创建和启动人工循环 - Amazon SageMaker
为内置任务类型创建和启动人工循环为自定义任务类型创建和启动人工循环后续步骤:
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)。

创建和启动人工循环

人工循环 启动人工审核工作流，并将数据审核任务发送给工作人员。如果您使用某种 Amazon A2I 内置任务类型，则在满足流定义中指定的条件时，相应的 Amazon 服务会代表您创建并启动人工循环。例如：如果未在流定义中指定任何条件，则为每个对象创建一个人工循环。如果将 Amazon A2I 用于自定义任务，则在应用程序调用 StartHumanLoop 时，人工循环将启动。

按照以下说明操作，使用 Amazon Rekognition 或 Amazon Textract 内置任务类型以及自定义任务类型配置人工循环。

先决条件

要创建和启动人工循环，必须将 AmazonAugmentedAIFullAccess 策略附加到用于配置或启动人工循环的 Amazon Identity and Access Management (IAM) 用户或角色。这是您用来通过 HumanLoopConfig 为内置任务类型配置人工循环的身份。对于自定义任务类型，这是您用来调用 StartHumanLoop 的身份。

此外，在使用内置任务类型时，您的用户或角色必须有权调用与任务类型关联的 Amazon 服务的 API 操作。例如，如果将 Amazon Rekognition 与 Augmented AI 结合使用，您必须附加调用 DetectModerationLabels 所需的权限。有关可用于授予这些权限的基于身份的策略的示例，请参阅 Amazon Rekognition 基于身份的策略示例和 Amazon Textract 基于身份的策略示例。您也可以使用更一般的策略 AmazonAugmentedAIIntegratedAPIAccess 以授予这些权限。有关更多信息，请参阅 创建有权调用 Amazon A2I、Amazon Textract 和 Amazon Rekognition API 操作的用户。

要创建和启动人工循环，您需要一个流定义 ARN。要了解如何创建流定义（或人工审核工作流），请参阅创建人工审核工作流。

重要

Amazon A2I 要求，对于包含人工循环输入图像数据的所有 S3 存储桶，都必须附加 CORS 策略。要了解有关此变化的更多信息，请参阅 CORS 权限要求。

为内置任务类型创建和启动人工循环

要使用内置任务类型启动人工循环，请使用相应服务的 API 来提供输入数据并配置人工循环。对于 Amazon Textract，您可以使用 AnalyzeDocument API 操作。对于 Amazon Rekognition，您可以使用 DetectModerationLabels API 操作。您可以使用 Amazon CLI 或特定于语言的 SDK，通过这些 API 操作来创建请求。

重要

当您使用内置任务类型创建人工循环时，您可以使用 DataAttributes 指定一组与提供给 StartHumanLoop 操作的输入相关的 ContentClassifiers。使用内容分类器声明您的内容不含个人身份信息或成人内容。

要使用 Amazon Mechanical Turk，请确保您的数据中不包含个人身份信息，包括 HIPAA 规定的受保护的健康信息。包括 FreeOfPersonallyIdentifiableInformation 内容分类器。如果您不使用此内容分类器，SageMaker 就不会将您的任务发送给 Mechanical Turk。即使您的数据不含成人内容，也请包含 'FreeOfAdultContent' 分类器。如果您不使用这些内容分类器，则 SageMaker 可能会限制可以查看您的任务的 Mechanical Turk 工作人员。

在使用内置任务类型的 Amazon 服务 API 启动 ML 作业后，Amazon A2I 将监控该服务的推理结果。例如，在使用 Amazon Rekognition 运行作业时，Amazon A2I 会检查每个图像的推理置信度分数，并将其与流定义中指定的置信度阈值进行比较。如果满足启动人工审核任务的条件，或者如果您未在流定义中指定条件，则人工审核任务将发送到工作人员。

创建 Amazon Textract 人工循环

Amazon A2I 与 Amazon Textract 集成，以便您能够使用 Amazon Textract API 配置和启动人工循环。要将文档文件发送到 Amazon Textract 来进行文本分析，您可以使用 Amazon Textract AnalyzeDocument API 操作。要向此文档分析作业添加人工循环，您必须配置参数 HumanLoopConfig。

在配置人工循环时，您在 HumanLoopConfig 的 FlowDefinitionArn 中指定的流定义，必须与在 Document 参数的 Bucket 中标识的存储桶位于同一 Amazon 区域。

下表显示了如何将此操作与 Amazon CLI 和 Amazon SDK for Python (Boto3) 结合使用的示例。

Amazon SDK for Python (Boto3)

以下请求示例使用 SDK for Python (Boto3)。有关更多信息，请参阅《Amazon SDK for Python (Boto) API 参考》中的 analyze_document。

import boto3

textract = boto3.client('textract', aws_region)

response = textract.analyze_document(
            Document={'S3Object': {'Bucket': bucket_name, 'Name': document_name}},
            FeatureTypes=["TABLES", "FORMS"],
            HumanLoopConfig={
                'FlowDefinitionArn': 'arn:aws:sagemaker:aws_region:aws_account_number:flow-definition/flow_def_name',
                'HumanLoopName': 'human_loop_name',
                'DataAttributes': {'ContentClassifiers': ['FreeOfPersonallyIdentifiableInformation','FreeOfAdultContent']}
            }
          )
Amazon CLI

以下请求示例使用 Amazon CLI。有关更多信息，请参阅《Amazon CLI 命令参考》中的 analyze-document。

$ aws textract analyze-document \
     --document '{"S3Object":{"Bucket":"bucket_name","Name":"document_name"}}' \
     --human-loop-config HumanLoopName="human_loop_name",FlowDefinitionArn="arn:aws:sagemaker:aws-region:aws_account_number:flow-definition/flow_def_name",DataAttributes='{ContentClassifiers=["FreeOfPersonallyIdentifiableInformation", "FreeOfAdultContent"]}' \
     --feature-types '["TABLES", "FORMS"]'

$ aws textract analyze-document \
     --document '{"S3Object":{"Bucket":"bucket_name","Name":"document_name"}}' \
     --human-loop-config \
          '{"HumanLoopName":"human_loop_name","FlowDefinitionArn":"arn:aws:sagemaker:aws_region:aws_account_number:flow-definition/flow_def_name","DataAttributes": {"ContentClassifiers":["FreeOfPersonallyIdentifiableInformation","FreeOfAdultContent"]}}' \
     --feature-types '["TABLES", "FORMS"]'

在配置了人工循环的情况下运行 AnalyzeDocument 后，Amazon A2I 将监控来自 AnalyzeDocument 的结果，并根据流定义的激活条件检查该结果。如果一个或多个键/值对的 Amazon Textract 推理置信度分数满足审核条件，Amazon A2I 将启动人工审核循环，并将 HumanLoopActivationOutput 对象包含在 AnalyzeDocument 响应中。

创建 Amazon Rekognition 人工循环

Amazon A2I 将与 Amazon Rekognition 集成，以便您能够使用 Amazon Rekognition API 配置和启动人工循环。要将图像发送到 Amazon Rekognition 以进行内容审核，请使用 Amazon Rekognition DetectModerationLabels API 操作。要配置人工循环，请在配置 DetectModerationLabels 时设置 HumanLoopConfig 参数。

在配置人工循环时，您在 HumanLoopConfig 的 FlowDefinitionArn 中指定的流定义，必须与在 Image 参数的 Bucket 中标识的 S3 存储桶位于同一 Amazon 区域。

下表显示了如何将此操作与 Amazon CLI 和 Amazon SDK for Python (Boto3) 结合使用的示例。

Amazon SDK for Python (Boto3)

以下请求示例使用 SDK for Python (Boto3)。有关更多信息，请参阅《Amazon SDK for Python (Boto) API 参考》中的 detect_moderation_labels。

import boto3

rekognition = boto3.client("rekognition", aws_region)

response = rekognition.detect_moderation_labels( \
        Image={'S3Object': {'Bucket': bucket_name, 'Name': image_name}}, \
        HumanLoopConfig={ \
            'HumanLoopName': 'human_loop_name', \
            'FlowDefinitionArn': , "arn:aws:sagemaker:aws_region:aws_account_number:flow-definition/flow_def_name" \
            'DataAttributes': {'ContentClassifiers': ['FreeOfPersonallyIdentifiableInformation','FreeOfAdultContent']}
         })
Amazon CLI

以下请求示例使用 Amazon CLI。有关更多信息，请参阅《Amazon CLI 命令参考》中的 detect-moderation-labels。

$ aws rekognition detect-moderation-labels \
    --image "S3Object={Bucket='bucket_name',Name='image_name'}" \
    --human-loop-config HumanLoopName="human_loop_name",FlowDefinitionArn="arn:aws:sagemaker:aws_region:aws_account_number:flow-definition/flow_def_name",DataAttributes='{ContentClassifiers=["FreeOfPersonallyIdentifiableInformation", "FreeOfAdultContent"]}'

$ aws rekognition detect-moderation-labels \
    --image "S3Object={Bucket='bucket_name',Name='image_name'}" \
    --human-loop-config \
        '{"HumanLoopName": "human_loop_name", "FlowDefinitionArn": "arn:aws:sagemaker:aws_region:aws_account_number:flow-definition/flow_def_name", "DataAttributes": {"ContentClassifiers": ["FreeOfPersonallyIdentifiableInformation", "FreeOfAdultContent"]}}'

在配置了人工循环的情况下运行 DetectModerationLabels 后，Amazon A2I 将监控来自 DetectModerationLabels 的结果，并根据流定义的激活条件检查该结果。如果某个图像的 Amazon Rekognition 推理置信度分数满足审核条件，Amazon A2I 将启动人工审核循环，并将响应元素 HumanLoopActivationOutput 包含在 DetectModerationLabels 响应中。

为自定义任务类型创建和启动人工循环

要为自定义人工审核任务配置人工循环，请在应用程序中使用 StartHumanLoop 操作。此部分提供了一个使用 Amazon SDK for Python (Boto3) 和 Amazon Command Line Interface (Amazon CLI) 的人工循环请求的示例。有关其他支持 StartHumanLoop 的特定于语言 SDK 的文档，请使用 Amazon Augmented AI 运行时系统 API 文档中 StartHumanLoop 的另请参阅部分。请参阅使用 Amazon A2I 的使用场景和示例以查看演示如何将 Amazon A2I 与自定义任务类型结合使用的示例。

先决条件

要完成此过程，您需要：

  • 输入数据的格式设置为 JSON 格式文件的字符串表示形式

  • 流定义的 Amazon 资源名称 (ARN)

配置人工循环

  1. 对于 DataAttributes，指定一组与提供给 StartHumanLoop 操作的输入相关的 ContentClassifiers。使用内容分类器声明您的内容不含个人身份信息或成人内容。

    要使用 Amazon Mechanical Turk，请确保您的数据中不包含个人身份信息（包括 HIPAA 规定的受保护的健康信息），并包括 FreeOfPersonallyIdentifiableInformation 内容分类器。如果您不使用此内容分类器，SageMaker 就不会将您的任务发送给 Mechanical Turk。即使您的数据不含成人内容，也请包含 'FreeOfAdultContent' 分类器。如果您不使用这些内容分类器，则 SageMaker 可能会限制可以查看您的任务的 Mechanical Turk 工作人员。

  2. 对于 FlowDefinitionArn，输入流定义的 Amazon 资源名称 (ARN)。

  3. 对于 HumanLoopInput，以 JSON 格式文件的字符串表示形式输入您的输入数据。构建输入数据和自定义工作人员任务模板，以便在您启动人工循环时，向工作人员正确显示输入数据。请参阅预览工作人员任务模板以了解如何预览自定义工作人员任务模板。

  4. 对于 HumanLoopName，输入人工循环的名称。该名称在您账户所在的区域中必须唯一，并且最多可以包含 63 个字符。有效字符：a-z、0-9 和 -（连字符）。

启动人工循环

  • 要启动人工循环，请使用首选的特定于语言的 SDK 提交与以下示例类似的请求。

Amazon SDK for Python (Boto3)

以下请求示例使用 SDK for Python (Boto3)。有关更多信息，请参阅《Amazon SDK for Python (Boto) API 参考》中的 Boto 3 Augmented AI 运行时系统。

import boto3

a2i_runtime_client = boto3.client('sagemaker-a2i-runtime')

response = a2i_runtime_client.start_human_loop(
    HumanLoopName='human_loop_name',
    FlowDefinitionArn='arn:aws:sagemaker:aws-region:xyz:flow-definition/flow_def_name',
    HumanLoopInput={
        'InputContent': '{"InputContent": {\"prompt\":\"What is the answer?\"}}'    
    },
    DataAttributes={
        'ContentClassifiers': [
            'FreeOfPersonallyIdentifiableInformation'|'FreeOfAdultContent',
        ]
    }
)
Amazon CLI

以下请求示例使用 Amazon CLI。有关更多信息，请参阅《Amazon CLI 命令参考》中的 start-human-loop。

$ aws sagemaker-a2i-runtime start-human-loop
        --flow-definition-arn 'arn:aws:sagemaker:aws_region:xyz:flow-definition/flow_def_name' \
        --human-loop-name 'human_loop_name' \
        --human-loop-input '{"InputContent": "{\"prompt\":\"What is the answer?\"}"}' \
        --data-attributes ContentClassifiers="FreeOfPersonallyIdentifiableInformation","FreeOfAdultContent" \

当您通过直接调用 StartHumanLoop 成功启动人工循环时，响应将包含一个 HumanLoopARN 和一个设置为 NULL 的 HumanLoopActivationResults 对象。您可以使用此人工循环名称来监控和管理您的人工循环。

后续步骤:

在启动一个人工循环后，您可以使用 Amazon Augmented AI 运行时系统 API 和 Amazon CloudWatch Events 来管理和监控它。要了解更多信息，请参阅监控和管理您的人工循环。