Amazon SageMaker Ground Truth 客戶

我們在管理 LLM 輸出並在我們保證的 SLA 範圍內接收高品質資料的過程中，需要進行大量的標記和標註。Amazon SageMaker Ground Truth Plus 已成為我們的大型語言模型不可或缺的一部分。

人工驗證或是人工參與始終很重要，這可以幫助您將模型轉向正確的方向。

透過 Amazon SageMaker Ground Truth，我們能夠藉由從文件產生和總結的資料來改善業務運營，並加快上市時間，節省生產時數，並透過回應來實現更高的準確性和效能。透過利用 Ground Truth Plus 員工，我們為員工和客戶推出一個 GenAI 支援的問與答和總結，且與人類偏好一致。

取得高品質的標記資料集，對我們生成式 AI 模型的成功與否至關重要。端賴 Amazon SageMaker Ground Truth Plus，我們才能快速產生標記影片，並加速處理生成式 AI 模型的微調。以往，我們建置內部資料標記 UI 的嘗試代價高昂且耗時，且資料科學家每天標記資料的工時達到一小時以上。借助於 Amazon SageMaker Ground Truth Plus，我們得以在 1 個月內 (而非 1 年)，從 100 個高品質標記影片擴展到 10 萬個。據估計，我們的資料科學家藉此省下了 1000 小時、20 萬美元的成本，並顯著提高了團隊生產力，以及生成式 AI 模型的品質與精確性。

我們以機器學習為基礎的多模式感知演算法需要使用大量標記資料持續接受訓練及驗證，以確保維持可靠且安全的駕駛系統。我們使用 Amazon SageMaker Ground Truth Plus 資料標記服務標記了數千英哩的實際環境資料，因而能夠以極高的信心來訓練這些模型。拜 Amazon SageMaker Ground Truth Plus 之賜，我們得以維持高企圖心的開發時間表，並且標記了數百萬個實際環境物件，且交付的品質目標高達 99% 或更高。這些對時間和品質要求嚴苛的交付為我們的多感應器學習感知模型提高了 8% 的精確性和 2% 的召回率。

在 NFL，我們持續尋找使用機器學習的新方法，以協助我們的球迷、轉播單位、教練和球隊獲益於更深入的洞察。美式足球是一項極為動態的運動，賽況激烈且瞬息萬變。雖然教練和裁判都仔細觀看比賽，但要監看場上所有球員的安全性，並不容易。電腦視覺讓我們能夠精準偵測球員安全事件，但開發這些演算法需要專業標記資料。現在，Amazon SageMaker Ground Truth Plus 為我們提供了用於複雜標記任務的自訂工作流程和使用者介面，並協助我們改善球員的安全。

在 Airbnb，ML 正逐漸融入我們業務的各個方面。因此，團隊一直都需要產生及維護高品質的資料，以訓練和測試 ML 模型。我們正在尋找適當方法，以根據中文客戶服務日誌的十萬個段落產生高品質的文字分類資料結果，讓我們能為客戶提供更好的服務，並降低對客戶服務團隊的依賴。透過 Amazon SageMaker Ground Truth Plus，AWS 團隊建置了自訂資料標記工作流程，其中包括可達到 99% 分類精準度的自訂 ML 模型。

在 Samsara，我們正在推動實體營運的數位轉型。借助我們的 Connected Operations Cloud，依賴實體營運的公司可利用 IoT 資料、分析和 AI 來開發可行的洞察，並提高其安全性、效率與永續性。透過 Amazon SageMaker Ground Truth Plus，我們得以獲取高品質的標記資料，並存取專用工具以進一步提高我們偵測及解決安全風險的能力。

在 VIZIO，我們一直在設法運用 ML 為客戶創造個人化體驗。我們希望能有方法可持續審查廣告影片並產生商業中繼資料，以便有效進行廣告分類。借助於 Amazon SageMaker Ground Truth Plus 的串流功能，我們現在可以使用自訂範本，其中提供影片分類、中繼資料收集和自動化系統，可在廣告播放時即時收集資料。透過 Amazon SageMaker Ground Truth Plus，我們得以在 1 個工作日以內審查結果。

在我們面臨未知挑戰時，機器學習帶來了一道曙光。單就美國而言，每年的垃圾清理費用就高達數十億美元。透過電腦視覺模型，我們將世界各地垃圾的影像轉換為資料，讓城市可以更妥善地分配垃圾管理資源。然而，建置物件偵測模型需要存取物件、材料和品牌資訊，且由於資料集分散於世界各地，因此也需要本地化知識。Amazon SageMaker Ground Truth Plus 讓我們得以建立階層式註釋介面，以擷取本地化內容中的這些精確特徵。此外，SageMaker Ground Truth Plus 專家建立了本地化影像註釋，藉以提供標準化解決方案，使得資料標記效率提高多達 20%，將註釋的結果擷取到資料庫中的能力加快了 200%，且後處理時間縮短了 90%。

我們的目標是要讓 Canvas AMR 能夠在動態倉儲環境中巡航、記錄周圍的障礙物和移動物件，並規劃安全有效的路線前往目的地。為此，有效率地大規模獲取對機器人周圍移動物件的 3D 追踪註釋，是非常重要的。我們與 Amazon ML 解決方案實驗室合作，使用 Amazon SageMaker Ground Truth 在短短幾週內建置了可擴展的 3D 點雲端物件追蹤管道。這個管道可將標記時間縮短 6-10 倍，並加快我們的註釋進度，效果實在驚人。

PrecisionHawk 是企業無人機技術的領導供應商。我們的端對端平台利用 AI 和機器學習，將航空資料轉換為可行的商業智慧。作為此解決方案的一部分，我們訓練自訂模型以識別重要物件和異常狀況，藉此提高關鍵資產檢查的精確性與速度。為了產生這些模型的訓練資料集，我們需要標記各種資料，並確保標籤的精確性。Amazon SageMaker Ground Truth 是我們實現目標的一大助力。首先，此服務提供了直觀的使用者介面，讓標記工作得以迅速展開。此外，此服務也提供可擴展性，據以設計和部署客戶特定的標記工作流程。Amazon SageMaker Ground Truth 在我們未來的 AI 計畫中將繼續擔當要角。

AstraZeneca 持續在研究和開發的各個階段以機器學習進行實驗，并且近期在病理學方面展開實驗，以加速組織樣本的審查。機器學習模型首先會從具代表性的大型資料集中學習。標記資料是另一個耗時的步驟，尤其是在此案例中，可能需要數千個組織樣本影像，才能訓練出精準的模型。AstraZeneca 使用 Amazon SageMaker Ground Truth，這是一項採用機器學習技術的人工參與資料標記和註釋服務，用以自動執行這項工作中一些最繁瑣的部分，使編目樣本所需的時間因而縮短了至少 50%。

AI @ T-Mobile 團隊正在將 AI 和機器學習整合到客戶服務中心的系統中，讓我們的專家團隊能夠透過會即時顯示相關且提供情境之客戶資訊的自然語言理解模型，更快速且精準地為客戶提供服務。標記資料是建立高效模型的基礎，但對我們的資料科學家和軟體工程師而言，也是一項單調的任務。SageMaker Ground Truth 使資料標記程序變得簡單、高效且易於存取，讓相關員工可將時間投注於自己喜歡的工作 – 打造為客戶和客服代表提供最佳體驗的產品。

Pinterest 正在不斷開發機器學習系統，以偵測用於視覺搜尋和仲裁使用案例的物件。為實現此目標，我們需要標記數百萬個影像以產生所需的訓練資料集。Pinterest 擁有現成的標記平台，而該平台整合了諸如 Amazon Mechanical Turk 的 Amazon 服務。我們很高興可以探索使用 SageMaker Ground Truth 擴展此平台以支援週框方塊標記任務。我們發現 SageMaker Ground Truth 提供了簡單、簡化的介面來啟動標記任務。我們與 AWS 團隊密切合作，為我們獨特的資料集自訂 SageMaker Ground Truth，並可望將 SageMaker Ground Truth 與我們的資料標記平台整合。

Change Healthcare 是一家卓越的醫療保健技術公司，不僅協助醫療保健生態系統順利運作，在智慧工作方面也扮演要角。我們的 AI 團隊正在尋找可有效標記文字段落的解決方案，以便我們能夠註釋過去無法建模的高度非結構化健康資料。透過 SageMaker Ground Truth 及其與 SageMaker 的整合，我們可以輕鬆搭配使用快速的人力部署，因而無需耗費大量精力即可啟動標記任務，最終提高醫療保健系統的效率。

AWS 持續展現堅定承諾，讓所有開發人員享有機器學習功能。SageMaker Ground Truth 利用簡單而妥善執行的標記解決方案，將不同樣態的資料標記服務整合。我們得以迅速將該工具整合到訓練管道中，並樂見其演變對我們的業務產生進一步的影響。

我們全心建置 AI 解決方案，並將其提供給客戶，用以解決他們的商業問題。我們相信，SageMaker Ground Truth 將成為我們為客戶提供最新 AI 解決方案的關鍵助力。它提供了許多強大功能，協助我們產生精準的訓練資料集。「自備標記人力」附有標記範本選項，讓我們能夠輕鬆、大規模且安全地布設團隊。我們期待在 AI 解決方案產品組合中使用 SageMaker Ground Truth。

AI 的興起，改變了雇主尋求人才和求職者尋找工作的方式。ZipRecruiter 採用 AI 技術的演算法會學習每個雇主所尋找的人才類型，並提供一組個人化、精選且高度相關的候選人。在市場的另一端，該公司的技術則會媒合求職者與最相關的工作。為了有效率地做到這一切，我們需要一個機器學習模型，用以自動從上傳的履歷中擷取相關資料。要訓練能夠識別關鍵資訊的機器學習模型，首先必須要有龐大的資料集。建立這些資料的過程往往成本昂貴、需要手動執行，且十分耗時。Amazon SageMaker Ground Truth 可大幅減少建立訓練資料集所需的時間和精力。由於資料具機密性，我們最初考慮採用自身的團隊，但這會占用他們執行常規任務的時間，且要耗費幾個月才能收集到我們所需的資料。透過 Amazon SageMaker Ground Truth，我們洽詢了一家經過 Amazon 預先篩選的專業標記公司 iMerit，協助我們進行自訂註釋專案。在其協助下，我們得以在短時間內收集到數千個註釋，遠比採用我們自己的團隊省時。

在 Tyson Foods，我們從事食品生產，追求真實與誠信，並致力為股東、客戶、團隊成員和社區創造價值。為了實現此一承諾，並且為客戶提供最高品質的產品，我們設置了手動檢查以偵測產品品質問題 (包括食品缺漏、燒焦或變形)，並設有設備檢查 (例如輸送帶斷裂) 以及早偵測問題；然而，由於這些問題並不常見，因此我們難以、甚至無法收集機器學習模型訓練所需的影像。此外，我們程序和環境特有的標記訓練資料常會出現瓶頸。在某些情況下，標記非常繁瑣且容易出錯，因而導致機器學習模型效能不佳。Amazon SageMaker Ground Truth 是我們堅強的後盾，讓我們能夠藉此克服這每一項挑戰。產生綜合資料可讓我們訓練高精確度的模型，以自動化產品和設備檢查點。此外也可縮短標記資料的處理時間，使我們能夠更快速地訓練模型，同時提高精確性。SageMaker Ground Truth 開創了新的途徑，進而得以處理過去因缺少範例資料而幾乎無法透過電腦視覺處理的使用案例。

我們的客戶需要做出更多日常選擇。面對勞動力短缺和數量激增，他們往往會希望快速導入歸納和其他解決方案，以因應需求。Plus One Robotics 的技術旨在因應倉儲中受處理的品項出現的變化。新的 SKU 只會在初期極少數出現，且僅限於特定情況。使用綜合資料可讓我們預先訓練系統，以應對最終會遇到的各種預期情況。我們使用 Amazon SageMaker Ground Truth，針對不同的貨運業者、擺拍姿勢、放置，甚至表層變化 (例如貼紙或標籤)，產生數萬個逼真的標記影像。這些影像展現了我們 AI 視覺的改進。合成影像有其固有的完整性和準確性，可讓我們更快速地訓練出效能更好的系統，而得以跳過繁瑣的資料註釋和清理步驟。這些資料用於現實生活歸納的應用，為我們的客戶每天提供超過 100 萬個選擇。

華盛頓大學和 Amazon 啟動了一項名為 Science Hub 的合作，以期在公開研究中推展人工智慧和機器人技術。針對其中一個專案，我們使用機器學習 (ML) 根據單一攝影機視角建置世界的 3D 模型，使機器人系統能夠了解其周圍的環境。但就 ML 專案而言，存取大量真實的訓練資料向來是項挑戰。我們很感謝 Amazon SageMaker Ground Truth 提供的堅實後盾，讓我們無須經歷耗時且容易出錯的手動標記影像程序，即可輕鬆快速地產生數千個逼真的標記影像。在研究的初期階段，SageMaker Ground Truth 將使我們的研究人員能夠專注於開發新技術的核心能力和主要研究目標，而不是資料集策劃。