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.
Ce didacticiel explique les opérations d'API que vous pouvez utiliser pour commencer à utiliser Amazon A2I.
Pour utiliser un bloc-notes Jupyter pour exécuter ces opérations, sélectionnez un bloc-notes Jupyter Cas d'utilisation et exemples d’utilisation d'Amazon A2I et utilisez-le Utiliser une instance de SageMaker bloc-notes avec Amazon A2I Jupyter Notebook pour savoir comment l'utiliser dans une SageMaker instance de bloc-notes AI.
Pour en savoir plus sur les opérations d'API que vous pouvez utiliser avec Amazon A2I, veuillez consulter la section Utilisation APIs dans Amazon Augmented AI.
Créer une équipe de travail privée
Vous pouvez créer une équipe de travail privée et vous ajouter en tant qu'employé afin de pouvoir prévisualiser Amazon A2I.
Si vous ne connaissez pas Amazon Cognito, nous vous recommandons d'utiliser la console d' SageMaker intelligence artificielle pour créer un personnel privé et de vous ajouter en tant que travailleur privé. Pour obtenir des instructions, consultez Étape 1 : Créer une équipe de travail.
Si vous connaissez Amazon Cognito, vous pouvez suivre les instructions suivantes pour créer une équipe de travail privée à l'aide de l' SageMaker API. Après avoir créé une équipe de travail, notez l'ARN de l'équipe de travail (WorkteamArn).
Pour en savoir plus sur la main-d'œuvre privée et d'autres configurations disponibles, veuillez consulter la section Main-d'œuvre privée.
Créer une main-d'œuvre privée
Si vous n'avez pas créé de main-d'œuvre privée, vous pouvez le faire à l'aide d'un groupe d'utilisateurs Amazon Cognito. Vérifiez que vous vous êtes ajouté à ce groupe d'utilisateurs. Vous pouvez créer une équipe de travail privée à l'aide de AWS SDK for Python (Boto3)
create_workforce cette fonction. Pour les autres langues spécifiques SDKs, reportez-vous à la liste dans. CreateWorkforce
response = client.create_workforce(
CognitoConfig={
"UserPool": "Pool_ID",
"ClientId": "app-client-id"
},
WorkforceName="workforce-name"
)
Créer une équipe de travail privée
Après avoir créé une main-d'œuvre privée dans la AWS région pour configurer et démarrer votre boucle humaine, vous pouvez créer une équipe de travail privée à l'aide de cette AWS SDK for Python (Boto3) create_workteam fonction. Pour les autres langues spécifiques SDKs, reportez-vous à la liste dans. CreateWorkteam
response = client.create_workteam(
WorkteamName="work-team-name",
WorkforceName= "workforce-name",
MemberDefinitions=[
{
"CognitoMemberDefinition": {
"UserPool": "<aws-region>_ID",
"UserGroup": "user-group",
"ClientId": "app-client-id"
},
}
]
)
Pour accéder à l'ARN de votre équipe de travail, procédez comme suit :
workteamArn = response["WorkteamArn"]
Répertorier les équipes de travail privées de votre compte
Si vous avez déjà créé une équipe de travail privée, vous pouvez répertorier toutes les équipes de travail d'une AWS région donnée dans votre compte à l'aide de cette AWS SDK for Python (Boto3) list_workteams fonction. Pour les autres langues spécifiques SDKs, reportez-vous à la liste dans. ListWorkteams
response = client.list_workteams()
Si votre compte comporte de nombreuses équipes de travail, vous voudrez peut-être utiliser MaxResults, SortBy et NameContains pour filtrer vos résultats.
Créer un flux de vérification humaine
Vous pouvez créer un flux de vérification humaine à l'aide de l'opération CreateFlowDefinition Amazon A2I. Avant de créer votre flux de vérification humaine, vous devez créer une interface utilisateur de tâche humaine. Vous pouvez faire ceci avec l'opération CreateHumanTaskUi.
Si vous utilisez Amazon A2I avec les intégrations Amazon Textract ou Amazon Rekognition, vous pouvez spécifier des conditions d'activation à l'aide d'un objet JSON.
Créer une interface utilisateur de tâche humaine
Si vous créez un flux de vérification humaine à utiliser avec les intégrations Amazon Textract ou Amazon Rekognition, vous devez utiliser et modifier le modèle de tâche d'employé préétabli. Pour toutes les intégrations personnalisées, vous pouvez utiliser votre propre modèle de tâche d'employé personnalisé. Utilisez le tableau suivant pour apprendre à créer une interface utilisateur de tâche humaine à l'aide d'un modèle de tâche d'employé pour les deux intégrations intégrées. Pour personnaliser cette demande, remplacez le modèle par le vôtre.
Pour en savoir plus sur ce modèle, veuillez consulter la section Exemple de modèle personnalisé pour Amazon Textract.
template = r"""
<script src="https://assets.crowd.aws/crowd-html-elements.js"></script>
{% capture s3_uri %}http://s3.amazonaws.com/{{ task.input.aiServiceRequest.document.s3Object.bucket }}/{{ task.input.aiServiceRequest.document.s3Object.name }}{% endcapture %}
<crowd-form>
<crowd-textract-analyze-document
src="{{ s3_uri | grant_read_access }}"
initial-value="{{ task.input.selectedAiServiceResponse.blocks }}"
header="Review the key-value pairs listed on the right and correct them if they don"t match the following document."
no-key-edit=""
no-geometry-edit=""
keys="{{ task.input.humanLoopContext.importantFormKeys }}"
block-types='["KEY_VALUE_SET"]'>
<short-instructions header="Instructions">
<p>Click on a key-value block to highlight the corresponding key-value pair in the document.
</p><p><br></p>
<p>If it is a valid key-value pair, review the content for the value. If the content is incorrect, correct it.
</p><p><br></p>
<p>The text of the value is incorrect, correct it.</p>
<p><img src="https://assets.crowd.aws/images/a2i-console/correct-value-text.png">
</p><p><br></p>
<p>A wrong value is identified, correct it.</p>
<p><img src="https://assets.crowd.aws/images/a2i-console/correct-value.png">
</p><p><br></p>
<p>If it is not a valid key-value relationship, choose No.</p>
<p><img src="https://assets.crowd.aws/images/a2i-console/not-a-key-value-pair.png">
</p><p><br></p>
<p>If you can’t find the key in the document, choose Key not found.</p>
<p><img src="https://assets.crowd.aws/images/a2i-console/key-is-not-found.png">
</p><p><br></p>
<p>If the content of a field is empty, choose Value is blank.</p>
<p><img src="https://assets.crowd.aws/images/a2i-console/value-is-blank.png">
</p><p><br></p>
<p><strong>Examples</strong></p>
<p>Key and value are often displayed next or below to each other.
</p><p><br></p>
<p>Key and value displayed in one line.</p>
<p><img src="https://assets.crowd.aws/images/a2i-console/sample-key-value-pair-1.png">
</p><p><br></p>
<p>Key and value displayed in two lines.</p>
<p><img src="https://assets.crowd.aws/images/a2i-console/sample-key-value-pair-2.png">
</p><p><br></p>
<p>If the content of the value has multiple lines, enter all the text without line break.
Include all value text even if it extends beyond the highlight box.</p>
<p><img src="https://assets.crowd.aws/images/a2i-console/multiple-lines.png"></p>
</short-instructions>
<full-instructions header="Instructions"></full-instructions>
</crowd-textract-analyze-document>
</crowd-form>
"""À l'aide du modèle spécifié ci-dessus, vous pouvez créer un modèle à l'aide de la AWS SDK for Python (Boto3) create_human_task_ui fonction. Pour les autres langues spécifiques SDKs, reportez-vous à la liste dans. CreateHumanTaskUi
response = client.create_human_task_ui(
HumanTaskUiName="human-task-ui-name",
UiTemplate={
"Content": template
}
)
Cet élément de réponse contient l'ARN de l'interface utilisateur de tâche humaine. Enregistrez ceci comme suit :
humanTaskUiArn = response["HumanTaskUiArn"]
Créer un objet JSON pour spécifier les conditions d'activation
Pour les intégrations intégrées Amazon Textract et Amazon Rekognition, vous pouvez enregistrer les conditions d'activation dans un objet JSON et l'utiliser dans votre demande CreateFlowDefinition.
Ensuite, sélectionnez un onglet pour voir un exemple de conditions d'activation que vous pouvez utiliser pour ces intégrations intégrées. Pour plus d'informations sur les options de condition d'activation, veuillez consulter la section Schéma JSON pour les conditions d'activation de boucle humaine dans Amazon Augmented AI.
Cet exemple spécifie des conditions pour des clés spécifiques (telles que Mail address) dans le document. Si l'indice de confiance d'Amazon Textract dépasse les seuils définis ici, le document est soumis à vérification humaine, et les clés spécifiques à l'initiation de la boucle humaine sont envoyées à l'employé.
import json
humanLoopActivationConditions = json.dumps(
{
"Conditions": [
{
"Or": [
{
"ConditionType": "ImportantFormKeyConfidenceCheck",
"ConditionParameters": {
"ImportantFormKey": "Mail address",
"ImportantFormKeyAliases": ["Mail Address:","Mail address:", "Mailing Add:","Mailing Addresses"],
"KeyValueBlockConfidenceLessThan": 100,
"WordBlockConfidenceLessThan": 100
}
},
{
"ConditionType": "MissingImportantFormKey",
"ConditionParameters": {
"ImportantFormKey": "Mail address",
"ImportantFormKeyAliases": ["Mail Address:","Mail address:","Mailing Add:","Mailing Addresses"]
}
},
{
"ConditionType": "ImportantFormKeyConfidenceCheck",
"ConditionParameters": {
"ImportantFormKey": "Phone Number",
"ImportantFormKeyAliases": ["Phone number:", "Phone No.:", "Number:"],
"KeyValueBlockConfidenceLessThan": 100,
"WordBlockConfidenceLessThan": 100
}
},
{
"ConditionType": "ImportantFormKeyConfidenceCheck",
"ConditionParameters": {
"ImportantFormKey": "*",
"KeyValueBlockConfidenceLessThan": 100,
"WordBlockConfidenceLessThan": 100
}
},
{
"ConditionType": "ImportantFormKeyConfidenceCheck",
"ConditionParameters": {
"ImportantFormKey": "*",
"KeyValueBlockConfidenceGreaterThan": 0,
"WordBlockConfidenceGreaterThan": 0
}
}
]
}
]
}
)
Créer un flux de vérification humaine
Cette section donne un exemple de CreateFlowDefinition AWS SDK for Python (Boto3) demande utilisant les ressources créées dans les sections précédentes. Pour les autres langues spécifiques SDKs, reportez-vous à la liste dans. CreateFlowDefinition Utilisez les onglets du tableau suivant pour voir les demandes de création d'un flux de vérification humaine pour les intégrations intégrées Amazon Textract et Amazon Rekognition.
Si vous utilisez l'intégration intégrée avec Amazon Textract, vous devez spécifier "AWS/Textract/AnalyzeDocument/Forms/V1" pour "AwsManagedHumanLoopRequestSource" dans HumanLoopRequestSource.
response = client.create_flow_definition(
FlowDefinitionName="human-review-workflow-name",
HumanLoopRequestSource={
"AwsManagedHumanLoopRequestSource": "AWS/Textract/AnalyzeDocument/Forms/V1"
},
HumanLoopActivationConfig={
"HumanLoopActivationConditionsConfig": {
"HumanLoopActivationConditions": humanLoopActivationConditions
}
},
HumanLoopConfig={
"WorkteamArn": workteamArn,
"HumanTaskUiArn": humanTaskUiArn,
"TaskTitle": "Document entry review",
"TaskDescription": "Review the document and instructions. Complete the task",
"TaskCount": 1,
"TaskAvailabilityLifetimeInSeconds": 43200,
"TaskTimeLimitInSeconds": 3600,
"TaskKeywords": [
"document review",
],
},
OutputConfig={
"S3OutputPath": "s3://amzn-s3-demo-bucket/prefix/",
},
RoleArn="arn:aws:iam::<account-number>:role/<role-name>",
Tags=[
{
"Key": "string",
"Value": "string"
},
]
)
Une fois que vous avez créé un flux de vérification humaine, vous pouvez récupérer l'ARN de définition de flux à partir de la réponse :
humanReviewWorkflowArn = response["FlowDefinitionArn"]
Créer une boucle humaine
L'opération d'API que vous utilisez pour démarrer une boucle humaine dépend de l'intégration Amazon A2I que vous utilisez.
-
Si vous utilisez l'intégration intégrée d'Amazon Textract, vous utilisez l'AnalyzeDocumentopération.
-
Si vous utilisez l'intégration intégrée d'Amazon Rekognition, vous utilisez l'opération. DetectModerationLabels
-
Si vous utilisez une intégration personnalisée, vous utilisez l'StartHumanLoopopération.
Sélectionnez votre type de tâche dans le tableau suivant pour afficher des exemples de demandes pour Amazon Textract et Amazon Rekognition à l'aide de l'outil AWS SDK for Python (Boto3).
L'exemple suivant utilise l'appel AWS SDK for Python (Boto3) to analyze_document dans us-west-2. Remplacez le texte en rouge et en italique par vos ressources. N'incluez le paramètre DataAttributes que si vous utilisez la main-d'œuvre Amazon Mechanical Turk. Pour plus d'informations, veuillez consulter la documentation analyze_document
response = client.analyze_document(
Document={"S3Object": {"Bucket": "amzn-s3-demo-bucket", "Name": "document-name.pdf"},
HumanLoopConfig={
"FlowDefinitionArn":"arn:aws:sagemaker:us-west-2:111122223333:flow-definition/flow-definition-name",
"HumanLoopName":"human-loop-name",
"DataAttributes" : {ContentClassifiers:["FreeOfPersonallyIdentifiableInformation"|"FreeOfAdultContent"]}
}
FeatureTypes=["FORMS"]
)
Les boucles humaines ne sont créées que si la confiance d'Amazon Textract pour la tâche d'analyse des documents répond aux conditions d'activation que vous avez spécifiées dans votre flux de vérification humaine. Vous pouvez vérifier l'élément response pour déterminer si une boucle humaine a été créée. Pour voir tout ce qui est inclus dans cette réponse, veuillez consulter HumanLoopActivationOutput.
if "HumanLoopArn" in analyzeDocumentResponse["HumanLoopActivationOutput"]:
# A human loop has been started!
print(f"A human loop has been started with ARN: {analyzeDocumentResponse["HumanLoopActivationOutput"]["HumanLoopArn"]}"
