Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
# Pelabelan teks dengan Ground Truth
Gunakan Ground Truth untuk memberi label teks. Ground Truth mendukung teks pelabelan untuk pengenalan entitas bernama, klasifikasi teks label tunggal, dan klasifikasi teks multi-label. Topik berikut memberikan informasi tentang jenis tugas bawaan ini, serta instruksi untuk membantu Anda membuat pekerjaan pelabelan menggunakan jenis tugas tersebut.
**Tip**
Untuk mempelajari lebih lanjut tentang jenis file yang didukung dan kuota data input, lihat[Data input](sms-data-input.md).
**Topics**
+ [Ekstrak informasi teks menggunakan pengenalan entitas bernama](sms-named-entity-recg.md)
+ [Kategorikan teks dengan klasifikasi teks (Single Label)](sms-text-classification.md)
+ [Kategorikan teks dengan klasifikasi teks (Multi-label)](sms-text-classification-multilabel.md)
# Ekstrak informasi teks menggunakan pengenalan entitas bernama
Untuk mengekstrak informasi dari teks tidak terstruktur dan mengklasifikasikannya ke dalam kategori yang telah ditentukan sebelumnya, gunakan tugas pelabelan Amazon SageMaker Ground Truth bernama entity recognition (NER). Secara tradisional, NER melibatkan pemilahan data teks untuk menemukan frasa kata benda, yang disebut *entitas bernama*, dan mengkategorikan masing-masing dengan label, seperti “orang,” “organisasi,” atau “merek.” Anda dapat memperluas tugas ini untuk memberi label rentang teks yang lebih panjang dan mengkategorikan urutan tersebut dengan label yang telah ditentukan sebelumnya yang Anda tentukan. Anda dapat membuat pekerjaan pelabelan pengenalan entitas bernama menggunakan bagian Ground Truth di konsol Amazon SageMaker AI atau [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html)operasinya.
Saat ditugaskan dengan pekerjaan pelabelan pengenalan entitas bernama, pekerja menerapkan label Anda ke kata atau frasa tertentu dalam blok teks yang lebih besar. Mereka memilih label, lalu menerapkannya dengan menggunakan kursor untuk menyorot bagian teks yang diterapkan label. Alat pengenalan entitas bernama Ground Truth mendukung anotasi yang tumpang tindih, pemilihan label dalam konteks, dan pemilihan multi-label untuk satu sorotan. Selain itu, pekerja dapat menggunakan keyboard mereka untuk memilih label dengan cepat.
**penting**
Jika Anda membuat file manifes masukan secara manual, gunakan `"source"` untuk mengidentifikasi teks yang ingin diberi label. Untuk informasi selengkapnya, lihat [Data input](sms-data-input.md).
## Membuat Job Pelabelan Pengakuan Entitas Bernama (Konsol)
Anda dapat mengikuti petunjuk [Membuat Job Pelabelan (Konsol)](sms-create-labeling-job-console.md) untuk mempelajari cara membuat pekerjaan pelabelan pengenalan entitas bernama di konsol SageMaker AI. Pada Langkah 10, pilih **Teks** dari menu tarik-turun **kategori Tugas**, dan pilih **Pengenalan entitas bernama** sebagai jenis tugas.
Ground Truth menyediakan UI pekerja yang mirip dengan yang berikut ini untuk tugas pelabelan. Saat membuat pekerjaan pelabelan dengan konsol, Anda menentukan petunjuk untuk membantu pekerja menyelesaikan pekerjaan dan label yang dapat dipilih pekerja.
![\[Gif menunjukkan cara membuat pekerjaan pelabelan pengenalan entitas bernama di konsol SageMaker AI.\]](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/images/sms/gifs/nertool.gif)
## Membuat Job Pelabelan Pengakuan Entitas Bernama (API)
Untuk membuat pekerjaan pelabelan pengenalan entitas bernama, gunakan operasi SageMaker `CreateLabelingJob` API. API ini mendefinisikan operasi ini untuk semua AWS SDKs. Untuk melihat daftar bahasa khusus yang SDKs didukung untuk operasi ini, tinjau bagian **Lihat Juga**. [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html)
Ikuti petunjuk [Membuat Job Pelabelan (API)](sms-create-labeling-job-api.md) dan lakukan hal berikut saat Anda mengonfigurasi permintaan Anda:
+ Fungsi Lambda pra-anotasi untuk jenis tugas ini diakhiri dengan. `PRE-NamedEntityRecognition` Untuk menemukan Lambda ARN pra-anotasi untuk Wilayah Anda, lihat. [PreHumanTaskLambdaArn](https://docs.aws.amazon.com/sagemaker/latest/dg/API_HumanTaskConfig.html#SageMaker-Type-HumanTaskConfig-PreHumanTaskLambdaArn)
+ Fungsi Lambda konsolidasi anotasi untuk jenis tugas ini diakhiri dengan. `ACS-NamedEntityRecognition` Untuk menemukan Lambda ARN konsolidasi anotasi untuk Wilayah Anda, lihat. [AnnotationConsolidationLambdaArn](https://docs.aws.amazon.com/sagemaker/latest/dg/API_AnnotationConsolidationConfig.html#SageMaker-Type-AnnotationConsolidationConfig-AnnotationConsolidationLambdaArn)
+ Anda harus memberikan ARN berikut untuk: `[HumanTaskUiArn](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_UiConfig.html#sagemaker-Type-UiConfig-HumanTaskUiArn)`
```
arn:aws:sagemaker:aws-region:394669845002:human-task-ui/NamedEntityRecognition
```
Ganti `aws-region` dengan Wilayah AWS yang Anda gunakan untuk membuat pekerjaan pelabelan. Misalnya, gunakan `us-west-1` jika Anda membuat pekerjaan pelabelan di AS Barat (California Utara).
+ Berikan instruksi pekerja dalam file konfigurasi kategori label menggunakan `instructions` parameter. Anda dapat menggunakan string, atau bahasa markup HTML di `fullInstruction` bidang `shortInstruction` dan. Untuk detail selengkapnya, lihat [Memberikan Instruksi Pekerja dalam File Konfigurasi Kategori Label](#worker-instructions-ner).
```
"instructions": {"shortInstruction":"Add header
Add Instructions
", "fullInstruction":"Add additional instructions.
"}
```
Berikut ini adalah contoh [permintaan AWS Python SDK (Boto3)](https://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/sagemaker.html#SageMaker.Client.create_labeling_job) untuk membuat pekerjaan pelabelan di Wilayah AS Timur (Virginia N.). Semua parameter berwarna merah harus diganti dengan spesifikasi dan sumber daya Anda.
```
response = client.create_labeling_job(
LabelingJobName='example-ner-labeling-job',
LabelAttributeName='label',
InputConfig={
'DataSource': {
'S3DataSource': {
'ManifestS3Uri': 's3://bucket/path/manifest-with-input-data.json'
}
},
'DataAttributes': {
'ContentClassifiers': [
'FreeOfPersonallyIdentifiableInformation'|'FreeOfAdultContent',
]
}
},
OutputConfig={
'S3OutputPath': 's3://bucket/path/file-to-store-output-data',
'KmsKeyId': 'string'
},
RoleArn='arn:aws:iam::*:role/*',
LabelCategoryConfigS3Uri='s3://bucket/path/label-categories.json',
StoppingConditions={
'MaxHumanLabeledObjectCount': 123,
'MaxPercentageOfInputDatasetLabeled': 123
},
HumanTaskConfig={
'WorkteamArn': 'arn:aws:sagemaker:region:*:workteam/private-crowd/*',
'UiConfig': {
'HumanTaskUiArn': 'arn:aws:sagemaker:us-east-1:394669845002:human-task-ui/NamedEntityRecognition'
},
'PreHumanTaskLambdaArn': 'arn:aws:lambda:us-east-1:432418664414:function:PRE-NamedEntityRecognition',
'TaskKeywords': [
'Named entity Recognition',
],
'TaskTitle': 'Named entity Recognition task',
'TaskDescription': 'Apply the labels provided to specific words or phrases within the larger text block.',
'NumberOfHumanWorkersPerDataObject': 1,
'TaskTimeLimitInSeconds': 28800,
'TaskAvailabilityLifetimeInSeconds': 864000,
'MaxConcurrentTaskCount': 1000,
'AnnotationConsolidationConfig': {
'AnnotationConsolidationLambdaArn': 'arn:aws:lambda:us-east-1:432418664414:function:ACS-NamedEntityRecognition'
},
Tags=[
{
'Key': 'string',
'Value': 'string'
},
]
)
```
### Memberikan Instruksi Pekerja dalam File Konfigurasi Kategori Label
Anda harus memberikan instruksi pekerja dalam file konfigurasi kategori label yang Anda identifikasi dengan `LabelCategoryConfigS3Uri` parameter di`CreateLabelingJob`. Anda dapat menggunakan petunjuk ini untuk memberikan rincian tentang tugas yang Anda ingin pekerja lakukan dan membantu mereka menggunakan alat secara efisien.
Anda memberikan instruksi pendek dan panjang menggunakan `shortInstruction` dan `fullInstruction` dalam `instructions` parameter, masing-masing. Untuk mempelajari lebih lanjut tentang jenis instruksi ini, lihat[Buat halaman instruksi](sms-creating-instruction-pages.md).
Berikut ini adalah contoh file konfigurasi kategori label dengan instruksi yang dapat digunakan untuk pekerjaan pelabelan pengenalan entitas bernama.
```
{
"document-version": "2018-11-28",
"labels": [
{
"label": "label1",
"shortDisplayName": "L1"
},
{
"label": "label2",
"shortDisplayName": "L2"
},
{
"label": "label3",
"shortDisplayName": "L3"
},
{
"label": "label4",
"shortDisplayName": "L4"
},
{
"label": "label5",
"shortDisplayName": "L5"
}
],
"instructions": {
"shortInstruction": "Enter description of the labels that workers have
to choose from
Add examples to help workers understand the label
",
"fullInstruction": "
- Read the text carefully.
- Highlight words, phrases, or sections of the text.
- Choose the label that best matches what you have highlighted.
- To change a label, choose highlighted text and select a new label.
- To remove a label from highlighted text, choose the X next to the
abbreviated label name on the highlighted text.
- You can select all of a previously highlighted text, but not a portion of it.
"
}
}
```
## Data Output Pengenalan Entitas Bernama
Setelah Anda membuat pekerjaan pelabelan pengenalan entitas bernama, data keluaran Anda akan ditempatkan di bucket Amazon S3 yang ditentukan dalam `S3OutputPath` parameter saat menggunakan API atau di bidang lokasi **kumpulan data Output** di bagian Ikhtisar **pekerjaan** konsol.
Untuk mempelajari lebih lanjut tentang file manifes keluaran yang dihasilkan oleh Ground Truth dan struktur file yang digunakan Ground Truth untuk menyimpan data keluaran Anda, lihat[Pelabelan data keluaran pekerjaan](sms-data-output.md).
# Kategorikan teks dengan klasifikasi teks (Single Label)
Untuk mengkategorikan artikel dan teks ke dalam kategori yang telah ditentukan, gunakan klasifikasi teks. Misalnya, Anda dapat menggunakan klasifikasi teks untuk mengidentifikasi sentimen yang disampaikan dalam ulasan atau emosi yang mendasari bagian teks. Gunakan klasifikasi teks Amazon SageMaker Ground Truth untuk meminta pekerja mengurutkan teks ke dalam kategori yang Anda tentukan. Anda membuat pekerjaan pelabelan klasifikasi teks menggunakan bagian Ground Truth di konsol Amazon SageMaker AI atau [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html)operasinya.
**penting**
Jika Anda membuat file manifes masukan secara manual, gunakan `"source"` untuk mengidentifikasi teks yang ingin diberi label. Untuk informasi selengkapnya, lihat [Data input](sms-data-input.md).
## Membuat Job Pelabelan Klasifikasi Teks (Konsol)
Anda dapat mengikuti petunjuk [Membuat Job Pelabelan (Konsol)](sms-create-labeling-job-console.md) untuk mempelajari cara membuat pekerjaan pelabelan klasifikasi teks di konsol SageMaker AI. Pada Langkah 10, pilih **Teks** dari menu tarik-turun **kategori tugas**, dan pilih **Klasifikasi Teks (Label Tunggal)** sebagai jenis tugas.
Ground Truth menyediakan UI pekerja yang mirip dengan yang berikut ini untuk tugas pelabelan. Saat membuat pekerjaan pelabelan dengan konsol, Anda menentukan petunjuk untuk membantu pekerja menyelesaikan pekerjaan dan label yang dapat dipilih pekerja.
![\[Gif menunjukkan cara membuat pekerjaan pelabelan klasifikasi teks di konsol SageMaker AI.\]](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/images/sms/gifs/single-label-text.gif)
## Membuat Job Pelabelan Klasifikasi Teks (API)
Untuk membuat tugas pelabelan klasifikasi teks, gunakan operasi SageMaker `CreateLabelingJob` API. API ini mendefinisikan operasi ini untuk semua AWS SDKs. Untuk melihat daftar bahasa khusus yang SDKs didukung untuk operasi ini, tinjau bagian **Lihat Juga**. [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html)
Ikuti petunjuk [Membuat Job Pelabelan (API)](sms-create-labeling-job-api.md) dan lakukan hal berikut saat Anda mengonfigurasi permintaan Anda:
+ Fungsi Lambda pra-anotasi untuk jenis tugas ini diakhiri dengan. `PRE-TextMultiClass` Untuk menemukan Lambda ARN pra-anotasi untuk Wilayah Anda, lihat. [PreHumanTaskLambdaArn](https://docs.aws.amazon.com/sagemaker/latest/dg/API_HumanTaskConfig.html#SageMaker-Type-HumanTaskConfig-PreHumanTaskLambdaArn)
+ Fungsi Lambda konsolidasi anotasi untuk jenis tugas ini diakhiri dengan. `ACS-TextMultiClass` Untuk menemukan Lambda ARN konsolidasi anotasi untuk Wilayah Anda, lihat. [AnnotationConsolidationLambdaArn](https://docs.aws.amazon.com/sagemaker/latest/dg/API_AnnotationConsolidationConfig.html#SageMaker-Type-AnnotationConsolidationConfig-AnnotationConsolidationLambdaArn)
Berikut ini adalah contoh [permintaan AWS Python SDK (Boto3)](https://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/sagemaker.html#SageMaker.Client.create_labeling_job) untuk membuat pekerjaan pelabelan di Wilayah AS Timur (Virginia N.). Semua parameter berwarna merah harus diganti dengan spesifikasi dan sumber daya Anda.
```
response = client.create_labeling_job(
LabelingJobName='example-text-classification-labeling-job,
LabelAttributeName='label',
InputConfig={
'DataSource': {
'S3DataSource': {
'ManifestS3Uri': 's3://bucket/path/manifest-with-input-data.json'
}
},
'DataAttributes': {
'ContentClassifiers': [
'FreeOfPersonallyIdentifiableInformation'|'FreeOfAdultContent',
]
}
},
OutputConfig={
'S3OutputPath': 's3://bucket/path/file-to-store-output-data',
'KmsKeyId': 'string'
},
RoleArn='arn:aws:iam::*:role/*,
LabelCategoryConfigS3Uri='s3://bucket/path/label-categories.json',
StoppingConditions={
'MaxHumanLabeledObjectCount': 123,
'MaxPercentageOfInputDatasetLabeled': 123
},
HumanTaskConfig={
'WorkteamArn': 'arn:aws:sagemaker:region:*:workteam/private-crowd/*',
'UiConfig': {
'UiTemplateS3Uri': 's3://bucket/path/worker-task-template.html'
},
'PreHumanTaskLambdaArn': 'arn:aws:lambda:us-east-1:432418664414:function:PRE-TextMultiClass,
'TaskKeywords': [
Text classification',
],
'TaskTitle': Text classification task',
'TaskDescription': 'Carefully read and classify this text using the categories provided.',
'NumberOfHumanWorkersPerDataObject': 123,
'TaskTimeLimitInSeconds': 123,
'TaskAvailabilityLifetimeInSeconds': 123,
'MaxConcurrentTaskCount': 123,
'AnnotationConsolidationConfig': {
'AnnotationConsolidationLambdaArn': 'arn:aws:lambda:us-east-1:432418664414:function:ACS-TextMultiClass'
},
Tags=[
{
'Key': 'string',
'Value': 'string'
},
]
)
```
### Berikan Template untuk Pekerjaan Pelabelan Klasifikasi Teks
Jika Anda membuat pekerjaan pelabelan menggunakan API, Anda harus menyediakan template tugas pekerja di`UiTemplateS3Uri`. Salin dan modifikasi template berikut. Hanya memodifikasi [https://docs.aws.amazon.com/sagemaker/latest/dg/sms-creating-instruction-pages.html#sms-creating-quick-instructions](https://docs.aws.amazon.com/sagemaker/latest/dg/sms-creating-instruction-pages.html#sms-creating-quick-instructions), [https://docs.aws.amazon.com/sagemaker/latest/dg/sms-creating-instruction-pages.html#sms-creating-full-instructions](https://docs.aws.amazon.com/sagemaker/latest/dg/sms-creating-instruction-pages.html#sms-creating-full-instructions), dan`header`.
Unggah template ini ke S3, dan berikan URI S3 untuk file ini. `UiTemplateS3Uri`
```
{{ task.input.taskObject }}
- Read the text carefully.
- Read the examples to understand more about the options.
- Choose the appropriate labels that best suit the text.
Enter description of the labels that workers have to choose from
Add examples to help workers understand the label
```
## Data Output Klasifikasi Teks
Setelah Anda membuat tugas pelabelan klasifikasi teks, data keluaran Anda akan ditempatkan di bucket Amazon S3 yang ditentukan dalam `S3OutputPath` parameter saat menggunakan API atau di bidang lokasi **kumpulan data Output** di bagian Ikhtisar **pekerjaan** konsol.
Untuk mempelajari lebih lanjut tentang file manifes keluaran yang dihasilkan oleh Ground Truth dan struktur file yang digunakan Ground Truth untuk menyimpan data keluaran Anda, lihat[Pelabelan data keluaran pekerjaan](sms-data-output.md).
Untuk melihat contoh file manifes keluaran dari pekerjaan pelabelan klasifikasi teks, lihat[Klasifikasi output pekerjaan](sms-data-output.md#sms-output-class).
# Kategorikan teks dengan klasifikasi teks (Multi-label)
Untuk mengkategorikan artikel dan teks ke dalam beberapa kategori yang telah ditentukan sebelumnya, gunakan jenis tugas klasifikasi teks multi-label. Misalnya, Anda dapat menggunakan jenis tugas ini untuk mengidentifikasi lebih dari satu emosi yang disampaikan dalam teks. Bagian berikut memberikan informasi tentang cara membuat tugas klasifikasi teks multi-label dari konsol dan API.
Saat mengerjakan tugas klasifikasi teks multi-label, pekerja harus memilih semua label yang berlaku, tetapi harus memilih setidaknya satu. Saat membuat pekerjaan menggunakan jenis tugas ini, Anda dapat memberikan hingga 50 kategori label.
Amazon SageMaker Ground Truth tidak menyediakan kategori “tidak ada” ketika tidak ada label yang berlaku. Untuk memberikan opsi ini kepada pekerja, sertakan label yang mirip dengan “tidak ada” atau “lainnya” saat Anda membuat pekerjaan klasifikasi teks multi-label.
Untuk membatasi pekerja memilih label tunggal untuk setiap dokumen atau pemilihan teks, gunakan jenis [Kategorikan teks dengan klasifikasi teks (Single Label)](sms-text-classification.md) tugas.
**penting**
Jika Anda membuat file manifes masukan secara manual, gunakan `"source"` untuk mengidentifikasi teks yang ingin diberi label. Untuk informasi selengkapnya, lihat [Data input](sms-data-input.md).
## Membuat Pekerjaan Pelabelan Klasifikasi Teks Multi-Label (Konsol)
Anda dapat mengikuti petunjuk [Membuat Job Pelabelan (Konsol)](sms-create-labeling-job-console.md) untuk mempelajari cara membuat pekerjaan pelabelan klasifikasi teks multi-label di konsol Amazon SageMaker AI. Pada Langkah 10, pilih **Teks** dari menu tarik-turun **Kategori tugas**, dan pilih **Klasifikasi Teks (Multi-label)** sebagai jenis tugas.
Ground Truth menyediakan UI pekerja yang mirip dengan yang berikut ini untuk tugas pelabelan. Saat membuat pekerjaan pelabelan dengan konsol, Anda menentukan petunjuk untuk membantu pekerja menyelesaikan pekerjaan dan label yang dapat dipilih pekerja.
![\[Gif menunjukkan cara membuat pekerjaan pelabelan klasifikasi teks multi-label di konsol Amazon SageMaker AI.\]](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/images/sms/gifs/multi-label-text.gif)
## Membuat Job Pelabelan Klasifikasi Teks Multi-Label (API)
Untuk membuat tugas pelabelan klasifikasi teks multi-label, gunakan operasi SageMaker API. `CreateLabelingJob` API ini mendefinisikan operasi ini untuk semua AWS SDKs. Untuk melihat daftar bahasa khusus yang SDKs didukung untuk operasi ini, tinjau bagian **Lihat Juga**. [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html)
Ikuti petunjuk [Membuat Job Pelabelan (API)](sms-create-labeling-job-api.md) dan lakukan hal berikut saat Anda mengonfigurasi permintaan Anda:
+ Fungsi Lambda pra-anotasi untuk jenis tugas ini diakhiri dengan. `PRE-TextMultiClassMultiLabel` Untuk menemukan Lambda ARN pra-anotasi untuk Wilayah Anda, lihat. [PreHumanTaskLambdaArn](https://docs.aws.amazon.com/sagemaker/latest/dg/API_HumanTaskConfig.html#SageMaker-Type-HumanTaskConfig-PreHumanTaskLambdaArn)
+ Fungsi Lambda konsolidasi anotasi untuk jenis tugas ini diakhiri dengan. `ACS-TextMultiClassMultiLabel` Untuk menemukan Lambda ARN konsolidasi anotasi untuk Wilayah Anda, lihat. [AnnotationConsolidationLambdaArn](https://docs.aws.amazon.com/sagemaker/latest/dg/API_AnnotationConsolidationConfig.html#SageMaker-Type-AnnotationConsolidationConfig-AnnotationConsolidationLambdaArn)
Berikut ini adalah contoh [permintaan AWS Python SDK (Boto3)](https://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/sagemaker.html#SageMaker.Client.create_labeling_job) untuk membuat pekerjaan pelabelan di Wilayah AS Timur (Virginia N.). Semua parameter berwarna merah harus diganti dengan spesifikasi dan sumber daya Anda.
```
response = client.create_labeling_job(
LabelingJobName='example-multi-label-text-classification-labeling-job,
LabelAttributeName='label',
InputConfig={
'DataSource': {
'S3DataSource': {
'ManifestS3Uri': 's3://bucket/path/manifest-with-input-data.json'
}
},
'DataAttributes': {
'ContentClassifiers': [
'FreeOfPersonallyIdentifiableInformation'|'FreeOfAdultContent',
]
}
},
OutputConfig={
'S3OutputPath': 's3://bucket/path/file-to-store-output-data',
'KmsKeyId': 'string'
},
RoleArn='arn:aws:iam::*:role/*,
LabelCategoryConfigS3Uri='s3://bucket/path/label-categories.json',
StoppingConditions={
'MaxHumanLabeledObjectCount': 123,
'MaxPercentageOfInputDatasetLabeled': 123
},
HumanTaskConfig={
'WorkteamArn': 'arn:aws:sagemaker:region:*:workteam/private-crowd/*',
'UiConfig': {
'UiTemplateS3Uri': 's3://bucket/path/custom-worker-task-template.html'
},
'PreHumanTaskLambdaArn': 'arn:aws:lambda::function:PRE-TextMultiClassMultiLabel,
'TaskKeywords': [
'Text Classification',
],
'TaskTitle': 'Multi-label text classification task',
'TaskDescription': 'Select all labels that apply to the text shown',
'NumberOfHumanWorkersPerDataObject': 123,
'TaskTimeLimitInSeconds': 123,
'TaskAvailabilityLifetimeInSeconds': 123,
'MaxConcurrentTaskCount': 123,
'AnnotationConsolidationConfig': {
'AnnotationConsolidationLambdaArn': 'arn:aws:lambda:us-east-1:432418664414:function:ACS-TextMultiClassMultiLabel'
},
Tags=[
{
'Key': 'string',
'Value': 'string'
},
]
)
```
### Buat Template untuk Klasifikasi Teks Multi-label
Jika Anda membuat pekerjaan pelabelan menggunakan API, Anda harus menyediakan template tugas pekerja di`UiTemplateS3Uri`. Salin dan modifikasi template berikut. Hanya memodifikasi [https://docs.aws.amazon.com/sagemaker/latest/dg/sms-creating-instruction-pages.html#sms-creating-quick-instructions](https://docs.aws.amazon.com/sagemaker/latest/dg/sms-creating-instruction-pages.html#sms-creating-quick-instructions), [https://docs.aws.amazon.com/sagemaker/latest/dg/sms-creating-instruction-pages.html#sms-creating-full-instructions](https://docs.aws.amazon.com/sagemaker/latest/dg/sms-creating-instruction-pages.html#sms-creating-full-instructions), dan`header`.
Unggah template ini ke S3, dan berikan URI S3 untuk file ini. `UiTemplateS3Uri`
```
{{ task.input.taskObject }}
- Read the text carefully.
- Read the examples to understand more about the options.
- Choose the appropriate labels that best suit the text.
Enter description of the labels that workers have to choose from
Add examples to help workers understand the label
```
Untuk mempelajari cara membuat template kustom, lihat[Alur kerja pelabelan khusus](sms-custom-templates.md).
## Data Keluaran Klasifikasi Teks Multi-label
Setelah Anda membuat tugas pelabelan klasifikasi teks multi-label, data keluaran Anda akan ditempatkan di bucket Amazon S3 yang ditentukan dalam `S3OutputPath` parameter saat menggunakan API atau di bidang lokasi **kumpulan data Output pada bagian** Ikhtisar **pekerjaan konsol**.
Untuk mempelajari lebih lanjut tentang file manifes keluaran yang dihasilkan oleh Ground Truth dan struktur file yang digunakan Ground Truth untuk menyimpan data keluaran Anda, lihat[Pelabelan data keluaran pekerjaan](sms-data-output.md).
Untuk melihat contoh file manifes keluaran untuk pekerjaan pelabelan klasifikasi teks multi-label, lihat. [Output pekerjaan klasifikasi multi-label](sms-data-output.md#sms-output-multi-label-classification)