Meninjau konten yang tidak sesuai dengan Amazon Augmented AI - Amazon Rekognition

Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

Meninjau konten yang tidak sesuai dengan Amazon Augmented AI

Amazon Augmented AI (Amazon A2I) memungkinkan Anda untuk membangun alur kerja yang diperlukan untuk peninjauan manual prediksi machine learning.

Amazon Rekognition terintegrasi secara langsung dengan Amazon A2I sehingga Anda dapat dengan mudah menerapkan peninjauan manual untuk kasus penggunaan pendeteksian citra yang tidak aman. Amazon A2I menyediakan alur kerja peninjauan manual untuk moderasi citra. Hal ini memungkinkan Anda untuk dengan mudah meninjau prediksi dari Amazon Rekognition. Anda dapat menentukan ambang batas kepercayaan untuk kasus penggunaan Anda dan menyesuaikannya dari waktu ke waktu. Dengan Amazon A2I, Anda dapat menggunakan kolam penampil dalam organisasi Anda sendiri atau Amazon Mechanical Turk. Anda juga dapat menggunakan vendor tenaga kerja yang diprasaring oleh AWS untuk kualitas dan ketaatan terhadap prosedur keamanan.

Langkah-langkah berikut memandu Anda dalam mengatur Amazon A2I dengan Amazon Rekognition. Pertama, Anda membuat definisi aliran dengan Amazon A2I yang memiliki syarat yang memicu peninjauan manual. Kemudian, Anda melewati definisi aliran Amazon Resource Name (ARN) untuk operasi Amazon Rekognition DetectModerationLabel. Pada respons DetectModerationLabel, Anda dapat melihat apakah peninjauan manual diperlukan. Hasil peninjauan manual tersedia dalam bucket Amazon S3 yang diatur oleh definisi aliran.

Untuk melihat end-to-end demonstrasi cara menggunakan Amazon A2I dengan Amazon Rekognition, lihat salah satu tutorial berikut di Panduan Pengembang Amazon. SageMaker

Berjalan DetectModerationLabels dengan Amazon A2I
catatan

Buat semua sumber daya Amazon A2I dan sumber daya Amazon Rekognition Anda di Wilayah AWS yang sama.

  1. Lengkapi prasyarat yang tercantum di Memulai dengan Amazon Augmented AI di Dokumentasi. SageMaker

    Selain itu, ingatlah untuk mengatur izin IAM Anda seperti di halaman Izin dan Keamanan di Amazon Augmented AI di Dokumentasi. SageMaker

  2. Ikuti petunjuk untuk Membuat Alur Kerja Tinjauan Manusia di SageMakerDokumentasi.

    Alur kerja peninjauan manual mengelola pengolahan citra. Hal ini mempertahankan syarat yang memicu peninjauan manual, tim kerja yang dikirimi citra, templat UI yang digunakan tim kerja, dan bucket Amazon S3 yang dikirimi hasil tim kerja.

    Dalam CreateFlowDefinition panggilan Anda, Anda perlu mengatur ke “DetectModerationLabelsAWS/Rekognition/ HumanLoopRequestSource /Image/V3”. Setelah itu, Anda harus memutuskan bagaimana Anda ingin mengatur syarat yang memicu peninjauan manual.

    Dengan Amazon Rekognition Anda memiliki dua opsi untuk ConditionType: ModerationLabelConfidenceCheck, dan Sampling.

    ModerationLabelConfidenceCheck menciptakan loop manual ketika kepercayaan dari label moderasi berada dalam jangkauan. Pada akhirnya, Sampling mengirimkan persen dokumen acak yang diproses untuk peninjauan manual. Setiap ConditionType menggunakan satu set ConditionParameters yang berbeda untuk menetapkan hasil dalam peninjauan manual.

    ModerationLabelConfidenceCheck memiliki ConditionParameters ModerationLableName yang mengatur kunci yang perlu ditinjau secara manual. Selain itu, ia memiliki kepercayaan diri, yang menetapkan kisaran persentase untuk mengirim ke tinjauan manusia dengan LessThan, GreaterThan, dan Equals. Samplingmemiliki RandomSamplingPercentage yang menetapkan persen dokumen yang akan dikirim ke tinjauan manusia.

    Contoh kode berikut adalah panggilan parsial CreateFlowDefinition. Ini mengirimkan citra untuk peninjauan manual jika diberi nilai kurang dari 98% pada label "Sugestif", dan lebih dari 95% pada label "Pakaian Renang atau Pakaian Dalam Wanita". Artinya bahwa jika citra tidak dianggap sugestif tetapi memang menampilkan citra wanita yang memakai pakaian dalam atau pakaian renang, Anda dapat memeriksa ulang citra dengan menggunakan peninjauan manual.

    
    def create_flow_definition():
    '''
    Creates a Flow Definition resource

    Returns:
    struct: FlowDefinitionArn
    '''
    humanLoopActivationConditions = json.dumps(
        {
            "Conditions": [
                {
                  "And": [
                    {
                        "ConditionType": "ModerationLabelConfidenceCheck",
                        "ConditionParameters": {
                            "ModerationLabelName": "Suggestive",
                            "ConfidenceLessThan": 98
                        }
                    },
                    {
                        "ConditionType": "ModerationLabelConfidenceCheck",
                        "ConditionParameters": {
                            "ModerationLabelName": "Female Swimwear Or Underwear",
                            "ConfidenceGreaterThan": 95
                        }
                    }
                  ]
               }
            ]
        }
    )

    CreateFlowDefinition mengembalikan FlowDefinitionArn, yang Anda gunakan pada langkah berikutnya saat Anda memanggil DetectModerationLabels.

    Untuk informasi selengkapnya lihat CreateFlowDefinitiondi Referensi SageMaker API.

  3. Atur parameter HumanLoopConfig ketika Anda memanggil DetectModerationLabels, seperti dalam Mendeteksi citra yang tidak pantas. Lihat langkah 4 untuk contoh panggilan DetectModerationLabels dengan pengaturan HumanLoopConfig.

    1. Dalam parameter HumanLoopConfig, atur FlowDefinitionArn ke ARN definisi aliran yang Anda buat di langkah 2.

    2. Atur HumanLoopName Anda. Harus unik dalam satu Wilayah dan harus dalam huruf kecil.

    3. (Opsional) Anda dapat menggunakan DataAttributes untuk mengatur apakah citra yang Anda teruskan ke Amazon Rekognition tidak mengandung informasi pribadi. Anda harus mengatur parameter ini untuk mengirim informasi ke Amazon Mechanical Turk.

  4. Jalankan DetectModerationLabels.

    Contoh berikut menunjukkan cara menggunakan AWS CLI dan AWS SDK for Python (Boto3) untuk menjalankan DetectModerationLabels dengan pengaturan HumanLoopConfig.

    AWS SDK for Python (Boto3)

    Contoh permintaan berikut menggunakan SDK for Python (Boto3). Untuk informasi selengkapnya, lihat detect_moderation_labels di Referensi API AWSSDK for Python (Boto).

    import boto3

rekognition = boto3.client("rekognition", aws-region)

response = rekognition.detect_moderation_labels( \
        Image={'S3Object': {'Bucket': bucket_name, 'Name': image_name}}, \
        HumanLoopConfig={ \
            'HumanLoopName': 'human_loop_name', \
            'FlowDefinitionArn': , "arn:aws:sagemaker:aws-region:aws_account_number:flow-definition/flow_def_name" \
            'DataAttributes': {'ContentClassifiers': ['FreeOfPersonallyIdentifiableInformation','FreeOfAdultContent']}
         })
    AWS CLI

    Contoh permintaan berikut menggunakan AWS CLI. Untuk informasi selengkapnya, lihat detect-moderation-labelsdi Referensi AWS CLI Perintah.

    $ aws rekognition detect-moderation-labels \
    --image "S3Object={Bucket='bucket_name',Name='image_name'}" \
    --human-loop-config HumanLoopName="human_loop_name",FlowDefinitionArn="arn:aws:sagemaker:aws-region:aws_account_number:flow-definition/flow_def_name",DataAttributes='{ContentClassifiers=["FreeOfPersonallyIdentifiableInformation", "FreeOfAdultContent"]}'

    $ aws rekognition detect-moderation-labels \
    --image "S3Object={Bucket='bucket_name',Name='image_name'}" \
    --human-loop-config \
        '{"HumanLoopName": "human_loop_name", "FlowDefinitionArn": "arn:aws:sagemaker:aws-region:aws_account_number:flow-definition/flow_def_name", "DataAttributes": {"ContentClassifiers": ["FreeOfPersonallyIdentifiableInformation", "FreeOfAdultContent"]}}'

    Saat Anda menjalankan DetectModerationLabels dengan HumanLoopConfig diaktifkan, Amazon Rekognition memanggil SageMaker operasi API. StartHumanLoop Perintah ini mengambil respons dari DetectModerationLabels dan memeriksa syarat definisi aliran dalam contoh. Jika memenuhi persyaratan untuk ditinjau, ia akan mengirimkan HumanLoopArn. Artinya bahwa anggota tim kerja yang Anda tetapkan dalam definisi alur sekarang dapat meninjau citra. Memanggil DescribeHumanLoop operasi waktu aktif Amazon Augmented AI memberikan informasi tentang hasil loop. Untuk informasi selengkapnya, lihat DescribeHumanLoopdi dokumentasi Referensi API Augmented AI Amazon.

    Setelah citra ditinjau, Anda dapat melihat hasilnya di bucket yang ditentukan dalam alur keluaran definisi aliran. Amazon A2I juga akan memberi tahu Anda dengan Amazon CloudWatch Events saat peninjauan selesai. Untuk melihat peristiwa apa yang harus dicari, lihat CloudWatch Peristiwa di SageMakerDokumentasi.

    Untuk informasi selengkapnya, lihat Memulai dengan Amazon Augmented AI di Dokumentasi SageMaker.