Компанії все більше покладаються на створені користувачами зображення та відео для залучення. Від платформ електронної комерції, які заохочують клієнтів ділитися зображеннями продуктів, до компаній соціальних мереж, які рекламують створені користувачами відео та зображення, використання вмісту користувача для залучення є потужною стратегією. Однак може бути складно переконатися, що цей створений користувачами вміст узгоджується з вашою політикою та сприяє безпечній онлайн-спільноті для ваших користувачів.
Зараз багато компаній залежать від людей-модераторів або реагують на скарги користувачів, щоб керувати неприйнятним вмістом, створеним користувачами. Ці підходи не масштабуються для ефективної модерації мільйонів зображень і відео з достатньою якістю чи швидкістю, що призводить до поганої взаємодії з користувачем, високих витрат на досягнення масштабу або навіть потенційної шкоди репутації бренду.
У цій публікації ми обговорюємо, як використовувати функцію індивідуальної модерації в Amazon Rekognition щоб підвищити точність попередньо навченого API модерації вмісту.
Модерація вмісту в Amazon Rekognition
Amazon Rekognition — це керований сервіс штучного інтелекту (ШІ), який пропонує попередньо підготовлені та настроювані можливості комп’ютерного зору для отримання інформації та розуміння із зображень і відео. Однією з таких можливостей є Модерація вмісту Amazon Rekognition, який виявляє невідповідний або небажаний вміст у зображеннях і відео. Amazon Rekognition використовує ієрархічну класифікацію для позначення неприйнятного або небажаного вмісту за допомогою 10 категорій модерації верхнього рівня (наприклад, насильство, відверто, алкоголь або наркотики) і 35 категорій другого рівня. Клієнти в таких галузях, як електронна комерція, соціальні мережі та ігри, можуть використовувати модерацію вмісту в Amazon Rekognition, щоб захистити репутацію свого бренду та створити безпечні спільноти користувачів.
Використовуючи Amazon Rekognition для модерації зображень і відео, люди-модератори мають переглядати набагато менший набір вмісту, як правило, 1–5% від загального обсягу, уже позначеного моделлю модерування вмісту. Це дозволяє компаніям зосередитися на більш цінних видах діяльності та все одно досягти повного покриття модерації за невелику частку поточних витрат.
Представляємо спеціальну модерацію Amazon Rekognition
Тепер ви можете підвищити точність моделі модерації Rekognition для даних вашого бізнесу за допомогою функції Custom Moderation. Ви можете навчити спеціальний адаптер лише з 20 анотованими зображеннями менш ніж за 1 годину. Ці адаптери розширюють можливості моделі модерації, щоб з більшою точністю виявляти зображення, які використовуються для навчання. Для цієї публікації ми використовуємо зразок набору даних, що містить як безпечні зображення, так і зображення алкогольних напоїв (вважаються небезпечними), щоб підвищити точність етикетки модерації алкоголю.
Унікальний ідентифікатор навченого адаптера можна надати існуючому DetectModerationLabels Робота API для обробки зображень за допомогою цього адаптера. Кожен адаптер може використовуватися лише обліковим записом AWS, який використовувався для навчання адаптера, гарантуючи, що дані, які використовуються для навчання, залишаються в безпеці та надійності в цьому обліковому записі AWS. За допомогою функції спеціальної модерації ви можете налаштувати попередньо навчену модель модерації Rekognition для покращення продуктивності у вашому конкретному випадку використання модерації, не маючи досвіду машинного навчання (ML). Ви можете й надалі користуватися перевагами повністю керованої служби модерації за допомогою моделі ціноутворення за користувацьку модерацію.
Огляд рішення
Навчання спеціального адаптера модерації включає п’ять кроків, які можна виконати за допомогою Консоль управління AWS або інтерфейс API:
- Створіть проект
- Завантажте дані навчання
- Призначте зображенням мітки реальності
- Навчіть адаптер
- Використовуйте адаптер
Розглянемо ці кроки більш детально за допомогою консолі.
Створіть проект
Проект — це контейнер для зберігання ваших адаптерів. Ви можете навчити кілька адаптерів у проекті з різними навчальними наборами даних, щоб визначити, який адаптер найкраще працює для вашого конкретного випадку використання. Щоб створити свій проект, виконайте наступні кроки:
- На консолі Amazon Rekognition виберіть Спеціальна модерація у навігаційній панелі.
- Вибирати Створити проект.
- для Назва проекту, введіть назву свого проекту.
- для Назва адаптера, введіть назву свого адаптера.
- За бажанням введіть опис свого адаптера.
Завантажити тренувальні дані
Ви можете почати лише з 20 зразків зображень, щоб адаптувати модель модерації для виявлення меншої кількості хибних спрацьовувань (зображення, які підходять для вашого бізнесу, але позначені моделлю міткою модерації). Щоб зменшити кількість хибних негативів (зображень, які є невідповідними для вашого бізнесу, але не позначаються міткою модерації), вам потрібно почати з 50 зразків зображень.
Ви можете вибрати один із наведених нижче параметрів, щоб надати набори даних зображень для навчання адаптера:
Виконайте такі дії:
- Для цієї публікації виберіть Імпортувати зображення з сегмента S3 і введіть свій S3 URI.
Як і будь-який процес навчання ML, для навчання адаптора спеціальної модерації в Amazon Rekognition потрібні два окремі набори даних: один для навчання адаптера, а інший – для оцінки адаптера. Ви можете завантажити окремий тестовий набір даних або автоматично розділити набір навчальних даних для навчання та тестування.
- Для цієї публікації виберіть Авторозділ.
- Select Увімкніть автоматичне оновлення щоб забезпечити автоматичне перенавчання адаптера під час запуску нової версії моделі модерування вмісту.
- Вибирати Створити проект.
Призначте зображенням мітки реальності
Якщо ви завантажили зображення без анотацій, ви можете використовувати консоль Amazon Rekognition, щоб надати мітки зображення відповідно до таксономії модерації. У наступному прикладі ми навчимо адаптер виявляти прихований алкоголь з вищою точністю та позначимо всі такі зображення міткою алкоголю. Зображення, які не вважаються неприйнятними, можуть бути позначені як безпечні.
Навчіть адаптер
Після того як ви позначите всі зображення, виберіть Почніть тренування ініціювати навчальний процес. Amazon Rekognition використовуватиме завантажені набори даних зображень для навчання моделі адаптера для підвищення точності на конкретному типі зображень, наданих для навчання.
Після того, як налаштований адаптор модерації буде навчено, ви зможете переглянути всі деталі адаптера (adapterID
, test
та training
файли маніфесту) у Продуктивність адаптера .
Команда Продуктивність адаптера у розділі показано покращення хибно-позитивних і хибно-негативних результатів порівняно з попередньо навченою моделлю модерування. Адаптер, який ми навчили покращувати виявлення етикетки алкоголю, знижує частоту помилкових негативних результатів на тестових зображеннях на 73%. Іншими словами, адаптер тепер точно прогнозує етикетку модерації алкоголю для на 73% більше зображень порівняно з попередньо навченою моделлю модерації. Однак при хибнопозитивних результатах не спостерігається покращення, оскільки для навчання не використовувалися хибнопозитивні зразки.
Використовуйте адаптер
Щоб досягти підвищеної точності, ви можете робити висновки за допомогою нещодавно навченого адаптера. Для цього зателефонуйте в Amazon Rekognition DetectModerationLabel
API з додатковим параметром, ProjectVersion
, що є унікальним AdapterID
адаптера. Нижче наведено приклад команди з використанням Інтерфейс командного рядка AWS (AWS CLI):
Нижче наведено зразок фрагмента коду з використанням Бібліотека Python Boto3:
Кращі практики для навчання
Щоб максимізувати продуктивність вашого адаптера, рекомендовано дотримуватися наведених нижче найкращих методів навчання адаптера.
- Дані зразка зображення мають фіксувати типові помилки, для яких ви хочете покращити точність моделі модерування
- Замість того, щоб лише вводити помилкові зображення для хибно-позитивних і хибно-негативних результатів, ви також можете надати справжні позитивні та справжні негативні зображення для покращення продуктивності
- Надайте якомога більше анотованих зображень для навчання
Висновок
У цій публікації ми представили поглиблений огляд нової функції користувацької модерації Amazon Rekognition. Крім того, ми детально описали кроки для виконання тренувань за допомогою консолі, включаючи найкращі практики для досягнення оптимальних результатів. Щоб отримати додаткову інформацію, відвідайте консоль Amazon Rekognition і ознайомтеся з функцією Custom Moderation.
Спеціальна модерація Amazon Rekognition тепер загальнодоступний у всіх регіонах AWS, де доступне Amazon Rekognition.
Дізнатися більше про модерація контенту на AWS. Зробіть перший крок назустріч спрощення операцій модерації вмісту за допомогою AWS.
Про авторів
Шипра Канорія є головним менеджером із продуктів в AWS. Вона захоплено допомагає клієнтам вирішувати їхні найскладніші проблеми за допомогою можливостей машинного навчання та штучного інтелекту. Перш ніж приєднатися до AWS, Шипра пропрацювала понад 4 роки в Amazon Alexa, де вона запустила багато функцій, пов’язаних з продуктивністю, у голосовому помічнику Alexa.
Аакаш Діп є менеджером з розробки програмного забезпечення в Сіетлі. Йому подобається працювати над комп’ютерним зором, ШІ та розподіленими системами. Його місія полягає в тому, щоб дозволити клієнтам вирішувати складні проблеми та створювати цінності за допомогою AWS Rekognition. Поза роботою любить піші прогулянки та подорожі.
Лана Чжан є старшим архітектором рішень у команді AWS WWSO AI Services, яка спеціалізується на штучному інтелекті та машинному моделюванні для модерації вмісту, комп’ютерного зору, обробки природної мови та генеративного штучного інтелекту. Завдяки своєму досвіду вона присвятила себе просуванню рішень AWS AI/ML і допомозі клієнтам трансформувати їхні бізнес-рішення в різних галузях, включаючи соціальні мережі, ігри, електронну комерцію, медіа, рекламу та маркетинг.
- Розповсюдження контенту та PR на основі SEO. Отримайте посилення сьогодні.
- PlatoData.Network Vertical Generative Ai. Додайте собі сили. Доступ тут.
- PlatoAiStream. Web3 Intelligence. Розширення знань. Доступ тут.
- ПлатонЕСГ. вуглець, CleanTech, Енергія, Навколишнє середовище, Сонячна, Поводження з відходами. Доступ тут.
- PlatoHealth. Розвідка про біотехнології та клінічні випробування. Доступ тут.
- джерело: https://aws.amazon.com/blogs/machine-learning/announcing-rekogniton-custom-moderation-enhance-accuracy-of-pre-trained-rekognition-moderation-models-with-your-data/
- :є
- : ні
- :де
- 1
- 10
- 100
- 118
- 150
- 20
- 35%
- 50
- 7
- 9
- a
- аакаш
- МЕНЮ
- рахунки
- точність
- точно
- Achieve
- через
- діяльності
- пристосовувати
- Додатковий
- Додаткова інформація
- адреса
- реклама
- AI
- Послуги ШІ
- AI / ML
- Алкоголь
- Alexa
- ВСІ
- вже
- Також
- Amazon
- Amazon Rekognition
- Amazon Web Services
- an
- та
- Оголошуючи
- Інший
- будь-який
- API
- підходи
- відповідний
- ЕСТЬ
- штучний
- штучний інтелект
- Штучний інтелект (AI)
- AS
- оцінити
- Помічник
- допомагати
- At
- автор
- автоматично
- доступний
- AWS
- заснований
- BE
- перед тим
- починати
- Переваги
- КРАЩЕ
- передового досвіду
- обидва
- марка
- Приведення
- бізнес
- але
- by
- call
- CAN
- можливості
- можливості
- захоплення
- випадок
- категорії
- складні
- Вибирати
- клієнт
- код
- спільноти
- співтовариство
- Компанії
- порівняний
- скарги
- повний
- комплекс
- всеосяжний
- комп'ютер
- Комп'ютерне бачення
- вважається
- послідовний
- Консоль
- Контейнер
- зміст
- продовжувати
- Коштувати
- витрати
- охоплення
- створювати
- Створити цінність
- В даний час
- виготовлений на замовлення
- Клієнти
- настроюється
- дані
- набори даних
- присвячених
- глибокий
- description
- деталь
- докладно
- деталі
- виявляти
- Виявлення
- розробка
- різний
- обговорювати
- дисплеїв
- розподілений
- розподілені системи
- Різне
- do
- Не знаю
- Наркотики
- e-commerce
- кожен
- електронної комерції
- фактично
- або
- включіть
- дозволяє
- заохочення
- зачеплення
- Машинобудування
- підвищувати
- підвищена
- користуватися
- забезпечувати
- забезпечення
- Що натомість? Створіть віртуальну версію себе у
- помилка
- помилки
- оцінки
- Навіть
- приклад
- існуючий
- досвід
- експертиза
- дослідити
- продовжити
- витяг
- false
- особливість
- риси
- кілька
- менше
- Файли
- Перший
- п'ять
- позначений прапором
- Сфокусувати
- після
- для
- Сприяти
- вихователі
- фракція
- від
- повністю
- Крім того
- азартні ігри
- в цілому
- генеративний
- Генеративний ШІ
- отримати
- Земля
- шкодити
- Мати
- he
- допомогу
- її
- прихований
- Високий
- вище
- його
- годину
- Як
- How To
- Однак
- HTML
- HTTP
- HTTPS
- людина
- ID
- зображення
- зображень
- удосконалювати
- поліпшений
- поліпшення
- поліпшення
- in
- В інших
- поглиблений
- У тому числі
- все більше і більше
- промисловості
- інформація
- ініціювати
- розуміння
- Інтелект
- інтерфейс
- IT
- приєднання
- етикетка
- етикетки
- мова
- запущений
- Веде за собою
- вивчення
- менше
- Лінія
- список
- машина
- навчання за допомогою машини
- управляти
- вдалося
- управління
- менеджер
- багато
- Маркетинг
- Максимізувати
- Медіа
- мільйони
- Місія
- ML
- модель
- Моделі
- помірність
- більше
- найбільш
- багато
- множинний
- ім'я
- Природний
- Обробка природних мов
- навігація
- негативний
- негативах
- Нові
- нещодавно
- немає
- зараз
- of
- Пропозиції
- on
- ONE
- онлайн
- тільки
- операція
- операції
- оптимальний
- Опції
- or
- Інше
- поза
- над
- огляд
- pane
- параметр
- пристрасний
- для
- Виконувати
- продуктивність
- виконанні
- виступає
- Платформи
- plato
- Інформація про дані Платона
- PlatoData
- Політика
- бідні
- позитивний
- це можливо
- пошта
- потенціал
- влада
- потужний
- практики
- Прогнози
- представлений
- ціни без прихованих комісій
- модель ціноутворення
- Головний
- проблеми
- процес
- обробка
- Product
- менеджер по продукції
- проект
- сприяння
- захист
- забезпечувати
- за умови
- якість
- ставка
- рекомендований
- зменшити
- знижує
- райони
- покладатися
- залишається
- представник
- репутація
- вимагається
- Вимагається
- Реагувати
- відповідь
- результати
- огляд
- сейф
- Зразок набору даних
- шкала
- Сіетл
- розділ
- безпечний
- старший
- окремий
- обслуговування
- Послуги
- комплект
- Поділитись
- вона
- Повинен
- менше
- уривок
- соціальна
- соціальні медіа
- Софтвер
- розробка програмного забезпечення
- Рішення
- ВИРІШИТИ
- спеціалізується
- конкретний
- швидкість
- відпрацьований
- розкол
- старт
- Крок
- заходи
- Як і раніше
- зберігати
- Стратегія
- такі
- достатній
- система
- Systems
- Приймати
- Завдання
- завдання
- систематика
- команда
- тест
- Тестування
- ніж
- Що
- Команда
- їх
- Ці
- це
- через
- до
- верхній рівень
- Усього:
- поїзд
- навчений
- Навчання
- перетворення
- Подорож
- правда
- Правда
- два
- тип
- типово
- створеного
- небажаний
- завантажено
- використання
- використання випадку
- використовуваний
- користувач
- User Experience
- користувачі
- використовує
- використання
- Цінний
- значення
- версія
- Відео
- Відео
- вид
- Насильство
- бачення
- візит
- Голос
- обсяг
- ходити
- хотіти
- було
- we
- Web
- веб-сервіси
- були
- коли
- який
- волі
- з
- в
- без
- слова
- Work
- робочий
- робочий
- років
- Ти
- вашу
- зефірнет