Criar um fluxo de trabalho de análise humana

Use um fluxo de trabalho de análise humana do Amazon Augmented AI (Amazon A2I) ou uma definição de fluxo para especificar o seguinte:

• Para os tipos de tarefa incorporadas do Amazon Textract e do Amazon Rekognition, as condições sob as quais o loop humano será chamado.

• A força de trabalho para a qual suas tarefas são enviadas

• As instruções que a força de trabalho receberá, que são chamadas de modelo de tarefa de operador.

• A configuração de suas tarefas de trabalho, incluindo o número de operadores que recebem uma tarefa e os limites de tempo para concluir as tarefas.

• Local em que seus dados de saída estão armazenados.

Você pode criar um fluxo de trabalho de revisão humana no SageMaker console ou usando a SageMaker CreateFlowDefinitionoperação. É possível criar um modelo de tarefa de operador usando o console para tipos de tarefa do Amazon Textract e do Amazon Rekognition ao criar sua definição de fluxo.

Importante

As condições de ativação do loop humano, que iniciam o loop humano, como os limiares de confiança, não estão disponíveis para tipos de tarefas personalizados no Amazon A2I. Ao usar o console para criar uma definição de fluxo para um tipo de tarefa personalizado, não é possível especificar condições de ativação. Ao usar a API do Amazon A2I para criar uma definição de fluxo para um tipo de tarefa personalizado, você não pode definir o atributo HumanLoopActivationConditions do parâmetro HumanLoopActivationConditionsConfig. Para controlar quando as revisões humanas são iniciadas, especifique as condições nas quais StartHumanLoop é chamado no seu aplicativo personalizado. Neste caso, cada chamada de StartHumanLoop resulta em uma análise humana. Para ter mais informações, consulte Use o Amazon Augmented AI com tipos de tarefas personalizadas.

Pré-requisitos

Para criar uma definição de fluxo de análise humana, você deve ter concluído os pré-requisitos descritos em Pré-requisitos para usar a IA Augmented.

Se você usar a API para criar uma definição de fluxo para qualquer tipo de tarefa ou se usar um tipo de tarefa personalizado ao criar uma definição de fluxo no console, primeiro criar um modelo de tarefa de operador. Para ter mais informações, consulte Criar e gerenciar modelos de tarefas de operadores.

Para visualizar o modelo de tarefa de operador ao criar uma definição de fluxo para um tipo de tarefa incorporado no console, conceda à função usada para criar a definição de fluxo permissão para acessar o bucket do Amazon S3 que contém os artefatos do modelo usando uma política como a descrita em Habilitar visualizações do modelo de tarefa de operador .

Tópicos

• Criar um fluxo de trabalho de análise humana (console)
• Criar um fluxo de trabalho de análise humana (API)
• Esquema JSON para condições de ativação de loop humano no Amazon Augmented AI

Criar um fluxo de trabalho de análise humana (console)

Use esse procedimento para criar um fluxo de trabalho de revisão humana do Amazon Augmented AI (Amazon A2I) usando o console. SageMaker Se você não estiver familiarizado com o Amazon A2I, é recomendável criar uma equipe de trabalho privada, usando pessoas de sua organização e usar o ARN dessa equipe de trabalho ao criar sua definição de fluxo. Para saber como configurar uma força de trabalho privada e criar uma equipe de trabalho, consulte Crie uma força de trabalho privada (Amazon SageMaker Console). Se você já configurou uma força de trabalho privada, consulte Crie uma equipe de trabalho usando o SageMaker console para saber como adicionar uma equipe de trabalho a essa força de trabalho.

Se você estiver usando o Amazon A2I com um dos tipos de tarefa integrados, pode criar instruções para os operadores usando um modelo de tarefa padrão fornecido pela Augmented AI durante a criação de um fluxo de trabalho de análise humana no console. Para ver exemplos dos modelos padrão fornecidos pelo Augmented AI, consulte os tipos de tarefa incorporados em Casos de uso e exemplos usando o Amazon A2I.

Como criar uma definição de fluxo (console)

1. Abra o SageMaker console emhttps://console.aws.amazon.com/sagemaker/.

2. No painel de navegação, na seção Augmented AI, escolha Human review workflows (Fluxos de trabalho de análise humana) e escolha Create human review workflow (Criar fluxo de trabalho de análise humana).

3. Em Overview (Visão geral), faça o seguinte:

   1. Em Name (Nome), insira um nome exclusivo para o fluxo de trabalho. O nome deve estar em minúsculas, exclusivo na AWS região da sua conta e pode ter até 63 caracteres. Os caracteres válidos incluem: a-z, 0-9 e - (hífen).

   2. Em S3 location for output (Local do S3 para a saída), insira o bucket do S3 onde você deseja armazenar os resultados da análise humana. O bucket deve estar localizado na mesma AWS região do fluxo de trabalho.

   3. Para o Perfil do IAM, escolha um perfil que tenha as permissões necessárias. Se você escolher um tipo de tarefa incorporada e desejar visualizar o modelo do operador no console, forneça uma função com o tipo de política descrito no Habilitar visualizações do modelo de tarefa de operador anexado.

4. Em Task type (Tipo de tarefa), escolha o tipo de tarefa que deseja que o operador humano execute.

5. Se você escolher o tipo de tarefa do Amazon Rekognition ou do Amazon Textract, especifique as condições que invocarão a análise humana.

   • Para tarefas de moderação do Amazon Rekognition Image, escolha um intervalo de limiar de pontuação de confiança na inferência que inicie a análise humana.

   • Para tarefas do Amazon Textract, é possível iniciar uma análise humana quando chaves de formulário específicas estão ausentes ou quando a confiança na detecção de chaves de formulário é baixa. Você também pode iniciar uma análise humana se, após avaliar todas as chaves de formulário no texto, a confiança for menor do que o limiar necessário para qualquer chave de formulário. Você verá duas variáveis que podem ser usadas para especificar seus limites de confiança: Confiança de identificação e Confiança de qualificação. Para saber mais sobre essas variáveis, consulte Use o Amazon Augmented AI com o Amazon Textract.

   • Para os dois tipos de tarefa, você pode enviar aleatoriamente uma porcentagem de objetos de dados (imagens ou formulários) e seus rótulos a humanos para análise.

6. Configure e especifique seu modelo de tarefa de operador:

   1. Se você estiver usando o Amazon Rekognition ou o Amazon Textract, digite:

      1. Na seção Create template (Criar modelo):

         • Para criar instruções para seus operadores usando o modelo padrão para os tipos de tarefa do Amazon Rekognition e do Amazon Textract, escolha Criar com base em um modelo padrão.

           • Se você selecionar Build from a default template (Criar usando um modelo padrão), crie as instruções em Worker task design (Design de tarefa de operador).

             • Forneça um nome de modelo que seja exclusivo na AWS região em que você está.

             • Na seção Instructions (Instruções), forneça instruções detalhadas sobre como concluir a tarefa. Para ajudar os operadores a obter maior precisão, forneça exemplos bons e ruins.

             • (Opcional) Em Additional instructions (Instruções adicionais), forneça aos operadores informações e instruções adicionais.

               Para obter informações sobre como criar instruções eficientes, consulte Criar instruções para o bom operador.

         • Para selecionar um modelo personalizado criado por você, escolha-o no menu Template (Modelo) e forneça uma Task description (Descrição de tarefa) para descrever brevemente a tarefa para os operadores. Para saber como criar um modelo personalizado, consulte Criar um modelo de tarefa de trabalho.

   2. Se você estiver usando o tipo de tarefa personalizado:

      1. Na seção Modelo de tarefa do operador, selecione o modelo na lista. Todos os modelos que você criou no SageMaker console aparecem nessa lista. Para saber como criar um modelo para tipos de tarefa personalizados, consulte Criar e gerenciar modelos de tarefas de operadores.

7. (Opcional) Visualize seu modelo de operador:

   Para tipos de tarefa do Amazon Rekognition e do Amazon Textract, você tem a opção de escolher Ver uma tarefa de operador de exemplo para visualizar a interface do usuário de tarefa de operador.

   Se estiver criando uma definição de fluxo para um tipo de tarefa personalizado, você poderá visualizar a interface do usuário de tarefa de operador usando a operação RenderUiTemplate. Para ter mais informações, consulte Visualizar um modelo de tarefa de operador.

8. Em Workers (Operadores), escolha um tipo de força de trabalho.

9. Selecione Create (Criar).

Próximos Passos

Depois de criar um fluxo de trabalho de análise humana, ele aparece no console em Human review workflows (Fluxos de trabalho de análise humana). Para ver o nome de recurso da Amazon (ARN) da definição do fluxo e os detalhes da configuração, escolha o fluxo de trabalho selecionando seu nome.

Se você estiver usando um tipo de tarefa incorporado, poderá usar o ARN de definição de fluxo para iniciar um loop humano usando a API desse AWS serviço (por exemplo, a API Amazon Textract). Para tipos de tarefa personalizados, você pode usar o ARN para iniciar um loop humano usando a API de runtime da Amazon Augmented AI.. Para saber mais sobre as duas opções, consulte Criar e iniciar um loop humano.

Criar um fluxo de trabalho de análise humana (API)

Para criar uma definição de fluxo usando a SageMaker API, você usa a CreateFlowDefinition operação. Depois de concluir o Pré-requisitos para usar a IA Augmented, use o procedimento a seguir para aprender a usar essa operação de API.

Para obter uma visão geral da operação CreateFlowDefinition e detalhes sobre cada parâmetro, consulte CreateFlowDefinition.

Como criar uma definição de fluxo (API)

1. Em FlowDefinitionName, insira um nome exclusivo. O nome deve ser exclusivo na AWS região da sua conta e pode ter até 63 caracteres. Os caracteres válidos incluem: a-z, 0-9 e - (hífen).

2. Em RoleArn, insira o ARN da função que você configurou para conceder acesso às suas fontes de dados.

3. Em HumanLoopConfig, insira informações sobre os operadores e o que eles devem ver. Para obter informações sobre cada parâmetro emHumanLoopConfig, consulte HumanLoopConfig.

4. (Opcional) Se estiver usando um tipo de tarefa integrada, forneça condições que iniciem um loop humano em HumanLoopActivationConfig. Para saber como criar a entrada necessária para o parâmetro HumanLoopActivationConfig, consulte Esquema JSON para condições de ativação de loop humano no Amazon Augmented AI. Se você não especificar condições aqui, ao fornecer uma definição de fluxo para o AWS serviço associado a um tipo de tarefa incorporado (por exemplo, Amazon Textract ou Amazon Rekognition), esse serviço enviará todas as tarefas a um funcionário humano para análise.

   Se você estiver usando um tipo de tarefa personalizado, HumanLoopActivationConfig estará desativado. Para saber como controlar quando as tarefas são enviadas a operadores humanos usando um tipo de tarefa personalizado, consulte Use o Amazon Augmented AI com tipos de tarefas personalizadas.

5. (Opcional) Se você estiver usando um tipo de tarefa incorporado, especifique a fonte de integração (por exemplo, Amazon Rekognition ou Amazon Textract) no parâmetro. HumanLoopRequestSource

6. Para OutputConfig, indique em que lugar do Amazon Simple Storage Service (Amazon S3) deve ser armazenada a saída do loop humano.

7. (Opcional) Use Tags para inserir pares chave-valor para ajudá-lo a categorizar e organizar uma definição de fluxo. Cada tag consiste em uma chave e um valor, ambos definidos por você.

Amazon Textract – Key-value pair extraction

Veja a seguir um exemplo de uma solicitação para criar um fluxo de trabalho de análise humana do Amazon Textract (definição de fluxo) usando o AWS SDK for Python (Boto3). Você deve usar 'AWS/Textract/AnalyzeDocument/Forms/V1' para criar um loop humano do Amazon Textract. Inclua somente PublicWorkforceTaskPrice se você estiver usando a força de trabalho da Mechanical Turk.

sagemaker_client = boto3.client('sagemaker', aws_region)

response = sagemaker_client.create_flow_definition(
    FlowDefinitionName='ExampleFlowDefinition',
    HumanLoopRequestSource={
         'AwsManagedHumanLoopRequestSource': 'AWS/Textract/AnalyzeDocument/Forms/V1'
    }, 
    HumanLoopActivationConfig={
        'HumanLoopActivationConditionsConfig': {
            'HumanLoopActivationConditions': '{...}'
        }
    },
    HumanLoopConfig={
        'WorkteamArn': 'arn:aws:sagemaker:aws_region:aws_account_number:workteam/private-crowd/workteam_name',
        'HumanTaskUiArn': 'arn:aws:sagemaker:aws_region:aws_account_number:human-task-ui/template_name',
        'TaskTitle': 'Example task title',
        'TaskDescription': 'Example task description.',
        'TaskCount': 123,
        'TaskAvailabilityLifetimeInSeconds': 123,
        'TaskTimeLimitInSeconds': 123,
        'TaskKeywords': [
            'Keyword1','Keyword2'
        ],
        'PublicWorkforceTaskPrice': {
            'AmountInUsd': {
                'Dollars': 123,
                'Cents': 123,
                'TenthFractionsOfACent': 123
            }
        }
    },
    OutputConfig={
        'S3OutputPath': 's3://bucket/path/',
        'KmsKeyId': '1234abcd-12ab-34cd-56ef-1234567890ab'
    },
    RoleArn='arn:aws:iam::aws_account_number:role/role_name',
    Tags=[
        {
            'Key': 'KeyName',
            'Value': 'ValueName'
        },
    ]
)

Amazon Rekognition – Image moderation

O seguinte é um exemplo de uma solicitação para criar um fluxo de trabalho de análise humana do Amazon Rekognition (definição de fluxo) usando o AWS SDK for Python (Boto3). Você deve usar 'AWS/Rekognition/DetectModerationLabels/Image/V3' para criar uma definição de fluxo do Amazon Rekognition. Inclua somente PublicWorkforceTaskPrice se você estiver usando a força de trabalho da Mechanical Turk.

sagemaker_client = boto3.client('sagemaker', aws_region)

response = sagemaker_client.create_flow_definition(
    FlowDefinitionName='ExampleFlowDefinition',
    HumanLoopRequestSource={
         'AwsManagedHumanLoopRequestSource': 'AWS/Rekognition/DetectModerationLabels/Image/V3'
    }, 
    HumanLoopActivationConfig={
        'HumanLoopActivationConditionsConfig': {
            'HumanLoopActivationConditions': '{...}'
        }
    },
    HumanLoopConfig={
        'WorkteamArn': 'arn:aws:sagemaker:aws_region:aws_account_number:workteam/private-crowd/workteam_name',
        'HumanTaskUiArn': 'arn:aws:sagemaker:aws_region:aws_account_number:human-task-ui/template_name',
        'TaskTitle': 'Example task title',
        'TaskDescription': 'Example task description.',
        'TaskCount': 123,
        'TaskAvailabilityLifetimeInSeconds': 123,
        'TaskTimeLimitInSeconds': 123,
        'TaskKeywords': [
            'Keyword1','Keyword2'
        ],
        'PublicWorkforceTaskPrice': {
            'AmountInUsd': {
                'Dollars': 123,
                'Cents': 123,
                'TenthFractionsOfACent': 123
            }
        }
    },
    OutputConfig={
        'S3OutputPath': 's3://bucket/path/',
        'KmsKeyId': '1234abcd-12ab-34cd-56ef-1234567890ab'
    },
    RoleArn='arn:aws:iam::aws_account_number:role/role_name',
    Tags=[
        {
            'Key': 'KeyName',
            'Value': 'ValueName'
        },
    ]
)

Custom Workflow

O seguinte é um exemplo de uma solicitação para criar um fluxo de trabalho de análise humana (definição de fluxo) para uma integração personalizada. Para criar esse tipo de fluxo de trabalho de análise humana, omita o HumanLoopRequestSource da solicitação de definição de fluxo. Você só precisa incluir o PublicWorkforceTaskPrice se estiver usando a força de trabalho do Mechanical Turk.

sagemaker_client = boto3.client('sagemaker', aws_region)

response = sagemaker_client.create_flow_definition(
    FlowDefinitionName='ExampleFlowDefinition',
    HumanLoopActivationConfig={
        'HumanLoopActivationConditionsConfig': {
            'HumanLoopActivationConditions': '{...}'
        }
    },
    HumanLoopConfig={
        'WorkteamArn': 'arn:aws:sagemaker:aws_region:aws_account_number:workteam/private-crowd/workteam_name',
        'HumanTaskUiArn': 'arn:aws:sagemaker:aws_region:aws_acount_number:human-task-ui/template_name',
        'TaskTitle': 'Example task title',
        'TaskDescription': 'Example task description.',
        'TaskCount': 123,
        'TaskAvailabilityLifetimeInSeconds': 123,
        'TaskTimeLimitInSeconds': 123,
        'TaskKeywords': [
            'Keyword1','Keyword2'
        ],
        'PublicWorkforceTaskPrice': {
            'AmountInUsd': {
                'Dollars': 123,
                'Cents': 123,
                'TenthFractionsOfACent': 123
            }
        }
    },
    OutputConfig={
        'S3OutputPath': 's3://bucket/path/',
        'KmsKeyId': '1234abcd-12ab-34cd-56ef-1234567890ab'
    },
    RoleArn='arn:aws:iam::account_number:role/role_name',
    Tags=[
        {
            'Key': 'KeyName',
            'Value': 'ValueName'
        },
    ]
)

Próximos Passos

O valor de retorno de uma chamada bem-sucedida da operação da API CreateFlowDefinition é um nome de recurso da Amazon (ARN) da definição de fluxo.

Se você estiver usando um tipo de tarefa incorporado, poderá usar o ARN de definição de fluxo para iniciar um loop humano usando a API desse AWS serviço (ou seja, a API Amazon Textract). Para tipos de tarefa personalizados, você pode usar o ARN para iniciar um loop humano usando a API de runtime da Amazon Augmented AI.. Para saber mais sobre essas opções, consulte Criar e iniciar um loop humano.