Clientes do Amazon SageMaker Ground Truth

São necessários muitos rotulamentos e anotações para gerenciar nossos resultados de LLM e receber dados de alta qualidade dentro de nossos SLAs garantidos. O Amazon SageMaker Ground Truth Plus se tornou uma parte intrínseca de nossos LLMs.

É sempre importante ter uma validação humana, ou uma pessoa informada, que ajude você a direcionar os modelos na direção certa.

Com o Amazon SageMaker Ground Truth, conseguimos melhorar nossas operações comerciais gerando e resumindo dados de documentos e acelerando o tempo de comercialização, economizando horas de produtividade e alcançando maior precisão e performance com respostas. Ao utilizar a força de trabalho da Ground Truth Plus, pudemos lançar uma pergunta, uma resposta e um resumo baseados na IA generativa para nossos funcionários e clientes, alinhados às preferências humanas.

Obter conjuntos de dados rotulados de alta qualidade é essencial para o sucesso de nossos modelos de IA generativa. Graças ao Amazon SageMaker Ground Truth Plus, conseguimos gerar rapidamente vídeos rotulados e acelerar o processo de ajuste fino de nossos modelos generativos de IA. Até hoje, nossas tentativas de criar uma interface de usuário interna para a rotulagem de dados eram caras e demoradas, e nossos cientistas de dados levavam mais de uma hora por dia para rotular os dados. Com o Amazon SageMaker Ground Truth Plus, conseguimos escalar de 100 para 100 mil vídeos rotulados de alta qualidade em 1 mês, em vez de 1 ano. Isso economizou para nossos cientistas de dados cerca de 1000 horas, 200 mil dólares em custos e melhorou significativamente a produtividade da nossa equipe, bem como a qualidade e a precisão de nossos modelos de IA generativa.

Nossos algoritmos de percepção multimodal baseados em machine learning precisam ser continuamente treinados e validados usando grandes quantidades de dados rotulados para garantir um sistema de direção confiável e seguro. Usamos os serviços de rotulagem de dados do Amazon SageMaker Ground Truth Plus para rotular milhares de quilômetros de dados do mundo real, o que nos permite treinar esses modelos com extrema confiança. Graças ao Amazon SageMaker Ground Truth Plus, conseguimos manter nossos cronogramas de desenvolvimento intensos e rotular milhões de objetos do mundo real, que foram entregues com uma meta de qualidade de 99% ou mais. Essas entregas sensíveis ao tempo e à qualidade resultaram em uma melhoria de 8% na precisão e uma melhoria de 2% no recall de nosso modelo de percepção aprendida multissensorial.

Na NFL, continuamos buscando novas maneiras de usar o machine learning para ajudar nossos fãs, locutores, treinadores e equipes a se beneficiarem de insights mais profundos. O futebol é um esporte rápido, onde as jogadas podem acontecer em uma fração de segundo. Embora os treinadores e árbitros observem cuidadosamente o jogo, pode ser difícil observar a segurança de todos os jogadores em campo. A visão computacional nos permite detectar com precisão os incidentes de segurança envolvendo os jogadores, mas o desenvolvimento desses algoritmos requer dados rotulados por especialistas. Agora, com o Amazon SageMaker Ground Truth Plus, temos fluxos de trabalho e interfaces de usuário personalizados para tarefas sofisticadas de rotulagem, o que nos ajuda a melhorar a segurança dos jogadores.

No Airbnb, estamos integrando cada vez mais o ML em todos os aspectos do nosso negócio. Como resultado, nossas equipes precisam constantemente gerar e manter dados de alta qualidade para treinar e testar modelos de ML. Estávamos procurando uma maneira de gerar resultados de dados de classificação de texto de alta qualidade em cem mil parágrafos de registros de atendimento ao cliente em mandarim para que pudéssemos atender melhor nossos clientes e reduzir a dependência na nossa equipe de atendimento ao cliente. Com o Amazon SageMaker Ground Truth Plus, a equipe da AWS criou um fluxo de trabalho de rotulagem de dados personalizado, que incluiu um modelo de ML personalizado capaz de atingir 99% de precisão na classificação.

Na Samsara, estamos impulsionando a transformação digital das operações físicas. Com nossa nuvem de operações conectadas, as empresas que dependem de operações físicas podem aproveitar os dados, as análises e a IA da IoT para desenvolver insights práticos e melhorar a segurança, a eficiência e a sustentabilidade. Com o Amazon SageMaker Ground Truth Plus, podemos receber dados rotulados de alta qualidade e obter acesso a ferramentas criadas especificamente para melhorar ainda mais nossa capacidade de detectar e lidar com os riscos de segurança.

Na VIZIO, buscamos constantemente maneiras de aproveitar o ML para criar experiências personalizadas para nossos clientes. Estávamos procurando uma maneira de revisar continuamente os vídeos de anúncios e gerar metadados comerciais para uma classificação eficiente dos anúncios. Com o uso do recurso de streaming do Amazon SageMaker Ground Truth Plus, agora podemos usar um modelo personalizado que fornece a classificação de vídeos, coleta de metadados e um sistema automatizado que permite a coleta de dados em tempo real à medida que os anúncios vão ao ar. Com o Amazon SageMaker Ground Truth Plus, podemos analisar os resultados em menos de um dia útil.

Para nós, o machine learning resolve desafios nunca antes enfrentados. Somente nos EUA, a cada ano, bilhões de dólares são gastos na remoção de lixo. Com modelos de visão computacional, transformamos imagens de lixo de todo o mundo em dados, para que as cidades possam alocar melhor seus recursos para o gerenciamento do lixo. No entanto, a construção de modelos de detecção de objetos requer acesso a informações sobre objetos, materiais e marcas, bem como conhecimento localizado, devido aos conjuntos de dados espalhados por todo o mundo. O Amazon SageMaker Ground Truth Plus nos permite criar uma interface de anotação hierárquica que captura esses recursos precisos dentro desse contexto localizado. Além disso, a equipe especializada do SageMaker Ground Truth Plus criou anotações de imagem localizadas, que fornecem uma solução padronizada que aumenta nossa eficiência de rotulagem de dados em até 20%, acelera nossa capacidade de ingerir resultados anotados em nosso banco de dados em 200% e reduz o tempo de pós-processamento em 90%.

Nosso objetivo é permitir que os AMRs da Canvas naveguem no ambiente dinâmico do depósito, identifiquem os obstáculos presentes e os objetos em movimento e planejem uma rota segura e eficiente até seu destino. Para conseguir isso, é fundamental adquirir anotações de rastreamento 3D de objetos em movimento ao redor do robô em grande escala com eficiência. Trabalhamos com o Amazon ML Solutions Lab para criar um pipeline escalável de rastreamento de objetos em nuvem de pontos 3D usando o Amazon SageMaker Ground Truth em apenas algumas semanas. Foi impressionante ver que esse pipeline pode reduzir o tempo de rotulagem em 6 a 10 vezes e acelerar nosso progresso com a anotação.

A PrecisionHawk é uma fornecedora líder de tecnologia de drones para empresas. Nossa plataforma abrangente utiliza a IA e o machine learning para transformar dados aéreos em inteligência corporativa prática. Como parte dessa solução, estamos treinando modelos personalizados para identificar objetos e anomalias críticas para melhorar a precisão e a velocidade das inspeções de ativos críticos. Para gerar os conjuntos de dados de treinamento para esses modelos, precisamos rotular uma extensa coletânea de dados e garantir que esses rótulos sejam precisos. O Amazon SageMaker Ground Truth é fundamental para nos ajudar a alcançar esses nossos objetivos. Primeiro, ele fornece uma interface de usuário intuitiva para iniciar trabalhos de rotulagem e começar rapidamente. Além disso, o serviço oferece a extensibilidade de projetar e implantar fluxos de trabalho de rotulagem específicos do cliente. O Amazon SageMaker Ground Truth continuará sendo uma parte importante de nossas iniciativas de IA daqui para frente.

A AstraZeneca vem experimentando o machine learning em todos os estágios de pesquisa e desenvolvimento e, mais recentemente, em patologia para acelerar a revisão de amostras de tecido. Os modelos de machine learning aprendem primeiro com um grande conjunto de dados representativo. A rotulagem dos dados é outra etapa demorada, principalmente nesse caso, em que podem ser necessárias milhares de imagens de amostras de tecido para treinar um modelo preciso. A AstraZeneca usa o Amazon SageMaker Ground Truth, um serviço de rotulagem e anotação de dados baseado em machine learning para automatizar algumas das partes mais tediosas desse trabalho, resultando em uma redução do tempo gasto na catalogação de amostras em pelo menos 50%.

A equipe de IA da T-Mobile está integrando a IA e o machine learning aos sistemas de nossos centros de atendimento ao cliente, permitindo que nossa equipe de especialistas atenda aos clientes com maior velocidade e precisão por meio de modelos de compreensão de linguagem natural que mostram informações relevantes e contextuais do cliente em tempo real. A rotulagem de dados tem sido fundamental para a criação de modelos de alto desempenho, mas também é uma tarefa monótona para nossos cientistas de dados e engenheiros de software. O SageMaker Ground Truth torna o processo de rotulagem de dados fácil, eficiente e acessível, liberando tempo para que eles se concentrem no que gostam de fazer: criar produtos que ofereçam as melhores experiências para nossos clientes e representantes de atendimento.

O Pinterest está desenvolvendo continuamente sistemas de machine learning para detectar objetos na pesquisa visual e em casos de uso de moderação. Para fazer isso, precisamos rotular milhões de imagens para gerar os conjuntos de dados de treinamento necessários. O Pinterest tem uma plataforma de rotulagem existente que integrou os serviços da Amazon, como o Amazon Mechanical Turk. Ficamos entusiasmados com o uso do SageMaker Ground Truth na ampliação dessa plataforma para apoiar as tarefas de rotulagem de caixas delimitadoras. Descobrimos que o SageMaker Ground Truth fornece uma interface simples e descomplicada para iniciar os trabalhos de rotulagem. Trabalhamos em estreita colaboração com a equipe da AWS para adaptar o SageMaker Ground Truth ao nosso conjunto de dados exclusivo e esperamos integrar o SageMaker Ground Truth à nossa plataforma de rotulagem de dados.

A Change Healthcare, uma empresa líder em tecnologia de saúde, desempenha um papel vital em ajudar o ecossistema de saúde não apenas a funcionar, mas também a trabalhar de forma mais inteligente. Nossa equipe de IA está procurando uma solução que possa rotular parágrafos de texto de forma eficiente, para que possamos anotar dados de saúde altamente não estruturados que antes não podiam ser modelados. O SageMaker Ground Truth e sua integração com o SageMaker facilitou o uso com implantações rápidas de equipes e nos permite iniciar tarefas de rotulagem com muito pouco esforço, o que nos ajuda a tornar o sistema de saúde mais eficiente.

A AWS continua demonstrando um enorme compromisso em promover o machine learning para todos os desenvolvedores. O SageMaker Ground Truth consolida o cenário fragmentado dos serviços de rotulagem de dados com uma solução de rotulagem simples e bem executada. Conseguimos integrar rapidamente a ferramenta em nosso pipeline de treinamento e estamos empolgados em ver como sua evolução impactará ainda mais nossos negócios.

Somos especializados em criar soluções de IA e levá-las aos nossos clientes para resolver problemas de seus negócios. Acreditamos que o SageMaker Ground Truth se tornará uma parte fundamental de nossos esforços para oferecer soluções de IA de ponta para nossos clientes. Ele fornece vários recursos poderosos que nos ajudam a gerar conjuntos de dados de treinamento precisos. O modelo “traga sua própria equipe de rotulagem” com a escolha de modelos de rotulagem nos permite integrar nosso pessoal com segurança e facilidade em grande escala. Estamos ansiosos para usar o SageMaker Ground Truth em nosso portfólio de soluções de IA.

A ascensão da IA transformou a forma como os empregadores buscam talentos e os candidatos encontram trabalho. O algoritmo baseado em IA do ZipRecruiter aprende o que cada empregador está procurando e fornece um conjunto personalizado e selecionado de candidatos altamente relevantes. Do outro lado do mercado, a tecnologia da empresa associa os candidatos às vagas mais pertinentes. E para fazer tudo isso com eficiência, precisávamos de um modelo de machine learning para extrair dados relevantes automaticamente dos currículos enviados. Treinar um modelo de machine learning para identificar as informações mais importantes requer um conjunto de dados considerável para começar. O processo para criar esses dados geralmente é caro, manual e demorado. O Amazon SageMaker Ground Truth nos ajudará significativamente a reduzir o tempo e o trabalho necessários para criar conjuntos de dados de treinamento. Devido à natureza confidencial dos dados, inicialmente consideramos usar uma de nossas equipes, mas isso tiraria algum tempo de suas tarefas regulares e levaria meses para coletar os dados de que precisávamos. Usando o Amazon SageMaker Ground Truth, contratamos a iMerit, uma empresa de rotulagem profissional que foi pré-selecionada pela Amazon, para ajudar no projeto de anotação personalizada. Com a ajuda deles, conseguimos coletar milhares de anotações em uma fração do tempo que seria necessário usando nossa própria equipe.

Na Tyson Foods, estamos engajados na produção de alimentos, buscando a verdade e a integridade e comprometidos em criar valor para nossos acionistas, clientes, membros da equipe e comunidades. Para cumprir essa promessa e fornecer produtos da mais alta qualidade aos clientes, implementamos inspeções manuais para detectar problemas de qualidade do produto, incluindo coisas como espaços vazios, peças queimadas ou deformadas, além de inspeções de equipamentos, como vazamentos em correias transportadoras, para detectar problemas antecipadamente. No entanto, como esses problemas são anômalos, é muito difícil ou impossível coletar imagens para o treinamento de modelos de machine learning. Além disso, muitas vezes nos deparamos com um gargalo de dados de treinamento de rotulagem específicos para nossos processos e ambiente. Em alguns casos, a rotulagem é muito entediante e propensa a erros, levando a um desempenho ruim do modelo de machine learning. O Amazon SageMaker Ground Truth representa uma grande promessa para nós, pois nos permite enfrentar cada um desses desafios. A geração de dados sintéticos nos permitirá treinar modelos altamente precisos para automatizar os pontos de inspeção de produtos e equipamentos. Isso também pode reduzir o tempo de resposta dos dados rotulados, permitindo treinar modelos com mais rapidez e, ao mesmo tempo, melhorar a precisão. O SageMaker Ground Truth está abrindo caminhos para lidar com casos de uso que eram praticamente impossíveis de resolver com visão computacional no passado devido à falta de exemplos de dados.

Nossos clientes precisam poder selecionar mais produtos por dia. Enfrentando a escassez de mão de obra e o aumento do volume, eles geralmente desejam incorporar soluções de indução e outras soluções rapidamente para atender às demandas. As tecnologias da Plus One Robotics são desenvolvidas para lidar com a variabilidade dos itens manuseados no depósito. Novos SKUs podem aparecer raramente no início e em determinadas circunstâncias. O uso de dados sintéticos nos permite pré-treinar nossos sistemas para lidar com a grande variedade de cenários previstos que eventualmente encontraremos. Usamos o Amazon SageMaker Ground Truth para gerar dezenas de milhares de imagens rotuladas e fotorrealistas de pacotes de várias transportadoras, pose de modelagem, posicionamento e até variações de superfície, como adesivos ou rótulos. Essas imagens demonstraram melhorias em nossa visão de IA. As imagens sintéticas nos permitem treinar sistemas com melhor desempenho com mais rapidez, em virtude de sua integridade e exatidão, permitindo que pulemos as tediosas etapas de anotação e limpeza de dados. Esses dados são usados em aplicações de indução da vida real para facilitar mais de 1 milhão de seleções por dia para nossos clientes.

A Universidade de Washington e a Amazon lançaram uma colaboração conhecida como Science Hub para promover a inteligência artificial e a robótica na pesquisa aberta. Em um de nossos projetos, estamos usando o machine learning (ML) para criar modelos 3D do mundo com base em um ponto de vista de uma única câmera, o que permitiria aos sistemas robóticos entender seu ambiente. No entanto, obter acesso a grandes volumes de dados de treinamento do mundo real é sempre um desafio para projetos de ML. Estamos entusiasmados com a promessa do Amazon SageMaker Ground Truth, de que poderemos gerar de forma rápida e fácil milhares de imagens rotuladas e fotorrealistas, sem o processo demorado e propenso a erros de rotular imagens manualmente. Nos estágios iniciais de nossa pesquisa, o SageMaker Ground Truth permitirá que nossa equipe de pesquisa se concentre na competência essencial e no objetivo principal da pesquisa de desenvolver novas tecnologias, e não na curadoria do conjuntos de dados.