v prvi del V tej tridelni seriji smo predstavili rešitev, ki prikazuje, kako lahko avtomatizirate odkrivanje poseganja v dokumente in goljufij v velikem obsegu z uporabo storitev AWS AI in strojnega učenja (ML) za primer uporabe hipotekarnega zavarovanja.
V tem prispevku predstavljamo pristop za razvoj modela računalniškega vida, ki temelji na globokem učenju, za odkrivanje in poudarjanje ponarejenih slik pri sklepanju hipotekarnih posojil. Nudimo smernice za gradnjo, usposabljanje in uvajanje omrežij za globoko učenje na Amazon SageMaker.
V 3. delu prikazujemo, kako implementirati rešitev na Amazonski detektor prevare.
Pregled rešitev
Da bi izpolnili cilj odkrivanja poseganja v dokumente pri sklepanju hipotekarnih posojil, uporabljamo model računalniškega vida, ki ga gosti SageMaker, za našo rešitev za odkrivanje ponarejanja slik. Ta model prejme testno sliko kot vhod in ustvari napoved verjetnosti ponarejanja kot rezultat. Arhitektura omrežja je prikazana na naslednjem diagramu.
Ponarejanje slik v glavnem vključuje štiri tehnike: spajanje, kopiranje-premikanje, odstranjevanje in izboljšanje. Glede na značilnosti ponaredka se lahko kot osnova za odkrivanje in lokalizacijo uporabijo različni sledi. Ti namigi vključujejo artefakte stiskanja JPEG, nedoslednosti robov, vzorce šuma, barvno doslednost, vizualno podobnost, doslednost EXIF in model kamere.
Glede na obsežno področje odkrivanja ponarejanja slik uporabljamo algoritem za analizo ravni napak (ELA) kot ilustrativno metodo za odkrivanje ponaredkov. Za to objavo smo izbrali tehniko ELA iz naslednjih razlogov:
- Hitrejši je za implementacijo in zlahka ujame poseganje v slike.
- Deluje tako, da analizira stopnje stiskanja različnih delov slike. To mu omogoča zaznavanje nedoslednosti, ki lahko kažejo na poseganje – na primer, če je bilo eno področje kopirano in prilepljeno z druge slike, ki je bila shranjena z drugačno stopnjo stiskanja.
- Dober je pri zaznavanju bolj subtilnih ali neopaznih posegov, ki jih je težko opaziti s prostim očesom. Tudi majhne spremembe slike lahko povzročijo zaznavne anomalije stiskanja.
- Za primerjavo se ne zanaša na izvirno nespremenjeno sliko. ELA lahko prepozna znake nedovoljenega posega samo na sami sliki, ki je vprašljiva. Druge tehnike pogosto zahtevajo nespremenjen izvirnik za primerjavo.
- To je lahka tehnika, ki temelji le na analizi artefaktov stiskanja v digitalnih slikovnih podatkih. Ni odvisno od specializirane strojne opreme ali forenzičnega strokovnega znanja. Zaradi tega je ELA dostopna kot orodje za analizo prvega prehoda.
- Izhodna slika ELA lahko jasno poudari razlike v stopnjah stiskanja, zaradi česar so prizadeta območja vidno očitna. To omogoča tudi nestrokovnjaku, da prepozna znake morebitne manipulacije.
- Deluje na številnih vrstah slik (kot so JPEG, PNG in GIF) in za analizo potrebuje samo sliko. Druge forenzične tehnike so lahko bolj omejene glede formatov ali izvirnih slikovnih zahtev.
Vendar pa v realnih scenarijih, kjer imate morda kombinacijo vhodnih dokumentov (JPEG, PNG, GIF, TIFF, PDF), priporočamo uporabo ELA v povezavi z različnimi drugimi metodami, kot je npr. odkrivanje nedoslednosti v robovih, vzorci hrupa, barvna enotnost, Konsistentnost podatkov EXIF, identifikacijo modela kamerein enotnost pisave. Naš cilj je posodobiti kodo za to objavo z dodatnimi tehnikami za odkrivanje ponarejanja.
Temeljna predpostavka ELA predpostavlja, da so vhodne slike v formatu JPEG, ki je znan po stiskanju z izgubo. Kljub temu je metoda še vedno lahko učinkovita, tudi če so bile vhodne slike prvotno v formatu brez izgub (kot je PNG, GIF ali BMP) in pozneje med postopkom spreminjanja pretvorjene v JPEG. Ko se ELA uporabi za izvirne formate brez izgub, običajno kaže dosledno kakovost slike brez kakršnega koli poslabšanja, zaradi česar je težko določiti spremenjena področja. Pri slikah JPEG je pričakovana norma, da ima celotna slika podobne stopnje stiskanja. Vendar, če določen del na sliki prikazuje izrazito drugačno stopnjo napake, pogosto nakazuje, da je bila izvedena digitalna sprememba.
ELA poudarja razlike v stopnji stiskanja JPEG. Regije z enakomerno obarvanostjo bodo verjetno imele nižji rezultat ELA (na primer temnejša barva v primerjavi z robovi z visokim kontrastom). Stvari, na katere morate biti pozorni, da prepoznate nedovoljeno poseganje ali spreminjanje, vključujejo naslednje:
- Podobni robovi morajo imeti podobno svetlost v rezultatu ELA. Vsi robovi z visokim kontrastom morajo biti podobni drug drugemu, vsi robovi z nizkim kontrastom pa morajo biti podobni. Pri izvirni fotografiji morajo biti nizkokontrastni robovi skoraj tako svetli kot visokokontrastni robovi.
- Podobne teksture morajo imeti pod ELA podobno barvo. Območja z več podrobnostmi na površini, kot je na primer košarkarska žoga od blizu, bodo verjetno imela višji rezultat ELA kot gladka površina.
- Ne glede na dejansko barvo površine morajo biti vse ravne površine pod ELA približno enako obarvane.
Slike JPEG uporabljajo sistem stiskanja z izgubo. Vsako ponovno kodiranje (ponovno shranjevanje) slike poveča izgubo kakovosti slike. Natančneje, algoritem JPEG deluje na mreži 8 × 8 slikovnih pik. Vsak kvadrat 8×8 je stisnjen neodvisno. Če je slika popolnoma nespremenjena, bi morali imeti vsi kvadrati 8×8 podoben potencial napak. Če je slika nespremenjena in znova shranjena, bi moral vsak kvadrat degradirati s približno enako hitrostjo.
ELA shrani sliko na določeni ravni kakovosti JPEG. To ponovno shranjevanje povzroči znano količino napak na celotni sliki. Ponovno shranjena slika se nato primerja z izvirno sliko. Če je slika spremenjena, mora imeti vsak kvadrat 8 × 8, ki se ga je dotaknila sprememba, večji potencial napake kot preostali del slike.
Rezultati ELA so neposredno odvisni od kakovosti slike. Morda boste želeli vedeti, ali je bilo kaj dodano, toda če je slika večkrat kopirana, lahko ELA dovoli le zaznavanje ponovnega shranjevanja. Poskusite najti najbolj kakovostno različico slike.
Z usposabljanjem in prakso se lahko ELA tudi nauči prepoznati spreminjanje velikosti slike, kakovost, obrezovanje in ponovno shranjevanje. Na primer, če slika, ki ni JPEG, vsebuje vidne mrežne črte (širine 1 piksel v kvadratih 8 × 8), potem to pomeni, da se je slika začela kot JPEG in je bila pretvorjena v obliko, ki ni JPEG (kot je PNG). Če na nekaterih območjih slike manjkajo mrežne črte ali se mrežne črte premaknejo, potem to pomeni spoj ali narisan del na sliki, ki ni JPEG.
V naslednjih razdelkih prikazujemo korake za konfiguriranje, usposabljanje in uvajanje modela računalniškega vida.
Predpogoji
Če želite slediti tej objavi, izpolnite naslednje predpogoje:
- Imejte račun AWS.
- Nastavitev Amazon SageMaker Studio. S privzetimi prednastavitvami lahko hitro zaženete SageMaker Studio, kar olajša hiter zagon. Za več informacij glejte Amazon SageMaker poenostavlja nastavitev Amazon SageMaker Studio za posamezne uporabnike.
- Odprite SageMaker Studio in zaženite sistemski terminal.
- V terminalu zaženite naslednji ukaz:
git clone https://github.com/aws-samples/document-tampering-detection.git
- Skupni strošek izvajanja programa SageMaker Studio za enega uporabnika in konfiguracije okolja prenosnega računalnika znaša 7.314 USD na uro.
Nastavite model zvezka za usposabljanje
Izvedite naslednje korake, da nastavite svoj zvezek za vadbo:
- odprite
tampering_detection_training.ipynb
datoteko iz imenika za odkrivanje nedovoljenih posegov. - Nastavite okolje prenosnika s sliko TensorFlow 2.6 Python 3.8 CPE ali GPU Optimized.
Pri izbiri primerkov, optimiziranih za GPE, lahko naletite na težavo nezadostne razpoložljivosti ali dosežete omejitev kvote za instance GPE v vašem računu AWS. Če želite povečati kvoto, obiščite konzolo Service Quotas in povečajte omejitev storitve za določeno vrsto instance, ki jo potrebujete. V takih primerih lahko uporabite tudi okolje prenosnega računalnika, optimiziranega za procesor. - za Kernel, izberite Python3.
- za Vrsta primerka, izberite ml.m5d.24xvelika ali kateri koli drug večji primer.
Izbrali smo večji tip primerka, da bi zmanjšali čas usposabljanja modela. Z okoljem prenosnega računalnika ml.m5d.24xlarge je cena na uro 7.258 USD na uro.
Zaženite vadbeni zvezek
Zaženite vsako celico v zvezku tampering_detection_training.ipynb
v redu. O nekaterih celicah bomo podrobneje razpravljali v naslednjih razdelkih.
Pripravite nabor podatkov s seznamom izvirnih in spremenjenih slik
Preden zaženete naslednjo celico v zvezku, pripravite nabor podatkov izvirnih in spremenjenih dokumentov glede na vaše posebne poslovne zahteve. Za to objavo uporabljamo vzorčni nabor podatkov o spremenjenih plačilnih položnicah in bančnih izpiskih. Nabor podatkov je na voljo v imeniku slik na GitHub repozitorij.
Beležnica bere originalne in spremenjene slike iz images/training
imenik.
Nabor podatkov za usposabljanje je ustvarjen z uporabo datoteke CSV z dvema stolpcema: pot do slikovne datoteke in oznaka za sliko (0 za izvirno sliko in 1 za spremenjeno sliko).
Obdelajte nabor podatkov z ustvarjanjem rezultatov ELA za vsako sliko usposabljanja
V tem koraku ustvarimo rezultat ELA (pri 90-odstotni kakovosti) vhodne vadbene slike. Funkcija convert_to_ela_image
ima dva parametra: pot, ki je pot do slikovne datoteke, in kakovost, ki predstavlja parameter kakovosti za stiskanje JPEG. Funkcija izvaja naslednje korake:
- Pretvorite sliko v format RGB in jo znova shranite kot datoteko JPEG z navedeno kakovostjo pod imenom tempresaved.jpg.
- Izračunajte razliko med izvirno sliko in znova shranjeno sliko JPEG (ELA), da določite največjo razliko v vrednostih slikovnih pik med izvirno in ponovno shranjeno sliko.
- Izračunajte faktor lestvice na podlagi največje razlike, da prilagodite svetlost slike ELA.
- Povečajte svetlost slike ELA z izračunanim faktorjem lestvice.
- Spremenite velikost rezultata ELA na 128x128x3, kjer 3 predstavlja število kanalov za zmanjšanje vhodne velikosti za usposabljanje.
- Vrnite sliko ELA.
V formatih slik z izgubo, kot je JPEG, povzroči začetni postopek shranjevanja precejšnje izgube barv. Vendar, ko je slika naložena in nato ponovno kodirana v istem formatu z izgubo, je na splošno manj dodane barvne degradacije. Rezultati ELA poudarjajo področja slike, ki so najbolj dovzetna za degradacijo barv po ponovnem shranjevanju. Na splošno so spremembe vidno vidne na območjih, ki kažejo večji potencial za degradacijo v primerjavi s preostalim delom slike.
Nato se slike obdelajo v matriko NumPy za usposabljanje. Vhodni nabor podatkov nato naključno razdelimo na podatke za usposabljanje in teste ali validacijo (80/20). Pri izvajanju teh celic lahko prezrete vsa opozorila.
Zagon teh celic lahko traja nekaj časa, odvisno od velikosti nabora podatkov. Za vzorčni nabor podatkov, ki smo ga zagotovili v tem skladišču, lahko traja 5–10 minut.
Konfigurirajte model CNN
V tem koraku izdelamo minimalno različico omrežja VGG z majhnimi konvolucijskimi filtri. VGG-16 je sestavljen iz 13 konvolucijskih plasti in treh popolnoma povezanih plasti. Naslednji posnetek zaslona ponazarja arhitekturo našega modela konvolucijske nevronske mreže (CNN).
Upoštevajte naslednje konfiguracije:
- vhod – Model sprejme sliko vhodne velikosti 128x128x3.
- Konvolucijske plasti – Konvolucijski sloji uporabljajo minimalno receptivno polje (3×3), najmanjšo možno velikost, ki še vedno zajema gor/dol in levo/desno. Temu sledi aktivacijska funkcija rektificirane linearne enote (ReLU), ki skrajša čas vadbe. To je linearna funkcija, ki izpiše vhod, če je pozitiven; sicer je rezultat nič. Konvolucijski korak je fiksiran na privzeto (1 slikovna pika), da ohrani prostorsko ločljivost po konvoluciji (korak je število premikov slikovnih pik po vhodni matriki).
- Popolnoma povezane plasti – Omrežje ima dve popolnoma povezani plasti. Prva gosta plast uporablja aktivacijo ReLU, druga pa softmax za razvrstitev slike kot izvirne ali spremenjene.
Pri izvajanju teh celic lahko prezrete vsa opozorila.
Shranite artefakte modela
Shranite naučen model z edinstvenim imenom datoteke – na primer glede na trenutni datum in uro – v imenik z imenom model.
Model je shranjen v formatu Keras s pripono .keras
. Prav tako shranimo artefakte modela kot imenik z imenom 1, ki vsebuje serializirane podpise in stanje, potrebno za njihov zagon, vključno z vrednostmi spremenljivk in besednjaki za uvajanje v izvajalno okolje SageMaker (o katerem razpravljamo pozneje v tej objavi).
Izmerite zmogljivost modela
Naslednja krivulja izgube prikazuje napredovanje izgube modela v obdobjih usposabljanja (iteracije).
Funkcija izgube meri, kako dobro se napovedi modela ujemajo z dejanskimi cilji. Nižje vrednosti kažejo na boljšo usklajenost med napovedmi in resničnimi vrednostmi. Zmanjševanje izgube v epohah pomeni, da se model izboljšuje. Krivulja natančnosti ponazarja natančnost modela v obdobjih usposabljanja. Natančnost je razmerje med pravilnimi napovedmi in skupnim številom napovedi. Večja natančnost kaže na boljši model. Običajno se natančnost poveča med usposabljanjem, ko se model nauči vzorcev in izboljša svojo sposobnost napovedovanja. Ti vam bodo pomagali ugotoviti, ali je model preveč primeren (dobro deluje na podatkih o usposabljanju, vendar slabo na nevidnih podatkih) ali premalo (ne uči se dovolj iz podatkov o usposabljanju).
Naslednja matrika zmede vizualno predstavlja, kako dobro model natančno razlikuje med pozitivnimi (ponarejena slika, predstavljena kot vrednost 1) in negativnimi (neprirejena slika, predstavljena kot vrednost 0) razredom.
Po usposabljanju modela naš naslednji korak vključuje uvedbo modela računalniškega vida kot API-ja. Ta API bo integriran v poslovne aplikacije kot komponenta delovnega toka sklepanja pogodb. Da bi to dosegli, uporabljamo Amazon SageMaker Inference, popolnoma upravljano storitev. Ta storitev se brezhibno integrira z orodji MLOps, kar omogoča razširljivo uvajanje modela, stroškovno učinkovito sklepanje, izboljšano upravljanje modela v proizvodnji in zmanjšano kompleksnost delovanja. V tej objavi model uvajamo kot končno točko sklepanja v realnem času. Vendar je pomembno upoštevati, da je glede na delovni tok vaših poslovnih aplikacij mogoče uvajanje modela prilagoditi tudi kot paketno obdelavo, asinhrono ravnanje ali prek arhitekture uvajanja brez strežnika.
Nastavite prenosni računalnik za uvajanje modela
Izvedite naslednje korake, da nastavite prenosni računalnik za uvajanje modela:
- odprite
tampering_detection_model_deploy.ipynb
datoteko iz imenika za odkrivanje nedovoljenih posegov. - Nastavite okolje prenosnika s sliko Data Science 3.0.
- za Kernel, izberite Python3.
- za Vrsta primerka, izberite ml.t3.srednje.
Z okoljem prenosnega računalnika ml.t3.medium je cena na uro 0.056 USD.
Ustvarite vgrajeni pravilnik po meri za vlogo SageMaker, da omogočite vsa dejanja Amazon S3
O AWS upravljanje identitete in dostopa (IAM) vloga za SageMaker bo v formatu AmazonSageMaker- ExecutionRole-<random numbers>
. Prepričajte se, da uporabljate pravilno vlogo. Ime vloge najdete pod podrobnostmi o uporabniku v konfiguracijah domene SageMaker.
Posodobite vlogo IAM, da bo vključevala vgrajeni pravilnik za dovoljenje vsem Preprosta storitev shranjevanja Amazon (Amazon S3). To bo potrebno za avtomatizacijo ustvarjanja in brisanja veder S3, ki bodo shranjevale artefakte modela. Dostop lahko omejite na določena vedra S3. Upoštevajte, da smo v pravilniku IAM uporabili nadomestni znak za ime vedra S3 (tamperingdetection*
).
Zaženite zvezek za uvajanje
Zaženite vsako celico v zvezku tampering_detection_model_deploy.ipynb
v redu. O nekaterih celicah bomo podrobneje razpravljali v naslednjih razdelkih.
Ustvari vedro S3
Zaženite celico, da ustvarite vedro S3. Žlica bo poimenovana tamperingdetection<current date time>
in v isti regiji AWS kot vaše okolje SageMaker Studio.
Ustvarite arhiv artefaktov modela in ga naložite v Amazon S3
Ustvarite datoteko tar.gz iz artefaktov modela. Artefakte modela smo shranili kot imenik z imenom 1, ki vsebuje serializirane podpise in stanje, potrebno za njihov zagon, vključno z vrednostmi spremenljivk in besednjaki za uvedbo v izvajalno okolje SageMaker. Vključite lahko tudi datoteko sklepanja po meri, imenovano inference.py
v mapi s kodo v artefaktu modela. Sklep po meri se lahko uporablja za predhodno in naknadno obdelavo vhodne slike.
Ustvari končno točko sklepanja SageMaker
Dokončanje celice za ustvarjanje končne točke sklepanja SageMaker lahko traja nekaj minut.
Preizkusite končno točko sklepanja
funkcija check_image
predhodno obdela sliko kot sliko ELA, jo pošlje končni točki SageMaker za sklepanje, pridobi in obdela napovedi modela ter natisne rezultate. Model vzame niz NumPy vhodne slike kot sliko ELA, da zagotovi napovedi. Predvidevanja se izpišejo kot 0, kar predstavlja nespremenjeno sliko, in 1, ki predstavlja ponarejeno sliko.
Prikličimo model z neokrnjeno sliko položnice in preverimo rezultat.
Model izpiše klasifikacijo kot 0, kar predstavlja nespremenjeno sliko.
Zdaj pa prikličimo model s spremenjeno sliko plačilne liste in preverimo rezultat.
Model izpiše klasifikacijo kot 1, kar predstavlja ponarejeno sliko.
Omejitve
Čeprav je ELA odlično orodje za pomoč pri odkrivanju sprememb, obstajajo številne omejitve, kot so naslednje:
- Ena sama sprememba slikovne pike ali manjša barvna prilagoditev morda ne bo povzročila opazne spremembe v ELA, ker JPEG deluje v mreži.
- ELA samo identificira, katere regije imajo različne stopnje stiskanja. Če je slika nižje kakovosti spojena v sliko višje kakovosti, se lahko slika nižje kakovosti prikaže kot temnejše območje.
- Skaliranje, prebarvanje ali dodajanje šuma sliki bo spremenilo celotno sliko, kar bo povzročilo višjo stopnjo napake.
- Če je slika znova shranjena večkrat, je lahko v celoti na minimalni ravni napake, kjer več ponovnih shranjev ne spremeni slike. V tem primeru bo ELA vrnil črno sliko in s tem algoritmom ni mogoče prepoznati nobenih sprememb.
- S programom Photoshop lahko preprosto dejanje shranjevanja slike samodejno izostri teksture in robove, kar ustvari možnost višje stopnje napake. Ta artefakt ne identificira namerne spremembe; identificira, da je bil uporabljen izdelek Adobe. Tehnično se ELA prikaže kot sprememba, ker je Adobe samodejno izvedel spremembo, ni pa nujno, da je uporabnik namerno izvedel spremembo.
Priporočamo uporabo ELA skupaj z drugimi tehnikami, o katerih smo že razpravljali v spletnem dnevniku, da bi odkrili več primerov manipulacije s slikami. ELA lahko služi tudi kot neodvisno orodje za vizualno preučevanje slikovnih neskladij, zlasti ko postane usposabljanje modela, ki temelji na CNN, izziv.
Čiščenje
Če želite odstraniti vire, ki ste jih ustvarili kot del te rešitve, izvedite naslednje korake:
- Zaženite celice zvezka pod Pospravi razdelek. To bo izbrisalo naslednje:
- Končna točka sklepanja SageMaker – Ime končne točke sklepanja bo
tamperingdetection-<datetime>
. - Predmeti v vedru S3 in samo vedro S3 – Ime vedra bo
tamperingdetection<datetime>
.
- Končna točka sklepanja SageMaker – Ime končne točke sklepanja bo
- Zaustavite vire prenosnika SageMaker Studio.
zaključek
V tej objavi smo predstavili celovito rešitev za odkrivanje spreminjanja dokumentov in goljufij z uporabo globokega učenja in SageMakerja. Uporabili smo ELA za predhodno obdelavo slik in odkrivanje neskladij v stopnjah stiskanja, ki lahko kažejo na manipulacijo. Nato smo na tem obdelanem naboru podatkov usposobili model CNN za razvrstitev slik kot izvirne ali spremenjene.
Model lahko doseže močno zmogljivost z natančnostjo več kot 95 % z naborom podatkov (ponarejenim in izvirnim), ki ustreza vašim poslovnim zahtevam. To pomeni, da lahko zanesljivo odkrije ponarejene dokumente, kot so plačilne liste in bančni izpiski. Usposobljeni model je razporejen na končno točko SageMaker, da omogoči sklepanje z nizko zakasnitvijo v velikem obsegu. Z integracijo te rešitve v hipotekarne poteke dela lahko institucije samodejno označijo sumljive dokumente za nadaljnjo preiskavo goljufij.
Čeprav je močna, ima ELA nekaj omejitev pri prepoznavanju nekaterih vrst bolj subtilne manipulacije. Kot naslednji korak bi lahko model izboljšali z vključitvijo dodatnih forenzičnih tehnik v usposabljanje in uporabo večjih, bolj raznolikih naborov podatkov. Na splošno ta rešitev prikazuje, kako lahko uporabite poglobljeno učenje in storitve AWS za izgradnjo učinkovitih rešitev, ki povečujejo učinkovitost, zmanjšujejo tveganje in preprečujejo goljufije.
V 3. delu prikazujemo, kako implementirati rešitev na Amazon Fraud Detector.
O avtorjih
Anup Ravindranath je višji arhitekt rešitev pri Amazon Web Services (AWS) s sedežem v Torontu v Kanadi in sodeluje z organizacijami za finančne storitve. Strankam pomaga preoblikovati svoja podjetja in uvesti inovacije v oblaku.
Vinnie Saini je višji arhitekt rešitev pri Amazon Web Services (AWS) s sedežem v Torontu v Kanadi. Pomaga strankam finančnih storitev pri preobrazbi v oblaku z rešitvami, ki jih poganja AI in ML, položenimi na trdnih temeljnih stebrih arhitekturne odličnosti.
- Distribucija vsebine in PR s pomočjo SEO. Okrepite se še danes.
- PlatoData.Network Vertical Generative Ai. Opolnomočite se. Dostopite tukaj.
- PlatoAiStream. Web3 Intelligence. Razširjeno znanje. Dostopite tukaj.
- PlatoESG. Ogljik, CleanTech, Energija, Okolje, sončna energija, Ravnanje z odpadki. Dostopite tukaj.
- PlatoHealth. Obveščanje o biotehnologiji in kliničnih preskušanjih. Dostopite tukaj.
- vir: https://aws.amazon.com/blogs/machine-learning/train-and-host-a-computer-vision-model-for-tampering-detection-on-amazon-sagemaker-part-2/
- :ima
- : je
- :ne
- :kje
- $GOR
- 056
- 1
- 100
- 13
- 195
- 258
- 408
- 75
- 8
- 95%
- a
- sposobnost
- O meni
- dostop
- dostopen
- Račun
- natančnost
- natančno
- Doseči
- čez
- Zakon
- dejavnosti
- Aktiviranje
- dejanska
- dodano
- dodajanje
- Dodatne
- Dodaja
- prilagodite
- Prilagoditev
- Adobe
- po
- proti
- AI
- Cilj
- algoritem
- poravnava
- vsi
- omogočajo
- omogoča
- skoraj
- skupaj
- skupaj
- Prav tako
- spremenila
- Amazon
- Amazonski detektor prevare
- Amazon SageMaker
- Amazon SageMaker Studio
- Amazon Web Services
- Amazonske spletne storitve (AWS)
- znesek
- an
- Analiza
- analizirati
- analiziranje
- in
- Še ena
- kaj
- API
- zdi
- se prikaže
- aplikacije
- uporabna
- pristop
- približno
- architectural
- Arhitektura
- Arhiv
- SE
- OBMOČJE
- območja
- Array
- AS
- predpostavlja
- At
- avtomatizirati
- samodejno
- razpoložljivost
- Na voljo
- AWS
- Banka
- temeljijo
- Košarka
- BE
- ker
- postane
- bilo
- BEST
- Boljše
- med
- črna
- Blog
- povečanje
- Bright
- izgradnjo
- Building
- poslovni
- Poslovne aplikacije
- podjetja
- vendar
- by
- izračuna
- se imenuje
- kamera
- CAN
- Kanada
- ujame
- primeru
- primeri
- wrestling
- celica
- Celice
- nekatere
- izziv
- spremenite
- Spremembe
- kanali
- lastnosti
- preveriti
- Izberite
- razredi
- Razvrstitev
- Razvrsti
- jasno
- Cloud
- CNN
- Koda
- barva
- Stolpci
- kombinacija
- primerjate
- v primerjavi z letom
- Primerjava
- dokončanje
- popolnoma
- kompleksnost
- komponenta
- računalnik
- Računalniška vizija
- konfiguriranje
- zmeda
- veznik
- povezane
- velika
- dosledno
- vsebuje
- Konzole
- gradnjo
- Vsebuje
- pretvorbo
- pretvori
- konvolucijsko nevronsko mrežo
- popravi
- strošek
- bi
- CPU
- ustvarjajo
- ustvaril
- Ustvarjanje
- Oblikovanje
- Trenutna
- krivulja
- po meri
- Stranke, ki so
- temnejši
- datum
- znanost o podatkih
- nabor podatkov
- Datum
- zmanjšuje
- globoko
- globoko učenje
- privzeto
- izkazati
- dokazuje,
- označuje
- gosto
- odvisna
- odvisno
- Odvisno
- razporedi
- razporejeni
- uvajanja
- uvajanje
- Podatki
- Podrobnosti
- odkrivanje
- Odkrivanje
- Ugotovite,
- Razvoj
- diagram
- Razlika
- razlike
- drugačen
- digitalni
- neposredno
- razpravlja
- razpravljali
- prikazovalniki
- razlikuje
- razne
- do
- dokument
- Dokumenti
- Ne
- domena
- sestavljene
- vozi
- med
- vsak
- enostavno
- Edge
- Učinkovito
- učinkovitosti
- poudariti
- zaposlovanja
- omogočajo
- omogočanje
- konec koncev
- Končna točka
- okrepljeno
- Izboljšave
- dovolj
- Celotna
- popolnoma
- okolje
- epohe
- Napaka
- napake
- zlasti
- Eter (ETH)
- Tudi
- Tudi vsak
- Preučevanje
- Primer
- Odličnost
- odlično
- izkazujejo
- Razstavni
- ekspanziven
- Pričakuje
- strokovno znanje
- razširitev
- oči
- olajšanje
- Faktor
- Nekaj
- Polje
- file
- Filtri
- finančna
- finančne storitve
- Najdi
- prva
- Všita
- stanovanje
- sledi
- sledili
- po
- za
- Forenzik
- forenzike
- kovani
- format
- je pokazala,
- Fundacija
- Temeljno
- štiri
- goljufija
- iz
- v celoti
- funkcija
- nadalje
- splošno
- ustvarjajo
- ustvarja
- ustvarjajo
- gif
- git
- dobro
- GPU
- več
- Mreža
- Navodila
- imel
- Ravnanje
- Trdi
- strojna oprema
- Imajo
- ob
- he
- pomoč
- pomoč
- Pomaga
- več
- Označite
- Poudarki
- hit
- gostitelj
- gostila
- uro
- Kako
- Kako
- Vendar
- HTML
- http
- HTTPS
- IAM
- identificirati
- identificira
- identificirati
- identifikacijo
- identiteta
- IEEE
- if
- ignorirati
- ponazarja
- slika
- slike
- vplivno
- izvajati
- Pomembno
- izboljšuje
- izboljšanju
- in
- vključujejo
- Vključno
- neskladja
- vključujoč
- Povečajte
- Poveča
- Neodvisni
- neodvisno
- Navedite
- označuje
- individualna
- Podatki
- začetna
- sproži
- inovacije
- vhod
- primer
- primerov
- Institucije
- integrirana
- Integrira
- Povezovanje
- namerna
- v
- uvesti
- Predstavlja
- preiskava
- vključuje
- vprašanje
- IT
- ponovitve
- ITS
- sam
- jpg
- Imejte
- keras
- Vedite
- znano
- label
- Pomanjkanje
- velika
- večja
- pozneje
- kosilo
- plast
- plasti
- Interesenti
- UČITE
- učenje
- manj
- Stopnja
- ravni
- lahek
- kot
- verjetnost
- Verjeten
- LIMIT
- omejitve
- linearna
- linije
- Seznam
- Lokalizacija
- Poglej
- off
- nižje
- stroj
- strojno učenje
- je
- v glavnem
- Znamka
- IZDELA
- Izdelava
- upravlja
- upravljanje
- Manipulacija
- več
- Stave
- Matrix
- največja
- Maj ..
- pomeni
- ukrepe
- srednje
- Srečati
- Metoda
- Metode
- minimalna
- minimalna
- mladoletnika
- min
- ML
- MLOps
- Model
- spremembe
- spremembe
- spremenite
- več
- Hipotekarni
- Najbolj
- več
- Ime
- Imenovan
- nujno
- Nimate
- potrebna
- negativna
- mreža
- omrežij
- Nevronski
- nevronska mreža
- Kljub temu
- Naslednja
- št
- hrup
- Upoštevajte
- prenosnik
- Številka
- otopeli
- Cilj
- Očitna
- of
- pogosto
- on
- ONE
- samo
- deluje
- operativno
- optimizirana
- or
- Da
- organizacije
- izvirno
- originalno
- Ostalo
- drugače
- naši
- rezultatov
- izhod
- izhodi
- več
- Splošni
- parameter
- parametri
- del
- zlasti
- deli
- pot
- vzorci
- za
- performance
- opravljeno
- izvajati
- opravlja
- fotografija
- photoshop
- slika
- stebri
- pixel
- platon
- Platonova podatkovna inteligenca
- PlatoData
- parcela
- politika
- del
- pozitiven
- mogoče
- Prispevek
- potencial
- potenciali
- močan
- praksa
- napoved
- Napovedi
- napovedno
- Pripravimo
- predpogoji
- predstaviti
- predstavljeni
- ohranjeno
- preprečiti
- prej
- printi
- Postopek
- obdelani
- Procesi
- obravnavati
- Izdelek
- proizvodnja
- napredovanje
- zagotavljajo
- če
- Python
- kakovost
- Vprašanje
- hitreje
- naključno
- območje
- hitro
- Oceniti
- razmerje
- resnični svet
- v realnem času
- kraljestvo
- Razlogi
- prejme
- priznajo
- Priporočamo
- popravljen
- zmanjša
- Zmanjšana
- zmanjšuje
- glejte
- okolica
- regije
- nadaljevanje
- zanašajo
- odstranitev
- odstrani
- upodabljanje
- Skladišče
- zastopan
- predstavlja
- predstavlja
- zahteva
- obvezna
- Zahteve
- zahteva
- Resolucija
- viri
- REST
- omejeno
- povzroči
- Rezultati
- vrnitev
- RGB
- Tveganje
- vloga
- Run
- tek
- sagemaker
- Sklep SageMaker
- Enako
- Vzorčni niz podatkov
- Shrani
- shranjena
- shranjevanje
- razširljive
- Lestvica
- skaliranje
- scenariji
- Znanost
- brezšivne
- brez težav
- drugi
- Oddelek
- oddelki
- izbran
- izbiranje
- pošlje
- višji
- Serija
- služijo
- Brez strežnika
- Storitev
- Storitve
- nastavite
- nastavitev
- je
- premik
- Izmene
- shouldnt
- Razstave
- Podpisi
- pomeni
- Znaki
- Podoben
- Enostavno
- poenostavlja
- sam
- Velikosti
- majhna
- nemoteno
- Rešitev
- rešitve
- nekaj
- Nekaj
- prostorsko
- specializirani
- specifična
- posebej
- določeno
- po delih
- Komercialni
- kvadrat
- kvadratov
- začel
- Država
- Izjave
- Korak
- Koraki
- Še vedno
- shranjevanje
- trgovina
- koraka
- močna
- studio
- Kasneje
- taka
- Predlaga
- Preverite
- Površina
- dovzetne
- sumljiv
- hitro
- sistem
- prilagojene
- Bodite
- meni
- Cilji
- tehnično
- tehnika
- tehnike
- tensorflo
- terminal
- Test
- Testiranje
- kot
- da
- O
- Država
- njihove
- Njih
- POTEM
- Tukaj.
- te
- stvari
- ta
- 3
- skozi
- čas
- krat
- do
- orodje
- orodja
- toronto
- Skupaj za plačilo
- dotaknil
- Vlak
- usposobljeni
- usposabljanje
- Transform
- transformacije
- Res
- poskusite
- dva
- tip
- Vrste
- tipično
- pod
- osnovni
- sklepanje zavarovanj
- edinstven
- Enota
- Nadgradnja
- naprej
- ameriški dolar
- uporaba
- primeru uporabe
- Rabljeni
- uporabnik
- uporablja
- uporabo
- potrjevanje
- vrednost
- Vrednote
- spremenljivka
- različnih
- različica
- vidna
- Vizija
- obisk
- vizualna
- vizualno
- želeli
- je
- we
- web
- spletne storitve
- Dobro
- so bili
- Kaj
- kdaj
- ki
- široka
- bo
- z
- v
- brez
- potek dela
- delovnih tokov
- deluje
- deluje
- jo
- Vaša rutina za
- zefirnet
- nič