Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
Anwendungsfälle und Beispiele mit Amazon A2I
Sie können Amazon Erweiterte KI verwenden, um eine menschliche Überprüfung in Ihren Workflow für integrierte Aufgabentypen, Amazon Textract und Amazon Rekognition, oder Ihre eigenen benutzerdefinierten Aufgaben mit einem benutzerdefinierten Aufgabentyp zu integrieren.
Wenn Sie mit einem der integrierten Aufgabentypen einen Workflow für die menschliche Überprüfung erstellen, können Sie Bedingungen, wie z. B. Vertrauensschwellen, angeben, die eine menschliche Überprüfung auslösen. Der Service (Amazon Rekognition oder Amazon Textract) erstellt in Ihrem Namen ein Human Loop, wenn diese Bedingungen erfüllt sind, und leitet Ihre Eingabedaten direkt an Amazon A2I weiter, um sie an menschliche Prüfer zu senden. Um mehr über die integrierten Aufgabentypen zu erfahren, gehen Sie wie folgt vor:
Wenn Sie einen benutzerdefinierten Aufgabentyp verwenden, erstellen und starten Sie mithilfe der Amazon A2I Runtime API eine menschliche Schleife. Verwenden Sie den benutzerdefinierten Aufgabentyp, um einen Workflow für die menschliche Überprüfung in einen anderen AWS -Service oder eine eigene benutzerdefinierte ML-Anwendung zu integrieren.
-
Weitere Details finden Sie unter Verwenden Sie Amazon Augmented AI mit benutzerdefinierten Aufgabentypen.
In der folgenden Tabelle werden verschiedene Amazon A2I-Anwendungsfälle beschrieben, die Sie mithilfe von SageMaker Jupyter Notebooks untersuchen können. Um mit einem Jupyter Notebook zu beginnen, folgen Sie den Anweisungen in Verwenden Sie die SageMaker Notebook-Instance mit Amazon A2I Jupyter Notebook. Weitere Beispiele finden Sie in diesem Repository. GitHub
| Anwendungsfall | Beschreibung | Aufgabentyp |
|---|---|---|
|
Lassen Sie Dokumente mit einer Seite prüfen, um wichtige Form-Schlüssel-Wert-Paare zu überprüfen, oder lassen Sie Amazon Textract nach dem Zufallsprinzip Dokumente aus Ihrem Datensatz auswählen und zur Überprüfung an Menschen senden. |
Integriert | |
| Amazon A2I mit Amazon Rekognition verwenden |
Lassen Sie Menschen unsichere Bilder auf explizite Inhalte für Erwachsene oder gewalttätige Inhalte prüfen, wenn Amazon Rekognition eine niedrige Vertrauensbewertung zurückgibt, oder lassen Sie Amazon Rekognition nach dem Zufallsprinzip Bilder aus Ihrem Datensatz auswählen und zur Überprüfung an Menschen senden. |
Integriert |
| Amazon A2I mit Amazon Comprehend verwenden |
Lassen Sie Menschen die Inferenzen von Amazon Comprehend zu Textdaten wie Stimmungsanalyse, Textsyntax und Entitätserkennung prüfen. |
Benutzerdefiniert |
| Amazon A2I mit Amazon Transcribe verwenden |
Lassen Sie Menschen Amazon Transcribe-Transkriptionen von Video- oder Audiodateien prüfen. Verwenden Sie die Ergebnisse von „menschliche Transkriptionsüberprüfung“-Loops, um ein benutzerdefiniertes Vokabular zu erstellen und zukünftige Transkriptionen ähnlicher Video- oder Audioinhalte zu verbessern. |
Benutzerdefiniert |
| Amazon A2I mit Amazon Translate verwenden |
Lassen Sie Menschen Übersetzungen mit geringer Vertrauensbewertung prüfen, die von Amazon Translate zurückgegeben wurden. |
Benutzerdefiniert |
| Amazon A2I verwenden, um ML-Inferenzen in Echtzeit zu prüfen |
Verwenden Sie Amazon A2I, um Schlussfolgerungen mit geringer Zuverlässigkeit in Echtzeit zu überprüfen, die von einem auf einem SageMaker gehosteten Endpunkt bereitgestellten Modell gezogen wurden, und Ihr Modell schrittweise mit Amazon A2I-Ausgabedaten zu trainieren. |
Benutzerdefiniert |
| Amazon A2I verwenden, um tabellarische Daten zu prüfen |
Verwenden Sie Amazon A2I, um ein „menschliche Überprüfung“-Loop in eine ML-Anwendung zu integrieren, die tabellarische Daten verwendet. |
Benutzerdefiniert |
Themen
Verwenden Sie die SageMaker Notebook-Instance mit Amazon A2I Jupyter Notebook
Ein end-to-end Beispiel, das zeigt, wie eine menschliche Amazon A2I-Überprüfungsschleife in einen Workflow für maschinelles Lernen integriert wird, können Sie ein Jupyter-Notebook aus diesem GitHub Repository
So verwenden Sie ein Amazon A2I-Beispielnotizbuch mit benutzerdefiniertem Aufgabentyp in einer SageMaker Amazon-Notebook-Instance:
-
Wenn Sie keine aktive SageMaker Notebook-Instance haben, erstellen Sie eine, indem Sie den Anweisungen unter folgen. Erstellen Sie eine Amazon SageMaker Notebook-Instance für das Tutorial
-
Wenn Ihre Notebook-Instanz aktiv ist, wählen Sie rechts JupyterLab neben dem Namen der Notebook-Instanz Öffnen aus. Das Laden kann einen Moment JupyterLab dauern.
-
Wählen Sie das Symbol „Github-Repository hinzufügen“ (
), um ein GitHub Repository in Ihren Workspace zu klonen. -
Rufen Sie das Amazon-A2-Repository auf i-sample-jupyter-notebooks
. HTTPS URL -
Wählen Sie. CLONE
-
Öffnen Sie das Notebook, das Sie ausführen möchten.
-
Folgen Sie den Anweisungen im Notebook, um Ihren Workflow für die menschliche Überprüfung und den Human Loop zu konfigurieren und die Zellen auszuführen.
-
Um unnötige Gebühren zu vermeiden, beenden und löschen Sie nach Abschluss der Demo Ihre Notebook-Instance sowie alle Amazon S3 S3-Buckets, IAM -Rollen und CloudWatch Events-Ressourcen, die während der Komplettlösung erstellt wurden.
