Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
Anwendungsfälle und Beispiele mit Amazon A2I
Sie können Amazon Erweiterte KI verwenden, um eine menschliche Überprüfung in Ihren Workflow für integrierte Aufgabentypen, Amazon Textract und Amazon Rekognition, oder Ihre eigenen benutzerdefinierten Aufgaben mit einem benutzerdefinierten Aufgabentyp zu integrieren.
Wenn Sie mit einem der integrierten Aufgabentypen einen Workflow für die menschliche Überprüfung erstellen, können Sie Bedingungen, wie z. B. Vertrauensschwellen, angeben, die eine menschliche Überprüfung auslösen. Der Service (Amazon Rekognition oder Amazon Textract) erstellt in Ihrem Namen ein Human Loop, wenn diese Bedingungen erfüllt sind, und leitet Ihre Eingabedaten direkt an Amazon A2I weiter, um sie an menschliche Prüfer zu senden. Um mehr über die integrierten Aufgabentypen zu erfahren, gehen Sie wie folgt vor:
Wenn Sie einen benutzerdefinierten Aufgabentyp verwenden, erstellen und starten Sie einen Human Loop mit der Amazon-A2I-Laufzeit-API. Verwenden Sie den benutzerdefinierten Aufgabentyp, um einen Workflow für die menschliche Überprüfung in einen anderen AWS-Service oder eine eigene benutzerdefinierte ML-Anwendung zu integrieren.
-
Weitere Details finden Sie unter Verwenden von Amazon Augmented AI mit benutzerdefinierten Aufgabentypen.
In der folgenden Tabelle werden verschiedene Amazon-A2I-Anwendungsfälle beschrieben, die Sie mithilfe von SageMaker AI Jupyter Notebooks untersuchen können. Um mit einem Jupyter Notebook zu beginnen, folgen Sie den Anweisungen in Verwenden Sie die SageMaker Notebook-Instance mit Amazon A2I Jupyter Notebook. Weitere Beispiele finden Sie in diesem GitHub-Repository
| Anwendungsfall | Beschreibung | Aufgabentyp |
|---|---|---|
|
Lassen Sie Dokumente mit einer Seite prüfen, um wichtige Form-Schlüssel-Wert-Paare zu überprüfen, oder lassen Sie Amazon Textract nach dem Zufallsprinzip Dokumente aus Ihrem Datensatz auswählen und zur Überprüfung an Menschen senden. |
Integriert | |
| Amazon A2I mit Amazon Rekognition verwenden |
Lassen Sie Menschen unsichere Bilder auf explizite Inhalte für Erwachsene oder gewalttätige Inhalte prüfen, wenn Amazon Rekognition eine niedrige Vertrauensbewertung zurückgibt, oder lassen Sie Amazon Rekognition nach dem Zufallsprinzip Bilder aus Ihrem Datensatz auswählen und zur Überprüfung an Menschen senden. |
Integriert |
| Amazon A2I mit Amazon Comprehend verwenden |
Lassen Sie Menschen die Inferenzen von Amazon Comprehend zu Textdaten wie Stimmungsanalyse, Textsyntax und Entitätserkennung prüfen. |
Benutzerdefiniert |
| Amazon A2I mit Amazon Transcribe verwenden |
Lassen Sie Menschen Amazon Transcribe-Transkriptionen von Video- oder Audiodateien prüfen. Verwenden Sie die Ergebnisse von „menschliche Transkriptionsüberprüfung“-Loops, um ein benutzerdefiniertes Vokabular zu erstellen und zukünftige Transkriptionen ähnlicher Video- oder Audioinhalte zu verbessern. |
Benutzerdefiniert |
| Amazon A2I mit Amazon Translate verwenden |
Lassen Sie Menschen Übersetzungen mit geringer Vertrauensbewertung prüfen, die von Amazon Translate zurückgegeben wurden. |
Benutzerdefiniert |
| Amazon A2I verwenden, um ML-Inferenzen in Echtzeit zu prüfen |
Verwenden Sie Amazon A2I, um Inferenzen mit niedriger Vertrauensbewertung in Echtzeit zu prüfen, die von einem Modell gezogen wurden, das auf einem von SageMaker AI gehosteten Endpunkt bereitgestellt wurde, und Ihr Modell inkrementell mit Amazon-A2I-Ausgabedaten zu trainieren. |
Benutzerdefiniert |
| Amazon A2I verwenden, um tabellarische Daten zu prüfen |
Verwenden Sie Amazon A2I, um ein „menschliche Überprüfung“-Loop in eine ML-Anwendung zu integrieren, die tabellarische Daten verwendet. |
Benutzerdefiniert |
Themen
Verwenden Sie die SageMaker Notebook-Instance mit Amazon A2I Jupyter Notebook
Für ein End-to-End-Beispiel, das veranschaulicht, wie ein Loop für die Prüfung durch Menschen in einen benutzerdefinierten Machine-Learning-Workflow mittels Amazon A2I integriert wird, können Sie ein Jupyter Notebook aus diesem GitHub-Repository
So verwenden Sie ein Amazon-A2I-Beispiel-Notebook für benutzerdefinierte Aufgabentypen in einer Notebook-Instance für Amazon SageMaker:
-
Wenn Sie keine aktive SageMaker Notebook-Instance haben, erstellen Sie eine, indem Sie den Anweisungen in Erstellen Sie eine Amazon SageMaker Notebook-Instance für das Tutorial folgen.
-
Wenn Ihre Notebook-Instance aktiv ist, wählen Sie rechts neben dem Namen der Notebook-Instance JupyterLab öffnen aus. Es kann einige Augenblicke dauern, bis JupyterLab geladen wird.
-
Wählen Sie das Symbol
aus, um ein GitHub-Repository in Ihrem Workspace zu klonen. -
Geben Sie die Repository-HTTPS-URL amazon-a2i-sample-jupyter-notebooks
ein. -
Wählen Sie KLONEN aus.
-
Öffnen Sie das Notebook, das Sie ausführen möchten.
-
Folgen Sie den Anweisungen im Notebook, um Ihren Workflow für die menschliche Überprüfung und den Human Loop zu konfigurieren und die Zellen auszuführen.
-
Beenden und löschen Sie nach der Demo Ihre Notebook-Instance sowie sämtliche während des Walkthrough erstellten Amazon-S3-Buckets, IAM-Rollen und CloudWatch Events-Ressourcen, um unnötige Kosten zu vermeiden.
