Cas d'utilisation et exemples d’utilisation d'Amazon A2I - Amazon SageMaker

Cas d'utilisation et exemples d’utilisation d'Amazon A2I

Vous pouvez utiliser Amazon Augmented AI pour incorporer une vérification humaine à votre flux pour des types de tâches intégrés, Amazon Textract et Amazon Rekognition, ou vos propres tâches personnalisées à l'aide d'un type de tâche personnalisé.

Lorsque vous créez un flux de vérification humaine à l'aide de l'un des types de tâches intégrés, vous pouvez spécifier des conditions telles que des seuils de fiabilité, qui initieront une vérification humaine. Le service (Amazon Rekognition ou Amazon Textract) crée une boucle humaine en votre nom lorsque ces conditions sont remplies et fournit vos données d'entrée directement dans Amazon A2I pour les soumettre à vérification humaine. Pour en savoir plus sur les types de tâches intégrés, procédez comme suit :

Lorsque vous utilisez un type de tâche personnalisé, vous créez et démarrez une boucle humaine à l'aide de l'API d'exécution Amazon A2I. Utilisez le type de tâche personnalisé pour incorporer un flux de vérification humaine à d’autres services AWS ou à votre propre application ML personnalisée.

Le tableau suivant présente une variété de cas d'utilisation Amazon A2I que vous pouvez explorer à l'aide de blocs-notes Jupyter SageMaker. Pour commencer à utiliser un bloc-notes Jupyter, suivez les instructions fournies dans Utiliser l'instance de bloc-notes SageMaker avec un bloc-notes Jupyter Amazon A2I. Pour plus d'exemples, consultez ce référentiel GitHub.

Cas d'utilisation Description Type de tâche

Utiliser Amazon A2I avec Amazon Textract

Demandez à des humains de vérifier des documents d'une seule page pour vérifier des paires clé-valeur de formulaires importantes, ou demandez à Amazon Textract d'échantillonner au hasard des documents de votre jeu de données et de les envoyer pour vérification humaine.

Intégré
Utiliser Amazon A2I avec Amazon Rekognition

Demandez à des humains de vérifier des images inappropriées à la recherche de contenu violent ou pour adultes si Amazon Rekognition renvoie un indice de confiance faible, ou demandez à Amazon Rekognition d'échantillonner au hasard des images de votre jeu de données et de les envoyer pour vérification humaine.

Intégré

Utiliser Amazon A2I avec Amazon Comprehend

Demandez à des humains de vérifier des inférences Amazon Comprehend sur les données textuelles telles que l'analyse du ressenti, la syntaxe du texte et la détection d’entités.

Personnalisé

Utiliser Amazon A2I avec Amazon Transcribe

Demandez à des humains de vérifier des transcriptions des fichiers vidéo ou audio Amazon Transcribe. Utilisez les résultats des boucles de vérification humaine de transcription pour créer un vocabulaire personnalisé et améliorer les transcriptions de contenus vidéo ou audio similaires à l’avenir.

Personnalisé
Utiliser Amazon A2I avec Amazon Translate

Demandez à des humains de vérifier les traductions de faible confiance renvoyées par Amazon Translate.

Personnalisé

Utilisez Amazon A2I pour vérifier les inférences ML en temps réel

Utilisez Amazon A2I pour vérifier les inférences ML en temps réel, les inférences peu fiables faites par un modèle déployé sur un point de terminaison hébergé SageMaker, et entraînez progressivement votre modèle à l'aide des données de sortie Amazon A2I.

Personnalisé

Utiliser Amazon A2I pour vérifier des données tabulaires

Utilisez Amazon A2I pour intégrer une boucle de vérification humaine dans une application ML qui utilise des données tabulaires.

Personnalisé

Utiliser l'instance de bloc-notes SageMaker avec un bloc-notes Jupyter Amazon A2I

Pour obtenir un exemple de bout en bout montrant comment intégrer une boucle de vérification humaine Amazon A2I dans un flux de machine learning, vous pouvez utiliser un bloc-notes Jupyter à partir de ce référentiel GitHub dans une instance de bloc-notes SageMaker.

Pour utiliser un exemple de bloc-notes de type de tâche personnalisé Amazon A2I dans une instance de bloc-notes Amazon SageMaker :

  1. Si vous n'avez pas d'instance de bloc-notes SageMaker active, créez-en une en suivant les instructions décrites dans Étape 1 : créer une instance de bloc-notes Amazon SageMaker.

  2. Une fois que votre instance de bloc-notes est active, choisissez Open JupyterLab (Ouvrir JupyterLab) à droite du nom de l'instance de bloc-notes. Le chargement de JupyterLab peut prendre quelques instants.

  3. Sélectionnez l'icône pour cloner un référentiel GitHub dans votre espace de travail.

  4. Entrez l'URL HTTPS du référentiel amazon-a2i-sample-jupyter-notebooks.

  5. Choisissez CLONE (CLONER).

  6. Ouvrez le bloc-notes que vous souhaitez exécuter.

  7. Suivez les instructions du bloc-notes pour configurer votre flux de vérification humaine et votre boucle humaine, et pour exécuter les cellules.

  8. Pour éviter des frais inutiles, une fois la démonstration terminée, arrêtez et supprimez votre instance de bloc-notes, ainsi que tous les compartiments Amazon S3, les rôles IAM et les ressources CloudWatch Events créés pendant la démonstration.