કેસ સ્ટડી: સામગ્રી મધ્યસ્થતા
સામગ્રી મધ્યસ્થતા માટે 30K+ દસ્તાવેજ વેબ સ્ક્રેપ અને ટીકા
આપણે જ્યાં કનેક્ટ થઈએ છીએ અને વાતચીત કરીએ છીએ તે ઓનલાઈન જગ્યાને સુરક્ષિત કરવા માટે AI-સંચાલિત સામગ્રી મધ્યસ્થીની માંગ વધી રહી છે.
સોશિયલ મીડિયાનો ઉપયોગ વધતો જાય છે તેમ, સુરક્ષિત ઓનલાઈન જગ્યા સુનિશ્ચિત કરવા માટે પ્રયત્નશીલ પ્લેટફોર્મ્સ માટે સાયબર ધમકીની સમસ્યા એક મહત્વપૂર્ણ અવરોધ તરીકે ઉભરી આવી છે. આશ્ચર્યજનક રીતે 38% વ્યક્તિઓ દૈનિક ધોરણે આ હાનિકારક વર્તનનો સામનો કરે છે, જે સંશોધનાત્મક સામગ્રી મધ્યસ્થતા અભિગમોની તાત્કાલિક માંગ પર ભાર મૂકે છે. આજે સંસ્થાઓ સાયબર ધમકીની કાયમી સમસ્યાને સક્રિય રીતે ઉકેલવા માટે કૃત્રિમ બુદ્ધિમત્તાના ઉપયોગ પર આધાર રાખે છે.
સાયબર સુરક્ષા:
ફેસબુકના Q4 કોમ્યુનિટી સ્ટાન્ડર્ડ્સ એન્ફોર્સમેન્ટ રિપોર્ટમાં ખુલાસો - 6.3 મિલિયન ગુંડાગીરી અને ઉત્પીડન સામગ્રી પર કાર્યવાહી, 49.9% ના સક્રિય શોધ દર સાથે
શિક્ષણ:
2021 ના એક અભ્યાસમાં જાણવા મળ્યું છે કે યુનાઇટેડ સ્ટેટ્સમાં 12 થી 17 વર્ષની વયના 36.5% વિદ્યાર્થીઓએ તેમના શાળાના શિક્ષણ દરમિયાન એક યા બીજા સમયે સાયબર ધમકીનો અનુભવ કર્યો હતો.
૨૦૨૦ના અહેવાલ મુજબ, ૨૦૧૯માં વૈશ્વિક કન્ટેન્ટ મોડરેશન સોલ્યુશન્સ માર્કેટનું મૂલ્ય USD ૪.૦૭ બિલિયન હતું અને ૨૦૨૭ સુધીમાં ૧૪.૭% ના CAGR સાથે USD ૧૧.૯૪ બિલિયન સુધી પહોંચવાની ધારણા છે.
વાસ્તવિક દુનિયાનું સમાધાન
ડેટા જે વૈશ્વિક વાતચીતોને નિયંત્રિત કરે છે
ક્લાયન્ટ તેના ક્લાઉડ ઓફરિંગ માટે એક મજબૂત ઓટોમેટેડ કન્ટેન્ટ મોડરેશન મશીન લર્નિંગ મોડેલ વિકસાવી રહ્યો હતો, જેના માટે તેઓ ડોમેન-વિશિષ્ટ વિક્રેતાની શોધમાં હતા જે તેમને સચોટ તાલીમ ડેટા સાથે મદદ કરી શકે.
નેચરલ લેંગ્વેજ પ્રોસેસિંગ (NLP) માં અમારા વ્યાપક જ્ઞાનનો ઉપયોગ કરીને, અમે ક્લાયન્ટને અંગ્રેજી અને સ્પેનિશ બંનેમાં 30,000 થી વધુ દસ્તાવેજો એકત્રિત કરવામાં, વર્ગીકૃત કરવામાં અને ટીકા કરવામાં મદદ કરી જેથી ઓટોમેટેડ કન્ટેન્ટ મોડરેશન મશીન લર્નિંગ મોડેલ બનાવી શકાય જે ટોક્સિક, મેચ્યોર અથવા સેક્સ્યુઅલી એક્સપ્લિસિટ કન્ટેન્ટ કેટેગરીમાં વિભાજિત થાય.
સમસ્યા
- પ્રાથમિકતા ધરાવતા ડોમેન્સમાંથી સ્પેનિશ અને અંગ્રેજી બંને ભાષામાં 30,000 દસ્તાવેજોને વેબ સ્ક્રેપ કરી રહ્યું છે
- એકત્રિત સામગ્રીને ટૂંકા, મધ્યમ અને લાંબા ભાગોમાં વર્ગીકૃત કરવી
- સંકલિત ડેટાને ઝેરી, પરિપક્વ અથવા જાતીય રીતે સ્પષ્ટ સામગ્રી તરીકે લેબલ કરવું
- ઓછામાં ઓછી 90% ચોકસાઈ સાથે ઉચ્ચ-ગુણવત્તાવાળી ટીકાઓ સુનિશ્ચિત કરવી.
ઉકેલ
- વેબ દ્વારા BFSI, હેલ્થકેર, મેન્યુફેક્ચરિંગ, રિટેલમાંથી સ્પેનિશ અને અંગ્રેજી માટે 30,000 દસ્તાવેજો રદ કરવામાં આવ્યા. સામગ્રીને ટૂંકા, મધ્યમ અને લાંબા દસ્તાવેજોમાં વધુ વિભાજિત કરવામાં આવી.
- વર્ગીકૃત સામગ્રીને ઝેરી, પરિપક્વ અથવા જાતીય રીતે સ્પષ્ટ સામગ્રી તરીકે સફળતાપૂર્વક લેબલ કરવી
- 90% ગુણવત્તા પ્રાપ્ત કરવા માટે, શેપે બે-સ્તરીય ગુણવત્તા નિયંત્રણ પ્રક્રિયા અમલમાં મૂકી:
» સ્તર ૧: ગુણવત્તા ખાતરી તપાસ: ૧૦૦% ફાઇલો માન્ય કરવાની છે.
» સ્તર 2: ક્રિટિકલ ક્વોલિટી એનાલિસિસ ચેક: શેપ્સની CQA ટીમ 15%-20% રેટ્રોસ્પેક્ટિવ સેમ્પલનું મૂલ્યાંકન કરશે.
પરિણામ
તાલીમ ડેટાએ ઓટોમેટેડ કન્ટેન્ટ મોડરેશન ML મોડેલ બનાવવામાં મદદ કરી જે સુરક્ષિત ઓનલાઈન વાતાવરણ જાળવવા માટે ફાયદાકારક ઘણા પરિણામો આપી શકે છે. કેટલાક મુખ્ય પરિણામોમાં શામેલ છે:
- વિશાળ માત્રામાં ડેટા પર પ્રક્રિયા કરવાની કાર્યક્ષમતા
- મધ્યસ્થતા નીતિઓના એકસમાન અમલીકરણની ખાતરી કરવામાં સુસંગતતા
- વધતા વપરાશકર્તા આધાર અને સામગ્રી વોલ્યુમને અનુરૂપ થવા માટે માપનીયતા
- રીઅલ-ટાઇમ મોડરેશન ઓળખી શકે છે &
સંભવિત હાનિકારક સામગ્રી જનરેટ થાય તેમ તેને દૂર કરો - માનવ મધ્યસ્થીઓ પર નિર્ભરતા ઘટાડીને ખર્ચ-અસરકારકતા
