Pelanggan Amazon SageMaker Ground Truth

Banyak sekali pelabelan dan anotasi yang dibutuhkan untuk mengelola output LLM serta mendapatkan data berkualitas tinggi sesuai SLA yang dijamin. Amazon SageMaker Ground Truth Plus telah menjadi bagian penting dari LLM kami.

Validasi manusia, atau melibatkan manusia dalam prosesnya, adalah hal yang sangat penting, sehingga dapat membantu Anda mengarahkan model ke arah yang tepat.

Dengan Amazon SageMaker Ground Truth, kami dapat meningkatkan operasi bisnis kami dengan menghasilkan dan meringkas data dari dokumen dan mempercepat waktu pemasaran, serta menghemat jam produktivitas, dan mencapai akurasi dan performa yang lebih tinggi dengan respons. Dengan memanfaatkan tenaga kerja Ground Truth Plus, kami dapat meluncurkan pertanyaan dan jawaban serta rangkuman bertenaga GenAI untuk karyawan dan pelanggan kami - yang selaras dengan preferensi manusia.

Mendapatkan set data berlabel dengan kualitas tinggi sangat penting untuk keberhasilan model AI generatif kami. Berkat Amazon SageMaker Ground Truth Plus, kami dapat menghasilkan video berlabel dengan cepat dan mempercepat proses penyempurnaan model AI generatif kami. Sampai hari ini, upaya kami untuk membangun UI pelabelan data internal memerlukan biaya mahal dan memakan waktu, serta membutuhkan waktu lebih dari satu jam dalam sehari bagi ilmuwan data kami untuk memberi label pada data. Dengan Amazon SageMaker Ground Truth Plus, kami dapat menskalakan dari 100 hingga 100 ribu video berlabel berkualitas tinggi dalam 1 bulan, bukan 1 tahun. Hal ini menghemat waktu ilmuwan data kami sekitar 1000 jam, biaya 200 ribu USD, dan secara signifikan meningkatkan produktivitas tim kami, serta kualitas dan akurasi model AI generatif kami.

Algoritma persepsi multi-modal berbasis machine learning kami perlu terus dilatih dan divalidasi menggunakan data berlabel dengan jumlah cukup besar untuk memastikan sistem mengemudi yang andal dan aman. Kami menggunakan layanan pelabelan data Amazon SageMaker Ground Truth Plus untuk memberi label ribuan mil data dunia nyata, sehingga kami dapat melatih model ini dengan kepercayaan yang sangat tinggi. Berkat Amazon SageMaker Ground Truth Plus, kami dapat mempertahankan jadwal pengembangan kami yang agresif dan memberi label jutaan objek dunia nyata, yang dikirimkan dengan target kualitas 99% atau lebih tinggi. Pengiriman yang sensitif terhadap waktu dan kualitas ini menghasilkan peningkatan presisi sebesar 8% dan peningkatan ingatan 2% untuk model persepsi yang mempelajari multi-sensor kami.

Di NFL, kami terus mencari cara baru untuk menggunakan machine learning guna membantu penggemar, media siaran, pelatih, dan tim kami mendapat manfaat dari wawasan yang lebih dalam. Sepak bola adalah olahraga yang bergerak cepat yang permainannya dapat terjadi dalam sekejap. Sementara pelatih dan wasit mengamati pertandingan dengan cermat, mungkin sulit untuk melihat seluruh keselamatan pemain di lapangan. Penglihatan komputer memungkinkan kami mendeteksi insiden keselamatan pemain secara akurat, tetapi pengembangan algoritma ini membutuhkan data yang dilabeli dengan ahli. Kini dengan Amazon SageMaker Ground Truth Plus, kami memiliki alur kerja kustom dan antarmuka pengguna untuk tugas pelabelan canggih, yang membantu kami meningkatkan keselamatan pemain.

Di Airbnb, kami makin banyak mengintegrasikan ML di semua aspek bisnis kami. Oleh karena itu, tim kami perlu terus menghasilkan dan memelihara data berkualitas tinggi untuk melatih serta menguji model ML. Kami mencari cara untuk menghasilkan hasil data klasifikasi teks berkualitas tinggi pada seratus ribu paragraf log layanan pelanggan dalam bahasa Mandarin, sehingga kami dapat melayani pelanggan kami dengan lebih baik dan mengurangi ketergantungan pada tim layanan pelanggan kami. Dengan Amazon SageMaker Ground Truth Plus, Tim AWS membangun alur kerja pelabelan data yang disesuaikan, yang mencakup model ML khusus yang mampu mencapai akurasi klasifikasi 99%.

Di Samsara, kami mendorong transformasi digital dari operasi fisik. Dengan Connected Operations Cloud kami, perusahaan yang bergantung pada operasi fisik dapat memanfaatkan data IoT, analitik, dan AI untuk mengembangkan wawasan yang dapat ditindaklanjuti serta meningkatkan keselamatan, efisiensi, dan keberlanjutan mereka. Dengan Amazon SageMaker Ground Truth Plus, kami dapat menerima data berlabel dengan kualitas tinggi dan mendapatkan akses ke alat khusus yang dirancang untuk lebih meningkatkan kemampuan kami dalam mendeteksi dan mengatasi risiko keselamatan.

Di VIZIO, kami terus mencari cara untuk memanfaatkan ML demi menciptakan pengalaman yang dipersonalisasi bagi pelanggan kami. Kami mencari cara untuk terus meninjau video iklan dan menghasilkan metadata komersial untuk klasifikasi iklan yang efisien. Dengan menggunakan kemampuan streaming Amazon SageMaker Ground Truth Plus, kami sekarang dapat menggunakan templat kustom yang menyediakan klasifikasi video, pengumpulan metadata, dan sistem otomatis yang memungkinkan pengumpulan data secara waktu nyata saat iklan mengudara. Dengan Amazon SageMaker Ground Truth Plus, kami dapat meninjau hasilnya dalam waktu kurang dari 1 hari kerja.

Bagi kami, machine learning membawa cahaya pada tantangan yang tak terlihat. Di AS saja, setiap tahun miliaran dolar dihabiskan untuk membersihkan sampah. Dengan model penglihatan komputer, kami mengubah gambar sampah di seluruh dunia menjadi data, sehingga kota dapat mengalokasikan sumber daya pengelolaan sampah mereka dengan lebih baik. Namun, membangun model deteksi objek memerlukan akses ke objek, materi, dan informasi merek, serta pengetahuan lokal karena set data tersebar di seluruh dunia. Amazon SageMaker Ground Truth Plus memungkinkan kami membuat antarmuka anotasi hierarkis yang menangkap fitur-fitur tepat ini dalam konteks yang dilokalkan tersebut. Selain itu, tenaga kerja ahli SageMaker Ground Truth Plus membuat anotasi gambar yang dilokalkan, yang memberikan solusi terstandar yang meningkatkan efisiensi pelabelan data kami hingga 20%, sehingga mempercepat kemampuan kami untuk menyerap hasil dengan anotasi ke dalam basis data kami hingga 200%, dan mengurangi waktu pasca-pemrosesan hingga 90%.

Tujuan kami adalah memungkinkan AMR Canvas bernavigasi di lingkungan gudang yang dinamis, melacak rintangan dan objek bergerak di sekitarnya, serta merencanakan rute yang aman dan efisien ke tujuan mereka. Untuk mencapai hal ini, sangat penting untuk memperoleh anotasi pelacakan 3D dari objek bergerak di sekitar robot dalam skala besar secara efisien. Kami bekerja sama dengan Amazon ML Solutions Lab untuk membangun pipeline pelacakan objek cloud titik 3D yang dapat diskalakan menggunakan Amazon SageMaker Ground Truth hanya dalam waktu beberapa minggu. Sangat mengesankan melihat pipeline ini dapat mengurangi waktu pelabelan sebesar 6-10x dan mempercepat progres anotasi kami.

PrecisionHawk adalah penyedia teknologi drone terkemuka untuk korporasi. Platform end-to-end kami memanfaatkan AI dan machine learning untuk mengubah data udara menjadi kecerdasan bisnis yang dapat ditindaklanjuti. Sebagai bagian dari solusi ini, kami melatih model kustom untuk mengidentifikasi objek penting serta anomali untuk meningkatkan presisi dan kecepatan pemeriksaan aset penting. Agar dapat menghasilkan set data pelatihan untuk model ini, kami perlu memberi label pada kumpulan data yang luas dan memastikan labelnya akurat. Amazon SageMaker Ground Truth berperan penting dalam membantu kami mencapai tujuan kami di sini. Pertama, layanan ini menyediakan antarmuka pengguna yang intuitif untuk memulai pekerjaan pelabelan agar dimulai dengan cepat. Selain itu, layanan ini menawarkan ekstensibilitas untuk merancang dan melakukan deployment alur kerja pelabelan khusus pelanggan. Amazon SageMaker Ground Truth akan terus menjadi bagian penting dari inisiatif AI kami ke depan.

AstraZeneca telah bereksperimen dengan machine learning di semua tahap penelitian serta pengembangan, dan yang terbaru dalam patologi untuk mempercepat tinjauan sampel jaringan. Model machine learning pertama kali belajar dari set data yang besar dan representatif. Pelabelan data juga merupakan langkah yang memakan waktu, terutama dalam kasus ini, yang memerlukan ribuan gambar sampel jaringan untuk melatih model yang akurat. AstraZeneca menggunakan Amazon SageMaker Ground Truth, layanan anotasi dan pelabelan data yang melibatkan manusia yang didukung machine learning untuk mengotomatiskan bagian pekerjaan yang paling membosankan ini, sehingga mengurangi waktu yang dihabiskan untuk membuat katalog sampel setidaknya sebesar 50%.

Tim AI @ T-Mobile mengintegrasikan AI dan machine learning ke dalam sistem di pusat layanan pelanggan kami yang memungkinkan Tim Pakar kami melayani pelanggan dengan kecepatan dan akurasi yang lebih baik melalui model Pemahaman Bahasa Alami yang menunjukkan informasi pelanggan kontekstual yang relevan secara waktu nyata kepada mereka. Pelabelan data telah menjadi dasar untuk menciptakan model dengan performa tinggi, tetapi juga merupakan tugas yang monoton bagi ilmuwan data dan insinyur perangkat lunak kami. SageMaker Ground Truth membuat proses pelabelan data menjadi mudah, efisien, dan dapat diakses, membebaskan waktu bagi mereka untuk berfokus pada apa yang mereka sukai — membangun produk yang memberikan pengalaman terbaik bagi pelanggan dan perwakilan layanan kami.

Pinterest terus mengembangkan sistem machine learning guna mendeteksi objek untuk pencarian visual dan kasus penggunaan moderasi. Untuk mencapai ini, kami perlu memberi label jutaan gambar untuk menghasilkan set data pelatihan yang diperlukan. Pinterest sudah memiliki platform pelabelan yang telah mengintegrasikan layanan Amazon seperti Amazon Mechanical Turk. Kami sangat senang mengeksplorasi penggunaan SageMaker Ground Truth untuk memperluas platform ini untuk mendukung tugas pelabelan kotak pembatas. Kami mendapati bahwa SageMaker Ground Truth menyediakan antarmuka yang sederhana dan efisien untuk memulai pekerjaan pelabelan. Kami bekerja sama dengan tim AWS untuk menyesuaikan SageMaker Ground Truth dengan set data unik kami, dan berharap dapat mengintegrasikan SageMaker Ground Truth dengan platform pelabelan data kami.

Change Healthcare, perusahaan teknologi kesehatan terkemuka, memainkan peran penting dalam membantu ekosistem perawatan kesehatan tidak hanya berfungsi, tetapi juga bekerja lebih cerdas. Tim AI kami sedang mencari solusi yang dapat memberi label paragraf teks secara efisien, sehingga kami dapat menganotasi data kesehatan yang sangat tidak terstruktur yang sebelumnya tidak dapat dimodelkan. Dengan SageMaker Ground Truth dan integrasinya dengan SageMaker, ini mudah digunakan dengan deployment tenaga kerja yang cepat dan memungkinkan kami meluncurkan tugas pelabelan dengan sedikit upaya, yang pada akhirnya membantu kami membuat sistem perawatan kesehatan lebih efisien.

AWS terus menunjukkan komitmen yang luar biasa untuk memungkinkan machine learning bagi semua developer. SageMaker Ground Truth mengonsolidasikan lanskap terfragmentasi dari layanan pelabelan data dengan solusi pelabelan yang sederhana dan dijalankan dengan baik. Kami dapat dengan cepat mengintegrasikan alat ini ke dalam pipeline pelatihan kami dan senang rasanya melihat bagaimana evolusinya akan lebih berdampak pada bisnis kami.

Kami memiliki spesialisasi dalam membangun solusi AI dan menghadirkannya ke pelanggan kami untuk memecahkan masalah bisnis mereka. Kami percaya bahwa SageMaker Ground Truth akan menjadi bagian penting dari upaya kami untuk memberikan solusi AI mutakhir bagi pelanggan kami. Layanan ini menyediakan sejumlah kemampuan kuat yang membantu kami menghasilkan set data pelatihan yang akurat. “Bawa tenaga kerja pelabelan Anda sendiri” dengan pilihan templat pelabelan memungkinkan kami mengorientasi tim kami dengan aman, dalam skala besar dan dengan mudah. Kami menantikan penggunaan SageMaker Ground Truth di seluruh portofolio solusi AI kami.

Munculnya AI telah mengubah cara pemberi kerja mencari bakat dan pencari kerja menemukan pekerjaan. Algoritma ZipRecruiter yang didukung AI mempelajari apa yang dicari setiap pemberi kerja serta menyediakan serangkaian kandidat yang sangat relevan yang dipersonalisasi dan terkurasi. Di sisi lain marketplace, teknologi perusahaan mencocokkan pencari kerja dengan pekerjaan yang paling relevan. Dan untuk melakukan semua itu secara efisien, kami membutuhkan model Machine Learning untuk mengekstrak data yang relevan secara otomatis dari resume yang diunggah. Melatih model Machine Learning untuk dapat mengidentifikasi informasi yang paling penting membutuhkan set data yang cukup besar untuk memulai. Proses untuk membuat data ini sering kali mahal, manual, dan memakan waktu. Amazon SageMaker Ground Truth akan secara signifikan membantu kami mengurangi waktu dan upaya yang diperlukan untuk membuat set data untuk pelatihan. Karena sifat kerahasiaan data, kami awalnya mempertimbangkan untuk menggunakan salah satu tim kami, tetapi hal itu akan menyita waktu mereka untuk mengerjakan tugas reguler dan akan membutuhkan waktu berbulan-bulan untuk mengumpulkan data yang kami butuhkan. Dengan menggunakan Amazon SageMaker Ground Truth, kami melibatkan iMerit, perusahaan pelabelan profesional yang telah disaring sebelumnya oleh Amazon, untuk membantu proyek anotasi kustom. Dengan bantuan mereka, kami dapat mengumpulkan ribuan anotasi dalam waktu singkat dibandingkan menggunakan tim kami sendiri.

Di Tyson Foods, kami terlibat dalam produksi makanan, berusaha mengejar kebenaran dan integritas, serta berkomitmen untuk menciptakan nilai bagi pemegang saham kami, pelanggan kami, anggota tim kami, dan komunitas kami. Untuk memenuhi janji ini dan menyediakan produk dengan kualitas terbaik kepada pelanggan, kami memiliki pemeriksaan manual untuk mendeteksi masalah kualitas produk, termasuk baluran tidak merata, gosong, atau cacat bentuk, serta pemeriksaan peralatan, seperti kebocoran sabuk konveyor, untuk mendeteksi masalah lebih awal; namun, karena masalah ini merupakan anomali, sangat sulit atau tidak mungkin untuk mengumpulkan gambar guna pelatihan model machine learning. Selain itu, kami sering mengalami hambatan pada data pelatihan pelabelan khusus untuk proses dan lingkungan kami. Dalam beberapa kasus, pelabelan sangat membosankan dan rawan kesalahan, yang mengarah pada performa model machine learning yang buruk. Amazon SageMaker Ground Truth sangat menjanjikan bagi kami karena memungkinkan kami mengatasi setiap tantangan ini. Menghasilkan data sintetis akan memungkinkan kami melatih model yang sangat akurat untuk mengotomatiskan titik pemeriksaan produk dan peralatan. Hal ini juga dapat mengurangi waktu penyelesaian untuk data berlabel, sehingga kami dapat melatih model lebih cepat sekaligus meningkatkan akurasi. SageMaker Ground Truth membuka jalan untuk menangani kasus penggunaan yang tidak mungkin diatasi dengan penglihatan komputer di masa lalu karena kurangnya data contoh.

Pelanggan kami perlu melakukan pengambilan lebih banyak per hari. Menghadapi kurangnya tenaga kerja dan lonjakan volume, mereka sering kali ingin menggunakan induksi dan solusi lainnya dengan cepat untuk memenuhi permintaan. Teknologi Plus One Robotics dibangun untuk mengatasi variabilitas barang yang ditangani di gudang. SKU baru pada awalnya mungkin hanya sesekali muncul, dan dalam keadaan tertentu. Penggunaan data sintetis memungkinkan kami melatih sistem kami terlebih dulu untuk menangani berbagai skenario yang diantisipasi yang pada akhirnya akan kami hadapi. Kami menggunakan Amazon SageMaker Ground Truth untuk menghasilkan puluhan ribu gambar paket berlabel serta fotorealistis dari berbagai operator, pose pemodelan, penempatan, dan bahkan variasi permukaan seperti stiker atau label. Gambar-gambar ini telah menunjukkan peningkatan dalam visi AI kami. Gambar sintetis memungkinkan kami melatih sistem dengan performa lebih baik dengan lebih cepat, berdasarkan kelengkapan dan ketepatannya, sehingga kami dapat melewati langkah-langkah anotasi dan pembersihan data yang membosankan. Data ini digunakan dalam aplikasi induksi kehidupan nyata untuk memfasilitasi lebih dari 1 juta pilihan per hari bagi pelanggan kami.

University of Washington dan Amazon meluncurkan kolaborasi yang dikenal sebagai Science Hub untuk memajukan kecerdasan buatan dan robotika dalam penelitian terbuka. Untuk salah satu proyek kami, kami menggunakan machine learning (ML) untuk membangun model 3D dunia berdasarkan sudut pandang kamera tunggal, yang akan memungkinkan sistem robot untuk memahami lingkungan mereka. Namun, mendapatkan akses ke volume besar data pelatihan dunia nyata selalu menjadi tantangan bagi proyek ML. Kami senang dengan janji Amazon SageMaker Ground Truth, sehingga kami dapat dengan cepat dan mudah menghasilkan ribuan gambar berlabel yang fotorealistis, tanpa proses pelabelan gambar secara manual yang memakan waktu dan rawan kesalahan. Pada tahap awal penelitian kami, SageMaker Ground Truth akan memungkinkan staf peneliti kami untuk berfokus pada kompetensi inti dan tujuan penelitian utama untuk mengembangkan teknologi baru, daripada kurasi set data.