การ์ดบริการ AWS AI - Amazon Transcribe - Batch (อังกฤษ-สหรัฐอเมริกา)

แมชชีนเลิร์นนิง: Transcribe สร้างขึ้นโดยใช้เทคโนโลยี ML และ ASR โดยทำงานดังนี้: (1) ระบุคุณสมบัติทางเสียงที่เกี่ยวข้องของอินพุตเสียง (2) สร้างชุดสตริงระดับคำ (word-level strings) ของคำที่เป็นไปได้ตามคุณสมบัติเหล่านี้ (3) ใช้โมเดลภาษาเพื่อจัดอันดับคำที่เป็นไปได้และส่งกลับการถอดเสียงที่ได้อันดับสูงที่สุด ดูเอกสารสำหรับนักพัฒนาสำหรับรายละเอียดของการเรียกใช้ API

ความคาดหวังด้านประสิทธิภาพ: ความแปรปรวนของแต่ละบุคคลและที่สับสนจะแตกต่างกันไปตามแอปพลิเคชันของลูกค้า ซึ่งหมายความว่าประสิทธิภาพจะแตกต่างกันไปตามแอปพลิเคชันแม้ว่าจะรองรับกรณีการใช้งานเดียวกันก็ตาม พิจารณาแอปพลิเคชันการถอดเสียงสองแอป A และ B โดยแอปพลิเคชัน A เปิดใช้งานคำบรรยายวิดีโอสำหรับรายการทอล์คโชว์ทางทีวี และมีหลายเสียงต่อหนึ่งช่องบันทึก ไมโครโฟนแบบบูมคุณภาพสูง และเสียงรบกวนพื้นหลังเล็กน้อย แอปพลิเคชัน B ใช้ช่วยศูนย์ติดต่อบันทึกการโทรของลูกค้า และมีลูกค้าพูดใกล้กับไมโครโฟนของลูกค้า หนึ่งเสียงต่อหนึ่งช่องบันทึก และบทสนทนาของลูกค้าที่เป็นแบบไม่มีสคริปต์ เนื่องจาก A และ B มีอินพุตที่ต่างกัน ทั้งสองแอปจึงมีอัตราข้อผิดพลาดที่แตกต่างกันแม้ว่าแต่ละแอปพลิเคชันจะใช้ Transcribe อย่างสมบูรณ์แบบ

วิธีการที่ขับเคลื่อนโดยการทดสอบ: เราใช้ชุดข้อมูลหลายชุดเพื่อประเมินประสิทธิภาพ ชุดข้อมูลการประเมินเพียงชุดเดียวไม่สามารถแสดงภาพที่แท้จริงของประสิทธิภาพได้ นั่นเป็นเพราะชุดข้อมูลการประเมินจะแตกต่างกันไปตามองค์ประกอบเชิงประชากร (จำนวนและประเภทของกลุ่มที่กำหนด) จำนวนความแปรปรวนที่สร้างความสับสน (คุณภาพของเนื้อหา ความตรงตามวัตถุประสงค์) ประเภทและคุณภาพของป้ายกำกับที่มีอยู่ และปัจจัยอื่นๆ เราวัดประสิทธิภาพของ Transcribe โดยการทดสอบในชุดข้อมูลการประเมินที่มีการบันทึกเสียงจากลำโพงที่หลากหลายซึ่งเป็นตัวแทนของประชากรของผู้ใช้ปลายทาง โดยที่การบันทึกแต่ละรายการมีทำป้ายกำกับว่าเป็นการถอดเสียงตามจริง และคุณลักษณะเชิงประชากรของลำโพง เราแสดงประสิทธิภาพโดยรวมของชุดข้อมูลผ่านตัวชี้วัดหลายตัว รวมทั้งอัตราข้อผิดพลาดของคำและ F1 ซึ่งเป็นเปอร์เซ็นต์ที่จะปรับสมดุลของคำที่คาดการณ์ไว้อย่างถูกต้อง (ความแม่นยำ) เทียบกับเปอร์เซ็นต์ของคำที่ถูกต้องที่รวมอยู่ในการคาดการณ์ (การจำได้) อย่างเท่าๆ กัน กลุ่มในชุดข้อมูลสามารถกำหนดได้จากคุณลักษณะเชิงประชากร (เช่น เพศ อายุ และเชื้อชาติ) ตัวแปรที่สร้างความสับสน (เช่น ความหลากหลายของอุปกรณ์บันทึก ระยะห่างของผู้พูดแต่ละคนจากอุปกรณ์บันทึก ขั้นตอนหลังการบันทึก และเสียงรบกวนพื้นหลัง) หรือทั้งสองอย่างรวมกัน ชุดข้อมูลการประเมินจะแตกต่างกันไปตามปัจจัยเหล่านี้และปัจจัยอื่นๆ ด้วยเหตุนี้ตัวชี้วัดทั้งหมด ทั้งโดยรวมและสำหรับกลุ่ม จึงแตกต่างกันไปตามชุดข้อมูลแต่ละชุด เมื่อคำนึงถึงความแปรปรวนนี้ กระบวนการพัฒนาของเราจะตรวจสอบประสิทธิภาพของ Transcribe โดยใช้ชุดข้อมูลการประเมินหลายชุด ดำเนินการตามขั้นตอนเพื่อเพิ่มความแม่นยำสำหรับกลุ่มที่ Transcribe มีประสิทธิภาพต่ำที่สุด ทำงานเพื่อปรับปรุงชุดชุดข้อมูลการประเมิน จากนั้นทำซ้ำ

ความยุติธรรมและอคติ: เป้าหมายของเราคือให้ Transcribe — Batch (อังกฤษ-สหรัฐอเมริกา) ทำงานได้ดีสำหรับผู้พูดภาษาอังกฤษของสหรัฐอเมริกาในรูปแบบของการออกเสียง ระดับเสียงสูงต่ำ คำศัพท์ และคุณสมบัติทางไวยากรณ์อันหลากหลายที่ผู้พูดเหล่านี้อาจใช้ เราพิจารณาชุมชนผู้พูดที่กำหนดตามภูมิภาค เช่น มิดเวสต์หรือนิวยอร์กซิตี้ และชุมชนที่กำหนดโดยเอกลักษณ์หลายมิติ รวมถึงเชื้อชาติ อายุ และเพศ เพื่อให้บรรลุเป้าหมายนี้ เราได้ใช้กระบวนการพัฒนาซ้ำดังที่อธิบายไว้ข้างต้น ในฐานะที่เป็นส่วนหนึ่งของกระบวนการนี้ เราสร้างชุดข้อมูลเพื่อบันทึกกลุ่มผู้พูดที่หลากหลายภายใต้ปัจจัยต่างๆ ที่สร้างความสับสน เราทดสอบบนชุดข้อมูลเป็นประจำซึ่งเรามีป้ายกำกับเชิงประชากรที่เชื่อถือได้ เราพบว่า Transcribe ทำงานได้ดีกับคุณลักษณะเชิงประชากรต่างๆ ตัวอย่างเช่น ในชุดข้อมูลหนึ่งซึ่งมีภาษาธรรมชาติของกลุ่มประชากร 65 กลุ่ม ซึ่งกำหนดตามอายุ เชื้อชาติ เพศ และภาษาถิ่นตามภูมิภาค (เช่น เพศหญิง+ชาวยุโรป, เพศชาย+ต่ำกว่า 45 ปี) เราพบว่า F1 สำหรับความแม่นยำของการจดจำคำอยู่ที่ 92% หรือมากกว่าสำหรับกลุ่มผู้พูดทุกกลุ่ม สำหรับการถอดเสียงที่เปิดใช้การแบ่งพาร์ทิชันผู้พูด (การแบ่งส่วนเสียงตามผู้พูด) ในชุดข้อมูลเดียวกัน เราพบว่าความแม่นยำของการแบ่งส่วนเสียงตามผู้พูดอยู่ที่ 98% หรือมากกว่าสำหรับกลุ่มผู้พูดทุกกลุ่ม เนื่องจากผลลัพธ์ขึ้นอยู่กับ Transcribe, เวิร์กโฟลว์ของลูกค้า และชุดข้อมูลการประเมิน เราจึงแนะนำให้ลูกค้าทดสอบ Transcribe บนเนื้อหาของตนเองเพิ่มเติม

ความสามารถในการอธิบาย: เมื่อ Amazon Transcribe ถอดความเสียง ระบบจะสร้างการถอดเสียงเดียวกันในเวอร์ชันที่แตกต่างกันและกำหนดคะแนนความเชื่อมั่นให้กับแต่ละเวอร์ชัน หากลูกค้าเปิดใช้งานการถอดเสียงทางเลือก Amazon Transcribe จะส่งกลับการถอดเสียงเวอร์ชันอื่นๆ ที่มีระดับความเชื่อมั่นต่ำกว่าไปด้วย ลูกค้าสามารถสำรวจการถอดเสียงทางเลือกเพื่อรับข้อมูลเชิงลึกมากขึ้นเกี่ยวกับคำและวลีที่เป็นไปได้อื่นๆ ที่สร้างขึ้นตามอินพุตเสียงแต่ละรายการ

ความครอบคลุม: เราเพิ่มความครอบคลุมสูงสุดด้วยเทคนิคหลายอย่าง รวมถึงการใช้ชุดข้อมูลการฝึกขนาดใหญ่ที่บันทึกความแปรปรวนหลายประเภทของบุคคลจำนวนมาก อินพุตเสียงที่เหมาะสมสำหรับ Transcribe ASR ประกอบด้วยเสียงที่มีคุณภาพการบันทึกสูง เสียงพื้นหลังต่ำ และการสะท้อนเสียงในห้องต่ำ อย่างไรก็ตาม Transcribe ได้รับการฝึกให้มีความยืดหยุ่น แม้ว่าอินพุตจะแตกต่างจากสภาวะที่เหมาะสมและสามารถทำงานได้ดีในบริเวณที่มีเสียงดังรบกวนและผู้พูดหลายคน

ความเป็นส่วนตัวและความปลอดภัย: Amazon Transcribe ประมวลผลเฉพาะข้อมูลอินพุตเสียงเท่านั้น อินพุตเสียงจะไม่รวมอยู่ในเอาต์พุตที่บริการส่งกลับ เราจะไม่แบ่งปันอินพุตและเอาต์พุตกับลูกค้ารายอื่น ลูกค้าสามารถเลือกไม่เข้าร่วมการฝึกอบรมเกี่ยวกับเนื้อหาของลูกค้าได้ทาง AWS Organizations หรือวิธีไม่เข้าร่วมอื่นๆ ที่เราอาจมีให้ ดูข้อมูลเพิ่มเติมในส่วนที่ 50.3 ของข้อกำหนดการให้บริการ AWS และคำถามที่พบบ่อยเกี่ยวกับความเป็นส่วนตัวของข้อมูลบน AWS สำหรับข้อมูลความเป็นส่วนตัวและการรักษาความปลอดภัยเฉพาะบริการ โปรดดูส่วนความเป็นส่วนตัวของข้อมูลในคำถามที่พบบ่อยเกี่ยวกับ Transcribe และเอกสารประกอบสำหรับการรักษาความปลอดภัยของ Amazon Transcribe

ความโปร่งใส: เราขอแนะนำให้ลูกค้าที่รวม Amazon Transcribe ไว้ในเวิร์กโฟลว์เปิดเผยการใช้เทคโนโลยี ML และ ASR ให้กับผู้ใช้ปลายทางและบุคคลอื่นๆ ที่ได้รับผลกระทบจากการใช้งาน และให้ผู้ใช้ปลายทางสามารถให้ข้อเสนอแนะเพื่อปรับปรุงเวิร์กโฟลว์ได้ หากเหมาะสมสำหรับกรณีการใช้งาน ลูกค้ายังสามารถอ้างอิงบัตรบริการ AI นี้ได้ในเอกสารของพวกเขา

การกำกับดูแล: เรามีวิธีการที่เข้มงวดในการสร้างบริการ AWS AI ของเราอย่างรับผิดชอบ รวมไปถึงกระบวนการพัฒนาผลิตภัณฑ์ที่ทำงานย้อนกลับซึ่งรวม AI ที่รับผิดชอบในขั้นตอนการออกแบบ การให้คำปรึกษาด้านการออกแบบและการประเมินการใช้งานโดยผู้เชี่ยวชาญด้านวิทยาศาสตร์และข้อมูล AI ที่รับผิดชอบ การทดสอบตามปกติ การตรวจสอบร่วมกับลูกค้า และการพัฒนาแนวทางปฏิบัติที่ดีที่สุด การเผยแพร่ และการฝึกอบรมด้วย

1. สภาวะในการบันทึก: เวิร์กโฟลว์ควรมีขั้นตอนในการจัดการกับความแปรปรวนของสภาวะในการบันทึก เช่น การพูดห่างจากไมโครโฟนหรือในสภาวะที่มีเสียงดังรบกวน หากความแปรปรวนสูง ให้พิจารณาให้ความช่วยเหลือและคำแนะนำที่ผู้ใช้ปลายทางทุกคนสามารถเข้าถึงได้ และตรวจสอบคุณภาพการบันทึกโดยการตรวจตัวอย่างอินพุตทั้งแบบเป็นระยะและแบบสุ่ม
   
   
2. อัตราของตัวอย่าง: ลูกค้ามีพารามิเตอร์เสริมเพื่อระบุอัตราตัวอย่างของเสียงอินพุต ไม่ว่าจะเป็นอินพุตแบนด์วิดท์ที่ต่ำกว่า (8kHZ) หรือบรอดแบนด์ (16kHz)
   
   
3. คำศัพท์ที่กำหนดเอง: Transcribe จดจำคำศัพท์ที่ใช้ในชุมชนผู้พูดที่หลากหลาย (ภูมิภาคภาษาถิ่น, กลุ่มประชากร) ในกรณีที่ลูกค้าต้องการให้การสนับสนุนเพิ่มเติมสำหรับคำที่เฉพาะเจาะจงตามขอบเขตหรือสถานการณ์ของตน เช่น ชื่อแบรนด์ หรือคำนามเฉพาะและคำย่อ ลูกค้าสามารถปรับใช้คำศัพท์ที่กำหนดเองเพื่อปรับปรุงความแม่นยำในการถอดเสียงสำหรับคำดังกล่าวได้ สำหรับข้อมูลเพิ่มเติม โปรดดูเอกสารสำหรับ คำศัพท์ที่กำหนดเอง
   
   
4. โมเดลภาษาที่กำหนดเอง: เมื่อแอปพลิเคชันของลูกค้าต้องจัดการคำพูดที่เฉพาะเจาะจงตามขอบเขตซึ่งมีความซับซ้อนมากกว่าคำเดี่ยวๆ ลูกค้าสามารถใช้โมเดลภาษาที่กำหนดเองเพื่อปรับปรุงความแม่นยำในการถอดเสียงได้ ตัวอย่างเช่น เมื่อถอดเสียงการบันทึกการพูดคุยทางภูมิอากาศวิทยา อาจเป็นไปได้ที่จะเพิ่มความแม่นยำในการถอดเสียงโดยเรียนรู้บริบทที่คำปรากฏขึ้น (เช่น “ice flow” กับ “ice floe”) ในกรณีนี้ลูกค้าสามารถฝึกโมเดลภาษาที่กำหนดเองเพื่อรับรู้คำศัพท์เฉพาะได้ สำหรับข้อมูลเพิ่มเติม โปรดดูเอกสารสำหรับ โมเดลภาษาที่กำหนดเอง
   
   
5. การกรองคำศัพท์และการตรวจทาน PII: การเพิ่มประสิทธิภาพเหล่านี้สามารถปรับปรุงความปลอดภัยและความเป็นส่วนตัวของภาษาที่ผลิตจากการถอดเสียงได้ การกรองคำศัพท์ช่วยให้ลูกค้าสามารถปกปิดหรือลบคำที่ละเอียดอ่อนหรือไม่เหมาะกับผู้ชมออกจากผลการถอดเสียง โดยอิงจากรายการที่กำหนดโดยลูกค้า การตรวจทาน PII ช่วยให้ลูกค้าสามารถสร้างสคริปต์ที่ PII ถูกนำออก โดยอิงจากประเภท PII ที่ระบุโดย Transcribe — Batch (อังกฤษ-สหรัฐอเมริกา) ซึ่งรวมถึงชื่อ, ที่อยู่, หมายเลขบัตรเครดิต, SSN และอื่นๆ สำหรับข้อมูลเพิ่มเติม รวมถึงรายการประเภท PII ทั้งหมดและข้อพิจารณาเกี่ยวกับการใช้การตรวจทาน PII สำหรับเวิร์กโหลดที่มีการควบคุม โปรดดูเอกสารสำหรับการกรองคำศัพท์และสำหรับการตรวจทาน PII
   
   
6. การกำกับดูแลของมนุษย์: หากเวิร์กโฟลว์แอปพลิเคชันของลูกค้าเกี่ยวข้องกับกรณีการใช้งานที่มีความเสี่ยงสูงหรือมีความละเอียดอ่อน เช่น การตัดสินใจที่มีผลต่อสิทธิหรือการเข้าถึงบริการที่สำคัญของบุคคล เราขอแนะนำให้มีการตรวจสอบจากมนุษย์ไว้ในเวิร์กโฟลว์แอปพลิเคชันตามความเหมาะสมด้วย ระบบ ASR สามารถทำหน้าที่เป็นเครื่องมือในการลดความพยายามที่เกิดขึ้นจากการแก้ปัญหาด้วยตนเองได้อย่างเต็มรูปแบบ และช่วยให้มนุษย์สามารถตรวจสอบและประเมินเนื้อหาเสียงได้อย่างรวดเร็ว
   
   
7. ความสอดคล้องกัน: ลูกค้าควรกำหนดและบังคับใช้นโยบายสำหรับประเภทของการปรับแต่งเวิร์กโฟลว์และอินพุตเสียงที่ได้รับอนุญาต และสำหรับวิธีที่มนุษย์ใช้การตัดสินของตนเองในการประเมินเอาต์พุตของ Transcribe นโยบายเหล่านี้ควรมีความสอดคล้องกันในกลุ่มประชากร การปรับแต่งอินพุตเสียงที่ไม่มีความสอดคล้องกันอาจส่งผลให้เกิดผลลัพธ์ที่ไม่ยุติธรรมสำหรับกลุ่มประชากรที่แตกต่างกัน
   
   
8. การเปลี่ยนแปลงของประสิทธิภาพ: การเปลี่ยนแปลงประเภทของเสียงที่ลูกค้าส่งไปยัง Transcribe หรือการเปลี่ยนแปลงบริการอาจนำไปสู่ผลลัพธ์ที่แตกต่างกัน เพื่อจัดการกับการเปลี่ยนแปลงเหล่านี้ ลูกค้าควรพิจารณาทดสอบประสิทธิภาพของ Transcribe ซ้ำเป็นระยะๆ และปรับเวิร์กโฟลว์ หากจำเป็น
   

• สำหรับเอกสารการบริการ โปรดดู Transcribe
• สำหรับรายการภาษาที่รองรับ โปรดดูที่ ภาษาที่รองรับ
• สำหรับตัวอย่างของการออกแบบเวิร์กโฟลว์การวิเคราะห์ของศูนย์ติดต่อ โปรดดูที่ Amazon Transcribe Call Analytics
• สำหรับรายละเอียดเกี่ยวกับความเป็นส่วนตัวและข้อพิจารณาทางกฎหมายอื่นๆ โปรดดูที่กฎหมาย การปฏิบัติตามข้อกำหนด ความเป็นส่วนตัว
• สำหรับความช่วยเหลือในการเพิ่มประสิทธิภาพเวิร์กโฟลว์ โปรดดูฝ่ายสนับสนุนลูกค้าของ AWS, AWS Professional Services, Amazon SageMaker Ground Truth Plus, Amazon Augmented AI
• หากคุณมีคำถามหรือข้อเสนอแนะเกี่ยวกับการ์ดบริการ AWS AI โปรดกรอกแบบฟอร์มนี้
  
  

ความยุติธรรมและอคติ หมายถึงวิธีที่ระบบ AI ส่งผลกระทบต่อกลุ่มย่อยของผู้ใช้ที่แตกต่างกัน (เช่น ตามเพศ เชื้อชาติ)

ความสามารถในการอธิบายได้ หมายถึงการมีกลไกในการทำความเข้าใจและประเมินผลลัพธ์ของระบบ AI

ความครอบคลุม หมายถึงการมีกลไกเพื่อให้แน่ใจว่าระบบ AI ทำงานได้อย่างน่าเชื่อถือ

ความเป็นส่วนตัวและความปลอดภัย หมายถึงข้อมูลที่ได้รับการปกป้องจากการโจรกรรมและการถูกเปิดเผย

การกำกับดูแล หมายถึงการมีกระบวนการในการกำหนด การนำไปใช้ และบังคับใช้แนวปฏิบัติ AI ที่ผิดชอบภายในองค์กร

ความโปร่งใส หมายถึงการสื่อสารข้อมูลเกี่ยวกับระบบ AI เพื่อให้ผู้มีส่วนได้ส่วนได้เสียมีข้อมูลในการเลือกใช้อุปกรณ์ได้