Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
# Utilisation du schéma JSON pour les conditions d'activation de boucle humaine avec Amazon Rekognition
Lorsqu'elle est utilisée avec Amazon A2I, l’opération Amazon Rekognition `DetectModerationLabels` prend en charge les entrées suivantes dans les paramètres `ConditionType` :
+ `ModerationLabelConfidenceCheck` Utilisez ce type de condition pour créer une boucle humaine lorsque la fiabilité de l'inférence est faible pour une ou plusieurs étiquettes spécifiées.
+ `Sampling` Utilisez cette condition pour spécifier un pourcentage de toutes les inférences à soumettre à vérification humaine. Utilisez cette condition pour effectuer les opérations suivantes :
+ Auditer votre modèle ML en effectuant un échantillonnage aléatoire de toutes les inférences de votre modèle et en soumettant un pourcentage spécifié à vérification humaine.
+ En utilisant la condition `ModerationLabelConfidenceCheck`, effectuez un échantillonnage aléatoire d'un pourcentage des inférences qui ont rempli les conditions spécifiées dans `ModerationLabelConfidenceCheck` pour démarrer une boucle humaine et soumettre à vérification humaine uniquement le pourcentage spécifié.
**Note**
Si vous envoyez la même demande à `DetectModerationLabels` plusieurs fois, le résultat de `Sampling` ne changera pas pour l'inférence de cette entrée. Par exemple, si vous effectuez une demande `DetectModerationLabels` une fois, et que `Sampling` n'initie pas de boucle humaine, les demandes suivantes adressées à `DetectModerationLabels` avec la même configuration n'initieront pas de boucle humaine.
Lorsque vous créez une définition de flux, si vous utilisez le modèle de tâche de collaborateur par défaut fourni dans la section **Workflows de révision humaine** de la console Amazon SageMaker AI, les inférences envoyées pour examen humain selon ces conditions d'activation sont incluses dans l'interface utilisateur du travailleur lorsqu'un collaborateur ouvre votre tâche. Si vous utilisez un modèle de tâche d'employé personnalisé, vous devez inclure l'élément HTML personnalisé `` pour accéder à ces inférences. Pour obtenir un exemple de modèle personnalisé utilisant cet élément HTML, consultez [Exemple de modèle personnalisé pour Amazon Rekognition](a2i-custom-templates.md#a2i-custom-templates-rekognition-sample).
## `ModerationLabelConfidenceCheck` Entrées
Pour `ModerationLabelConfidenceCheck` `ConditionType`, les `ConditionParameters` suivants sont pris en charge :
+ `ModerationLabelName`— Le nom exact (distinguant majuscules et minuscules) d'une personne [ModerationLabel](https://docs.aws.amazon.com/rekognition/latest/dg/API_ModerationLabel.html)détectée par l'opération Amazon Rekognition. `DetectModerationLabels` Vous pouvez spécifier la valeur passe-partout spéciale (\*) pour indiquer n'importe quelle étiquette de modération.
+ `ConfidenceEquals`
+ `ConfidenceLessThan`
+ `ConfidenceLessThanEquals`
+ `ConfidenceGreaterThan`
+ `ConfidenceGreaterThanEquals`
Lorsque vous utilisez `ModerationLabelConfidenceCheck` `ConditionType`, Amazon A2I envoie des inférences d'étiquette pour les étiquettes que vous avez spécifiées dans `ModerationLabelName` afin qu'elles soient soumises à vérification humaine.
## Entrées d'échantillonnage
`Sampling` `ConditionType` prend en charge `RandomSamplingPercentage` `ConditionParameters`. L'entrée du paramètre `RandomSamplingPercentage` doit être un nombre réel compris entre 0,01 et 100. Ce nombre représente le pourcentage d'inférences pouvant faire l'objet d'une vérification humaine et qui sont soumises à vérification humaine. Si vous utilisez la condition `Sampling` sans aucune autre condition, ce nombre représente le pourcentage de toutes les inférences obtenues par une seule demande `DetectModerationLabel` qui sont soumises à vérification humaine.
## Exemples
**Exemple 1 : utilisation de `ModerationLabelConfidenceCheck` avec l'opérateur `And`**
L'exemple suivant d'une condition `HumanLoopActivationConditions` initie une boucle HumanLoop lorsqu'une ou plusieurs des conditions suivantes sont remplies :
+ Amazon Rekognition détecte l'étiquette de modération `Graphic Male Nudity` avec une fiabilité comprise entre 90 et 99.
+ Amazon Rekognition détecte l'étiquette de modération `Graphic Female Nudity` avec une fiabilité comprise entre 80 et 99.
Notez l'utilisation des opérateurs logiques `Or` et `And` pour modéliser cette logique.
Même si une seule des deux conditions sous l’opérateur `Or` doit avoir pour valeur `true` pour qu’une boucle humaine soit créée, l’IA augmentée d’Amazon évalue en fait toutes les conditions. Les vérificateurs humains sont chargés de passer en revue les étiquettes de modération pour toutes les conditions qui équivalaient à `true`.
```
{
"Conditions": [{
"Or": [{
"And": [{
"ConditionType": "ModerationLabelConfidenceCheck",
"ConditionParameters": {
"ModerationLabelName": "Graphic Male Nudity",
"ConfidenceLessThanEquals": 99
}
},
{
"ConditionType": "ModerationLabelConfidenceCheck",
"ConditionParameters": {
"ModerationLabelName": "Graphic Male Nudity",
"ConfidenceGreaterThanEquals": 90
}
}
]
},
{
"And": [{
"ConditionType": "ModerationLabelConfidenceCheck",
"ConditionParameters": {
"ModerationLabelName": "Graphic Female Nudity",
"ConfidenceLessThanEquals": 99
}
},
{
"ConditionType": "ModerationLabelConfidenceCheck",
"ConditionParameters": {
"ModerationLabelName": "Graphic Female Nudity",
"ConfidenceGreaterThanEquals": 80
}
}
]
}
]
}]
}
```
**Exemple 2 : utilisation de `ModerationLabelConfidenceCheck` avec la valeur catch-all (\*) **
Dans l'exemple suivant, en cas de détection d'une étiquette de modération avec une fiabilité supérieure ou égale à 75, une boucle humaine est initiée. Les intervenants humains sont chargés de passer en revue toutes les étiquettes de modération dont les scores de fiabilité sont supérieurs ou égaux à 75.
```
{
"Conditions": [
{
"ConditionType": "ModerationLabelConfidenceCheck",
"ConditionParameters": {
"ModerationLabelName": "*",
"ConfidenceGreaterThanEquals": 75
}
}
]
}
```
**Exemple 3 : Utiliser l'échantillonnage**
Dans l'exemple suivant, 5 % des inférences Amazon Rekognition découlant d'une demande `DetectModerationLabels` sont soumises à vérification humaine. Lorsque vous utilisez le modèle de tâches de travail par défaut fourni dans la console SageMaker AI, toutes les étiquettes de modération renvoyées par Amazon Rekognition sont envoyées aux travailleurs pour examen.
```
{
"Conditions": [
{
"ConditionType": "Sampling",
"ConditionParameters": {
"RandomSamplingPercentage": 5
}
}
]
}
```
**Exemple 4 : utilisation d’un échantillonnage et `ModerationLabelConfidenceCheck` avec l’opérateur `And`**
Dans cet exemple, 5 % des inférences Amazon Rekognition de l'étiquette de modération `Graphic Male Nudity` avec un indice de fiabilité supérieur à 50 sont soumises à vérification humaine. Lorsque vous utilisez le modèle de tâches de travail par défaut fourni dans la console SageMaker AI, seules les inférences de l'`Graphic Male Nudity`étiquette sont envoyées aux travailleurs pour examen.
```
{
"Conditions": [
{
"And": [
{
"ConditionType": "Sampling",
"ConditionParameters": {
"RandomSamplingPercentage": 5
}
},
{
"ConditionType": "ModerationLabelConfidenceCheck",
"ConditionParameters": {
"ModerationLabelName": "Graphic Male Nudity",
"ConfidenceGreaterThan": 50
}
}
]
}
]
}
```
**Exemple 5 : utilisation d'un échantillonnage et `ModerationLabelConfidenceCheck` avec l'opérateur `And`**
Utilisez cet exemple pour configurer votre flux de vérification humaine afin qu'il soumette toujours à vérification humaine les inférences de faible fiabilité d'une étiquette spécifiée, ainsi qu'un échantillon d'inférence de haute fiabilité d'une étiquette à un taux spécifié.
Dans l'exemple suivant, une vérification humaine est initiée de l'une des manières suivantes :
+ Les inférences pour l'étiquette de modération `Graphic Male Nudity` dont les scores de fiabilité sont inférieurs à 60 sont toujours soumises à vérification humaine. Seule l'étiquette `Graphic Male Nudity` est soumise à vérification humaine.
+ 5 % de toutes les inférences de l'étiquette de modération `Graphic Male Nudity` dont les indices de fiabilité sont supérieurs à 90 sont soumises à vérification humaine. Seule l'étiquette `Graphic Male Nudity` est soumise à vérification humaine.
```
{
"Conditions": [
{
"Or": [
{
"ConditionType": "ModerationLabelConfidenceCheck",
"ConditionParameters": {
"ModerationLabelName": "Graphic Male Nudity",
"ConfidenceLessThan": 60
}
},
{
"And": [
{
"ConditionType": "Sampling",
"ConditionParameters": {
"RandomSamplingPercentage": 5
}
},
{
"ConditionType": "ModerationLabelConfidenceCheck",
"ConditionParameters": {
"ModerationLabelName": "Graphic Male Nudity",
"ConfidenceGreaterThan": 90
}
}
]
}
]
}
]
}
```
**Exemple 6 : utilisation d'un échantillonnage et `ModerationLabelConfidenceCheck` avec l'opérateur `Or`**
Dans l'exemple suivant, une boucle humaine est créée si la réponse d'inférence Amazon Rekognition contient l'étiquette « Nudité masculine explicite (Graphic Male Nudity) » avec une fiabilité d'inférence supérieure à 50. De plus, 5 % de toutes les autres inférences initient une boucle humaine.
```
{
"Conditions": [
{
"Or": [
{
"ConditionType": "Sampling",
"ConditionParameters": {
"RandomSamplingPercentage": 5
}
},
{
"ConditionType": "ModerationLabelConfidenceCheck",
"ConditionParameters": {
"ModerationLabelName": "Graphic Male Nudity",
"ConfidenceGreaterThan": 50
}
}
]
}
]
}
```