Amazon SageMaker Ground Truth

Wenden Sie menschliches Feedback über den gesamten ML-Lebenszyklus an, um hochwertige Modelle zu erstellen oder zu evaluieren
Erste Schritte mit SageMaker Ground Truth
Anfordern eines Piloten

Warum SageMaker Ground Truth?

Amazon SageMaker Ground Truth bietet die umfassendsten Funktionen, die von Menschen im laufenden Betrieb genutzt werden können, sodass Sie das Potenzial menschlichen Feedbacks über den gesamten ML-Lebenszyklus hinweg nutzen können, um die Genauigkeit und Relevanz von Modellen zu verbessern. Mit SageMaker Ground Truth können Sie eine Vielzahl von Aufgaben erledigen, von der Datengenerierung und Annotation bis hin zur Überprüfung, Anpassung und Bewertung von Modellen, entweder über einen Self-Service oder ein von AWS verwaltetes Angebot.

Funktionsweise

Vorteile von SageMaker Ground Truth

Von Menschen generierte Daten erstellen, um Modelle für bestimmte Aufgaben oder mit unternehmens- und branchenspezifischen Daten anzupassen
Menschliche Bewertung verwenden, um das Basismodell (FM) zu vergleichen und auszuwählen, das für Ihren Anwendungsfall am besten geeignet ist
Qualitativ hochwertige Trainingsdatensätze erstellen, um die Modellgenauigkeit mit einer erfahrenen, auf Abruf verfügbaren Belegschaft zu verbessern
Human-in-the-Loop-Aufgaben beschleunigen und automatisieren, von der Datengenerierung und Annotation bis hin zur Modellüberprüfung, Anpassung und Bewertung, und senken Sie gleichzeitig die Kosten

Anwendungsfälle

Schneller Einstieg in die Nutzung der wichtigsten Anwendungsfälle

Von Menschen generierte Daten wie Textzusammenfassungen, Fragen und Antworten, Zitate und Bildunterschriften verwenden, um FMs für KI-gestützte Anwendungen zu trainieren

Weitere Informationen über Beispiel- und Demonstrationsdaten

Verwenden Sie menschliches Feedback, um Modellantworten einzustufen und/oder zu klassifizieren (z. B. vom besten zum schlechtesten), und verwenden Sie diese Daten, um FMs zu trainieren

Weitere Informationen über Ranking-Daten

Ermöglichen Sie es Menschen, Modellergebnisse einfach zu überprüfen, zu vergleichen und zu bewerten, um Schwachstellen zu erkennen, Verzerrungen zu reduzieren und Toxizität zu vermeiden

Text, Bilder, Video, Audio und Punktwolken beschriften, um ML-Modelle für eine Reihe von Anwendungsfällen zu trainieren

Weitere Informationen über Daten-Labeling