পাইথন টুলবক্স ব্যবহার করে অ্যামাজন লুকআউট ফর ইকুইপমেন্ট মডেল তৈরি করুন, ট্রেন করুন এবং স্থাপন করুন

ভবিষ্যদ্বাণীমূলক রক্ষণাবেক্ষণ শিল্প যন্ত্রপাতি ব্যর্থতা এবং ব্যয়বহুল ডাউনটাইম প্রতিরোধ করার একটি কার্যকর উপায় হতে পারে আপনার সরঞ্জামগুলির অবস্থা সক্রিয়ভাবে নিরীক্ষণ করে, যাতে আপনি সরঞ্জামের ব্যর্থতা হওয়ার আগে কোনও অসঙ্গতি সম্পর্কে সতর্ক হতে পারেন। সেন্সর ইনস্টল করা এবং ডেটা সংযোগ, সঞ্চয়স্থান, বিশ্লেষণ এবং সতর্কতার জন্য প্রয়োজনীয় পরিকাঠামো হল ভবিষ্যদ্বাণীমূলক রক্ষণাবেক্ষণ সমাধানগুলি সক্ষম করার জন্য মৌলিক উপাদান। যাইহোক, অ্যাডহক পরিকাঠামো ইনস্টল করার পরেও, অনেক কোম্পানি প্রাথমিক ডেটা বিশ্লেষণ এবং সাধারণ মডেলিং পদ্ধতি ব্যবহার করে যা প্রায়শই ডাউনটাইম এড়াতে যথেষ্ট তাড়াতাড়ি সমস্যা সনাক্ত করতে অকার্যকর হয়। এছাড়াও, আপনার সরঞ্জামের জন্য একটি মেশিন লার্নিং (ML) সমাধান বাস্তবায়ন করা কঠিন এবং সময়সাপেক্ষ হতে পারে।

সঙ্গে সরঞ্জামের জন্য আমাজন লুকআউট, আপনি স্বয়ংক্রিয়ভাবে মেশিনের অস্বাভাবিক আচরণ সনাক্ত করতে আপনার শিল্প সরঞ্জামগুলির জন্য সেন্সর ডেটা বিশ্লেষণ করতে পারেন—কোনো ML অভিজ্ঞতার প্রয়োজন নেই৷ এর অর্থ হল আপনি গতি এবং নির্ভুলতার সাথে সরঞ্জামের অস্বাভাবিকতা সনাক্ত করতে পারেন, দ্রুত সমস্যাগুলি নির্ণয় করতে পারেন এবং ব্যয়বহুল ডাউনটাইম কমাতে পদক্ষেপ নিতে পারেন।

লুকআউট ফর ইকুইপমেন্ট আপনার সেন্সর এবং সিস্টেম থেকে ডেটা বিশ্লেষণ করে, যেমন চাপ, প্রবাহের হার, RPM, তাপমাত্রা এবং শক্তি, আপনার ডেটার উপর ভিত্তি করে আপনার সরঞ্জামের জন্য নির্দিষ্ট একটি মডেলকে স্বয়ংক্রিয়ভাবে প্রশিক্ষণ দিতে। এটি রিয়েল টাইমে ইনকামিং সেন্সর ডেটা বিশ্লেষণ করতে আপনার অনন্য এমএল মডেল ব্যবহার করে এবং প্রাথমিক সতর্কতা চিহ্নগুলি সনাক্ত করে যা মেশিনের ব্যর্থতার দিকে নিয়ে যেতে পারে। শনাক্ত করা প্রতিটি সতর্কতার জন্য, সরঞ্জামের জন্য লুকআউট নির্দেশ করে কোন নির্দিষ্ট সেন্সরগুলি সমস্যাটি নির্দেশ করছে এবং সনাক্ত করা ইভেন্টে প্রভাবের মাত্রা।

প্রতিটি ডেভেলপারের হাতে ML দেওয়ার মিশন নিয়ে, আমরা লুকআউট ফর ইকুইপমেন্টে আরেকটি অ্যাড-অন উপস্থাপন করতে চাই: একটি ওপেন সোর্স পাইথন টুলবক্স যা ডেভেলপার এবং ডেটা সায়েন্টিস্টদের লুকআউট ফর ইকুইপমেন্ট মডেল তৈরি করতে, প্রশিক্ষণ দিতে এবং মোতায়েন করতে দেয় যা আপনি ব্যবহার করেন। আমাজন সেজমেকার. এই লাইব্রেরিটি লুকআউট ফর ইকুইপমেন্ট boto3 python API-এর উপরে একটি মোড়ক এবং এই পরিষেবা দিয়ে আপনার যাত্রা শুরু করার জন্য প্রদান করা হয়েছে। আপনার কাছে রিপোর্ট করার জন্য কোনো উন্নতির পরামর্শ বা বাগ থাকলে, অনুগ্রহ করে টুলবক্সের বিরুদ্ধে একটি সমস্যা ফাইল করুন GitHub সংগ্রহস্থল.

এই পোস্টে, আমরা সেজমেকার নোটবুকের মধ্যে থেকে লুকআউট ফর ইকুইপমেন্ট ওপেন-সোর্স পাইথন টুলবক্স ব্যবহার করার জন্য একটি ধাপে ধাপে নির্দেশিকা প্রদান করি।

পরিবেশ সেটআপ

সেজমেকার নোটবুক থেকে ওপেন-সোর্স লুকআউট ফর ইকুইপমেন্ট টুলবক্স ব্যবহার করার জন্য, আমাদের সেজমেকার নোটবুককে লুকআউট ফর ইকুইপমেন্ট এপিআই কল করার জন্য প্রয়োজনীয় অনুমতি দিতে হবে। এই পোস্টের জন্য, আমরা ধরে নিচ্ছি যে আপনি ইতিমধ্যে একটি সেজমেকার নোটবুক উদাহরণ তৈরি করেছেন। নির্দেশাবলীর জন্য, পড়ুন অ্যামাজন সেজমেকার নোটবুক উদাহরণ দিয়ে শুরু করুন. নোটবুকের উদাহরণ স্বয়ংক্রিয়ভাবে একটি কার্যকর ভূমিকার সাথে যুক্ত।

1. উদাহরণের সাথে সংযুক্ত ভূমিকা খুঁজে পেতে, সেজমেকার কনসোলে উদাহরণটি নির্বাচন করুন।
   
2. পরবর্তী স্ক্রিনে, খুঁজে পেতে নিচে স্ক্রোল করুন এডাব্লুএস আইডেন্টিটি এবং অ্যাক্সেস ম্যানেজমেন্ট (IAM) ভূমিকা দৃষ্টান্তের সাথে সংযুক্ত অনুমতি এবং এনক্রিপশন অধ্যায়.
3. IAM কনসোল খুলতে ভূমিকা চয়ন করুন৷
   

এর পরে, আমরা আমাদের SageMaker IAM ভূমিকার সাথে একটি ইনলাইন নীতি সংযুক্ত করি।

4. উপরে অনুমতিসমূহ আপনি খোলা ভূমিকার ট্যাব, নির্বাচন করুন ইনলাইন নীতি যোগ করুন.
   
5. উপরে তাদেরকে JSON ট্যাব, নিম্নলিখিত কোড লিখুন। আমরা একটি ওয়াইল্ড কার্ড অ্যাকশন ব্যবহার করি (lookoutequipment:*) ডেমো উদ্দেশ্যে পরিষেবার জন্য। বাস্তব ব্যবহারের ক্ষেত্রে, উপযুক্ত SDK API কল চালানোর জন্য শুধুমাত্র প্রয়োজনীয় অনুমতি প্রদান করুন।

    { "Version": "2012-10-17", "Statement": [ { "Effect": "Allow", "Action": [ "lookoutequipment:*" ], "Resource": "*" } ] }

6. বেছে নিন পর্যালোচনা নীতি.
7. নীতির জন্য একটি নাম প্রদান করুন এবং নীতি তৈরি করুন।

পূর্ববর্তী ইনলাইন নীতির পাশাপাশি, একই IAM ভূমিকাতে, আমাদের একটি আস্থার সম্পর্ক স্থাপন করতে হবে যাতে লুকআউট ফর ইকুইপমেন্ট এই ভূমিকাটি গ্রহণ করতে পারে। SageMaker ভূমিকা ইতিমধ্যে উপযুক্ত ডেটা অ্যাক্সেস আছে আমাজন সিম্পল স্টোরেজ সার্ভিস (Amazon S3); লুকআউট ফর ইকুইপমেন্টকে এই ভূমিকা গ্রহণ করার অনুমতি দেওয়া নিশ্চিত করে যে এটি আপনার নোটবুকের চেয়ে ডেটাতে একই অ্যাক্সেস রয়েছে। আপনার পরিবেশে, আপনার ইতিমধ্যেই একটি নির্দিষ্ট ভূমিকা থাকতে পারে যাতে আপনার ডেটাতে Lookout for Equipment-এর অ্যাক্সেস আছে, সেক্ষেত্রে আপনাকে এই সাধারণ ভূমিকার বিশ্বাসের সম্পর্ক সামঞ্জস্য করতে হবে না।

8. আমাদের সেজমেকার আইএএম ভূমিকার ভিতরে বিশ্বাস সম্পর্ক ট্যাব, চয়ন করুন বিশ্বাসের সম্পর্ক সম্পাদনা করুন.
9. পলিসি ডকুমেন্টের অধীনে, পুরো পলিসিটিকে নিম্নলিখিত কোড দিয়ে প্রতিস্থাপন করুন:

    { "Version": "2012-10-17", "Statement": [ { "Effect": "Allow", "Principal": { "Service": "lookoutequipment.amazonaws.com" }, "Action": "sts:AssumeRole" } ] }

10. বেছে নিন বিশ্বস্ত নীতি আপডেট করুন.

এখন আমরা আমাদের সেজমেকার নোটবুক পরিবেশে লুকআউট ফর ইকুইপমেন্ট টুলবক্স ব্যবহার করতে প্রস্তুত। লুকআউট ফর ইকুইপমেন্ট টুলবক্স হল একটি ওপেন সোর্স পাইথন প্যাকেজ যা ডেটা বিজ্ঞানী এবং সফ্টওয়্যার ডেভেলপারদের সহজে সরঞ্জামের জন্য লুকআউট ব্যবহার করে টাইম সিরিজের অসঙ্গতি সনাক্তকরণ মডেলগুলি তৈরি এবং স্থাপন করতে দেয়৷ টুলবক্সের সাহায্যে আপনি আরও সহজে কী অর্জন করতে পারেন তা দেখুন!

নির্ভরতা

লেখার সময়, টুলবক্সে নিম্নলিখিত ইনস্টল করা প্রয়োজন:

• পাইথন(>=3.6)
• boto3 (>= ০.১৬.৬)
• markdown
• অসাড়
• পান্ডাস
• পিয়ারো
• s3fs

আপনি এই নির্ভরতাগুলি সন্তুষ্ট করার পরে, আপনি জুপিটার টার্মিনাল থেকে নিম্নলিখিত কমান্ডের সাহায্যে লুকআউট ফর ইকুইপমেন্ট টুলবক্স ইনস্টল এবং চালু করতে পারেন:

pip install lookoutequipment

টুলবক্স এখন ব্যবহারের জন্য প্রস্তুত। এই পোস্টে, আমরা প্রদর্শন করি কিভাবে টুলবক্স ব্যবহার করতে হয় প্রশিক্ষণের মাধ্যমে এবং একটি অসঙ্গতি সনাক্তকরণ মডেল স্থাপন করে। একটি সাধারণ এমএল ডেভেলপমেন্ট লাইফসাইকেলে প্রশিক্ষণের জন্য ডেটাসেট তৈরি করা, মডেলকে প্রশিক্ষণ দেওয়া, মডেল স্থাপন করা এবং মডেলের উপর অনুমান করা। টুলবক্স এটি প্রদান করে কার্যকারিতার পরিপ্রেক্ষিতে বেশ ব্যাপক, কিন্তু এই পোস্টে, আমরা নিম্নলিখিত ক্ষমতাগুলির উপর ফোকাস করি:

• ডেটাসেট প্রস্তুত করুন
• লুকআউট ফর ইকুইপমেন্ট ব্যবহার করে একটি অসঙ্গতি সনাক্তকরণ মডেলকে প্রশিক্ষণ দিন
• আপনার মডেল মূল্যায়নের জন্য ভিজ্যুয়ালাইজেশন তৈরি করুন
• একটি অনুমান নির্ধারণকারী কনফিগার করুন এবং শুরু করুন
• সময়সূচী অনুমান ফলাফল কল্পনা করুন

আসুন বুঝতে পারি কিভাবে আমরা এই প্রতিটি ক্ষমতার জন্য টুলবক্স ব্যবহার করতে পারি।

ডেটাসেট প্রস্তুত করুন

লুকআউট ফর ইকুইপমেন্টের জন্য একটি ডেটাসেট তৈরি এবং ইনজেস্ট করা প্রয়োজন। ডেটাসেট প্রস্তুত করতে, নিম্নলিখিত পদক্ষেপগুলি সম্পূর্ণ করুন:

1. ডেটাসেট তৈরি করার আগে, আমাদের একটি নমুনা ডেটাসেট লোড করতে হবে এবং এটি একটিতে আপলোড করতে হবে আমাজন সিম্পল স্টোরেজ সার্ভিস (Amazon S3) বালতি। এই পোস্টে, আমরা ব্যবহার expander ডেটাসেট:

   from lookoutequipment import dataset data = dataset.load_dataset(dataset_name='expander', target_dir='expander-data')
   dataset.upload_dataset('expander-data', bucket, prefix)

ফেরত data বস্তুটি নিম্নলিখিত সম্বলিত একটি অভিধান উপস্থাপন করে:

• • একটি প্রশিক্ষণ তথ্য DataFrame
  • একটি লেবেল DataFrame
  • প্রশিক্ষণ শুরু এবং শেষ তারিখ সময়
  • মূল্যায়ন শুরু এবং শেষ তারিখ সময়
  • একটি ট্যাগ বিবরণ DataFrame

প্রশিক্ষণ এবং লেবেল ডেটা লক্ষ্য ডিরেক্টরি থেকে বালতি/প্রিফিক্স অবস্থানে Amazon S3 এ আপলোড করা হয়।

2. S3 এ ডেটাসেট আপলোড করার পরে, আমরা একটি অবজেক্ট তৈরি করি LookoutEquipmentDataset ক্লাস যা ডেটাসেট পরিচালনা করে:

   lookout_dataset = dataset.LookoutEquipmentDataset( dataset_name='my_dataset', access_role_arn=role_arn, component_root_dir=f's3://{bucket}/{prefix}training-data'
   ) # creates the dataset
   lookout_dataset.create()

সার্জারির access_role_arn সরবরাহকৃতের অবশ্যই S3 বালতিতে অ্যাক্সেস থাকতে হবে যেখানে ডেটা উপস্থিত রয়েছে। আপনি আগের থেকে SageMaker নোটবুক উদাহরণের ভূমিকা ARN পুনরুদ্ধার করতে পারেন পরিবেশ সেটআপ বিভাগ এবং আপনার S3 বালতি অ্যাক্সেস মঞ্জুর করার জন্য একটি IAM নীতি যোগ করুন। আরও তথ্যের জন্য, দেখুন আইএএম নীতিগুলি লেখা: কীভাবে অ্যামাজন এস 3 বালতিতে অ্যাক্সেস দেওয়া যায়.

সার্জারির component_root_dir প্যারামিটারটি Amazon S3-এ অবস্থান নির্দেশ করবে যেখানে প্রশিক্ষণের ডেটা সংরক্ষণ করা হয়।

আমরা পূর্ববর্তী APIগুলি চালু করার পরে, আমাদের ডেটাসেট তৈরি করা হয়েছে।

3. ডেটাসেটে ডেটা ইনজেস্ট করুন:

   response = lookout_dataset.ingest_data(bucket, prefix + 'training-data/')

এখন যেহেতু আপনার ডেটা Amazon S3 এ উপলব্ধ, একটি ডেটাসেট তৈরি করা এবং এতে ডেটা ইনজেস্ট করা মাত্র তিনটি লাইনের কোডের ব্যাপার৷ আপনাকে ম্যানুয়ালি একটি দীর্ঘ JSON স্কিমা তৈরি করতে হবে না; টুলবক্স আপনার ফাইলের গঠন সনাক্ত করে এবং এটি আপনার জন্য তৈরি করে। আপনার ডেটা ইনজেস্ট হওয়ার পরে, এটি প্রশিক্ষণে যাওয়ার সময়!

একটি অসঙ্গতি সনাক্তকরণ মডেল প্রশিক্ষণ

ডেটাসেটে ডেটা ঢোকানোর পরে, আমরা মডেল প্রশিক্ষণ প্রক্রিয়া শুরু করতে পারি। নিম্নলিখিত কোড দেখুন:

from lookoutequipment import model lookout_model = model.LookoutEquipmentModel(model_name='my_model', dataset_name='my_dataset') lookout_model.set_time_periods(data['evaluation_start'],data['evaluation_end'],data['training_start'],data['training_end'])
lookout_model.set_label_data(bucket=bucket,prefix=prefix + 'label-data/',access_role_arn=role_arn)
lookout_model.set_target_sampling_rate(sampling_rate='PT5M') #trigger training job
response = lookout_model.train() #poll every 5 minutes to check the status of the training job
lookout_model.poll_model_training(sleep_time=300)

আমরা প্রশিক্ষণ শুরু করার আগে, আমাদের ডেটাসেটের মধ্যে প্রশিক্ষণ এবং মূল্যায়নের সময়কাল নির্দিষ্ট করতে হবে। আমরা Amazon S3-এ অবস্থানও সেট করি যেখানে লেবেলযুক্ত ডেটা সংরক্ষণ করা হয় এবং স্যাম্পলিং রেট 5 মিনিটে সেট করি। আমরা প্রশিক্ষণ চালু করার পর, poll_model_training প্রশিক্ষণ সফল না হওয়া পর্যন্ত প্রতি 5 মিনিটে প্রশিক্ষণের কাজের অবস্থা পোল করে।

লুকআউট ফর ইকুইপমেন্ট টুলবক্সের প্রশিক্ষণ মডিউল আপনাকে 10 লাইনের কম কোড সহ একটি মডেলকে প্রশিক্ষণ দিতে দেয়। এটি আপনার পক্ষ থেকে নিম্ন-স্তরের API দ্বারা প্রয়োজনীয় সমস্ত দৈর্ঘ্য তৈরির অনুরোধ স্ট্রিং তৈরি করে, আপনার দীর্ঘ, ত্রুটি-প্রবণ JSON নথি তৈরি করার প্রয়োজনীয়তা দূর করে।

মডেলটি প্রশিক্ষিত হওয়ার পরে, আমরা হয় মূল্যায়নের সময়কালে ফলাফলগুলি পরীক্ষা করতে পারি বা টুলবক্স ব্যবহার করে একটি অনুমান নির্ধারণকারী কনফিগার করতে পারি।

একটি প্রশিক্ষিত মডেল মূল্যায়ন

একটি মডেল প্রশিক্ষণের পরে, মডেল বর্ণনা করুন লুকআউট ফর ইকুইপমেন্টের API প্রশিক্ষণের সাথে সম্পর্কিত মেট্রিক্স রেকর্ড করে। এই API মূল্যায়ন ফলাফল প্লট করতে আগ্রহের দুটি ক্ষেত্র সহ একটি JSON নথি প্রদান করে: labeled_ranges এবং predicted_ranges, যা যথাক্রমে মূল্যায়ন পরিসরে পরিচিত এবং পূর্বাভাসিত অসঙ্গতি ধারণ করে। টুলবক্স পরিবর্তে একটি পান্ডাস ডেটাফ্রেমে এগুলি লোড করার জন্য ইউটিলিটিগুলি প্রদান করে:

from lookoutequipment import evaluation LookoutDiagnostics = evaluation.LookoutEquipmentAnalysis(model_name='my_model', tags_df=data['data']) predicted_ranges = LookoutDiagnostics.get_predictions()
labels_fname = os.path.join('expander-data', 'labels.csv')
labeled_range = LookoutDiagnostics.get_labels(labels_fname)

ডেটাফ্রেমে রেঞ্জগুলি লোড করার সুবিধা হল যে আমরা মূল টাইম সিরিজ সিগন্যালের একটি প্লট করে চমৎকার ভিজ্যুয়ালাইজেশন তৈরি করতে পারি এবং লেবেলযুক্ত এবং ভবিষ্যদ্বাণী করা অস্বাভাবিক ঘটনাগুলির একটি ওভারলে যুক্ত করতে পারি TimeSeriesVisualization টুলবক্সের ক্লাস:

from lookoutequipment import plot TSViz = plot.TimeSeriesVisualization(timeseries_df=data['data'], data_format='tabular')
TSViz.add_signal(['signal-001'])
TSViz.add_labels(labeled_range)
TSViz.add_predictions([predicted_ranges])
TSViz.add_train_test_split(data['evaluation_start'])
TSViz.add_rolling_average(60*24)
TSViz.legend_format = {'loc': 'upper left', 'framealpha': 0.4, 'ncol': 3}
fig, axis = TSViz.plot()

কোডের এই কয়েকটি লাইন নিম্নলিখিত বৈশিষ্ট্যগুলির সাথে একটি প্লট তৈরি করে:

• নির্বাচিত সংকেতের জন্য একটি লাইন প্লট; মডেলের প্রশিক্ষণের জন্য ব্যবহৃত অংশটি নীল রঙে প্রদর্শিত হবে যখন মূল্যায়ন অংশটি ধূসর
• ঘূর্ণায়মান গড় একটি পাতলা লাল রেখা টাইম সিরিজের উপর আবৃত হিসাবে উপস্থিত হয়
• লেবেলগুলি "জানা অসঙ্গতি" লেবেলযুক্ত একটি সবুজ ফিতে দেখানো হয় (ডিফল্টরূপে)
• পূর্বাভাসিত ইভেন্টগুলি "সনাক্ত ইভেন্টগুলি" লেবেলযুক্ত একটি লাল ফিতায় দেখানো হয়েছে

টুলবক্সটি JSON ফাইলগুলির লোকেটিং, লোডিং এবং পার্স করার সমস্ত ভারী কাজ সম্পাদন করে এবং ব্যবহার করার জন্য প্রস্তুত ভিজ্যুয়ালাইজেশন প্রদান করে যা আপনার অসঙ্গতি সনাক্তকরণ মডেলগুলি থেকে অন্তর্দৃষ্টি পেতে আরও সময় কমিয়ে দেয়। এই পর্যায়ে, টুলবক্স আপনাকে ফলাফলগুলি ব্যাখ্যা করার উপর ফোকাস করতে এবং আপনার শেষ ব্যবহারকারীদের কাছে সরাসরি ব্যবসায়িক মূল্য প্রদানের জন্য পদক্ষেপ নিতে দেয়। এই টাইম সিরিজ ভিজ্যুয়ালাইজেশন ছাড়াও, SDK অন্যান্য প্লট প্রদান করে যেমন স্বাভাবিক এবং অস্বাভাবিক সময়ের মধ্যে আপনার সিগন্যালের মানগুলির হিস্টোগ্রাম তুলনা। অন্যান্য ভিজ্যুয়ালাইজেশন ক্ষমতা সম্পর্কে আরও জানতে আপনি বাক্সের বাইরে ব্যবহার করতে পারেন, দেখুন সরঞ্জাম টুলবক্স ডকুমেন্টেশন জন্য সন্ধান করুন.

তফসিল অনুমান

আসুন দেখি কিভাবে আমরা টুলবক্স ব্যবহার করে অনুমান নির্ধারণ করতে পারি:

from lookout import scheduler #prepare dummy inference data
dataset.prepare_inference_data( root_dir='expander-data', sample_data_dict=data, bucket=bucket, prefix=prefix
) #setup the scheduler
lookout_scheduler = scheduler.LookoutEquipmentScheduler(scheduler_name='my_scheduler',model_name='my_model')
scheduler_params = { 'input_bucket': bucket, 'input_prefix': prefix + 'inference-data/input/', 'output_bucket': bucket, 'output_prefix': prefix + 'inference-data/output/', 'role_arn': role_arn, 'upload_frequency': 'PT5M', 'delay_offset': None, 'timezone_offset': '+00:00', 'component_delimiter': '_', 'timestamp_format': 'yyyyMMddHHmmss' } lookout_scheduler.set_parameters(**scheduler_params)
response = lookout_scheduler.create()

এই কোডটি একটি শিডিউল তৈরি করে যা প্রতি 5 মিনিটে একটি ফাইল প্রক্রিয়া করে (শিডিউলার কনফিগার করার সময় আপলোড ফ্রিকোয়েন্সি সেটের সাথে মিলে যায়)। 15 মিনিট বা তার পরে, আমাদের কিছু ফলাফল পাওয়া উচিত। একটি পান্ডাস ডেটাফ্রেমে সময়সূচী থেকে এই ফলাফলগুলি পেতে, আমাদের কেবল নিম্নলিখিত কমান্ডটি চালাতে হবে:

results_df = lookout_scheduler.get_predictions()

এখান থেকে, আমরা টুলবক্সের ভিজ্যুয়ালাইজেশন API ব্যবহার করে একটি ভবিষ্যদ্বাণীর জন্য বৈশিষ্ট্যের গুরুত্ব প্লট করতে পারি:

event_details = pd.DataFrame(results_df.iloc[0, 1:]).reset_index()
fig, ax = plot.plot_event_barh(event_details)

এটি নমুনা ডেটাতে নিম্নলিখিত বৈশিষ্ট্য গুরুত্বের ভিজ্যুয়ালাইজেশন তৈরি করে।

টুলবক্স শিডিউলার বন্ধ করার জন্য একটি API প্রদান করে। নিম্নলিখিত কোড স্নিপেট দেখুন:

scheduler.stop()

পরিষ্কার কর

পূর্বে তৈরি করা সমস্ত নিদর্শন মুছে ফেলার জন্য, আমরা কল করতে পারি delete_dataset আমাদের ডেটাসেটের নামের সাথে API:

dataset.delete_dataset(dataset_name='my_dataset', delete_children=True, verbose=True)

উপসংহার

শিল্প ও উৎপাদনকারী গ্রাহকদের সাথে কথা বলার সময়, AI এবং ML-এর সুবিধা নেওয়ার বিষয়ে আমরা একটি সাধারণ চ্যালেঞ্জ শুনি তা হল নির্ভরযোগ্য এবং কার্যকর ফলাফল পাওয়ার জন্য প্রয়োজনীয় কাস্টমাইজেশন এবং নির্দিষ্ট উন্নয়ন এবং ডেটা বিজ্ঞানের কাজ। রক্ষণাবেক্ষণের প্রচেষ্টা কমাতে, পুনরায় কাজ বা বর্জ্য কমাতে, পণ্যের গুণমান বৃদ্ধি এবং সামগ্রিক সরঞ্জাম দক্ষতা (OEE) বা পণ্য লাইন উন্নত করার জন্য অসংগতি সনাক্তকরণ মডেলের প্রশিক্ষণ এবং বিভিন্ন শিল্প যন্ত্রপাতির জন্য পদক্ষেপযোগ্য পূর্ব সতর্কতা পাওয়া একটি পূর্বশর্ত। এখন অবধি, এর জন্য একটি বিশাল পরিমাণ নির্দিষ্ট উন্নয়ন কাজের প্রয়োজন, যা সময়ের সাথে সাথে স্কেল করা এবং বজায় রাখা কঠিন।

অ্যামাজন অ্যাপ্লাইড এআই পরিষেবা যেমন লুকআউট ফর ইকুইপমেন্ট নির্মাতাদেরকে ডেটা বিজ্ঞানী, ডেটা ইঞ্জিনিয়ার এবং প্রসেস ইঞ্জিনিয়ারদের বহুমুখী দলে অ্যাক্সেস না দিয়েই এআই মডেল তৈরি করতে সক্ষম করে। এখন, লুকআউট ফর ইকুইপমেন্ট টুলবক্সের সাহায্যে, আপনার ডেভেলপাররা আপনার টাইম সিরিজ ডেটার অন্তর্দৃষ্টিগুলি অন্বেষণ করতে এবং পদক্ষেপ নিতে প্রয়োজনীয় সময়কে আরও কমাতে পারে। এই টুলবক্সটি একটি সহজে ব্যবহারযোগ্য, ডেভেলপার-বান্ধব ইন্টারফেস প্রদান করে যাতে লুকআউট ফর ইকুইপমেন্ট ব্যবহার করে দ্রুত অসঙ্গতি সনাক্তকরণ মডেল তৈরি করা যায়। টুলবক্সটি ওপেন সোর্স এবং সমস্ত SDK কোড এখানে পাওয়া যাবে amazon-lookout-for-equipment-python-sdk GitHub রেপো। এটি একটি হিসাবে উপলব্ধ PyPi প্যাকেজ.

এই পোস্টটি শুধুমাত্র কয়েকটি গুরুত্বপূর্ণ API কভার করে। আগ্রহী পাঠকরা দেখতে পারেন টুলবক্স ডকুমেন্টেশন টুলবক্সের আরও উন্নত ক্ষমতা দেখতে। এটি চেষ্টা করে দেখুন, এবং আপনি মন্তব্যে কি মনে করেন তা আমাদের জানান!

লেখক সম্পর্কে

বিকেশ পান্ডে তিনি AWS-এর একজন মেশিন লার্নিং স্পেশালিস্ট স্পেশালিস্ট সলিউশন আর্কিটেক্ট, যুক্তরাজ্যের গ্রাহকদের এবং বিস্তৃত EMEA অঞ্চলে ML সলিউশন ডিজাইন ও তৈরি করতে সাহায্য করছেন। কাজের বাইরে, ভিকেশ বিভিন্ন খাবার চেষ্টা করে এবং বাইরের খেলাধুলা উপভোগ করে।

আয়ান কাতানা AWS-এর একজন কৃত্রিম বুদ্ধিমত্তা এবং মেশিন লার্নিং স্পেশালিস্ট সলিউশন আর্কিটেক্ট। তিনি গ্রাহকদের AWS ক্লাউডে তাদের ML সমাধানগুলি বিকাশ এবং স্কেল করতে সহায়তা করেন। আইওনের 20 বছরের বেশি অভিজ্ঞতা রয়েছে, বেশিরভাগ সফ্টওয়্যার আর্কিটেকচার ডিজাইন এবং ক্লাউড ইঞ্জিনিয়ারিংয়ে।

মাইকেল হোরাউ AWS-এর একজন AI/ML স্পেশালিস্ট সলিউশন আর্কিটেক্ট যিনি মুহূর্তের উপর নির্ভর করে ডেটা সায়েন্টিস্ট এবং মেশিন লার্নিং আর্কিটেক্টের মধ্যে বিকল্প করেন। তিনি তার শিল্প গ্রাহকদের দোকানের ফ্লোরে AI/ML-এর শক্তি নিয়ে আসার বিষয়ে উত্সাহী এবং অসামঞ্জস্যতা সনাক্তকরণ থেকে ভবিষ্যদ্বাণীমূলক পণ্যের গুণমান বা উত্পাদন অপ্টিমাইজেশন পর্যন্ত বিস্তৃত ML ব্যবহারের ক্ষেত্রে কাজ করেছেন। গ্রাহকদের পরবর্তী সেরা মেশিন লার্নিং অভিজ্ঞতা বিকাশে সাহায্য না করলে, তিনি তারকাদের পর্যবেক্ষণ, ভ্রমণ বা পিয়ানো বাজানো উপভোগ করেন।

• Coinsmart. ইউরোপের সেরা বিটকয়েন এবং ক্রিপ্টো এক্সচেঞ্জ।
• প্লেটোব্লকচেন। Web3 মেটাভার্স ইন্টেলিজেন্স। জ্ঞান প্রসারিত. বিনামূল্যে এক্সেস.
• ক্রিপ্টোহক। Altcoin রাডার। বিনামূল্যে ট্রায়াল.
• সূত্র: https://aws.amazon.com/blogs/machine-learning/build-train-and-deploy-amazon-lookout-for-equipment-models-using-the-python-toolbox/