Revisione di contenuti inappropriati con Amazon Augmented AI

Funzionamento con Amazon A2I DetectModerationLabels

1. Completare i prerequisiti elencati nella sezione Getting Started with Amazon Augmented AI nella Documentazione SageMaker .

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

2. Seguire le istruzioni per la creazione di un flusso di lavoro di revisione umana nella DocumentazioneSageMaker.

   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 «HumanLoopRequestSourceAWS/Rekognition/ DetectModerationLabels /Image/V3». Dopodiché, devi decidere come impostare le tue condizioni che attivano la revisione umana.

   Con Amazon Rekognition hai due ConditionType opzioni per:, e. ModerationLabelConfidenceCheck 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 revisione 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 API Reference.

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

   1. All'interno del parametro HumanLoopConfig, FlowDefinitionArn impostare l'ARN della definizione di flusso creata nella fase 2.

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

   3. (Facoltativo) Puoi utilizzare DataAttributes per impostare se l'immagine che hai passato ad Amazon Rekognition è priva o meno di informazioni di identificazione personale. È necessario impostare questo parametro per inviare informazioni ad Amazon Mechanical Turk.

4. Esegui DetectModerationLabels.

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

   AWS SDK for Python (Boto3)

   Il seguente esempio di richiesta utilizza l'SDK per Python (Boto3). Per ulteriori informazioni, consulta detect_moderation_labels nell'SDK AWSfor Python (Boto) API Reference.

   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 utilizzata l'interfaccia a riga di comando AWS. 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 richiama l'operazione 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 che hai impostato 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 dell'API Amazon Augmented 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 quando la revisione sarà completa. Per vedere quali eventi cercare, consulta CloudWatch Eventi nella SageMaker documentazione.

   Per ulteriori informazioni, consulta Nozioni di base su Amazon Augmented AI nella Documentazione SageMaker.