ভবিষ্যদ্বাণীমূলক রক্ষণাবেক্ষণ স্বয়ংচালিত শিল্পগুলিতে গুরুত্বপূর্ণ কারণ এটি নীল যান্ত্রিক ব্যর্থতা এবং প্রতিক্রিয়াশীল রক্ষণাবেক্ষণ কার্যক্রমগুলিকে ব্যাহত করে যা অপারেশনগুলিকে এড়াতে পারে। গাড়ির ব্যর্থতার ভবিষ্যদ্বাণী করে এবং রক্ষণাবেক্ষণ ও মেরামতের সময়সূচী নির্ধারণ করে, আপনি ডাউনটাইম হ্রাস করবেন, নিরাপত্তা উন্নত করবেন এবং উৎপাদনশীলতার মাত্রা বাড়াবেন।
আমরা যদি গাড়ির ব্যর্থতা, অপরিকল্পিত ডাউনটাইম এবং মেরামতের খরচ চালায় এমন সাধারণ এলাকায় গভীর শিক্ষার কৌশল প্রয়োগ করতে পারি?
এই পোস্টে, আমরা আপনাকে দেখাই যে কীভাবে গাড়ির ফ্লিট ব্যর্থতার সম্ভাব্যতা ব্যবহার করে ভবিষ্যদ্বাণী করার জন্য একটি মডেলকে প্রশিক্ষণ এবং স্থাপন করা যায় আমাজন সেজমেকার জাম্পস্টার্ট. সেজমেকার জাম্পস্টার্ট হল এর মেশিন লার্নিং (এমএল) হাব আমাজন সেজমেকার, আপনাকে ML-এর সাথে শুরু করতে সাহায্য করার জন্য বিভিন্ন ধরণের সমস্যার জন্য প্রাক-প্রশিক্ষিত, সর্বজনীনভাবে উপলব্ধ মডেলগুলি প্রদান করে৷ পোস্টে বর্ণিত সমাধানটি পাওয়া যায় GitHub.
সেজমেকার জাম্পস্টার্ট সমাধান টেমপ্লেট
SageMaker JumpStart অনেক সাধারণ ML ব্যবহারের ক্ষেত্রে এক-ক্লিক, এন্ড-টু-এন্ড সমাধান প্রদান করে। উপলব্ধ সমাধান টেমপ্লেট সম্পর্কে আরও তথ্যের জন্য নিম্নলিখিত ব্যবহারের ক্ষেত্রে অন্বেষণ করুন:
সেজমেকার জাম্পস্টার্ট সলিউশন টেমপ্লেটগুলি বিভিন্ন ধরনের ব্যবহারের ক্ষেত্রে কভার করে, যার প্রত্যেকটির অধীনে বিভিন্ন সমাধান টেমপ্লেট দেওয়া হয় (এই পোস্টে সমাধান, যানবাহন বহরের জন্য ভবিষ্যদ্বাণীমূলক রক্ষণাবেক্ষণ, ভিতরে সলিউশন অধ্যায়). সেজমেকার জাম্পস্টার্ট ল্যান্ডিং পৃষ্ঠা থেকে আপনার ব্যবহারের ক্ষেত্রে সবচেয়ে উপযুক্ত সমাধান টেমপ্লেটটি বেছে নিন। প্রতিটি ব্যবহারের ক্ষেত্রে নির্দিষ্ট সমাধান সম্পর্কে আরও তথ্যের জন্য এবং কীভাবে একটি সেজমেকার জাম্পস্টার্ট সমাধান চালু করবেন, দেখুন সমাধান টেমপ্লেট.
সমাধান ওভারভিউ
স্বয়ংচালিত ফ্লিটগুলির জন্য AWS ভবিষ্যদ্বাণীমূলক রক্ষণাবেক্ষণ সমাধানটি সাধারণ ক্ষেত্রগুলিতে গভীর শিক্ষার কৌশল প্রয়োগ করে যা যানবাহনের ব্যর্থতা, অপরিকল্পিত ডাউনটাইম এবং মেরামতের খরচ চালায়। অল্প সময়ের মধ্যে ধারণার প্রমাণ পেতে এটি আপনার জন্য একটি প্রাথমিক বিল্ডিং ব্লক হিসাবে কাজ করে। এই সমাধানটি SageMaker-এর মধ্যে ডেটা প্রস্তুতি এবং ভিজ্যুয়ালাইজেশন কার্যকারিতা ধারণ করে এবং আপনাকে আপনার ডেটাসেটের জন্য গভীর শিক্ষার মডেলগুলির হাইপারপ্যারামিটার প্রশিক্ষণ এবং অপ্টিমাইজ করার অনুমতি দেয়। আপনি আপনার নিজস্ব ডেটা ব্যবহার করতে পারেন বা এই সমাধানের অংশ হিসাবে একটি সিন্থেটিক ডেটাসেট দিয়ে সমাধানটি চেষ্টা করতে পারেন। এই সংস্করণটি সময়ের সাথে গাড়ির সেন্সর ডেটা প্রক্রিয়া করে। একটি পরবর্তী সংস্করণ রক্ষণাবেক্ষণ রেকর্ড ডেটা প্রক্রিয়া করবে।
নিম্নলিখিত চিত্রটি দেখায় কিভাবে আপনি SageMaker উপাদানগুলির সাথে এই সমাধানটি ব্যবহার করতে পারেন। সমাধানের অংশ হিসাবে, নিম্নলিখিত পরিষেবাগুলি ব্যবহার করা হয়:
- আমাজন S3 - আমরা ব্যাবহার করি আমাজন সিম্পল স্টোরেজ সার্ভিস (Amazon S3) ডেটাসেট সংরক্ষণ করতে
- সেজমেকার নোটবুক - আমরা ডেটা প্রিপ্রসেস এবং ভিজ্যুয়ালাইজ করার জন্য একটি নোটবুক ব্যবহার করি, এবং গভীর শিক্ষার মডেলকে প্রশিক্ষণ দিতে
- সেজমেকার এন্ডপয়েন্ট - আমরা প্রশিক্ষিত মডেল স্থাপন করতে এন্ডপয়েন্ট ব্যবহার করি
কর্মপ্রবাহে নিম্নলিখিত পদক্ষেপগুলি অন্তর্ভুক্ত রয়েছে:
- গাড়ির ডেটা এবং সেন্সর লগ ধারণকারী ফ্লিট ম্যানেজমেন্ট সিস্টেম থেকে ঐতিহাসিক ডেটার একটি নির্যাস তৈরি করা হয়।
- এমএল মডেল প্রশিক্ষিত হওয়ার পরে, সেজমেকার মডেল আর্টিফ্যাক্ট স্থাপন করা হয়।
- সংযুক্ত গাড়িটি সেন্সর লগ পাঠায় এডাব্লুএস আইওটি কোর (বিকল্পভাবে, একটি HTTP ইন্টারফেসের মাধ্যমে)।
- সেন্সর লগ এর মাধ্যমে অব্যাহত আছে আমাজন কিনেস ডেটা ফায়ারহোজ ose.
- সেন্সর লগ পাঠানো হয় এডাব্লুএস ল্যাম্বদা ভবিষ্যদ্বাণী করতে মডেলের বিরুদ্ধে অনুসন্ধানের জন্য।
- Lambda ভবিষ্যদ্বাণীর জন্য সেজমেকার মডেল অনুমানের কাছে সেন্সর লগ পাঠায়।
- ভবিষ্যদ্বাণী অব্যাহত আছে অ্যামাজন অরোরা.
- মোট ফলাফল একটি উপর প্রদর্শিত হয় অ্যামাজন কুইকসাইট ড্যাশবোর্ড।
- ব্যর্থতার পূর্বাভাসিত সম্ভাবনা সম্পর্কে রিয়েল-টাইম বিজ্ঞপ্তি পাঠানো হয় অ্যামাজন সাধারণ বিজ্ঞপ্তি পরিষেবা (আমাজন এসএনএস)।
- Amazon SNS সংযুক্ত গাড়িতে বিজ্ঞপ্তি পাঠায়।
সমাধানটি ছয়টি নোটবুক নিয়ে গঠিত:
- 0_demo.ipynb - আমাদের সমাধানের একটি দ্রুত পূর্বরূপ
- 1_introduction.ipynb - ভূমিকা এবং সমাধান ওভারভিউ
- 2_data_preparation.ipynb - একটি নমুনা ডেটাসেট প্রস্তুত করুন
- 3_data_visualization.ipynb - আমাদের নমুনা ডেটাসেট কল্পনা করুন
- 4_model_training.ipynb - ব্যর্থতা সনাক্ত করতে আমাদের নমুনা ডেটাসেটে একটি মডেলকে প্রশিক্ষণ দিন
- 5_results_analysis.ipynb - আমরা প্রশিক্ষিত মডেল থেকে ফলাফল বিশ্লেষণ
পূর্বশর্ত
অ্যামাজন সেজমেকার স্টুডিও SageMaker-এর মধ্যে ইন্টিগ্রেটেড ডেভেলপমেন্ট এনভায়রনমেন্ট (IDE) যা আমাদের কাচের একটি একক প্যানে প্রয়োজন এমন সমস্ত ML বৈশিষ্ট্য সরবরাহ করে। আমরা সেজমেকার জাম্পস্টার্ট চালানোর আগে, আমাদের সেজমেকার স্টুডিও সেট আপ করতে হবে। আপনার যদি ইতিমধ্যে সেজমেকার স্টুডিওর নিজস্ব সংস্করণ চালু থাকে তবে আপনি এই পদক্ষেপটি এড়িয়ে যেতে পারেন।
কোনো AWS পরিষেবা ব্যবহার করার আগে আমাদের যা করতে হবে তা হল আমরা একটি AWS অ্যাকাউন্টের জন্য সাইন আপ করেছি এবং তৈরি করেছি তা নিশ্চিত করা। তারপরে আমরা একটি প্রশাসনিক ব্যবহারকারী এবং একটি গ্রুপ তৈরি করি। উভয় পদক্ষেপের নির্দেশাবলীর জন্য, পড়ুন Amazon SageMaker পূর্বশর্ত সেট আপ করুন.
পরবর্তী ধাপ হল একটি SageMaker ডোমেইন তৈরি করা। একটি ডোমেন সমস্ত স্টোরেজ সেট আপ করে এবং আপনাকে সেজমেকার অ্যাক্সেস করতে ব্যবহারকারীদের যোগ করার অনুমতি দেয়। আরো তথ্যের জন্য, পড়ুন Amazon SageMaker ডোমেনে অনবোর্ড. এই ডেমোটি তৈরি করা হয়েছে AWS অঞ্চল us-east-1-এ।
অবশেষে, আপনি সেজমেকার স্টুডিও চালু করুন। এই পোস্টের জন্য, আমরা একটি ব্যবহারকারী প্রোফাইল অ্যাপ চালু করার পরামর্শ দিই। নির্দেশাবলীর জন্য, পড়ুন অ্যামাজন সেজমেকার স্টুডিও চালু করুন.
এই সেজমেকার জাম্পস্টার্ট সমাধানটি চালানোর জন্য এবং আপনার AWS অ্যাকাউন্টে পরিকাঠামো স্থাপন করতে, আপনাকে একটি সক্রিয় SageMaker স্টুডিও উদাহরণ তৈরি করতে হবে (দেখুন অ্যামাজন সেজমেকার স্টুডিওতে) আপনার উদাহরণ প্রস্তুত হলে, নির্দেশাবলী ব্যবহার করুন সেজমেকার জাম্পস্টার্ট সমাধান চালু করতে। সমাধান শিল্পকর্ম এই অন্তর্ভুক্ত করা হয় GitHub সংগ্রহস্থল রেফারেন্স জন্য
সেজমেকার জাম্পস্টার্ট সমাধান চালু করুন
সমাধান দিয়ে শুরু করতে, নিম্নলিখিত পদক্ষেপগুলি সম্পূর্ণ করুন:
- সেজমেকার স্টুডিও কনসোলে, নির্বাচন করুন লাফ শুরু.
- উপরে সলিউশন ট্যাব, চয়ন করুন যানবাহন বহরের জন্য ভবিষ্যদ্বাণীমূলক রক্ষণাবেক্ষণ.
- বেছে নিন শুরু করা.
সমাধানটি স্থাপন করতে কয়েক মিনিট সময় লাগে। - সমাধানটি স্থাপন করার পরে, ওপেন নোটবুক নির্বাচন করুন।
যদি আপনাকে একটি কার্নেল নির্বাচন করতে বলা হয়, তাহলে এই সমাধানের সমস্ত নোটবুকের জন্য PyTorch 1.8 Python 3.6 নির্বাচন করুন।
সমাধান পূর্বরূপ
আমরা প্রথম কাজ 0_demo.ipynb
নোটবই. এই নোটবুকে, আপনি এই সমাধানের জন্য সম্পূর্ণ নোটবুক সম্পূর্ণ করার সময় ফলাফল কেমন হবে তার একটি দ্রুত পূর্বরূপ পেতে পারেন।
বেছে নিন চালান এবং সমস্ত সেল চালান সেজমেকার স্টুডিওতে (বা কোষ এবং সমস্ত চালান একটি সেজমেকার নোটবুকের উদাহরণে)। আপনি প্রতিটি নোটবুকের সমস্ত ঘর একের পর এক চালাতে পারেন। পরবর্তী নোটবুকে যাওয়ার আগে সমস্ত কক্ষের প্রক্রিয়াকরণ শেষ হয়েছে তা নিশ্চিত করুন।
এই সমাধানটি প্রভিশন করা AWS রিসোর্স চালানোর জন্য একটি কনফিগারেশন ফাইলের উপর নির্ভর করে। আমরা নিম্নরূপ ফাইল তৈরি করি:
আমাদের কাছে গাড়ির ব্যাটারি ভোল্টেজ এবং সময়ের সাথে সাথে ব্যাটারি কারেন্ট সমন্বিত কিছু নমুনা টাইম সিরিজ ইনপুট ডেটা রয়েছে। এর পরে, আমরা নমুনা ডেটা লোড করি এবং কল্পনা করি। নিম্নলিখিত স্ক্রিনশটগুলিতে দেখানো হয়েছে, ভোল্টেজ এবং বর্তমান মানগুলি Y অক্ষে এবং রিডিংগুলি (19 রিডিং রেকর্ড করা হয়েছে) X অক্ষে রয়েছে৷
আমরা পূর্বে এই ভোল্টেজ এবং বর্তমান ডেটার উপর একটি মডেল প্রশিক্ষিত করেছি যা গাড়ির ব্যর্থতার সম্ভাবনার পূর্বাভাস দেয় এবং মডেলটিকে সেজমেকারে একটি শেষ পয়েন্ট হিসাবে স্থাপন করেছি। পরবর্তী সময়ের মধ্যে ব্যর্থতার সম্ভাবনা নির্ধারণ করতে আমরা কিছু নমুনা ডেটা সহ এই শেষ পয়েন্টটিকে কল করব।
নমুনা ইনপুট ডেটা দেওয়া, ব্যর্থতার পূর্বাভাসিত সম্ভাবনা 45.73%।
পরবর্তী পর্যায়ে যেতে, নির্বাচন করুন চলমান থাকতে এখানে ক্লিক করুন.
ভূমিকা এবং সমাধান ওভারভিউ
সার্জারির 1_introduction.ipynb
নোটবুক সমাধান এবং পর্যায়গুলির একটি ওভারভিউ প্রদান করে এবং কনফিগারেশন ফাইলে একটি নজর দেয় যাতে বিষয়বস্তুর সংজ্ঞা, ডেটা স্যাম্পলিং পিরিয়ড, ট্রেন এবং পরীক্ষার নমুনা গণনা, প্যারামিটার, অবস্থান এবং উত্পন্ন সামগ্রীর জন্য কলামের নাম রয়েছে।
আপনি এই নোটবুকটি পর্যালোচনা করার পরে, আপনি পরবর্তী পর্যায়ে যেতে পারেন।
একটি নমুনা ডেটাসেট প্রস্তুত করুন
আমরা একটি নমুনা ডেটাসেট প্রস্তুত 2_data_preparation.ipynb
নোটবই.
আমরা প্রথমে এই সমাধানের জন্য কনফিগারেশন ফাইল তৈরি করি:
কনফিগার বৈশিষ্ট্যগুলি নিম্নরূপ:
আপনি আপনার নিজস্ব ডেটাসেট সংজ্ঞায়িত করতে পারেন বা একটি নমুনা ডেটাসেট তৈরি করতে আমাদের স্ক্রিপ্টগুলি ব্যবহার করতে পারেন:
আপনি সেন্সর ডেটা এবং ফ্লিট গাড়ির ডেটা একসাথে মার্জ করতে পারেন:
আমরা এখন ডেটা ভিজ্যুয়ালাইজেশনে যেতে পারি।
আমাদের নমুনা ডেটাসেট কল্পনা করুন
আমরা আমাদের নমুনা ডেটাসেট ভিজুয়ালাইজ করি 3_data_vizualization.ipynb
. এই সমাধানটি প্রভিশন করা AWS রিসোর্স চালানোর জন্য একটি কনফিগারেশন ফাইলের উপর নির্ভর করে। আগের নোটবুকের মতো ফাইল তৈরি করি।
নিম্নলিখিত স্ক্রিনশট আমাদের ডেটাসেট দেখায়।
এর পরে, আসুন ডেটাসেট তৈরি করি:
এখন যেহেতু ডেটাসেট প্রস্তুত, আসুন ডেটা পরিসংখ্যানটি কল্পনা করি। নিম্নলিখিত স্ক্রিনশট গাড়ির তৈরি, ইঞ্জিনের ধরন, গাড়ির শ্রেণী এবং মডেলের উপর ভিত্তি করে ডেটা বিতরণ দেখায়।
লগ ডেটা তুলনা করে, আসুন মেক ই এবং সি (এলোমেলো) এর জন্য বিভিন্ন বছর জুড়ে গড় ভোল্টেজের একটি উদাহরণ দেখি।
ভোল্টেজ এবং কারেন্টের গড় Y অক্ষে এবং রিডিংয়ের সংখ্যা X অক্ষে।
- log_target-এর সম্ভাব্য মান: ['make', 'model', 'year', 'vehicle_class', 'engine_type']
- এর জন্য এলোমেলোভাবে নির্ধারিত মান
log_target: make
- এর জন্য এলোমেলোভাবে নির্ধারিত মান
- log_target_value1 এর সম্ভাব্য মান: ['Make A', 'Make B', 'Make E', 'Make C', 'Make D']
- এর জন্য এলোমেলোভাবে নির্ধারিত মান
log_target_value1: Make B
- এর জন্য এলোমেলোভাবে নির্ধারিত মান
- log_target_value2 এর সম্ভাব্য মান: ['Make A', 'Make B', 'Make E', 'Make C', 'Make D']
- এর জন্য এলোমেলোভাবে নির্ধারিত মান
log_target_value2: Make D
- এর জন্য এলোমেলোভাবে নির্ধারিত মান
উপরের উপর ভিত্তি করে, আমরা অনুমান log_target: make
, log_target_value1: Make B
এবং log_target_value2: Make D
নিম্নলিখিত গ্রাফগুলি লগ ডেটার গড়কে ভেঙে দেয়।
নিম্নলিখিত গ্রাফগুলি ভোল্টেজ এবং কারেন্টের বিপরীতে বিভিন্ন সেন্সর লগ মানগুলির একটি উদাহরণ কল্পনা করে।
ব্যর্থতা সনাক্ত করতে আমাদের নমুনা ডেটাসেটে একটি মডেলকে প্রশিক্ষণ দিন
মধ্যে 4_model_training.ipynb
নোটবুক, আমরা ব্যর্থতা সনাক্ত করতে আমাদের নমুনা ডেটাসেটে একটি মডেলকে প্রশিক্ষণ দিই।
আগের নোটবুকের মতো কনফিগারেশন ফাইল তৈরি করা যাক, এবং তারপর প্রশিক্ষণ কনফিগারেশনের সাথে এগিয়ে চলুন:
আমরা প্রশিক্ষিত মডেল থেকে ফলাফল বিশ্লেষণ
মধ্যে 5_results_analysis.ipynb
নোটবুক, আমরা আমাদের হাইপারপ্যারামিটার টিউনিং কাজ থেকে ডেটা পাই, সেরা চাকরি সনাক্ত করতে সমস্ত কাজের মেট্রিক্স কল্পনা করি এবং সেরা প্রশিক্ষণের কাজের জন্য একটি শেষ পয়েন্ট তৈরি করি।
আগের নোটবুকের অনুরূপ কনফিগারেশন ফাইল তৈরি করা যাক এবং সমস্ত কাজের মেট্রিক্স কল্পনা করি। নিম্নলিখিত প্লটটি পরীক্ষার নির্ভুলতা বনাম যুগকে কল্পনা করে।
নিম্নলিখিত স্ক্রিনশটটি হাইপারপ্যারামিটার টিউনিং কাজগুলি দেখায় যা আমরা চালিয়েছি।
আপনি এখন পরীক্ষার নির্ভুলতার (লাল) উপর ভিত্তি করে সেরা প্রশিক্ষণের কাজ (চারটি প্রশিক্ষণের কাজের মধ্যে) থেকে ডেটা কল্পনা করতে পারেন।
আমরা নিম্নলিখিত স্ক্রিনশটগুলিতে দেখতে পাচ্ছি, পরীক্ষার ক্ষতি হ্রাস পায় এবং যুগের সাথে AUC এবং নির্ভুলতা বৃদ্ধি পায়।
ভিজ্যুয়ালাইজেশনের উপর ভিত্তি করে, আমরা এখন সেরা প্রশিক্ষণ কাজের জন্য একটি শেষ পয়েন্ট তৈরি করতে পারি:
আমরা শেষ বিন্দু তৈরি করার পরে, আমরা নমুনা সেন্সর লগ পাস করে ভবিষ্যদ্বাণী পরীক্ষা করতে পারি:
নমুনা ইনপুট ডেটা দেওয়া, ব্যর্থতার পূর্বাভাসিত সম্ভাবনা 34.60%.
পরিষ্কার কর
আপনি যখন এই সমাধানটি শেষ করেছেন, তখন নিশ্চিত করুন যে আপনি সমস্ত অবাঞ্ছিত AWS সংস্থান মুছে ফেলেছেন৷ উপরে যানবাহন বহরের জন্য ভবিষ্যদ্বাণীমূলক রক্ষণাবেক্ষণ পাতা, অধীনে সমাধান মুছুননির্বাচন সমস্ত সংস্থান মুছুন সমাধানের সাথে যুক্ত সমস্ত সংস্থান মুছে ফেলতে।
আপনি এই নোটবুকে তৈরি করা অতিরিক্ত সংস্থানগুলিকে ম্যানুয়ালি মুছতে হবে৷ কিছু উদাহরণের মধ্যে অতিরিক্ত S3 বালতি (সমাধানের ডিফল্ট বালতিতে) এবং অতিরিক্ত SageMaker এন্ডপয়েন্ট (একটি কাস্টম নাম ব্যবহার করে) অন্তর্ভুক্ত।
সমাধানটি কাস্টমাইজ করুন
আমাদের সমাধান কাস্টমাইজ করা সহজ। ইনপুট ডেটা ভিজ্যুয়ালাইজেশন পরিবর্তন করতে, পড়ুন sagemaker/3_data_visualization.ipynb. মেশিন লার্নিং কাস্টমাইজ করতে, পড়ুন sagemaker/source/train.py এবং sagemaker/source/dl_utils/network.py. ডেটাসেট প্রক্রিয়াকরণ কাস্টমাইজ করতে, পড়ুন sagemaker/1_introduction.ipynb কনফিগার ফাইল কিভাবে সংজ্ঞায়িত করতে হয়।
অতিরিক্তভাবে, আপনি কনফিগারেশন ফাইলে কনফিগারেশন পরিবর্তন করতে পারেন। ডিফল্ট কনফিগারেশন নিম্নরূপ:
কনফিগার ফাইলের নিম্নলিখিত পরামিতি রয়েছে:
fleet_info_fn
,fleet_sensor_logs_fn
,fleet_dataset_fn
,train_dataset_fn
, এবংtest_dataset_fn
ডেটাসেট ফাইলের অবস্থান নির্ধারণ করুনvehicle_id_column
,timestamp_column
,target_column
, এবংperiod_column
কলামের জন্য হেডার সংজ্ঞায়িত করুনdataset_size
,chunksize
,processing_chunksize
,period_ms
, এবংwindow_length
ডেটাসেটের বৈশিষ্ট্যগুলি সংজ্ঞায়িত করুন
উপসংহার
এই পোস্টে, আমরা আপনাকে দেখিয়েছি কিভাবে সেজমেকার জাম্পস্টার্ট ব্যবহার করে গাড়ির ফ্লিট ব্যর্থতার সম্ভাবনার পূর্বাভাস দিতে একটি মডেলকে প্রশিক্ষণ ও স্থাপন করতে হয়। সমাধানটি ML এবং গভীর শিক্ষার মডেলের উপর ভিত্তি করে এবং যেকোন সময়-পরিবর্তিত সেন্সর ডেটা সহ বিভিন্ন ধরণের ইনপুট ডেটার অনুমতি দেয়। যেহেতু প্রতিটি গাড়িতে আলাদা টেলিমেট্রি থাকে, তাই আপনি প্রদত্ত মডেলটিকে আপনার কাছে থাকা ডেটার ফ্রিকোয়েন্সি এবং প্রকারের সাথে সূক্ষ্ম-টিউন করতে পারেন।
সেজমেকার জাম্পস্টার্ট দিয়ে আপনি কী করতে পারেন সে সম্পর্কে আরও জানতে, নিম্নলিখিতটি পড়ুন:
Resources
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।
- এসইও চালিত বিষয়বস্তু এবং পিআর বিতরণ। আজই পরিবর্ধিত পান।
- PlatoData.Network উল্লম্ব জেনারেটিভ Ai. নিজেকে ক্ষমতায়িত করুন। এখানে প্রবেশ করুন.
- প্লেটোএআইস্ট্রিম। Web3 ইন্টেলিজেন্স। জ্ঞান প্রসারিত. এখানে প্রবেশ করুন.
- প্লেটোইএসজি। মোটরগাড়ি / ইভি, কার্বন, ক্লিনটেক, শক্তি, পরিবেশ সৌর, বর্জ্য ব্যবস্থাপনা. এখানে প্রবেশ করুন.
- ব্লকঅফসেট। পরিবেশগত অফসেট মালিকানার আধুনিকীকরণ। এখানে প্রবেশ করুন.
- উত্স: https://aws.amazon.com/blogs/machine-learning/predict-vehicle-fleet-failure-probability-using-amazon-sagemaker-jumpstart/
- : আছে
- : হয়
- [পৃ
- $ ইউপি
- 1
- 10
- 100
- 11
- 12
- 13
- 15%
- 16
- 19
- 20
- 50
- 67
- 7
- 8
- a
- সম্পর্কে
- উপরে
- প্রবেশ
- অনুযায়ী
- হিসাব
- সঠিকতা
- দিয়ে
- সক্রিয়
- ক্রিয়াকলাপ
- যোগ
- প্রশাসনিক
- পর
- বিরুদ্ধে
- শ্রেণীবিন্যাস
- সব
- অনুমতি
- ইতিমধ্যে
- এছাড়াও
- মর্দানী স্ত্রীলোক
- আমাজন সেজমেকার
- আমাজন সেজমেকার জাম্পস্টার্ট
- অ্যামাজন ওয়েব সার্ভিসেস
- an
- বিশ্লেষণ করা
- এবং
- কোন
- অ্যাপ্লিকেশন
- প্রয়োগ করা
- রয়েছি
- এলাকার
- AS
- নির্ধারিত
- যুক্ত
- অনুমান
- At
- স্বয়ংচালিত
- সহজলভ্য
- এড়াতে
- ডেস্কটপ AWS
- অক্ষ
- পিছনে
- ভিত্তি
- ব্যাটারি
- কারণ
- আগে
- সর্বোত্তম
- বাধা
- শরীর
- সাহায্য
- উভয়
- বিরতি
- নির্মাণ করা
- ভবন
- by
- কল
- CAN
- পেতে পারি
- কেস
- মামলা
- সেল
- পরিবর্তন
- বেছে নিন
- শ্রেণী
- মক্কেল
- মেঘ
- স্তম্ভ
- সাধারণ
- সম্পূর্ণ
- উপাদান
- ধারণা
- কনফিগারেশন
- সংযুক্ত
- গঠিত
- গঠিত
- কনসোল
- ধারণ
- বিষয়বস্তু
- খরচ
- পারা
- আবরণ
- সৃষ্টি
- নির্মিত
- সংকটপূর্ণ
- বর্তমান
- প্রথা
- গ্রাহকদের
- কাস্টমাইজ
- ড্যাশবোর্ড
- উপাত্ত
- ডেটা প্রস্তুতি
- ডেটা ভিজ্যুয়ালাইজেশন
- ডেকলাইন্স
- গভীর
- গভীর জ্ঞানার্জন
- ডিফল্ট
- সংজ্ঞা
- ডেমো
- প্রমান
- স্থাপন
- মোতায়েন
- নকশা
- নির্ধারণ
- উন্নয়ন
- বিভিন্ন
- প্রদর্শিত
- চূর্ণবিচূর্ণ করা
- বিতরণ
- do
- ডোমেইন
- নিচে
- ডাউনটাইম
- ড্রাইভ
- e
- প্রতি
- আর
- সর্বশেষ সীমা
- শেষপ্রান্ত
- ইঞ্জিন
- নিশ্চিত করা
- পরিবেশ
- কাল
- পর্বগুলি
- প্রতি
- উদাহরণ
- উদাহরণ
- অন্বেষণ করুণ
- অতিরিক্ত
- নির্যাস
- ব্যর্থতা
- মিথ্যা
- বৈশিষ্ট্য
- কয়েক
- ফাইল
- শেষ
- প্রথম
- ফ্লিট
- অনুসরণ
- অনুসরণ
- জন্য
- চার
- ফ্রিকোয়েন্সি
- থেকে
- সম্পূর্ণ
- কার্যকারিতা
- উত্পাদন করা
- উত্পন্ন
- উত্পাদক
- পাওয়া
- প্রদত্ত
- কাচ
- জিপিইউ
- গ্রাফ
- গ্রুপ
- পথপ্রদর্শন
- আছে
- he
- হেডার
- সাহায্য
- এখানে
- ঐতিহাসিক
- কিভাবে
- কিভাবে
- এইচটিএমএল
- HTTP
- HTTPS দ্বারা
- নাভি
- হাইপারপ্যারামিটার অপ্টিমাইজেশান
- হাইপারপ্যারামিটার টিউনিং
- i
- সনাক্ত করা
- if
- আমদানি
- উন্নত করা
- in
- অন্তর্ভুক্ত করা
- অন্তর্ভুক্ত
- অন্তর্ভুক্ত
- সুদ্ধ
- বৃদ্ধি
- শিল্প
- তথ্য
- পরিকাঠামো
- প্রারম্ভিক
- আরম্ভ করা
- ইনপুট
- উদাহরণ
- নির্দেশাবলী
- সংহত
- ইন্টারফেস
- মধ্যে
- ভূমিকা
- IOT
- IT
- কাজ
- জবস
- JPG
- JSON
- কী
- অবতরণ
- শুরু করা
- চালু করা
- শিখতে
- শিক্ষা
- মাত্রা
- মত
- বোঝা
- স্থানীয়
- অবস্থান
- লগ ইন করুন
- দেখুন
- মত চেহারা
- ক্ষতি
- মেশিন
- মেশিন লার্নিং
- রক্ষণাবেক্ষণ
- করা
- পরিচালনা করা
- ব্যবস্থাপনা
- পরিচালক
- ম্যানুয়ালি
- অনেক
- চরমে তোলা
- মে..
- গড়
- যান্ত্রিক
- মার্জ
- ছন্দোবিজ্ঞান
- মিনিট
- ML
- মডেল
- মডেল
- পরিবর্তন
- অধিক
- পদক্ষেপ
- চলন্ত
- নাম
- নাম
- প্রয়োজন
- পরবর্তী
- নোটবই
- প্রজ্ঞাপন
- বিজ্ঞপ্তি
- এখন
- সংখ্যা
- of
- প্রদত্ত
- on
- ONE
- কেবল
- খোলা
- অপারেশন
- অপারেশনস
- অপ্টিমাইজেশান
- অপ্টিমিজ
- or
- OS
- অন্যান্য
- আমাদের
- বাইরে
- ফলাফল
- রূপরেখা
- শেষ
- ওভারভিউ
- নিজের
- পৃষ্ঠা
- শার্সি
- পরামিতি
- অংশ
- পাসিং
- কামুক
- পথ
- কাল
- Plato
- প্লেটো ডেটা ইন্টেলিজেন্স
- প্লেটোডাটা
- দয়া করে
- পোস্ট
- ভবিষ্যদ্বাণী করা
- পূর্বাভাস
- পূর্বাভাসের
- ভবিষ্যতবাণী
- Predictor
- প্রেডিক্টস
- প্রস্তুতি
- প্রস্তুত করা
- প্রি
- আগে
- পূর্বে
- অধ্যক্ষ
- সমস্যা
- প্রক্রিয়া
- প্রসেস
- প্রক্রিয়াজাতকরণ
- প্রমোদ
- প্রোফাইল
- প্রমাণ
- ধারণা প্রমাণ
- বৈশিষ্ট্য
- প্রদত্ত
- উপলব্ধ
- প্রদানের
- প্রকাশ্যে
- পাইথন
- পাইটার্চ
- দ্রুত
- এলোমেলো
- পরিসর
- প্রস্তুত
- সুপারিশ করা
- নথি
- নথিভুক্ত
- লাল
- হ্রাস করা
- এলাকা
- মেরামত
- Resources
- প্রতিক্রিয়া
- ফলাফল
- প্রত্যাবর্তন
- এখানে ক্লিক করুন
- ভূমিকা
- চালান
- দৌড়
- নিরাপত্তা
- ঋষি নির্মাতা
- নমুনা ডেটাসেট
- পূর্বপরিকল্পনা
- স্ক্রিনশট
- স্ক্রিপ্ট
- অধ্যায়
- দেখ
- পাঠায়
- প্রেরিত
- ক্রম
- স্থল
- সেবা
- সেশন
- সেট
- সেট
- বিভিন্ন
- সংক্ষিপ্ত
- প্রদর্শনী
- দেখিয়েছেন
- প্রদর্শিত
- শো
- সাইন ইন
- অনুরূপ
- সহজ
- একক
- ছয়
- সমাধান
- সলিউশন
- কিছু
- উৎস
- বিশেষজ্ঞ
- নির্দিষ্ট
- পর্যায়
- ইন্টার্নশিপ
- শুরু
- পরিসংখ্যান
- ধাপ
- প্রারম্ভিক ব্যবহারের নির্দেশাবলী
- স্টোরেজ
- দোকান
- চিত্রশালা
- পরবর্তী
- সমর্থক
- নিশ্চিত
- কৃত্রিম
- পদ্ধতি
- লাগে
- কারিগরী
- প্রযুক্তি
- টেমপ্লেট
- টেমপ্লেট
- পরীক্ষা
- যে
- সার্জারির
- তাদের
- তারপর
- জিনিস
- এই
- সময়
- সময় সিরিজ
- টাইমস্ট্যাম্প
- থেকে
- একসঙ্গে
- রেলগাড়ি
- প্রশিক্ষিত
- প্রশিক্ষণ
- চেষ্টা
- আদর্শ
- ধরনের
- অধীনে
- অনাবশ্যক
- us
- ব্যবহার
- ব্যবহার ক্ষেত্রে
- ব্যবহৃত
- ব্যবহারকারী
- ব্যবহারকারী
- ব্যবহার
- মূল্য
- মানগুলি
- বৈচিত্র্য
- বাহন
- সংস্করণ
- মাধ্যমে
- কল্পনা
- ভোল্ট
- ভোল্টেজ, বৈদ্যুতিক একক বিশেষ
- vs
- W
- we
- ওয়েব
- ওয়েব সার্ভিস
- কি
- কখন
- যে
- ব্যাপক
- প্রশস্ত পরিসর
- ইচ্ছা
- সঙ্গে
- মধ্যে
- হয়া যাই ?
- কর্মপ্রবাহ
- কাজ
- X
- ইয়ামল
- বছর
- আপনি
- আপনার
- zephyrnet