建立和啟動人工循環 - Amazon SageMaker AI
建立並啟動內建任務類型的人工循環建立和啟動自訂任務類型的人工循環後續步驟：

本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

建立和啟動人工循環

人工循環會啟動您的人工審核工作流程，並將資料審核任務傳送給人力工作者。當您使用其中一個 Amazon A2I 內建任務類型時，對應的 AWS 服務會在符合流程定義中指定的條件時，代表您建立和啟動人工迴圈。如果您的流程定義中未指定任何條件，則會為每個物件建立人工循環。在為自訂任務使用 Amazon A2I 時，人工循環會在應用程式中呼叫 StartHumanLoop 時啟動。

使用下列指示來設定具有 Amazon Rekognition 或 Amazon Textract 內建任務類型和自訂任務類型的人工循環。

先決條件

若要建立和啟動人工循環，您必須將AmazonAugmentedAIFullAccess政策連接至設定或啟動人工循環的 AWS Identity and Access Management (IAM) 使用者或角色。這將是您用來設定將 HumanLoopConfig 用於內建任務類型的人工循環的身分。對於自訂任務類型，這將是您用來呼叫 StartHumanLoop 的身分。

此外，在使用內建任務類型時，您的使用者或角色必須具有許可，才能叫用與您的任務類型相關聯的 AWS 服務的 API 操作。例如，如果將 Amazon Rekognition 和增強版 AI 搭配使用，您必須連接呼叫 DetectModerationLabels 所需的許可。如需您可以用來授予這些許可的以身分為基礎的政策範例，請參閱 Amazon Rekognition 以身分為基礎的範例政策和 Amazon Textract 以身分為基礎的政策範例。您也可以使用比較一般的政策 AmazonAugmentedAIIntegratedAPIAccess，來授予這些許可。如需更多詳細資訊，請參閱使用調用 Amazon A2I、Amazon Textract 和 Amazon Rekognition API 作業的許可來建立使用者。

若要建立和啟動人工循環，您需要流程定義 ARN。若要了解如何建立流程定義 (或人工審核工作流程)，請參閱建立人工審核工作流程 (API)。

重要

Amazon A2I 要求所有包含人工循環輸入影像資料的 S3 儲存貯體都必須連接 CORS 政策。若要進一步了解此變更，請參閱CORS 許可要求。

建立並啟動內建任務類型的人工循環

若要使用內建任務類型來啟動人工循環，請使用相對應服務的 API 來提供您的輸入資料，並設定人工循環。對於 Amazon Textract，您可以使用 AnalyzeDocument API 作業。對於 Amazon Rekognition，您可以使用 DetectModerationLabels API 作業。您可以使用 AWS CLI 或特定語言 SDK，使用這些 API 操作建立請求。

重要

當您使用內建任務類型建立人工循環時，您可以使用 DataAttributes 指定與提供給 StartHumanLoop 作業的輸入相關的一組 ContentClassifiers。使用內容分類器來宣告您的內容不含個人識別資訊或成人內容。

若要使用 Amazon Mechanical Turk，請確保您的資料不含個人可識別資訊，包括 HIPAA 受保護的健康資訊。包括 FreeOfPersonallyIdentifiableInformation 內容分類器。如果您不使用此內容分類器，SageMaker AI 不會將您的任務傳送至 Mechanical Turk。如果您的資料不含成人內容，亦請包括 'FreeOfAdultContent' 分類器。如果您不使用這些內容分類器，SageMaker AI 可能會限制可以檢視任務的 Mechanical Turk 工作者。

使用內建任務類型的 AWS 服務 API 啟動 ML 任務後，Amazon A2I 會監控該服務的推論結果。例如，在使用 Amazon Rekognition 執行工作時，Amazon A2I 會檢查每個影像的推論可信度分數，並將其與流程定義中指定的可信度閾值進行比較。如果啟動人工審核任務的條件已滿足，或者您未在流程定義中指定條件，則人工審核任務會傳送給工作者。

建立 Amazon Textract 人工循環

Amazon A2I 與 Amazon Textract 整合，以便您使用 Amazon Textract API 設定並啟動人工循環。若要將文件檔案傳送至 Amazon Textract 以進行文字分析，請使用 Amazon Textract AnalyzeDocument API 作業。若要將人工循環新增至此文件分析工作，您必須設定參數 HumanLoopConfig。

設定人工循環時，您在 HumanLoopConfig 的 FlowDefinitionArn 中指定的流程定義必須位於與 Document 參數的 Bucket 中指定的儲存貯體相同的 AWS 區域。

下表顯示如何搭配 AWS CLI 和 使用此操作的範例 AWS SDK for Python (Boto3)。

AWS SDK for Python (Boto3)

以下請求範例會使用適用於 Python 的軟體開發套件 (Boto3)。如需詳細資訊，請參閱適用於 Python 的AWS SDK (Boto) API 參考中的 analyze_document。

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

下列請求範例使用 AWS CLI。如需詳細資訊，請參閱 AWS CLI 命令參考中的分析文件。

$ 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"]'

在您使用已設定的人工循環執行 AnalyzeDocument 之後，Amazon A2I 會監控 AnalyzeDocument 的結果，並根據流程定義的啟動條件對其進行檢查。如果一或多個鍵值對的 Amazon Textract 推論可信度分數符合審核的條件，則 Amazon A2I 會啟動人工審核循環，並將 HumanLoopActivationOutput 物件包含在 AnalyzeDocument 回應中。

建立 Amazon Rekognition 人工循環

Amazon A2I 與 Amazon Rekognition 整合，以便您使用 Amazon Rekognition API 設定並啟動人工循環。若要將影像傳送至 Amazon Rekognition 以進行內容審核，請使用 Amazon Rekognition DetectModerationLabels API 作業。若要設定人工循環，請在設定 DetectModerationLabels 時設定 HumanLoopConfig 參數。

設定人工循環時，您在 HumanLoopConfig 的 FlowDefinitionArn 中指定的流程定義必須位於與 Image 參數的 Bucket 中指定的 S3 儲存貯體相同的 AWS 區域。

下表顯示如何搭配 AWS CLI 和 使用此操作的範例 AWS SDK for Python (Boto3)。

AWS SDK for Python (Boto3)

以下請求範例使用適用於 Python 的軟體開發套件 (Boto3)。如需詳細資訊，請參閱位在適用於 Python 的AWS SDK (Boto) API 參考中的 detect_moderation_labels。

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

下列請求範例使用 AWS CLI。如需詳細資訊，請參閱偵測-審核-標籤，位在 AWS CLI 命令參考。

$ 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"]}}'

在您使用已設定的人工循環執行 DetectModerationLabels 之後，Amazon A2I 會監控 DetectModerationLabels 的結果，並根據流程定義的啟動條件對其進行檢查。如果影像的 Amazon Rekognition 推論可信度分數符合審核的條件，則 Amazon A2I 會啟動人工審核循環，並在 DetectModerationLabels 回應中包含回應元素 HumanLoopActivationOutput。

建立和啟動自訂任務類型的人工循環

若要為自訂人工審核任務設定人工循環，請使用應用程式內的 StartHumanLoop 作業。本節提供使用 AWS SDK for Python (Boto3) 和 AWS Command Line Interface () 的人工循環請求範例AWS CLI。有關支援 StartHumanLoop 的其他語言特定軟體開發套件的文件，請使用 Amazon 增強版 AI 執行期 API 文件中的 StartHumanLoop 之另請參閱小節。請參閱使用 Amazon A2I 的使用案例和範例，查看示範如何將 Amazon A2I 用於自訂任務類型的範例。

先決條件

若要完成此程序，您需要：

  • 輸入資料格式化為 JSON 格式檔案的字串顯示方式

  • 您的流程定義的 Amazon Resource Name (ARN)

設定人工循環

  1. 對於 DataAttributes，指定一組與提供給 StartHumanLoop 作業的輸入有關的 ContentClassifiers。使用內容分類器來宣告您的內容不含個人識別資訊或成人內容。

    若要使用 Amazon Mechanical Turk，請確保您的資料不含個人可識別資訊，包括依 HIPAA 規定的受保護的健康資訊，並包括 FreeOfPersonallyIdentifiableInformation 內容分類器。如果您不使用此內容分類器，SageMaker AI 不會將您的任務傳送至 Mechanical Turk。如果您的資料不含成人內容，亦請包括 'FreeOfAdultContent' 分類器。如果您不使用這些內容分類器，SageMaker AI 可能會限制可以檢視任務的 Mechanical Turk 工作者。

  2. 對於 FlowDefinitionArn，請輸入您的流程定義的 Amazon Resource Name (ARN)。

  3. 對於 HumanLoopInput，輸入您的輸入資料以做為 JSON 格式檔案的字串顯示方式。建構輸入資料和自訂工作者任務範本，以便在啟動人工循環時將輸入資料正確顯示給人力工作者。請參閱預覽工作者任務範本 以了解如何預覽您的自訂工作者任務範本。

  4. 對於 HumanLoopName，請輸入人工循環的名稱。該名稱在您的帳戶中的區域內必須是唯一的，最多可以有 63 個字元。有效字元：a-z、0-9 和 - (連字號)。

開始人工循環

  • 若要啟動人工循環，請使用您偏好的語言特定 SDK 提交類似下列範例的請求。

AWS SDK for Python (Boto3)

以下請求範例會使用適用於 Python 的軟體開發套件 (Boto3)。有關詳細資訊，請參閱 Boto 3 增強版 AI 執行期，位在適用於 Python 的AWS SDK (Boto) API 參考。

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

下列請求範例使用 AWS CLI。有關詳細資訊，請參閱啟動-人工循環，位在 AWS CLI 命令參考。

$ 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" \

當您透過直接調用 StartHumanLoop 成功啟動人工循環時，回應包括 HumanLoopARN 和被設為 NULL 的 HumanLoopActivationResults 物件。您可以使用此人工循環名稱來監控和管理您的人工循環。

後續步驟：

在開始人工循環之後，您可以使用 Amazon 增強版 AI 執行期 API 和 Amazon CloudWatch Events 進行管理和監控。如需進一步了解，請參閱監控和管理您的人工循環。