Membuat dan Memulai Loop Manusia - Amazon SageMaker
Membuat dan Memulai Loop Manusia untuk Jenis Tugas BawaanMembuat dan Memulai Loop Manusia 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 Loop Manusia

Lingkaran manusia memulai alur kerja tinjauan manusia Anda dan mengirimkan tugas peninjauan data ke pekerja manusia. Bila Anda menggunakan salah satu tipe tugas bawaan Amazon A2I, AWS layanan terkait akan membuat dan memulai loop manusia atas nama Anda saat kondisi yang ditentukan dalam definisi alur 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 memanggil. StartHumanLoop

Gunakan petunjuk berikut untuk mengonfigurasi loop manusia dengan Amazon Rekognition atau Amazon Texttract jenis tugas bawaan 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 mengkonfigurasi loop manusia menggunakan HumanLoopConfig untuk tipe tugas bawaan. Untuk jenis tugas khusus, ini adalah identitas yang Anda gunakan untuk memanggilStartHumanLoop.

Selain itu, saat menggunakan tipe tugas bawaan, pengguna atau peran Anda harus memiliki izin untuk menjalankan operasi API dari 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 Berbasis Identitas Rekognition Amazon dan Contoh Kebijakan Berbasis Identitas Amazon Textract. 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 Texttract, dan Amazon Rekognition API.

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

penting

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

Membuat dan Memulai Loop Manusia untuk Jenis Tugas Bawaan

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

penting

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

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

Setelah Anda memulai pekerjaan ML menggunakan API AWS layanan tipe tugas bawaan Anda, 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 aliran Anda. Jika kondisi untuk memulai tugas peninjauan manusia terpenuhi, atau jika Anda tidak menentukan kondisi dalam definisi aliran Anda, tugas peninjauan manusia dikirim ke pekerja.

Buat Loop Manusia Amazon Texttract

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

Saat Anda mengonfigurasi loop manusia, definisi aliran yang Anda tentukan HumanLoopConfig harus terletak di AWS Wilayah yang sama dengan bucket yang diidentifikasi dalam Bucket Document parameter. FlowDefinitionArn

Tabel berikut menunjukkan contoh bagaimana 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 analyze_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 Perintah.AWS CLI

$ 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 loop manusia yang dikonfigurasi, Amazon A2I memantau hasilnya AnalyzeDocument dan memeriksanya terhadap kondisi aktivasi definisi aliran. Jika skor kepercayaan inferensi Amazon Textract untuk satu atau lebih pasangan nilai kunci memenuhi persyaratan untuk ditinjau, Amazon A2I memulai loop tinjauan manusia dan menyertakan objek dalam respons. HumanLoopActivationOutputAnalyzeDocument

Buat Loop Manusia Rekognition Amazon

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 tentukan HumanLoopConfig harus terletak di AWS Wilayah yang sama dengan bucket S3 yang diidentifikasi dalam Bucket Image parameter. FlowDefinitionArn

Tabel berikut menunjukkan contoh bagaimana 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 dalam AWS CLI Referensi Perintah.

$ 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 loop manusia yang dikonfigurasi, Amazon A2I memantau hasilnya 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 respons dalam respons. HumanLoopActivationOutput DetectModerationLabels

Membuat dan Memulai Loop Manusia 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 di dokumentasi Amazon Augmented AI Runtime API. StartHumanLoop Lihat contoh yang menunjukkan cara menggunakan Amazon A2I dengan jenis tugas khusus. Kasus Penggunaan dan Contoh Menggunakan Amazon A2I

Prasyarat

Untuk menyelesaikan prosedur ini, Anda perlu:

  • Masukan data diformat sebagai representasi string dari file berformat JSON

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

Untuk mengkonfigurasi loop manusia

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

    Untuk menggunakan Amazon Mechanical Turk, pastikan data Anda bebas dari informasi yang dapat diidentifikasi secara pribadi, termasuk informasi kesehatan yang dilindungi di bawah HIPAA, dan sertakan pengklasifikasi konten. FreeOfPersonallyIdentifiableInformation Jika Anda tidak menggunakan pengklasifikasi konten ini, SageMaker tidak mengirim tugas Anda ke Mechanical Turk. Jika data Anda bebas dari konten dewasa, sertakan juga 'FreeOfAdultContent' pengklasifikasi. Jika Anda tidak menggunakan pengklasifikasi konten ini, SageMaker 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 file berformat JSON. Susun data input dan template tugas pekerja khusus Anda sehingga data input Anda ditampilkan dengan benar kepada pekerja manusia saat Anda memulai loop manusia Anda. Lihat Pratinjau Template Tugas Pekerja untuk mempelajari cara melihat pratinjau template tugas pekerja kustom Anda.

  4. UntukHumanLoopName, masukkan nama untuk loop manusia. Nama harus unik di 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 Referensi API SDK AWS 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 dalam AWS CLI Referensi Perintah. 

$ 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 StartHumanLoop secara langsung, respons mencakup HumanLoopARN dan HumanLoopActivationResults objek yang diatur 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 CloudWatch Events. Untuk mempelajari informasi lebih lanjut, lihat Pantau dan Kelola Loop Manusia Anda.