KKC_0157 | Amazon AWS Rekognition: Bild- und Videoanalyse die funktioniert

AWS Rekognition liefert schnell beeindruckende Ergebnisse, aber in der Praxis entscheidet die Umsetzung darüber, ob Sie verlässliche Analysen erhalten oder nur Demo-Outputs. In diesem Seminar bauen Sie ein solides Fundament: Sie verstehen, welche Rekognition-Funktionen wofür geeignet sind, wie sich Image- und Video-APIs unterscheiden und wie Sie Confidence Scores so interpretieren, dass daraus robuste Entscheidungen entstehen.

Sie arbeiten mit Label Detection, Text Detection (OCR) und Moderation Labels und lernen, wie Sie Ergebnisse strukturieren, filtern und für nachgelagerte Systeme nutzbar machen. Ein Schwerpunkt liegt auf Gesichts-Funktionen: Sie grenzt Face Detection, Face Comparison und Face Search sauber voneinander ab und lernen, welche Daten Sie dafür vorbereiten müssen und welche Grenzen und Risiken zu beachten sind. Für Videoanalyse setzen Sie asynchrone Jobs auf, holen Ergebnisse paginiert ab und planen die Orchestrierung so, dass sie auch bei großen Dateien stabil bleibt.

Damit aus Analyse ein Produkt wird, bauen Sie eine Referenz-Pipeline mit S3, IAM und optional KMS. Sie definieren least-privilege Zugriffe, planen Fehlerbehandlung, Retries und Idempotenz und wählen eine passende Ablage für Ergebnisse, zum Beispiel DynamoDB oder OpenSearch. Zusätzlich besprechen wir Datenschutz, Aufbewahrung, Löschkonzepte und Responsible-AI-Aspekte, damit Ihre Lösung intern freigabefähig wird.

• Cloud Engineers und DevOps Engineers mit AWS-Verantwortung
• Softwareentwicklerinnen und Softwareentwickler, die Medienanalyse integrieren
• Data Engineers und Analytics Engineers für Tagging und Suche
• IT-Sicherheits- und Compliance-Verantwortliche, die Rekognition bewerten
• Alle, die Bild- und Videoanalyse mit AWS Rekognition in Prozesse bringen wollen

• Grundkenntnisse in AWS (S3, IAM) und API-Grundverständnis
• Keine Vorkenntnisse in Computer Vision erforderlich

• Rekognition verstehen und richtig einsetzen
  • Capabilities, Limits, Kostenlogik und typische Fehlannahmen
  • Image vs. Video APIs, Sync vs. Async Workflows
  • Confidence Scores, Thresholds und Qualitätsmetriken
• Bildanalyse mit Rekognition Image
  • Labels, Moderation Labels, Text Detection (OCR)
  • Face Detection vs. Face Search vs. Face Comparison
  • Custom Labels: Wann es sich lohnt und wann nicht
• Videoanalyse mit Rekognition Video
  • Person Tracking, Segment Detection und Label Detection
  • Jobs orchestrieren: Start, Polling, Results Paging
  • Near-real-time mit Streams: Einordnung und Grenzen
• Datenfluss: S3, IAM, KMS und saubere Zugriffe
  • S3 Buckets, Events und sinnvolle Objektstruktur
  • IAM Policies least privilege für Rekognition und S3
  • Verschlüsselung, Schlüsselverwaltung und Auditing
• Praxis-Pipeline: vom Upload bis zum Ergebnis
  • Referenzarchitektur mit S3, Lambda und Step Functions
  • Ergebnisse speichern: DynamoDB oder OpenSearch
  • Fehlerfälle, Retries, Idempotenz und Monitoring
• Compliance, Datenschutz und Responsible AI
  • PII, Einwilligung, Aufbewahrung und Löschkonzepte
  • Bias-Risiken, Qualitätsprüfung und Human-in-the-Loop
  • Dokumentation für Audits und interne Freigaben