Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
Révision de contenus inappropriés avec Amazon Augmented AI
Amazon Augmented AI (Amazon A2I) vous permet de créer les workflows requis pour l'examen humain des prédictions de Machine Learning.
Amazon Rekognition est directement intégré à Amazon A2I afin que vous puissiez facilement implémenter un examen humain pour la détection d'images dangereuses. Amazon A2I fournit un workflow d'évaluation humaine pour la modération des images. Cela vous permet de consulter facilement les prédictions d'Amazon Rekognition. Vous pouvez définir des seuils de confiance pour votre cas d'utilisation et les ajuster au fil du temps. Avec Amazon A2I, vous pouvez utiliser un pool de réviseurs au sein de votre propre organisation ou d'Amazon Mechanical Turk. Vous pouvez également recourir à des vendeurs de main d'œuvre présélectionnés par AWS pour garantir la qualité et la conformité aux procédures de sécurité.
Les étapes suivantes vous expliquent comment configurer Amazon A2I avec Amazon Rekognition. Tout d'abord, vous créez une définition de flux avec Amazon A2I avec les conditions qui déclenchent la révision humaine. Vous transmettez ensuite le nom de ressource Amazon (ARN) de la définition du flux à l'opération Amazon RekognitionDetectModerationLabel
. Dans la réponse DetectModerationLabel
, vous pouvez voir si une révision humaine est nécessaire. Les résultats de l'examen humain sont disponibles dans un compartiment Amazon S3 défini par la définition du flux.
Pour voir une end-to-end démonstration de l'utilisation d'Amazon A2I avec Amazon Rekognition, consultez l'un des didacticiels suivants dans le manuel Amazon Developer Guide. SageMaker
-
Démo : Commencez à utiliser l'API Amazon A2I
Pour commencer à utiliser l'API, vous pouvez également exécuter un exemple de bloc-notes Jupyter. Consultez Utiliser une instance de SageMaker bloc-notes avec Amazon A2I Jupyter Notebook pour utiliser l'intégration du bloc-notes Amazon Augmented AI (Amazon A2I) à Amazon Rekognition
[Exemple] dans une instance de bloc-notes. SageMaker
Exécution DetectModerationLabels avec Amazon A2I
Note
Créez toutes vos ressources Amazon A2I et Amazon Rekognition dans la même région AWS.
-
Remplissez les conditions préalables répertoriées dans Démarrer avec Amazon Augmented AI dans la documentation sur SageMaker .
N'oubliez pas non plus de configurer vos autorisations IAM comme indiqué sur la page Autorisations et sécurité dans Amazon Augmented AI de la SageMaker documentation.
-
Suivez les instructions relatives à la création d'un workflow de révision humaine dans la documentation sur SageMaker.
Un workflow de révision humaine gère le traitement d'une image. Il contient les conditions qui déclenchent un examen humain, l'équipe de travail à laquelle l'image est envoyée, le modèle d'interface utilisateur utilisé par l'équipe de travail et le compartiment Amazon S3 vers lequel les résultats de l'équipe de travail sont envoyés.
Lors de votre
CreateFlowDefinition
appel, vous devez régler le paramètre sur «HumanLoopRequestSource
AWS/Rekognition/ /Image/V3 DetectModerationLabels ». Après cela, vous devez décider comment vous souhaitez configurer vos conditions qui déclenchent la révision humaine.Avec Amazon Rekognition, vous disposez de deux
ConditionType
options pour : et.ModerationLabelConfidenceCheck
Sampling
ModerationLabelConfidenceCheck
crée une boucle humaine lorsque la confiance d'une étiquette de modération se situe dans une plage. Enfin,Sampling
envoie un pourcentage aléatoire des documents traités pour révision humaine. ChaqueConditionType
utilise un ensemble différent deConditionParameters
pour définir les résultats de la révision humaine.ModerationLabelConfidenceCheck
aConditionParameters
ModerationLableName
qui définit la clé qui doit être revue par les opérateurs. De plus, il a confiance, qui définit la fourchette de pourcentage pour l'envoi à une évaluation humaine avec LessThan GreaterThan, et Equals.Sampling
aRandomSamplingPercentage
défini un pourcentage de documents qui seront soumis à un examen humain.L'exemple de code suivant est un appel partiel de
CreateFlowDefinition
. Il envoie une image pour révision humaine si elle est évaluée à moins de 98% sur l'étiquette « Suggestif », et à plus de 95% sur l'étiquette « Maillots de bain ou sous-vêtements féminins ». Cela signifie que si l'image n'est pas considérée comme suggestive, mais comporte une femme en sous-vêtements ou maillot de bain, vous pouvez vérifier l'image en utilisant la révision humaine.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
renvoie unFlowDefinitionArn
, que vous utilisez à l'étape suivante lorsque vous appelezDetectModerationLabels
.Pour plus d'informations, consultez CreateFlowDefinitionla référence de SageMaker l'API.
-
Définissez le paramètre
HumanLoopConfig
lorsque vous appelezDetectModerationLabels
, comme dans Détection d’images inappropriées. Consultez l'étape 4 pour des exemples d'DetectModerationLabels
appel avecHumanLoopConfig
set.-
Dans le paramètre
HumanLoopConfig
, définissezFlowDefinitionArn
sur l'ARN de la définition de flux que vous avez créée à l'étape 2. -
Définissez votre
HumanLoopName
. Cela doit être unique dans une région et en minuscules. -
(Facultatif) Vous pouvez l'utiliser
DataAttributes
pour définir si l'image que vous avez transmise à Amazon Rekognition est exempte d'informations personnellement identifiables. Vous devez définir ce paramètre pour envoyer des informations à Amazon Mechanical Turk.
-
-
Exécutez
DetectModerationLabels
.Les exemples suivants montrent comment utiliser le
HumanLoopConfig
set AWS CLI et AWS SDK for Python (Boto3) pour l'exécuterDetectModerationLabels
avec.Lorsque vous exécutez la
DetectModerationLabels
commandeHumanLoopConfig
Activé, Amazon SageMaker Rekognition appelle l'opération API.StartHumanLoop
Cette commande prend la réponse auprès deDetectModerationLabels
et la vérifie par rapport aux conditions de la définition de flux dans l'exemple. S'il remplit les conditions d'examen, il renvoie unHumanLoopArn
. Cela signifie que les membres de l'équipe de travail que vous avez définie dans votre définition de flux peuvent désormais consulter l'image. L'appel de l'opération d'exécution Amazon Augmented AIDescribeHumanLoop
fournit des informations sur le résultat de la boucle. Pour plus d'informations, consultez DescribeHumanLoopla documentation de référence de l'API Amazon Augmented AI.Une fois l'image révisée, vous pouvez voir les résultats dans le compartiment spécifié dans le chemin de sortie de votre définition de flux. Amazon A2I vous informera également par le biais d'Amazon CloudWatch Events lorsque la révision sera terminée. Pour connaître les événements à rechercher, consultez la section CloudWatch Événements de la SageMakerdocumentation.
Pour de plus amples informations, consultez Démarrer avec Amazon Augmented AI dans la documentation sur SageMaker.