Các chỉ số để đánh giá việc kiểm duyệt nội dung trong Amazon Rekognition và các dịch vụ kiểm duyệt nội dung khác

Kiểm duyệt nội dung là quá trình sàng lọc và giám sát nội dung do người dùng tạo trực tuyến. Để cung cấp một môi trường an toàn cho cả người dùng và thương hiệu, các nền tảng phải kiểm duyệt nội dung để đảm bảo rằng nội dung đó nằm trong các nguyên tắc được thiết lập trước về hành vi có thể chấp nhận được cụ thể cho nền tảng và đối tượng của nó.

Khi một nền tảng kiểm duyệt nội dung, nội dung do người dùng tạo (UGC) được chấp nhận có thể được tạo và chia sẻ với những người dùng khác. Các hành vi không phù hợp, độc hại hoặc bị cấm có thể bị ngăn chặn, chặn trong thời gian thực hoặc bị xóa sau khi thực tế, tùy thuộc vào các công cụ và quy trình kiểm duyệt nội dung mà nền tảng áp dụng.

Bạn có thể sử dụng Kiểm duyệt nội dung Rekognition của Amazon để phát hiện nội dung không phù hợp, không mong muốn hoặc gây khó chịu, nhằm tạo trải nghiệm người dùng an toàn hơn, cung cấp bảo đảm an toàn thương hiệu cho nhà quảng cáo và tuân thủ các quy định của địa phương và toàn cầu.

Trong bài đăng này, chúng tôi thảo luận về các yếu tố chính cần thiết để đánh giá khía cạnh hiệu suất của dịch vụ kiểm duyệt nội dung về các chỉ số độ chính xác khác nhau và cung cấp một ví dụ bằng cách sử dụng Amazon Rekognition API kiểm duyệt nội dung.

Đánh giá cái gì

Khi đánh giá một dịch vụ kiểm duyệt nội dung, chúng tôi khuyên bạn nên thực hiện các bước sau.

Trước khi có thể đánh giá hiệu suất của API trên các trường hợp sử dụng của mình, bạn cần chuẩn bị một tập dữ liệu thử nghiệm đại diện. Sau đây là một số nguyên tắc cấp cao:

• Bộ sưu tập - Lấy một mẫu ngẫu nhiên đủ lớn (hình ảnh hoặc video) của dữ liệu mà bạn muốn chạy qua Amazon Rekognition. Ví dụ: nếu bạn định kiểm duyệt hình ảnh do người dùng tải lên, bạn có thể lấy hình ảnh người dùng tải lên trong một tuần để kiểm tra. Chúng tôi khuyên bạn nên chọn một bộ có đủ hình ảnh mà không cần quá lớn để xử lý (chẳng hạn như 1,000–10,000 hình ảnh), mặc dù các bộ lớn hơn sẽ tốt hơn.
• Định nghĩa - Sử dụng nguyên tắc nội dung ứng dụng của bạn để quyết định loại nội dung không an toàn mà bạn muốn phát hiện từ Amazon Rekognition khái niệm điều độ phân loại. Ví dụ: bạn có thể quan tâm đến việc phát hiện tất cả các loại ảnh khỏa thân rõ ràng và hình ảnh bạo lực hoặc máu me.
• Chú thích - Bây giờ bạn cần một sự thật cơ bản do con người tạo ra cho bộ thử nghiệm của mình bằng cách sử dụng các nhãn đã chọn, để bạn có thể so sánh các dự đoán của máy với chúng. Điều này có nghĩa là mỗi hình ảnh được chú thích về sự hiện diện hoặc vắng mặt của các khái niệm bạn đã chọn. Để chú thích dữ liệu hình ảnh của bạn, bạn có thể sử dụng Sự thật về mặt đất của Amazon SageMaker (GT) để quản lý chú thích hình ảnh. Bạn có thể tham khảo GT để dán nhãn hình ảnh, hợp nhất các chú thích và xử lý đầu ra chú thích.

Nhận dự đoán trên tập dữ liệu thử nghiệm của bạn với Amazon Rekognition

Tiếp theo, bạn muốn nhận dự đoán trên tập dữ liệu thử nghiệm của mình.

Bước đầu tiên là quyết định điểm tin cậy tối thiểu (giá trị ngưỡng, chẳng hạn như 50%) mà bạn muốn đo lường kết quả. Ngưỡng mặc định của chúng tôi được đặt thành 50, cung cấp sự cân bằng tốt giữa việc truy xuất một lượng lớn nội dung không an toàn mà không phát sinh quá nhiều dự đoán sai về nội dung an toàn. Tuy nhiên, nền tảng của bạn có thể có các nhu cầu kinh doanh khác nhau, vì vậy bạn nên tùy chỉnh ngưỡng tin cậy này nếu cần. Bạn có thể dùng MinConfidence trong các yêu cầu API của bạn để cân bằng giữa việc phát hiện nội dung (thu hồi) so với độ chính xác của việc phát hiện (độ chính xác). Nếu bạn giảm MinConfidence, bạn có khả năng phát hiện hầu hết nội dung không phù hợp, nhưng cũng có khả năng chọn nội dung không thực sự phù hợp. Nếu bạn tăng MinConfidence bạn có khả năng đảm bảo rằng tất cả nội dung được phát hiện của bạn thực sự không phù hợp nhưng một số nội dung có thể không được gắn thẻ. Chúng tôi khuyên bạn nên thử nghiệm với một vài MinConfidence giá trị trên tập dữ liệu của bạn và chọn định lượng giá trị tốt nhất cho miền dữ liệu của bạn.

Tiếp theo, chạy từng mẫu (hình ảnh hoặc video) trong bộ thử nghiệm của bạn thông qua API kiểm duyệt Amazon Rekognition (Phát hiện Nhãn kiểm duyệt).

Đo độ chính xác của mô hình trên hình ảnh

Bạn có thể đánh giá độ chính xác của mô hình bằng cách so sánh các chú thích về sự thật trên mặt đất do con người tạo ra với các dự đoán của mô hình. Bạn lặp lại so sánh này cho mọi hình ảnh một cách độc lập và sau đó tổng hợp trên toàn bộ tập hợp thử nghiệm:

• Kết quả trên mỗi hình ảnh - Một dự đoán mô hình được định nghĩa là cặp {label_name, confidence_score} (trong đó điểm tin cậy> = ngưỡng bạn đã chọn trước đó). Đối với mỗi hình ảnh, một dự đoán được coi là đúng khi nó khớp với sự thật trên mặt đất (GT). Dự đoán là một trong các tùy chọn sau:
  • Tích cực thực sự (TP): cả dự đoán và GT đều "không an toàn"
  • Âm tính thực sự (TN): cả dự đoán và GT đều "an toàn"
  • sai tích cực (FP): dự đoán cho biết "không an toàn", nhưng GT là "an toàn"
  • Phủ định Sai (FN): dự đoán là "an toàn", nhưng GT là "không an toàn"
• Kết quả tổng hợp trên tất cả các hình ảnh - Tiếp theo, bạn có thể tổng hợp các dự đoán này thành kết quả cấp tập dữ liệu:
  • Tỷ lệ dương tính giả (FPR) - Đây là tỷ lệ phần trăm hình ảnh trong bộ thử nghiệm bị người mẫu gắn cờ sai vì chứa nội dung không an toàn: (FP): FP / (TN + FP).
  • Tỷ lệ âm sai (FNR) - Đây là tỷ lệ hình ảnh không an toàn trong bộ thử nghiệm bị bỏ sót bởi mô hình: (FN): FN / (FN + TP).
  • Tỷ lệ dương thực (TPR) - Còn được gọi là thu hồi, tính toán phần trăm nội dung không an toàn (sự thật cơ bản) được phát hiện hoặc dự đoán chính xác theo mô hình: TP / (TP + FN) = 1 - FNR.
  • Độ chính xác - Số liệu này tính toán tỷ lệ dự đoán đúng (nội dung không an toàn) so với tổng số dự đoán được thực hiện: TP / (TP + FP).

Hãy khám phá một ví dụ. Giả sử rằng tập hợp thử nghiệm của bạn chứa 10,000 hình ảnh: 9,950 hình ảnh an toàn và 50 hình ảnh không an toàn. Mô hình dự đoán chính xác 9,800 trong số 9,950 hình ảnh là an toàn và 45 trong số 50 hình ảnh là không an toàn:

• TP = 45
• TN = 9800
• FP = 9950 - 9800 = 150
• FN = 50 - 45 = 5
• RPF = 150 / (9950 + 150) = 0.015 = 1.5%
• FNR = 5 / (5 + 45) = 0.1 = 10%
• TPR / Nhớ lại = 45 / (45 + 5) = 0.9 = 90%
• Độ chính xác = 45 / (45 + 150) = 0.23 = 23%

Đo độ chính xác của mô hình trên video

Nếu bạn muốn đánh giá hiệu suất trên video, cần thực hiện một số bước bổ sung:

1. Lấy mẫu một tập hợp con các khung hình từ mỗi video. Chúng tôi đề xuất lấy mẫu đồng nhất với tốc độ 0.3–1 khung hình / giây (fps). Ví dụ: nếu video được mã hóa ở tốc độ 24 khung hình / giây và bạn muốn lấy mẫu một khung hình sau mỗi 3 giây (0.3 khung hình / giây), bạn cần chọn một khung hình sau mỗi 72 khung hình.
2. Chạy các khung được lấy mẫu này thông qua kiểm duyệt nội dung của Amazon Rekognition. Bạn có thể sử dụng API video của chúng tôi, API này đã lấy mẫu khung hình cho bạn (với tốc độ 3 khung hình / giây) hoặc sử dụng API hình ảnh, trong trường hợp đó bạn muốn lấy mẫu ít hơn. Chúng tôi đề xuất tùy chọn thứ hai, do dư thừa thông tin trong video (các khung hình liên tiếp rất giống nhau).
3. Tính toán kết quả trên mỗi khung hình như đã giải thích trong phần trước (kết quả trên mỗi hình ảnh).
4. Tổng hợp kết quả trên toàn bộ thử nghiệm. Tại đây, bạn có hai lựa chọn, tùy thuộc vào loại kết quả quan trọng đối với doanh nghiệp của bạn:
   1. Kết quả cấp khung - Điều này coi tất cả các khung được lấy mẫu là hình ảnh độc lập và tổng hợp kết quả chính xác như đã giải thích trước đó cho hình ảnh (FPR, FNR, thu hồi, độ chính xác). Nếu một số video dài hơn đáng kể so với những video khác, chúng sẽ đóng góp nhiều khung hình hơn vào tổng số, làm cho việc so sánh không cân bằng. Trong trường hợp đó, chúng tôi khuyên bạn nên thay đổi chiến lược lấy mẫu ban đầu thành số khung hình cố định trên mỗi video. Ví dụ: bạn có thể lấy mẫu đồng nhất 50–100 khung hình cho mỗi video (giả sử video dài ít nhất 2–3 phút).
   2. Kết quả ở cấp độ video - Đối với một số trường hợp sử dụng, không quan trọng mô hình có khả năng dự đoán chính xác 50% hoặc 99% khung hình trong video hay không. Ngay cả một dự đoán sai không an toàn trên một khung hình cũng có thể kích hoạt đánh giá của con người và chỉ những video có dự đoán đúng 100% mới thực sự được coi là chính xác. Nếu đây là trường hợp sử dụng của bạn, chúng tôi khuyên bạn nên tính FPR / FNR / TPR trên các khung hình của mỗi video và xem xét video như sau:

Sau khi bạn đã tính toán các chỉ số này cho từng video một cách độc lập, sau đó bạn có thể tính toán tất cả các chỉ số mà chúng tôi đã giới thiệu trước đó:

• Phần trăm video bị gắn cờ sai (FP) hoặc bị bỏ sót (FN)
• Độ chính xác và thu hồi

Đo lường hiệu suất so với mục tiêu

Cuối cùng, bạn cần diễn giải những kết quả này trong bối cảnh của mục tiêu và khả năng của bạn.

Trước tiên, hãy xem xét nhu cầu kinh doanh của bạn liên quan đến những điều sau:

• Ngày - Tìm hiểu về dữ liệu của bạn (khối lượng hàng ngày, loại dữ liệu, v.v.) và việc phân phối nội dung không an toàn so với an toàn của bạn. Ví dụ, nó cân bằng (50/50), lệch (10/90) hoặc rất lệch (1/99, nghĩa là chỉ 1% là không an toàn)? Hiểu cách phân bổ như vậy có thể giúp bạn xác định mục tiêu số liệu thực tế của mình. Ví dụ: số lượng nội dung an toàn thường lớn hơn thứ tự so với nội dung không an toàn (rất lệch), làm cho vấn đề này gần như là một vấn đề phát hiện bất thường. Trong trường hợp này, số lần dương tính giả có thể nhiều hơn số lần dương tính thật và bạn có thể sử dụng thông tin dữ liệu của mình (độ lệch phân phối, khối lượng dữ liệu, v.v.) để quyết định FPR mà bạn có thể làm việc.
• Mục tiêu số liệu - Các khía cạnh quan trọng nhất trong công việc kinh doanh của bạn là gì? Giảm FPR thường đi kèm với cái giá là FNR cao hơn (và ngược lại) và điều quan trọng là phải tìm ra sự cân bằng phù hợp với bạn. Nếu bạn không thể bỏ lỡ bất kỳ nội dung không an toàn nào, bạn có thể muốn FNR gần 0% (thu hồi 100%). Tuy nhiên, điều này sẽ dẫn đến số lượng dương tính giả lớn nhất và bạn cần quyết định FPR mục tiêu (tối đa) mà bạn có thể làm việc, dựa trên quy trình dự đoán sau của bạn. Bạn có thể muốn cho phép một số mức độ phủ định sai để có thể tìm được sự cân bằng tốt hơn và giảm FPR của mình: ví dụ: chấp nhận FNR 5% thay vì 0% có thể giảm FPR từ 2% xuống 0.5%, giảm đáng kể con số trong số các nội dung bị gắn cờ.

Tiếp theo, hãy tự hỏi bạn sẽ sử dụng cơ chế nào để phân tích cú pháp các hình ảnh được gắn cờ. Mặc dù API có thể không cung cấp 0% FPR và FNR, nó vẫn có thể mang lại mức tiết kiệm và quy mô lớn (ví dụ: chỉ gắn cờ 3% hình ảnh của bạn, bạn đã lọc ra 97% nội dung của mình). Khi bạn ghép nối API với một số cơ chế phía dưới, chẳng hạn như lực lượng nhân công đánh giá nội dung bị gắn cờ, bạn có thể dễ dàng đạt được mục tiêu của mình (ví dụ: 0.5% nội dung bị gắn cờ). Lưu ý rằng cách ghép nối này rẻ hơn đáng kể so với việc phải thực hiện đánh giá của con người trên 100% nội dung của bạn.

Khi bạn đã quyết định các cơ chế hạ nguồn của mình, chúng tôi khuyên bạn nên đánh giá thông lượng mà bạn có thể hỗ trợ. Ví dụ: nếu bạn có lực lượng lao động chỉ có thể xác minh 2% nội dung hàng ngày của mình, thì mục tiêu mục tiêu của bạn từ API kiểm duyệt nội dung của chúng tôi là tỷ lệ gắn cờ (FPR + TPR) là 2%.

Cuối cùng, nếu việc thu thập các chú thích về sự thật cơ bản là quá khó hoặc quá đắt (ví dụ: khối lượng dữ liệu của bạn quá lớn), chúng tôi khuyên bạn nên chú thích một số lượng nhỏ hình ảnh được API gắn cờ. Mặc dù điều này không cho phép đánh giá FNR (vì dữ liệu của bạn không chứa bất kỳ phủ định sai nào), bạn vẫn có thể đo TPR và FPR.

Trong phần sau, chúng tôi cung cấp một giải pháp để đánh giá kiểm duyệt hình ảnh. Bạn có thể thực hiện một cách tiếp cận tương tự để đánh giá kiểm duyệt video.

Tổng quan về giải pháp

Sơ đồ sau minh họa các dịch vụ AWS khác nhau mà bạn có thể sử dụng để đánh giá hiệu suất của việc kiểm duyệt nội dung Amazon Rekognition trên tập dữ liệu thử nghiệm của mình.

Đánh giá kiểm duyệt nội dung có các bước sau:

1. Tải tập dữ liệu đánh giá của bạn lên Dịch vụ lưu trữ đơn giản của Amazon (Amazon S3).
2. Sử dụng Sự thật cơ bản để chỉ định nhãn kiểm duyệt sự thật cơ bản.
3. Tạo các nhãn kiểm duyệt được dự đoán bằng cách sử dụng API kiểm duyệt được đào tạo trước của Amazon Rekognition bằng cách sử dụng một vài giá trị ngưỡng. (Ví dụ: 70%, 75% và 80%).
4. Đánh giá hiệu suất cho từng ngưỡng bằng cách tính toán dương tính thực, âm tính thực, dương tính giả và âm tính giả. Xác định giá trị ngưỡng tối ưu cho trường hợp sử dụng của bạn.
5. Theo tùy chọn, bạn có thể điều chỉnh quy mô của lực lượng lao động dựa trên kết quả tích cực đúng và sai, và sử dụng AI tăng cường của Amazon (Amazon A2I) để tự động gửi tất cả nội dung được gắn cờ đến lực lượng lao động được chỉ định của bạn để xem xét thủ công.

Các phần sau cung cấp các đoạn mã cho các bước 1, 2 và 3. Để có mã nguồn end-to-end hoàn chỉnh, hãy tham khảo Máy tính xách tay Jupyter.

Điều kiện tiên quyết

Trước khi bắt đầu, hãy hoàn thành các bước sau để thiết lập sổ ghi chép Jupyter:

1. Tạo một phiên bản sổ tay in Amazon SageMaker.
2. Khi sổ ghi chép hoạt động, hãy chọn Mở Jupyter.
3. Trên bảng điều khiển Jupyter, chọn Mới, và lựa chọn Thiết bị đầu cuối.
4. Trong thiết bị đầu cuối, nhập mã sau:

   cd SageMaker
   git clone https://github.com/aws-samples/amazon-rekognition-code-samples.git

5. Mở sổ tay cho bài đăng này: content-moderation-evaluation/Evaluating-Amazon-Rekognition-Content-Moderation-Service.ipynb.
6. Tải tập dữ liệu đánh giá của bạn lên Dịch vụ lưu trữ đơn giản của Amazon (Amazon S3).

Bây giờ chúng ta sẽ đi qua các bước từ 2 đến 4 trong sổ ghi chép Jupyter.

Sử dụng Ground Truth để gán nhãn kiểm duyệt

Để gán nhãn trong Ground Truth, hãy hoàn thành các bước sau:

1. Tạo tệp đầu vào tệp kê khai cho công việc Ground Truth của bạn và tải nó lên Amazon S3.
2. Tạo cấu hình dán nhãn, trong đó có tất cả các nhãn kiểm duyệt cần thiết cho công việc gắn nhãn Sự thật trên mặt đất. Để kiểm tra giới hạn cho số danh mục nhãn bạn có thể sử dụng, hãy tham khảo Hạn ngạch danh mục nhãn. Trong đoạn mã sau, chúng tôi sử dụng năm nhãn (tham khảo phân loại thứ bậc được sử dụng trong Amazon Rekognition để biết thêm chi tiết) cộng với một nhãn (Safe_Content) đánh dấu nội dung là an toàn:

   # customize CLASS_LIST to include all labels that can be used to classify sameple data, it's up to 10 labels
   # In order to easily match image label with content moderation service supported taxonomy, 
   
   CLASS_LIST = ["", "", "", "", "", "Safe_Content"]
   print("Label space is {}".format(CLASS_LIST))
   
   json_body = {"labels": [{"label": label} for label in CLASS_LIST]}
   with open("class_labels.json", "w") as f:
       json.dump(json_body, f)
   
   s3.upload_file("class_labels.json", BUCKET, EXP_NAME + "/class_labels.json")

3. Tạo mẫu nhiệm vụ nhân viên tùy chỉnh để cung cấp cho lực lượng lao động Ground Truth hướng dẫn dán nhãn và tải nó lên Amazon S3.
   Tác vụ nhãn Ground Truth được định nghĩa là tác vụ phân loại ảnh (đa nhãn). Tham khảo mã nguồn để biết hướng dẫn tùy chỉnh mẫu hướng dẫn.
4. Quyết định lực lượng lao động bạn muốn sử dụng để hoàn thành công việc Ground Truth. Bạn có hai tùy chọn (tham khảo mã nguồn để biết thêm chi tiết):
   1. Sử dụng lực lượng lao động tư nhân trong tổ chức của riêng bạn để gắn nhãn tập dữ liệu đánh giá.
   2. Sử dụng lực lượng lao động công cộng để gắn nhãn tập dữ liệu đánh giá.
5. Tạo và gửi công việc gắn nhãn Sự thật trên mặt đất. Bạn cũng có thể điều chỉnh mã sau để định cấu hình ghi nhãn các thông số công việc để đáp ứng các yêu cầu kinh doanh cụ thể của bạn. Tham khảo mã nguồn để biết hướng dẫn đầy đủ về cách tạo và định cấu hình công việc Ground Truth.

   human_task_config = {
       "AnnotationConsolidationConfig": {
           "AnnotationConsolidationLambdaArn": acs_arn,
       },
       "PreHumanTaskLambdaArn": prehuman_arn,
       "MaxConcurrentTaskCount": 200,  # 200 images will be sent at a time to the workteam.
       "NumberOfHumanWorkersPerDataObject": 3,  # 3 separate workers will be required to label each image.
       "TaskAvailabilityLifetimeInSeconds": 21600,  # Your workteam has 6 hours to complete all pending tasks.
       "TaskDescription": task_description,
       "TaskKeywords": task_keywords,
       "TaskTimeLimitInSeconds": 180,  # Each image must be labeled within 3 minutes.
       "TaskTitle": task_title,
       "UiConfig": {
           "UiTemplateS3Uri": "s3://{}/{}/instructions.template".format(BUCKET, EXP_NAME),
       },
   }

Sau khi công việc được gửi, bạn sẽ thấy đầu ra tương tự như sau:

Labeling job name is: ground-truth-cm-1662738403

Chờ công việc gắn nhãn trên tập dữ liệu đánh giá hoàn tất thành công, sau đó tiếp tục sang bước tiếp theo.

Sử dụng API kiểm duyệt của Amazon Rekognition để tạo các nhãn kiểm duyệt được dự đoán.

Đoạn mã sau đây cho biết cách sử dụng Amazon Rekognition API kiểm duyệt để tạo nhãn kiểm duyệt:

client=boto3.client('rekognition')
def moderate_image(photo, bucket):
    response = client.detect_moderation_labels(Image={'S3Object':{'Bucket':bucket,'Name':photo}})
    return len(response['ModerationLabels'])

Đánh giá hiệu suất

Trước tiên, bạn truy xuất nhãn kiểm duyệt sự thật mặt đất từ ​​kết quả công việc gắn nhãn Sự thật mặt đất cho tập dữ liệu đánh giá, sau đó bạn chạy API kiểm duyệt Amazon Rekognition để nhận các nhãn kiểm duyệt dự đoán cho cùng một tập dữ liệu. Vì đây là vấn đề phân loại nhị phân (nội dung an toàn so với nội dung không an toàn), chúng tôi tính toán các số liệu sau (giả sử nội dung không an toàn là tích cực):

Chúng tôi cũng tính toán các chỉ số đánh giá tương ứng:

Đoạn mã sau cho biết cách tính toán các chỉ số đó:

FPR = FP / (FP + TN)
FNR = FN / (FN + TP)
Recall = TP / (TP + FN)
Precision = TP / (TP + FP)

Kết luận

Bài đăng này thảo luận về các yếu tố chính cần thiết để đánh giá khía cạnh hiệu suất của dịch vụ kiểm duyệt nội dung của bạn về các chỉ số độ chính xác khác nhau. Tuy nhiên, độ chính xác chỉ là một trong nhiều khía cạnh mà bạn cần đánh giá khi chọn một dịch vụ kiểm duyệt nội dung cụ thể. Điều quan trọng là bạn phải bao gồm các thông số khác, chẳng hạn như tổng bộ tính năng của dịch vụ, tính dễ sử dụng, tích hợp hiện có, quyền riêng tư và bảo mật, các tùy chọn tùy chỉnh, ý nghĩa khả năng mở rộng, dịch vụ khách hàng và giá cả. Để tìm hiểu thêm về kiểm duyệt nội dung trong Amazon Rekognition, hãy truy cập Kiểm duyệt nội dung Rekognition của Amazon.

Giới thiệu về tác giả

Amit Gupta là Kiến trúc sư Giải pháp Dịch vụ AI cấp cao tại AWS. Anh ấy đam mê tạo điều kiện cho khách hàng có các giải pháp máy học được kiến ​​trúc tốt trên quy mô lớn.

Davide Modolo là Giám đốc Khoa học Ứng dụng tại AWS AI Labs. Ông có bằng tiến sĩ về thị giác máy tính tại Đại học Edinburgh (Anh) và đam mê phát triển các giải pháp khoa học mới cho các vấn đề của khách hàng trong thế giới thực. Ngoài công việc, anh ấy thích đi du lịch và chơi bất kỳ loại thể thao nào, đặc biệt là bóng đá.

kiến vũ là Kiến trúc sư Giải pháp Doanh nghiệp Cấp cao tại AWS. Anh ấy đã làm việc với AWS trong 6 năm với khách hàng ở mọi quy mô. Anh ấy đam mê giúp khách hàng đổi mới nhanh hơn thông qua việc áp dụng Đám mây và AI / ML. Trước khi gia nhập AWS, Jian đã dành hơn 10 năm tập trung vào phát triển phần mềm, triển khai hệ thống và quản lý cơ sở hạ tầng. Ngoài công việc, anh ấy thích sống năng động và dành thời gian cho gia đình.