Πώς η Carrier προβλέπει σφάλματα HVAC χρησιμοποιώντας AWS Glue και Amazon SageMaker | Υπηρεσίες Ιστού της Amazon

Με τα δικά τους λόγια, «Το 1902, ο Willis Carrier έλυσε μια από τις πιο άπιαστες προκλήσεις της ανθρωπότητας στον έλεγχο του εσωτερικού περιβάλλοντος μέσω του σύγχρονου κλιματισμού. Σήμερα, τα προϊόντα Carrier δημιουργούν άνετα περιβάλλοντα, προστατεύουν τον παγκόσμιο εφοδιασμό τροφίμων και επιτρέπουν την ασφαλή μεταφορά ζωτικών ιατρικών προμηθειών κάτω από απαιτητικές συνθήκες».

At Μεταφορέας, το θεμέλιο της επιτυχίας μας είναι να παράγουμε προϊόντα που μπορούν να εμπιστεύονται οι πελάτες μας για να τα διατηρούν άνετα και ασφαλή όλο το χρόνο. Η υψηλή αξιοπιστία και ο χαμηλός χρόνος διακοπής λειτουργίας του εξοπλισμού είναι ολοένα και πιο σημαντικοί καθώς οι ακραίες θερμοκρασίες γίνονται πιο συνηθισμένες λόγω της κλιματικής αλλαγής. Ιστορικά βασιζόμασταν σε συστήματα που βασίζονται σε κατώφλια που μας ειδοποιούν για μη φυσιολογική συμπεριφορά εξοπλισμού, χρησιμοποιώντας παραμέτρους που ορίζονται από την ομάδα μηχανικών μας. Παρόλο που τέτοια συστήματα είναι αποτελεσματικά, προορίζονται για τον εντοπισμό και τη διάγνωση προβλημάτων εξοπλισμού αντί να τα προβλέψουν. Η πρόβλεψη σφαλμάτων πριν προκύψουν επιτρέπει στους αντιπροσώπους HVAC να αντιμετωπίζουν προληπτικά ζητήματα και να βελτιώνουν την εμπειρία των πελατών.

Για να βελτιώσουμε την αξιοπιστία του εξοπλισμού μας, συνεργαστήκαμε με την Εργαστήριο Amazon Machine Learning Solutions να αναπτύξει ένα προσαρμοσμένο μοντέλο μηχανικής εκμάθησης (ML) ικανό να προβλέπει προβλήματα εξοπλισμού πριν από την αστοχία. Οι ομάδες μας ανέπτυξαν ένα πλαίσιο για την επεξεργασία άνω των 50 TB ιστορικών δεδομένων αισθητήρων και την πρόβλεψη σφαλμάτων με ακρίβεια 91%. Μπορούμε τώρα να ειδοποιήσουμε τους αντιπροσώπους για επικείμενη βλάβη του εξοπλισμού, ώστε να μπορούν να προγραμματίσουν επιθεωρήσεις και να ελαχιστοποιήσουν το χρόνο διακοπής λειτουργίας της μονάδας. Το πλαίσιο λύσης είναι επεκτάσιμο καθώς εγκαθίσταται περισσότερος εξοπλισμός και μπορεί να επαναχρησιμοποιηθεί για μια ποικιλία από εργασίες μοντελοποίησης κατάντη.

Σε αυτήν την ανάρτηση, δείχνουμε πώς οι ομάδες Carrier και AWS εφάρμοσαν την ML για να προβλέψουν σφάλματα σε μεγάλους στόλους εξοπλισμού χρησιμοποιώντας ένα μόνο μοντέλο. Αρχικά επισημαίνουμε τον τρόπο που χρησιμοποιούμε Κόλλα AWS για εξαιρετικά παράλληλη επεξεργασία δεδομένων. Στη συνέχεια συζητάμε πώς Amazon Sage Maker μας βοηθά με τη μηχανική χαρακτηριστικών και τη δημιουργία ενός κλιμακούμενου μοντέλου βαθιάς μάθησης με επίβλεψη.

Επισκόπηση της περίπτωσης χρήσης, των στόχων και των κινδύνων

Ο κύριος στόχος αυτού του έργου είναι η μείωση του χρόνου διακοπής λειτουργίας προβλέποντας επικείμενες βλάβες του εξοπλισμού και ενημερώνοντας τους αντιπροσώπους. Αυτό επιτρέπει στους αντιπροσώπους να προγραμματίζουν προληπτικά τη συντήρηση και να παρέχουν εξαιρετική εξυπηρέτηση πελατών. Αντιμετωπίσαμε τρεις κύριες προκλήσεις κατά την επεξεργασία αυτής της λύσης:

• Επεκτασιμότητα δεδομένων – Η επεξεργασία δεδομένων και η εξαγωγή χαρακτηριστικών πρέπει να κλιμακώνονται σε μεγάλα αναπτυσσόμενα ιστορικά δεδομένα αισθητήρων
• Επεκτασιμότητα μοντέλου – Η προσέγγιση μοντελοποίησης πρέπει να μπορεί να κλιμακώνεται σε περισσότερες από 10,000 μονάδες
• Ακρίβεια μοντέλου – Απαιτούνται χαμηλά ποσοστά ψευδώς θετικών για την αποφυγή περιττών επιθεωρήσεων συντήρησης

Η επεκτασιμότητα, τόσο από άποψη δεδομένων όσο και από άποψη μοντελοποίησης, είναι βασική απαίτηση για αυτήν τη λύση. Έχουμε πάνω από 50 TB δεδομένων ιστορικού εξοπλισμού και αναμένουμε ότι αυτά τα δεδομένα θα αυξηθούν γρήγορα καθώς περισσότερες μονάδες HVAC συνδέονται στο cloud. Η επεξεργασία δεδομένων και τα συμπεράσματα μοντέλων πρέπει να κλιμακώνονται καθώς τα δεδομένα μας μεγαλώνουν. Προκειμένου η προσέγγισή μας για τη μοντελοποίηση να κλιμακωθεί σε περισσότερες από 10,000 μονάδες, χρειαζόμαστε ένα μοντέλο που μπορεί να μάθει από έναν στόλο εξοπλισμού αντί να βασίζεται σε ανώμαλες μετρήσεις για μία μόνο μονάδα. Αυτό θα επιτρέψει τη γενίκευση μεταξύ των μονάδων και θα μειώσει το κόστος εξαγωγής συμπερασμάτων φιλοξενώντας ένα μόνο μοντέλο.

Η άλλη ανησυχία για αυτήν την περίπτωση χρήσης είναι η ενεργοποίηση ψευδών συναγερμών. Αυτό σημαίνει ότι ένας αντιπρόσωπος ή τεχνικός θα πάει επί τόπου για να επιθεωρήσει τον εξοπλισμό του πελάτη και να βρει ότι όλα λειτουργούν σωστά. Η λύση απαιτεί ένα μοντέλο υψηλής ακρίβειας για να διασφαλιστεί ότι όταν ειδοποιείται ένας αντιπρόσωπος, ο εξοπλισμός είναι πιθανό να αποτύχει. Αυτό βοηθά να κερδίσει την εμπιστοσύνη των αντιπροσώπων, των τεχνικών και των ιδιοκτητών σπιτιού και μειώνει το κόστος που σχετίζεται με περιττούς επιτόπιους ελέγχους.

Συνεργαστήκαμε με τους ειδικούς AI/ML στο Amazon ML Solutions Lab για μια προσπάθεια ανάπτυξης 14 εβδομάδων. Τελικά, η λύση μας περιλαμβάνει δύο κύρια συστατικά. Η πρώτη είναι μια μονάδα επεξεργασίας δεδομένων που έχει κατασκευαστεί με κόλλα AWS που συνοψίζει τη συμπεριφορά του εξοπλισμού και μειώνει το μέγεθος των δεδομένων εκπαίδευσης για αποτελεσματική επεξεργασία κατάντη. Το δεύτερο είναι μια διεπαφή εκπαίδευσης μοντέλου που διαχειρίζεται μέσω του SageMaker, η οποία μας επιτρέπει να εκπαιδεύσουμε, να συντονίσουμε και να αξιολογήσουμε το μοντέλο μας προτού αναπτυχθεί σε ένα τελικό σημείο παραγωγής.

Επεξεργασία δεδομένων

Κάθε μονάδα HVAC που εγκαθιστούμε παράγει δεδομένα από 90 διαφορετικούς αισθητήρες με ενδείξεις για στροφές ανά λεπτό, θερμοκρασία και πιέσεις σε όλο το σύστημα. Αυτό αντιστοιχεί σε περίπου 8 εκατομμύρια σημεία δεδομένων που παράγονται ανά μονάδα ανά ημέρα, με δεκάδες χιλιάδες μονάδες εγκατεστημένες. Καθώς περισσότερα συστήματα HVAC συνδέονται με το cloud, αναμένουμε ότι ο όγκος των δεδομένων θα αυξηθεί γρήγορα, καθιστώντας κρίσιμο για εμάς τη διαχείριση του μεγέθους και της πολυπλοκότητάς τους για χρήση σε εργασίες κατάντη. Το μήκος του ιστορικού δεδομένων αισθητήρα παρουσιάζει επίσης μια πρόκληση μοντελοποίησης. Μια μονάδα μπορεί να αρχίσει να εμφανίζει σημάδια επικείμενης βλάβης μήνες πριν από την πραγματική ενεργοποίηση ενός σφάλματος. Αυτό δημιουργεί μια σημαντική υστέρηση μεταξύ του προγνωστικού σήματος και της πραγματικής αποτυχίας. Μια μέθοδος για τη συμπίεση του μήκους των δεδομένων εισόδου γίνεται κρίσιμη για τη μοντελοποίηση ML.

Για να αντιμετωπίσουμε το μέγεθος και την πολυπλοκότητα των δεδομένων του αισθητήρα, τα συμπιέζουμε σε χαρακτηριστικά κύκλου όπως φαίνεται στο Σχήμα 1. Αυτό μειώνει δραματικά το μέγεθος των δεδομένων ενώ καταγράφει χαρακτηριστικά που χαρακτηρίζουν τη συμπεριφορά του εξοπλισμού.

Το AWS Glue είναι μια υπηρεσία ενοποίησης δεδομένων χωρίς διακομιστή για την επεξεργασία μεγάλων ποσοτήτων δεδομένων σε κλίμακα. Το AWS Glue μας επέτρεψε να εκτελέσουμε εύκολα παράλληλη προεπεξεργασία δεδομένων και εξαγωγή χαρακτηριστικών. Χρησιμοποιήσαμε την κόλλα AWS για να ανιχνεύσουμε κύκλους και να συνοψίσουμε τη συμπεριφορά της μονάδας χρησιμοποιώντας βασικά χαρακτηριστικά που προσδιορίστηκαν από την ομάδα μηχανικών μας. Αυτό μείωσε δραματικά το μέγεθος του συνόλου δεδομένων μας από πάνω από 8 εκατομμύρια σημεία δεδομένων ανά ημέρα ανά μονάδα σε περίπου 1,200. Κυρίως, αυτή η προσέγγιση διατηρεί προγνωστικές πληροφορίες σχετικά με τη συμπεριφορά της μονάδας με πολύ μικρότερο αποτύπωμα δεδομένων.

Η έξοδος της εργασίας κόλλας AWS είναι μια περίληψη της συμπεριφοράς της μονάδας για κάθε κύκλο. Στη συνέχεια χρησιμοποιούμε ένα Επεξεργασία Amazon SageMaker εργασία για τον υπολογισμό των χαρακτηριστικών σε κύκλους και την επισήμανση των δεδομένων μας. Διατυπώνουμε το πρόβλημα ML ως δυαδική εργασία ταξινόμησης με στόχο την πρόβλεψη σφαλμάτων εξοπλισμού τις επόμενες 60 ημέρες. Αυτό επιτρέπει στο δίκτυο αντιπροσώπων μας να αντιμετωπίζει έγκαιρα πιθανές βλάβες εξοπλισμού. Είναι σημαντικό να σημειωθεί ότι δεν αποτυγχάνουν όλες οι μονάδες εντός 60 ημερών. Μια μονάδα που αντιμετωπίζει αργή υποβάθμιση της απόδοσης μπορεί να πάρει περισσότερο χρόνο για να αποτύχει. Το αντιμετωπίζουμε αυτό κατά το βήμα αξιολόγησης του μοντέλου. Εστιάσαμε τη μοντελοποίησή μας στο καλοκαίρι, επειδή εκείνοι οι μήνες είναι όταν τα περισσότερα συστήματα HVAC στις ΗΠΑ λειτουργούν σταθερά και υπό πιο ακραίες συνθήκες.

Μοντελοποίηση

Οι αρχιτεκτονικές μετασχηματιστών έχουν γίνει η πιο σύγχρονη προσέγγιση για το χειρισμό χρονικών δεδομένων. Μπορούν να χρησιμοποιήσουν μεγάλες ακολουθίες ιστορικών δεδομένων σε κάθε χρονικό βήμα χωρίς να υποφέρουν από εξαφανιζόμενες κλίσεις. Η είσοδος στο μοντέλο μας σε μια δεδομένη χρονική στιγμή αποτελείται από τα χαρακτηριστικά για τους προηγούμενους 128 κύκλους εξοπλισμού, που είναι περίπου μία εβδομάδα λειτουργίας της μονάδας. Αυτό υποβάλλεται σε επεξεργασία από έναν κωδικοποιητή τριών επιπέδων του οποίου η έξοδος υπολογίζεται κατά μέσο όρο και τροφοδοτείται σε έναν ταξινομητή perceptron πολλαπλών επιπέδων (MLP). Ο ταξινομητής MLP αποτελείται από τρία γραμμικά επίπεδα με συναρτήσεις ενεργοποίησης ReLU και ένα τελικό στρώμα με ενεργοποίηση LogSoftMax. Χρησιμοποιούμε σταθμισμένη αρνητική απώλεια λογαριθμικής πιθανότητας με διαφορετικό βάρος στη θετική κατηγορία για τη συνάρτηση απώλειας. Αυτό ωθεί το μοντέλο μας προς την υψηλή ακρίβεια και αποφεύγει δαπανηρούς ψευδείς συναγερμούς. Επίσης, ενσωματώνει τους επιχειρηματικούς μας στόχους απευθείας στη διαδικασία εκπαίδευσης του μοντέλου. Το σχήμα 2 απεικονίζει την αρχιτεκτονική του μετασχηματιστή.

Εκπαίδευση

Μια πρόκληση κατά την εκπαίδευση αυτού του μοντέλου χρονικής μάθησης είναι η ανισορροπία δεδομένων. Ορισμένες μονάδες έχουν μεγαλύτερο ιστορικό λειτουργίας από άλλες και επομένως έχουν περισσότερους κύκλους στο σύνολο δεδομένων μας. Επειδή υπερεκπροσωπούνται στο σύνολο δεδομένων, αυτές οι μονάδες θα έχουν μεγαλύτερη επιρροή στο μοντέλο μας. Το λύνουμε αυτό δειγματίζοντας τυχαία 100 κύκλους στο ιστορικό μιας μονάδας όπου αξιολογούμε την πιθανότητα αποτυχίας εκείνη τη στιγμή. Αυτό διασφαλίζει ότι κάθε μονάδα εκπροσωπείται εξίσου κατά τη διάρκεια της εκπαιδευτικής διαδικασίας. Ενώ καταργείται το πρόβλημα των μη ισορροπημένων δεδομένων, αυτή η προσέγγιση έχει το πρόσθετο πλεονέκτημα της αναπαραγωγής μιας προσέγγισης επεξεργασίας παρτίδας που θα χρησιμοποιηθεί στην παραγωγή. Αυτή η προσέγγιση δειγματοληψίας εφαρμόστηκε στα σύνολα εκπαίδευσης, επικύρωσης και δοκιμών.

Η εκπαίδευση πραγματοποιήθηκε χρησιμοποιώντας μια παρουσία με επιτάχυνση GPU στο SageMaker. Η παρακολούθηση της απώλειας δείχνει ότι επιτυγχάνει τα καλύτερα αποτελέσματα μετά από 180 εποχές εκπαίδευσης όπως φαίνεται στο Σχήμα 3. Το Σχήμα 4 δείχνει ότι η περιοχή κάτω από την καμπύλη ROC για το προκύπτον μοντέλο χρονικής ταξινόμησης είναι 81%.

Εικόνα 3: Απώλεια προπόνησης κατά τη διάρκεια των εποχών

Εικόνα 4: ROC-AUC για κλείδωμα 60 ημερών

Εκτίμηση

Ενώ το μοντέλο μας εκπαιδεύεται σε επίπεδο κύκλου, η αξιολόγηση πρέπει να πραγματοποιείται σε επίπεδο μονάδας. Με αυτόν τον τρόπο, μια μονάδα με πολλαπλές αληθινές θετικές ανιχνεύσεις εξακολουθεί να μετράται μόνο ως ένα μόνο αληθινό θετικό σε επίπεδο μονάδας. Για να γίνει αυτό, αναλύουμε την επικάλυψη μεταξύ των προβλεπόμενων αποτελεσμάτων και του παραθύρου των 60 ημερών που προηγείται ενός σφάλματος. Αυτό φαίνεται στο παρακάτω σχήμα, το οποίο δείχνει τέσσερις περιπτώσεις πρόβλεψης αποτελεσμάτων:

• Αληθινό αρνητικό – Όλα τα αποτελέσματα πρόβλεψης είναι αρνητικά (μωβ) (Εικόνα 5)
• Λάθος θετική – Οι θετικές προβλέψεις είναι ψευδείς συναγερμοί (Εικόνα 6)
• Εσφαλμένο αρνητικό – Παρόλο που οι προβλέψεις είναι όλες αρνητικές, οι πραγματικές ετικέτες θα μπορούσαν να είναι θετικές (πράσινες) (Εικόνα 7)
• Αληθινό θετικό – Μερικές από τις προβλέψεις θα μπορούσαν να είναι αρνητικές (πράσινες) και τουλάχιστον μία πρόβλεψη είναι θετική (κίτρινη) (Εικόνα 8)

Εικόνα 5.1: Αληθινή αρνητική περίπτωση	Εικόνα 5.2: Ψευδώς θετική περίπτωση
Εικόνα 5.3: Ψευδής αρνητική περίπτωση	Εικόνα 5.4: Αληθινή θετική περίπτωση

Μετά την εκπαίδευση, χρησιμοποιούμε το σύνολο αξιολόγησης για να συντονίσουμε το όριο για την αποστολή ειδοποίησης. Ο καθορισμός του ορίου εμπιστοσύνης του μοντέλου στο 0.99 αποδίδει ακρίβεια περίπου 81%. Αυτό υπολείπεται του αρχικού μας κριτηρίου επιτυχίας 90%. Ωστόσο, διαπιστώσαμε ότι ένα μεγάλο μέρος των μονάδων απέτυχε ακριβώς έξω από το παράθυρο αξιολόγησης των 60 ημερών. Αυτό είναι λογικό, επειδή μια μονάδα μπορεί να εμφανίζει ενεργά ελαττωματική συμπεριφορά, αλλά χρειάζονται περισσότερες από 60 ημέρες για να αποτύχει. Για να το χειριστούμε αυτό, ορίσαμε μια μέτρηση που ονομάζεται αποτελεσματική ακρίβεια, ο οποίος είναι ένας συνδυασμός της πραγματικής θετικής ακρίβειας (81%) με την προστιθέμενη ακρίβεια των κλειδωμάτων που συνέβησαν τις 30 ημέρες μετά τον στόχο μας για το παράθυρο 60 ημερών.

Για έναν αντιπρόσωπο HVAC, αυτό που είναι πιο σημαντικό είναι ότι η επιτόπια επιθεώρηση βοηθά στην αποφυγή μελλοντικών προβλημάτων HVAC για τον πελάτη. Χρησιμοποιώντας αυτό το μοντέλο, υπολογίζουμε ότι το 81.2% των περιπτώσεων που ο έλεγχος θα αποτρέψει την εμφάνιση κλειδώματος τις επόμενες 60 ημέρες. Επιπλέον, το 10.4% των περιπτώσεων που το κλείδωμα θα είχε συμβεί εντός 90 ημερών από την επιθεώρηση. Το υπόλοιπο 8.4% θα είναι ψευδής συναγερμός. Η αποτελεσματική ακρίβεια του εκπαιδευμένου μοντέλου είναι 91.6%.

Συμπέρασμα

Σε αυτήν την ανάρτηση, δείξαμε πώς η ομάδα μας χρησιμοποίησε το AWS Glue και το SageMaker για να δημιουργήσει μια επεκτάσιμη εποπτευόμενη λύση εκμάθησης για προγνωστική συντήρηση. Το μοντέλο μας είναι σε θέση να καταγράφει τάσεις σε μακροπρόθεσμα ιστορικά δεδομένων αισθητήρων και να εντοπίζει με ακρίβεια εκατοντάδες βλάβες εξοπλισμού εβδομάδες πριν. Η πρόβλεψη σφαλμάτων εκ των προτέρων θα μειώσει τον χρόνο από το κράσπεδο μέχρι το κράσπεδο, επιτρέποντας στους αντιπροσώπους μας να παρέχουν πιο έγκαιρη τεχνική βοήθεια και να βελτιώσουν τη συνολική εμπειρία των πελατών. Οι επιπτώσεις αυτής της προσέγγισης θα αυξηθούν με την πάροδο του χρόνου καθώς κάθε χρόνο εγκαθίστανται περισσότερες μονάδες HVAC που συνδέονται με το νέφος.

Το επόμενο βήμα μας είναι να ενσωματώσουμε αυτές τις πληροφορίες στην επερχόμενη κυκλοφορία του Carrier's Connected Dealer Portal. Η πύλη συνδυάζει αυτές τις προγνωστικές ειδοποιήσεις με άλλες πληροφορίες που αντλούμε από τη λίμνη δεδομένων που βασίζεται στο AWS, προκειμένου να δώσουμε στους αντιπροσώπους μας περισσότερη σαφήνεια σχετικά με την υγεία του εξοπλισμού σε ολόκληρη τη βάση πελατών τους. Θα συνεχίσουμε να βελτιώνουμε το μοντέλο μας ενσωματώνοντας δεδομένα από πρόσθετες πηγές και εξάγοντας πιο προηγμένες λειτουργίες από τα δεδομένα αισθητήρων μας. Οι μέθοδοι που χρησιμοποιούνται σε αυτό το έργο παρέχουν μια ισχυρή βάση για την ομάδα μας να αρχίσει να απαντά σε άλλες βασικές ερωτήσεις που μπορούν να μας βοηθήσουν να μειώσουμε τις αξιώσεις εγγύησης και να βελτιώσουμε την αποδοτικότητα του εξοπλισμού στο πεδίο.

Εάν θέλετε βοήθεια για την επιτάχυνση της χρήσης ML στα προϊόντα και τις υπηρεσίες σας, επικοινωνήστε με το Εργαστήριο Amazon ML Solutions. Για να μάθετε περισσότερα σχετικά με τις υπηρεσίες που χρησιμοποιούνται σε αυτό το έργο, ανατρέξτε στο Οδηγός προγραμματιστή AWS Glue και την Οδηγός προγραμματιστή Amazon SageMaker.

---

Σχετικά με τους Συγγραφείς

Ράβι Πατάνκαρ είναι τεχνικός ηγέτης για αναλυτικά στοιχεία που σχετίζονται με το IoT στη μονάδα οικιακής HVAC της Carrier. Διατυπώνει προβλήματα ανάλυσης που σχετίζονται με τα διαγνωστικά και τα προγνωστικά και παρέχει οδηγίες για λύσεις ανάλυσης και αρχιτεκτονική που βασίζονται σε ML/deep Learning.

Νταν Βολκ είναι Επιστήμονας Δεδομένων στο AWS Generative AI Innovation Center. Έχει δεκαετή εμπειρία στη μηχανική μάθηση, τη βαθιά μάθηση και την ανάλυση χρονοσειρών και είναι κάτοχος μεταπτυχιακού τίτλου στην Επιστήμη Δεδομένων από το UC Berkeley. Είναι παθιασμένος με τη μετατροπή σύνθετων επιχειρηματικών προκλήσεων σε ευκαιρίες αξιοποιώντας τεχνολογίες τεχνητής νοημοσύνης αιχμής.

Yingwei Yu είναι Εφαρμοσμένος Επιστήμονας στο AWS Generative AI Innovation Center. Έχει εμπειρία σε συνεργασία με διάφορους οργανισμούς σε διάφορες βιομηχανίες σε διάφορες αποδείξεις εννοιών στη μηχανική μάθηση, συμπεριλαμβανομένου του NLP, της ανάλυσης χρονοσειρών και των τεχνολογιών παραγωγής τεχνητής νοημοσύνης. Ο Yingwei έλαβε το διδακτορικό του στην επιστήμη των υπολογιστών από το Texas A&M University.

Yanxiang Yu είναι Εφαρμοσμένος Επιστήμονας στο Amazon Web Services, που εργάζεται στο Generative AI Innovation Center. Με περισσότερα από 8 χρόνια εμπειρίας στην κατασκευή μοντέλων τεχνητής νοημοσύνης και μηχανικής μάθησης για βιομηχανικές εφαρμογές, ειδικεύεται στη γενετική τεχνητή νοημοσύνη, την όραση υπολογιστών και τη μοντελοποίηση χρονοσειρών. Το έργο του επικεντρώνεται στην εύρεση καινοτόμων τρόπων εφαρμογής προηγμένων τεχνικών παραγωγής σε προβλήματα του πραγματικού κόσμου.

Ντιέγκο Σοκολίνσκι είναι Ανώτερος Διευθυντής Εφαρμοσμένης Επιστήμης στο AWS Generative AI Innovation Center, όπου ηγείται της ομάδας παράδοσης για τις περιοχές των Ανατολικών ΗΠΑ και της Λατινικής Αμερικής. Έχει πάνω από είκοσι χρόνια εμπειρίας στη μηχανική μάθηση και την όραση υπολογιστών και είναι κάτοχος διδακτορικού διπλώματος στα μαθηματικά από το Πανεπιστήμιο Johns Hopkins.

Κεξίν Ντινγκ είναι πενταετής Ph.D. υποψήφιος στην επιστήμη των υπολογιστών στο UNC-Charlotte. Η έρευνά της επικεντρώνεται στην εφαρμογή μεθόδων βαθιάς μάθησης για την ανάλυση πολυτροπικών δεδομένων, συμπεριλαμβανομένων των δεδομένων ιατρικής εικόνας και αλληλουχίας γονιδιωματικής.

• 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/how-carrier-predicts-hvac-faults-using-aws-glue-and-amazon-sagemaker/