AWS-ը հրապարակել է տեսանյութերի ագենտային վերլուծության ճարտարապետությունը

Մեդիայի, անվտանգության և ապահովագրության թիմերը շատ ավելի շատ տեսանյութ են ձայնագրում, քան կարողանում են դիտել. հանդիպումների ձայնագրությունները կուտակվում են ընդհանուր սկավառակներում, տեսախցիկները՝ շաբաթներ շարունակ չդիտված կադրեր հավաքում։ Դրանցում եղած տեղեկությունը՝ կայացված որոշումը կամ դռան մոտ մարդու հայտնվելու պահը, հասանելի է դառնում միայն ժամերով դիտելուց հետո։

AWS Machine Learning Blog-ում հրապարակված ճարտարապետությունն այդ բովանդակությունը որոնելի է դարձնում բնական լեզվով հարցումներով։ Օգտատերը վերբեռնում է ձայնագրությունը և հարցնում է, օրինակ՝ «ինչ որոշումներ են կայացվել այս հանդիպմանը», իսկ համակարգը պատասխանում է ժամանակային նշումներով։ Արդեն վերլուծված նյութի պատասխանը գալիս է վայրկյանից արագ, նոր տեսանյութի առաջին վերլուծությունը տևում է 5–10 րոպե։

Մեկ գործակալ՝ ֆիքսված ուղիների փոխարեն

Հիմքում Strands Agents SDK-ն է։ Հարցի յուրաքանչյուր տեսակի համար առանձին ուղի կառուցելու փոխարեն՝ մեկ գործակալ որոշում է, թե որ ծառայությունները կանչել՝ խոսքային հարցումները գնում են Amazon Transcribe-ին, տեսողականները՝ Amazon Rekognition-ին, դատողության շերտը՝ Amazon Bedrock։ Արդյունքները պահվում են Amazon S3-ում, ուստի կրկնվող հարցումները վերաօգտագործում են արված վերլուծությունը։

Արդյունքներ և կիրառման դեպքեր

Յուրաքանչյուր AWS ծառայություն @tool դեկորատորով Python ֆունկցիա է, որի docstring-ը հուշում է, թե երբ օգտագործել այն։ Դեմքի որոնման հարցումը գործակալը կատարում է երկու կապված քայլով՝ նախ ինդեքսավորելով հղումային լուսանկարը, ապա որոնելով տեսանյութում։

AWS-ի տվյալներով՝ մեդիա ընկերությունն այս մոտեցումը կիրառել է AWS Professional Services-ի նախագծում։ Հաճախորդի ներքին համեմատության համաձայն՝ ձեռքով ստուգման ժամանակը մոտ 80%-ով կրճատվել է 200-ից ավելի բազմաժամ ձայնագրությունների վրա. AWS-ը նշում է, որ ցուցանիշը անկախ չի հաստատվել։

Տեղադրում, ծախսեր և սահմանափակումներ

Հղումային ներդրումն աշխատում է Amazon ECS-ի վրա՝ AWS Fargate-ով, իսկ բալանսավորողը՝ միայն Amazon CloudFront-ի միջոցով։ Մուտքը միայն հրավերով է՝ Amazon Cognito-ի հաշիվներով և պարտադիր բազմագործոն նույնականացմամբ. վերբեռնումները պահվում են օգտատիրոջ S3 նախածանցերում՝ 24-ժամյա կյանքի ցիկլով։

60 րոպեանոց ձայնագրության արտագրությունն արժե մոտ 1,44 դոլար, յուրաքանչյուր լրացուցիչ հարցում՝ 0,05–0,15 դոլար, իսկ դեմքերի ու օբյեկտների վերլուծությունը՝ մոտ 6 դոլար մեկ անգամ։ Գործակալը գործիքներն ընտրում է նկարագրերից, ուստի Amazon Textract-ը, AWS HealthScribe-ը կամ Amazon Comprehend-ը ավելանում են առանց հոսքի փոփոխության։