Las empresas dependen cada vez más de imágenes y videos generados por los usuarios para generar participación. Desde plataformas de comercio electrónico que alientan a los clientes a compartir imágenes de productos hasta empresas de redes sociales que promueven videos e imágenes generados por los usuarios, utilizar el contenido del usuario para generar participación es una estrategia poderosa. Sin embargo, puede resultar complicado garantizar que este contenido generado por el usuario sea coherente con sus políticas y fomente una comunidad en línea segura para sus usuarios.

Actualmente, muchas empresas dependen de moderadores humanos o responden reactivamente a las quejas de los usuarios para gestionar el contenido inapropiado generado por los usuarios. Estos enfoques no se escalan para moderar de manera efectiva millones de imágenes y videos con suficiente calidad o velocidad, lo que genera una mala experiencia de usuario, altos costos para lograr escala o incluso un daño potencial a la reputación de la marca.

En esta publicación, analizamos cómo utilizar la función de moderación personalizada en Reconocimiento de amazonas para mejorar la precisión de su API de moderación de contenido previamente entrenada.

Moderación de contenido en Amazon Rekognition

Amazon Rekognition es un servicio de inteligencia artificial (IA) administrado que ofrece capacidades de visión por computadora personalizables y previamente capacitadas para extraer información y conocimientos de imágenes y videos. Una de esas capacidades es Moderación de contenido de Amazon Rekognition, que detecta contenido inapropiado o no deseado en imágenes y videos. Amazon Rekognition utiliza una taxonomía jerárquica para etiquetar contenido inapropiado o no deseado con 10 categorías de moderación de nivel superior (como violencia, explícito, alcohol o drogas) y 35 categorías de segundo nivel. Los clientes de industrias como el comercio electrónico, las redes sociales y los juegos pueden utilizar la moderación de contenido en Amazon Rekognition para proteger la reputación de su marca y fomentar comunidades de usuarios seguras.

Al utilizar Amazon Rekognition para la moderación de imágenes y vídeos, los moderadores humanos tienen que revisar un conjunto mucho más pequeño de contenido, normalmente entre el 1 y el 5 % del volumen total, ya marcado por el modelo de moderación de contenido. Esto permite a las empresas centrarse en actividades más valiosas y aun así lograr una cobertura de moderación integral a una fracción de su costo actual.

Presentamos la moderación personalizada de Amazon Rekognition

Ahora puede mejorar la precisión del modelo de moderación de Rekognition para los datos específicos de su empresa con la función de moderación personalizada. Puede entrenar un adaptador personalizado con tan solo 20 imágenes anotadas en menos de 1 hora. Estos adaptadores amplían las capacidades del modelo de moderación para detectar imágenes utilizadas para el entrenamiento con mayor precisión. Para esta publicación, utilizamos un conjunto de datos de muestra que contiene imágenes seguras e imágenes con bebidas alcohólicas (consideradas inseguras) para mejorar la precisión de la etiqueta de moderación del alcohol.

La identificación única del adaptador capacitado se puede proporcionar al usuario existente. DetectModerationLabelsDetectModerationLabels Operación API para procesar imágenes usando este adaptador. Cada adaptador solo puede ser utilizado por la cuenta de AWS que se utilizó para entrenar el adaptador, lo que garantiza que los datos utilizados para la capacitación permanezcan seguros en esa cuenta de AWS. Con la función de moderación personalizada, puede adaptar el modelo de moderación previamente entrenado de Rekognition para mejorar el rendimiento en su caso de uso de moderación específico, sin ninguna experiencia en aprendizaje automático (ML). Puede seguir disfrutando de los beneficios de un servicio de moderación totalmente administrado con un modelo de precios de pago por uso para la moderación personalizada.

Resumen de la solución

Entrenar a un adaptador de moderación personalizado implica cinco pasos que puede completar usando el Consola de administración de AWS o la interfaz API:

1. Crear un proyecto
2. Sube los datos de entrenamiento
3. Asignar etiquetas de verdad fundamental a las imágenes
4. Entrenar al adaptador
5. Utilice el adaptador

Repasemos estos pasos con más detalle usando la consola.

Crear un proyecto

Un proyecto es un contenedor para almacenar sus adaptadores. Puede entrenar varios adaptadores dentro de un proyecto con diferentes conjuntos de datos de entrenamiento para evaluar qué adaptador funciona mejor para su caso de uso específico. Para crear su proyecto, complete los siguientes pasos:

1. En la consola de Amazon Rekognition, elija Moderación personalizada en el panel de navegación.
2. Elige Crear proyecto.

3. Nombre del proyecto, ingresa un nombre para tu proyecto.
4. Nombre del adaptador, ingrese un nombre para su adaptador.
5. Opcionalmente, ingrese una descripción para su adaptador.

Cargar datos de entrenamiento

Puede comenzar con tan solo 20 imágenes de muestra para adaptar el modelo de moderación y detectar menos falsos positivos (imágenes que son apropiadas para su negocio pero que el modelo marca con una etiqueta de moderación). Para reducir los falsos negativos (imágenes que son inapropiadas para su negocio pero que no se marcan con una etiqueta de moderación), debe comenzar con 50 imágenes de muestra.

Puede seleccionar entre las siguientes opciones para proporcionar los conjuntos de datos de imágenes para el entrenamiento del adaptador:

Complete los siguientes pasos:

1. Para esta publicación, seleccione Importar imágenes desde el depósito de S3 e ingrese su URI de S3.

Como cualquier proceso de capacitación de ML, entrenar un adaptador de moderación personalizada en Amazon Rekognition requiere dos conjuntos de datos separados: uno para entrenar el adaptador y otro para evaluarlo. Puede cargar un conjunto de datos de prueba independiente o elegir dividir automáticamente su conjunto de datos de entrenamiento para entrenamiento y prueba.

2. Para esta publicación, seleccione División automática.
3. Seleccione Habilitar la actualización automática para garantizar que el sistema vuelva a entrenar automáticamente el adaptador cuando se lance una nueva versión del modelo de moderación de contenido.
4. Elige Crear proyecto.

Asignar etiquetas de verdad fundamental a las imágenes

Si cargó imágenes sin anotaciones, puede utilizar la consola de Amazon Rekognition para proporcionar etiquetas de imágenes según la taxonomía de moderación. En el siguiente ejemplo, entrenamos un adaptador para que detecte alcohol oculto con mayor precisión y etiquetamos todas esas imágenes con la etiqueta alcohol. Las imágenes que no se consideren inapropiadas pueden etiquetarse como seguras.

Entrenar al adaptador

Después de etiquetar todas las imágenes, elija Empezar a entrenar para iniciar el proceso de formación. Amazon Rekognition utilizará los conjuntos de datos de imágenes cargados para entrenar un modelo de adaptador para mejorar la precisión en el tipo específico de imágenes proporcionadas para el entrenamiento.

Una vez entrenado el adaptador de moderación personalizado, podrá ver todos los detalles del adaptador (adapterID, test y training archivos de manifiesto) en el Rendimiento del adaptador .

El proyecto Rendimiento del adaptador La sección muestra mejoras en los falsos positivos y falsos negativos en comparación con el modelo de moderación previamente entrenado. El adaptador que entrenamos para mejorar la detección de la etiqueta de alcohol reduce la tasa de falsos negativos en las imágenes de prueba en un 73 %. En otras palabras, el adaptador ahora predice con precisión la etiqueta de moderación de alcohol para un 73 % más de imágenes en comparación con el modelo de moderación previamente entrenado. Sin embargo, no se observa ninguna mejora en los falsos positivos, ya que no se utilizaron muestras de falsos positivos para el entrenamiento.

Utilice el adaptador

Puede realizar inferencias utilizando el adaptador recién entrenado para lograr una mayor precisión. Para hacer esto, llame a Amazon Rekognition DetectModerationLabel API con un parámetro adicional, ProjectVersion, que es el único AdapterID del adaptador. El siguiente es un comando de ejemplo que utiliza el Interfaz de línea de comandos de AWS (CLI de AWS):

aws rekognition detect-moderation-labels --image 'S3Object={Bucket="<bucket>",Name="<key>"}' --project-version <ARN of the Adapter> --region us-east-1

El siguiente es un fragmento de código de muestra que utiliza el Biblioteca Python Boto3:

import boto3
client = boto3.client('rekognition')
response = client.detect_moderation_labels( Image={ "S3Object":{ "Bucket":"<bucket>", "Name":"<key>" } }, ProjectVersion="<ARN of the Adapter>"
)

Mejores prácticas para la formación.

Para maximizar el rendimiento de su adaptador, se recomiendan las siguientes mejores prácticas para entrenar el adaptador:

• Los datos de la imagen de muestra deben capturar los errores representativos para los que desea mejorar la precisión del modelo de moderación.
• En lugar de introducir únicamente imágenes de error para falsos positivos y falsos negativos, también puede proporcionar verdaderos positivos y verdaderos negativos para mejorar el rendimiento.
• Proporcione tantas imágenes comentadas como sea posible para la capacitación.

Conclusión

En esta publicación, presentamos una descripción detallada de la nueva función de moderación personalizada de Amazon Rekognition. Además, detallamos los pasos para realizar la capacitación utilizando la consola, incluidas las mejores prácticas para obtener resultados óptimos. Para obtener información adicional, visite la consola de Amazon Rekognition y explore la función de moderación personalizada.

Moderación personalizada de Amazon Rekognition ahora está disponible de forma general en todas las regiones de AWS donde Amazon Rekognition está disponible.

Aprenda más sobre moderación de contenido en AWS. Da el primer paso hacia optimizar sus operaciones de moderación de contenido con AWS.

Acerca de los autores

Shipra Canoria es gerente principal de productos en AWS. Le apasiona ayudar a los clientes a resolver sus problemas más complejos con el poder del aprendizaje automático y la inteligencia artificial. Antes de unirse a AWS, Shipra pasó más de 4 años en Amazon Alexa, donde lanzó muchas funciones relacionadas con la productividad en el asistente de voz de Alexa.

aakash profundo es un gerente de ingeniería de desarrollo de software con sede en Seattle. Le gusta trabajar en visión por computadora, inteligencia artificial y sistemas distribuidos. Su misión es permitir a los clientes abordar problemas complejos y crear valor con AWS Rekognition. Fuera del trabajo, le gusta hacer senderismo y viajar.

lana zhang es Arquitecto de Soluciones Sénior en el equipo de Servicios de IA de AWS WWSO, especializado en IA y ML para Moderación de Contenido, Visión por Computador, Procesamiento de Lenguaje Natural e IA Generativa. Con su experiencia, se dedica a promover las soluciones de IA/ML de AWS y ayudar a los clientes a transformar sus soluciones comerciales en diversas industrias, incluidas las redes sociales, los juegos, el comercio electrónico, los medios, la publicidad y el marketing.

• Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
• PlatoData.Network Vertical Generativo Ai. Empodérate. Accede Aquí.
• PlatoAiStream. Inteligencia Web3. Conocimiento amplificado. Accede Aquí.
• PlatoESG. Carbón, tecnología limpia, Energía, Ambiente, Solar, Gestión de residuos. Accede Aquí.
• PlatoSalud. Inteligencia en Biotecnología y Ensayos Clínicos. Accede Aquí.
• Fuente: https://aws.amazon.com/blogs/machine-learning/announcing-rekogniton-custom-moderation-enhance-accuracy-of-pre-trained-rekognition-moderation-models-with-your-data/