Amazon Web Services 文档中描述的 Amazon Web Services 服务或功能可能因区域而异。要查看适用于中国区域的差异，请参阅
中国的 Amazon Web Services 服务入门
(PDF)。
本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。
教程：开始使用 Amazon A2I API
本教程介绍了您在开始使用 Amazon A2I 时可以使用的 API 操作。
要使用 Jupyter 笔记本运行这些操作，请从中选择一个 Jupyter 笔记本使用 Amazon A2I 的使用场景和示例并使用它将 SageMaker 笔记本实例与 Amazon A2I Jupyter 笔记本配合使用来学习如何在 A SageMaker I 笔记本实例中使用它。
要详细了解可用于 Amazon A2I 的 API 操作，请参阅 APIs 在 Amazon Agumented AI 中使用。
创建私有工作团队
您可以创建一个私有工作团队并将自己添加为员工，这样您就可以预览 Amazon A2I。
如果您不熟悉 Amazon Cognito，我们建议您使用 SageMaker AI 控制台创建私人员工队伍，并将自己添加为私人员工。有关说明，请参阅 步骤 1：创建工作团队。
如果您熟悉 Amazon Cognito，则可以按照以下说明使用 API 创建私人工作团队。 SageMaker 创建工作团队后，请记录工作团队的 ARN (WorkteamArn)。
要了解有关私有人力和其他可用配置的更多信息，请参阅 私有人力。
创建私有人力
如果您还没有创建私人人力，则可以使用 Amazon Cognito 用户池创建。确保已将自己添加到此用户池中。您可以使用该 适用于 Python (Boto3) 的 Amazon SDK
create_workforce功能创建私人工作团队。有关其他特定语言的信息 SDKs，请参阅中的列表。CreateWorkforce
response = client.create_workforce(
CognitoConfig={
"UserPool": "Pool_ID",
"ClientId": "app-client-id"
},
WorkforceName="workforce-name"
)
创建私有工作团队
Amazon 在该地区创建了一支私人员工队伍来配置和启动您的人工循环后，您可以使用该 适用于 Python (Boto3) 的 Amazon SDK create_workteam功能创建私人工作团队。有关其他特定语言的信息 SDKs，请参阅中的列表。CreateWorkteam
response = client.create_workteam(
WorkteamName="work-team-name",
WorkforceName= "workforce-name",
MemberDefinitions=[
{
"CognitoMemberDefinition": {
"UserPool": "<aws-region>_ID",
"UserGroup": "user-group",
"ClientId": "app-client-id"
},
}
]
)
如下所示访问您的工作团队 ARN：
workteamArn = response["WorkteamArn"]
列出账户中的私有工作团队
如果您已经创建了私人工作团队，则可以使用该 适用于 Python (Boto3) 的 Amazon SDK list_workteams功能列出账户中给定 Amazon 区域的所有工作团队。有关其他特定语言的信息 SDKs，请参阅中的列表。ListWorkteams
response = client.list_workteams()
如果您的账户中有多个工作团队，则可能需要使用 MaxResults、SortBy 和 NameContains 来筛选结果。
创建人工审核工作流
您可以使用 Amazon A2I CreateFlowDefinition 操作创建人工审核工作流。在创建人工审核工作流之前，您需要创建人工任务 UI。您可以使用 CreateHumanTaskUi 操作来创建。
如果您将 Amazon A2I 与 Amazon Textract 或 Amazon Rekognition 集成结合使用，则可以使用 JSON 指定激活条件。
创建人工任务 UI
如果您正在创建用于 Amazon Textract 或 Amazon Rekognition 集成的人工审核工作流，则需要使用和修改预先制作的工作人员任务模板。对于所有自定义集成，您可以使用自己的自定义工作人员任务模板。使用下表了解如何使用工作人员任务模板，为两个内置的集成创建人工任务 UI。使用自己的模板替换模板来自定义此请求。
- Amazon Textract – Key-value pair extraction
-
要了解有关模板版本的更多信息，请参阅 Amazon Textract 的自定义模板示例。
- Amazon Rekognition – Image moderation
-
要了解有关模板版本的更多信息，请参阅 Amazon Rekognition 的自定义模板示例。
- Custom Integration
-
以下是可以在自定义集成中使用的示例模板。该笔记本中使用了此模板，演示与 Amazon Comprehend 的自定义集成。
使用上面指定的模板，您可以使用 适用于 Python (Boto3) 的 Amazon SDK create_human_task_ui函数创建模板。有关其他特定语言的信息 SDKs，请参阅中的列表。CreateHumanTaskUi
response = client.create_human_task_ui(
HumanTaskUiName="human-task-ui-name",
UiTemplate={
"Content": template
}
)
此响应元素包含人工任务 UI ARN。如下所示保存此内容：
humanTaskUiArn = response["HumanTaskUiArn"]
创建 JSON 以指定激活条件
对于 Amazon Textract 和 Amazon Rekognition 内置集成，您可以将激活条件保存在 JSON 对象中，然后在 CreateFlowDefinition 请求中使用。
接下来，选择一个选项卡以查看可用于这些内置集成的示例激活条件。有关激活条件选项的其他信息，请参阅Amazon Augmented AI 中用于人工循环激活条件的 JSON 架构。
- Amazon Textract – Key-value pair extraction
-
此示例为文档中的特定键（例如 Mail address）指定条件。如果 Amazon Textract 的置信度在此处设定的阈值之外，则会将文档发送给人员进行审核，并向工作人员提示引发人工循环的特定键。
import json
humanLoopActivationConditions = json.dumps(
{
"Conditions": [
{
"Or": [
{
"ConditionType": "ImportantFormKeyConfidenceCheck",
"ConditionParameters": {
"ImportantFormKey": "Mail address",
"ImportantFormKeyAliases": ["Mail Address:","Mail address:", "Mailing Add:","Mailing Addresses"],
"KeyValueBlockConfidenceLessThan": 100,
"WordBlockConfidenceLessThan": 100
}
},
{
"ConditionType": "MissingImportantFormKey",
"ConditionParameters": {
"ImportantFormKey": "Mail address",
"ImportantFormKeyAliases": ["Mail Address:","Mail address:","Mailing Add:","Mailing Addresses"]
}
},
{
"ConditionType": "ImportantFormKeyConfidenceCheck",
"ConditionParameters": {
"ImportantFormKey": "Phone Number",
"ImportantFormKeyAliases": ["Phone number:", "Phone No.:", "Number:"],
"KeyValueBlockConfidenceLessThan": 100,
"WordBlockConfidenceLessThan": 100
}
},
{
"ConditionType": "ImportantFormKeyConfidenceCheck",
"ConditionParameters": {
"ImportantFormKey": "*",
"KeyValueBlockConfidenceLessThan": 100,
"WordBlockConfidenceLessThan": 100
}
},
{
"ConditionType": "ImportantFormKeyConfidenceCheck",
"ConditionParameters": {
"ImportantFormKey": "*",
"KeyValueBlockConfidenceGreaterThan": 0,
"WordBlockConfidenceGreaterThan": 0
}
}
]
}
]
}
)
- Amazon Rekognition – Image moderation
-
此处使用的人工循环激活条件针对 Amazon Rekognition 内容审核定制；它们基于 Suggestive 和 Female Swimwear
Or Underwear 审核标签的置信度阈值。
import json
humanLoopActivationConditions = json.dumps(
{
"Conditions": [
{
"Or": [
{
"ConditionType": "ModerationLabelConfidenceCheck",
"ConditionParameters": {
"ModerationLabelName": "Suggestive",
"ConfidenceLessThan": 98
}
},
{
"ConditionType": "ModerationLabelConfidenceCheck",
"ConditionParameters": {
"ModerationLabelName": "Female Swimwear Or Underwear",
"ConfidenceGreaterThan": 98
}
}
]
}
]
}
)
创建人工审核工作流
本节举例说明了使用前几节中创建的资源进行的CreateFlowDefinition 适用于 Python (Boto3) 的 Amazon SDK 请求。有关其他特定语言的信息 SDKs，请参阅中的列表。CreateFlowDefinition使用下表中的选项卡，查看为 Amazon Textract 和 Amazon Rekognition 内置集成创建人工审核工作流的请求。
- Amazon Textract – Key-value pair extraction
-
如果您使用与 Amazon Textract 的内置集成，则必须在 HumanLoopRequestSource 中为 "AwsManagedHumanLoopRequestSource" 指定 "AWS/Textract/AnalyzeDocument/Forms/V1"。
response = client.create_flow_definition(
FlowDefinitionName="human-review-workflow-name",
HumanLoopRequestSource={
"AwsManagedHumanLoopRequestSource": "AWS/Textract/AnalyzeDocument/Forms/V1"
},
HumanLoopActivationConfig={
"HumanLoopActivationConditionsConfig": {
"HumanLoopActivationConditions": humanLoopActivationConditions
}
},
HumanLoopConfig={
"WorkteamArn": workteamArn,
"HumanTaskUiArn": humanTaskUiArn,
"TaskTitle": "Document entry review",
"TaskDescription": "Review the document and instructions. Complete the task",
"TaskCount": 1,
"TaskAvailabilityLifetimeInSeconds": 43200,
"TaskTimeLimitInSeconds": 3600,
"TaskKeywords": [
"document review",
],
},
OutputConfig={
"S3OutputPath": "s3://amzn-s3-demo-bucket/prefix/",
},
RoleArn="arn:aws:iam::<account-number>:role/<role-name>",
Tags=[
{
"Key": "string",
"Value": "string"
},
]
)
- Amazon Rekognition – Image moderation
-
如果您使用与 Amazon Rekognition 的内置集成，则必须在 HumanLoopRequestSource 中为 "AwsManagedHumanLoopRequestSource" 指定 "AWS/Rekognition/DetectModerationLabels/Image/V3"。
response = client.create_flow_definition(
FlowDefinitionName="human-review-workflow-name",
HumanLoopRequestSource={
"AwsManagedHumanLoopRequestSource": "AWS/Rekognition/DetectModerationLabels/Image/V3"
},
HumanLoopActivationConfig={
"HumanLoopActivationConditionsConfig": {
"HumanLoopActivationConditions": humanLoopActivationConditions
}
},
HumanLoopConfig={
"WorkteamArn": workteamArn,
"HumanTaskUiArn": humanTaskUiArn,
"TaskTitle": "Image content moderation",
"TaskDescription": "Review the image and instructions. Complete the task",
"TaskCount": 1,
"TaskAvailabilityLifetimeInSeconds": 43200,
"TaskTimeLimitInSeconds": 3600,
"TaskKeywords": [
"content moderation",
],
},
OutputConfig={
"S3OutputPath": "s3://amzn-s3-demo-bucket/prefix/",
},
RoleArn="arn:aws:iam::<account-number>:role/<role-name>",
Tags=[
{
"Key": "string",
"Value": "string"
},
]
)
- Custom Integration
-
如果您使用自定义集成，请排除以下参数：HumanLoopRequestSource、HumanLoopActivationConfig。
response = client.create_flow_definition(
FlowDefinitionName="human-review-workflow-name",
HumanLoopConfig={
"WorkteamArn": workteamArn,
"HumanTaskUiArn": humanTaskUiArn,
"TaskTitle": "Image content moderation",
"TaskDescription": "Review the image and instructions. Complete the task",
"TaskCount": 1,
"TaskAvailabilityLifetimeInSeconds": 43200,
"TaskTimeLimitInSeconds": 3600,
"TaskKeywords": [
"content moderation",
],
},
OutputConfig={
"S3OutputPath": "s3://amzn-s3-demo-bucket/prefix/",
},
RoleArn="arn:aws:iam::<account-number>:role/<role-name>",
Tags=[
{
"Key": "string",
"Value": "string"
},
]
)
创建人工审核工作流后，您可以从响应中检索流定义 ARN：
humanReviewWorkflowArn = response["FlowDefinitionArn"]
创建人工循环
您用来启动人工循环的 API 操作，取决于您使用的 Amazon A2I 集成。
在下表中选择您的任务类型，以查看使用 适用于 Python (Boto3) 的 Amazon SDK的 Amazon Textract 和 Amazon Rekognition 示例请求。
- Amazon Textract – Key-value pair extraction
-
以下示例使用在 us-w 适用于 Python (Boto3) 的 Amazon SDK est-2 analyze_document 中调用。使用您的资源替换斜体红色文本。如果您使用的是 Amazon Mechanical Turk 人力，请包括 DataAttributes 参数。有关更多信息，请参阅《Amazon SDK for Python (Boto) API 参考》中的 analyze_document 文档。
response = client.analyze_document(
Document={"S3Object": {"Bucket": "amzn-s3-demo-bucket", "Name": "document-name.pdf"},
HumanLoopConfig={
"FlowDefinitionArn":"arn:aws:sagemaker:us-west-2:111122223333:flow-definition/flow-definition-name",
"HumanLoopName":"human-loop-name",
"DataAttributes" : {ContentClassifiers:["FreeOfPersonallyIdentifiableInformation"|"FreeOfAdultContent"]}
}
FeatureTypes=["FORMS"]
)
只有当 Amazon Textract 文档分析任务的置信度满足您在人工审核工作流中指定的激活条件时，才会创建人工循环。您可以查看 response 元素来确定是否创建了人工循环。要查看此响应中包含的所有内容，请参阅 HumanLoopActivationOutput。
if "HumanLoopArn" in analyzeDocumentResponse["HumanLoopActivationOutput"]:
# A human loop has been started!
print(f"A human loop has been started with ARN: {analyzeDocumentResponse["HumanLoopActivationOutput"]["HumanLoopArn"]}"
- Amazon Rekognition – Image moderation
-
以下示例使用在 us-w 适用于 Python (Boto3) 的 Amazon SDK est-2 detect_moderation_labels 中调用。使用您的资源替换斜体红色文本。如果您使用的是 Amazon Mechanical Turk 人力，请包括 DataAttributes 参数。有关更多信息，请参阅《Amazon SDK for Python (Boto) API 参考》中的 detect_moderation_labels 文档。
response = client.detect_moderation_labels(
Image={"S3Object":{"Bucket": "amzn-s3-demo-bucket", "Name": "image-name.png"}},
HumanLoopConfig={
"FlowDefinitionArn":"arn:aws:sagemaker:us-west-2:111122223333:flow-definition/flow-definition-name",
"HumanLoopName":"human-loop-name",
"DataAttributes":{ContentClassifiers:["FreeOfPersonallyIdentifiableInformation"|"FreeOfAdultContent"]}
}
)
只有当 Amazon Rekognition 图像监管任务的置信度满足您在人工审核工作流中指定的激活条件时，才会创建人工循环。您可以查看 response 元素来确定是否创建了人工循环。要查看此响应中包含的所有内容，请参阅 HumanLoopActivationOutput。
if "HumanLoopArn" in response["HumanLoopActivationOutput"]:
# A human loop has been started!
print(f"A human loop has been started with ARN: {response["HumanLoopActivationOutput"]["HumanLoopArn"]}")
- Custom Integration
-
以下示例使用在 us-w 适用于 Python (Boto3) 的 Amazon SDK est-2 start_human_loop 中调用。使用您的资源替换斜体红色文本。如果您使用的是 Amazon Mechanical Turk 人力，请包括 DataAttributes 参数。有关更多信息，请参阅《Amazon SDK for Python (Boto) API 参考》中的 start_human_loop 文档。
response = client.start_human_loop(
HumanLoopName= "human-loop-name",
FlowDefinitionArn= "arn:aws:sagemaker:us-west-2:111122223333:flow-definition/flow-definition-name",
HumanLoopInput={"InputContent": inputContentJson},
DataAttributes={"ContentClassifiers":["FreeOfPersonallyIdentifiableInformation"|"FreeOfAdultContent"]}
)
此示例将输入内容存储在变量 inputContentJsonPositive、Negative 或 Neutral)，它的格式如下：
inputContent = {
"initialValue": sentiment,
"taskObject": blurb
}
键 initialValue 和 taskObject 必须与工作人员任务模板的 liquid 元素中使用的键相对应。请参阅 创建人工任务 UI 中的自定义模板以查看示例。
要创建 inputContentJson
import json
inputContentJson = json.dumps(inputContent)
每次调用 start_human_loop 时会启动人工循环。要检查人工循环的状态，请使用 describe_human_loop：
human_loop_info = a2i.describe_human_loop(HumanLoopName="human_loop_name")
print(f"HumanLoop Status: {resp["HumanLoopStatus"]}")
print(f"HumanLoop Output Destination: {resp["HumanLoopOutput"]}")