[ad_1]
Las empresas dependen cada vez más de imágenes y vídeos generados por los usuarios para interactuar. Desde plataformas de comercio electrónico que alientan a los clientes a compartir imágenes de productos hasta empresas de redes sociales que promueven videos e imágenes generados por los usuarios, utilizar el contenido del usuario para interactuar es una estrategia poderosa. Sin embargo, puede resultar difícil garantizar que este contenido generado por el usuario cumpla con sus políticas y promueva una comunidad en línea segura para sus usuarios.
Actualmente, muchas empresas dependen de moderadores humanos o responden reactivamente a las quejas de los usuarios para gestionar el contenido inapropiado generado por los usuarios. Estos enfoques no se escalan para moderar de manera efectiva millones de imágenes y videos con una calidad o velocidad suficiente, lo que resulta en una mala experiencia del usuario, un alto costo para lograr escala o incluso un daño potencial a la reputación de la marca.
En esta publicación, analizaremos cómo utilizar la función de moderación personalizada en Amazon Rekognition para mejorar la precisión de su API de moderación de contenido previamente entrenada.
Moderación de contenido en Amazon Rekognition
Amazon Rekognition es un servicio de inteligencia artificial (IA) administrado que proporciona capacidades de visión por computadora personalizables y previamente capacitadas para extraer información y conocimientos de imágenes y videos. Una de estas funciones es la moderación de contenido de Amazon Rekognition, que detecta contenido inapropiado o no deseado en imágenes y videos. Amazon Rekognition utiliza una taxonomía jerárquica para marcar contenido inapropiado o no deseado, con 10 categorías de moderación de nivel superior (por ejemplo, violento, explícito, alcohol o drogas) y 35 categorías de segundo nivel. Los clientes de industrias como el comercio electrónico, las redes sociales y los juegos pueden utilizar la moderación de contenido en Amazon Rekognition para proteger la reputación de su marca y promover comunidades de usuarios seguras.
El uso de Amazon Rekognition para la moderación de imágenes y videos requiere que los moderadores humanos revisen un conjunto mucho más pequeño de contenido, generalmente entre el 1 y el 5 % del volumen total, que ya está marcado por el modelo de moderación de contenido. Esto permite a las empresas centrarse en actividades más valiosas y al mismo tiempo lograr una cobertura de moderación integral a una fracción de sus costos anteriores.
Presentamos la moderación personalizada de Amazon Rekognition
Ahora puede mejorar la precisión del modelo de moderación de Rekognition para los datos específicos de su empresa con la función de moderación personalizada. Puedes entrenar un adaptador personalizado con solo 20 imágenes anotadas en menos de una hora. Estos adaptadores amplían las capacidades del modelo de moderación para reconocer imágenes utilizadas para el entrenamiento con mayor precisión. Para esta publicación, utilizamos un conjunto de datos de muestra que contiene imágenes seguras e imágenes que contienen bebidas alcohólicas (que se consideran no seguras) para mejorar la precisión del etiquetado de moderación del alcohol.
El ID único del adaptador entrenado se puede proporcionar a la operación API DetectModerationLabels existente para procesar imágenes utilizando este adaptador. Cada adaptador solo puede ser utilizado por la cuenta de AWS que se utilizó para entrenar el adaptador. Esto garantiza que los datos utilizados para la capacitación permanezcan seguros en esa cuenta de AWS. La función de moderación personalizada le permite personalizar el modelo de moderación previamente entrenado de Rekognition para mejorar el rendimiento de su caso de uso de moderación específico sin requerir ninguna habilidad de aprendizaje automático (ML). Puede seguir disfrutando de los beneficios de un servicio de moderación totalmente administrado con un modelo de precios de moderación personalizado de pago por uso.
Descripción general de la solución
La capacitación de un adaptador de moderación personalizado implica cinco pasos que puede completar mediante la consola de administración de AWS o la interfaz API:
- Crear un proyecto
- Sube los datos del entrenamiento.
- Asignar etiquetas de verdad fundamental a las imágenes
- Entrenar al adaptador
- Utilice el adaptador
Repasemos estos pasos con más detalle usando la consola.
Crear un proyecto
Un proyecto es un contenedor para almacenar sus adaptadores. Puede entrenar varios adaptadores dentro de un proyecto utilizando diferentes conjuntos de datos de entrenamiento para evaluar qué adaptador funciona mejor para su caso de uso específico. Para crear su proyecto, siga los pasos a continuación:
- En la consola de Amazon Rekognition, seleccione Moderación personalizada en el área de navegación.
- Elegir Crear proyecto.
- Para Nombre del proyectoIngrese un nombre para su proyecto.
- Para Nombre del adaptadorIngrese un nombre para su adaptador.
- Opcionalmente, ingrese una descripción para su adaptador.
Cargar datos de entrenamiento
Puede comenzar con solo 20 imágenes de muestra para personalizar el modelo de moderación y detectar menos falsos positivos (imágenes que son apropiadas para su negocio pero que el modelo marca con una etiqueta de moderación). Para reducir los falsos negativos (imágenes que no son apropiadas para su negocio pero que no reciben una etiqueta de moderación), debe comenzar con 50 imágenes de muestra.
Puede elegir entre las siguientes opciones para proporcionar conjuntos de datos de imágenes para el entrenamiento del adaptador:
Complete los siguientes pasos:
- Seleccionar para esta publicación Importar imágenes desde el depósito S3 e ingrese su URI de S3.
Como cualquier proceso de entrenamiento de ML, entrenar un adaptador de moderación personalizado en Amazon Rekognition requiere dos conjuntos de datos separados: uno para entrenar el adaptador y otro para evaluarlo. Puede cargar un conjunto de datos de prueba por separado o dividir automáticamente su conjunto de datos de entrenamiento para entrenamiento y prueba.
- Seleccionar para esta publicación División automática.
- Elegir Habilitar la actualización automática para garantizar que el sistema vuelva a entrenar automáticamente el adaptador cuando se lance una nueva versión del modelo de moderación de contenido.
- Elegir Crear proyecto.
Asignar etiquetas de verdad fundamental a las imágenes
Si ha subido imágenes sin anotaciones, puede utilizar la consola de Amazon Rekognition para proporcionar etiquetas de imágenes de acuerdo con la taxonomía de moderación. En el siguiente ejemplo, entrenamos un adaptador para detectar alcohol oculto con mayor precisión y etiquetamos todas esas imágenes con la etiqueta «alcohol». Las imágenes que no se consideren inapropiadas se pueden marcar como seguras.
Entrenar al adaptador
Después de etiquetar todas las imágenes, elija empezar a hacer ejercicio para iniciar el proceso de formación. Amazon Rekognition utiliza los conjuntos de datos de imágenes cargados para entrenar un modelo de adaptador para aumentar la precisión de los tipos de imágenes específicos proporcionados para el entrenamiento.
Una vez entrenado el adaptador de moderación personalizado, podrá ver todos los detalles del adaptador (adapterID
, test
Y training
archivos de manifiesto) en el Rendimiento del adaptador Sección.
El Rendimiento del adaptador La sección muestra mejoras en los falsos positivos y falsos negativos en comparación con el modelo de moderación previamente entrenado. El adaptador que entrenamos para mejorar el reconocimiento de las etiquetas de alcohol reduce la tasa de falsos negativos en las imágenes de prueba en un 73 %. En otras palabras, el adaptador ahora predice con precisión la etiqueta de moderación de alcohol para un 73% más de imágenes que el modelo de moderación previamente entrenado. Sin embargo, no se observa ninguna mejora en los resultados falsos positivos porque no se utilizaron muestras falsas positivas para el entrenamiento.
Utilice el adaptador
Puede realizar inferencias utilizando el adaptador recién entrenado para lograr una mayor precisión. Para hacer esto, vaya a Amazon Rekognition DetectModerationLabel
API con un parámetro adicional, ProjectVersion
eso es lo que es único AdapterID
del adaptador. El siguiente es un comando de ejemplo que utiliza la interfaz de línea de comandos de AWS (AWS CLI):
El siguiente es un fragmento de código de muestra que utiliza la biblioteca Python Boto3:
Mejores prácticas de formación
Para maximizar el rendimiento de su adaptador, se recomiendan las siguientes mejores prácticas para entrenar el adaptador:
- Los datos de la imagen de muestra deben capturar los errores representativos para los cuales desea mejorar la precisión del modelo de moderación.
- En lugar de simplemente incluir imágenes de error para falsos positivos y falsos negativos, también puede proporcionar verdaderos positivos y verdaderos negativos para mejorar el rendimiento.
- Proporcione tantas imágenes comentadas como sea posible para la capacitación.
Diploma
En esta publicación, proporcionamos una descripción detallada de la nueva función de moderación personalizada de Amazon Rekognition. Además, detallamos los pasos para completar la capacitación con la consola, incluidas las mejores prácticas para obtener resultados óptimos. Para obtener más información, visite la consola de Amazon Rekognition y explore la función de moderación personalizada.
La moderación personalizada de Amazon Rekognition ahora está disponible de forma general en todas las regiones de AWS donde Amazon Rekognition está disponible.
Obtenga más información sobre la moderación de contenido en AWS. Dé el primer paso para optimizar sus operaciones de moderación de contenido con AWS.
Sobre los autores
Shipra Kanoria es gerente principal de productos en AWS. Le apasiona ayudar a los clientes a resolver sus problemas más complejos utilizando el aprendizaje automático y la inteligencia artificial. Antes de unirse a AWS, Shipra pasó más de cuatro años en Amazon Alexa, donde introdujo muchas funciones relacionadas con la productividad para el asistente de voz de Alexa.
Aakash profundo es un gerente de ingeniería de desarrollo de software con sede en Seattle. Le gusta trabajar en visión por computadora, inteligencia artificial y sistemas distribuidos. Su misión es capacitar a los clientes para que aborden problemas complejos y creen valor con AWS Rekognition. Fuera del trabajo, le gusta hacer senderismo y viajar.
Lana Zhang es arquitecto de soluciones senior del equipo de servicios de inteligencia artificial de AWS WWSO y se especializa en inteligencia artificial y aprendizaje automático para moderación de contenido, visión por computadora, procesamiento de lenguaje natural e inteligencia artificial generativa. Con su experiencia, se dedica a impulsar las soluciones de IA/ML de AWS y a ayudar a los clientes a transformar sus soluciones comerciales en diversas industrias, incluidas las redes sociales, los juegos, el comercio electrónico, los medios, la publicidad y el marketing.
[ad_2]