AWS-მა ვიდეოჩანაწერების აგენტზე დაფუძნებული ანალიზის არქიტექტურა გამოაქვეყნა

მედიის, უსაფრთხოებისა და დაზღვევის სფეროს გუნდები იმაზე ბევრ ვიდეოს იწერენ, ვიდრე ნახვას ახერხებენ: შეხვედრების ჩანაწერები საერთო დისკებზე გროვდება, კამერები კი კვირობით დაუთვალიერებელ კადრებს აგროვებენ. მათში არსებული დეტალების — კვირების წინ მიღებული გადაწყვეტილების ან კართან მისული ადამიანის მომენტის — მოძიება საათობით ყურებას მოითხოვს.

AWS Machine Learning Blog-ზე გამოქვეყნებული არქიტექტურა ამ შინაარსს ბუნებრივი ენით დასმული კითხვებით საძიებელს ხდის. მომხმარებელი ჩანაწერს ატვირთავს და სვამს კითხვას, მაგალითად: „რა გადაწყვეტილებები მიიღეს ამ შეხვედრაზე?“, პასუხი კი დროის ნიშნულებით ბრუნდება. უკვე გაანალიზებულ მასალაზე პასუხი წამზე ნაკლებ დროში მოდის, ახალი ვიდეოს პირველი ანალიზი კი 5–10 წუთს იკავებს.

ერთი აგენტი ფიქსირებული პაიპლაინების ნაცვლად

საფუძველი Strands Agents SDK-ია. კითხვის ყოველი ტიპისთვის ცალკე პაიპლაინის ნაცვლად — ტრანსკრიფცია, ვიზუალური ძიება, სახის ამოცნობა — ერთი აგენტი წყვეტს, რომელი სერვისი გამოიძახოს: სასაუბრო შინაარსის კითხვები Amazon Transcribe-ზე გადადის, ვიზუალური — Amazon Rekognition-ზე, დასაბუთების ფენა კი Amazon Bedrock-ია, შედეგები კი Amazon S3-ში ინახება.

შედეგები და გამოყენების შემთხვევები

თითოეული სერვისი აგენტისთვის @tool დეკორატორიანი Python-ის ფუნქციაა, მისი docstring კი მოდელს კარნახობს, როდის გამოიყენოს ის. სახის ამოცნობისას აგენტი ორ დამოკიდებულ ნაბიჯს ასრულებს — ჯერ საცნობარო ფოტოს ინდექსირებს, შემდეგ ვიდეოში ეძებს — და შედეგს დროის ნიშნულებითა და სარწმუნოების ქულებით აბრუნებს.

მედიისა და გასართობი ინდუსტრიის კომპანიამ ეს მიდგომა AWS Professional Services-ის პროექტში დანერგა და ჩაწერილ სამუშაო სესიებზე კითხვებს სვამს. კომპანიის შიდა შედარების მიხედვით, ხელით გადამოწმების დრო დაახლოებით 80%-ით შემცირდა 200-ზე მეტი მრავალსაათიანი ჩანაწერის ბაზაზე; AWS აღნიშნავს, რომ მაჩვენებელი დამოუკიდებლად არ დადასტურებულა.

განლაგება, ხარჯები და შეზღუდვები

საცნობარო იმპლემენტაცია Amazon ECS-ზე AWS Fargate-ით მუშაობს, ბალანსერი კი მხოლოდ Amazon CloudFront-ის გავლითაა ხელმისაწვდომი. წვდომა მხოლოდ მოწვევითაა, Amazon Cognito-ს ანგარიშებითა და სავალდებულო მრავალფაქტორიანი ავტორიზაციით; ატვირთვები 24-საათიანი ციკლით მომხმარებლის S3 პრეფიქსებში ინახება.

გამოქვეყნებული ფასებით, 60-წუთიანი ჩანაწერის ტრანსკრიბირება დაახლოებით 1,44 დოლარი ღირს, დამატებითი კითხვა — 0,05–0,15 დოლარი, სახისა და ობიექტების ანალიზი კი ერთჯერადად 6 დოლარამდე. აგენტი ხელსაწყოებს აღწერიდან ირჩევს, ამიტომ Amazon Textract, AWS HealthScribe ან Amazon Comprehend პროცესის შეცვლის გარეშე დაემატება.