Clienti Amazon SageMaker Ground Truth

Sono necessarie molte etichettature e annotazioni per gestire i nostri output LLM e ricevere dati di alta qualità entro i nostri SLA garantiti. Amazon SageMaker Ground Truth Plus è diventato parte integrante dei nostri LLM.

È sempre importante disporre di una convalida umana, o di un umano nel ciclo di lavorazione, che aiuti a indirizzare i modelli verso la giusta direzione.

Con Amazon SageMaker Ground Truth siamo riusciti a migliorare le operazioni aziendali generando e riepilogando i dati dei documenti, riducendo il time-to-market, risparmiando ore di produttività e raggiungendo maggiore accuratezza e prestazioni tramite le risposte. Grazie alla forza lavoro di Ground Truth Plus siamo riusciti a lanciare un sistema di domande e risposte e sintesi, basato sulla GenAI e in linea con le nostre preferenze umane, per i nostri dipendenti e clienti.

Ottenere set di dati etichettati di alta qualità è essenziale per il successo dei nostri modelli di IA generativa. Grazie ad Amazon SageMaker Ground Truth Plus, siamo stati in grado di generare rapidamente video etichettati e di accelerare il processo di messa a punto dei nostri modelli di IA generativa. Fino ad oggi, i nostri tentativi di creare un'interfaccia utente interna per l'etichettatura dei dati erano costosi e richiedevano molto tempo e i nostri data scientist impiegavano più di un'ora al giorno per etichettare i dati. Con Amazon SageMaker Ground Truth Plus siamo riusciti a portare il numero di video etichettati di alta qualità da cento a centomila in un mese anziché in un anno, il che ha consentito ai nostri data scientist di risparmiare circa 1.000 ore e 200.000 dollari di costi e ha migliorato significativamente la produttività del nostro team, nonché la qualità e l'accuratezza dei nostri modelli di IA generativa.

I nostri algoritmi di percezione multimodale basati sul machine learning devono essere continuamente addestrati e convalidati utilizzando grandi quantità di dati etichettati per garantire un sistema di guida affidabile e sicuro. Utilizziamo i servizi di etichettatura dei dati di Amazon SageMaker Ground Truth Plus per etichettare migliaia di chilometri di dati del mondo reale, il che ci consente di addestrare questi modelli con estrema sicurezza. Grazie ad Amazon SageMaker Ground Truth Plus, siamo stati in grado di rispettare le nostre rigorose tempistiche di sviluppo e di etichettare milioni di oggetti reali, consegnati con un obiettivo di qualità del 99% o superiore. Queste consegne sensibili ai tempi e alla qualità hanno prodotto un miglioramento dell'8% nella precisione e del 2% nel richiamo per il nostro modello di percezione multisensoriale appresa.

Alla NFL, continuiamo a cercare nuovi modi per utilizzare il machine learning per aiutare i nostri tifosi, emittenti, allenatori e squadre a beneficiare di approfondimenti più dettagliati. Il calcio è uno sport in rapida evoluzione in cui le partite possono avvenire in una frazione di secondo. Mentre allenatori e arbitri osservano attentamente la partita, può essere difficile guardare tutti i giocatori su un campo per motivi di sicurezza. La visione artificiale ci consente di rilevare accuratamente gli incidenti di sicurezza dei giocatori, ma lo sviluppo di questi algoritmi richiede dati etichettati da esperti. Ora, con Amazon SageMaker Ground Truth Plus, disponiamo di flussi di lavoro e interfacce utente personalizzati per sofisticate attività di etichettatura, che ci aiutano a migliorare la sicurezza dei giocatori.

In Airbnb, stiamo integrando sempre più il machine learning in tutti gli aspetti della nostra attività. Di conseguenza, i nostri team devono costantemente generare e mantenere dati di alta qualità per addestrare e testare modelli di ML. Stavamo cercando un modo per generare risultati di classificazione del testo di alta qualità su centomila paragrafi di log del servizio clienti in mandarino in modo da poter servire meglio i nostri clienti e ridurre le dipendenze dal nostro team di assistenza clienti. Con Amazon SageMaker Ground Truth Plus, il team AWS ha creato un flusso di lavoro di etichettatura dei dati personalizzato, che includeva un modello di ML personalizzato in grado di raggiungere una precisione di classificazione del 99%.

In Samsara, stiamo guidando la trasformazione digitale delle operazioni fisiche. Con il nostro Connected Operations Cloud, le aziende che dipendono dalle operazioni fisiche possono sfruttare i dati IoT, l'analisi e l'IA per sviluppare approfondimenti fruibili e migliorare la loro sicurezza, efficienza e sostenibilità. Con Amazon SageMaker Ground Truth Plus, siamo in grado di ricevere dati etichettati di alta qualità e di accedere a strumenti appositamente progettati per migliorare ulteriormente la nostra capacità di rilevare e affrontare i rischi per la sicurezza.

In VIZIO, cerchiamo costantemente modi per sfruttare il machine learning al fine di creare esperienze personalizzate per i nostri clienti. Stavamo cercando un modo per rivedere continuamente i video pubblicitari e generare metadati commerciali per una classificazione efficiente degli annunci. Con l'utilizzo della funzionalità di streaming di Amazon SageMaker Ground Truth Plus, ora possiamo utilizzare un modello personalizzato che fornisce la classificazione dei video, la raccolta di metadati e un sistema automatico che consente la raccolta dei dati in tempo reale durante la trasmissione degli annunci. Con Amazon SageMaker Ground Truth Plus siamo in grado di esaminare i risultati in meno di un giorno lavorativo.

Per noi, il machine learning porta alla luce sfide inedite. Solo negli Stati Uniti, ogni anno vengono spesi miliardi di dollari per ripulire dai rifiuti. Con i modelli di visione artificiale, trasformiamo le immagini dei rifiuti in tutto il mondo in dati, in modo che le città possano allocare meglio le proprie risorse per la loro gestione. Tuttavia, la creazione di modelli di rilevamento degli oggetti richiede l'accesso alle informazioni su oggetti, materiali e marchi, nonché conoscenze localizzate a causa della diffusione dei set di dati in tutto il mondo. Amazon SageMaker Ground Truth Plus ci consente di creare un'interfaccia di annotazione gerarchica che cattura queste funzionalità precise all'interno di un contesto localizzato. Inoltre, il personale esperto di SageMaker Ground Truth Plus ha creato annotazioni di immagini localizzate, il che fornisce una soluzione standardizzata in grado di aumentare la nostra efficienza di etichettatura dei dati fino al 20%, accelerare del 200% la nostra capacità di inserire i risultati annotati nel nostro database e ridurre i tempi di post-elaborazione del 90%.

Il nostro obiettivo è consentire agli AMR Canvas di navigare in un ambiente di magazzino dinamico, tenere traccia degli ostacoli circostanti e degli oggetti in movimento e pianificare un percorso sicuro ed efficiente verso la loro destinazione. Per raggiungere questo obiettivo, è fondamentale acquisire le annotazioni di tracciamento 3D degli oggetti in movimento attorno al robot su larga scala in maniera efficiente. Abbiamo collaborato con Amazon ML Solutions Lab per creare una pipeline scalabile di tracciamento di oggetti cloud a punti tridimensionali utilizzando Amazon SageMaker Ground Truth in poche settimane. È stato impressionante vedere che questa pipeline può ridurre i tempi di etichettatura di 6-10 volte e accelerare i nostri progressi nelle annotazioni.

PrecisionHawk è un fornitore leader di tecnologia per droni per le aziende. La nostra piattaforma end-to-end sfrutta l'IA e il machine learning per trasformare i dati aerei in business intelligence utilizzabile. Come parte di questa soluzione, stiamo addestrando modelli personalizzati per identificare oggetti critici e anomalie e migliorare la precisione e la velocità delle ispezioni delle risorse critiche. Per generare i set di dati di addestramento per questi modelli, abbiamo la necessità di etichettare un ampio corpus di dati e garantire che le etichette siano accurate. Amazon SageMaker Ground Truth è fondamentale per aiutarci a raggiungere i nostri obiettivi in questo ambito. Innanzitutto, fornisce un'interfaccia utente intuitiva per avviare i lavori di etichettatura e iniziare rapidamente. Inoltre, il servizio offre l'estensibilità per progettare e implementare flussi di lavoro di etichettatura specifici per il cliente. Amazon SageMaker Ground Truth continuerà a essere una parte importante delle nostre iniziative di IA in futuro.

AstraZeneca ha sperimentato il machine learning in tutte le fasi di ricerca e sviluppo e, più recentemente, in ambito patologico per accelerare l'analisi dei campioni di tessuto. I modelli di machine learning apprendono innanzitutto da un set di dati ampio e rappresentativo. L'etichettatura dei dati è un altro passaggio che richiede molto tempo, soprattutto in questo caso, in cui possono essere necessarie molte migliaia di immagini di campioni di tessuto per addestrare un modello accurato. AstraZeneca utilizza Amazon SageMaker Ground Truth, un servizio di etichettatura e annotazione dei dati basato sul machine learning e sul tocco umano per automatizzare alcune delle parti più tediose di questo lavoro, con conseguente riduzione del tempo impiegato nella catalogazione dei campioni di almeno il 50%.

Il team IA @ T-Mobile sta integrando l'IA e il machine learning nei sistemi dei centri di assistenza clienti, consentendo al team di esperti di T-Mobile di servire i clienti con maggiore velocità e precisione attraverso modelli di comprensione del linguaggio naturale che mostrano loro informazioni pertinenti e contestuali in tempo reale sui clienti. L'etichettatura dei dati è stata fondamentale per la creazione di modelli ad alte prestazioni, ma è anche un compito monotono per i nostri data scientist e ingegneri del software. SageMaker Ground Truth rende il processo di etichettatura dei dati facile, efficiente e accessibile, concedendo loro il tempo di concentrarsi su ciò che amano: creare prodotti che offrano le migliori esperienze per i nostri clienti e rappresentanti dell'assistenza.

Pinterest sviluppa continuamente sistemi di machine learning per rilevare oggetti per casi d'uso di ricerca visiva e moderazione. A tale scopo, abbiamo la necessità di etichettare milioni di immagini per generare i set di dati di addestramento richiesti. Pinterest dispone di una piattaforma di etichettatura esistente che ha integrato servizi Amazon come Amazon Mechanical Turk. Siamo stati felici di esplorare l'utilizzo di SageMaker Ground Truth per estendere questa piattaforma per supportare le attività di etichettatura delle bounding box. Abbiamo scoperto che SageMaker Ground Truth fornisce un'interfaccia semplice e ottimizzata per avviare i lavori di etichettatura. Abbiamo lavorato a stretto contatto con il team di AWS per adattare SageMaker Ground Truth al nostro set di dati unico e non vediamo l'ora di integrare SageMaker Ground Truth con la nostra piattaforma di etichettatura dei dati.

Change Healthcare, una delle principali società di tecnologia sanitaria, svolge un ruolo fondamentale nell'assistenza all'ecosistema sanitario, per consentirgli non solo di funzionare, ma anche di lavorare in modo più intelligente. Il nostro team di IA è alla ricerca di una soluzione in grado di etichettare i paragrafi di testo in maniera efficiente, in modo da poter annotare dati sanitari altamente non strutturati che in precedenza non potevano essere modellati. Con SageMaker Ground Truth e la sua integrazione con SageMaker, è facile da utilizzare con una rapida implementazione della forza lavoro e ci consente di avviare attività di etichettatura con pochissimo sforzo, aiutandoci in ultima analisi a rendere il sistema sanitario più efficiente.

AWS continua a dimostrare un enorme impegno nell'abilitare il machine learning per tutti gli sviluppatori. SageMaker Ground Truth consolida il panorama frammentato dei servizi di etichettatura dei dati con una soluzione di etichettatura semplice e ben eseguita. Siamo stati rapidamente in grado di integrare lo strumento nella nostra pipeline di addestramento e siamo felici di vedere come la sua evoluzione avrà un ulteriore impatto sulla nostra attività.

Siamo specializzati nella creazione di soluzioni di IA che offriamo ai nostri clienti per risolvere i loro problemi aziendali. Riteniamo che SageMaker Ground Truth diventerà una parte fondamentale dei nostri sforzi per fornire soluzioni di IA all'avanguardia ai nostri clienti. Fornisce una serie di potenti funzionalità che ci aiutano a generare set di dati di addestramento accurati. L'opzione “bring your own labelling workforce” (porta la tua forza lavoro per l'etichettatura) con la scelta di modelli di etichettatura ci consente di inserire il nostro team in tutta sicurezza, con facilità e su larga scala. Non vediamo l'ora di utilizzare SageMaker Ground Truth nel nostro portfolio di soluzioni IA.

L'ascesa dell'IA ha trasformato il modo in cui i datori di lavoro trovano talenti e le persone alla ricerca trovano lavoro. L'algoritmo basato sull'IA di ZipRecruiter apprende ciò che ogni datore di lavoro sta cercando e fornisce un set personalizzato e curato di candidati altamente pertinenti. Dall'altra parte, la tecnologia dell'azienda abbina le persone in cerca di lavoro alle offerte più pertinenti. E per fare tutto ciò in modo efficiente, avevamo bisogno di un modello di machine learning per estrarre automaticamente i dati pertinenti dai curriculum caricati. Iniziare ad addestrare un modello di machine learning per renderlo in grado di identificare le informazioni più importanti richiede un set di dati considerevole. Il processo di creazione di questi dati è spesso costoso, manuale e richiede molto tempo. Amazon SageMaker Ground Truth ci aiuterà a ridurre in modo significativo il tempo e gli sforzi necessari per la creazione di set di dati addestrati. A causa della natura riservata dei dati, inizialmente abbiamo preso in considerazione l'idea di utilizzare uno dei nostri team, che però avrebbe dovuto allontanarsi dalle attività regolari e avrebbe impiegato mesi per raccogliere i dati di cui avevamo bisogno. Utilizzando Amazon SageMaker Ground Truth, abbiamo ingaggiato iMerit, un'azienda di etichettatura professionale che è stata preselezionata da Amazon, per assisterci nel progetto di annotazione personalizzata. Con il suo aiuto siamo stati in grado di raccogliere migliaia di annotazioni in una frazione del tempo che sarebbe stato necessario utilizzando il nostro team.

A Tyson Foods, siamo impegnati nella produzione di cibo, cercando di perseguire verità e integrità, e ci impegniamo a creare valore per i nostri azionisti, i nostri clienti, i membri del nostro team e le nostre comunità. Per mantenere questa promessa e fornire prodotti della massima qualità ai clienti, disponiamo di ispezioni manuali per rilevare problemi di qualità del prodotto, tra cui vuoti di impanatura, bruciature o deformazioni, e ispezioni delle apparecchiature, per rivelare ad esempio perdite dei nastri trasportatori e per individuare tempestivamente i problemi; tuttavia, poiché si tratta di problemi anomali, è molto difficile o impossibile raccogliere immagini per l'addestramento dei modelli di machine learning. Inoltre, spesso ci imbattiamo in colli di bottiglia di dati di addestramento sull'etichettatura specifici dei nostri processi e del nostro ambiente. In alcuni casi, l'etichettatura è molto noiosa e soggetta a errori, con conseguenti scarse prestazioni del modello di machine learning. Per noi, Amazon SageMaker Ground Truth è estremamente promettente, perché ci consente di affrontare ognuna di queste sfide. La generazione di dati sintetici ci consentirà di addestrare modelli estremamente accurati per automatizzare i punti di ispezione di prodotti e apparecchiature. Inoltre, può ridurre i tempi di consegna dei dati etichettati, consentendoci di addestrare i modelli più velocemente, migliorando al contempo la precisione. SageMaker Ground Truth sta tracciando la strada per trattare casi d'uso che in passato erano quasi impossibili da affrontare con la visione artificiale a causa della mancanza di dati di esempio.

I nostri clienti hanno bisogno di disporre di più scelte al giorno. Di fronte alla carenza di manodopera e all'aumento dei volumi, spesso desiderano integrare rapidamente l'induzione e altre soluzioni per soddisfare le richieste. Le tecnologie Plus One Robotics sono progettate per affrontare la variabilità degli articoli gestiti in magazzino. Le nuove SKU possono apparire solo raramente all'inizio e in determinate circostanze. L'utilizzo di dati sintetici ci consente di preaddestrare i nostri sistemi per far fronte all'ampia varietà di scenari previsti in cui alla fine li incontreremo. Utilizziamo Amazon SageMaker Ground Truth per generare decine di migliaia di immagini fotorealistiche etichettate di pacchi provenienti da vari corrieri, modellando la posa, il posizionamento e persino le variazioni nell’aspetto esterno come adesivi o etichette. Queste immagini hanno dimostrato miglioramenti nella nostra visione dell'IA. Le immagini sintetiche ci consentono di addestrare sistemi con prestazioni migliori più velocemente, in virtù della loro completezza ed esattezza, consentendoci di saltare le noiose fasi di annotazione e pulizia dei dati. Questi dati vengono utilizzati in applicazioni di induzione reali per agevolare i nostri clienti in oltre un milione di scelte al giorno.

L'Università di Washington e Amazon hanno lanciato una collaborazione nota come Science Hub per promuovere l'intelligenza artificiale e la robotica nell'ambito della ricerca aperta. Per uno dei nostri progetti, stiamo utilizzando il machine learning (ML) per costruire modelli 3D del mondo basati su un singolo punto di vista della telecamera, che consentirebbero ai sistemi robotici di comprendere il loro ambiente. Tuttavia, accedere a grandi volumi di dati reali per l'addestramento è sempre una sfida per i progetti di ML. Siamo entusiasti della promessa di Amazon SageMaker Ground Truth, con cui potremo generare rapidamente e facilmente migliaia di immagini etichettate e fotorealistiche, senza il processo lungo e incline all'errore di etichettatura manuale delle immagini. Nelle prime fasi della nostra ricerca, SageMaker Ground Truth consentirà al nostro personale di ricerca di concentrarsi sulla competenza di base e sul principale obiettivo dello sviluppo di nuove tecnologie, piuttosto che sulla cura dei set di dati.