Amazon SageMaker Ground Truth 客户

始终需要人工验证或让人类参与其中，以帮助您引导模型朝着正确的方向发展。

借助 Amazon SageMaker Ground Truth，我们能够通过生成和汇总文档数据来改善业务运营，加快产品上市速度、节省生产时间，并实现更高的响应准确性和性能。借助 Ground Truth Plus 团队的力量，我们成功为员工和客户推出了由 GenAI 驱动的问答与摘要服务，该服务符合人类的喜好。

获得高质量的标注数据集对于我们的生成式人工智能模型的成功至关重要。得益于 Amazon SageMaker Ground Truth Plus，我们能够快速生成标注视频，并加快生成式人工智能模型的微调过程。直到今天，我们尝试构建内部数据标注用户界面仍然既昂贵又耗时，而且我们的数据科学家每天花费一个多小时来标注数据。借助 Amazon SageMaker Ground Truth Plus，我们能够在 1 个月而不是 1 年的时间内将高质量的标注视频数量从 100 个提高到 10 万个。这为数据科学家节省了大约 1000 小时，相当于 20 万美元的成本，并显著提高了团队的生产效率以及生成式人工智能模型的质量和准确性。

基于机器学习的多模态感知算法需要使用大量标注数据进行持续训练和验证，确保可靠和安全的驾驶系统。我们使用 Amazon SageMaker Ground Truth Plus 数据标注服务来标注数千英里的真实数据，这使我们能够非常自信地训练这些模型。得益于 Amazon SageMaker Ground Truth Plus，我们能够遵照严格的开发时间表，并标注数百万个真实对象，这些对象的交付质量目标为 99％ 或更高。这些对时间和质量敏感的交付成果使我们的多传感器学习感知模型的精度提高了 8%，召回率提高了 2%。

在 NFL，我们继续寻找使用机器学习的新方法，以帮助球迷、广播公司、教练和球队从更深入的见解中受益。足球是一项快速移动的运动，比赛可以在瞬间发生。虽然教练和裁判会仔细观看比赛，但为了安全起见，可能很难在场上观察所有球员。计算机视觉使我们能够准确检测球员安全事件，但是开发这些算法需要采用专业标注的数据。现在，借助 Amazon SageMaker Ground Truth Plus，我们为复杂的标注任务提供了自定义工作流和用户界面，这有助于改善球员的安全状况。

在 Airbnb，我们越来越多地将机器学习整合到业务的各个方面。因此，我们的团队始终需要生成和维护高质量数据来训练和测试机器学习模型。我们一直在寻找一种方法，可以基于十万段普通话客户服务日志生成高质量文本分类数据结果，从而更好地服务客户，并减少对客户服务团队的依赖。借助 Amazon SageMaker Ground Truth Plus，AWS 团队构建了自定义数据标注工作流，其中包括一个能够实现 99% 分类准确度的自定义机器学习模型。

在 Samsara，我们正在推动实体运营的数字化转型。借助互联运营云，依赖实体运营的公司可以利用物联网数据、分析和人工智能来获得可行的见解，提高运营的安全性、效率和可持续性。借助 Amazon SageMaker Ground Truth Plus，我们能够接收高质量标注数据，并获得专门设计的工具，这些工具旨在进一步提高检测和应对安全风险的能力。

在 VIZIO，我们一直在寻找利用机器学习为客户创造个性化体验的方法。我们一直在寻找一种方法，以持续审查广告视频并生成商业元数据，从而实现高效的广告分类。借助 Amazon SageMaker Ground Truth Plus 的直播功能，我们现在可以使用自定义模板，这种模板提供视频分类、元数据收集以及支持通过广告直播实时收集数据的自动化系统。借助 Amazon SageMaker Ground Truth Plus，我们能够在不到 1 个工作日内审查所有结果。

对我们来说，机器学习给无形的挑战带来了光明。仅在美国，每年就花费数十亿美元清理垃圾。借助计算机视觉模型，我们将世界各地的垃圾图像转换为数据，从而使城市可以更好地分配垃圾管理资源。但是，由于数据集遍布全球，构建对象检测模型需要访问对象、材料和品牌信息以及本地化知识。Amazon SageMaker Ground Truth Plus 使我们能够创建分层注释界面，在本地化环境中捕获这些精确特征。此外，SageMaker Ground Truth Plus 的专家团队创建了本地化图像注释，这提供了一个标准化解决方案，将数据标注效率提高了多达 20%，将带注释的结果摄入数据库的能力提高了 200%，并将后处理时间缩短了 90%。

我们的目标是使 Canvas AMR 能够在动态仓库环境中导航，跟踪周围的障碍物和移动对象，并规划前往目的地的安全高效路线。为实现这一目标，高效地大规模获取机器人周围移动对象的 3D 跟踪注释至关重要。我们与 Amazon ML Solutions Lab 合作，使用 Amazon SageMaker Ground Truth 在短短几周内构建了可扩展的 3D 点云对象跟踪管道。这个管道可以将标注时间缩短 6 至10 倍，并加快注释进度，令人印象深刻。

PrecisionHawk 是企业无人机技术的领先提供商。我们的端到端平台利用人工智能和机器学习将航空数据转化为可行的商业智能。作为该解决方案的一部分，我们正在训练自定义模型，以识别关键对象和异常，从而提高关键资产检查的精度和速度。要为这些模型生成训练数据集，我们需要标注大量数据并确保标注准确无误。Amazon SageMaker Ground Truth 在帮助我们实现这些目标方面发挥了重要作用。首先，它提供了一个直观的用户界面用于启动标注作业，使用户快速入门。此外，该服务还为设计和部署客户特定的标注工作流提供了可扩展性。Amazon SageMaker Ground Truth 将继续成为我们未来人工智能计划的重要组成部分。

AstraZeneca 一直在研究和开发的各个阶段尝试机器学习，最近一次是在病理学领域，旨在加快组织样本的审查。机器学习模型首先从一个具有代表性的大型数据集中学习。标注数据是另一个耗时的步骤，尤其是在这种情况下，可能需要成千上万张组织样本图像才能训练出准确的模型。AstraZeneca 使用 Amazon SageMaker Ground Truth，这是一项由机器学习驱动的人机闭环数据标注和注释服务，将这项工作中最繁琐的部分自动化，从而将样本编目所花费的时间降低至少 50%。

T-Mobile 的人工智能团队正在将人工智能和机器学习集成到客户关怀中心的系统中，使专家团队能够通过自然语言理解模型以更快的速度和准确性为客户提供服务，该模型实时向团队成员显示相关的情境客户信息。标注数据一直是创建高性能模型的基础，但对于我们的数据科学家和软件工程师来说，这也是一项单调的任务。SageMaker Ground Truth 使数据标注过程变得简单、高效且易于访问，使他们能够腾出时间专注于自己热衷的领域——打造能够为我们的客户和关怀代表提供最佳体验的产品。

Pinterest 一直在开发机器学习系统，以检测视觉搜索和审核使用案例中的对象。为此，我们需要标注数百万张图像，以生成所需的训练数据集。Pinterest 现在拥有一个标注平台，该平台集成了 Amazon 的服务，例如 Amazon Mechanical Turk。我们很高兴探索使用 SageMaker Ground Truth 来扩展该平台，以支持边界框标注任务。我们发现 SageMaker Ground Truth 提供了一个简单、简化的界面来启动标注作业。我们与 AWS 团队密切合作，根据我们独特的数据集量身定制 SageMaker Ground Truth，并期待将 SageMaker Ground Truth 与我们的数据标注平台整合。

Change Healthcare 是一家领先的医疗保健技术公司，在帮助医疗保健生态系统正常运作且更智能地工作方面发挥着至关重要的作用。我们的人工智能团队正在寻找一种能够高效标注文本段落的解决方案，以便对以前无法建模的高度非结构化的健康数据进行注释。借助 SageMaker Ground Truth 及其与 SageMaker 的集成，我们能够快速部署员工，并轻松启动标注任务，最终帮助我们提高医疗保健系统的效率。

AWS 继续做出重大承诺，致力于为所有开发人员提供机器学习。SageMaker Ground Truth 通过简单且执行良好的标注解决方案整合了数据标注服务的分散局面。我们很快就能够将该工具集成到我们的培训管道中，并且很高兴看到它的发展将如何对我们的业务产生进一步影响。

我们专注于构建人工智能解决方案，并将这些解决方案提供给客户，以解决其业务问题。我们相信，SageMaker Ground Truth 将成为我们努力为客户提供尖端人工智能解决方案的关键部分。它提供了许多强大的功能，可以帮助我们生成准确的训练数据集。“自带标注员工”和标注模板的选择使我们能够轻松且大规模地安全加入我们的团队。我们期待在人工智能解决方案组合中使用 SageMaker Ground Truth。

人工智能的兴起改变了雇主寻找人才和求职者找工作的方式。ZipRecruiter 的人工智能驱动算法了解每个雇主在寻找什么，并提供一组个性化、精心挑选的高度相关的候选人。另一方面，在市场上，该公司的技术将求职者与最相关的职位相匹配。为高效完成所有这些工作，我们需要一个机器学习模型来自动从上传的简历中提取相关数据。训练机器学习模型以识别最重要的信息，首先需要一个大型数据集。创建这些数据的过程通常是成本高昂的、手动的且耗时的。Amazon SageMaker Ground Truth 将帮助我们大大减少创建训练数据集所需的时间和精力。由于数据的机密性质，我们最初考虑使用我们的一个团队，但这会占用他们的日常任务时间，而且收集我们需要的数据也需要花费数月时间。借助 Amazon SageMaker Ground Truth，我们聘用了经过 Amazon 预先筛选的专业标注公司 iMerit 来协助自定义注释项目。在他们的帮助下，我们仅花费使用自己的团队所需时间的一小部分，便收集到数千条注释。

Tyson Foods 从事食品生产，追求真理和诚信，并致力于为我们的股东、客户、团队成员和社区创造价值。为了兑现这一承诺并为客户提供最优质的产品，我们安排了人工检查以检测产品质量问题，包括面包气孔、烤糊或变形，并安排了设备检查，例如传送带泄漏，以尽早发现问题；但是，由于这些问题是异常的，因此很难或无法收集机器学习模型训练的图像。此外，我们在标注特定于我们的流程和环境的训练数据时经常会遇到瓶颈。在某些情况下，标注非常繁琐且容易出错，从而导致机器学习模型性能不佳。Amazon SageMaker Ground Truth 为我们带来了巨大希望，使我们能够应对所有这些挑战。生成合成数据将使我们能够训练高度准确的模型，实现产品和设备检查点的自动化。这还可以缩短标注数据的周转时间，使我们能够更快地训练模型，同时提高准确性。SageMaker Ground Truth 正在为解决过去由于缺乏示例数据而几乎无法通过计算机视觉解决的使用案例开辟道路。

我们的客户每天需要完成更多分拣任务。面对劳动力短缺和产量激增，他们通常希望快速采用入职培训和其他解决方案来满足需求。Plus One Robotics 的技术旨在解决仓库中所处理物品的可变性。新 SKU 可能一开始很少出现，而且是在某些情况下才出现。使用合成数据使我们能够对系统进行预训练，以应对最终会遇到的各种预期场景。我们使用 Amazon SageMaker Ground Truth 生成了成千上万张逼真的标注包裹图像，这些图像来自不同承运人、建模姿态、位置，甚至是贴纸或标签等表面变化。这些图像展示了人工智能视觉的改善。合成图像凭借其完整性和准确性，使我们能够跳过繁琐的数据注释和清理步骤，更快地训练出性能更好的系统。这些数据用于现实生活中的感应应用，促使我们的客户每天的分拣量超过 100 万件。

华盛顿大学和 Amazon 启动了一项名为科学中心的合作，旨在推动开放研究中的人工智能和机器人技术。在其中一个项目中，我们正基于单一摄像机视角，使用机器学习 (ML) 构建世界的 3D 模型，这将使机器人系统能够了解其环境。但是，对于机器学习项目来说，获得大量的真实训练数据始终是一项挑战。我们对 Amazon SageMaker Ground Truth 的承诺感到兴奋，由此，我们可以快速且轻松地生成数千张逼真的标注图像，而无需进行手动标注图像这一耗时且容易出错的过程。在我们研究的早期阶段，SageMaker Ground Truth 将使我们的研究人员能够专注于开发新技术的核心竞争力和主要研究目标，而不是数据集策划。