View a markdown version of this page

Membuat dan Memulai Human Loop - Amazon SageMaker AI
Membuat dan Memulai Human Loop untuk Jenis Built-in TugasMembuat dan Memulai Human Loop untuk Jenis Tugas KustomLangkah selanjutnya:

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

Membuat dan Memulai Human Loop

catatan

Amazon SageMaker A2I tidak lagi terbuka untuk pelanggan baru. Pelanggan yang sudah ada dapat terus menggunakan layanan seperti biasa. AWS terus berinvestasi dalam peningkatan keamanan dan ketersediaan untuk A2I, tetapi kami tidak berencana untuk memperkenalkan fitur baru.

Human loop memulai alur kerja peninjauan manusia Anda dan mengirimkan tugas peninjauan data ke pekerja manusia. Saat Anda menggunakan salah satu jenis tugas bawaan Amazon A2I, AWS layanan terkait membuat dan memulai loop manusia atas nama Anda ketika kondisi yang ditentukan dalam definisi alur Anda terpenuhi. Jika tidak ada kondisi yang ditentukan dalam definisi aliran Anda, loop manusia dibuat untuk setiap objek. Saat menggunakan Amazon A2I untuk tugas khusus, loop manusia dimulai saat aplikasi Anda memang StartHumanLoop gil.

Gunakan petunjuk berikut untuk mengonfigurasi loop manusia dengan jenis tugas bawaan Amazon Rekognition atau Amazon Textract dan jenis tugas khusus.

Prasyarat

Untuk membuat dan memulai loop manusia, Anda harus melampirkan AmazonAugmentedAIFullAccess kebijakan ke pengguna AWS Identity and Access Management (IAM) atau peran yang mengonfigurasi atau memulai loop manusia. Ini adalah identitas yang Anda gunakan untuk mengonfigurasi loop manusia yang digunakan HumanLoopConfig untuk jenis tugas bawaan. Untuk jenis tugas khusus, ini adalah identitas yang Anda gunakan untuk memanggilStartHumanLoop.

Selain itu, saat menggunakan jenis tugas bawaan, pengguna atau peran Anda harus memiliki izin untuk memanggil operasi API AWS layanan yang terkait dengan jenis tugas Anda. Misalnya, jika Anda menggunakan Amazon Rekognition dengan Augmented AI, Anda harus melampirkan izin yang diperlukan untuk menelepon. DetectModerationLabels Untuk contoh kebijakan berbasis identitas yang dapat Anda gunakan untuk memberikan izin ini, lihat Contoh Kebijakan Rekognition Amazon dan Contoh Identity-Based Kebijakan Amazon Textract. Identity-Based Anda juga dapat menggunakan kebijakan yang lebih umum AmazonAugmentedAIIntegratedAPIAccess untuk memberikan izin ini. Untuk informasi selengkapnya, lihat Buat Pengguna Dengan Izin untuk Memanggil Operasi Amazon A2I, Amazon Textract, dan Amazon Rekognition API.

Untuk membuat dan memulai loop manusia, Anda memerlukan definisi aliran ARN. Untuk mempelajari cara membuat definisi alur (atau alur kerja tinjauan manusia), lihatMembuat Alur Kerja Tinjauan Manusia.

penting

Amazon A2I mengharuskan semua bucket S3 yang berisi data gambar input loop manusia memiliki kebijakan CORS yang dilampirkan. Untuk mempelajari lebih lanjut tentang perubahan ini, lihatPersyaratan Izin CORS.

Membuat dan Memulai Human Loop untuk Jenis Built-in Tugas

Untuk memulai loop manusia menggunakan jenis tugas bawaan, gunakan API layanan yang sesuai untuk menyediakan data input Anda dan untuk mengonfigurasi loop manusia. Untuk Amazon Textract, Anda menggunakan operasi AnalyzeDocument API. Untuk Amazon Rekognition, Anda menggunakan operasi DetectModerationLabels API. Anda dapat menggunakan SDK khusus bahasa AWS CLI atau untuk membuat permintaan menggunakan operasi API ini.

penting

Saat Anda membuat loop manusia menggunakan jenis tugas bawaan, Anda dapat menggunakan DataAttributes untuk menentukan kumpulan yang ContentClassifiers terkait dengan input yang disediakan untuk StartHumanLoop operasi. Gunakan pengklasifikasi konten untuk menyatakan bahwa konten Anda bebas dari informasi identitas pribadi atau konten dewasa.

Untuk menggunakan Amazon Mechanical Turk, pastikan data Anda bebas dari informasi identitas pribadi, termasuk informasi kesehatan yang dilindungi di bawah HIPAA. Sertakan pengklasifikasi FreeOfPersonallyIdentifiableInformation konten. Jika Anda tidak menggunakan pengklasifikasi konten ini, SageMaker AI tidak mengirim tugas Anda ke Mechanical Turk. Jika data Anda bebas dari konten dewasa, sertakan juga peng 'FreeOfAdultContent' klasifikasi. Jika Anda tidak menggunakan pengklasifikasi konten ini, SageMaker AI dapat membatasi pekerja Mechanical Turk yang dapat melihat tugas Anda.

Setelah memulai pekerjaan ML menggunakan API AWS layanan tipe tugas bawaan, Amazon A2I memantau hasil inferensi layanan tersebut. Misalnya, saat menjalankan pekerjaan dengan Amazon Rekognition, Amazon A2I memeriksa skor kepercayaan inferensi untuk setiap gambar dan membandingkannya dengan ambang kepercayaan yang ditentukan dalam definisi alur Anda. Jika kondisi untuk memulai tugas peninjauan manusia terpenuhi, atau jika Anda tidak menentukan kondisi dalam definisi alur Anda, tugas peninjauan manusia dikirim ke pekerja.

Buat Amazon Textract Human Loop

Amazon A2I terintegrasi dengan Amazon Textract sehingga Anda dapat mengonfigurasi dan memulai loop manusia menggunakan Amazon Textract API. Untuk mengirim file dokumen ke Amazon Textract untuk analisis dokumen, Anda menggunakan operasi Amazon Textract AnalyzeDocument API. Untuk menambahkan loop manusia ke pekerjaan analisis dokumen ini, Anda harus mengonfigurasi parameterHumanLoopConfig.

Saat Anda mengonfigurasi loop manusia, definisi aliran yang Anda tent FlowDefinitionArn ukan HumanLoopConfig harus terletak di Wil AWS ayah yang sama dengan bucket yang diidentifikasi pada Bucket Document parameter.

Tabel berikut menunjukkan contoh cara menggunakan operasi ini dengan AWS CLI dan AWS SDK for Python (Boto3).

AWS SDK for Python (Boto3)

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

import boto3

textract = boto3.client('textract', aws_region)

response = textract.analyze_document(
            Document={'S3Object': {'Bucket': bucket_name, 'Name': document_name}},
            FeatureTypes=["TABLES", "FORMS"],
            HumanLoopConfig={
                'FlowDefinitionArn': 'arn:aws:sagemaker:aws_region:aws_account_number:flow-definition/flow_def_name',
                'HumanLoopName': 'human_loop_name',
                'DataAttributes': {'ContentClassifiers': ['FreeOfPersonallyIdentifiableInformation','FreeOfAdultContent']}
            }
          )
AWS CLI

Contoh permintaan berikut menggunakan AWS CLI. Untuk informasi selengkapnya, lihat analisis dokumen di Referensi Per AWS CLI intah. 

$ aws textract analyze-document \
     --document '{"S3Object":{"Bucket":"bucket_name","Name":"document_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"]}' \
     --feature-types '["TABLES", "FORMS"]'

$ aws textract analyze-document \
     --document '{"S3Object":{"Bucket":"bucket_name","Name":"document_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"]}}' \
     --feature-types '["TABLES", "FORMS"]'

Setelah Anda menjalankan AnalyzeDocument dengan human loop yang dikonfigurasi, Amazon A2I memantau hasil dari AnalyzeDocument dan memeriksanya terhadap kondisi aktivasi definisi aliran. Jika skor kepercayaan inferensi Amazon Textract untuk satu atau lebih pasangan kunci-nilai memenuhi persyaratan untuk ditinjau, Amazon A2I memulai loop tinjauan manusia dan menyertakan objek dalam respons. HumanLoopActivationOutput AnalyzeDocument

Buat Amazon Rekognition Human Loop

Amazon A2I terintegrasi dengan Amazon Rekognition sehingga Anda dapat mengonfigurasi dan memulai loop manusia menggunakan Amazon Rekognition API. Untuk mengirim gambar ke Amazon Rekognition untuk moderasi konten, Anda menggunakan operasi Amazon Rekognition API. DetectModerationLabels Untuk mengkonfigurasi loop manusia, atur HumanLoopConfig parameter saat Anda mengkonfigurasiDetectModerationLabels.

Saat Anda mengonfigurasi loop manusia, definisi aliran yang Anda tent FlowDefinitionArn ukan HumanLoopConfig harus terletak di Wil AWS ayah yang sama dengan bucket S3 yang diidentifikasi pada Bucket Image parameter.

Tabel berikut menunjukkan contoh cara menggunakan operasi ini dengan AWS CLI dan AWS SDK for Python (Boto3).

AWS SDK for Python (Boto3)

Contoh permintaan berikut menggunakan SDK for Python (Boto3). Untuk informasi selengkapnya, lihat detect_moderation_labels di Referensi API AWS SDK 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-labels di Referensi Perintah AWS CLI.

$ 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"]}}'

Setelah Anda menjalankan DetectModerationLabels dengan human loop yang dikonfigurasi, Amazon A2I memantau hasil dari DetectModerationLabels dan memeriksanya terhadap kondisi aktivasi definisi aliran. Jika skor kepercayaan inferensi Amazon Rekognition untuk gambar memenuhi persyaratan untuk ditinjau, Amazon A2I memulai loop tinjauan manusia dan menyertakan elemen HumanLoopActivationOutput respons dalam respons. DetectModerationLabels

Membuat dan Memulai Human Loop untuk Jenis Tugas Kustom

Untuk mengonfigurasi loop manusia untuk tugas peninjauan manusia khusus, gunakan StartHumanLoop operasi dalam aplikasi Anda. Bagian ini memberikan contoh permintaan loop manusia menggunakan AWS SDK for Python (Boto3) dan AWS Command Line Interface (AWS CLI). Untuk dokumentasi tentang SDK khusus bahasa lain yang mendukungStartHumanLoop, gunakan bagian Lihat Juga StartHumanLoop di dokumentasi Amazon Augmented AI Runtime API. Lihat Kasus Penggunaan dan Contoh Menggunakan Amazon A2I untuk melihat contoh yang menunjukkan cara menggunakan Amazon A2I dengan jenis tugas khusus.

Prasyarat

Untuk menyelesaikan prosedur ini, Anda perlu:

  • Input data diformat sebagai representasi string dari JSON-formatted file

  • Nama Sumber Daya Amazon (ARN) dari definisi aliran Anda

Untuk mengkonfigurasi loop manusia

  1. UntukDataAttributes, tentukan satu set yang ContentClassifiers terkait dengan input yang disediakan untuk StartHumanLoop operasi. Gunakan pengklasifikasi konten untuk menyatakan bahwa konten Anda bebas dari informasi identitas pribadi atau konten dewasa.

    Untuk menggunakan Amazon Mechanical Turk, pastikan data Anda bebas dari informasi identitas pribadi, termasuk informasi kesehatan yang dilindungi di bawah HIPAA, dan sertakan pengklasifikasi FreeOfPersonallyIdentifiableInformation konten. Jika Anda tidak menggunakan pengklasifikasi konten ini, SageMaker AI tidak mengirim tugas Anda ke Mechanical Turk. Jika data Anda bebas dari konten dewasa, sertakan juga peng 'FreeOfAdultContent' klasifikasi. Jika Anda tidak menggunakan pengklasifikasi konten ini, SageMaker AI dapat membatasi pekerja Mechanical Turk yang dapat melihat tugas Anda.

  2. UntukFlowDefinitionArn, masukkan Nama Sumber Daya Amazon (ARN) dari definisi alur Anda.

  3. UntukHumanLoopInput, masukkan data input Anda sebagai representasi string dari JSON-formatted file. Struktur data input dan template tugas pekerja kustom Anda sehingga data input Anda ditampilkan dengan benar kepada pekerja manusia saat Anda memulai loop manusia Anda. Lihat Pratinjau Templat Tugas Pekerja untuk mempelajari cara melihat pratinjau template tugas pekerja kustom Anda.

  4. UntukHumanLoopName, masukkan nama untuk loop manusia. Nama harus unik dalam Wilayah di akun Anda dan dapat memiliki hingga 63 karakter. Karakter yang valid adalah a-z, 0-9, dan - (tanda hubung).

Untuk memulai lingkaran manusia

  • Untuk memulai loop manusia, kirimkan permintaan yang mirip dengan contoh berikut menggunakan SDK khusus bahasa pilihan Anda.

AWS SDK for Python (Boto3)

Contoh permintaan berikut menggunakan SDK for Python (Boto3). Untuk informasi selengkapnya, lihat Boto 3 Augmented AI Runtime di Refer AWS ensi API SDK for Python (Boto). 

import boto3

a2i_runtime_client = boto3.client('sagemaker-a2i-runtime')

response = a2i_runtime_client.start_human_loop(
    HumanLoopName='human_loop_name',
    FlowDefinitionArn='arn:aws:sagemaker:aws-region:xyz:flow-definition/flow_def_name',
    HumanLoopInput={
        'InputContent': '{"InputContent": {\"prompt\":\"What is the answer?\"}}'    
    },
    DataAttributes={
        'ContentClassifiers': [
            'FreeOfPersonallyIdentifiableInformation'|'FreeOfAdultContent',
        ]
    }
)
AWS CLI

Contoh permintaan berikut menggunakan AWS CLI. Untuk informasi selengkapnya, lihat start-human loop di Referensi Per AWS CLI intah. 

$ aws sagemaker-a2i-runtime start-human-loop
        --flow-definition-arn 'arn:aws:sagemaker:aws_region:xyz:flow-definition/flow_def_name' \
        --human-loop-name 'human_loop_name' \
        --human-loop-input '{"InputContent": "{\"prompt\":\"What is the answer?\"}"}' \
        --data-attributes ContentClassifiers="FreeOfPersonallyIdentifiableInformation","FreeOfAdultContent" \

Ketika Anda berhasil memulai loop manusia dengan memanggil secara StartHumanLoop langsung, respons mencakup HumanLoopARN a dan HumanLoopActivationResults objek yang disetel keNULL. Anda dapat menggunakan nama loop manusia ini untuk memantau dan mengelola loop manusia Anda.

Langkah selanjutnya:

Setelah memulai loop manusia, Anda dapat mengelola dan memantaunya dengan Amazon Augmented AI Runtime API dan Amazon Ev CloudWatch ents. Untuk mempelajari informasi lebih lanjut, lihat Pantau dan Kelola Human Loop Anda.