Εκδημοκρατισμός του εντοπισμού ελαττωμάτων όρασης υπολογιστή για ποιότητα κατασκευής χρησιμοποιώντας μηχανική εκμάθηση χωρίς κώδικα με το Amazon SageMaker Canvas | Υπηρεσίες Ιστού της Amazon

Κόστος κακής ποιότητας είναι το κορυφαίο μυαλό για τους κατασκευαστές. Τα ελαττώματα ποιότητας αυξάνουν το κόστος σκραπ και επανεπεξεργασίας, μειώνουν την απόδοση και μπορούν να επηρεάσουν τη φήμη των πελατών και της εταιρείας. Ο ποιοτικός έλεγχος στη γραμμή παραγωγής είναι ζωτικής σημασίας για τη διατήρηση των προτύπων ποιότητας. Σε πολλές περιπτώσεις, η ανθρώπινη οπτική επιθεώρηση χρησιμοποιείται για την αξιολόγηση της ποιότητας και τον εντοπισμό ελαττωμάτων, τα οποία μπορούν να περιορίσουν την απόδοση της γραμμής λόγω των περιορισμών των ανθρώπινων επιθεωρητών.

Η έλευση της μηχανικής μάθησης (ML) και της τεχνητής νοημοσύνης (AI) φέρνει πρόσθετες δυνατότητες οπτικής επιθεώρησης χρησιμοποιώντας μοντέλα ML όρασης υπολογιστή (CV). Η συμπλήρωση της ανθρώπινης επιθεώρησης με ML που βασίζεται σε CV μπορεί να μειώσει τα σφάλματα ανίχνευσης, να επιταχύνει την παραγωγή, να μειώσει το κόστος ποιότητας και να επηρεάσει θετικά τους πελάτες. Η δημιουργία μοντέλων CV ML απαιτεί συνήθως εξειδίκευση στην επιστήμη των δεδομένων και την κωδικοποίηση, που είναι συχνά σπάνιοι πόροι στους κατασκευαστικούς οργανισμούς. Τώρα, οι μηχανικοί ποιότητας και άλλοι στο χώρο του καταστήματος μπορούν να κατασκευάσουν και να αξιολογήσουν αυτά τα μοντέλα χρησιμοποιώντας υπηρεσίες ML χωρίς κώδικα, οι οποίες μπορούν να επιταχύνουν την εξερεύνηση και την υιοθέτηση αυτών των μοντέλων ευρύτερα στις κατασκευαστικές εργασίες.

Καμβάς Amazon SageMaker είναι μια οπτική διεπαφή που επιτρέπει στους μηχανικούς ποιότητας, διεργασιών και παραγωγής να δημιουργούν ακριβείς προβλέψεις ML από μόνοι τους—χωρίς να απαιτείται καμία εμπειρία ML ή να χρειάζεται να γράψουν ούτε μια γραμμή κώδικα. Μπορείτε να χρησιμοποιήσετε το SageMaker Canvas για να δημιουργήσετε μοντέλα ταξινόμησης εικόνων μίας ετικέτας για τον εντοπισμό κοινών κατασκευαστικών ελαττωμάτων χρησιμοποιώντας τα δικά σας σύνολα δεδομένων εικόνων.

Σε αυτήν την ανάρτηση, θα μάθετε πώς να χρησιμοποιείτε το SageMaker Canvas για να δημιουργήσετε ένα μοντέλο ταξινόμησης εικόνων με μία ετικέτα για να εντοπίσετε ελαττώματα σε κατασκευασμένα μαγνητικά πλακίδια με βάση την εικόνα τους.

Επισκόπηση λύσεων

Αυτή η ανάρτηση υποθέτει την άποψη ενός μηχανικού ποιότητας που εξερευνά την επιθεώρηση CV ML και θα εργαστείτε με δείγματα δεδομένων εικόνων μαγνητικών πλακιδίων για να δημιουργήσετε ένα μοντέλο ML ταξινόμησης εικόνων για να προβλέψετε ελαττώματα στα πλακίδια για τον ποιοτικό έλεγχο. Το σύνολο δεδομένων περιέχει περισσότερες από 1,200 εικόνες μαγνητικών πλακιδίων, τα οποία έχουν ελαττώματα όπως τρύπα, θραύση, ρωγμή, σχάρα και ανώμαλη επιφάνεια. Οι παρακάτω εικόνες παρέχουν ένα παράδειγμα ταξινόμησης ελαττωμάτων μιας ετικέτας, με ένα ραγισμένο πλακίδιο στα αριστερά και ένα πλακίδιο χωρίς ελαττώματα στα δεξιά.

Σε ένα πραγματικό παράδειγμα, μπορείτε να συλλέξετε τέτοιες εικόνες από τα τελικά προϊόντα στη γραμμή παραγωγής. Σε αυτήν την ανάρτηση, χρησιμοποιείτε το SageMaker Canvas για να δημιουργήσετε ένα μοντέλο ταξινόμησης εικόνας με μία ετικέτα που θα προβλέπει και θα ταξινομεί ελαττώματα για μια δεδομένη εικόνα μαγνητικού πλακιδίου.

Το SageMaker Canvas μπορεί να εισάγει δεδομένα εικόνας από ένα τοπικό αρχείο δίσκου ή Απλή υπηρεσία αποθήκευσης Amazon (Amazon S3). Για αυτήν την ανάρτηση, έχουν δημιουργηθεί πολλοί φάκελοι (ένας ανά τύπο ελαττώματος, όπως τρύπα, σπάσιμο ή ρωγμή) σε έναν κάδο S3 και οι εικόνες μαγνητικών πλακιδίων μεταφορτώνονται στους αντίστοιχους φακέλους τους. Ο φάκελος καλείται Free περιέχει εικόνες χωρίς ελαττώματα.

Υπάρχουν τέσσερα βήματα που εμπλέκονται στη δημιουργία του μοντέλου ML χρησιμοποιώντας το SageMaker Canvas:

1. Εισαγάγετε το σύνολο δεδομένων των εικόνων.
2. Κατασκευάστε και εκπαιδεύστε το μοντέλο.
3. Αναλύστε τις ιδέες του μοντέλου, όπως η ακρίβεια.
4. Κανω προβλεψεις.

Προϋποθέσεις

Πριν ξεκινήσετε, πρέπει να ρυθμίσετε και να εκκινήσετε το SageMaker Canvas. Αυτή η ρύθμιση εκτελείται από έναν διαχειριστή IT και περιλαμβάνει τρία βήματα:

1. Δημιουργήστε ένα Amazon Sage Maker τομέα.
2. Ρυθμίστε τους χρήστες.
3. Ρυθμίστε δικαιώματα για χρήση συγκεκριμένων λειτουργιών στον καμβά SageMaker.

Αναφέρομαι σε Ξεκινώντας με τη χρήση του Amazon SageMaker Canvas και Ρύθμιση και διαχείριση του καμβά Amazon SageMaker (για διαχειριστές πληροφορικής) για να διαμορφώσετε το SageMaker Canvas για τον οργανισμό σας.

Όταν έχει ρυθμιστεί το SageMaker Canvas, ο χρήστης μπορεί να πλοηγηθεί στην κονσόλα SageMaker, επιλέξτε καμβάς στο παράθυρο πλοήγησης και επιλέξτε Άνοιγμα καμβά για την κυκλοφορία του SageMaker Canvas.

Η εφαρμογή SageMaker Canvas εκκινείται σε νέο παράθυρο του προγράμματος περιήγησης.

Μετά την εκκίνηση της εφαρμογής SageMaker Canvas, ξεκινάτε τα βήματα δημιουργίας του μοντέλου ML.

Εισαγάγετε το σύνολο δεδομένων

Η εισαγωγή του συνόλου δεδομένων είναι το πρώτο βήμα κατά τη δημιουργία ενός μοντέλου ML με το SageMaker Canvas.

1. Στην εφαρμογή SageMaker Canvas, επιλέξτε Δεδομένα στο παράθυρο πλοήγησης.
2. Στις Δημιουργία μενού, επιλέξτε Εικόνα.
   
3. Για Όνομα στοιχείου δεδομένων, εισαγάγετε ένα όνομα, όπως Magnetic-Tiles-Dataset.
4. Επιλέξτε Δημιουργία για να δημιουργήσετε το σύνολο δεδομένων.
   

Αφού δημιουργηθεί το σύνολο δεδομένων, πρέπει να εισαγάγετε εικόνες στο σύνολο δεδομένων.

5. Στις εισαγωγή σελίδα, επιλέξτε Amazon S3 (οι εικόνες μαγνητικών πλακιδίων βρίσκονται σε κάδο S3).

Έχετε την επιλογή να ανεβάσετε τις εικόνες και από τον τοπικό σας υπολογιστή.

6. Επιλέξτε το φάκελο στον κάδο S3 όπου αποθηκεύονται οι εικόνες μαγνητικού πλακιδίου και επιλέξτε Εισαγωγή δεδομένων.
   

Το SageMaker Canvas ξεκινά την εισαγωγή των εικόνων στο σύνολο δεδομένων. Όταν ολοκληρωθεί η εισαγωγή, μπορείτε να δείτε το σύνολο δεδομένων εικόνων που δημιουργήθηκε με 1,266 εικόνες.

Μπορείτε να επιλέξετε το σύνολο δεδομένων για να ελέγξετε τις λεπτομέρειες, όπως μια προεπισκόπηση των εικόνων και την ετικέτα τους για τον τύπο ελαττώματος. Επειδή οι εικόνες ήταν οργανωμένες σε φακέλους και κάθε φάκελος ονομάστηκε με τον τύπο ελαττώματος, το SageMaker Canvas ολοκλήρωσε αυτόματα την επισήμανση των εικόνων με βάση τα ονόματα των φακέλων. Εναλλακτικά, μπορείτε να εισαγάγετε εικόνες χωρίς ετικέτα, να προσθέσετε ετικέτες και να πραγματοποιήσετε επισήμανση των μεμονωμένων εικόνων σε μεταγενέστερο χρονικό σημείο. Μπορείτε επίσης να τροποποιήσετε τις ετικέτες των υπαρχουσών εικόνων με ετικέτα.

Η εισαγωγή εικόνας ολοκληρώθηκε και τώρα έχετε δημιουργηθεί ένα σύνολο δεδομένων εικόνων στον καμβά SageMaker. Μπορείτε να προχωρήσετε στο επόμενο βήμα για να δημιουργήσετε ένα μοντέλο ML για να προβλέψετε ελαττώματα στα μαγνητικά πλακίδια.

Κατασκευάστε και εκπαιδεύστε το μοντέλο

Εκπαιδεύετε το μοντέλο χρησιμοποιώντας το εισαγόμενο σύνολο δεδομένων.

1. Επιλέξτε το σύνολο δεδομένων (Magnetic-tiles-Dataset) και επιλέξτε Δημιουργήστε ένα μοντέλο.
2. Για Ονομα μοντέλου, εισαγάγετε ένα όνομα, όπως Magnetic-Tiles-Defect-Model.
3. Αγορά Ανάλυση εικόνας για τον τύπο προβλήματος και επιλέξτε Δημιουργία για να διαμορφώσετε το μοντέλο κατασκευής.
   

Στο μοντέλο Χτίστε καρτέλα, μπορείτε να δείτε διάφορες λεπτομέρειες σχετικά με το σύνολο δεδομένων, όπως διανομή ετικετών, πλήθος εικόνων με ετικέτα έναντι μη επισημασμένων εικόνων, καθώς και τύπο μοντέλου, ο οποίος είναι η πρόβλεψη εικόνας μίας ετικέτας σε αυτήν την περίπτωση. Εάν έχετε εισαγάγει εικόνες χωρίς ετικέτα ή θέλετε να τροποποιήσετε ή να διορθώσετε τις ετικέτες ορισμένων εικόνων, μπορείτε να επιλέξετε Επεξεργασία συνόλου δεδομένων για να τροποποιήσετε τις ετικέτες.

Μπορείτε να δημιουργήσετε μοντέλο με δύο τρόπους: Γρήγορη κατασκευή και Τυπική κατασκευή. Η επιλογή Γρήγορης κατασκευής δίνει προτεραιότητα στην ταχύτητα έναντι της ακρίβειας. Εκπαιδεύει το μοντέλο σε 15–30 λεπτά. Το μοντέλο μπορεί να χρησιμοποιηθεί για την πρόβλεψη, αλλά δεν μπορεί να κοινοποιηθεί. Είναι μια καλή επιλογή για να ελέγξετε γρήγορα τη σκοπιμότητα και την ακρίβεια της εκπαίδευσης ενός μοντέλου με ένα δεδομένο σύνολο δεδομένων. Η τυπική έκδοση επιλέγει την ακρίβεια έναντι της ταχύτητας και η εκπαίδευση του μοντέλου μπορεί να διαρκέσει μεταξύ 2-4 ωρών.

Για αυτήν την ανάρτηση, εκπαιδεύετε το μοντέλο χρησιμοποιώντας την επιλογή Standard build.

4. Επιλέξτε Τυπική κατασκευή σχετικά με την Χτίστε καρτέλα για να ξεκινήσετε την εκπαίδευση του μοντέλου.

Η εκπαίδευση μοντέλων ξεκινά αμέσως. Μπορείτε να δείτε τον αναμενόμενο χρόνο κατασκευής και την πρόοδο της εκπαίδευσης στο Αναλύστε Tab.

Περιμένετε μέχρι να ολοκληρωθεί η εκπαίδευση του μοντέλου και, στη συνέχεια, μπορείτε να αναλύσετε την απόδοση του μοντέλου για την ακρίβεια.

Αναλύστε το μοντέλο

Σε αυτή την περίπτωση, χρειάστηκε λιγότερο από μία ώρα για να ολοκληρωθεί η εκπαίδευση του μοντέλου. Όταν ολοκληρωθεί η εκπαίδευση του μοντέλου, μπορείτε να ελέγξετε την ακρίβεια του μοντέλου στο Αναλύστε καρτέλα για να προσδιορίσετε εάν το μοντέλο μπορεί να προβλέψει με ακρίβεια ελαττώματα. Βλέπετε ότι η συνολική ακρίβεια του μοντέλου είναι 97.7% σε αυτήν την περίπτωση. Μπορείτε επίσης να ελέγξετε την ακρίβεια του μοντέλου για κάθε μεμονωμένη ετικέτα ή τύπο ελαττώματος, για παράδειγμα 100% για Fray και Uneven αλλά περίπου 95% για Blowhole. Αυτό το επίπεδο ακρίβειας είναι ενθαρρυντικό, επομένως μπορούμε να συνεχίσουμε την αξιολόγηση.

Για να κατανοήσετε καλύτερα και να εμπιστευτείτε το μοντέλο, ενεργοποιήστε το Heatmap για να δείτε τις περιοχές ενδιαφέροντος στην εικόνα που χρησιμοποιεί το μοντέλο για να διαφοροποιήσει τις ετικέτες. Βασίζεται στην τεχνική του χάρτη ενεργοποίησης κλάσης (CAM). Μπορείτε να χρησιμοποιήσετε τον χάρτη θερμότητας για να αναγνωρίσετε μοτίβα από τις εσφαλμένα προβλέψιμες εικόνες σας, κάτι που μπορεί να βοηθήσει στη βελτίωση της ποιότητας του μοντέλου σας.

Στις Βαθμολόγηση καρτέλα, μπορείτε να ελέγξετε την ακρίβεια και να ανακαλέσετε το μοντέλο για κάθε μία από τις ετικέτες (ή κατηγορία ή τύπο ελαττώματος). Η ακρίβεια και η ανάκληση είναι μετρήσεις αξιολόγησης που χρησιμοποιούνται για τη μέτρηση της απόδοσης ενός μοντέλου δυαδικής και πολλαπλών κλάσεων ταξινόμησης. Η ακρίβεια δείχνει πόσο καλό είναι το μοντέλο στην πρόβλεψη μιας συγκεκριμένης κατηγορίας (τύπος ελαττώματος, σε αυτό το παράδειγμα). Η Ανάκληση λέει πόσες φορές το μοντέλο μπόρεσε να ανιχνεύσει μια συγκεκριμένη κλάση.

Η ανάλυση μοντέλου σάς βοηθά να κατανοήσετε την ακρίβεια του μοντέλου προτού το χρησιμοποιήσετε για πρόβλεψη.

Κανω προβλεψεις

Μετά την ανάλυση του μοντέλου, μπορείτε τώρα να κάνετε προβλέψεις χρησιμοποιώντας αυτό το μοντέλο για να εντοπίσετε ελαττώματα στα μαγνητικά πλακίδια.

Στις Προλέγω καρτέλα, μπορείτε να επιλέξετε Ενιαία πρόβλεψη και Πρόβλεψη παρτίδας. Σε μία μόνο πρόβλεψη, εισάγετε μια μεμονωμένη εικόνα από τον τοπικό σας υπολογιστή ή τον κάδο S3 για να κάνετε μια πρόβλεψη σχετικά με το ελάττωμα. Στην πρόβλεψη παρτίδας, μπορείτε να κάνετε προβλέψεις για πολλές εικόνες που είναι αποθηκευμένες σε ένα σύνολο δεδομένων SageMaker Canvas. Μπορείτε να δημιουργήσετε ένα ξεχωριστό σύνολο δεδομένων στον καμβά SageMaker με τις εικόνες δοκιμής ή συμπερασμάτων για την πρόβλεψη παρτίδας. Για αυτήν την ανάρτηση, χρησιμοποιούμε πρόβλεψη μεμονωμένης και παρτίδας.

Για μεμονωμένη πρόβλεψη, στο Προλέγω καρτέλα, επιλέξτε Ενιαία πρόβλεψη, κατόπιν επιλέξτε Εισαγωγή εικόνας για να ανεβάσετε την εικόνα δοκιμής ή συμπερασμάτων από τον τοπικό σας υπολογιστή.

Μετά την εισαγωγή της εικόνας, το μοντέλο κάνει μια πρόβλεψη σχετικά με το ελάττωμα. Για το πρώτο συμπέρασμα, μπορεί να χρειαστούν λίγα λεπτά επειδή το μοντέλο φορτώνεται για πρώτη φορά. Αλλά μετά τη φόρτωση του μοντέλου, κάνει άμεσες προβλέψεις για τις εικόνες. Μπορείτε να δείτε την εικόνα και το επίπεδο εμπιστοσύνης της πρόβλεψης για κάθε τύπο ετικέτας. Για παράδειγμα, σε αυτή την περίπτωση, η εικόνα του μαγνητικού πλακιδίου προβλέπεται να έχει ένα ανώμαλο ελάττωμα επιφάνειας (το Uneven ετικέτα) και το μοντέλο είναι 94% σίγουρο γι' αυτό.

Ομοίως, μπορείτε να χρησιμοποιήσετε άλλες εικόνες ή ένα σύνολο δεδομένων εικόνων για να κάνετε προβλέψεις σχετικά με το ελάττωμα.

Για την πρόβλεψη παρτίδας, χρησιμοποιούμε το σύνολο δεδομένων των εικόνων χωρίς ετικέτα που ονομάζεται Magnetic-Tiles-Test-Dataset μεταφορτώνοντας 12 δοκιμαστικές εικόνες από τον τοπικό σας υπολογιστή στο σύνολο δεδομένων.

Στις Προλέγω καρτέλα, επιλέξτε Πρόβλεψη παρτίδας Και επιλέξτε Επιλέξτε σύνολο δεδομένων.

Επιλέξτε το Magnetic-Tiles-Test-Dataset σύνολο δεδομένων και επιλέξτε Δημιουργήστε προβλέψεις.

Θα χρειαστεί λίγος χρόνος για να δημιουργηθούν οι προβλέψεις για όλες τις εικόνες. Όταν η κατάσταση είναι Έτοιμος, επιλέξτε τον σύνδεσμο δεδομένων για να δείτε τις προβλέψεις.

Μπορείτε να δείτε προβλέψεις για όλες τις εικόνες με επίπεδα εμπιστοσύνης. Μπορείτε να επιλέξετε οποιαδήποτε από τις μεμονωμένες εικόνες για να δείτε λεπτομέρειες πρόβλεψης σε επίπεδο εικόνας.

Μπορείτε να κάνετε λήψη της πρόβλεψης σε μορφή αρχείου CSV ή .zip για να λειτουργήσει εκτός σύνδεσης. Μπορείτε επίσης να επαληθεύσετε τις προβλεπόμενες ετικέτες και να τις προσθέσετε στο σύνολο δεδομένων εκπαίδευσης. Για να επαληθεύσετε τις προβλεπόμενες ετικέτες, επιλέξτε Επαληθεύστε την πρόβλεψη.

Στο σύνολο δεδομένων πρόβλεψης, μπορείτε να ενημερώσετε τις ετικέτες των μεμονωμένων εικόνων εάν δεν βρείτε σωστή την προβλεπόμενη ετικέτα. Όταν έχετε ενημερώσει τις ετικέτες όπως απαιτείται, επιλέξτε Προσθήκη στο εκπαιδευμένο σύνολο δεδομένων για να συγχωνεύσετε τις εικόνες στο σύνολο δεδομένων εκπαίδευσης (σε αυτό το παράδειγμα, Magnetic-Tiles-Dataset).

Αυτό ενημερώνει το σύνολο δεδομένων εκπαίδευσης, το οποίο περιλαμβάνει τόσο τις υπάρχουσες εικόνες εκπαίδευσης όσο και τις νέες εικόνες με προβλεπόμενες ετικέτες. Μπορείτε να εκπαιδεύσετε μια νέα έκδοση μοντέλου με το ενημερωμένο σύνολο δεδομένων και ενδεχομένως να βελτιώσετε την απόδοση του μοντέλου. Η νέα έκδοση του μοντέλου δεν θα είναι μια σταδιακή εκπαίδευση, αλλά μια νέα εκπαίδευση από την αρχή με το ενημερωμένο σύνολο δεδομένων. Αυτό βοηθά να διατηρείται το μοντέλο ανανεωμένο με νέες πηγές δεδομένων.

εκκαθάριση

Αφού ολοκληρώσετε την εργασία σας με το SageMaker Canvas, επιλέξτε Αποσύνδεση για να κλείσει η συνεδρία και να αποφευχθεί οποιοδήποτε περαιτέρω κόστος.

Όταν αποσυνδέεστε, η εργασία σας, όπως σύνολα δεδομένων και μοντέλα, παραμένει αποθηκευμένη και μπορείτε να ξεκινήσετε ξανά μια συνεδρία SageMaker Canvas για να συνεχίσετε την εργασία αργότερα.

Το SageMaker Canvas δημιουργεί ένα ασύγχρονο τελικό σημείο του SageMaker για τη δημιουργία των προβλέψεων. Για να διαγράψετε το τελικό σημείο, τη διαμόρφωση τελικού σημείου και το μοντέλο που δημιουργήθηκε από το SageMaker Canvas, ανατρέξτε στο Διαγραφή τελικών σημείων και πόρων.

Συμπέρασμα

Σε αυτήν την ανάρτηση, μάθατε πώς να χρησιμοποιείτε το SageMaker Canvas για να δημιουργήσετε ένα μοντέλο ταξινόμησης εικόνων για την πρόβλεψη ελαττωμάτων σε κατασκευασμένα προϊόντα, για να συμπληρώνετε και να βελτιώνετε τη διαδικασία ποιότητας της οπτικής επιθεώρησης. Μπορείτε να χρησιμοποιήσετε το SageMaker Canvas με διαφορετικά σύνολα δεδομένων εικόνων από το κατασκευαστικό σας περιβάλλον για να δημιουργήσετε μοντέλα για περιπτώσεις χρήσης όπως η προβλεπτική συντήρηση, η επιθεώρηση πακέτων, η ασφάλεια των εργαζομένων, η παρακολούθηση αγαθών και άλλα. Το SageMaker Canvas σάς δίνει τη δυνατότητα να χρησιμοποιείτε ML για να δημιουργείτε προβλέψεις χωρίς να χρειάζεται να γράψετε κανέναν κώδικα, επιταχύνοντας την αξιολόγηση και την υιοθέτηση των δυνατοτήτων CV ML.

Για να ξεκινήσετε και να μάθετε περισσότερα για το SageMaker Canvas, ανατρέξτε στους παρακάτω πόρους:

---

Σχετικά με τους συγγραφείς

Μπρατζέντρα Σινγκ είναι αρχιτέκτονας λύσεων στο Amazon Web Services που συνεργάζεται με εταιρικούς πελάτες. Έχει ισχυρό υπόβαθρο προγραμματιστών και είναι ενθουσιώδης λάτρης των λύσεων δεδομένων και μηχανικής εκμάθησης.

Ντάνι Σμιθ είναι Principal, ML Strategist for Automotive and Manufacturing Industries, υπηρετώντας ως στρατηγικός σύμβουλος για τους πελάτες. Η σταδιοδρομία του επικεντρώθηκε στο να βοηθήσει τους βασικούς υπεύθυνους λήψης αποφάσεων να αξιοποιήσουν δεδομένα, τεχνολογία και μαθηματικά για να λάβουν καλύτερες αποφάσεις, από την αίθουσα του διοικητικού συμβουλίου μέχρι το κατάστημα. Τον τελευταίο καιρό, οι περισσότερες συζητήσεις του αφορούν τον εκδημοκρατισμό της μηχανικής μάθησης και τη γενετική τεχνητή νοημοσύνη.

Davide Gallitelli είναι Ειδικός Αρχιτέκτονας Λύσεων για AI/ML στην περιοχή EMEA. Εδρεύει στις Βρυξέλλες και συνεργάζεται στενά με πελάτες σε όλη τη Μπενελούξ. Είναι προγραμματιστής από πολύ μικρός, ξεκινώντας να κωδικοποιεί σε ηλικία 7 ετών. Άρχισε να μαθαίνει AI/ML στο πανεπιστήμιο και από τότε το ερωτεύτηκε.

• 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.
• BlockOffsets. Εκσυγχρονισμός της περιβαλλοντικής αντιστάθμισης ιδιοκτησίας. Πρόσβαση εδώ.
• πηγή: https://aws.amazon.com/blogs/machine-learning/democratize-computer-vision-defect-detection-for-manufacturing-quality-using-no-code-machine-learning-with-amazon-sagemaker-canvas/