Revisione di contenuti non appropriati con Amazon Augmented AI - Amazon Rekognition

Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.

Revisione di contenuti non appropriati con Amazon Augmented AI

IA aumentata Amazon (Amazon A2I) consente di creare i flussi di lavoro necessari per la revisione umana delle previsioni di machine learning.

Amazon Rekognition è direttamente integrato con Amazon A2I in modo che sia possibile implementare facilmente la revisione umana per il caso d'uso del rilevamento di immagini non sicure. Amazon A2I fornisce un flusso di lavoro di revisione umana per la moderazione di immagini. Ciò consente di riesaminare facilmente le previsioni di Amazon Rekognition. È possibile definire soglie di affidabilità per il caso d'uso e regolarle nel tempo. Con Amazon A2I, puoi utilizzare un pool di revisori all'interno della tua organizzazione o Amazon Mechanical Turk. È inoltre possibile utilizzare fornitori di forza lavoro preselezionati AWS per la qualità e il rispetto delle procedure di sicurezza.

Le fasi seguenti illustrano come configurare Amazon A2I con Amazon Rekognition. Innanzitutto, creare una definizione di flusso con Amazon A2I che presenti le condizioni che attivano la revisione umana. Quindi, passi l'Amazon Resource Name (ARN) della definizione del flusso all'operazione Amazon RekognitionDetectModerationLabel. Nella risposta DetectModerationLabel, puoi vedere se è necessaria la revisione umana. I risultati della revisione umana sono disponibili in un bucket Amazon S3 impostato dalla definizione del flusso.

Per visualizzare una end-to-end dimostrazione di come usare Amazon A2I con Amazon Rekognition, consulta uno dei seguenti tutorial nella Amazon AI Developer Guide. SageMaker

Funzionamento DetectModerationLabels con Amazon A2I
Nota

Crea tutte le tue risorse Amazon A2I e le risorse Amazon Rekognition nella stessa regione. AWS

  1. Completa i prerequisiti elencati in Getting Started with Amazon Augmented AI nella documentazione sull'SageMaker IA.

    Inoltre, ricordati di configurare le IAM autorizzazioni come nella pagina Autorizzazioni e sicurezza in Amazon Augmented AI nella SageMaker documentazione AI.

  2. Segui le istruzioni per la creazione di un flusso di lavoro di revisione umana nella documentazione sull'SageMaker intelligenza artificiale.

    Un flusso di lavoro di revisione umana gestisce l'elaborazione di un'immagine. Contiene le condizioni che attivano una revisione umana, il team di lavoro a cui viene inviata l'immagine, il modello di interfaccia utente utilizzato dal team di lavoro e il bucket Amazon S3 a cui vengono inviati i risultati del team di lavoro.

    All'interno della CreateFlowDefinition chiamata, è necessario impostare il valore HumanLoopRequestSource su "AWS/Rekognition/DetectModerationLabels/Image/V3". Dopodiché, devi decidere come impostare le tue condizioni che attivano la revisione umana.

    Con Amazon Rekognition hai due opzioni per ConditionType: ModerationLabelConfidenceCheck e Sampling.

    ModerationLabelConfidenceCheck crea un loop umano quando l'attendibilità di un'etichetta di moderazione è all'interno di un intervallo. Infine, Sampling invia una percentuale casuale dei documenti elaborati per la revisione umana. Ogni ConditionType utilizza un set diverso di ConditionParameters per impostare i risultati attesi dalla revisione umana.

    ModerationLabelConfidenceCheck ha il ConditionParameters ModerationLableName che imposta la chiave che deve sottoposta a revisione umana. Inoltre, ha fiducia, che imposta l'intervallo percentuale per l'invio a una recensione umana con LessThan GreaterThan, ed Equals. Samplingha RandomSamplingPercentage che stabilisce una percentuale di documenti che verranno inviati alla revisione umana.

    L'esempio di codice riportato di seguito è una chiamata parziale di CreateFlowDefinition. Invia un'immagine per la revisione umana se è valutata meno del 98% sull'etichetta "Provocante" e più del 95% sull'etichetta "Costumi da bagno femminili o biancheria intima". Ciò significa che se l'immagine non è considerata provocante ma contiene una donna in biancheria intima o costume da bagno, è possibile ricontrollare l'immagine utilizzando la revisione umana.

    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 restituisce un FlowDefinitionArn, che si utilizza nella fase successiva quando si chiama DetectModerationLabels.

    Per ulteriori informazioni, CreateFlowDefinitionconsulta l' SageMaker AI API Reference.

  3. Impostare il parametro HumanLoopConfig quando si chiama DetectModerationLabels, come in Rilevamento di immagini inappropriate. Consulta il passaggio 4 per esempi di chiamata DetectModerationLabels con HumanLoopConfig impostato.

    1. All'interno del HumanLoopConfig parametro, imposta la FlowDefinitionArn definizione ARN di flusso creata nel passaggio 2.

    2. Impostare HumanLoopName. Dovrebbe essere univoco all'interno di una regione e deve essere in caratteri minuscoli.

    3. (Opzionale) È possibile utilizzare DataAttributes per impostare se l'immagine passata ad Amazon Rekognition contiene o meno informazioni di identificazione personale. È necessario impostare questo parametro per inviare informazioni ad Amazon Mechanical Turk.

  4. Esegui DetectModerationLabels.

    Gli esempi seguenti mostrano come utilizzare AWS CLI e AWS SDK for Python (Boto3) eseguire DetectModerationLabels HumanLoopConfig set.

    AWS SDK for Python (Boto3)

    Il seguente esempio di richiesta utilizza SDK for Python (Boto3). Per ulteriori informazioni, vedere detect_moderation_labels nel riferimento AWS SDKfor Python (Boto). API

    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

    Nell'esempio di richiesta seguente viene utilizzato AWS CLI. Per ulteriori informazioni, consulta la sezione detect-moderation-labels nella Documentazione di riferimento della 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"]}}'

    Quando esegui DetectModerationLabels con HumanLoopConfig enabled, Amazon SageMaker Rekognition chiama l'operazione AI. API StartHumanLoop Questo comando prende la risposta da DetectModerationLabels e la controlla rispetto alle condizioni della definizione di flusso nell'esempio. Se soddisfa le condizioni per la revisione, restituisce un HumanLoopArn. Ciò significa che i membri del team di lavoro impostati nella definizione del flusso ora possono rivedere l'immagine. La chiamata all'operazione di runtime di Amazon Augmented AI DescribeHumanLoop fornisce informazioni sull'esito del ciclo. Per ulteriori informazioni, consulta la DescribeHumanLoopdocumentazione di riferimento di Amazon Augmented API AI.

    Dopo aver esaminato l'immagine, è possibile visualizzare i risultati nel bucket specificato nel percorso di output della definizione di flusso. Amazon A2I ti invierà inoltre una notifica tramite Amazon CloudWatch Events una volta completata la revisione. Per vedere quali eventi cercare, consulta CloudWatch Events in the SageMaker AI Documentation.

    Per ulteriori informazioni, consulta Getting Started with Amazon Augmented AI nella documentazione SageMaker sull'intelligenza artificiale.