Amazon SageMaker Ground Truth

Appliquez les commentaires humains à l'intégralité du cycle de vie de ML pour créer ou évaluer des modèles de haute qualité.

Qu'est-ce qu'Amazon SageMaker Ground Truth ?

Amazon SageMaker Ground Truth offre l'ensemble le plus complet de fonctionnalités d'interventions humaines, vous permettant d'exploiter la puissance des retours d'information humains tout au long du cycle de vie du ML afin d'améliorer la précision et la pertinence des modèles. SageMaker Ground Truth vous permet d'effectuer un grand nombre de tâches humaines, de la génération et de l'annotation de données à la révision, la personnalisation et l'évaluation de modèles, en libre-service ou via une offre gérée par AWS.

Fonctionnement

Les avantages de SageMaker Ground Truth

Obtenez des données générées par l'humain en vue de personnaliser les modèles affectés à des tâches spécifiques ou avec des données spécifiques à l'entreprise et au secteur.
Utilisez l'évaluation humaine pour comparer et sélectionner le modèle de fondation (FM) qui convient le mieux à votre cas d'utilisation.
Créez des jeux de données d'entraînement de haute qualité pour améliorer la précision des modèles avec l'aide d'experts disponibles à la demande.
Accélérez et automatisez les tâches où une intervention humaine est nécessaire, de la génération et de l'annotation des données à l'examen, à la personnalisation et à l'évaluation des modèles, tout en réduisant les coûts.

Cas d'utilisation

Commencez rapidement avec les principaux cas d'utilisation

Utilisez des données générées par l'homme telles que des résumés de textes, des paires de questions-réponses, des citations et des légendes pour entraîner les FM aux applications basées sur l'IA.

En savoir plus sur les exemples et les données de démonstration

Utilisez le retour d'information des personnes pour classer les réponses du modèle (par exemple, du meilleur au pire) et utiliser ces données pour entraîner les FM.

En savoir plus sur les données de classement

Permettez aux personnes d'examiner, de comparer et d'évaluer facilement les résultats des modèles afin de découvrir les vulnérabilités, de réduire les biais et d'éliminer la toxicité.

Balisez du texte, des images, des vidéos, du son et des nuages de points pour entraîner des modèles de ML à divers cas d'utilisation.

En savoir plus sur l'étiquetage des données