توفير الوقت باستخدام مقاطع فيديو مخصصة باستخدام AWS Machine Learning

‍

28 يناير 2021

تسعى CLIPr إلى المساعدة في توفير مليار ساعة من وقت المستخدمين. نحن ننظم مقاطع الفيديو في مصدر بيانات قابل للبحث من الدرجة الأولى يتيح الوصول إلى المحتوى الأكثر صلة باهتماماتك باستخدام خدمات التعلم الآلي (ML) من AWS. تعمل CLIPr على تبسيط عملية استخراج المعلومات من مقاطع الفيديو، مما يوفر لك ساعات من الوقت عن طريق التخلص من الحاجة إلى تصفحها يدويًا للعثور على المعلومات الأكثر صلة. يوفر CLIPr أدوات بسيطة مدعومة بالذكاء الاصطناعي للعثور على المحتوى والتفاعل معه ومشاركته عبر مقاطع الفيديو، ليكشف عن كنزك المدفون من خلال تحويل المعلومات غير المنظمة إلى بيانات ورؤى قابلة للتنفيذ.

كيف يستخدم CLIPr خدمات AWS ML

في CLIPr، نستفيد من أفضل ما تقدمه AWS ومجموعة ML لإرضاء عملائنا. في جوهره، يستخدم CLIPr أحدث مبادئ تصميم ML و serverless و infrastructure as code (IaC). تتيح لنا AWS استخدام موارد السحابة فقط عندما نحتاج إليها، ويمكننا نشر بيئة عملاء جديدة تمامًا في بضع دقائق باستخدام برنامج نصي واحد فقط. الميزة الثانية هي الحجم. تتطلب معالجة الفيديو بنية يمكنها التوسع عموديًا وأفقيًا من خلال تشغيل العديد من المهام بالتوازي.

بصفتنا شركة ناشئة في مرحلة مبكرة، فإن وقت طرح المنتج في السوق أمر بالغ الأهمية. كان بناء نماذج من الصفر لميزات CLIPr الرئيسية مثل استخراج الكيانات واستخراج الموضوعات والتصنيف سيستغرق وقتًا طويلاً للتطوير والتدريب. لقد قدمنا بسرعة إمكانات متقدمة باستخدام خدمات AWS AI لتطبيقاتنا وسير العمل لدينا. استخدمنا Amazon Transcribe لتحويل الصوت إلى نصوص قابلة للبحث، و Amazon Comprehend لتصنيف النصوص وتنظيمها حسب الموضوعات ذات الصلة، و Amazon Comprehend Medical لاستخراج الأنطولوجيات الطبية لعميل في مجال الرعاية الصحية، و Amazon Rekognition لاكتشاف أسماء الأشخاص ووجوههم وأنواع الاجتماعات لأول نموذج أولي قابل للتسويق (MVP) لدينا. تمكنا من التكرار بسرعة كبيرة وتحقيق مكاسب سريعة ساعدتنا في إغلاق جولة التمويل التمهيدي مع مستثمرينا.

منذ ذلك الحين، بدأنا في تحديث سير العمل لدينا وخطوط أنابيب البيانات لإنشاء نماذج ML خاصة بنا، باستخدام البيانات التي جمعناها في عملية التدريب. أصبح Amazon SageMaker جزءًا أساسيًا من حلنا. إنه نسيج يمكّننا من توفير ML في نموذج بدون خادم مع توسيع غير محدود. كانت سهولة الاستخدام والمرونة في استخدام أي إطار عمل ML والتعلم العميق من اختيارنا عاملاً مؤثرًا. نحن نستخدم TensorFlow و Apache MXNet و SageMaker notebooks.

نظرًا لاستخدامنا أطر عمل مفتوحة المصدر، تمكنا من جذب علماء بيانات متمرسين في هذه المنصات إلى فريقنا وتدريبهم، ومن ثم توسيع نطاق العمل بسرعة وبطريقة فعالة من حيث التكلفة. في غضون بضعة أشهر فقط، قمنا بدمج خوارزميات التعلم الآلي وسير العمل الداخلي لدينا مع SageMaker لتحسين تفاعل العملاء.

للاطلاع على بنية خدمات AWS وميزات CLIPr المتقدمة والمزيد، تابع قراءة هذه المقالة على AWS.