Publié le: Oct 9, 2020
Amazon Rekognition Custom Labels est une fonctionnalité de machine learning automatisée (AutoML) qui permet aux clients de rechercher dans des images des objets et des scènes propres à leurs besoins métier, à l'aide d'une API d'inférence simple. Les clients peuvent créer un modèle ML personnalisé simplement en chargeant des images étiquetées. Aucune expertise en machine learning n'est nécessaire.
Aujourd'hui, nous sommes heureux d'annoncer de nouveaux outils qui guident les utilisateurs pour réparer les erreurs liées aux ensembles de données qui provoquent des échecs d'entraînement. Déterminer la cause racine d'un échec d'entraînement est souvent difficile et chronophage. Par exemple, les clients avec des erreurs bien cachées dans leurs ensembles de données peuvent obtenir des erreurs telles que “The manifest file contains too many invalid rows” (Le fichier du manifeste contient trop de lignes invalides). Pour trouver et réparer les lignes invalides dans leur fichier de manifeste d'entraînement ou de test d'ensembles de données, un client devrait examiner manuellement des milliers de lignes individuelles. Grâce à cette mise à jour, Amazon Rekognition Custom Labels fournit des outils tels que l'analyse des causes racines, des journaux d'erreur détaillés et les réparations recommandées afin que les clients puissent rapidement identifier et réparer les erreurs liées aux ensembles de données, et entraîner leur modèle correctement. Les clients peuvent examiner et accéder aux rapports détaillés dans la console et dans la réponse de DescribeProjectVersions. Les nouveaux rapports générés incluent un fichier de validation de récapitulatif qui détaille toute erreur et validation d'ensemble de données non satisfaites, et des fichiers de validation manifestes d'entraînement et de test d'ensembles de données, qui incluent les erreurs détaillées des lignes. Dans les fichiers de validation manifestes d'entraînement et de test, des messages d'erreur sont placés à l'intérieur des lignes précises où l'erreur se produit. Cela supprime tout besoin de deviner et économise un temps précieux qui aurait été passé à analyser les fichiers d'ensemble de données manifestes. Désormais, les clients possèdent les outils et les informations pour identifier la cause exacte, l'emplacement et les mesures requises pour déboguer leurs ensembles de données et entraîner correctement un modèle de machine learning personnalisé prêt pour la production.
Veuillez consulter notre documentation pour en savoir plus sur les outils de débogage améliorés. Les outils et les informations de débogage améliorés sont disponibles dans les régions Amazon Rekognition Custom Labels. Retrouvez la liste des régions prises en charge dans le tableau des régions.
Démarrez avec Amazon Rekognition Custom Labels dès aujourd'hui.