Clients Amazon SageMaker Ground Truth

La gestion des résultats de nos LLM et l’obtention de données de haute qualité dans le cadre de nos contrats de niveau de service garantis nécessitent de passer beaucoup de temps à définir les balises et à annoter. Amazon SageMaker Ground Truth Plus fait désormais partie intégrante de nos LLM.

Il est toujours important de disposer d’une validation humaine, ou d’une intervention humaine, qui vous aide à orienter les modèles dans la bonne direction.

Grâce à Amazon SageMaker Ground Truth, nous avons pu améliorer nos opérations métier en générant et en synthétisant des données à partir de documents, en accélérant les délais de commercialisation, en économisant des heures de productivité et en améliorant la précision et les performances des réponses. En utilisant la main-d’œuvre de Ground Truth Plus, nous avons pu lancer un système de questions-réponses et de résumés basé sur la GenAI pour nos employés et nos clients, en phase avec les préférences humaines.

Le fait de disposer de jeux de données étiquetés de haute qualité est essentiel au succès de nos modèles d’IA générative. Grâce à Amazon SageMaker Ground Truth Plus, nous sommes parvenus à générer rapidement des vidéos étiquetées et accélérer le processus d’affinage de nos modèles d’IA générative. Jusqu’à aujourd’hui, nos tentatives de création d’une interface utilisateur interne d’étiquetage des données se sont avérées coûteuses et fastidieuses. Aussi, nos scientifiques des données mettaient plus d’une heure par jour à étiqueter les données. Grâce à Amazon SageMaker Ground Truth Plus, nous avons pu réaliser une mise à l’échelle en passant de 100 à 100 000 vidéos étiquetées de haute qualité en un mois au lieu d’un an. Cela a permis à nos scientifiques des données d’économiser environ 1000 heures et 200 000 USD sur les coûts, mais aussi d’améliorer considérablement la productivité de notre équipe, ainsi que la qualité et la précision de nos modèles d’IA générative.

Nos algorithmes de perception multimodaux basés sur le machine learning doivent être constamment entraînés et vérifiés à l’aide de grandes quantités de données étiquetées afin de garantir un système de conduite sûr et fiable. Nous utilisons les services d’étiquetage des données Amazon SageMaker Ground Truth Plus pour étiqueter des milliers de kilomètres de données réelles, ce qui nous permet d’entraîner ces modèles en toute confiance. Grâce à Amazon SageMaker Ground Truth Plus, nous avons pu respecter nos ambitieux délais de développement et étiqueter des millions d’objets réels, qui ont été fournis avec un objectif de qualité d’au moins 99 %. Ces tâches respectueuses des délais et de la qualité ont entraîné une amélioration de 8 % de la précision et de 2 % du rappel pour notre modèle de perception à apprentissage multicapteurs.

Au sein de la NFL, nous continuons à chercher de nouvelles façons d’utiliser le machine learning pour aider nos fans, nos diffuseurs, nos entraîneurs et nos équipes à bénéficier d’informations plus pertinentes. Le football est un sport rapide où les actions peuvent avoir lieu en une fraction de seconde. Bien que les entraîneurs et les arbitres observent attentivement le jeu, il peut être difficile de veiller à la sécurité de tous les joueurs sur le terrain. La vision par ordinateur nous permet de détecter avec précision les incidents liés à la sécurité des joueurs, mais le développement de ces algorithmes nécessite des données étiquetées par des experts. Désormais, avec Amazon SageMaker Ground Truth Plus, nous disposons de flux de travail et d’interfaces utilisateur personnalisés pour les tâches d’étiquetage sophistiquées, ce qui nous permet d’améliorer la sécurité des joueurs.

Chez Airbnb, nous intégrons de plus en plus le ML dans tous les aspects de notre activité. Par conséquent, nos équipes doivent constamment générer et gérer des données de haute qualité afin d’entraîner et de tester des modèles de machine learning. Nous recherchions un moyen de générer des résultats de données classification de texte de haute qualité sur cent mille paragraphes de journaux de service client en mandarin afin de proposer de meilleurs services à nos clients et de réduire notre dépendance à l’égard de notre équipe de service client. Avec Amazon SageMaker Ground Truth Plus, l’équipe AWS a créé un flux de travail personnalisé d’étiquetage des données, qui comprenait un modèle de machine learning personnalisé capable d’atteindre une précision de classification de 99 %.

Chez Samsara, nous assurons la transformation numérique des opérations physiques. Grâce à notre Connected Operations Cloud, les entreprises qui dépendent d’opérations physiques peuvent tirer parti des données IoT, de l’analytique et de l’IA pour développer des informations exploitables et améliorer leur sécurité, leur efficacité et leur durabilité. Avec Amazon SageMaker Ground Truth Plus, nous sommes en mesure de recevoir des données étiquetées de haute qualité et d’accéder à des outils spécialement conçus pour améliorer davantage notre capacité à détecter et à faire face aux risques de sécurité.

Chez VIZIO, nous cherchons constamment des moyens de tirer parti du machine learning afin de créer des expériences personnalisées pour nos clients. Nous recherchions un moyen de revoir en permanence les vidéos publicitaires et de générer des métadonnées commerciales pour une classification efficace des publicités. Grâce à la fonctionnalité de streaming d’Amazon SageMaker Ground Truth Plus, nous pouvons désormais utiliser un modèle personnalisé qui fournit une classification des vidéos, une collecte de métadonnées et un système automatisé qui permet la collecte de données en temps réel lors de la diffusion des publicités. Grâce à Amazon SageMaker Ground Truth Plus, nous sommes en mesure d’examiner les résultats en moins d’un jour ouvrable.

Pour nous, le machine learning met en lumière des défis invisibles. Rien qu’aux États-Unis, des milliards de dollars sont dépensés chaque année pour nettoyer les déchets. Grâce à des modèles de vision par ordinateur, nous transformons des images de déchets du monde entier en données, afin que les villes puissent mieux allouer leurs ressources en matière de gestion des déchets. Cependant, la création de modèles de détection d’objets nécessite l’accès à des informations sur les objets, le matériel et les marques, ainsi qu’à des connaissances localisées, en raison de la répartition des jeux de données aux quatre coins du monde. Amazon SageMaker Ground Truth Plus nous permet de créer une interface d’annotation hiérarchique qui capture ces fonctionnalités précises dans ce contexte localisé. En outre, les experts de SageMaker Ground Truth Plus ont créé des annotations d’images localisées, constituant une solution normalisée qui augmente l’efficacité de l’étiquetage des données jusqu’à 20 %, accélère notre capacité d’ingestion des résultats annotés dans notre base de données de 200 % et réduit le temps de post-traitement de 90 %.

Notre objectif est de permettre aux robots mobiles autonomes (AMR) Canvas de naviguer dans un environnement d’entrepôt dynamique, de suivre les obstacles environnants et les objets mobiles, mais aussi de planifier un itinéraire sûr et efficace vers leur destination. Pour y parvenir, il est essentiel d’acquérir efficacement des annotations de suivi 3D des objets mobiles autour du robot à grande échelle. Nous avons travaillé avec Amazon ML Solutions Lab pour créer un pipeline évolutif de suivi d’objets de nuage de points 3D à l’aide d’Amazon SageMaker Ground Truth en quelques semaines seulement. C’était impressionnant de constater que ce pipeline peut réduire de 6 à 10 fois le temps d’étiquetage et accélérer nos progrès en matière d’annotation.

PrecisionHawk est l’un des principaux fournisseurs de technologies de drones pour l’entreprise. Notre plateforme de bout en bout s’appuie sur l’IA et le machine learning pour transformer les données aériennes en informations commerciales exploitables. Dans le cadre de cette solution, nous entraînons des modèles personnalisés pour identifier les anomalies et les objets critiques afin d’améliorer la précision et la rapidité des inspections des ressources stratégiques. Afin de générer les jeux de données d’entraînement pour ces modèles, nous devons étiqueter un vaste corpus de données et nous assurer que les étiquettes sont exactes. Amazon SageMaker Ground Truth joue un rôle essentiel pour nous aider à atteindre nos objectifs en la matière. Tout d’abord, il propose une interface utilisateur intuitive permettant de lancer les tâches d’étiquetage permettant de démarrer rapidement. En outre, le service offre la possibilité de concevoir et de déployer des flux de travail d’étiquetage propres aux clients. Amazon SageMaker Ground Truth continuera de jouer un rôle important dans nos initiatives d’IA à l’avenir.

AstraZeneca a expérimenté le machine learning à tous les stades de la recherche et du développement, et plus récemment en matière de pathologie pour accélérer l’examen des échantillons de tissus. Les modèles de machine learning apprennent d’abord à partir d’un vaste jeu de données représentatif. L’étiquetage des données est une autre étape fastidieuse, en particulier dans ce cas, où plusieurs milliers d’images d’échantillons de tissus peuvent s’avérer nécessaires pour entraîner un modèle précis. AstraZeneca a recours à Amazon SageMaker Ground Truth, un service d’annotation et d’étiquetage des données d’humain dans la boucle basé sur le machine learning pour automatiser certaines des parties les plus fastidieuses de ce travail, ce qui permet de réduire au moins de moitié le temps consacré au catalogage des échantillons.

L’équipe AI @ T-Mobile intègre l’IA et le machine learning dans les systèmes de nos centres de service client, ce qui permet à notre équipe d’experts de proposer des services aux clients avec plus de rapidité et de précision grâce à des modèles de compréhension du langage naturel qui leur fournissent des informations pertinentes et contextuelles sur les clients en temps réel. L’étiquetage des données a joué un rôle fondamental dans la création de modèles performants, mais il s’agit également d’une tâche monotone pour nos scientifiques des données et nos ingénieurs logiciels. SageMaker Ground Truth fait en sorte que le processus d’étiquetage des données soit simple, efficace et accessible, ce qui leur permet de gagner du temps pour se concentrer sur ce qu’ils aiment, à savoir créer des produits qui offrent les meilleures expériences à nos clients et à nos représentants de l’assistance.

Pinterest développe en permanence des systèmes de machine learning pour détecter des objets à des fins de recherche visuelle et de modération. Pour ce faire, nous devons étiqueter des millions d’images afin de générer les jeux de données d’entraînement requis. Pinterest possède déjà une plateforme d’étiquetage disposant de services Amazon intégrés tels qu’Amazon Mechanical Turk. Nous étions ravis d’explorer l’utilisation de SageMaker Ground Truth pour étendre cette plateforme afin de prendre en charge les tâches d’étiquetage des zones de délimitation. Nous avons découvert que SageMaker Ground Truth propose une interface simple et rationalisée pour démarrer les tâches d’étiquetage. Nous avons travaillé en étroite collaboration avec l’équipe AWS pour adapter SageMaker Ground Truth à notre jeu de données unique, et nous sommes impatients d’intégrer SageMaker Ground Truth à notre plateforme d’étiquetage des données.

Change Healthcare, une société leader dans le domaine des technologies de la santé, joue un rôle essentiel en aidant l’écosystème de la santé non seulement à fonctionner, mais aussi à travailler plus intelligemment. Notre équipe d’IA recherche une solution capable d’étiqueter efficacement les paragraphes de texte, afin que nous puissions annoter des données de santé très peu structurées qui ne pouvaient pas être modélisées auparavant. Grâce à SageMaker Ground Truth et à son intégration avec SageMaker, l’outil est facile à utiliser et permet un déploiement rapide de la main-d’œuvre. Il nous permet de lancer des tâches d’étiquetage avec très peu d’efforts, ce qui nous aide finalement à rendre le système de santé plus efficace.

AWS continue de faire preuve d’un engagement sans faille en faveur du machine learning pour tous les développeurs. SageMaker Ground Truth consolide le paysage fragmenté des services d’étiquetage des données grâce à une solution d’étiquetage simple et bien exécutée. Nous avons rapidement pu intégrer cet outil à notre portefeuille de formations et nous sommes impatients de voir comment son évolution aura un impact supplémentaire sur notre activité.

Nous sommes spécialisés dans la création de solutions d’IA et dans leur mise à la disposition de nos clients pour résoudre leurs problèmes métier. Nous pensons que SageMaker Ground Truth deviendra un élément clé de nos efforts visant à fournir des solutions d’IA de pointe à nos clients. Il fournit un certain nombre de fonctionnalités performantes qui nous aident à générer des jeux de données d’entraînement précis. L’option « Apportez votre propre main-d’œuvre d’étiquetage » avec le choix de modèles d’étiquetage nous permet d’intégrer notre équipe en toute sécurité, facilement et à grande échelle. Nous sommes impatients d’utiliser SageMaker Ground Truth dans l’ensemble de notre portefeuille de solutions d’IA.

L’essor de l’IA a transformé la façon dont les employeurs recrutent les talents et dont les chercheurs d’emploi trouvent du travail. L’algorithme basé sur l’IA de ZipRecruiter apprend ce que chaque employeur recherche et fournit un ensemble personnalisé de candidats hautement pertinents. De l’autre côté de la place de marché, la technologie de l’entreprise met en relation les demandeurs d’emploi avec les offres les plus pertinentes. Et pour que tout soit fait efficacement, nous avions besoin d’un modèle de machine learning pour extraire automatiquement les données pertinentes des CV chargés. La formation d’un modèle de machine learning pour identifier les informations les plus importantes nécessite un jeu de données volumineux pour démarrer. Le processus de création de ces données est souvent coûteux, manuel et fastidieux. Amazon SageMaker Ground Truth nous aidera à réduire considérablement le temps et les efforts nécessaires pour créer des jeux de données pour l’entraînement. En raison de la nature confidentielle des données, nous avons d’abord envisagé de faire appel à l’une de nos équipes, mais cela leur prendrait du temps au détriment de leurs tâches habituelles et il faudrait des mois pour collecter les données dont nous avions besoin. À l’aide d’Amazon SageMaker Ground Truth, nous avons engagé iMerit, une société d’étiquetage professionnelle présélectionnée par Amazon, pour nous aider dans le cadre du projet d’annotation personnalisée. Avec son aide, nous avons pu collecter des milliers d’annotations en une fraction du temps qu’il aurait fallu à notre propre équipe.

Chez Tyson Foods, nous sommes engagés dans la production de denrées alimentaires, dans la recherche de la vérité et de l’intégrité, et dans la création de valeur pour nos actionnaires, nos clients, les membres de notre équipe et nos communautés. Pour tenir cette promesse et fournir des produits de la plus haute qualité à nos clients, nous avons mis en place des inspections manuelles pour détecter les problèmes de qualité des produits, notamment les vides de panure, les brûlures ou les déformations, et des inspections des équipements, telles que les fuites sur les bandes transporteuses, en vue de détecter les problèmes le plus rapidement possible. Toutefois, comme ces problèmes sont anormaux, il est très difficile, voire impossible, de collecter des images pour la formation de modèles de machine learning. En outre, nous sommes souvent confrontés à un goulot d’étranglement en matière d’étiquetage des données d’entraînement propres à nos processus et à notre environnement. Dans certains cas, l’étiquetage est très fastidieux et sujet aux erreurs, ce qui entraîne de mauvaises performances des modèles de machine learning. Amazon SageMaker Ground Truth est pour nous très prometteur, car il nous permet de relever chacun de ces défis. La génération de données synthétiques nous permettra d’entraîner des modèles très précis afin d’automatiser les points d’inspection des produits et des équipements. Cela peut également réduire le délai d’exécution des données étiquetées, ce qui nous permet d’entraîner les modèles plus rapidement tout en améliorant la précision. SageMaker Ground Truth ouvre la voie à la résolution de cas d’utilisation qui était auparavant pratiquement impossible avec la vision par ordinateur en raison du manque d’exemples de données.

Nos clients ont besoin de réaliser plus de prélèvements par jour. Face à la pénurie de main-d’œuvre et à l’augmentation des volumes, ils souhaitent souvent intégrer rapidement des solutions d’induction et autres afin de répondre à la demande. Les technologies de Plus One Robotics sont conçues pour répondre à la variabilité des articles manipulés dans l’entrepôt. Les nouveaux SKU peuvent n’apparaître que rarement au début, et dans certaines circonstances. Ainsi, l’utilisation de données synthétiques nous permet de préparer nos systèmes à faire face à la grande variété de scénarios prévisibles dans lesquels nous les rencontrerons un jour ou l’autre. Nous recourons à Amazon SageMaker Ground Truth pour générer des dizaines de milliers d’images photoréalistes étiquetées de colis provenant de différents transporteurs, en modélisant la pose, l’emplacement et même les variations de surface telles que les autocollants ou les étiquettes. Ces images ont permis d’améliorer notre vision de l’IA. Les images synthétiques nous permettent d’entraîner plus rapidement des systèmes plus performants, grâce à leur exhaustivité et à leur exactitude, ce qui nous permet d’ignorer les étapes fastidieuses d’annotation et de nettoyage des données. Ces données sont utilisées dans des applications d’induction réelles pour faciliter plus d’un million de prélèvements par jour pour nos clients.

L’université de Washington et Amazon ont entamé une collaboration baptisée Science Hub dans le but de faire progresser l’intelligence artificielle et la robotique dans la recherche ouverte. Pour l’un de nos projets, nous utilisons le machine learning (ML) pour créer des modèles 3D du monde du point de vue d’une caméra unique, ce qui permettrait aux systèmes robotiques de comprendre leur environnement. Cependant, accéder à de grands volumes de données d’entraînement réelles constitue toujours un défi pour les projets de machine learning. Nous sommes enthousiastes quant à la promesse d’Amazon SageMaker Ground Truth, qui nous permet de générer rapidement et facilement des milliers d’images photoréalistes étiquetées, tout en évitant le processus fastidieux et sujet aux erreurs de l’étiquetage manuel des images. Dans les premières phases de notre recherche, SageMaker Ground Truth permettra à notre équipe de chercheurs de se concentrer sur le développement de nouvelles technologies, plutôt que sur la conservation des jeux de données.