Βελτίωση της υγείας των περιουσιακών στοιχείων και της ανθεκτικότητας του δικτύου χρησιμοποιώντας μηχανική εκμάθηση | Υπηρεσίες Ιστού της Amazon

Αυτή η ανάρτηση γράφτηκε από κοινού με τον Travis Bronson και τον Brian L Wilkerson από το Duke Energy

Η μηχανική μάθηση (ML) μεταμορφώνει κάθε κλάδο, διαδικασία και επιχείρηση, αλλά η πορεία προς την επιτυχία δεν είναι πάντα απλή. Σε αυτήν την ανάρτηση ιστολογίου, δείχνουμε πώς Duke Energy, μια εταιρεία του Fortune 150 με έδρα το Charlotte, NC., συνεργάστηκε με την AWS Machine Learning Solutions Lab (MLSL) για να χρησιμοποιήσει την όραση υπολογιστή για να αυτοματοποιήσει την επιθεώρηση ξύλινων στύλων κοινής ωφέλειας και να βοηθήσει στην αποφυγή διακοπών ρεύματος, υλικών ζημιών και ακόμη και τραυματισμών.

Το ηλεκτρικό δίκτυο αποτελείται από πόλους, γραμμές και σταθμούς παραγωγής ενέργειας για την παραγωγή και παράδοση ηλεκτρικής ενέργειας σε εκατομμύρια σπίτια και επιχειρήσεις. Αυτοί οι πόλοι κοινής ωφέλειας είναι κρίσιμα στοιχεία υποδομής και υπόκεινται σε διάφορους περιβαλλοντικούς παράγοντες, όπως ο άνεμος, η βροχή και το χιόνι, που μπορεί να προκαλέσουν φθορά στα περιουσιακά στοιχεία. Είναι κρίσιμο οι στύλοι κοινής ωφέλειας να επιθεωρούνται και να συντηρούνται τακτικά για να αποφευχθούν βλάβες που μπορεί να οδηγήσουν σε διακοπές ρεύματος, υλικές ζημιές και ακόμη και τραυματισμούς. Οι περισσότερες εταιρείες κοινής ωφέλειας, συμπεριλαμβανομένης της Duke Energy, χρησιμοποιούν χειροκίνητη οπτική επιθεώρηση των στύλων κοινής ωφέλειας για να εντοπίσουν ανωμαλίες που σχετίζονται με το δίκτυο μεταφοράς και διανομής τους. Αλλά αυτή η μέθοδος μπορεί να είναι δαπανηρή και χρονοβόρα και απαιτεί από τους εργαζόμενους στη γραμμή μεταφοράς ηλεκτρικής ενέργειας να ακολουθούν αυστηρά πρωτόκολλα ασφαλείας.

Η Duke Energy έχει χρησιμοποιήσει τεχνητή νοημοσύνη στο παρελθόν για να δημιουργήσει αποτελεσματικότητες στις καθημερινές λειτουργίες με μεγάλη επιτυχία. Η εταιρεία έχει χρησιμοποιήσει την τεχνητή νοημοσύνη για να επιθεωρήσει περιουσιακά στοιχεία παραγωγής και κρίσιμες υποδομές και διερευνά ευκαιρίες για εφαρμογή της τεχνητής νοημοσύνης και στην επιθεώρηση των πόλων κοινής ωφέλειας. Κατά τη διάρκεια της συνεργασίας του AWS Machine Learning Solutions Lab με το Duke Energy, το βοηθητικό πρόγραμμα προχώρησε το έργο του για να αυτοματοποιήσει την ανίχνευση ανωμαλιών σε ξύλινους πόλους χρησιμοποιώντας προηγμένες τεχνικές όρασης υπολογιστή.

Στόχοι και περίπτωση χρήσης

Ο στόχος αυτής της δέσμευσης μεταξύ του Duke Energy και του Machine Learning Solutions Lab είναι να αξιοποιήσει τη μηχανική μάθηση για να επιθεωρήσει εκατοντάδες χιλιάδες εναέριες εικόνες υψηλής ανάλυσης για να αυτοματοποιήσει τη διαδικασία αναγνώρισης και επανεξέτασης όλων των θεμάτων που σχετίζονται με ξύλινους πόλους σε 33,000 μίλια γραμμών μετάδοσης . Αυτός ο στόχος θα βοηθήσει περαιτέρω τη Duke Energy να βελτιώσει την ανθεκτικότητα του δικτύου και να συμμορφωθεί με τους κυβερνητικούς κανονισμούς εντοπίζοντας τα ελαττώματα εγκαίρως. Θα μειώσει επίσης το κόστος καυσίμων και εργασίας, καθώς και τις εκπομπές άνθρακα ελαχιστοποιώντας τα περιττά ρολά φορτηγών. Τέλος, θα βελτιώσει επίσης την ασφάλεια ελαχιστοποιώντας τα μίλια που διανύονται, τους στύλους που έχουν σκαρφαλώσει και τους κινδύνους φυσικής επιθεώρησης που σχετίζονται με τον κίνδυνο του εδάφους και των καιρικών συνθηκών.

Στις επόμενες ενότητες, παρουσιάζουμε τις βασικές προκλήσεις που σχετίζονται με την ανάπτυξη στιβαρών και αποτελεσματικών μοντέλων για την ανίχνευση ανωμαλιών που σχετίζονται με στύλους κοινής χρήσης ξύλου. Περιγράφουμε επίσης τις βασικές προκλήσεις και υποθέσεις που σχετίζονται με διάφορες τεχνικές προεπεξεργασίας δεδομένων που χρησιμοποιούνται για την επίτευξη της επιθυμητής απόδοσης του μοντέλου. Στη συνέχεια, παρουσιάζουμε τις βασικές μετρήσεις που χρησιμοποιούνται για την αξιολόγηση της απόδοσης του μοντέλου μαζί με την αξιολόγηση των τελικών μας μοντέλων. Και τέλος, συγκρίνουμε διάφορες σύγχρονες τεχνικές μοντελοποίησης με επίβλεψη και χωρίς επίβλεψη.

Προκλήσεις

Μία από τις βασικές προκλήσεις που σχετίζονται με την εκπαίδευση ενός μοντέλου για την ανίχνευση ανωμαλιών με χρήση εναέριων εικόνων είναι τα μη ομοιόμορφα μεγέθη εικόνων. Το παρακάτω σχήμα δείχνει την κατανομή του ύψους και του πλάτους της εικόνας ενός δείγματος συνόλου δεδομένων από το Duke Energy. Μπορεί να παρατηρηθεί ότι οι εικόνες έχουν μεγάλη ποικιλία ως προς το μέγεθος. Ομοίως, το μέγεθος των εικόνων δημιουργεί επίσης σημαντικές προκλήσεις. Το μέγεθος των εικόνων εισόδου είναι χιλιάδες pixel πλάτος και χιλιάδες pixel σε μήκος. Αυτό δεν είναι επίσης ιδανικό για την εκπαίδευση ενός μοντέλου για την αναγνώριση των μικρών ανώμαλων περιοχών στην εικόνα.

Επίσης, οι εικόνες εισόδου περιέχουν μεγάλο αριθμό άσχετων πληροφοριών φόντου, όπως βλάστηση, αυτοκίνητα, ζώα φάρμας κ.λπ. Οι πληροφορίες φόντου θα μπορούσαν να οδηγήσουν σε μη βέλτιστη απόδοση του μοντέλου. Με βάση την εκτίμησή μας, μόνο το 5% της εικόνας περιέχει τους ξύλινους στύλους και οι ανωμαλίες είναι ακόμη μικρότερες. Αυτή είναι μια σημαντική πρόκληση για τον εντοπισμό και τον εντοπισμό ανωμαλιών στις εικόνες υψηλής ανάλυσης. Ο αριθμός των ανωμαλιών είναι σημαντικά μικρότερος, σε σύγκριση με ολόκληρο το σύνολο δεδομένων. Υπάρχει μόνο το 0.12% των ανώμαλων εικόνων σε ολόκληρο το σύνολο δεδομένων (δηλαδή, 1.2 ανωμαλίες στις 1000 εικόνες). Τέλος, δεν υπάρχουν διαθέσιμα δεδομένα με ετικέτα για την εκπαίδευση ενός εποπτευόμενου μοντέλου μηχανικής εκμάθησης. Στη συνέχεια, περιγράφουμε πώς αντιμετωπίζουμε αυτές τις προκλήσεις και εξηγούμε την προτεινόμενη μέθοδο μας.

Επισκόπηση λύσεων

Τεχνικές μοντελοποίησης

Το παρακάτω σχήμα δείχνει τη γραμμή επεξεργασίας εικόνας και ανίχνευσης ανωμαλιών. Πρώτα εισάγαμε τα δεδομένα Υπηρεσία απλής αποθήκευσης Amazon (Amazon S3) χρησιμοποιώντας Στούντιο Amazon SageMaker. Χρησιμοποιήσαμε περαιτέρω διάφορες τεχνικές επεξεργασίας δεδομένων για να αντιμετωπίσουμε ορισμένες από τις προκλήσεις που επισημάνθηκαν παραπάνω για να βελτιώσουμε την απόδοση του μοντέλου. Μετά την προεπεξεργασία δεδομένων, χρησιμοποιήσαμε το Amazon Προσαρμοσμένες ετικέτες αναγνώρισης για την επισήμανση δεδομένων. Τα δεδομένα με ετικέτα χρησιμοποιούνται περαιτέρω για την εκπαίδευση εποπτευόμενων μοντέλων ML, όπως το Vision Transformer, Amazon Lookout for Vision, να AutoGloun για ανίχνευση ανωμαλιών.

Το παρακάτω σχήμα δείχνει τη λεπτομερή επισκόπηση της προτεινόμενης προσέγγισής μας που περιλαμβάνει τη γραμμή επεξεργασίας δεδομένων και διάφορους αλγόριθμους ML που χρησιμοποιούνται για τον εντοπισμό ανωμαλιών. Αρχικά, θα περιγράψουμε τα βήματα που περιλαμβάνονται στον αγωγό επεξεργασίας δεδομένων. Στη συνέχεια, θα εξηγήσουμε τις λεπτομέρειες και τη διαίσθηση που σχετίζονται με διάφορες τεχνικές μοντελοποίησης που χρησιμοποιούνται κατά τη διάρκεια αυτής της δέσμευσης για την επίτευξη των επιθυμητών στόχων απόδοσης.

Προεπεξεργασία δεδομένων

Ο προτεινόμενος αγωγός προεπεξεργασίας δεδομένων περιλαμβάνει τυποποίηση δεδομένων, αναγνώριση περιοχής ενδιαφέροντος (ROI), αύξηση δεδομένων, τμηματοποίηση δεδομένων και τελικά επισήμανση δεδομένων. Ο σκοπός κάθε βήματος περιγράφεται παρακάτω:

Τυποποίηση δεδομένων

Το πρώτο βήμα στη γραμμή επεξεργασίας δεδομένων μας περιλαμβάνει την τυποποίηση δεδομένων. Σε αυτό το βήμα, κάθε εικόνα περικόπτεται και χωρίζεται σε μη αλληλεπικαλυπτόμενα μπαλώματα μεγέθους 224 X 224 pixel. Ο στόχος αυτού του βήματος είναι να δημιουργήσει μπαλώματα ομοιόμορφων μεγεθών που θα μπορούσαν να χρησιμοποιηθούν περαιτέρω για την εκπαίδευση ενός μοντέλου ML και τον εντοπισμό των ανωμαλιών σε εικόνες υψηλής ανάλυσης.

Προσδιορισμός περιοχής ενδιαφέροντος (ROI)

Τα δεδομένα εισόδου αποτελούνται από εικόνες υψηλής ανάλυσης που περιέχουν μεγάλο όγκο άσχετων πληροφοριών φόντου (π.χ. βλάστηση, σπίτια, αυτοκίνητα, άλογα, αγελάδες κ.λπ.). Στόχος μας είναι να εντοπίσουμε ανωμαλίες που σχετίζονται με ξύλινους στύλους. Προκειμένου να προσδιορίσουμε το ROI (δηλαδή, μπαλώματα που περιέχουν τον ξύλινο στύλο), χρησιμοποιήσαμε προσαρμοσμένη επισήμανση Amazon Rekognition. Εκπαιδεύσαμε ένα μοντέλο προσαρμοσμένης ετικέτας Αναγνώρισης της Amazon χρησιμοποιώντας εικόνες με ετικέτα 3k που περιέχουν τόσο ROI όσο και εικόνες φόντου. Ο στόχος του μοντέλου είναι να κάνει μια δυαδική ταξινόμηση μεταξύ του ROI και των εικόνων φόντου. Τα patches που προσδιορίζονται ως πληροφορίες παρασκηνίου απορρίπτονται ενώ οι καλλιέργειες που προβλέπονται ως ROI χρησιμοποιούνται στο επόμενο βήμα. Το παρακάτω σχήμα δείχνει τον αγωγό που προσδιορίζει την απόδοση επένδυσης (ROI). Δημιουργήσαμε ένα δείγμα μη επικαλυπτόμενων καλλιεργειών 1,110 ξύλινων εικόνων που δημιούργησαν 244,673 καλλιέργειες. Χρησιμοποιήσαμε περαιτέρω αυτές τις εικόνες ως είσοδο σε ένα προσαρμοσμένο μοντέλο αναγνώρισης της Amazon που προσδιόριζε 11,356 καλλιέργειες ως απόδοση επένδυσης (ROI). Τέλος, επαληθεύσαμε χειροκίνητα καθεμία από αυτές τις 11,356 ενημερώσεις κώδικα. Κατά τη χειροκίνητη επιθεώρηση, εντοπίσαμε ότι το μοντέλο ήταν σε θέση να προβλέψει σωστά 10,969 μπαλώματα ξύλου από 11,356 ως ROI. Με άλλα λόγια, το μοντέλο πέτυχε ακρίβεια 96%.

Επισήμανση δεδομένων

Κατά τη χειροκίνητη επιθεώρηση των εικόνων, επισημάναμε επίσης κάθε εικόνα με τις σχετικές ετικέτες. Οι σχετικές ετικέτες των εικόνων περιλαμβάνουν ξύλινο έμπλαστρο, μη ξύλινο έμπλαστρο, μη δομή, μη ξύλινο έμπλαστρο και τέλος ξύλινα μπαλώματα με ανωμαλίες. Το παρακάτω σχήμα δείχνει την ονοματολογία των εικόνων χρησιμοποιώντας προσαρμοσμένη ετικέτα Αναγνώρισης Amazon.

Αύξηση δεδομένων

Δεδομένου του περιορισμένου αριθμού δεδομένων με ετικέτα που ήταν διαθέσιμα για εκπαίδευση, αυξήσαμε το σύνολο δεδομένων εκπαίδευσης κάνοντας οριζόντιες ανατροπές όλων των επιδιορθώσεων. Αυτό είχε τον αποτελεσματικό αντίκτυπο του διπλασιασμού του μεγέθους του συνόλου δεδομένων μας.

Κατάτμηση

Επισημάναμε τα αντικείμενα σε 600 εικόνες (πόλοι, σύρματα και μεταλλικό κιγκλίδωμα) χρησιμοποιώντας το εργαλείο επισήμανσης ανίχνευσης αντικειμένων οριοθέτησης στο Amazon Rekognition Custom Labels και εκπαιδεύσαμε ένα μοντέλο για να ανιχνεύει τα τρία κύρια αντικείμενα ενδιαφέροντος. Χρησιμοποιήσαμε το εκπαιδευμένο μοντέλο για να αφαιρέσουμε το φόντο από όλες τις εικόνες, αναγνωρίζοντας και εξάγοντας τους πόλους σε κάθε εικόνα, αφαιρώντας ταυτόχρονα όλα τα άλλα αντικείμενα καθώς και το φόντο. Το σύνολο δεδομένων που προέκυψε είχε λιγότερες εικόνες από το αρχικό σύνολο δεδομένων, ως αποτέλεσμα της κατάργησης όλων των εικόνων που δεν περιέχουν ξύλινους στύλους. Επιπλέον, υπήρχε επίσης μια ψευδώς θετική εικόνα που αφαιρέθηκε από το σύνολο δεδομένων.

Ανίχνευση ανωμαλιών

Στη συνέχεια, χρησιμοποιούμε τα προεπεξεργασμένα δεδομένα για την εκπαίδευση του μοντέλου μηχανικής εκμάθησης για τον εντοπισμό ανωμαλιών. Χρησιμοποιήσαμε τρεις διαφορετικές μεθόδους για τον εντοπισμό ανωμαλιών, οι οποίες περιλαμβάνουν Υπηρεσίες Μηχανικής Εκμάθησης Διαχειριζόμενων AWS (Amazon Lookout for Vision [L4V], Amazon Rekognition), AutoGluon και μέθοδο αυτοαπόσταξης με βάση το Vision Transformer.

Υπηρεσίες AWS

Amazon Lookout for Vision (L4V)

Το Amazon Lookout for Vision είναι μια διαχειριζόμενη υπηρεσία AWS που επιτρέπει την ταχεία εκπαίδευση και ανάπτυξη μοντέλων ML και παρέχει δυνατότητες ανίχνευσης ανωμαλιών. Απαιτεί δεδομένα με πλήρη σήμανση, τα οποία παρέχουμε δείχνοντας τις διαδρομές εικόνας στο Amazon S3. Η εκπαίδευση του μοντέλου είναι τόσο απλή όσο μια κλήση API (Διεπαφή προγραμματισμού εφαρμογών) ή ένα κουμπί κονσόλας και το L4V φροντίζει για την επιλογή μοντέλου και τον συντονισμό υπερπαραμέτρων κάτω από την κουκούλα.

Αναγνώριση Amazon

Το Amazon Rekognition είναι μια διαχειριζόμενη υπηρεσία AI/ML παρόμοια με την L4V, η οποία κρύβει λεπτομέρειες μοντελοποίησης και παρέχει πολλές δυνατότητες, όπως ταξινόμηση εικόνων, ανίχνευση αντικειμένων, προσαρμοσμένη επισήμανση και άλλα. Παρέχει τη δυνατότητα χρήσης των ενσωματωμένων μοντέλων για εφαρμογή σε προηγουμένως γνωστές οντότητες σε εικόνες (π.χ. από ImageNet ή άλλα μεγάλα ανοιχτά σύνολα δεδομένων). Ωστόσο, χρησιμοποιήσαμε τη λειτουργικότητα Custom Labels της Amazon Rekognition για να εκπαιδεύσουμε τον ανιχνευτή ROI, καθώς και έναν ανιχνευτή ανωμαλιών στις συγκεκριμένες εικόνες που έχει η Duke Energy. Χρησιμοποιήσαμε επίσης τις προσαρμοσμένες ετικέτες του Amazon Rekognition για να εκπαιδεύσουμε ένα μοντέλο να τοποθετεί κουτιά οριοθέτησης γύρω από ξύλινους στύλους σε κάθε εικόνα.

AutoGloun

Το AutoGluon είναι μια τεχνική μηχανικής εκμάθησης ανοιχτού κώδικα που αναπτύχθηκε από την Amazon. Το AutoGluon περιλαμβάνει ένα πολυτροπικό στοιχείο που επιτρέπει την εύκολη εκπαίδευση σε δεδομένα εικόνας. Χρησιμοποιήσαμε το AutoGluon Multi-modal για να εκπαιδεύσουμε μοντέλα στις επισημασμένες ενημερώσεις εικόνας για να δημιουργήσουμε μια βασική γραμμή για τον εντοπισμό ανωμαλιών.

Μετασχηματιστής όρασης

Πολλές από τις πιο συναρπαστικές νέες ανακαλύψεις της τεχνητής νοημοσύνης προέρχονται από δύο πρόσφατες καινοτομίες: την αυτοεποπτευόμενη μάθηση, η οποία επιτρέπει στις μηχανές να μαθαίνουν από τυχαία, χωρίς ετικέτα παραδείγματα. και Transformers, που επιτρέπουν στα μοντέλα τεχνητής νοημοσύνης να εστιάζουν επιλεκτικά σε ορισμένα μέρη της εισόδου τους και έτσι να συλλογίζονται πιο αποτελεσματικά. Και οι δύο μέθοδοι αποτελούν σταθερό επίκεντρο για την κοινότητα Μηχανικής μάθησης και είμαστε στην ευχάριστη θέση να σας ενημερώσουμε ότι τις χρησιμοποιήσαμε σε αυτήν την δέσμευση.

Συγκεκριμένα, σε συνεργασία με ερευνητές στο Duke Energy, χρησιμοποιήσαμε προεκπαιδευμένα μοντέλα αυτο-απόσταξης ViT (Vision Transformer) ως εξαγωγείς χαρακτηριστικών για την εφαρμογή ανίχνευσης ανωμαλιών κατάντη χρησιμοποιώντας το Amazon Sagemaker. Τα προεκπαιδευμένα μοντέλα μετασχηματιστών όρασης αυτο-απόσταξης εκπαιδεύονται σε μεγάλο όγκο δεδομένων εκπαίδευσης που είναι αποθηκευμένα στο Amazon S3 με αυτοεποπτευόμενο τρόπο χρησιμοποιώντας το Amazon SageMaker. Αξιοποιούμε τις δυνατότητες μεταφοράς εκμάθησης μοντέλων ViT που έχουν προεκπαιδευτεί σε σύνολα δεδομένων μεγάλης κλίμακας (π.χ. ImageNet). Αυτό μας βοήθησε να επιτύχουμε ανάκληση 83% σε ένα σύνολο αξιολόγησης χρησιμοποιώντας μόνο μερικές χιλιάδες ετικέτες εικόνων για εκπαίδευση.

Μετρήσεις αξιολόγησης

Το παρακάτω σχήμα δείχνει τις βασικές μετρήσεις που χρησιμοποιούνται για την αξιολόγηση της απόδοσης του μοντέλου και των επιπτώσεών του. Ο βασικός στόχος του μοντέλου είναι να μεγιστοποιήσει την ανίχνευση ανωμαλιών (δηλαδή τα αληθινά θετικά) και να ελαχιστοποιήσει τον αριθμό των ψευδώς αρνητικών, ή τις φορές που οι ανωμαλίες που θα μπορούσαν να οδηγήσουν σε διακοπές ταξινομούνται εσφαλμένα.

Μόλις εντοπιστούν οι ανωμαλίες, οι τεχνικοί μπορούν να τις αντιμετωπίσουν, αποτρέποντας μελλοντικές διακοπές λειτουργίας και διασφαλίζοντας τη συμμόρφωση με τους κυβερνητικούς κανονισμούς. Υπάρχει ένα άλλο πλεονέκτημα στην ελαχιστοποίηση των ψευδών θετικών: αποφεύγετε την περιττή προσπάθεια να ξαναπεράσετε εικόνες.

Έχοντας υπόψη αυτές τις μετρήσεις, παρακολουθούμε την απόδοση του μοντέλου όσον αφορά τις ακόλουθες μετρήσεις, οι οποίες ενσωματώνουν και τις τέσσερις μετρήσεις που ορίζονται παραπάνω.

Ακρίβεια

Το ποσοστό των ανωμαλιών που εντοπίστηκαν και είναι πραγματικές ανωμαλίες για αντικείμενα ενδιαφέροντος. Η ακρίβεια μετρά πόσο καλά ο αλγόριθμός μας εντοπίζει μόνο ανωμαλίες. Για αυτήν την περίπτωση χρήσης, υψηλή ακρίβεια σημαίνει χαμηλούς ψευδείς συναγερμούς (δηλαδή, ο αλγόριθμος προσδιορίζει λανθασμένα μια τρύπα δρυοκολάπτη ενώ δεν υπάρχει στην εικόνα).

Ανάκληση

Το ποσοστό όλων των ανωμαλιών που ανακτώνται για κάθε αντικείμενο ενδιαφέροντος. Η ανάκληση μετρά πόσο καλά αναγνωρίζουμε όλες τις ανωμαλίες. Αυτό το σύνολο καταγράφει κάποιο ποσοστό του πλήρους συνόλου των ανωμαλιών και αυτό το ποσοστό είναι η ανάκληση. Για αυτήν την περίπτωση χρήσης, η υψηλή ανάκληση σημαίνει ότι είμαστε καλοί στο να πιάνουμε τρύπες από δρυοκολάπτη όταν εμφανίζονται. Επομένως, η ανάκληση είναι η σωστή μέτρηση στην οποία πρέπει να εστιάσετε σε αυτό το POC, επειδή οι ψευδείς συναγερμοί είναι στην καλύτερη περίπτωση ενοχλητικοί, ενώ οι χαμένες ανωμαλίες θα μπορούσαν να οδηγήσουν σε σοβαρές συνέπειες εάν αφεθούν χωρίς επίβλεψη.

Η χαμηλότερη ανάκληση μπορεί να οδηγήσει σε διακοπές λειτουργίας και παραβιάσεις των κυβερνητικών κανονισμών. Ενώ η χαμηλότερη ακρίβεια οδηγεί σε χαμένη ανθρώπινη προσπάθεια. Ο πρωταρχικός στόχος αυτής της δέσμευσης είναι να εντοπιστούν όλες οι ανωμαλίες για τη συμμόρφωση με τους κυβερνητικούς κανονισμούς και να αποφευχθεί οποιαδήποτε διακοπή λειτουργίας, επομένως δίνουμε προτεραιότητα στη βελτίωση της ανάκλησης αντί της ακρίβειας.

Αξιολόγηση και σύγκριση μοντέλων

Στην επόμενη ενότητα, παρουσιάζουμε τη σύγκριση των διαφόρων τεχνικών μοντελοποίησης που χρησιμοποιήθηκαν κατά τη διάρκεια αυτής της δέσμευσης. Αξιολογήσαμε την απόδοση δύο υπηρεσιών AWS Amazon Rekognition και Amazon Lookout for Vision. Αξιολογήσαμε επίσης διάφορες τεχνικές μοντελοποίησης χρησιμοποιώντας το AutoGluon. Τέλος, συγκρίνουμε την απόδοση με την υπερσύγχρονη μέθοδο αυτοαπόσταξης βασισμένη σε ViT.

Το παρακάτω σχήμα δείχνει τη βελτίωση του μοντέλου για το AutoGluon χρησιμοποιώντας διαφορετικές τεχνικές επεξεργασίας δεδομένων κατά την περίοδο αυτής της δέσμευσης. Η βασική παρατήρηση είναι καθώς βελτιώνουμε την ποιότητα και την ποσότητα των δεδομένων, η απόδοση του μοντέλου όσον αφορά την ανάκληση βελτιώθηκε από κάτω από 30% σε 78%.

Στη συνέχεια, συγκρίνουμε την απόδοση του AutoGluon με τις υπηρεσίες AWS. Χρησιμοποιήσαμε επίσης διάφορες τεχνικές επεξεργασίας δεδομένων που βοήθησαν στη βελτίωση της απόδοσης. Ωστόσο, η σημαντική βελτίωση προήλθε από την αύξηση της ποσότητας και της ποιότητας των δεδομένων. Αυξάνουμε το μέγεθος δεδομένων από 11 K εικόνες συνολικά σε 60 K εικόνες.

Στη συνέχεια, συγκρίνουμε την απόδοση των υπηρεσιών AutoGluon και AWS με τη μέθοδο που βασίζεται σε ViT. Το παρακάτω σχήμα δείχνει ότι η μέθοδος που βασίζεται σε ViT, οι υπηρεσίες AutoGluon και AWS απέδωσαν ισότιμα ​​όσον αφορά την ανάκληση. Μια βασική παρατήρηση είναι ότι, πέρα ​​από ένα ορισμένο σημείο, η αύξηση της ποιότητας και της ποσότητας των δεδομένων δεν συμβάλλει στην αύξηση της απόδοσης όσον αφορά την ανάκληση. Ωστόσο, παρατηρούμε βελτιώσεις όσον αφορά την ακρίβεια.

Σύγκριση ακριβείας έναντι ανάκλησης

Amazon AutoGluon	Προβλεπόμενες ανωμαλίες	Προβλεπόμενο κανονικό
Ανωμαλίες	15600	4400
Κανονικός	3659	38341

Στη συνέχεια, παρουσιάζουμε τον πίνακα σύγχυσης για τη μέθοδο AutoGluon και Amazon Rekognition και ViT χρησιμοποιώντας το σύνολο δεδομένων μας που περιέχει 62 K δείγματα. Από τα 62 δείγματα, τα 20 K δείγματα είναι ανώμαλα, ενώ τα υπόλοιπα 42 K είναι φυσιολογικά. Μπορεί να παρατηρηθεί ότι οι μέθοδοι που βασίζονται στο ViT καταγράφουν τον μεγαλύτερο αριθμό ανωμαλιών (16,600) ακολουθούμενες από το Amazon Rekognition (16,000) και το Amazon AutoGluon (15600). Ομοίως, το Amazon AutoGluon έχει τον μικρότερο αριθμό ψευδώς θετικών (3659 εικόνες) ακολουθούμενο από το Amazon Rekognition (5918) και το ViT (15323). Αυτά τα αποτελέσματα καταδεικνύουν ότι το Amazon Rekognition επιτυγχάνει την υψηλότερη AUC (περιοχή κάτω από την καμπύλη).

Αναγνώριση Amazon	Προβλεπόμενες ανωμαλίες	Προβλεπόμενο κανονικό
Ανωμαλίες	16,000	4000
Κανονικός	5918	36082

ViT	Προβλεπόμενες ανωμαλίες	Προβλεπόμενο κανονικό
Ανωμαλίες	16,600	3400
Κανονικός	15,323	26,677

Συμπέρασμα

Σε αυτήν την ανάρτηση, σας δείξαμε πώς συνεργάστηκαν οι ομάδες MLSL και Duke Energy για την ανάπτυξη μιας λύσης βασισμένης στην όραση υπολογιστή για την αυτοματοποίηση της ανίχνευσης ανωμαλιών σε ξύλινους πόλους χρησιμοποιώντας εικόνες υψηλής ανάλυσης που συλλέγονται μέσω πτήσεων με ελικόπτερο. Η προτεινόμενη λύση χρησιμοποίησε έναν αγωγό επεξεργασίας δεδομένων για την περικοπή της εικόνας υψηλής ανάλυσης για τυποποίηση μεγέθους. Οι περικομμένες εικόνες υποβάλλονται σε περαιτέρω επεξεργασία χρησιμοποιώντας προσαρμοσμένες ετικέτες αναγνώρισης Amazon για τον προσδιορισμό της περιοχής ενδιαφέροντος (δηλαδή, καλλιέργειες που περιέχουν τα μπαλώματα με πόλους). Το Amazon Rekognition πέτυχε ακρίβεια 96% όσον αφορά τη σωστή αναγνώριση των μπαλωμάτων με στύλους. Οι καλλιέργειες ROI χρησιμοποιούνται περαιτέρω για ανίχνευση ανωμαλιών χρησιμοποιώντας υπηρεσίες αυτο-απόσταξης mdoel AutoGluon και AWS που βασίζονται σε ViT για ανίχνευση ανωμαλιών. Χρησιμοποιήσαμε ένα τυπικό σύνολο δεδομένων για να αξιολογήσουμε την απόδοση και των τριών μεθόδων. Το μοντέλο που βασίζεται σε ViT πέτυχε 83% ανάκληση και 52% ακρίβεια. Το AutoGluon πέτυχε 78% ανάκληση και 81% ακρίβεια. Τέλος, το Amazon Rekognition επιτυγχάνει 80% ανάκληση και 73% ακρίβεια. Ο στόχος της χρήσης τριών διαφορετικών μεθόδων είναι η σύγκριση της απόδοσης κάθε μεθόδου με διαφορετικό αριθμό δειγμάτων εκπαίδευσης, χρόνο εκπαίδευσης και χρόνο ανάπτυξης. Όλες αυτές οι μέθοδοι απαιτούν λιγότερο από 2 ώρες για να εκπαιδεύσετε έναν και να αναπτύξετε χρησιμοποιώντας μία μόνο παρουσία GPU A100 ή διαχειριζόμενες υπηρεσίες στο Amazon AWS. Στη συνέχεια, τα βήματα για περαιτέρω βελτίωση της απόδοσης του μοντέλου περιλαμβάνουν την προσθήκη περισσότερων δεδομένων εκπαίδευσης για τη βελτίωση της ακρίβειας του μοντέλου.

Συνολικά, ο αγωγός από άκρο σε άκρο που προτείνεται σε αυτήν την ανάρτηση συμβάλλει στην επίτευξη σημαντικών βελτιώσεων στην ανίχνευση ανωμαλιών, ελαχιστοποιώντας ταυτόχρονα το κόστος λειτουργίας, το περιστατικό ασφαλείας, τους ρυθμιστικούς κινδύνους, τις εκπομπές άνθρακα και τις πιθανές διακοπές ρεύματος.

Η λύση που αναπτύχθηκε μπορεί να χρησιμοποιηθεί για άλλες περιπτώσεις ανίχνευσης ανωμαλιών και χρήσης που σχετίζονται με την υγεία των περιουσιακών στοιχείων στα δίκτυα μεταφοράς και διανομής, συμπεριλαμβανομένων ελαττωμάτων σε μονωτές και άλλο εξοπλισμό. Για περαιτέρω βοήθεια στην ανάπτυξη και προσαρμογή αυτής της λύσης, μη διστάσετε να επικοινωνήσετε με την ομάδα MLSL.

---

Σχετικά με τους Συγγραφείς

Τράβις Μπρόνσον είναι Επικεφαλής Ειδικός Τεχνητής Νοημοσύνης με 15 χρόνια εμπειρίας στην τεχνολογία και 8 χρόνια ειδικά αφιερωμένη στην τεχνητή νοημοσύνη. Κατά τη διάρκεια της 5ετούς θητείας του στο Duke Energy, ο Travis έχει προχωρήσει στην εφαρμογή της τεχνητής νοημοσύνης για ψηφιακό μετασχηματισμό, φέρνοντας μοναδικές γνώσεις και ηγετική ικανότητα δημιουργικής σκέψης στην κορυφαία αιχμή της εταιρείας του. Ο Travis ηγείται επί του παρόντος της AI Core Team, μιας κοινότητας επαγγελματιών τεχνητής νοημοσύνης, ενθουσιωδών και επιχειρηματικών εταίρων που επικεντρώνονται στην προώθηση των αποτελεσμάτων της τεχνητής νοημοσύνης και της διακυβέρνησης. Ο Τράβις απέκτησε και βελτίωσε τις δεξιότητές του σε πολλαπλούς τεχνολογικούς τομείς, ξεκινώντας από το Πολεμικό Ναυτικό των ΗΠΑ και την Κυβέρνηση των ΗΠΑ και στη συνέχεια μεταβαίνοντας στον ιδιωτικό τομέα μετά από πάνω από μια δεκαετία υπηρεσίας.

 Μπράιαν Γουίλκερσον είναι ένας καταξιωμένος επαγγελματίας με εμπειρία δύο δεκαετιών στη Duke Energy. Με πτυχίο στην πληροφορική, έχει περάσει τα τελευταία 7 χρόνια αριστεύοντας στον τομέα της Τεχνητής Νοημοσύνης. Ο Brian είναι συνιδρυτής του MADlab της Duke Energy (ομάδα Μηχανικής Μάθησης, AI και Deep Learning). Αυτή τη στιγμή κατέχει τη θέση του Διευθυντή Τεχνητής Νοημοσύνης & Μετασχηματισμού στο Duke Energy, όπου είναι παθιασμένος με την παροχή επιχειρηματικής αξίας μέσω της εφαρμογής AI.

Αχάν Αλί είναι Εφαρμοσμένος Επιστήμονας στο Amazon Generative AI Innovation Center, όπου συνεργάζεται με πελάτες από διαφορετικούς τομείς για να λύσει τα επείγοντα και ακριβά προβλήματά τους χρησιμοποιώντας το Generative AI.

Tahin Syed είναι Εφαρμοσμένος Επιστήμονας στο Amazon Generative AI Innovation Center, όπου συνεργάζεται με πελάτες για να βοηθήσει στην πραγματοποίηση επιχειρηματικών αποτελεσμάτων με παραγωγικές λύσεις AI. Εκτός δουλειάς, του αρέσει να δοκιμάζει νέο φαγητό, να ταξιδεύει και να διδάσκει ταεκβοντό.

Δρ Nkechinyere N. Agu είναι Εφαρμοσμένος Επιστήμονας στο Generative AI Innovation Center στο AWS. Η εξειδίκευσή της είναι σε μεθόδους Computer Vision AI/ML, Εφαρμογές AI/ML στην υγειονομική περίθαλψη, καθώς και στην ενσωμάτωση σημασιολογικών τεχνολογιών (Knowledge Graphs) σε λύσεις ML. Έχει μεταπτυχιακό και διδακτορικό στην Επιστήμη των Υπολογιστών.

Άλντο Αριζμέντι είναι Generative AI Strategist στο AWS Generative AI Innovation Center που εδρεύει στο Ώστιν του Τέξας. Έχοντας λάβει το πτυχίο του στη Μηχανική Υπολογιστών από το Πανεπιστήμιο της Νεμπράσκα-Λίνκολν, τα τελευταία 12 χρόνια, ο κ. Arizmendi βοήθησε εκατοντάδες εταιρείες του Fortune 500 και νεοφυείς επιχειρήσεις να μεταμορφώσουν την επιχείρησή τους χρησιμοποιώντας προηγμένα αναλυτικά στοιχεία, μηχανική μάθηση και τεχνητή νοημοσύνη.

Στέισι Τζενκς είναι Κύριος Ειδικός Πωλήσεων Analytics στην AWS, με περισσότερες από δύο δεκαετίες εμπειρίας στο Analytics και την AI/ML. Η Stacey είναι παθιασμένη με τις πρωτοβουλίες των πελατών και την επίτευξη μετασχηματιστικών, μετρήσιμων επιχειρηματικών αποτελεσμάτων με δεδομένα. Είναι ιδιαίτερα ενθουσιώδης για το σημάδι που θα αφήσουν οι επιχειρήσεις κοινής ωφέλειας στην κοινωνία, μέσω της πορείας τους προς έναν πιο πράσινο πλανήτη με προσιτή, αξιόπιστη, καθαρή ενέργεια.

Mehdi Noor είναι Διευθυντής Εφαρμοσμένων Επιστημών στο Generative Ai Innovation Center. Με πάθος για τη γεφύρωση της τεχνολογίας και της καινοτομίας, βοηθά τους πελάτες της AWS να ξεκλειδώσουν τις δυνατότητες της Generative AI, μετατρέποντας τις πιθανές προκλήσεις σε ευκαιρίες για γρήγορο πειραματισμό και καινοτομία, εστιάζοντας σε επεκτάσιμες, μετρήσιμες και αποτελεσματικές χρήσεις προηγμένων τεχνολογιών AI και βελτιστοποιώντας την πορεία στην παραγωγή.

• SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
• PlatoData.Network Vertical Generative Ai. Ενδυναμώστε τον εαυτό σας. Πρόσβαση εδώ.
• PlatoAiStream. Web3 Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
• PlatoESG. Αυτοκίνητο / EVs, Ανθρακας, Cleantech, Ενέργεια, Περιβάλλον, Ηλιακός, Διαχείριση των αποβλήτων. Πρόσβαση εδώ.
• PlatoHealth. Ευφυΐα βιοτεχνολογίας και κλινικών δοκιμών. Πρόσβαση εδώ.
• ChartPrime. Ανεβάστε το Trading Game σας με το ChartPrime. Πρόσβαση εδώ.
• BlockOffsets. Εκσυγχρονισμός της περιβαλλοντικής αντιστάθμισης ιδιοκτησίας. Πρόσβαση εδώ.
• πηγή: https://aws.amazon.com/blogs/machine-learning/improving-asset-health-and-grid-resilience-using-machine-learning/