Amazon.com公司Amazon Web Services(AWS)宣布全面增強服務的Amazon Augmented AI(A2I)全面上市，該服務可輕松為機器學習預測添加人工審核通過不斷識別和改進低置信度預測來提高模型和應用程序的準確性。Amazon A2I使用Mechanical Turk，第三方供應商或他們自己的員工的審閱者，幫助開發(fā)人員為新的或現(xiàn)有的應用程序添加對模型預測的人工審核。Amazon A2I使開發(fā)人員可以更輕松地構建人工審核系統(tǒng)，構建審核流程并管理人工審核人員。例如，開發(fā)人員可以使用Amazon A2I快速啟動并管理人員隊伍，以審查和驗證針對從掃描的抵押貸款文件中提取財務信息的應用程序或使用圖像識別在線識別假冒商品的應用程序的機器學習預測的準確性，因此結果質(zhì)量隨著時間的推移而提高。沒有使用Amazon A2I的前期承諾，用戶只為每次需要的審查付費。要開始使用Amazon A2I，請訪問 aws.amazon.com/augmented-ai

如今，機器學習為各種用例提供??了高度準確的預測(稱為“推論”)，包括識別圖像中的對象，從掃描的文檔中提取文本或轉錄和理解口頭語言。在每種情況下，機器學習模型都會提供推斷和置信度分數(shù)，以表達模型在其預測中的確定性。置信度數(shù)越高，結果越值得信賴。通常，當開發(fā)人員收到高置信度的結果時，他們可以相信預測是準確的，并且根據(jù)使用情況，他們可以使用它來使流程完全自動化。例如，將用戶的照片與名人臉相匹配的社交媒體應用程序的開發(fā)人員可能依賴80%的置信度得分來生成并返回許多有趣的匹配項。然而，在其他情況下，強烈建議同時具有高度的信心(高達99%)和人工檢查，例如涉及執(zhí)法的公共安全用例。在置信度得分低于期望值和/或需要人工判斷的情況下，可以使用評論來驗證預測。機器學習與人工審閱者之間的這種相互作用對于機器學習系統(tǒng)的成功至關重要，但是人工審閱對于大規(guī)模構建和操作而言具有挑戰(zhàn)性且昂貴，通常涉及多個工作流程步驟，操作用于管理人工審閱任務和結果的自定義軟件，以及招聘和管理大量的審閱者。結果，開發(fā)人員有時會花更多的時間來管理人工審核流程，而不是構建預期的應用程序，否則他們不得不放棄進行人工審核，

借助Amazon A2I，開發(fā)人員可以在機器學習應用程序中添加人工審查，而無需構建或管理昂貴且笨拙的人工審查系統(tǒng)。Amazon A2I為常見的機器學習任務(例如，圖像中的對象檢測，語音轉錄和內(nèi)容審核等)提供了60多種預先構建的人工審查工作流，這些人工學習工作流可以對來自Amazon Rekognition和Amazon Textract的機器學習預測進行人工審查更容易。在Amazon SageMaker(或其他本地或云工具)中構建自定義機器學習模型的開發(fā)人員可以在增強型AI控制臺中或通過其應用程序編程接口(API)對其特定用例進行人工審查。在設定模型預測的置信度閾值之后，開發(fā)人員可以選擇使預測低于該閾值，并由Amazon Mechanical Turk及其全球500,000名獨立承包商，專門從事業(yè)務流程外包的第三方組織(例如iVision，CapeStart Inc.和iMerit)或自己的私人機構審查，內(nèi)部審核者。開發(fā)人員可以指定每個評論的工作人員人數(shù)，然后Amazon A2I將每個評論路由到確切的評論人數(shù)量。例如，建立使用Amazon Textract處理金融貸款申請的系統(tǒng)的公司可以輕松地將Amazon A2I配置為與Amazon Textract輸出配合使用，從而將置信度得分小于99%的表格從他們的私人勞動力中發(fā)送給人工審核者。經(jīng)過人工驗證的結果存儲在Amazon Simple Storage Service(S3)中，

“我們經(jīng)常從客戶那里得知，Amazon SageMaker可幫助加快培訓，調(diào)整和部署自定義機器學習模型的速度，而完全托管的服務(如Amazon Rekognition和Amazon Textract)使構建包含機器學習的應用程序變得容易，而無需任何機器學習專業(yè)知識。但是即使取得了這些進步，我們的客戶仍然說，在一些關鍵的用例中，例如在執(zhí)法調(diào)查中，需要人工判斷，或者在可信度低于給定閾值的情況下，可以使用人工審查來解決預測中的歧義的時候。敏感的用例，并且當前的人工審核過程涉及大量的自定義工作和成本，” Amazon Web Services，Inc.亞馬遜機器學習副總裁Swami Sivasubramanian說。

Amazon A2I現(xiàn)已在美國東部(弗吉尼亞北部)，美國東部(俄亥俄州)，美國西部(俄勒岡)，加拿大(中部)，歐盟西部(倫敦)，歐盟西部(愛爾蘭)，歐盟(法蘭克福)，亞太地區(qū)可用(新加坡)，亞太地區(qū)(東京)，亞太地區(qū)(悉尼)，亞太地區(qū)(首爾)和亞太地區(qū)(孟買)。

國家衛(wèi)生服務局，商業(yè)服務局(NHS BSA)是英國國家衛(wèi)生局的一部分，為NHS組織，NHS承包商和患者提供一系列支持服務。作為業(yè)務流程服務的一部分，他們每個月處理5400萬張紙質(zhì)處方和其他醫(yī)療文檔。“ NHS正在投資AI的承諾，以改善全英國的公共醫(yī)療質(zhì)量。NHS BSA云平臺和創(chuàng)新主管Chris Suter說，人為判斷至關重要，實際上，涉及醫(yī)療支付的決策通常需要人為判斷。“ Amazon Textract之所以引人注目，是因為它提供了AI驅動的幾乎所有文檔中的文本和結構化數(shù)據(jù)提取。我們對Amazon Augmented AI感到非常興奮，因為它使我們能夠在仍然運用人類判斷力的同時利用機器學習的優(yōu)勢。那對我們來說是一個改變游戲規(guī)則的人。”

作為美國的運營商，T-Mobile US，Inc.通過領先的產(chǎn)品和服務創(chuàng)新，重新定義了消費者和企業(yè)購買無線服務的方式。“我們在與客戶進行實時對話時，實時向客戶服務代理提供相關信息，例如帳戶詳細信息和可用折扣，這是T-Mobile使用機器學習改善客戶體驗的方式之一。我們將使用A2I， T-Mobile機器學習工程師Heather Nolis說：“通過讓人類驗證模型預測的隨機樣本，我們能夠確保我們的模型不斷提供頂級的見解。在機器學習中，信任是最難建立的東西。 ，并且A2I將使我們能夠確保我們的模型犯的錯誤最少。”

德勤(Deloitte)正在幫助改變?nèi)虻慕M織。該組織不斷發(fā)展其工作方式以及如何應對市場挑戰(zhàn)，從而可以繼續(xù)為其客戶和社區(qū)提供可衡量的，可持續(xù)的結果。“使我們的客戶獲得成功的一部分就是幫助他們利用最新技術。使用機器學習使我們能夠幫助改善客戶的系統(tǒng)并提高他們的生產(chǎn)力，同時減少產(chǎn)品，服務和應用程序的上市時間。作為向客戶提供ML最新進展的一部分，我們看到了人在環(huán)系統(tǒng)的好處，從而為ML應用程序增添了一層信心。“例如，我們在保險行業(yè)的客戶，可以使用A2I幫助驗證ML模型的準確性，從而實現(xiàn)基于圖像的自動車輛損壞檢測和基于文本的保險索賠分析。我們很高興看到我們的跨行業(yè)客戶可以通過將A2I集成到其ML工作流程中而受益匪淺。”

Belle Fleur認為，機器學習革命正在改變我們生活，工作和相互聯(lián)系的方式，并將改變每個行業(yè)的每項業(yè)務。“我們開始與我們的一個金融服務客戶一起使用Amazon Textract，并很快意識到，將該服務與Amazon A2I結合使用可使他們?yōu)g覽大量文檔并提取其客戶所需的相關數(shù)據(jù)。加上Amazon A2I，可以幫助我們將需要做出上下文解釋并驗證數(shù)據(jù)的文檔納入人為判斷之中。” Belle Fleur總裁Tia Dubuisson說。“這不僅減少了人工驗證所花費的時間，但它也將所有相關的提取數(shù)據(jù)以易于理解的工作流程集中到一個地方，以供審閱者使用，從而使他們能夠快速，輕松地審閱Amazon Textract的機器學習輸出。Amazon A2I不僅使我們和我們的客戶可以放心，提取的細微差別的數(shù)據(jù)都可以由人類進行審查，而且還可以通過不斷的審核和改進，隨著時間的推移幫助培訓和改進我們的機器學習模型。”

標簽： AWS 亞馬遜增強人工智能