View a markdown version of this page

Uji fungsi Lambda pra-anotasi dan pasca-anotasi - Amazon SageMaker AI
PrasyaratUji Fungsi Pre-annotation LambdaUji Fungsi Post-Annotation Lambda

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

Uji fungsi Lambda pra-anotasi dan pasca-anotasi

catatan

Amazon SageMaker Ground Truth 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 Ground Truth, tetapi kami tidak berencana untuk memperkenalkan fitur baru.

Anda dapat menguji fungsi Lambda pra-anotasi dan posting anotasi Anda di konsol Lambda. Jika Anda adalah pengguna baru Lambda, Anda dapat mempelajari cara menguji, atau memanggil, fungsi Lambda Anda di konsol menggunakan tutorial Buat fungsi Lambda dengan konsol di Panduan Pengembang. AWS Lambda Anda dapat menggunakan bagian di halaman ini untuk mempelajari cara menguji template pra-anotasi dan pasca-anotasi Ground Truth yang disediakan melalui AWS Serverless Application Repository (SAR).

Prasyarat

Anda harus melakukan hal berikut untuk menggunakan tes yang dijelaskan di halaman ini.

  • Anda memerlukan akses ke konsol Lambda, dan Anda memerlukan izin untuk membuat dan memanggil fungsi Lambda. Untuk mempelajari cara mengatur izin ini, lihatBerikan Izin untuk Membuat dan Memilih AWS Lambda Fungsi.

  • Jika Anda belum menggunakan resep Ground Truth SAR, gunakan prosedur Buat fungsi Lambda menggunakan template Ground Truth untuk melakukannya.

  • Untuk menguji fungsi Lambda pasca-anotasi, Anda harus memiliki file data di Amazon S3 dengan data anotasi sampel. Untuk pengujian sederhana, Anda dapat menyalin dan menempelkan kode berikut ke dalam file dan menyimpannya sebagai sample-annotations.json dan mengunggah file ini ke Amazon S3. Perhatikan URI S3 dari file ini—Anda memerlukan informasi ini untuk mengonfigurasi uji Lambda pasca-anotasi.

    [{"datasetObjectId":"0","dataObject":{"content":"To train a machine learning model, you need a large, high-quality, labeled dataset. Ground Truth helps you build high-quality training datasets for your machine learning models."},"annotations":[{"workerId":"private.us-west-2.0123456789","annotationData":{"content":"{\"crowd-entity-annotation\":{\"entities\":[{\"endOffset\":8,\"label\":\"verb\",\"startOffset\":3},{\"endOffset\":27,\"label\":\"adjective\",\"startOffset\":11},{\"endOffset\":33,\"label\":\"object\",\"startOffset\":28},{\"endOffset\":51,\"label\":\"adjective\",\"startOffset\":46},{\"endOffset\":65,\"label\":\"adjective\",\"startOffset\":53},{\"endOffset\":74,\"label\":\"adjective\",\"startOffset\":67},{\"endOffset\":82,\"label\":\"adjective\",\"startOffset\":75},{\"endOffset\":102,\"label\":\"verb\",\"startOffset\":97},{\"endOffset\":112,\"label\":\"verb\",\"startOffset\":107},{\"endOffset\":125,\"label\":\"adjective\",\"startOffset\":113},{\"endOffset\":134,\"label\":\"adjective\",\"startOffset\":126},{\"endOffset\":143,\"label\":\"object\",\"startOffset\":135},{\"endOffset\":169,\"label\":\"adjective\",\"startOffset\":153},{\"endOffset\":176,\"label\":\"object\",\"startOffset\":170}]}}"}}]},{"datasetObjectId":"1","dataObject":{"content":"Sift 3 cups of flour into the bowl."},"annotations":[{"workerId":"private.us-west-2.0123456789","annotationData":{"content":"{\"crowd-entity-annotation\":{\"entities\":[{\"endOffset\":4,\"label\":\"verb\",\"startOffset\":0},{\"endOffset\":6,\"label\":\"number\",\"startOffset\":5},{\"endOffset\":20,\"label\":\"object\",\"startOffset\":15},{\"endOffset\":34,\"label\":\"object\",\"startOffset\":30}]}}"}}]},{"datasetObjectId":"2","dataObject":{"content":"Jen purchased 10 shares of the stock on Janurary 1st, 2020."},"annotations":[{"workerId":"private.us-west-2.0123456789","annotationData":{"content":"{\"crowd-entity-annotation\":{\"entities\":[{\"endOffset\":3,\"label\":\"person\",\"startOffset\":0},{\"endOffset\":13,\"label\":\"verb\",\"startOffset\":4},{\"endOffset\":16,\"label\":\"number\",\"startOffset\":14},{\"endOffset\":58,\"label\":\"date\",\"startOffset\":40}]}}"}}]},{"datasetObjectId":"3","dataObject":{"content":"The narrative was interesting, however the character development was weak."},"annotations":[{"workerId":"private.us-west-2.0123456789","annotationData":{"content":"{\"crowd-entity-annotation\":{\"entities\":[{\"endOffset\":29,\"label\":\"adjective\",\"startOffset\":18},{\"endOffset\":73,\"label\":\"adjective\",\"startOffset\":69}]}}"}}]}]

  • Anda harus menggunakan petunjuk Berikan Iz Post-Annotation in Lambda untuk Mengakses Anotasi untuk memberikan izin peran eksekusi fungsi Lambda pasca-anotasi Anda untuk mengambil peran eksekusi SageMaker AI yang Anda gunakan untuk membuat pekerjaan pelabelan. Fungsi Lambda pasca-anotasi menggunakan peran eksekusi SageMaker AI untuk mengakses file data anotasi,sample-annotations.json, di S3.

Uji Fungsi Pre-annotation Lambda

Gunakan prosedur berikut untuk menguji fungsi Lambda pra-anotasi yang dibuat saat Anda menerapkan resep Ground Truth AWS Serverless Application Repository (SAR).

Uji fungsi Lambda pra-anotasi resep Ground Truth SAR

  1. Buka halaman Functions di konsol Lambda.

  2. Pilih fungsi pra-anotasi yang digunakan dari resep Ground Truth SAR. Nama fungsi ini mirip denganserverlessrepo-aws-sagema-GtRecipePreHumanTaskFunc-<id>.

  3. Di bagian sumber kode, pilih panah di sebelah Tes.

  4. Pilih Konfigurasikan acara pengujian.

  5. Tetap pilih opsi Buat acara pengujian baru.

  6. Di bawah Template acara, pilih G SageMaker round Truth PreHumanTask.

  7. Berikan tes Anda nama Acara.

  8. Pilih Buat.

  9. Pilih panah di sebelah Tes lagi dan Anda akan melihat bahwa tes yang Anda buat dipilih, yang ditunjukkan dengan titik oleh nama acara. Jika tidak dipilih, pilih.

  10. Pilih Uji untuk menjalankan pengujian.

Setelah Anda menjalankan tes, Anda dapat melihat hasil Ek sekusi. Di log Fungsi, Anda akan melihat respons yang mirip dengan berikut ini:

START RequestId: cd117d38-8365-4e1a-bffb-0dcd631a878f Version: $LATEST
Received event: {
  "version": "2018-10-16",
  "labelingJobArn": "arn:aws:sagemaker:us-east-2:123456789012:labeling-job/example-job",
  "dataObject": {
    "source-ref": "s3://sagemakerexample/object_to_annotate.jpg"
  }
}
{'taskInput': {'taskObject': 's3://sagemakerexample/object_to_annotate.jpg'}, 'isHumanAnnotationRequired': 'true'}
END RequestId: cd117d38-8365-4e1a-bffb-0dcd631a878f
REPORT RequestId: cd117d38-8365-4e1a-bffb-0dcd631a878f	Duration: 0.42 ms	Billed Duration: 1 ms	Memory Size: 128 MB	Max Memory Used: 43 MB

Dalam respons ini, kita dapat melihat output fungsi Lambda cocok dengan sintaks respons pra-anotasi yang diperlukan:

{'taskInput': {'taskObject': 's3://sagemakerexample/object_to_annotate.jpg'}, 'isHumanAnnotationRequired': 'true'}

Uji Fungsi Post-Annotation Lambda

Gunakan prosedur berikut untuk menguji fungsi Lambda pasca-anotasi yang dibuat saat Anda menerapkan resep Ground Truth AWS Serverless Application Repository (SAR).

Uji resep Ground Truth SAR pasca-anotasi Lambda

  1. Buka halaman Functions di konsol Lambda.

  2. Pilih fungsi pasca-anotasi yang digunakan dari resep Ground Truth SAR. Nama fungsi ini mirip denganserverlessrepo-aws-sagema-GtRecipeAnnotationConsol-<id>.

  3. Di bagian sumber kode, pilih panah di sebelah Tes.

  4. Pilih Konfigurasikan acara pengujian.

  5. Tetap pilih opsi Buat acara pengujian baru.

  6. Di bawah Template acara, pilih G SageMaker round Truth AnnotationConsolidation.

  7. Berikan tes Anda nama Acara.

  8. Ubah kode template yang disediakan sebagai berikut:

    • Ganti Nama Sumber Daya Amazon (ARN) roleArn dengan ARN dari peran eksekusi SageMaker AI yang Anda gunakan untuk membuat pekerjaan pelabelan.

    • Ganti URI S3 s3Uri dengan URI sample-annotations.json file yang Anda tambahkan ke Amazon S3.

    Setelah Anda melakukan modifikasi ini, pengujian Anda akan terlihat mirip dengan berikut ini:

    {
  "version": "2018-10-16",
  "labelingJobArn": "arn:aws:sagemaker:us-east-2:123456789012:labeling-job/example-job",
  "labelAttributeName": "example-attribute",
  "roleArn": "arn:aws:iam::222222222222:role/sm-execution-role",
  "payload": {
    "s3Uri": "s3://your-bucket/sample-annotations.json"
  }
}

  9. Pilih Buat.

  10. Pilih panah di sebelah Tes lagi dan Anda akan melihat bahwa tes yang Anda buat dipilih, yang ditunjukkan dengan titik oleh nama acara. Jika tidak dipilih, pilih.

  11. Pilih Test untuk menjalankan pengujian.

Setelah Anda menjalankan pengujian, Anda akan melihat -- Consolidated Output -- bagian di Log Fungsi, yang berisi daftar semua anotasi yang disertakan dalamsample-annotations.json.