Creazione e avvio di un ciclo umano - Amazon SageMaker AI
Creazione e avvio di un ciclo umano per un tipo di attività integratoCreazione e avvio di un ciclo umano per un tipo di attività personalizzatoFasi successive:

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.

Creazione e avvio di un ciclo umano

Un ciclo umano avvia il flusso di lavoro di revisione umana e invia le attività di revisione dei dati ai worker umani. Quando utilizzi uno dei tipi di attività integrati in Amazon A2I, il AWS servizio corrispondente crea e avvia un ciclo umano per tuo conto quando vengono soddisfatte le condizioni specificate nella definizione del flusso. Se non sono state specificate condizioni nella definizione del flusso, viene creato un ciclo umano per ogni oggetto. Quando utilizzi Amazon A2I per un'attività personalizzata, viene avviato un ciclo umano quando StartHumanLoop viene chiamato nell'applicazione.

Utilizza le seguenti istruzioni per configurare un ciclo umano con i tipi di attività personalizzati e i tipi di attività integrati di Amazon Rekognition o Amazon Textract.

Prerequisiti

Per creare e avviare un ciclo umano, devi collegare la AmazonAugmentedAIFullAccess policy all'utente o al ruolo AWS Identity and Access Management (IAM) che configura o avvia il ciclo umano. Questa è l'identità che utilizzi per configurare il ciclo umano mediante HumanLoopConfig per i tipi di attività integrati. Per i tipi di attività personalizzati, questa è l'identità che usi per chiamare StartHumanLoop.

Inoltre, quando si utilizza un tipo di attività integrato, l'utente o il ruolo deve disporre dell'autorizzazione a richiamare API le operazioni del AWS servizio associato al tipo di attività. Ad esempio, se utilizzi Amazon Rekognition con IA aumentata, devi collegare le autorizzazioni necessarie per chiamare DetectModerationLabels. Per esempi di policy basate sull’identità che puoi utilizzare per concedere queste autorizzazioni, consulta Amazon Rekognition Identity-Based Policy Examples and Amazon Textract Identity-Based Policy Examples. Puoi anche utilizzare la policy più generale, AmazonAugmentedAIIntegratedAPIAccess, per concedere queste autorizzazioni. Per ulteriori informazioni, consulta Crea un utente con autorizzazioni per richiamare Amazon A2I, Amazon Textract e Amazon Rekognition Operations API.

Per creare e avviare un ciclo umano, è necessaria una definizione ARN di flusso. Per informazioni su come creare una definizione del flusso (o un flusso di lavoro di revisione umana), consulta Creare un flusso di lavoro di revisione umana.

Importante

Amazon A2I richiede che tutti i bucket S3 che contengono dati di immagini di input in loop umano abbiano una policy allegata. CORS Per ulteriori informazioni su questa modifica, consulta CORSRequisito di autorizzazione.

Creazione e avvio di un ciclo umano per un tipo di attività integrato

Per avviare un ciclo umano utilizzando un tipo di attività integrato, utilizza i servizi corrispondenti API per fornire i dati di input e configurare il ciclo umano. Per Amazon Textract, si utilizza l'AnalyzeDocumentAPIoperazione. Per Amazon Rekognition, si utilizza l'operazione. DetectModerationLabels API Puoi utilizzare AWS CLI o una lingua specifica per creare richieste utilizzando queste SDK operazioni. API

Importante

Quando crei un ciclo umano utilizzando un tipo di attività integrata, puoi utilizzare DataAttributes per specificare un set di ContentClassifiers correlati all'input fornito all'operazione StartHumanLoop. Utilizza i classificatori dei contenuti per dichiarare che i contenuti siano privi di informazioni di identificazione personale o di contenuti per adulti.

Per utilizzare Amazon Mechanical Turk, assicurati che i tuoi dati siano privi di informazioni di identificazione personale, incluse le informazioni sanitarie protette di cui ai sensi. HIPAA Includi il classificatore di contenuti FreeOfPersonallyIdentifiableInformation. Se non utilizzi questo classificatore di contenuti, l' SageMaker IA non invia la tua attività a Mechanical Turk. Se i dati sono privi di contenuti per adulti, includi anche il classificatore 'FreeOfAdultContent'. Se non utilizzi questi classificatori di contenuti, l' SageMaker intelligenza artificiale potrebbe limitare il numero di lavoratori di Mechanical Turk che possono visualizzare le tue attività.

Dopo aver avviato il processo di machine learning utilizzando il AWS servizio del tipo di attività integratoAPI, Amazon A2I monitora i risultati di inferenza di quel servizio. Ad esempio, quando esegui un processo con Amazon Rekognition, Amazon A2I controlla il punteggio di attendibilità dell’inferenza per ogni immagine e lo confronta con le soglie di attendibilità specificate nella definizione del flusso. Se le condizioni per avviare un'attività di revisione umana sono soddisfatte o se non sono state specificate condizioni nella definizione del flusso, un'attività di revisione umana viene inviata ai worker.

Creazione di un ciclo umano Amazon Textract

Amazon A2I si integra con Amazon Textract in modo da poter configurare e avviare un loop umano utilizzando Amazon Textract. API Per inviare un file di documento ad Amazon Textract per l'analisi dei documenti, utilizzi l'operazione Amazon AnalyzeDocument API Textract. Per aggiungere un ciclo umano a questo processo di analisi dei documenti, devi configurare il parametro HumanLoopConfig.

Quando configuri il ciclo umano, la definizione del flusso specificata in FlowDefinitionArn di HumanLoopConfig deve trovarsi nella stessa Regione AWS del bucket identificato in Bucket del parametro Document.

La tabella seguente mostra esempi di come utilizzare questa operazione con and. AWS CLI AWS SDK for Python (Boto3)

AWS SDK for Python (Boto3)

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

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

Nell'esempio di richiesta seguente viene utilizzato AWS CLI. Per ulteriori informazioni, consulta analyze-document nella Guida di riferimento dei comandi 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"]'

Dopo aver eseguito AnalyzeDocument con un ciclo umano configurato, Amazon A2I monitora i risultati da AnalyzeDocument e li verifica rispetto alle condizioni di attivazione della definizione del flusso. Se il punteggio di attendibilità dell’inferenza di Amazon Textract per una o più coppie di valori chiave soddisfa le condizioni per la revisione, Amazon A2I avvia un ciclo di revisione umano e include l'oggetto HumanLoopActivationOutput nella risposta AnalyzeDocument.

Creazione di un ciclo umano Amazon Rekognition

Amazon A2I si integra con Amazon Rekognition in modo da poter configurare e avviare un loop umano utilizzando Amazon Rekognition. API Per inviare immagini ad Amazon Rekognition per la moderazione dei contenuti, utilizzi l'operazione Amazon Rekognition. DetectModerationLabels API Per configurare un ciclo umano, imposta il parametro HumanLoopConfig quando configuri DetectModerationLabels.

Quando configuri il ciclo umano, la definizione del flusso specificata in FlowDefinitionArn di HumanLoopConfig deve trovarsi nella stessa Regione AWS del bucket S3 identificato in Bucket del parametro Image.

La tabella seguente mostra esempi di come utilizzare questa operazione con and. AWS CLI AWS SDK for Python (Boto3)

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"]}}'

Dopo aver eseguito DetectModerationLabels con un ciclo umano configurato, Amazon A2I monitora i risultati da DetectModerationLabels e li verifica rispetto alle condizioni di attivazione della definizione del flusso. Se il punteggio di attendibilità dell’inferenza di Amazon Rekognition per un'immagine soddisfa le condizioni per la revisione, Amazon A2I avvia un ciclo di revisione umano e include l'elemento di risposta HumanLoopActivationOutput nella risposta DetectModerationLabels.

Creazione e avvio di un ciclo umano per un tipo di attività personalizzato

Per configurare un ciclo umano per un'attività di revisione umana personalizzata, utilizza l'operazione StartHumanLoop all'interno dell'applicazione. Questa sezione fornisce un esempio di richiesta di loop umano che utilizza and the (). AWS SDK for Python (Boto3) AWS Command Line Interface AWS CLI Per la documentazione su altre lingue specifiche SDKs che supportanoStartHumanLoop, usa la sezione Vedi anche della documentazione di StartHumanLoopAmazon Augmented AI Runtime. API Consulta Casi d'uso ed esempi con Amazon A2I per esempi che dimostrano come usare Amazon A2I con un tipo di attività personalizzato.

Prerequisiti

Per completare questa procedura, avrai bisogno di:

  • Dati di input formattati come rappresentazione in formato stringa di un file in formato JSON

  • L'Amazon Resource Name (ARN) della definizione del flusso

Per configurare il ciclo umano

  1. Per DataAttributes, specificare un set di ContentClassifiers correlati all'input fornito all'operazione StartHumanLoop. Utilizza i classificatori dei contenuti per dichiarare che i contenuti siano privi di informazioni di identificazione personale o di contenuti per adulti.

    Per utilizzare Amazon Mechanical Turk, assicurati che i tuoi dati siano privi di informazioni di identificazione personale, incluse le informazioni sanitarie protette di cui all'articoloHIPAA, e includi il FreeOfPersonallyIdentifiableInformation classificatore dei contenuti. Se non utilizzi questo classificatore di contenuti, l' SageMaker IA non invia la tua attività a Mechanical Turk. Se i dati sono privi di contenuti per adulti, includi anche il classificatore 'FreeOfAdultContent'. Se non utilizzi questi classificatori di contenuti, l' SageMaker intelligenza artificiale potrebbe limitare il numero di lavoratori di Mechanical Turk che possono visualizzare le tue attività.

  2. PerFlowDefinitionArn, inserisci l'Amazon Resource Name (ARN) della definizione del flusso.

  3. Ad esempioHumanLoopInput, inserisci i dati di input come rappresentazione in formato stringa di un JSON file in formato. Struttura i dati di input e il modello di attività del worker personalizzato in modo che i dati di input vengano visualizzati correttamente dai worker umani quando si avvia il ciclo umano. Consulta Anteprima di un modello di attività del worker per scoprire come visualizzare l'anteprima del modello di attività del worker personalizzato.

  4. Per HumanLoopName, immettere un nome per il ciclo umano. Il nome deve essere univoco all'interno della Regione nell'account e può contenere fino a 63 caratteri. I caratteri validi sono a-z, 0-9 e - (trattino).

Per avviare un ciclo umano

  • Per avviare un ciclo umano, invia una richiesta simile ai seguenti esempi utilizzando la lingua specifica che preferisci. SDK

AWS SDK for Python (Boto3)

Il seguente esempio di richiesta utilizza SDK for Python (Boto3). Per ulteriori informazioni, consulta Boto 3 Augmented AI Runtime nel riferimento for AWS SDKPython (Boto). API

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

Nell'esempio di richiesta seguente viene utilizzato AWS CLI. Per ulteriori informazioni, consulta la sezione start-human-loop nella Documentazione di riferimento della AWS CLI. 

$ 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" \

Quando avvii un ciclo umano richiamando StartHumanLoop direttamente, la risposta includerà un oggetto HumanLoopARN e un oggetto HumanLoopActivationResults che verrà impostato su NULL. Puoi utilizzare il nome del ciclo umano per monitorare e gestire il ciclo umano.

Fasi successive:

Dopo aver avviato un ciclo umano, puoi gestirlo e monitorarlo con Amazon Augmented AI API Runtime e CloudWatch Amazon Events. Per ulteriori informazioni, consulta Monitoraggio e gestione del ciclo umano.