Clientes de Amazon SageMaker Ground Truth

Se necesitan muchas etiquetas y anotaciones para administrar nuestros resultados de LLM y recibir datos de alta calidad dentro de nuestros SLA garantizados. Amazon SageMaker Ground Truth Plus se convirtió en una parte integral de nuestros LLM.

Siempre es importante contar con la validación humana, o con la intervención humana en el circuito, que ayude a dirigir los modelos en la dirección correcta.

Con Amazon SageMaker Ground Truth, pudimos mejorar nuestras operaciones empresariales al generar y resumir los datos de los documentos, acelerar el tiempo de comercialización, ahorrar horas de productividad y lograr una mayor precisión y rendimiento en las respuestas. Gracias al personal de Ground Truth Plus, pudimos lanzar preguntas y respuestas impulsadas por IA generativa y un resumen para nuestros empleados y clientes, que estaba alineado con las preferencias humanas.

Obtener conjuntos de datos etiquetados de alta calidad es esencial para el éxito de nuestros modelos de IA generativa. Gracias a Amazon SageMaker Ground Truth Plus, pudimos generar rápidamente videos etiquetados y acelerar el proceso de ajuste de nuestros modelos de IA generativa. Hasta hoy, nuestros intentos de crear una interfaz de usuario de etiquetado de datos interna eran costosos y consumían mucho tiempo, y nuestros científicos de datos dedicaban más de una hora al día a etiquetar los datos. Con Amazon SageMaker Ground Truth Plus, pudimos escalar de 100 a 100 000 videos etiquetados de alta calidad en 1 mes en lugar de 1 año. Esto ahorró a nuestros científicos de datos aproximadamente 1000 horas, 200 000 USD en costes y mejoró de manera significativa la productividad de nuestro equipo, así como la calidad y precisión de nuestros modelos de IA generativa.

Nuestros algoritmos de percepción multimodal basados en machine learning deben entrenarse y validarse continuamente con grandes cantidades de datos etiquetados para garantizar un sistema de conducción confiable y seguro. Usamos los servicios de etiquetado de datos de Amazon SageMaker Ground Truth Plus para etiquetar miles de kilómetros de datos reales, lo que nos permite entrenar estos modelos con una confianza extremadamente alta. Gracias a Amazon SageMaker Ground Truth Plus, pudimos mantener nuestros exigentes plazos de desarrollo y etiquetar millones de objetos reales, que se entregaron con un objetivo de calidad del 99 % o más. Estas entregas, que tenían en cuenta el tiempo y la calidad, mejoraron un 8 % la precisión y un 2 % la memoria de nuestro modelo de percepción que aprendió a partir de varios sensores.

En la NFL, seguimos buscando nuevas formas de utilizar el machine learning para ayudar a nuestros aficionados, locutores, entrenadores y equipos a beneficiarse de información más detallada. El fútbol americano es un deporte rápido en el que las jugadas pueden ocurrir en una fracción de segundo. Si bien los entrenadores y los árbitros observan el partido con atención, puede resultar difícil observar a todos los jugadores en el campo por motivos de seguridad. La visión artificial nos permite detectar con precisión los incidentes de seguridad de los jugadores; sin embargo, el desarrollo de estos algoritmos requiere datos etiquetados de forma experta. Ahora, con Amazon SageMaker Ground Truth Plus, tenemos flujos de trabajo e interfaces de usuario personalizados para tareas de etiquetado sofisticadas, lo que nos ayuda a mejorar la seguridad de los jugadores.

En Airbnb, integramos cada vez más el ML en todos los aspectos de nuestro negocio. Como resultado, nuestros equipos tienen que generar y mantener constantemente datos de alta calidad para entrenar y probar los modelos de ML. Buscábamos una forma de generar resultados de clasificación de texto de alta calidad en cien mil párrafos de registros del servicio de atención al cliente en mandarín para poder atender mejor a nuestros clientes y reducir las dependencias de nuestro equipo de atención al cliente. Con Amazon SageMaker Ground Truth Plus, el equipo de AWS creó un flujo de trabajo de etiquetado de datos personalizado, que incluía un modelo de ML personalizado que podía lograr una precisión de clasificación del 99 %”.

En Samsara, impulsamos la transformación digital de las operaciones físicas. Con nuestra nube de operaciones conectadas, las empresas que dependen de las operaciones físicas pueden aprovechar los datos, los análisis y la inteligencia artificial del IoT para desarrollar información útil y mejorar su seguridad, eficiencia y sostenibilidad. Con Amazon SageMaker Ground Truth Plus, podemos recibir datos etiquetados de alta calidad y acceder a herramientas diseñadas específicamente para mejorar aún más nuestra capacidad de detectar y abordar los riesgos de seguridad.

En VIZIO, buscamos de manera constante formas de aprovechar el ML a fin de crear experiencias personalizadas para los clientes. Buscábamos una forma de revisar continuamente los videos publicitarios y generar metadatos comerciales para clasificar los anuncios con eficacia. Con el uso de la capacidad de streaming de Amazon SageMaker Ground Truth Plus, ahora podemos usar una plantilla personalizada que proporciona clasificación de videos, recopilación de metadatos y un sistema automatizado que permite la recopilación de datos en tiempo real a medida que se emiten los anuncios. Con Amazon SageMaker Ground Truth Plus, podemos revisar los resultados en menos de un día hábil.

Para nosotros, el machine learning arroja luz sobre desafíos nunca vistos. Solo en los EE. UU., cada año se gastan miles de millones de dólares en limpiar la basura. Con los modelos de visión artificial, transformamos las imágenes de la basura de todo el mundo en datos para que las ciudades puedan asignar mejor sus recursos de gestión de la basura. Sin embargo, la creación de modelos de detección de objetos requiere acceso a información sobre objetos, materiales y marcas, así como a conocimientos localizados, ya que los conjuntos de datos están distribuidos por todo el mundo. Amazon SageMaker Ground Truth Plus nos permite crear una interfaz de anotación jerárquica que captura estas características precisas dentro de ese contexto localizado. Además, el personal experto de SageMaker Ground Truth Plus creó anotaciones de imágenes localizadas, lo que proporciona una solución estandarizada que aumenta nuestra eficiencia en el etiquetado de datos hasta en un 20 %, acelera nuestra capacidad de incorporar los resultados anotados en nuestra base de datos en un 200 % y reduce el tiempo de posprocesamiento en un 90 %”.

Nuestro objetivo es permitir que los AMR de Canvas naveguen en el entorno de un almacén dinámico, hagan un seguimiento de los obstáculos circundantes y los objetos en movimiento, y planifiquen una ruta segura y eficiente hasta su destino. Para ello, es fundamental adquirir anotaciones de seguimiento 3D de objetos en movimiento alrededor del robot a gran escala y de manera eficiente. Trabajamos con Amazon ML Solutions Lab para crear una canalización escalable de seguimiento de objetos en la nube de puntos 3D con Amazon SageMaker Ground Truth en tan solo unas semanas. Fue impresionante ver que esta canalización puede reducir el tiempo de etiquetado entre 6 y 10 veces, así como acelerar nuestro progreso en cuanto a la anotación.

PrecisionHawk es un proveedor líder de tecnología de drones para empresas. Nuestra plataforma integral aprovecha la inteligencia artificial y el machine learning para convertir los datos aéreos en inteligencia empresarial útil. Como parte de esta solución, estamos entrenando modelos personalizados para identificar objetos críticos y anomalías a fin de mejorar la precisión y la velocidad de las inspecciones de activos críticos. Para generar los conjuntos de datos de entrenamiento para estos modelos, necesitamos etiquetar un extenso corpus de datos y asegurarnos de que las etiquetas sean precisas. En este sentido, Amazon SageMaker Ground Truth es fundamental para ayudarnos a alcanzar nuestros objetivos. En primer lugar, proporciona una interfaz de usuario intuitiva para iniciar los trabajos de etiquetado y dar los primeros pasos rápidamente. Además, el servicio ofrece la capacidad de ampliación necesaria para diseñar e implementar flujos de trabajo de etiquetado específicos para cada cliente. Amazon SageMaker Ground Truth seguirá siendo una parte importante de nuestras iniciativas de IA en el futuro.

AstraZeneca ha experimentado con el machine learning en todas las etapas de investigación y desarrollo y, más recientemente, en patología para acelerar la revisión de las muestras de tejido. Los modelos de machine learning aprenden primero de un conjunto de datos grande y representativo. El etiquetado de los datos es otro paso que lleva mucho tiempo, especialmente en este caso, en el que se pueden necesitar muchos miles de imágenes de muestras de tejido para entrenar un modelo preciso. AstraZeneca utiliza Amazon SageMaker Ground Truth, un servicio de anotación y etiquetado de datos, basado en machine learning y con intervención humana en el proceso, para automatizar algunas de las partes más tediosas de este trabajo, lo que se traduce en una reducción del tiempo destinado a catalogar las muestras en al menos un 50 %.

El equipo de IA de T-Mobile integra la inteligencia artificial y el machine learning en los sistemas de nuestros centros de atención al cliente, lo que permite a nuestro equipo de expertos atender a los clientes con mayor rapidez y precisión mediante modelos de comprensión del lenguaje natural que les muestran información relevante y contextual del cliente en tiempo real. El etiquetado de datos ha sido fundamental para crear modelos de alto rendimiento, pero también es una tarea monótona para nuestros científicos de datos e ingenieros de software. SageMaker Ground Truth hace que el proceso de etiquetado de datos sea fácil, eficiente y accesible, lo que les permite destinar tiempo a centrarse en lo que más les gusta: crear productos que ofrezcan las mejores experiencias a nuestros clientes y representantes de atención al cliente.

Pinterest desarrolla de manera continua sistemas de machine learning para detectar objetos para casos de uso de moderación y búsqueda visual. Para ello, tenemos que etiquetar millones de imágenes para generar los conjuntos de datos de entrenamiento necesarios. Pinterest dispone de una plataforma de etiquetado que ha integrado servicios de Amazon como Amazon Mechanical Turk. Nos entusiasmaba explorar el uso de SageMaker Ground Truth para ampliar esta plataforma y permitir las tareas de etiquetado de cuadros delimitadores. Descubrimos que SageMaker Ground Truth proporciona una interfaz sencilla y optimizada para iniciar los trabajos de etiquetado. Trabajamos en estrecha colaboración con el equipo de AWS para adaptar SageMaker Ground Truth a nuestro conjunto de datos único y tenemos la intención de integrar SageMaker Ground Truth en nuestra plataforma de etiquetado de datos.

Change Healthcare, una empresa líder en tecnología de servicios de salud, desempeña un papel vital a la hora de ayudar al entorno de la salud no solo a funcionar, sino también a trabajar de forma más inteligente. Nuestro equipo de IA busca una solución que pueda etiquetar los párrafos de texto de manera eficiente, de modo que podamos anotar datos de salud muy desestructurados que antes no se podían incorporar al modelo. SageMaker Ground Truth, y su integración con SageMaker, es fácil de usar con los despliegues rápidos del personal y permite iniciar tareas de etiquetado con muy poco esfuerzo, lo que, en última instancia, nos ayuda a hacer que el sistema de salud sea más eficiente.

AWS sigue mostrando un enorme compromiso con hacer accesible el machine learning para todos los desarrolladores. SageMaker Ground Truth consolida el panorama fragmentado de los servicios de etiquetado de datos con una solución de etiquetado sencilla y bien ejecutada. Pudimos integrar rápidamente la herramienta en nuestra canalización de entrenamiento y estamos entusiasmados por ver cómo su evolución seguirá influyendo en nuestra empresa.

Nos especializamos en crear soluciones de IA y llevarlas a nuestros clientes para resolver los problemas de sus empresas. Creemos que SageMaker Ground Truth se convertirá en una parte clave de nuestros esfuerzos por ofrecer soluciones de IA de vanguardia a nuestros clientes. Proporciona una serie de potentes capacidades que nos ayudan a generar conjuntos de datos de entrenamiento precisos. La opción de incorporar nuestro propio personal de etiquetado con la elección de las plantillas de etiquetado nos permite incorporar a nuestro equipo de forma segura, fácil y a escala. Deseamos utilizar SageMaker Ground Truth en nuestra cartera de soluciones de IA.

El auge de la IA ha transformado la forma en que los empleadores buscan talento y los solicitantes de empleo encuentran trabajo. El algoritmo basado en inteligencia artificial de ZipRecruiter aprende lo que busca cada empleador y proporciona un conjunto personalizado y seleccionado de candidatos muy relevantes. Al otro lado de la plataforma, la tecnología de la empresa pone en contacto a los solicitantes de empleo con los trabajos más pertinentes. Y para hacer todo eso de manera eficiente, necesitábamos un modelo de machine learning para extraer automáticamente los datos relevantes de los currículums cargados. El entrenamiento de un modelo de machine learning para poder identificar la información más importante requiere un conjunto de datos de tamaño considerable para comenzar. Por lo general, el proceso para crear estos datos es caro, manual y lento. Amazon SageMaker Ground Truth nos ayudará significativamente a reducir el tiempo y el esfuerzo necesarios para crear conjuntos de datos con fines de entrenamiento. Debido a la naturaleza confidencial de los datos, inicialmente nos planteamos utilizar a uno de nuestros equipos, pero esto les quitaría tiempo de sus tareas habituales y recopilar los datos que necesitábamos llevaría meses. Con Amazon SageMaker Ground Truth, contratamos a iMerit, una empresa de etiquetado profesional preseleccionada por Amazon, para que nos ayudara con el proyecto de anotación personalizada. Con su ayuda, pudimos recopilar miles de anotaciones en una fracción del tiempo que le hubiera llevado a nuestro propio equipo.

En Tyson Foods, nos dedicamos a la producción de alimentos, buscamos la verdad y la integridad, y nos comprometemos a crear valor para nuestros accionistas, nuestros clientes, los miembros de nuestro equipo y nuestras comunidades. Para cumplir esta promesa y ofrecer productos de la más alta calidad a los clientes, llevamos a cabo inspecciones manuales para detectar problemas de calidad en los productos, como vacíos del empanado, quemaduras o deformaciones, e inspecciones de los equipos, como fugas en las cintas transportadoras, para detectar problemas de manera temprana; sin embargo, dado que estos problemas son anómalos, es muy difícil o imposible recopilar imágenes para entrenar modelos de machine learning. Además, a menudo nos topamos con un cuello de botella al etiquetar los datos de entrenamiento específicos para nuestros procesos y nuestro entorno. En algunos casos, el etiquetado es muy tedioso y propenso a errores, lo que conduce a un rendimiento deficiente del modelo de machine learning. Amazon SageMaker Ground Truth es muy prometedor para nosotros, porque nos permite abordar cada uno de estos desafíos. La generación de datos sintéticos nos permitirá entrenar modelos de alta precisión para automatizar los puntos de inspección de productos y equipos. También puede reducir el tiempo de respuesta de los datos etiquetados, lo que nos permite entrenar modelos más rápido y, al mismo tiempo, mejorar la precisión. SageMaker Ground Truth abre nuevos caminos para abordar casos de uso que antes eran imposibles de abordar con visión artificial debido a la falta de datos de ejemplo.

Nuestros clientes necesitan lograr más selecciones por día. Al enfrentarse a la escasez de mano de obra y al aumento del volumen, suelen querer incorporar rápidamente soluciones de inducción y de otros tipos para satisfacer las demandas. Las tecnologías de Plus One Robotics están diseñadas para abordar la variabilidad de los productos que se manipulan en el almacén. Es posible que, al principio, los nuevos SKU aparezcan con poca frecuencia, y solo en determinadas circunstancias. El uso de datos sintéticos nos permite preentrenar nuestros sistemas para hacer frente a la amplia variedad de situaciones previstas con las que finalmente nos encontraremos. Usamos Amazon SageMaker Ground Truth para generar decenas de miles de imágenes fotorrealistas etiquetadas de paquetes de varios operadores a fin de modelar la postura, la ubicación e incluso variaciones de la superficie, como etiquetas autoadhesivas o etiquetas. Estas imágenes han demostrado mejoras en nuestra visión de la IA. Las imágenes sintéticas nos permiten entrenar sistemas con mejor rendimiento más rápidamente gracias a su integridad y precisión, lo que a su vez hace posible que omitamos los tediosos pasos de anotación y limpieza de datos. Estos datos se utilizan en aplicaciones de inducción de la vida real para facilitar más de 1 millón de selecciones al día para nuestros clientes.

La Universidad de Washington y Amazon lanzaron una colaboración conocida como Science Hub para fomentar la inteligencia artificial y la robótica en la investigación abierta. En uno de nuestros proyectos, utilizamos el machine learning (ML) para crear modelos 3D del mundo basados en el punto de vista de una sola cámara, lo que permitiría a los sistemas robóticos comprender su entorno. Sin embargo, tener acceso a grandes volúmenes de datos de entrenamiento reales siempre supone un desafío para los proyectos de ML. Estamos entusiasmados con la promesa de Amazon SageMaker Ground Truth para que podamos generar de forma rápida y sencilla miles de imágenes fotorrealistas y etiquetadas, sin el proceso lento y propenso a errores del etiquetado manual de imágenes. En las primeras etapas de nuestra investigación, SageMaker Ground Truth permitirá a nuestro personal de investigación centrarse en la competencia básica y en el principal objetivo de investigación de desarrollar nuevas tecnologías, en lugar de centrarse en la selección de conjuntos de datos.