Δημιουργήστε, εκπαιδεύστε και αναπτύξτε μοντέλα Amazon Lookout for Equipment χρησιμοποιώντας το Python Toolbox

Η προληπτική συντήρηση μπορεί να είναι ένας αποτελεσματικός τρόπος για την αποφυγή αστοχιών βιομηχανικών μηχανημάτων και δαπανηρών διαστημάτων διακοπής λειτουργίας, παρακολουθώντας προληπτικά την κατάσταση του εξοπλισμού σας, ώστε να μπορείτε να ειδοποιηθείτε για τυχόν ανωμαλίες πριν προκύψουν αστοχίες του εξοπλισμού. Η εγκατάσταση αισθητήρων και η απαραίτητη υποδομή για συνδεσιμότητα δεδομένων, αποθήκευση, ανάλυση και ειδοποίηση είναι τα θεμελιώδη στοιχεία για την ενεργοποίηση λύσεων πρόβλεψης συντήρησης. Ωστόσο, ακόμη και μετά την εγκατάσταση της ad hoc υποδομής, πολλές εταιρείες χρησιμοποιούν βασικές αναλύσεις δεδομένων και απλές προσεγγίσεις μοντελοποίησης που συχνά είναι αναποτελεσματικές στον εντοπισμό προβλημάτων αρκετά νωρίς ώστε να αποφευχθεί η διακοπή λειτουργίας. Επίσης, η εφαρμογή μιας λύσης μηχανικής εκμάθησης (ML) για τον εξοπλισμό σας μπορεί να είναι δύσκολη και χρονοβόρα.

Με Αναζήτηση Amazon για εξοπλισμό, μπορείτε να αναλύσετε αυτόματα δεδομένα αισθητήρων για τον βιομηχανικό εξοπλισμό σας για να εντοπίσετε μη φυσιολογική συμπεριφορά του μηχανήματος—χωρίς να απαιτείται εμπειρία ML. Αυτό σημαίνει ότι μπορείτε να εντοπίσετε ανωμαλίες του εξοπλισμού με ταχύτητα και ακρίβεια, να διαγνώσετε γρήγορα προβλήματα και να λάβετε μέτρα για να μειώσετε τον ακριβό χρόνο διακοπής λειτουργίας.

Το Lookout for Equipment αναλύει τα δεδομένα από τους αισθητήρες και τα συστήματά σας, όπως η πίεση, ο ρυθμός ροής, οι στροφές ανά λεπτό, η θερμοκρασία και η ισχύς, για να εκπαιδεύσει αυτόματα ένα συγκεκριμένο μοντέλο για τον εξοπλισμό σας με βάση τα δεδομένα σας. Χρησιμοποιεί το μοναδικό σας μοντέλο ML για να αναλύσει τα εισερχόμενα δεδομένα αισθητήρα σε πραγματικό χρόνο και εντοπίζει έγκαιρα προειδοποιητικά σημάδια που θα μπορούσαν να οδηγήσουν σε βλάβες του μηχανήματος. Για κάθε ειδοποίηση που ανιχνεύεται, το Lookout for Equipment εντοπίζει ποιοι συγκεκριμένοι αισθητήρες υποδεικνύουν το πρόβλημα και το μέγεθος της επίπτωσης στο ανιχνευμένο συμβάν.

Με αποστολή να δώσουμε την ML στα χέρια κάθε προγραμματιστή, θέλουμε να παρουσιάσουμε ένα άλλο πρόσθετο στο Lookout for Equipment: εργαλειοθήκη Python ανοιχτού κώδικα που επιτρέπει στους προγραμματιστές και τους επιστήμονες δεδομένων να δημιουργούν, να εκπαιδεύουν και να αναπτύσσουν μοντέλα Lookout for Equipment παρόμοια με αυτά που έχετε συνηθίσει Amazon Sage Maker. Αυτή η βιβλιοθήκη είναι ένα περιτύλιγμα πάνω από το Lookout for Equipment boto3 python API και παρέχεται για να ξεκινήσει το ταξίδι σας με αυτήν την υπηρεσία. Εάν έχετε προτάσεις βελτίωσης ή σφάλματα να αναφέρετε, υποβάλετε ένα πρόβλημα στην εργαλειοθήκη Αποθετήριο GitHub.

Σε αυτήν την ανάρτηση, παρέχουμε έναν οδηγό βήμα προς βήμα για τη χρήση της εργαλειοθήκης Python ανοιχτού κώδικα Lookout for Equipment μέσα από ένα σημειωματάριο SageMaker.

Ρύθμιση περιβάλλοντος

Για να χρησιμοποιήσουμε την εργαλειοθήκη ανοιχτού κώδικα Lookout for Equipment από ένα σημειωματάριο SageMaker, πρέπει να εκχωρήσουμε στο σημειωματάριο SageMaker τα απαραίτητα δικαιώματα για την κλήση των API του Lookout for Equipment. Για αυτήν την ανάρτηση, υποθέτουμε ότι έχετε ήδη δημιουργήσει μια παρουσία σημειωματάριου SageMaker. Για οδηγίες, ανατρέξτε στο Ξεκινήστε με τις περιπτώσεις φορητών υπολογιστών Amazon SageMaker. Η παρουσία του σημειωματάριου συσχετίζεται αυτόματα με έναν ρόλο εκτέλεσης.

1. Για να βρείτε τον ρόλο που είναι συνδεδεμένος με την παρουσία, επιλέξτε την παρουσία στην κονσόλα SageMaker.
   
2. Στην επόμενη οθόνη, κάντε κύλιση προς τα κάτω για να βρείτε το Διαχείριση ταυτότητας και πρόσβασης AWS (IAM) ρόλος που συνδέεται με το παράδειγμα στο Άδειες και κρυπτογράφηση τμήμα.
3. Επιλέξτε το ρόλο για να ανοίξετε την κονσόλα IAM.
   

Στη συνέχεια, επισυνάπτουμε μια ενσωματωμένη πολιτική στον ρόλο μας στο SageMaker IAM.

4. Στις Δικαιώματα καρτέλα του ρόλου που ανοίξατε, επιλέξτε Προσθήκη ενσωματωμένης πολιτικής.
   
5. Στις JSON καρτέλα, εισάγετε τον παρακάτω κωδικό. Χρησιμοποιούμε μια ενέργεια μπαλαντέρ (lookoutequipment:*) για την υπηρεσία για σκοπούς επίδειξης. Για περιπτώσεις πραγματικής χρήσης, παρέχετε μόνο τα απαιτούμενα δικαιώματα για την εκτέλεση των κατάλληλων κλήσεων API SDK.

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

6. Επιλέξτε Πολιτική αναθεώρησης.
7. Δώστε ένα όνομα για την πολιτική και δημιουργήστε την πολιτική.

Εκτός από την προηγούμενη ενσωματωμένη πολιτική, στον ίδιο ρόλο IAM, πρέπει να δημιουργήσουμε μια σχέση εμπιστοσύνης για να επιτρέψουμε στο Lookout for Equipment να αναλάβει αυτόν τον ρόλο. Ο ρόλος του SageMaker έχει ήδη την κατάλληλη πρόσβαση στα δεδομένα Απλή υπηρεσία αποθήκευσης Amazon (Amazon S3); επιτρέποντας στο Lookout for Equipment να αναλάβει αυτόν τον ρόλο, διασφαλίζει ότι έχει την ίδια πρόσβαση στα δεδομένα με το σημειωματάριό σας. Στο περιβάλλον σας, μπορεί να έχετε ήδη έναν συγκεκριμένο ρόλο διασφαλίζοντας ότι το Lookout for Equipment έχει πρόσβαση στα δεδομένα σας, οπότε δεν χρειάζεται να προσαρμόσετε τη σχέση εμπιστοσύνης αυτού του κοινού ρόλου.

8. Μέσα στο ρόλο του SageMaker IAM στο Εμπιστευτικές σχέσεις καρτέλα, επιλέξτε Επεξεργασία σχέσης εμπιστοσύνης.
9. Κάτω από το έγγραφο πολιτικής, αντικαταστήστε ολόκληρη την πολιτική με τον ακόλουθο κώδικα:

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

10. Επιλέξτε Ενημέρωση πολιτικής εμπιστοσύνης.

Τώρα είμαστε έτοιμοι να χρησιμοποιήσουμε την εργαλειοθήκη Lookout for Equipment στο περιβάλλον του σημειωματάριου SageMaker. Η εργαλειοθήκη Lookout for Equipment είναι ένα πακέτο Python ανοιχτού κώδικα που επιτρέπει σε επιστήμονες δεδομένων και προγραμματιστές λογισμικού να δημιουργούν και να αναπτύσσουν εύκολα μοντέλα ανίχνευσης ανωμαλιών χρονοσειρών χρησιμοποιώντας το Lookout for Equipment. Ας δούμε τι μπορείτε να πετύχετε πιο εύκολα χάρη στην εργαλειοθήκη!

Εξαρτήσεις

Κατά τη στιγμή της σύνταξης, η εργαλειοθήκη χρειάζεται να εγκατασταθούν τα εξής:

• Python(>=3.6)
• boto3 (>= 1.17.48)
• χαμήλωση τιμής
• πολλοί
• Πάντα
• πιάρο
• s3fs

Αφού ικανοποιήσετε αυτές τις εξαρτήσεις, μπορείτε να εγκαταστήσετε και να εκκινήσετε την εργαλειοθήκη Lookout for Equipment με την ακόλουθη εντολή από ένα τερματικό Jupyter:

pip install lookoutequipment

Η εργαλειοθήκη είναι τώρα έτοιμη για χρήση. Σε αυτήν την ανάρτηση, δείχνουμε πώς να χρησιμοποιείτε την εργαλειοθήκη εκπαιδεύοντας και αναπτύσσοντας ένα μοντέλο ανίχνευσης ανωμαλιών. Ένας τυπικός κύκλος ζωής ανάπτυξης ML αποτελείται από τη δημιουργία του συνόλου δεδομένων για εκπαίδευση, την εκπαίδευση του μοντέλου, την ανάπτυξη του μοντέλου και την εκτέλεση συμπερασμάτων στο μοντέλο. Η εργαλειοθήκη είναι αρκετά ολοκληρωμένη όσον αφορά τις λειτουργίες που παρέχει, αλλά σε αυτήν την ανάρτηση, εστιάζουμε στις ακόλουθες δυνατότητες:

• Προετοιμάστε το σύνολο δεδομένων
• Εκπαιδεύστε ένα μοντέλο ανίχνευσης ανωμαλιών χρησιμοποιώντας το Lookout for Equipment
• Δημιουργήστε οπτικοποιήσεις για την αξιολόγηση του μοντέλου σας
• Διαμορφώστε και ξεκινήστε έναν προγραμματιστή συμπερασμάτων
• Οπτικοποιήστε τα αποτελέσματα συμπερασμάτων προγραμματιστή

Ας καταλάβουμε πώς μπορούμε να χρησιμοποιήσουμε την εργαλειοθήκη για καθεμία από αυτές τις δυνατότητες.

Προετοιμάστε το σύνολο δεδομένων

Το Lookout for Equipment απαιτεί τη δημιουργία και την απορρόφηση ενός συνόλου δεδομένων. Για να προετοιμάσετε το σύνολο δεδομένων, ολοκληρώστε τα ακόλουθα βήματα:

1. Πριν δημιουργήσουμε το σύνολο δεδομένων, πρέπει να φορτώσουμε ένα δείγμα δεδομένων και να το ανεβάσουμε σε ένα Απλή υπηρεσία αποθήκευσης Amazon (Amazon S3) κάδος. Σε αυτήν την ανάρτηση, χρησιμοποιούμε το expander σύνολο δεδομένων:

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

Το επιστρεφόμενο data Το αντικείμενο αντιπροσωπεύει ένα λεξικό που περιέχει τα ακόλουθα:

• • Ένα DataFrame δεδομένων εκπαίδευσης
  • Το ένα επισημαίνει το DataFrame
  • Οι ημερομηνίες έναρξης και λήξης της εκπαίδευσης
  • Οι ημερομηνίες έναρξης και λήξης της αξιολόγησης
  • Περιγραφή ετικετών DataFrame

Τα δεδομένα εκπαίδευσης και ετικέτας μεταφορτώνονται από τον κατάλογο προορισμού στο Amazon S3 στη θέση του κάδου/προθέματος.

2. Αφού ανεβάσουμε το σύνολο δεδομένων στο S3, δημιουργούμε ένα αντικείμενο του LookoutEquipmentDataset κλάση που διαχειρίζεται το σύνολο δεδομένων:

   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()

Η access_role_arn πρέπει να έχει πρόσβαση στον κάδο S3 όπου υπάρχουν τα δεδομένα. Μπορείτε να ανακτήσετε τον ρόλο ARN της παρουσίας του σημειωματάριου SageMaker από το προηγούμενο Ρύθμιση περιβάλλοντος ενότητα και προσθέστε μια πολιτική IAM για να παραχωρήσετε πρόσβαση στον κάδο S3 σας. Για περισσότερες πληροφορίες, βλ Σύνταξη πολιτικών IAM: Πώς να παραχωρήσετε πρόσβαση σε έναν κάδο Amazon S3.

Η component_root_dir Η παράμετρος πρέπει να υποδεικνύει τη θέση στο Amazon S3 όπου αποθηκεύονται τα δεδομένα εκπαίδευσης.

Αφού εκκινήσουμε τα προηγούμενα API, το σύνολο δεδομένων μας έχει δημιουργηθεί.

3. Εισαγάγετε τα δεδομένα στο σύνολο δεδομένων:

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

Τώρα που τα δεδομένα σας είναι διαθέσιμα στο Amazon S3, η δημιουργία ενός συνόλου δεδομένων και η απορρόφηση των δεδομένων σε αυτό είναι απλώς θέμα τριών γραμμών κώδικα. Δεν χρειάζεται να δημιουργήσετε ένα μεγάλο σχήμα JSON με μη αυτόματο τρόπο. η εργαλειοθήκη εντοπίζει τη δομή του αρχείου σας και τη δημιουργεί για εσάς. Μετά την κατάποση των δεδομένων σας, ήρθε η ώρα να προχωρήσετε στην προπόνηση!

Εκπαιδεύστε ένα μοντέλο ανίχνευσης ανωμαλιών

Αφού τα δεδομένα ενσωματωθούν στο σύνολο δεδομένων, μπορούμε να ξεκινήσουμε τη διαδικασία εκπαίδευσης του μοντέλου. Δείτε τον παρακάτω κώδικα:

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)

Πριν ξεκινήσουμε την εκπαίδευση, πρέπει να καθορίσουμε τις περιόδους εκπαίδευσης και αξιολόγησης μέσα στο σύνολο δεδομένων. Ορίσαμε επίσης τη θέση στο Amazon S3 όπου αποθηκεύονται τα δεδομένα με ετικέτα και ορίσαμε τον ρυθμό δειγματοληψίας σε 5 λεπτά. Αφού ξεκινήσουμε την εκπαίδευση, το poll_model_training δημοσκοπεί την κατάσταση της εργασίας εκπαίδευσης κάθε 5 λεπτά έως ότου η εκπαίδευση είναι επιτυχής.

Η ενότητα εκπαίδευσης της εργαλειοθήκης Lookout for Equipment σάς επιτρέπει να εκπαιδεύσετε ένα μοντέλο με λιγότερες από 10 γραμμές κώδικα. Δημιουργεί όλες τις συμβολοσειρές αιτημάτων δημιουργίας μήκους που απαιτούνται από το API χαμηλού επιπέδου για λογαριασμό σας, καταργώντας την ανάγκη να δημιουργήσετε μεγάλα, επιρρεπή σε σφάλματα έγγραφα JSON.

Αφού εκπαιδευτεί το μοντέλο, μπορούμε είτε να ελέγξουμε τα αποτελέσματα κατά την περίοδο αξιολόγησης είτε να διαμορφώσουμε έναν προγραμματιστή συμπερασμάτων χρησιμοποιώντας την εργαλειοθήκη.

Αξιολογήστε ένα εκπαιδευμένο μοντέλο

Αφού εκπαιδευτεί ένα μοντέλο, το Περιγράψτε Μοντέλο Το API από το Lookout for Equipment καταγράφει τις μετρήσεις που σχετίζονται με την εκπαίδευση. Αυτό το API επιστρέφει ένα έγγραφο JSON με δύο πεδία ενδιαφέροντος για τη σχεδίαση των αποτελεσμάτων αξιολόγησης: labeled_ranges και predicted_ranges, που περιέχουν τις γνωστές και τις προβλεπόμενες ανωμαλίες στο εύρος αξιολόγησης, αντίστοιχα. Η εργαλειοθήκη παρέχει βοηθητικά προγράμματα για τη φόρτωσή τους σε ένα Pandas DataFrame:

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)

Το πλεονέκτημα της φόρτωσης των περιοχών σε ένα DataFrame είναι ότι μπορούμε να δημιουργήσουμε ωραίες απεικονίσεις σχεδιάζοντας ένα από τα αρχικά σήματα χρονοσειρών και προσθέτοντας μια επικάλυψη των επισημασμένων και προβλεπόμενων ανώμαλων συμβάντων χρησιμοποιώντας το TimeSeriesVisualization κατηγορία της εργαλειοθήκης:

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()

Αυτές οι λίγες γραμμές κώδικα δημιουργούν μια γραφική παράσταση με τα ακόλουθα χαρακτηριστικά:

• Ένα σχέδιο γραμμής για το επιλεγμένο σήμα. το μέρος που χρησιμοποιείται για την εκπαίδευση του μοντέλου εμφανίζεται με μπλε χρώμα ενώ το τμήμα αξιολόγησης είναι γκρι
• Ο κυλιόμενος μέσος όρος εμφανίζεται ως μια λεπτή κόκκινη γραμμή που επικαλύπτεται στις χρονοσειρές
• Οι ετικέτες εμφανίζονται σε μια πράσινη κορδέλα με την ένδειξη "Γνωστές ανωμαλίες" (από προεπιλογή)
• Τα προβλεπόμενα συμβάντα εμφανίζονται σε μια κόκκινη κορδέλα με την ένδειξη "Εντοπισμένα συμβάντα"

Η εργαλειοθήκη εκτελεί όλη τη βαριά ανύψωση του εντοπισμού, της φόρτωσης και της ανάλυσης των αρχείων JSON, ενώ παρέχει έτοιμες προς χρήση απεικονίσεις που μειώνουν περαιτέρω τον χρόνο λήψης πληροφοριών από τα μοντέλα ανίχνευσης ανωμαλιών. Σε αυτό το στάδιο, η εργαλειοθήκη σάς επιτρέπει να εστιάσετε στην ερμηνεία των αποτελεσμάτων και στη λήψη μέτρων για την παροχή άμεσης επιχειρηματικής αξίας στους τελικούς χρήστες σας. Εκτός από αυτές τις απεικονίσεις χρονοσειρών, το SDK παρέχει άλλες γραφικές παραστάσεις, όπως μια σύγκριση ιστογράμματος των τιμών των σημάτων σας μεταξύ κανονικών και μη κανονικών χρόνων. Για να μάθετε περισσότερα σχετικά με τις άλλες δυνατότητες οπτικοποίησης που μπορείτε να χρησιμοποιήσετε αμέσως, ανατρέξτε στο Αναζητήστε την τεκμηρίωση της εργαλειοθήκης Εξοπλισμού.

Προγραμματισμός συμπερασμάτων

Ας δούμε πώς μπορούμε να προγραμματίσουμε συμπεράσματα χρησιμοποιώντας την εργαλειοθήκη:

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()

Αυτός ο κώδικας δημιουργεί έναν προγραμματιστή που επεξεργάζεται ένα αρχείο κάθε 5 λεπτά (που αντιστοιχεί στη συχνότητα μεταφόρτωσης που έχει οριστεί κατά τη διαμόρφωση του προγραμματιστή). Μετά από 15 λεπτά περίπου, θα πρέπει να έχουμε κάποια διαθέσιμα αποτελέσματα. Για να λάβουμε αυτά τα αποτελέσματα από τον προγραμματιστή σε ένα Pandas DataFrame, πρέπει απλώς να εκτελέσουμε την ακόλουθη εντολή:

results_df = lookout_scheduler.get_predictions()

Από εδώ, μπορούμε επίσης να σχεδιάσουμε τη σημασία του χαρακτηριστικού για μια πρόβλεψη χρησιμοποιώντας τα API οπτικοποίησης της εργαλειοθήκης:

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

Παράγει την ακόλουθη οπτικοποίηση της σημασίας χαρακτηριστικών στα δείγματα δεδομένων.

Η εργαλειοθήκη παρέχει επίσης ένα API για τη διακοπή του προγραμματιστή. Δείτε το παρακάτω απόσπασμα κώδικα:

scheduler.stop()

εκκαθάριση

Για να διαγράψουμε όλα τα τεχνουργήματα που δημιουργήθηκαν προηγουμένως, μπορούμε να καλέσουμε το delete_dataset API με το όνομα του συνόλου δεδομένων μας:

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

Συμπέρασμα

Όταν μιλάμε για βιομηχανικούς και κατασκευαστικούς πελάτες, μια κοινή πρόκληση που ακούμε σχετικά με την αξιοποίηση της τεχνητής νοημοσύνης και της ML είναι ο τεράστιος όγκος προσαρμογής και η συγκεκριμένη εργασία ανάπτυξης και επιστήμης δεδομένων που απαιτούνται για την απόκτηση αξιόπιστων και εφαρμόσιμων αποτελεσμάτων. Η εκπαίδευση μοντέλων ανίχνευσης ανωμαλιών και η λήψη ενεργών προειδοποιήσεων για πολλά διαφορετικά βιομηχανικά μηχανήματα είναι απαραίτητη προϋπόθεση για τη μείωση της προσπάθειας συντήρησης, τη μείωση της επανάληψης επεξεργασίας ή της σπατάλης, την αύξηση της ποιότητας του προϊόντος και τη βελτίωση της συνολικής απόδοσης εξοπλισμού (OEE) ή γραμμών προϊόντων. Μέχρι τώρα, αυτό απαιτούσε τεράστιο όγκο ειδικών εργασιών ανάπτυξης, οι οποίες είναι δύσκολο να κλιμακωθούν και να διατηρηθούν με την πάροδο του χρόνου.

Οι υπηρεσίες τεχνητής νοημοσύνης που εφαρμόζει η Amazon, όπως το Lookout for Equipment, επιτρέπουν στους κατασκευαστές να κατασκευάζουν μοντέλα τεχνητής νοημοσύνης χωρίς να έχουν πρόσβαση σε μια ευέλικτη ομάδα επιστημόνων δεδομένων, μηχανικών δεδομένων και μηχανικών διεργασιών. Τώρα, με την εργαλειοθήκη Lookout for Equipment, οι προγραμματιστές σας μπορούν να μειώσουν περαιτέρω τον χρόνο που απαιτείται για να εξερευνήσουν πληροφορίες στα δεδομένα χρονοσειρών σας και να αναλάβουν δράση. Αυτή η εργαλειοθήκη παρέχει μια εύχρηστη, φιλική προς τους προγραμματιστές διεπαφή για τη γρήγορη δημιουργία μοντέλων ανίχνευσης ανωμαλιών χρησιμοποιώντας το Lookout for Equipment. Η εργαλειοθήκη είναι ανοιχτού κώδικα και όλος ο κώδικας SDK βρίσκεται στο amazon-lookout-for-equipment-python-sdk Αποθετήριο GitHub. Διατίθεται και ως α Πακέτο PyPi.

Αυτή η ανάρτηση καλύπτει μόνο μερικά από τα πιο σημαντικά API. Οι ενδιαφερόμενοι αναγνώστες μπορούν να ανατρέξουν στο τεκμηρίωση της εργαλειοθήκης για να δείτε πιο προηγμένες δυνατότητες της εργαλειοθήκης. Δοκιμάστε το και πείτε μας τη γνώμη σας στα σχόλια!

Σχετικά με τους Συγγραφείς

Βίκες Πάντει είναι Ειδικός Αρχιτέκτονας Λύσεων Specialist Machine Learning στην AWS, βοηθώντας πελάτες στο Ηνωμένο Βασίλειο και στην ευρύτερη περιοχή EMEA να σχεδιάσουν και να δημιουργήσουν λύσεις ML. Εκτός δουλειάς, ο Vikesh απολαμβάνει να δοκιμάζει διαφορετικές κουζίνες και να παίζει υπαίθρια σπορ.

Ioan Catana είναι Αρχιτέκτονας Ειδικών Λύσεων Τεχνητής Νοημοσύνης και Μηχανικής Μάθησης στην AWS. Βοηθά τους πελάτες να αναπτύξουν και να κλιμακώσουν τις λύσεις ML τους στο AWS Cloud. Η Ioan έχει πάνω από 20 χρόνια εμπειρίας, κυρίως στον σχεδιασμό αρχιτεκτονικής λογισμικού και στο cloud engineering.

Michaël Hoarau είναι Αρχιτέκτονας Ειδικών Λύσεων AI/ML στην AWS που εναλλάσσεται μεταξύ επιστήμονα δεδομένων και αρχιτέκτονα μηχανικής μάθησης, ανάλογα με τη στιγμή. Είναι παθιασμένος να φέρει τη δύναμη του AI/ML στα καταστήματα των βιομηχανικών πελατών του και έχει εργαστεί σε ένα ευρύ φάσμα περιπτώσεων χρήσης ML, που κυμαίνονται από τον εντοπισμό ανωμαλιών έως την προγνωστική ποιότητα του προϊόντος ή τη βελτιστοποίηση κατασκευής. Όταν δεν βοηθά τους πελάτες να αναπτύξουν τις επόμενες καλύτερες εμπειρίες μηχανικής μάθησης, του αρέσει να παρατηρεί τα αστέρια, να ταξιδεύει ή να παίζει πιάνο.

• Coinsmart. Το καλύτερο ανταλλακτήριο Bitcoin και Crypto στην Ευρώπη.
• Platoblockchain. Web3 Metaverse Intelligence. Ενισχύθηκε η γνώση. ΕΛΕΥΘΕΡΗ ΠΡΟΣΒΑΣΗ.
• CryptoHawk. Ραντάρ Altcoin. Δωρεάν δοκιμή.
• Πηγή: https://aws.amazon.com/blogs/machine-learning/build-train-and-deploy-amazon-lookout-for-equipment-models-using-the-python-toolbox/