแมชชีนเลิร์นนิงที่มีสถาปัตยกรรมที่ดีในวงกว้าง

โยเกช จตุรเวดี เป็นสถาปนิกโซลูชันที่ AWS โดยมุ่งเน้นด้านการมองเห็นด้วยคอมพิวเตอร์ เขาทำงานร่วมกับลูกค้าเพื่อจัดการกับความท้าทายทางธุรกิจโดยใช้เทคโนโลยีคลาวด์ นอกเวลางาน เขาชอบเดินป่า ท่องเที่ยว และดูกีฬา

อาคัช ลึก เป็นวิศวกรซอฟต์แวร์อาวุโสของ AWS เขาสนุกกับการทำงานเกี่ยวกับคอมพิวเตอร์วิทัศน์ AI และระบบแบบกระจาย นอกเวลางาน เขาชอบเดินป่าและท่องเที่ยว

พัชมีน มิสทรี เป็นผู้จัดการผลิตภัณฑ์อาวุโสของ Amazon Rekognition Custom Labels นอกที่ทำงาน Pashmeen สนุกกับการเดินป่า ถ่ายภาพ และใช้เวลาอยู่กับครอบครัว