Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
# Schema JSON per condizioni attivazione del ciclo umano in IA aumentata Amazon
`HumanLoopActivationConditions` è un parametro di input dell'API [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateFlowDefinition.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateFlowDefinition.html). Questo parametro è una stringa formattata JSON. JSON modella le condizioni secondo cui verrà creato il ciclo umano, quando tali condizioni vengono valutate in base alla risposta di un'API di servizio AI di integrazione (come `Rekognition.DetectModerationLabels` o `Textract.AnalyzeDocument`). Questa risposta è indicata come *inferenza*. Ad esempio, Amazon Rekognition invia un'inferenza di un'etichetta di moderazione con un punteggio di attendibilità associato. In questo esempio, l'inferenza è la migliore stima del modello dell'etichetta appropriata per un'immagine. Per Amazon Textract, l'inferenza viene eseguita sull'associazione tra blocchi di testo (*coppie chiave-valore*), come l'associazione tra `Name:` e `Sue` in un modulo, così come il contenuto all'interno di un blocco di testo, o in *blocco di parole*, come "Name".
Di seguito è riportato lo schema per JSON. Al livello superiore, `HumanLoopActivationConditions` ha un array JSON, `Conditions`. Ogni membro di questo array è una condizione indipendente che, se valutata come `true`, consente a Amazon A2I di creare uno ciclo umano. Ciascuna di queste condizioni indipendenti può essere una condizione semplice o una condizione complessa. Una condizione semplice ha i seguenti attributi:
+ `ConditionType`: questo attributo identifica il tipo di condizione. Ogni API di servizio AI di AWS , che si integra con Amazon A2I, definisce il proprio insieme di `ConditionTypes` consentiti.
+ Rekognition `DetectModerationLabels`: questa API supporta i valori `ModerationLabelConfidenceCheck` e `Sampling` `ConditionType`.
+ Textract `AnalyzeDocument`: questa API supporta i valori `ImportantFormKeyConfidenceCheck`, `MissingImportantFormKey`, e `Sampling` `ConditionType`.
+ `ConditionParameters`: questo è un oggetto JSON che parametrizza la condizione. Il set di attributi consentiti di questo oggetto dipende dal valore di `ConditionType`. Ciascuno `ConditionType` definisce il proprio insieme di `ConditionParameters`.
Un membro dell'array `Conditions` può modellare una condizione complessa. Ciò si ottiene collegando logicamente condizioni semplici con gli operatori logici `And` e `Or` e nidificando le condizioni semplici sottostanti. Sono supportati fino a due livelli di nidificazione.
```
{
"$schema": "http://json-schema.org/draft-07/schema#",
"definitions": {
"Condition": {
"type": "object",
"properties": {
"ConditionType": {
"type": "string"
},
"ConditionParameters": {
"type": "object"
}
},
"required": [
"ConditionType"
]
},
"OrConditionArray": {
"type": "object",
"properties": {
"Or": {
"type": "array",
"minItems": 2,
"items": {
"$ref": "#/definitions/ComplexCondition"
}
}
}
},
"AndConditionArray": {
"type": "object",
"properties": {
"And": {
"type": "array",
"minItems": 2,
"items": {
"$ref": "#/definitions/ComplexCondition"
}
}
}
},
"ComplexCondition": {
"anyOf": [
{
"$ref": "#/definitions/Condition"
},
{
"$ref": "#/definitions/OrConditionArray"
},
{
"$ref": "#/definitions/AndConditionArray"
}
]
}
},
"type": "object",
"properties": {
"Conditions": {
"type": "array",
"items": {
"$ref": "#/definitions/ComplexCondition"
}
}
}
}
```
**Nota**
Le condizioni di attivazione del ciclo umano non sono disponibili per i flussi di lavoro di revisione umana integrati con i tipi di attività personalizzati. Il parametro `HumanLoopActivationConditions` è disabilitato per i tipi di attività personalizzati.
**Topics**
+ [Utilizzare lo schema JSON per condizioni attivazione del ciclo umano con Amazon Textract](a2i-json-humantaskactivationconditions-textract-example.md)
+ [Utilizzare lo schema JSON per condizioni attivazione del ciclo umano con Amazon Rekognition](a2i-json-humantaskactivationconditions-rekognition-example.md)
# Utilizzare lo schema JSON per condizioni attivazione del ciclo umano con Amazon Textract
Se utilizzata con Amazon A2I, l'operazione `AnalyzeDocument` supporta i seguenti input nel parametro `ConditionType`:
+ `ImportantFormKeyConfidenceCheck`: utilizza questa condizione per creare un ciclo umano quando l’attendibilità di inferenza rientra in un intervallo specificato per le chiavi del modulo di documento e i blocchi di parole. Una *chiave di modulo* è qualsiasi parola in un documento associato a un input. L'input è chiamato *valore*. Insieme, le chiavi del modulo e i valori sono indicati come *coppie chiave-valore*. Un *blocco di parole* si riferisce alle parole che Amazon Textract riconosce all'interno di un blocco di testo rilevato. Per ulteriori informazioni sui blocchi di documento Amazon Textract, consulta l'argomento relativo a [documenti e oggetti di blocco](https://docs.aws.amazon.com/textract/latest/dg/how-it-works-document-layout.html) nella *Guida per gli sviluppatori di Amazon Textract*.
+ `MissingImportantFormKey`: utilizza questa condizione per creare un ciclo umano quando Amazon Textract non ha identificato la chiave o i relativi alias associati all'interno del documento.
+ `Sampling`: utilizza questa condizione per specificare una percentuale di inferenze da inviare agli esseri umani per la revisione, indipendentemente dai punteggi di attendibilità. Utilizzare questa condizione per effettuare le seguenti operazioni:
+ Controllare il modello ML campionando casualmente tutte le inferenze del modello e inviando una percentuale specificata agli esseri umani per la revisione.
+ Utilizzando la condizione `ImportantFormKeyConfidenceCheck`, campionare casualmente una percentuale di inferenze che ha soddisfatto le condizioni specificate in `ImportantFormKeyConfidenceCheck` per avviare un ciclo umano e inviare solo la percentuale specificata agli esseri umani per la revisione.
**Nota**
Se invii la stessa richiesta ad `AnalyzeDocument` più volte, il risultato di `Sampling` non cambia per l'inferenza dell'input. Ad esempio, se effettui una richiesta `AnalyzeDocument` una volta e `Sampling` non avvia un ciclo umano, le richieste `AnalyzeDocument` successive con la stessa configurazione non avviano un ciclo umano.
## `ImportantFormKeyConfidenceCheck` input e risultati
`ImportantFormKeyConfidenceCheck` `ConditionType` supporta i seguenti `ConditionParameters`:
+ `ImportantFormKey`: una stringa che rappresenta una coppia chiave-valore rilevata da Amazon Textract che deve essere esaminata dai worker umani. Se il valore di questo parametro è il valore speciale catch-all (\$1), tutte le chiavi sono considerate abbinate alla condizione. Puoi utilizzare questo metodo per modellare il caso in cui una coppia chiave-valore che soddisfi determinate soglie di attendibilità necessiti di revisione umana.
+ `ImportantFormKeyAliases`: un array che rappresenta ortografie alternative o equivalenti logici per la chiave modulo importante.
+ `KeyValueBlockConfidenceEquals`
+ `KeyValueBlockConfidenceLessThan`
+ `KeyValueBlockConfidenceLessThanEquals`
+ `KeyValueBlockConfidenceGreaterThan`
+ `KeyValueBlockConfidenceGreaterThanEquals`
+ `WordBlockConfidenceEquals`
+ `WordBlockConfidenceLessThan`
+ `WordBlockConfidenceLessThanEquals`
+ `WordBlockConfidenceGreaterThan`
+ `WordBlockConfidenceGreaterThanEquals`
Quando usi `ImportantFormKeyConfidenceCheck` `ConditionType`, Amazon A2I invia le inferenze del blocco chiave-valore e del blocco di parole dei blocchi chiave-valore e gli alias associati che hai specificato in `ImportantFormKey` e `ImportantFormKeyAliases` per la revisione umana.
Quando crei una definizione di flusso, se utilizzi il modello di task di lavoro predefinito fornito nella sezione **Human review workflows** della console Amazon SageMaker AI, le inferenze chiave-valore e blocco inviate per la revisione umana da questa condizione di attivazione sono incluse nell'interfaccia utente del lavoratore. Se si utilizza un modello di attività del worker personalizzato, è necessario includere l'elemento `{{ task.input.selectedAiServiceResponse.blocks }}` da cui includere i dati di input del valore iniziale (inferenze) da Amazon Textract. Per un esempio di modello personalizzato che utilizza questo elemento HTML, consulta [Esempio di modello personalizzato per Amazon Textract](a2i-custom-templates.md#a2i-custom-templates-textract-sample).
## `MissingImportantFormKey` input e risultati
`MissingImportantFormKey` `ConditionType` supporta i seguenti `ConditionParameters`:
+ `ImportantFormKey`: una stringa che rappresenta una coppia chiave-valore rilevata da Amazon Textract che deve essere esaminata dai worker umani.
+ `ImportantFormKeyAliases`: un array che rappresenta ortografie alternative o equivalenti logici per la chiave modulo importante.
Quando si utilizza `MissingImportantFormKey` `ConditionType`, se la chiave `ImportantFormKey` o gli alias in `ImportantFormKeyAliases` non sono inclusi nell'inferenza Amazon Textract, tale modulo verrà inviato a un umano per la revisione e non verranno incluse coppie chiave-valore previste. Ad esempio, se Amazon Textract ha identificato solo `Address` e `Phone` in un modulo, ma mancava il `ImportantFormKey` `Name` (nel tipo di condizione `MissingImportantFormKey`) tale modulo sarebbe stato inviato agli esseri umani per la revisione senza alcuna delle chiavi del modulo rilevate (`Address` e `Phone`).
Se utilizzi il modello di task di lavoro predefinito fornito nella console SageMaker AI, viene creata un'attività che chiede ai lavoratori di identificare la chiave e il valore associato. `ImportantFormKey` Se usi un modello di attività del worker personalizzato, devi includere l'elemento HTML `` personalizzato per accedere a queste inferenze.
## Input di campionamento e risultati
Il `Sampling` `ConditionType` supporta il `RandomSamplingPercentage` `ConditionParameters`. L'input per `RandomSamplingPercentage` deve essere un numero reale compreso tra 0,01 e 100. Questo numero rappresenta la percentuale di dati che si qualifica per la revisione umana e sarà inviata agli esseri umani per la revisione. Se usi la condizione `Sampling` senza altre condizioni, questo numero rappresenta la percentuale di tutte le inferenze risultanti calcolata dall'operazione `AnalyzeDocument` da una singola richiesta che verrà inviata agli esseri umani per la revisione.
Se specifichi la condizione `Sampling` senza alcun altro tipo di condizione, tutte le inferenze di blocco e chiave-valore vengono inviate ai worker per la revisione.
Quando si crea una definizione di flusso, se si utilizza il modello di task di lavoro predefinito fornito nella sezione **Human review workflows** della console SageMaker AI, tutte le inferenze chiave-valore e blocco inviate per la revisione umana da questa condizione di attivazione sono incluse nell'interfaccia utente del lavoratore. Se si utilizza un modello di attività del worker personalizzato, è necessario includere l'elemento `{{ task.input.selectedAiServiceResponse.blocks }}` da cui includere i dati di input del valore iniziale (inferenze) da Amazon Textract. Per un esempio di modello personalizzato che utilizza questo elemento HTML, consulta [Esempio di modello personalizzato per Amazon Textract](a2i-custom-templates.md#a2i-custom-templates-textract-sample).
## Esempi
Se per avviare un ciclo umano una sola condizione deve essere valutata su `true`, Amazon A2I valuta tutte le condizioni per ogni oggetto analizzato da Amazon Textract. I revisori umani sono invitati a rivedere le chiavi del modulo importanti per tutte le condizioni che hanno valutato come `true`.
**Esempio 1: rilevare le chiavi di modulo importanti con punteggi di attendibilità in un intervallo specificato che avvia un ciclo umano**
Di seguito è riportato un esempio di un JSON `HumanLoopActivationConditions` che avvia un ciclo umano se una qualsiasi delle seguenti tre condizioni è soddisfatta:
+ L'API `AnalyzeDocument` Amazon Textract restituisce una coppia chiave-valore la cui chiave è uno dei `Employee Name`, `Name` o `EmployeeName`, con la certezza che il blocco chiave-valore è inferiore a 60 e le confidenze di ciascuno dei blocchi di parola che compongono la chiave e il valore sono inferiori a 85.
+ L'API `AnalyzeDocument` Amazon Textract restituisce una coppia chiave-valore la cui chiave è uno dei `Pay Date`, `PayDate`, `DateOfPay` o `pay-date`, con la certezza che il blocco chiave-valore è inferiore a 65 e le confidenze di ciascuno dei blocchi di parola che compongono la chiave e il valore sono inferiori a 85.
+ L'API `AnalyzeDocument` Amazon Textract restituisce una coppia chiave-valore la cui chiave è uno dei `Gross Pay`, `GrossPay` o `GrossAmount`, con la certezza che il blocco chiave-valore è inferiore a 60 e le confidenze di ciascuno dei blocchi di parola che compongono la chiave e il valore sono inferiori a 85.
```
{
"Conditions": [
{
"ConditionType": "ImportantFormKeyConfidenceCheck",
"ConditionParameters": {
"ImportantFormKey": "Employee Name",
"ImportantFormKeyAliases": [
"Name",
"EmployeeName"
],
"KeyValueBlockConfidenceLessThan": 60,
"WordBlockConfidenceLessThan": 85
}
},
{
"ConditionType": "ImportantFormKeyConfidenceCheck",
"ConditionParameters": {
"ImportantFormKey": "Pay Date",
"ImportantFormKeyAliases": [
"PayDate",
"DateOfPay",
"pay-date"
],
"KeyValueBlockConfidenceLessThan": 65,
"WordBlockConfidenceLessThan": 85
}
},
{
"ConditionType": "ImportantFormKeyConfidenceCheck",
"ConditionParameters": {
"ImportantFormKey": "Gross Pay",
"ImportantFormKeyAliases": [
"GrossPay",
"GrossAmount"
],
"KeyValueBlockConfidenceLessThan": 60,
"WordBlockConfidenceLessThan": 85
}
}
]
}
```
**Esempio 2: utilizzo di `ImportantFormKeyConfidenceCheck`**
Nell'esempio seguente, se Amazon Textract rileva una coppia chiave-valore la cui attendibilità per il blocco chiave-valore è inferiore a 60 e per tutti i blocchi di parole sottostanti è inferiore a 90, viene creato un ciclo umano. Ai revisori umani viene chiesto di rivedere tutte le coppie chiave-valore modulo che corrispondono ai confronti dei valori di attendibilità.
```
{
"Conditions": [
{
"ConditionType": "ImportantFormKeyConfidenceCheck",
"ConditionParameters": {
"ImportantFormKey": "*",
"KeyValueBlockConfidenceLessThan": 60,
"WordBlockConfidenceLessThan": 90
}
}
]
}
```
**Esempio 3: utilizzare il campionamento**
Nell'esempio seguente, il 5% delle inferenze risultanti da una richiesta `AnalyzeDocument` Amazon Textract sarà inviato ai worker umani per la revisione. Tutte le coppie chiave-valore rilevate restituite da Amazon Textract vengono inviate ai worker per la revisione.
```
{
"Conditions": [
{
"ConditionType": "Sampling",
"ConditionParameters": {
"RandomSamplingPercentage": 5
}
}
]
}
```
**Esempio 4: utilizzo di `MissingImportantFormKey`**
Nell'esempio seguente, se `Mailing Address` o il relativo alias, `Mailing Address:`, manca dalle chiavi rilevate da Amazon Textract, verrà attivata una revisione umana. Quando si utilizza il modello di attività del worker predefinito, l'interfaccia utente del worker chiede ai worker di identificare la chiave `Mailing Address` o `Mailing Address:` e il valore associato.
```
{
"ConditionType": "MissingImportantFormKey",
"ConditionParameters": {
"ImportantFormKey": "Mailing Address",
"ImportantFormKeyAliases": ["Mailing Address:"]
}
}
```
**Esempio 5: utilizzo del campionamento e di `ImportantFormKeyConfidenceCheck` con l'operatore `And`**
In questo esempio, il 5% delle coppie chiave-valore rilevate da Amazon Textract la cui chiave è `Pay Date`, `PayDate`, `DateOfPay` o `pay-date`, con l'attendibilità del blocco chiave-valore inferiore a 65 e le attendibilità di ciascuno dei blocchi di parole che compongono la chiave e il valore inferiore a 85, viene inviato ai worker per la revisione.
```
{
"Conditions": [
{
"And": [
{
"ConditionType": "Sampling",
"ConditionParameters": {
"RandomSamplingPercentage": 5
}
},
{
"ConditionType": "ImportantFormKeyConfidenceCheck",
"ConditionParameters": {
"ImportantFormKey": "Pay Date",
"ImportantFormKeyAliases": [
"PayDate",
"DateOfPay",
"pay-date"
],
"KeyValueBlockConfidenceLessThan": 65,
"WordBlockConfidenceLessThan": 85
}
}
]
}
]
}
```
**Esempio 6: utilizzo del campionamento e di `ImportantFormKeyConfidenceCheck` con l'operatore `And`**
Utilizza questo esempio per configurare il flusso di lavoro di revisione umana per inviare sempre le inferenze a bassa attendibilità di una coppia chiave-valore specificata per la revisione umana e campionare l'inferenza ad alta attendibilità di una coppia chiave-valore secondo una percentuale specificata.
Nell'esempio seguente, una revisione umana viene avviata in uno dei seguenti modi:
+ Le coppie chiave-valore rilevate la cui chiave è `Pay Date`, `PayDate`, `DateOfPay` o `pay-date`, con confidenze chiave-valore e blocco di parole inferiori a 60 verranno inviate per la revisione umana. Solo la chiave di modulo `Pay Date` (e relativi alias) e i valori associati vengono inviati ai worker per la revisione.
+ Il 5% delle coppie chiave-valore rilevate la cui chiave è `Pay Date`, `PayDate`, `DateOfPay` o `pay-date`, con attendibilità chiave-valore e blocco di parole superiori a 90 verrà inviato per la revisione umana. Solo la chiave di modulo `Pay Date` (e relativi alias) e i valori associati vengono inviati ai worker per la revisione.
```
{
"Conditions": [
{
"Or": [
{
"ConditionType": "ImportantFormKeyConfidenceCheck",
"ConditionParameters": {
"ImportantFormKey": "Pay Date",
"ImportantFormKeyAliases": [
"PayDate",
"DateOfPay",
"pay-date"
],
"KeyValueBlockConfidenceLessThan": 60,
"WordBlockConfidenceLessThan": 60
}
},
{
"And": [
{
"ConditionType": "Sampling",
"ConditionParameters": {
"RandomSamplingPercentage": 5
}
},
{
"ConditionType": "ImportantFormKeyConfidenceCheck",
"ConditionParameters": {
"ImportantFormKey": "Pay Date",
"ImportantFormKeyAliases": [
"PayDate",
"DateOfPay",
"pay-date"
],
"KeyValueBlockConfidenceLessThan": 90
"WordBlockConfidenceGreaterThan": 90
}
}
]
}
]
}
]
}
```
**Esempio 7: utilizzo del campionamento e di `ImportantFormKeyConfidenceCheck` con l'operatore `Or`**
Nell'esempio seguente, l'operazione `AnalyzeDocument` Amazon Textract restituisce una coppia chiave-valore la cui chiave è `Pay Date`, `PayDate`, `DateOfPay` o `pay-date`, con la attendibilità del blocco chiave-valore inferiore a 65 e le confidenze di ciascuno dei blocchi di parole che compongono la chiave e il valore inferiore a 85. Inoltre, il 5% di tutti gli altri moduli avvierà un ciclo umano. Per ogni modulo scelto in modo casuale, tutte le coppie chiave-valore rilevate per tale modulo verranno inviate agli esseri umani per la revisione.
```
{
"Conditions": [
{
"Or": [
{
"ConditionType": "Sampling",
"ConditionParameters": {
"RandomSamplingPercentage": 5
}
},
{
"ConditionType": "ImportantFormKeyConfidenceCheck",
"ConditionParameters": {
"ImportantFormKey": "Pay Date",
"ImportantFormKeyAliases": [
"PayDate",
"DateOfPay",
"pay-date"
],
"KeyValueBlockConfidenceLessThan": 65,
"WordBlockConfidenceLessThan": 85
}
}
}
]
}
]
}
```
# Utilizzare lo schema JSON per condizioni attivazione del ciclo umano con Amazon Rekognition
Se utilizzata con Amazon A2I, l'operazione `DetectModerationLabels` Amazon Rekognition supporta i seguenti input nel parametro `ConditionType`:
+ `ModerationLabelConfidenceCheck`: utilizza questo tipo di condizione per creare un ciclo umano quando l’attendibilità dell’inferenza è bassa per una o più etichette specificate.
+ `Sampling`: utilizza questa condizione per specificare una percentuale di tutte le inferenze da inviare agli esseri umani per la revisione. Utilizzare questa condizione per effettuare le seguenti operazioni:
+ Controllare il modello ML campionando casualmente tutte le inferenze del modello e inviando una percentuale specificata agli esseri umani per la revisione.
+ Utilizzando la condizione `ModerationLabelConfidenceCheck`, campionare casualmente una percentuale di inferenze che ha soddisfatto le condizioni specificate in `ModerationLabelConfidenceCheck` per avviare un ciclo umano e inviare solo la percentuale specificata agli esseri umani per la revisione.
**Nota**
Se invii la stessa richiesta ad `DetectModerationLabels` più volte, il risultato di `Sampling` non cambia per l'inferenza dell'input. Ad esempio, se effettui una richiesta `DetectModerationLabels` una volta e `Sampling` non avvia un ciclo umano, le richieste `DetectModerationLabels` successive con la stessa configurazione non avviano un ciclo umano.
Quando crei una definizione di flusso, se utilizzi il modello di task di lavoro predefinito fornito nella sezione **Flussi di lavoro di revisione umana** della console Amazon SageMaker AI, le inferenze inviate per la revisione umana da queste condizioni di attivazione vengono incluse nell'interfaccia utente del lavoratore quando un lavoratore apre l'attività. Se usi un modello di attività del worker personalizzato, devi includere l'elemento HTML `` personalizzato per accedere a queste inferenze. Per un esempio di modello personalizzato che utilizza questo elemento HTML, consulta [Esempio di modello personalizzato per Amazon Rekognition](a2i-custom-templates.md#a2i-custom-templates-rekognition-sample).
## Input `ModerationLabelConfidenceCheck`
Per il `ConditionType` `ModerationLabelConfidenceCheck`, sono supportati i seguenti `ConditionParameters`:
+ `ModerationLabelName`— Il nome esatto (con distinzione tra maiuscole e minuscole) di un oggetto [ModerationLabel](https://docs.aws.amazon.com/rekognition/latest/dg/API_ModerationLabel.html)rilevato dall'operazione Amazon Rekognition. `DetectModerationLabels` È possibile specificare il valore catch-all speciale (\$1) per indicare qualsiasi etichetta di moderazione.
+ `ConfidenceEquals`
+ `ConfidenceLessThan`
+ `ConfidenceLessThanEquals`
+ `ConfidenceGreaterThan`
+ `ConfidenceGreaterThanEquals`
Quando usi `ModerationLabelConfidenceCheck` `ConditionType`, Amazon A2I invia le inferenze per le etichette specificate in `ModerationLabelName` per la revisione umana.
## Input di campionamento
Il `Sampling` `ConditionType` supporta il `RandomSamplingPercentage` `ConditionParameters`. L'input per il parametro `RandomSamplingPercentage` deve essere un numero reale compreso tra 0,01 e 100. Questo numero rappresenta la percentuale di inferenze che si qualifica per la revisione umana e viene inviata agli esseri umani per la revisione. Se usi la condizione `Sampling` senza altre condizioni, questo numero rappresenta la percentuale di tutte le inferenze risultanti da una singola richiesta `DetectModerationLabel` inviata agli esseri umani per la revisione.
## Esempi
**Esempio 1: utilizzo di `ModerationLabelConfidenceCheck` con l'operatore `And`**
L'esempio seguente di condizione `HumanLoopActivationConditions` avvia un ciclo umano quando vengono soddisfatte una o più delle seguenti condizioni:
+ Amazon Rekognition rileva l'etichetta di moderazione `Graphic Male Nudity` con un’attendibilità compresa tra 90 e 99.
+ Amazon Rekognition rileva l'etichetta di moderazione `Graphic Female Nudity` con un’attendibilità compresa tra 80 e 99.
Osserva l'uso degli operatori logici `Or` e `And` per modellare questa logica.
Sebbene solo una delle due condizioni riportate sotto l'operatore `Or` deve essere `true` per poter creare un ciclo umano, IA aumentata Amazon valuta tutte le condizioni. Ai revisori umani viene chiesto di rivedere le etichette di moderazione per tutte le condizioni che sono state valutate come `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
}
}
]
}
]
}]
}
```
**Esempio 2: utilizzo di `ModerationLabelConfidenceCheck` con il valore generico (\$1) **
Nell'esempio seguente, se viene rilevata un'etichetta di moderazione con un livello di attendibilità superiore o uguale a 75, viene avviato un ciclo umano. Ai revisori umani viene chiesto di rivedere tutte le etichette di moderazione con punteggi di attendibilità superiori o uguali a 75.
```
{
"Conditions": [
{
"ConditionType": "ModerationLabelConfidenceCheck",
"ConditionParameters": {
"ModerationLabelName": "*",
"ConfidenceGreaterThanEquals": 75
}
}
]
}
```
**Esempio 3: utilizzare il campionamento**
Nell'esempio seguente, il 5% delle inferenze Amazon Rekognition da una richiesta `DetectModerationLabels` sarà inviato ai worker umani. Quando si utilizza il modello di task di lavoro predefinito fornito nella console SageMaker AI, tutte le etichette di moderazione restituite da Amazon Rekognition vengono inviate ai lavoratori per la revisione.
```
{
"Conditions": [
{
"ConditionType": "Sampling",
"ConditionParameters": {
"RandomSamplingPercentage": 5
}
}
]
}
```
**Esempio 4: utilizzo del campionamento e di `ModerationLabelConfidenceCheck` con l'operatore `And`**
In questo esempio, il 5% delle inferenze Amazon Rekognition dell'etichetta di moderazione `Graphic Male Nudity` con una attendibilità superiore a 50 verrà inviato ai worker per la revisione. Quando si utilizza il modello di task di lavoro predefinito fornito nella console SageMaker AI, solo le inferenze dell'`Graphic Male Nudity`etichetta vengono inviate ai lavoratori per la revisione.
```
{
"Conditions": [
{
"And": [
{
"ConditionType": "Sampling",
"ConditionParameters": {
"RandomSamplingPercentage": 5
}
},
{
"ConditionType": "ModerationLabelConfidenceCheck",
"ConditionParameters": {
"ModerationLabelName": "Graphic Male Nudity",
"ConfidenceGreaterThan": 50
}
}
]
}
]
}
```
**Esempio 5: utilizzo del campionamento e di `ModerationLabelConfidenceCheck` con l'operatore `And`**
Utilizza questo esempio per configurare il flusso di lavoro di revisione umana per inviare sempre le inferenze a bassa attendibilità di un'etichetta specificata per la revisione umana e campionare l'inferenza ad alta attendibilità di un'etichetta a una percentuale specificata.
Nell'esempio seguente, una revisione umana viene avviata in uno dei seguenti modi:
+ Le inferenze per l'etichetta di moderazione `Graphic Male Nudity` con punteggi di attendibilità inferiori a 60 vengono sempre inviate per la revisione umana. Solo l'etichetta `Graphic Male Nudity` viene inviata ai worker per la revisione.
+ Il 5% di tutte le inferenze per l'etichetta di moderazione `Graphic Male Nudity` con punteggi di attendibilità superiori a 90 sarà inviato per la revisione umana. Solo l'etichetta `Graphic Male Nudity` viene inviata ai worker per la revisione.
```
{
"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
}
}
]
}
]
}
]
}
```
**Esempio 6: utilizzo del campionamento e di `ModerationLabelConfidenceCheck` con l'operatore `Or`**
Nell'esempio seguente, viene creato un ciclo umano se la risposta dell'inferenza Amazon Rekognition contiene l'etichetta "Graphic Male Nudity" con attendibilità di inferenza superiore a 50. Inoltre, il 5% di tutte le altre inferenze avvierà un ciclo umano.
```
{
"Conditions": [
{
"Or": [
{
"ConditionType": "Sampling",
"ConditionParameters": {
"RandomSamplingPercentage": 5
}
},
{
"ConditionType": "ModerationLabelConfidenceCheck",
"ConditionParameters": {
"ModerationLabelName": "Graphic Male Nudity",
"ConfidenceGreaterThan": 50
}
}
]
}
]
}
```