Beispiele für Bildklassifizierungsmodelle auf AWS - AWS Präskriptive Leitlinien
Website zur Adoption von HaustierenSystem zur Geschwindigkeitsüberwachung

Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

Beispiele für Bildklassifizierungsmodelle auf AWS

In diesem Abschnitt finden Sie mehrere Beispiele dafür, wie Sie sich für eine Bildklassifizierungslösung für Schulung, Bereitstellung und Wartung entscheiden könnten.

Website zur Adoption von Haustieren

Eine Website zur Adoption von Haustieren möchte Katzen- und Hundebilder beim Hochladen automatisch mit einer Rasse kennzeichnen. Sie erwarten ungefähr 5.000 Aufrufe pro Tag, bei einer relativ konstanten Rate. Die vollständige Auswahl an Katzen- und Hunderassen ist in Amazon Rekognition nicht verfügbar und eignet sich daher nicht für diesen Anwendungsfall.

Mithilfe des unter Aufbau eines Bildklassifizierungsmodells beschriebenen vierphasigen Prozesses wählt das Unternehmen eine Bildklassifizierungslösung wie folgt aus:

  1. Das Team legt ihre Serviceanforderungen fest. Der Endpunkt sollte sofort reagieren, in weniger als 1 Sekunde. In den Mitarbeitern der Website gibt es kein Personal für maschinelles Lernen, daher hat der minimale Wartungsaufwand oberste Priorität.

  2. Das Team führt die folgende Kosten-Nutzen-Analyse durch.

    Training

    Bereitstellung

    Geschätzte monatliche Kosten

    Vorteile

    Amazon Rekognition Custom Labels

    (Amazon Rekognition) 1 Inferenzeinheit (IU) mit Autoscaling

    2.900$

    Selbstverwaltetes Training, minimaler Wartungsaufwand

    Amazon SageMaker AI-Leinwand

    SageMaker KI-Echtzeit-Endpunkt

    Über 600$ Nutzungskosten für Canvas

    Lösung ohne Programmierkenntnisse, Kontrolle der Rechengröße bei der Bereitstellung

    Deep-Learning-Modell von Amazon SageMaker AI mit Transfer Learning

    SageMaker KI-Echtzeit-Endpunkt

    Mehr als 600$ Personalzeit

    Flexibilität, erfordert Modellauswahl und Wartung

  3. Das Team bestimmt ihre Bereitstellungsinfrastruktur. Amazon Rekognition Custom Labels wurde für die Schulung und Bereitstellung ausgewählt, da es die in Phase 1 definierten Serviceanforderungen erfüllt. Die Bereitstellung wird vollständig in verwaltet. AWS

  4. Das Team legt den Arbeitsablauf für die Modellwartung fest. Sie wählen eine AWS Step Functions Zustandsmaschine aus, um den Umschulungsablauf zu verwalten. Sie initiieren die Zustandsmaschine bei Bedarf, um das Modell neu zu trainieren und erneut einzusetzen. Es wird davon ausgegangen, dass dies nur selten der Fall sein wird, da sich die Rassentypen langsam ändern und auch die Erfassung neuer Daten langsam vonstatten geht.

System zur Geschwindigkeitsüberwachung

Eine Hochgeschwindigkeitskamera für ein Autobahnüberwachungssystem erfasst Bilder von Fahrzeugen und sendet sie an einen Bildklassifizierungsdienst, um den Fahrzeugtyp vorherzusagen. Amazon Rekognition enthält bereits die Labels, die für die erforderlichen Klassen benötigt werden. Die Organisation rechnet mit rund 400.000 Bildern pro Tag, wobei die Spitzenrate bei 10.000 Bildern pro Stunde liegt. Eine sofortige Bearbeitung ist nicht erforderlich. Die Organisation beschäftigt Datenwissenschaftler, die empfehlen, dass vortrainierte Open-Source-Modelle ihren Anforderungen entsprechen. Diese sind jedoch mit höheren Vorlaufkosten und Wartungskosten verbunden.

  1. Das Team legt ihre Serviceanforderungen fest. Eine sofortige Antwort ist nicht erforderlich, Bilder sollten jedoch innerhalb von 24 Stunden bearbeitet werden.

  2. Das Team führt die folgende Kosten-Nutzen-Analyse durch.

    Training

    Bereitstellung

    Geschätzte monatliche Kosten

    Vorteile

    Amazon Rekognition

    Amazon Rekognition

    7.000$

    Vollständig automatisiert, die Wartung wird abgewickelt von AWS

    SageMaker Vortrainiertes KI-Modell

    SageMaker KI-Batch-Transformation

    Über 1500$ Personalkosten

    Flexibilität, erfordert Modellauswahl und Wartung

    SageMaker Vortrainiertes KI-Modell

    SageMaker Serverloser KI-Endpunkt

    Personalkosten über 500$

    Flexibilität, erfordert Modellauswahl und Wartung

  3. Das Team bestimmt ihre Bereitstellungsinfrastruktur. Da das Unternehmen bereits über ein Data-Science-Team verfügt, das die Modellauswahl und Wartung verwalten kann, entscheidet es sich für die Verwendung eines SageMaker KI-Modells und die Bereitstellung eines serverlosen SageMaker KI-Endpunkts.

  4. Das Team legt den Arbeitsablauf für die Modellwartung fest. Sie erstellen eine Überwachungspipeline, die Statistiken über die Zuverlässigkeit von Modellprognosen bereitstellt und Warnmeldungen sendet, wenn die Statistiken außerhalb der konfigurierten Toleranzen liegen.