Exemplos de modelos de classificação de imagens em AWS - AWS Orientação prescritiva
Site de adoção de animais de estimaçãoSistema de monitoramento de velocidade

As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

Exemplos de modelos de classificação de imagens em AWS

Esta seção fornece vários exemplos sobre como você pode escolher uma solução de classificação de imagens para treinamento, implantação e manutenção.

Site de adoção de animais de estimação

Um site de adoção de animais de estimação deseja rotular automaticamente as fotos de cães e gatos com uma raça quando elas são carregadas. Eles esperam aproximadamente 5.000 invocações por dia, a uma taxa relativamente constante. O conjunto completo de raças de cães e gatos não está disponível no Amazon Rekognition, portanto, não é um candidato para esse caso de uso.

Usando o processo de quatro fases descrito em Criação de um modelo de classificação de imagens, a organização escolhe uma solução de classificação de imagens da seguinte forma:

  1. A equipe determina seus requisitos de serviço. O endpoint deve responder imediatamente, em menos de 1 segundo. Não há pessoal de aprendizado de máquina na equipe do site, portanto, o esforço mínimo de manutenção é uma prioridade.

  2. A equipe realiza a seguinte análise de custo-benefício.

    Treinamento

    Implantação

    Custo mensal estimado

    Benefícios

    Amazon Rekognition Custom Labels

    (Amazon Rekognition) 1 unidade de inferência (IU) com escalonamento automático

    $2.900

    Treinamento autogerenciado, manutenção mínima

    Amazon SageMaker AI Canvas

    SageMaker Endpoint de IA em tempo real

    $600 + custo de uso do Canvas

    Solução sem código, controle do tamanho da computação de implantação

    Modelo de aprendizado profundo de SageMaker IA da Amazon com aprendizado por transferência

    SageMaker Endpoint de IA em tempo real

    Mais de $600 em tempo de pessoal

    Flexibilidade, requer seleção e manutenção do modelo

  3. A equipe determina sua infraestrutura de implantação. O Amazon Rekognition Custom Labels foi selecionado para treinamento e implantação porque atende aos requisitos de serviço definidos na fase 1. A implantação é totalmente gerenciada em AWS.

  4. A equipe determina o fluxo de trabalho de manutenção do modelo. Eles escolhem uma máquina de AWS Step Functions estado para gerenciar o fluxo de trabalho de reciclagem. Eles iniciarão a máquina de estado conforme necessário para treinar novamente e reimplantar o modelo. Espera-se que esse seja um evento pouco frequente porque os tipos de raça mudam lentamente e a aquisição de novos dados também é lenta.

Sistema de monitoramento de velocidade

Uma câmera de alta velocidade para um sistema de monitoramento de rodovias captura imagens de veículos e as envia para um serviço de classificação de imagens para prever o tipo de veículo. O Amazon Rekognition já contém os rótulos necessários para as classes necessárias. A organização espera cerca de 400.000 imagens por dia, com uma taxa máxima de 10.000 imagens por hora. O processamento imediato não é necessário. A organização tem cientistas de dados na equipe que recomendam que modelos pré-treinados de código aberto possam satisfazer suas necessidades. No entanto, eles vêm com mais custos iniciais e manutenção.

  1. A equipe determina seus requisitos de serviço. Não é necessária uma resposta imediata, mas as imagens devem ser processadas dentro de 24 horas.

  2. A equipe realiza a seguinte análise de custo-benefício.

    Treinamento

    Implantação

    Custo mensal estimado

    Benefícios

    Amazon Rekognition

    Amazon Rekognition

    $7.000

    Totalmente automatizada, manutenção feita por AWS

    SageMaker Modelo pré-treinado de IA

    SageMaker Transformação em lote de IA

    Mais de $1500 em custos com pessoal

    Flexibilidade, requer seleção e manutenção do modelo

    SageMaker Modelo pré-treinado de IA

    SageMaker Endpoint sem servidor de IA

    Mais de $500 em custos com pessoal

    Flexibilidade, requer seleção e manutenção do modelo

  3. A equipe determina sua infraestrutura de implantação. Como a organização já tem uma equipe de ciência de dados que pode gerenciar a seleção e a manutenção do modelo, ela opta por usar um modelo de SageMaker IA e implantar um endpoint de SageMaker IA sem servidor.

  4. A equipe determina o fluxo de trabalho de manutenção do modelo. Eles criam um pipeline de monitoramento que fornece estatísticas sobre as confidências de previsão do modelo e envia alertas se as estatísticas estiverem fora das tolerâncias configuradas.