Мы рады снова посетить re: Invent. AWS re: Invent - это обучающая конференция, проводимая Amazon Web Services для глобального сообщества облачных вычислений. Узнать больше о re: Invent можно здесь.
Группа основной команды Mechanical Turk будет представлять клиентов и разговаривать с ними в течение недели. У нас будут клиенты на многих сессиях, в том числе люди из Indeed.com, US Foods, Zignal Labs и Pearson TalentLens. Пожалуйста, расскажите им об их опыте использования торговой площадки.
Если вы планируете принять участие, напишите нам в Твиттере (@amazonmturk) и дайте нам знать. Если вы не приедете лично, некоторые занятия (AIM351, AIM352 и AIM358) будут записаны и опубликованы в Интернете. Мы обязательно разместим ссылки на эти записи в блоге, как только они будут доступны.
Вот краткое изложение некоторых выступлений на тему «Механический турок», запланированных на re: Invent в этом году:
AIM362 - Краудсорсинговый сбор данных с помощью Amazon Mechanical Turk
Одним из самых дорогих и трудоемких аспектов построения модели машинного обучения (ML), вероятно, является создание высококачественного набора данных. Часто все, что у вас есть, - это большой объем необработанных данных без меток. Кроме того, процесс ручного аннотирования массивных наборов данных может быть самой болезненной фазой вашего рабочего процесса машинного обучения. Краудсорсинг может быть отличным способом минимизировать затраты и время, необходимое для сбора и аннотирования данных. Amazon Mechanical Turk делает доступ к человеческому интеллекту простым, масштабируемым и экономичным. На этом семинаре вы узнаете, как использовать краудсорсинг для поиска неподвижных изображений, наилучшим образом представляющих сцены из популярного сериала «Удивительная миссис Мейзел», а также выявлять и маркировать элементы на этих изображениях для обучения модели машинного обучения.
AIM351 - Используйте возможности краудсорсинга с Amazon Mechanical Turk
Amazon Mechanical Turk управляет рынком для краудсорсинга, и разработчики могут встроить человеческий интеллект непосредственно в свои приложения с помощью простого API. Имея доступ к разнообразной рабочей силе по требованию, компании могут использовать мощь толпы для решения ряда задач, от обучения машинному обучению и автоматизации ручных задач до получения человеческих знаний. На этом занятии мы рассмотрим ключевые концепции Mechanical Turk и поделимся передовыми методами интеграции и масштабирования вашего краудсорсингового приложения. Ожидайте, что к концу этого занятия вы получите общее представление о механическом турке и узнаете, как начать использовать силу толпы.
AIM352 - Автоматизация бизнес-процессов с помощью краудсорсинга
Несмотря на то, что технологии продолжают совершенствоваться, есть еще много вещей, которые люди могут делать гораздо эффективнее, чем компьютеры, например выполнять дедупликацию данных или модерацию контента. Традиционно такие задачи решались за счет найма большого количества временных сотрудников - что отнимает много времени, дорого и трудно масштабируется - или же они не были выполнены. Однако компании или разработчики могут использовать Amazon Mechanical Turk (Mechanical Turk) для доступа к тысячам сотрудников по требованию, а затем интегрировать результаты этой работы непосредственно в свои бизнес-процессы и системы. На этом занятии вы узнаете, как предприятия используют Mechanical Turk для масштабирования и автоматизации рабочего процесса, управляемого человеком.
AIM353 - Сбор данных с помощью Amazon Mechanical Turk
Amazon Mechanical Turk (Механический турок) стремится сделать доступ к человеческому интеллекту простым, масштабируемым и экономичным. Диверсификация и масштабы рабочей силы Mechanical Turk позволяют собирать такой объем информации, который было бы практически невозможно сделать в противном случае. Узнайте, как с помощью Mechanical Turk можно легко собирать необходимую информацию в Интернете.
AIM354 - Создание систем« человек в петле с помощью AWS Lambda и Mechanical Turk»
Создание решений с участием человека в цикле может быть очень эффективным, но интеграция людей в существующие рабочие процессы машинного обучения или бизнес-процессов может быть сложной задачей. Узнайте, как можно легко подключить платформу человеческого интеллекта Amazon Mechanical Turk (Mechanical Turk) по запросу к другим сервисам AWS, таким как Amazon S3, Amazon Lex, Amazon Polly и Amazon Rekognition с помощью AWS Lambda.
AIM356 - Привлекайте толпу к лучшим результатам от Amazon Mechanical Turk
Постоянная обратная связь и обмен информацией, а также использование средств контроля качества могут повлиять на вашу способность получать качественный контент от ваших сотрудников в любом масштабе. Присоединяйтесь к нам, чтобы узнать, как привлечь внимание публики.
AIM358 - Человек в цикле для машинного обучения
У этой темы также есть второй повторный сеанс здесь.
Компании могут выиграть как от эффективности машинного обучения (ML), так и от качества человеческого суждения. Все большей частью решения машинного обучения является человек в цикле (HITL), где человеческая обратная связь предоставляется для оценки результатов работы алгоритмов машинного обучения, то есть для определения его достоверности и помощи в уточнении результата. Примером может служить классификация изображений, где задача может быть слишком неоднозначной для чисто механического решения и слишком обширной даже для большой группы экспертов-людей. На этом занятии вы узнаете, как эффективно включить человека в цикл в свои проекты машинного обучения, чтобы добиться более высокой точности и лучших результатов с помощью Amazon Mechanical Turk (Mechanical Turk).
AIM359 - Использование Amazon Mechanical Turk для краудсорсинга сбора данных
Компании и исследователи все чаще обращаются к недорогим краудсорсинговым платформам, таким как Amazon Mechanical Turk (Механический турок), для сбора данных. Пытаетесь ли вы собрать все записи IMDB для длинного списка фильмов или найти веб-сайты нескольких сотен компаний, Mechanical Turk позволяет легко собрать необходимую информацию. На этом занятии мы расскажем, как можно приступить к сбору краудсорсинговых данных с помощью Mechanical Turk и как некоторые компании используют его сегодня.
MAE303 - Улучшение рабочих процессов мультимедиа с помощью машинного обучения
AI / ML меняет способ создания и распространения контента медиа-компаниями. На этом семинаре мы рассмотрим многие способы применения AI / ML на протяжении всего процесса производства и распространения медиа. Мы создаем непрерывный рабочий процесс обогащения метаданных, который извлекает значимые метаданные из контента (аудио, видео и изображений). Затем мы создаем решение, которое использует Amazon Rekognition, Amazon SageMaker, Amazon Transcribe, Amazon Comprehend и Amazon Mechanical Turk для анализа контента, и мы используем его, чтобы улучшить впечатления от просмотра и помочь в соблюдении нормативных требований. Мы также создаем и обучаем пользовательскую модель обнаружения объектов, которая будет использоваться для дополнения данных, предоставляемых Amazon Rekognition. Мы охватываем все аспекты создания метаданных на основе AI / ML, от маркировки набора данных до обучения и размещения модели, вплоть до проверки метаданных перед воспроизведением.
