উত্পাদন শিল্পে সাধারণ মেশিনের ব্যর্থতার প্রকারের পূর্বাভাস দেওয়া গুরুত্বপূর্ণ। একটি প্রদত্ত ধরণের ব্যর্থতার সাথে সংযুক্ত একটি পণ্যের বৈশিষ্ট্যগুলির একটি সেট দেওয়া হলে, আপনি একটি মডেল তৈরি করতে পারেন যা ব্যর্থতার ধরণটি ভবিষ্যদ্বাণী করতে পারে যখন আপনি সেই বৈশিষ্ট্যগুলিকে একটি মেশিন লার্নিং (ML) মডেলে খাওয়ান৷ ML অন্তর্দৃষ্টিতে সাহায্য করতে পারে, কিন্তু এখন পর্যন্ত আপনার মেশিনের ব্যর্থতার ধরন অনুমান করার জন্য মডেল তৈরি করার জন্য এমএল বিশেষজ্ঞদের প্রয়োজন ছিল, যার অভাব ব্যবসার দক্ষতা বা উন্নতির জন্য প্রয়োজন এমন কোনও সংশোধনমূলক পদক্ষেপকে বিলম্বিত করতে পারে।
এই পোস্টে, আমরা আপনাকে দেখাই যে কীভাবে ব্যবসায়িক বিশ্লেষকরা একটি মেশিনের ব্যর্থতার ধরণের ভবিষ্যদ্বাণী ML মডেল তৈরি করতে পারেন আমাজন সেজমেকার ক্যানভাস. ক্যানভাস আপনাকে একটি ভিজ্যুয়াল পয়েন্ট-এবং-ক্লিক ইন্টারফেস প্রদান করে যা আপনাকে মডেল তৈরি করতে এবং নিজেরাই সঠিক ML পূর্বাভাস তৈরি করতে দেয়—কোনও ML অভিজ্ঞতার প্রয়োজন ছাড়াই বা কোডের একক লাইন লিখতে হবে না।
সমাধান ওভারভিউ
ধরুন আপনি একজন ব্যবসায়িক বিশ্লেষক যাকে একটি বৃহৎ উৎপাদন সংস্থার রক্ষণাবেক্ষণ দলে নিয়োগ দেওয়া হয়েছে। আপনার রক্ষণাবেক্ষণ দল আপনাকে সাধারণ ব্যর্থতার পূর্বাভাস দিতে সহায়তা করতে বলেছে। তারা আপনাকে একটি ঐতিহাসিক ডেটাসেট প্রদান করেছে যেটিতে একটি প্রদত্ত ধরনের ব্যর্থতার সাথে সংযুক্ত বৈশিষ্ট্য রয়েছে এবং ভবিষ্যতে কোন ব্যর্থতা ঘটবে তা আপনি ভবিষ্যদ্বাণী করতে চান। ব্যর্থতার প্রকারের মধ্যে নেই ব্যর্থতা, ওভারস্ট্রেন এবং পাওয়ার ব্যর্থতা। ডেটা স্কিমা নিম্নলিখিত টেবিলে তালিকাভুক্ত করা হয়েছে।
কলামের নাম | তথ্য টাইপ | বিবরণ |
ইউআইডি | INT | অনন্য শনাক্তকারী 1-10,000 এর মধ্যে |
পণ্য আইডি | STRING এর | নিম্ন, মাঝারি বা উচ্চ-এর জন্য একটি অক্ষর—L, M, বা H—যেমন পণ্যের গুণমানের বৈকল্পিক এবং একটি বৈকল্পিক-নির্দিষ্ট ক্রমিক নম্বর। |
আদর্শ | STRING এর | শুধুমাত্র L, M, বা H সমন্বিত ProductID-এর সাথে যুক্ত প্রাথমিক চিঠি |
বাতাসের তাপমাত্রা [কে] | DECIMAL | কেলভিনে বায়ুর তাপমাত্রা নির্দিষ্ট করা হয়েছে |
প্রক্রিয়া তাপমাত্রা [কে] | DECIMAL | কেলভিনে নির্দিষ্ট একটি প্রদত্ত ধরণের পণ্যের গুণমান নিশ্চিত করতে সঠিকভাবে নিয়ন্ত্রিত তাপমাত্রা |
ঘূর্ণন গতি [rpm] | DECIMAL | একটি অক্ষের চারপাশে ঘূর্ণায়মান একটি বস্তুর ঘূর্ণন গতি হল সময় দ্বারা বিভক্ত বস্তুর বাঁকগুলির সংখ্যা, প্রতি মিনিটে ঘূর্ণন হিসাবে নির্দিষ্ট করা হয় |
টর্ক [এনএম] | DECIMAL | একটি ব্যাসার্ধের মাধ্যমে মেশিনের বাঁক বল, নিউটন মিটারে প্রকাশ করা হয় |
টুল পরিধান [মিনিট] | INT | টুল পরিধান মিনিটে প্রকাশ |
ব্যর্থতার ধরন (লক্ষ্য) | STRING এর | কোন ব্যর্থতা, পাওয়ার ব্যর্থতা, বা ওভারস্ট্রেন ব্যর্থতা |
ব্যর্থতার ধরন শনাক্ত করার পরে, ব্যবসাগুলি যেকোনো সংশোধনমূলক পদক্ষেপ নিতে পারে। এটি করার জন্য, আপনি একটি CSV ফাইলে থাকা ডেটা ব্যবহার করেন, যাতে টেবিলে বর্ণিত পণ্যের নির্দিষ্ট বৈশিষ্ট্য রয়েছে। আপনি নিম্নলিখিত পদক্ষেপগুলি সম্পাদন করতে ক্যানভাস ব্যবহার করেন:
- রক্ষণাবেক্ষণ ডেটাসেট আমদানি করুন।
- প্রশিক্ষণ এবং ভবিষ্যদ্বাণীমূলক মেশিন রক্ষণাবেক্ষণ মডেল নির্মাণ.
- মডেল ফলাফল বিশ্লেষণ.
- মডেলের বিরুদ্ধে পরীক্ষা ভবিষ্যদ্বাণী।
পূর্বশর্ত
একজন ক্লাউড অ্যাডমিনের সাথে এডাব্লুএস অ্যাকাউন্ট নিম্নলিখিত পূর্বশর্তগুলি সম্পূর্ণ করার জন্য উপযুক্ত অনুমতির প্রয়োজন হয়:
- স্থাপন করা an আমাজন সেজমেকার ডোমেইন নির্দেশাবলীর জন্য, দেখুন Amazon SageMaker ডোমেনে অনবোর্ড.
- ক্যানভাস চালু করুন। নির্দেশাবলীর জন্য, দেখুন অ্যামাজন সেজমেকার ক্যানভাস সেট আপ এবং পরিচালনা করা (আইটি প্রশাসকদের জন্য).
- ক্যানভাসের জন্য ক্রস-অরিজিন রিসোর্স শেয়ারিং (CORS) নীতি কনফিগার করুন। নির্দেশাবলীর জন্য, দেখুন আপনার ব্যবহারকারীদের স্থানীয় ফাইল আপলোড করার ক্ষমতা দিন.
ডেটাসেট আমদানি করুন
প্রথমে, ডাউনলোড করুন রক্ষণাবেক্ষণ ডেটাসেট এবং সমস্ত ডেটা আছে তা নিশ্চিত করতে ফাইলটি পর্যালোচনা করুন।
আপনাকে শুরু করতে সাহায্য করার জন্য ক্যানভাস আপনার অ্যাপ্লিকেশনে বেশ কিছু নমুনা ডেটাসেট প্রদান করে। সেজমেকার-প্রদত্ত নমুনা ডেটাসেট সম্পর্কে আরও জানতে আপনি পরীক্ষা করতে পারেন, দেখুন নমুনা ডেটাসেট ব্যবহার করুন. আপনি যদি নমুনা ডেটাসেট ব্যবহার করেন (canvas-sample-maintenance.csv
) ক্যানভাসের মধ্যে উপলব্ধ, আপনাকে রক্ষণাবেক্ষণ ডেটাসেট আমদানি করতে হবে না।
আপনি ক্যানভাসে বিভিন্ন ডেটা উত্স থেকে ডেটা আমদানি করতে পারেন। আপনি যদি নিজের ডেটাসেট ব্যবহার করার পরিকল্পনা করেন, তাহলে ধাপগুলি অনুসরণ করুন৷ Amazon SageMaker ক্যানভাসে ডেটা আমদানি করা হচ্ছে.
এই পোস্টের জন্য, আমরা ডাউনলোড করা সম্পূর্ণ রক্ষণাবেক্ষণ ডেটাসেট ব্যবহার করি।
- সাইন ইন করুন এডাব্লুএস ম্যানেজমেন্ট কনসোল, ক্যানভাস অ্যাক্সেস করার জন্য উপযুক্ত অনুমতি সহ একটি অ্যাকাউন্ট ব্যবহার করে।
- ক্যানভাস কনসোলে লগ ইন করুন।
- বেছে নিন আমদানি.
- বেছে নিন আপলোড এবং নির্বাচন করুন
maintenance_dataset.csv
ফাইল. - বেছে নিন তথ্য আমদানি ক্যানভাসে আপলোড করতে।
আমদানি প্রক্রিয়াটি প্রায় 10 সেকেন্ড সময় নেয় (এটি ডেটাসেটের আকারের উপর নির্ভর করে পরিবর্তিত হতে পারে)। এটি সম্পূর্ণ হলে, আপনি দেখতে পাবেন যে ডেটাসেট আছে৷ Ready
অবস্থা।
আপনি নিশ্চিত করার পরে যে আমদানি করা ডেটাসেট ready
, আপনি আপনার মডেল তৈরি করতে পারেন.
মডেল তৈরি এবং প্রশিক্ষণ
আপনার মডেল তৈরি এবং প্রশিক্ষণের জন্য, নিম্নলিখিত পদক্ষেপগুলি সম্পূর্ণ করুন:
- বেছে নিন নতুন মডেল, এবং আপনার মডেলের জন্য একটি নাম প্রদান করুন।
- বেছে নিন সৃষ্টি.
- নির্বাচন করুন
maintenance_dataset.csv
ডেটাসেট এবং চয়ন করুন ডেটাসেট নির্বাচন করুন.
মডেল ভিউতে, আপনি চারটি ট্যাব দেখতে পারেন, যা একটি মডেল তৈরি করতে চারটি ধাপের সাথে মিলে যায় এবং ভবিষ্যদ্বাণী তৈরি করতে এটি ব্যবহার করে: নির্বাচন করা, নির্মাণ করা, বিশ্লেষণ করা, এবং ভবিষ্যদ্বাণী করা. - উপরে নির্বাচন করা ট্যাব, নির্বাচন করুন
maintenance_dataset.csv
আপনি আগে আপলোড করা ডেটাসেট এবং চয়ন করুন ডেটাসেট নির্বাচন করুন.
এই ডেটাসেটে 9টি কলাম এবং 10,000টি সারি রয়েছে। ক্যানভাস স্বয়ংক্রিয়ভাবে বিল্ড ফেজে চলে যায়। - এই ট্যাবে, আমাদের ক্ষেত্রে লক্ষ্য কলামটি নির্বাচন করুন ব্যর্থতার ধরন.রক্ষণাবেক্ষণ দল আপনাকে জানিয়েছে যে এই কলামটি তাদের বিদ্যমান মেশিন থেকে ঐতিহাসিক তথ্যের ভিত্তিতে সাধারণত দেখা ব্যর্থতার ধরন নির্দেশ করে। আপনি ভবিষ্যদ্বাণী করার জন্য আপনার মডেলকে প্রশিক্ষণ দিতে চান। ক্যানভাস স্বয়ংক্রিয়ভাবে সনাক্ত করে যে এটি একটি 3 বিভাগ সমস্যা ( নামেও পরিচিত বহু-শ্রেণীর শ্রেণীবিভাগ) যদি ভুল মডেলের ধরন সনাক্ত করা হয়, আপনি এটির সাথে ম্যানুয়ালি পরিবর্তন করতে পারেন ধরন পরিবর্তন করুন বিকল্প।
এটি লক্ষ করা উচিত যে এই ডেটাসেটটি নো ফেইলার ক্লাসের প্রতি অত্যন্ত ভারসাম্যহীন, যা নামক কলামটি দেখে দেখা যায় ব্যর্থতার ধরন. যদিও ক্যানভাস এবং অন্তর্নিহিত অটোএমএল ক্ষমতা আংশিকভাবে ডেটাসেট ভারসাম্যহীনতা পরিচালনা করতে পারে, এর ফলে কিছু তির্যক পারফরম্যান্স হতে পারে। একটি অতিরিক্ত পরবর্তী পদক্ষেপ হিসাবে, পড়ুন Amazon SageMaker Data Wrangler এর সাথে মেশিন লার্নিং এর জন্য আপনার ডেটা ব্যালেন্স করুন. শেয়ার করা লিঙ্কে ধাপগুলি অনুসরণ করে, আপনি একটি চালু করতে পারেন অ্যামাজন সেজমেকার স্টুডিও SageMaker কনসোল থেকে অ্যাপ এবং এর মধ্যে এই ডেটাসেট আমদানি করুন অ্যামাজন সেজমেকার ডেটা র্যাংলার এবং ব্যালেন্স ডেটা ট্রান্সফরমেশন ব্যবহার করুন, তারপর ব্যালেন্সড ডেটাসেটটিকে ক্যানভাসে ফিরিয়ে নিন এবং নিম্নলিখিত ধাপগুলি চালিয়ে যান। ক্যানভাস ভারসাম্যহীন ডেটাসেটগুলিও পরিচালনা করতে পারে তা দেখানোর জন্য আমরা এই পোস্টে ভারসাম্যহীন ডেটাসেট নিয়ে এগিয়ে যাচ্ছি।
পৃষ্ঠার নীচের অর্ধেক, আপনি ডেটাসেটের কিছু পরিসংখ্যান দেখতে পারেন, যার মধ্যে অনুপস্থিত এবং অমিল মান, অনন্য ভেল, এবং গড় এবং মাঝারি মান রয়েছে৷ আপনি কিছু কলাম বাদ দিতে পারেন যদি আপনি সেগুলিকে কেবল অনির্বাচন করে ভবিষ্যদ্বাণীর জন্য ব্যবহার করতে না চান৷
আপনি এই বিভাগটি অন্বেষণ করার পরে, এটি মডেলটি প্রশিক্ষণের সময়! একটি সম্পূর্ণ মডেল তৈরি করার আগে, একটি দ্রুত মডেল প্রশিক্ষণের মাধ্যমে মডেলের কার্যকারিতা সম্পর্কে একটি সাধারণ ধারণা থাকা একটি ভাল অভ্যাস। একটি দ্রুত মডেল সঠিকতার চেয়ে গতিকে অগ্রাধিকার দেওয়ার জন্য মডেল এবং হাইপারপ্যারামিটারের কম সংমিশ্রণকে প্রশিক্ষণ দেয়, বিশেষ করে যেখানে আপনি আপনার ব্যবহারের ক্ষেত্রে একটি এমএল মডেল প্রশিক্ষণের মূল্য প্রমাণ করতে চান। নোট করুন যে দ্রুত বিল্ড বিকল্পটি 50,000 সারির চেয়ে বড় মডেলের জন্য উপলব্ধ নয়৷ - বেছে নিন দ্রুত বিল্ড.
এখন আপনি 2-15 মিনিটের মধ্যে যেকোনো জায়গায় অপেক্ষা করুন। একবার হয়ে গেলে, ক্যানভাস স্বয়ংক্রিয়ভাবে তে চলে যায় বিশ্লেষণ করা আপনাকে দ্রুত প্রশিক্ষণের ফলাফল দেখাতে ট্যাব। দ্রুত নির্মাণ অনুমান ব্যবহার করে সম্পাদিত বিশ্লেষণ আপনার মডেল সঠিক ব্যর্থতার ধরন (ফলাফল) 99.2% সময়ের পূর্বাভাস দিতে সক্ষম। আপনি কিছুটা ভিন্ন মান অনুভব করতে পারেন। এটা প্রত্যাশিত.
প্রথম ট্যাবে ফোকাস করা যাক, সংক্ষিপ্ত বিবরণ. এটি সেই ট্যাব যা আপনাকে দেখায় কলাম প্রভাব, অথবা লক্ষ্য কলামের পূর্বাভাস দেওয়ার ক্ষেত্রে প্রতিটি কলামের আনুমানিক গুরুত্ব। এই উদাহরণে, টর্ক [Nm] এবং ঘূর্ণন গতি [rpm] কলামগুলি কী ধরণের ব্যর্থতা ঘটবে তা অনুমান করার ক্ষেত্রে সবচেয়ে উল্লেখযোগ্য প্রভাব ফেলে।
মডেল কর্মক্ষমতা মূল্যায়ন
যখন আপনি সরান স্কোরিং আপনার বিশ্লেষণের অংশে, আপনি একটি প্লট দেখতে পারেন যা প্রকৃত মানগুলির সাথে আমাদের পূর্বাভাসিত মানগুলির বিতরণকে প্রতিনিধিত্ব করে। লক্ষ্য করুন যে বেশিরভাগ ব্যর্থতা নো ফেইল্যুর বিভাগের মধ্যে থাকবে। ক্যানভাস কীভাবে ML-এ ব্যাখ্যাযোগ্যতা আনতে SHAP বেসলাইন ব্যবহার করে সে সম্পর্কে আরও জানতে, পড়ুন অ্যামাজন সেজমেকার ক্যানভাসে আপনার মডেলের কর্মক্ষমতা মূল্যায়ন করা হচ্ছে, পাশাপাশি হিসাবে ব্যাখ্যাযোগ্যতার জন্য SHAP বেসলাইন.
প্রশিক্ষণের আগে ক্যানভাস মূল ডেটাসেটকে ট্রেন এবং বৈধতা সেটে বিভক্ত করে। স্কোরিংটি মডেলের বিপরীতে ক্যানভাসের বৈধতা সেট চালানোর ফলাফল। এটি একটি ইন্টারেক্টিভ ইন্টারফেস যেখানে আপনি ব্যর্থতার ধরন নির্বাচন করতে পারেন। যদি আপনি নির্বাচন করেন ওভারস্ট্রেন ব্যর্থতা গ্রাফিকে, আপনি দেখতে পাচ্ছেন যে মডেলটি এই 84% সময়কে চিহ্নিত করে। এটি ব্যবস্থা নেওয়ার জন্য যথেষ্ট ভালো—সম্ভবত একজন অপারেটর বা ইঞ্জিনিয়ারকে আরও পরীক্ষা করে দেখুন। তুমি পছন্দ করতে পারো শক্তি ব্যর্থতা আরও ব্যাখ্যা এবং কর্মের জন্য সংশ্লিষ্ট স্কোরিং দেখতে গ্রাফিকে।
আপনি ব্যর্থতার ধরন এবং ইনপুটগুলির একটি সিরিজের উপর ভিত্তি করে মডেলটি কতটা ভালভাবে ব্যর্থতার প্রকারের ভবিষ্যদ্বাণী করতে আগ্রহী হতে পারেন। ফলাফল ঘনিষ্ঠভাবে দেখতে, নির্বাচন করুন উন্নত মেট্রিক্স. এটি একটি ম্যাট্রিক্স প্রদর্শন করে যা আপনাকে ফলাফলগুলি আরও ঘনিষ্ঠভাবে পরীক্ষা করতে দেয়। এমএল-এ, এটি একটি হিসাবে উল্লেখ করা হয় বিভ্রান্তি ম্যাট্রিক্স.
এই ম্যাট্রিক্স ডমিনেট ক্লাসে ডিফল্ট, কোন ব্যর্থতা। উপরে শ্রেণী মেনু, আপনি ওভারস্ট্রেন ব্যর্থতা এবং পাওয়ার ব্যর্থতার অন্য দুটি ব্যর্থতার প্রকারের উন্নত মেট্রিক্স দেখতে বেছে নিতে পারেন।
ML-এ, মডেলের নির্ভুলতাকে সঠিক ভবিষ্যদ্বাণীর সংখ্যা হিসাবে মোট ভবিষ্যদ্বাণীর সংখ্যার উপর ভাগ করা হয়। নীল বাক্সগুলি সঠিক ভবিষ্যদ্বাণীগুলি উপস্থাপন করে যা মডেলটি পরীক্ষার ডেটার একটি উপসেটের বিরুদ্ধে তৈরি করেছে যেখানে একটি পরিচিত ফলাফল ছিল। এখানে আমরা আগ্রহী যে কত শতাংশ সময় মডেলটি একটি নির্দিষ্ট মেশিনের ব্যর্থতার প্রকারের ভবিষ্যদ্বাণী করেছিল (আসুন বলি কোন ব্যর্থতা নেই) যখন এটি আসলে ব্যর্থতার ধরন (কোন ব্যর্থতা নেই) ML-এ, এটি পরিমাপ করতে ব্যবহৃত একটি অনুপাত হল TP / (TP + FN)। এই হিসাবে উল্লেখ করা হয় প্রত্যাহার. ডিফল্ট ক্ষেত্রে, ব্যর্থতা নেই, 1,923টি সামগ্রিক রেকর্ডের মধ্যে 1,926টি সঠিক ভবিষ্যদ্বাণী ছিল, যার ফলাফল 99% প্রত্যাহার. বিকল্পভাবে, ওভারস্ট্রেন ব্যর্থতার ক্লাসে, 32 এর মধ্যে 38 ছিল, যার ফলাফল 84% প্রত্যাহার. সবশেষে, পাওয়ার ফেইলার ক্লাসে 16 এর মধ্যে 19 ছিল, যার ফলাফল 84% প্রত্যাহার.
এখন, আপনার কাছে দুটি বিকল্প রয়েছে:
- আপনি পছন্দ করে কিছু ভবিষ্যদ্বাণী চালানোর জন্য এই মডেল ব্যবহার করতে পারেন ভবিষ্যদ্বাণী করা.
- আপনি এর সাথে প্রশিক্ষণের জন্য এই মডেলটির একটি নতুন সংস্করণ তৈরি করতে পারেন স্ট্যান্ডার্ড বিল্ড বিকল্প এতে অনেক বেশি সময় লাগবে—প্রায় 1-2 ঘণ্টা—কিন্তু এটি আরও শক্তিশালী মডেল প্রদান করে কারণ এটি ডেটা, অ্যালগরিদম এবং টিউনিং পুনরাবৃত্তির সম্পূর্ণ অটোএমএল পর্যালোচনার মধ্য দিয়ে যায়।
যেহেতু আপনি ব্যর্থতার ভবিষ্যদ্বাণী করার চেষ্টা করছেন, এবং মডেলটি 84% সময় সঠিকভাবে ব্যর্থতার পূর্বাভাস দেয়, আপনি সম্ভাব্য ব্যর্থতা সনাক্ত করতে আত্মবিশ্বাসের সাথে মডেলটি ব্যবহার করতে পারেন। সুতরাং, আপনি বিকল্প 1 এ এগিয়ে যেতে পারেন। আপনি যদি আত্মবিশ্বাসী না হন, তাহলে আপনি ক্যানভাসের মডেলিংটি পর্যালোচনা করতে এবং বিকল্প 2 এর মাধ্যমে সম্ভাব্য উন্নতির প্রস্তাব দিতে পারেন।
ভবিষ্যদ্বাণী তৈরি করুন
এখন যেহেতু মডেলটি প্রশিক্ষিত, আপনি ভবিষ্যদ্বাণী তৈরি করা শুরু করতে পারেন৷
- বেছে নিন ভবিষ্যদ্বাণী করা এর নীচে বিশ্লেষণ করা পৃষ্ঠা, বা চয়ন করুন ভবিষ্যদ্বাণী করা ট্যাব।
- বেছে নিন ডেটাসেট নির্বাচন করুন, এবং চয়ন করুন
maintenance_dataset.csv
ফাইল. - বেছে নিন ভবিষ্যদ্বাণী তৈরি করুন.
ক্যানভাস আমাদের ভবিষ্যদ্বাণী তৈরি করতে এই ডেটাসেট ব্যবহার করে। যদিও সাধারণত প্রশিক্ষণ এবং পরীক্ষার জন্য একই ডেটাসেট ব্যবহার না করা একটি ভাল ধারণা, আপনি এই ক্ষেত্রে সরলতার জন্য একই ডেটাসেট ব্যবহার করতে পারেন। বিকল্পভাবে, আপনি আপনার আসল ডেটাসেট থেকে কিছু রেকর্ড মুছে ফেলতে পারেন যা আপনি প্রশিক্ষণের জন্য ব্যবহার করেন এবং সেই রেকর্ডগুলিকে একটি CSV ফাইলে ব্যবহার করতে পারেন এবং এটিকে এখানে ব্যাচের পূর্বাভাস দিতে পারেন যাতে আপনি প্রশিক্ষণ-পরবর্তী পরীক্ষার জন্য একই ডেটাসেট ব্যবহার না করেন।
কয়েক সেকেন্ড পরে, ভবিষ্যদ্বাণী সম্পূর্ণ হয়। ক্যানভাস ডেটার প্রতিটি সারি এবং ভবিষ্যদ্বাণী সঠিক হওয়ার সম্ভাবনার জন্য একটি ভবিষ্যদ্বাণী প্রদান করে। তুমি পছন্দ করতে পারো প্রি ভবিষ্যদ্বাণী দেখতে, বা চয়ন করুন ডাউনলোড সম্পূর্ণ আউটপুট ধারণকারী একটি CSV ফাইল ডাউনলোড করতে।
আপনি পছন্দ করে একের পর এক মান ভবিষ্যদ্বাণী করতে পারেন একক ভবিষ্যদ্বাণী পরিবর্তে ব্যাচ ভবিষ্যদ্বাণী. ক্যানভাস আপনাকে একটি দৃশ্য দেখায় যেখানে আপনি ম্যানুয়ালি প্রতিটি বৈশিষ্ট্যের জন্য মান প্রদান করতে পারেন এবং একটি ভবিষ্যদ্বাণী তৈরি করতে পারেন। এটি কী-যদি পরিস্থিতির মতো পরিস্থিতির জন্য আদর্শ, উদাহরণস্বরূপ: সরঞ্জামটি কীভাবে ব্যর্থতার ধরণকে প্রভাবিত করে? প্রক্রিয়া তাপমাত্রা বৃদ্ধি বা হ্রাস হলে কি হবে? ঘূর্ণন গতি পরিবর্তন হলে কি হবে?
স্ট্যান্ডার্ড বিল্ড
সার্জারির স্ট্যান্ডার্ড বিল্ড বিকল্প গতির উপর নির্ভুলতা বেছে নেয়। আপনি যদি আপনার ডেটা সায়েন্টিস্ট এবং এমএল ইঞ্জিনিয়ারদের সাথে মডেলের আর্টিফ্যাক্ট শেয়ার করতে চান, তাহলে আপনি পরবর্তী একটি স্ট্যান্ডার্ড বিল্ড তৈরি করতে পারেন।
- বেছে নিন সংস্করণ যোগ করুন
- একটি নতুন সংস্করণ চয়ন করুন এবং চয়ন করুন স্ট্যান্ডার্ড বিল্ড.
- আপনি একটি স্ট্যান্ডার্ড বিল্ড তৈরি করার পরে, আপনি আরও মূল্যায়ন এবং পুনরাবৃত্তির জন্য ডেটা বিজ্ঞানী এবং এমএল ইঞ্জিনিয়ারদের সাথে মডেলটি ভাগ করতে পারেন।
পরিষ্কার কর
যাতে ভবিষ্যতে ক্ষতি না হয় সেশন চার্জ, ক্যানভাস থেকে লগ আউট করুন।
উপসংহার
এই পোস্টে, আমরা দেখিয়েছি যে কীভাবে একজন ব্যবসায়িক বিশ্লেষক রক্ষণাবেক্ষণ ডেটা ব্যবহার করে ক্যানভাসের সাথে একটি মেশিন ব্যর্থতার টাইপ ভবিষ্যদ্বাণী মডেল তৈরি করতে পারেন। ক্যানভাস ব্যবসায়িক বিশ্লেষকদের যেমন নির্ভরযোগ্যতা ইঞ্জিনিয়ারদের সঠিক ML মডেল তৈরি করতে এবং নো-কোড, ভিজ্যুয়াল, পয়েন্ট-এন্ড-ক্লিক ইন্টারফেস ব্যবহার করে ভবিষ্যদ্বাণী তৈরি করতে দেয়। বিশ্লেষকরা ডেটা বিজ্ঞানী সহকর্মীদের সাথে তাদের মডেলগুলি ভাগ করে এটিকে পরবর্তী স্তরে নিয়ে যেতে পারেন। ডেটা বিজ্ঞানীরা স্টুডিওতে ক্যানভাস মডেল দেখতে পারেন, যেখানে তারা ক্যানভাসের তৈরি পছন্দগুলি অন্বেষণ করতে পারে, মডেলের ফলাফলগুলি যাচাই করতে পারে এবং এমনকি কয়েকটি ক্লিকের মাধ্যমে মডেলটিকে উৎপাদনে নিয়ে যেতে পারে। এটি ML-ভিত্তিক মান তৈরিকে ত্বরান্বিত করতে পারে এবং উন্নত ফলাফলগুলিকে দ্রুত স্কেল করতে সহায়তা করতে পারে।
ক্যানভাস ব্যবহার সম্পর্কে আরও জানতে, দেখুন তৈরি করুন, ভাগ করুন, স্থাপন করুন: কীভাবে ব্যবসায় বিশ্লেষক এবং ডেটা বিজ্ঞানীরা নো-কোড এমএল এবং অ্যামাজন সেজমেকার ক্যানভাস ব্যবহার করে দ্রুত সময়ে বাজার অর্জন করেন. নো-কোড সমাধান সহ এমএল মডেল তৈরি করার বিষয়ে আরও তথ্যের জন্য, দেখুন অ্যামাজন সেজমেকার ক্যানভাস ঘোষণা করা হচ্ছে – ব্যবসায়িক বিশ্লেষকদের জন্য একটি ভিজ্যুয়াল, নো কোড মেশিন লার্নিং ক্ষমতা.
লেখক সম্পর্কে
রাজকুমার সম্পতকুমার তিনি AWS-এর একজন প্রধান টেকনিক্যাল অ্যাকাউন্ট ম্যানেজার, গ্রাহকদের ব্যবসা-প্রযুক্তি সারিবদ্ধকরণের বিষয়ে নির্দেশনা প্রদান করে এবং তাদের ক্লাউড অপারেশন মডেল ও প্রক্রিয়ার পুনর্বিবেচনাকে সমর্থন করে। তিনি ক্লাউড এবং মেশিন লার্নিং সম্পর্কে উত্সাহী। রাজ একজন মেশিন লার্নিং বিশেষজ্ঞ এবং AWS গ্রাহকদের সাথে তাদের AWS ওয়ার্কলোড এবং আর্কিটেকচার ডিজাইন, স্থাপন এবং পরিচালনা করতে কাজ করে।
টোয়ান অ্যাটকিন্স অ্যামাজন ওয়েব পরিষেবাগুলির জন্য একজন সিনিয়র সলিউশন আর্কিটেক্ট৷ তিনি কৃষি, খুচরা, এবং উত্পাদন গ্রাহকদের সাথে ব্যবসায়িক সমস্যাগুলি সনাক্ত করতে এবং কার্যকর এবং মাপযোগ্য প্রযুক্তিগত সমাধানগুলি সনাক্ত করতে পিছনের দিকে কাজ করার জন্য দায়ী৷ Twann গ্রাহকদের এবং আগামীকালের নির্মাতাদের জন্য গণতান্ত্রিক বিশ্লেষণ, কৃত্রিম বুদ্ধিমত্তা এবং মেশিন লার্নিং এর উপর সাম্প্রতিক ফোকাস সহ 10 বছরেরও বেশি সময় ধরে গ্রাহকদের সমালোচনামূলক কাজের চাপ পরিকল্পনা ও স্থানান্তর করতে সহায়তা করে আসছে।
ওমকার মুকাদম অ্যামাজন ওয়েব সার্ভিসেসের একটি এজ স্পেশালিস্ট সলিউশন আর্কিটেকচার। তিনি বর্তমানে এমন সমাধানগুলির উপর ফোকাস করেন যা বাণিজ্যিক গ্রাহকদের AWS এজ পরিষেবা অফারগুলির সাথে কার্যকরভাবে ডিজাইন, নির্মাণ এবং স্কেল করতে সক্ষম করে যার মধ্যে AWS স্নো ফ্যামিলি অন্তর্ভুক্ত রয়েছে তবে সীমাবদ্ধ নয়।
- Coinsmart. ইউরোপের সেরা বিটকয়েন এবং ক্রিপ্টো এক্সচেঞ্জ।
- প্লেটোব্লকচেন। Web3 মেটাভার্স ইন্টেলিজেন্স। জ্ঞান প্রসারিত. বিনামূল্যে এক্সেস.
- ক্রিপ্টোহক। Altcoin রাডার। বিনামূল্যে ট্রায়াল.
- Source: https://aws.amazon.com/blogs/machine-learning/predict-types-of-machine-failures-with-no-code-machine-learning-using-amazon-sagemaker-canvas/
- "
- 000
- 10
- 100
- 9
- a
- ক্ষমতা
- সম্পর্কে
- দ্রুততর করা
- প্রবেশ
- হিসাব
- সঠিক
- অর্জন করা
- কর্ম
- স্টক
- অতিরিক্ত
- অ্যাডমিন
- অ্যাডমিনিস্ট্রেটররা
- অগ্রসর
- বিরুদ্ধে
- কৃষি
- আলগোরিদিম
- সব
- অনুমতি
- যদিও
- মর্দানী স্ত্রীলোক
- অ্যামাজন ওয়েব সার্ভিসেস
- বিশ্লেষণ করা
- বিশ্লেষণ
- বিশ্লেষক
- বৈশ্লেষিক ন্যায়
- কোথাও
- অ্যাপ্লিকেশন
- আবেদন
- যথাযথ
- আন্দাজ
- স্থাপত্য
- কাছাকাছি
- কৃত্রিম
- কৃত্রিম বুদ্ধিমত্তা
- কৃত্রিম গোয়েন্দা এবং মেশিন লার্নিং
- নির্ধারিত
- যুক্ত
- বৈশিষ্ট্যাবলী
- স্বয়ংক্রিয়ভাবে
- সহজলভ্য
- ডেস্কটপ AWS
- অক্ষ
- কারণ
- আগে
- হচ্ছে
- বড়
- সীমান্ত
- আনা
- নির্মাণ করা
- ভবন
- ব্যবসায়
- ব্যবসা
- ক্যানভাস
- ক্ষমতা
- কেস
- মামলা
- বিভাগ
- কিছু
- পরিবর্তন
- পছন্দ
- বেছে নিন
- শ্রেণী
- কাছাকাছি
- মেঘ
- কোড
- সহকর্মীদের
- স্তম্ভ
- সমন্বয়
- ব্যবসায়িক
- সাধারণ
- সম্পূর্ণ
- সুনিশ্চিত
- কনসোল
- ধারণ
- অবিরত
- পারা
- সৃষ্টি
- তৈরি করা হচ্ছে
- সৃষ্টি
- সংকটপূর্ণ
- এখন
- গ্রাহকদের
- উপাত্ত
- তথ্য বিজ্ঞানী
- বিলম্ব
- নির্ভর করে
- স্থাপন
- নকশা
- সনাক্ত
- বিকাশ
- DID
- বিভিন্ন
- প্রদর্শন
- বিতরণ
- ডোমেইন
- ডাউনলোড
- ড্রপ
- প্রতি
- প্রান্ত
- কার্যকরীভাবে
- সম্ভব
- প্রকৌশলী
- প্রকৌশলী
- বিশেষত
- আনুমানিক
- অনুমান
- মূল্যায়ন
- মূল্যায়ন
- উদাহরণ
- বিদ্যমান
- প্রত্যাশিত
- অভিজ্ঞতা
- পরীক্ষা
- বিশেষজ্ঞদের
- অন্বেষণ করুণ
- প্রকাশিত
- ব্যর্থতা
- পরিবার
- দ্রুত
- বৈশিষ্ট্য
- প্রথম
- কেন্দ্রবিন্দু
- গুরুত্ত্ব
- অনুসরণ করা
- অনুসরণ
- থেকে
- সম্পূর্ণ
- অধিকতর
- ভবিষ্যৎ
- সাধারণ
- সাধারণত
- উত্পাদন করা
- উৎপাদিত
- ভাল
- হাতল
- জমিদারি
- সাহায্য
- সাহায্য
- এখানে
- অত্যন্ত
- ঐতিহাসিক
- কিভাবে
- HTTPS দ্বারা
- ধারণা
- আদর্শ
- সনাক্ত করা
- প্রভাব
- গুরুত্ব
- উন্নত
- উন্নতি
- অন্তর্ভুক্ত করা
- অন্তর্ভুক্ত
- সুদ্ধ
- শিল্প
- তথ্য
- অবগত
- অর্ন্তদৃষ্টি
- বুদ্ধিমত্তা
- ইন্টারেক্টিভ
- আগ্রহী
- ইন্টারফেস
- ব্যাখ্যা
- IT
- পরিচিত
- বড়
- শুরু করা
- শিখতে
- শিক্ষা
- উচ্চতা
- সীমিত
- লাইন
- LINK
- তালিকাভুক্ত
- স্থানীয়
- দেখুন
- মেশিন
- মেশিন লার্নিং
- মেশিন
- প্রণীত
- রক্ষণাবেক্ষণ
- করা
- পরিচালনা করা
- ব্যবস্থাপনা
- পরিচালক
- পরিচালক
- ম্যানুয়ালি
- উত্পাদন
- জরায়ু
- মাপ
- মধ্যম
- ছন্দোবিজ্ঞান
- ML
- মডেল
- মডেল
- অধিক
- সেতু
- পদক্ষেপ
- পরবর্তী
- সুপরিচিত
- সংখ্যা
- অর্পণ
- অর্ঘ
- অপারেশন
- অপারেটর
- পছন্দ
- অপশন সমূহ
- ক্রম
- সংগঠন
- মূল
- অন্যান্য
- সামগ্রিক
- নিজের
- বিশেষ
- কামুক
- শতকরা হার
- কর্মক্ষমতা
- ক্রিয়াকাণ্ড
- ফেজ
- নীতি
- সম্ভব
- সম্ভাব্য
- ক্ষমতা
- অনুশীলন
- ভবিষ্যদ্বাণী করা
- ভবিষ্যদ্বাণী
- ভবিষ্যতবাণী
- অধ্যক্ষ
- সমস্যা
- সমস্যা
- প্রক্রিয়া
- প্রসেস
- পণ্য
- পন্য মান
- উত্পাদনের
- প্রদান
- প্রদত্ত
- উপলব্ধ
- প্রদানের
- গুণ
- দ্রুত
- রেঞ্জিং
- সাম্প্রতিক
- রেকর্ড
- চিত্রিত করা
- প্রতিনিধিত্বমূলক
- প্রয়োজনীয়
- সংস্থান
- দায়ী
- ফলাফল
- খুচরা
- আয়
- এখানে ক্লিক করুন
- চালান
- দৌড়
- একই
- মাপযোগ্য
- স্কেল
- বিজ্ঞানী
- বিজ্ঞানীরা
- স্কোরিং
- সেকেন্ড
- ক্রমিক
- ক্রম
- সেবা
- সেবা
- সেট
- বিভিন্ন
- শেয়ার
- ভাগ
- শেয়ারিং
- প্রদর্শনী
- গুরুত্বপূর্ণ
- একক
- আয়তন
- তুষার
- So
- কঠিন
- সমাধান
- সলিউশন
- কিছু
- বিশেষজ্ঞ
- স্পীড
- টুকরা
- মান
- শুরু
- শুরু
- পরিসংখ্যান
- অবস্থা
- চিত্রশালা
- সমর্থক
- লক্ষ্য
- টীম
- কারিগরী
- পরীক্ষা
- পরীক্ষামূলক
- সার্জারির
- দ্বারা
- বাঁধা
- সময়
- আগামীকাল
- টুল
- প্রতি
- প্রশিক্ষণ
- ট্রেন
- রুপান্তর
- ধরনের
- সাধারণত
- অনন্য
- ব্যবহার
- ব্যবহারকারী
- বৈধতা
- মূল্য
- সংস্করণ
- চেক
- অপেক্ষা করুন
- ওয়েব
- ওয়েব সার্ভিস
- কি
- মধ্যে
- কাজ
- কাজ
- would
- বছর
- আপনার