Varade tervise ja võrgu vastupidavuse parandamine masinõppe abil | Amazoni veebiteenused

See postitus on kirjutatud koos Travis Bronsoni ja Brian L Wilkersoniga Duke Energyst

Masinõpe (ML) muudab iga tööstusharu, protsessi ja äri, kuid tee eduni ei ole alati lihtne. Selles ajaveebi postituses näitame, kuidas Hertsogeneraator, Fortune 150 ettevõte, mille peakontor asub Charlotte'is, NC., tegi koostööd AWS-i masinõppelahenduste labor (MLSL) kasutada arvutinägemist, et automatiseerida puidust tehnopostide kontrolli ning aidata ära hoida elektrikatkestusi, varakahju ja isegi vigastusi.

Elektrivõrk koosneb postidest, liinidest ja elektrijaamadest, et toota ja tarnida elektrit miljonitesse kodudesse ja ettevõtetesse. Need kommunaalpostid on infrastruktuuri kriitilised komponendid ja alluvad erinevatele keskkonnateguritele, nagu tuul, vihm ja lumi, mis võivad põhjustada varade kulumist. On ülioluline, et elektripostid kontrollitaks ja hooldataks regulaarselt, et vältida rikkeid, mis võivad põhjustada elektrikatkestusi, varakahjustusi ja isegi vigastusi. Enamik elektriettevõtteid, sealhulgas Duke Energy, kasutavad elektripostide käsitsi visuaalset kontrolli, et tuvastada ülekande- ja jaotusvõrguga seotud kõrvalekaldeid. Kuid see meetod võib olla kulukas ja aeganõudev ning nõuab, et elektriülekandeliini töötajad järgiksid rangeid ohutusprotokolle.

Duke Energy on minevikus kasutanud tehisintellekti igapäevaste toimingute tõhususe suurendamiseks ja saavutanud edu. Ettevõte on kasutanud tehisintellekti tootmisvarade ja kriitilise infrastruktuuri kontrollimiseks ning on uurinud võimalusi rakendada tehisintellekti ka tehnopostide kontrollimisel. AWS Machine Learning Solutions Lab koostöös Duke Energyga edenes utiliit oma tööd, et automatiseerida anomaaliate tuvastamist puitpostides, kasutades täiustatud arvutinägemistehnikaid.

Eesmärgid ja kasutusjuhtum

Selle Duke Energy ja masinõppelahenduste labori vahelise koostöö eesmärk on kasutada masinõpet sadade tuhandete kõrge eraldusvõimega aeropiltide kontrollimiseks, et automatiseerida kõigi puitpostidega seotud probleemide tuvastamise ja ülevaatamise protsessi 33,000 XNUMX miili ulatuses ülekandeliinides. . See eesmärk aitab Duke Energyl veelgi parandada võrgu vastupidavust ja järgida valitsuse määrusi, tuvastades vead õigeaegselt. See vähendab ka kütuse- ja tööjõukulusid ning süsinikdioksiidi heitkoguseid, minimeerides tarbetuid veoautode veeremisi. Lõpuks parandab see ka ohutust, vähendades maastiku- ja ilmastikutingimuste kahjustamisega seotud läbitud miile, mätta otsa ronimist ja füüsilise ülevaatuse riske.

Järgmistes peatükkides tutvustame peamisi väljakutseid, mis on seotud kommunaalpostidega seotud anomaaliate tuvastamise tugevate ja tõhusate mudelite väljatöötamisega. Samuti kirjeldame peamisi väljakutseid ja eeldusi, mis on seotud erinevate andmete eeltöötlusmeetoditega, mida kasutatakse soovitud mudeli jõudluse saavutamiseks. Järgmisena tutvustame mudeli jõudluse hindamiseks kasutatud põhimõõdikuid koos meie lõplike mudelite hindamisega. Ja lõpuks võrdleme erinevaid tipptasemel juhendatud ja järelevalveta modelleerimistehnikaid.

Väljakutsed

Üks peamisi väljakutseid, mis on seotud aeropiltide abil anomaaliate tuvastamise mudeli väljaõppega, on ebaühtlased kujutise suurused. Järgmisel joonisel on kujutatud Duke Energy näidisandmete kogumi kujutise kõrguse ja laiuse jaotus. Võib täheldada, et piltidel on suur varieeruvus suuruse poolest. Samamoodi tekitab olulisi väljakutseid ka piltide suurus. Sisendpiltide suurus on tuhandeid piksleid lai ja tuhandeid piksleid pikk. See pole ideaalne ka mudeli väljaõpetamiseks, et tuvastada pildil olevad väikesed anomaalsed piirkonnad.

Samuti sisaldavad sisendpildid suurel hulgal ebaolulist taustteavet, nagu taimestik, autod, põllumajandusloomad jne. Taustteave võib anda tulemuseks mitteoptimaalse mudeli jõudluse. Meie hinnangul on puidust poste vaid 5% pildist ja anomaaliad on veelgi väiksemad. See on suur väljakutse kõrge eraldusvõimega piltide anomaaliate tuvastamisel ja lokaliseerimisel. Anomaaliate arv on kogu andmekogumiga võrreldes oluliselt väiksem. Kogu andmekogumis on ainult 0.12% anomaalseid pilte (st 1.2 anomaaliat 1000-st pildist). Lõpuks pole järelevalvega masinõppemudeli koolitamiseks saadaval märgistatud andmeid. Järgmisena kirjeldame, kuidas me neid väljakutseid lahendame, ja selgitame välja pakutud meetodit.

Lahenduse ülevaade

Modelleerimistehnikad

Järgmine joonis näitab meie pilditöötluse ja anomaaliate tuvastamise torustikku. Esmalt importisime andmed sisse Amazon Simple Storage Service (Amazon S3) kasutamine Amazon SageMaker Studio. Lisaks kasutasime erinevaid andmetöötlustehnikaid, et lahendada mõned ülaltoodud väljakutsed, et parandada mudeli jõudlust. Pärast andmete eeltöötlust kasutasime Amazoni Äratundmise kohandatud sildid andmete märgistamiseks. Märgistatud andmeid kasutatakse täiendavalt järelevalve all olevate ML-mudelite (nt Vision Transformer) koolitamiseks. Amazon Lookout for Visionja AutoGloun anomaalia tuvastamiseks.

Järgmine joonis näitab üksikasjalikku ülevaadet meie pakutud lähenemisviisist, mis hõlmab andmetöötluse konveieri ja erinevaid anomaaliate tuvastamiseks kasutatavaid ML-algoritme. Esiteks kirjeldame andmetöötluse konveieri etappe. Järgmisena selgitame üksikasju ja intuitsiooni, mis on seotud erinevate modelleerimistehnikatega, mida selle töö käigus soovitud tulemuslikkuse eesmärkide saavutamiseks kasutati.

Andmete eeltöötlemine

Kavandatav andmete eeltöötluse konveier sisaldab andmete standardimine, huvipiirkonna tuvastamine (ROI), andmete suurendamine, andmete segmenteerimine ja lõpuks andmete märgistamine. Iga sammu eesmärki kirjeldatakse allpool:

Andmete standardimine

Esimene samm meie andmetöötlusprotsessis hõlmab andmete standardimist. Selles etapis kärbitakse iga pilt ja jagatakse mittekattuvateks laigudeks suurusega 224 x 224 pikslit. Selle sammu eesmärk on luua ühtse suurusega plaastreid, mida saaks edasi kasutada ML-mudeli treenimiseks ja anomaaliate lokaliseerimiseks kõrge eraldusvõimega piltidel.

Huvipiirkonna identifitseerimine (ROI)

Sisendandmed koosnevad kõrge eraldusvõimega piltidest, mis sisaldavad suurel hulgal ebaolulist taustteavet (st taimestik, majad, autod, hobused, lehmad jne). Meie eesmärk on tuvastada puitpostidega seotud anomaaliaid. ROI (st puitposti sisaldavad plaastrid) tuvastamiseks kasutasime Amazon Rekognitioni kohandatud märgistust. Koolitasime Amazon Rekognitioni kohandatud sildimudelit, kasutades 3k märgistatud pilte, mis sisaldasid nii ROI-d kui ka taustapilte. Mudeli eesmärk on teha binaarne klassifikatsioon ROI ja taustpiltide vahel. Taustteabena tuvastatud plaastrid visatakse ära, samal ajal kui järgmises etapis kasutatakse ROI-na prognoositud põllukultuure. Järgmisel joonisel on kujutatud konveier, mis identifitseerib ROI. Koostasime 1,110 puidust kujutisega mittekattuvate põllukultuuride valimi, mis tekitas 244,673 11,356 saaki. Lisaks kasutasime neid pilte sisendina Amazon Rekognitioni kohandatud mudelile, mis tuvastas ROI-na 11,356 10,969 põllukultuuri. Lõpuks kontrollisime käsitsi kõiki neid 11,356 96 plaastrit. Käsitsi kontrollimise käigus tuvastasime, et mudel suutis ROI-na õigesti ennustada XNUMX XNUMX puidulaiku XNUMX XNUMX-st. Teisisõnu saavutas mudel XNUMX% täpsuse.

Andmete märgistamine

Piltide käsitsi kontrollimise ajal märgistasime iga pildi ka nendega seotud siltidega. Seotud kujutiste siltide hulka kuuluvad puidulaik, mittepuidulaik, mittestruktuur, mittepuiduplaaster ja lõpuks anomaaliatega puidulaikud. Järgmine joonis näitab Amazon Rekognitioni kohandatud märgistust kasutades piltide nomenklatuuri.

Andmete suurendamine

Arvestades koolituse jaoks saadaolevate märgistatud andmete piiratud hulka, täiendasime treeningandmete kogumit, pöörates kõiki plaastreid horisontaalselt. Sellel oli tõhus mõju meie andmekogumi suuruse kahekordistamisele.

Segmenteerimine

Märgistasime objektid 600 pildina (postid, juhtmed ja metallpiirded), kasutades Amazon Rekognition Custom Labelsi piirdekasti objektide tuvastamise märgistamise tööriista ja koolitasime mudelit kolme peamise huvipakkuva objekti tuvastamiseks. Kasutasime koolitatud mudelit kõigi piltide tausta eemaldamiseks, tuvastades ja eraldades iga pildi poolused, eemaldades samal ajal kõik muud objektid ja tausta. Saadud andmekogumis oli vähem pilte kui algses andmekogumis, kuna eemaldati kõik kujutised, mis ei sisalda puitposte. Lisaks oli ka valepositiivne pilt, mis eemaldati andmekogumist.

Anomaalia tuvastamine

Järgmisena kasutame eeltöödeldud andmeid anomaalia tuvastamise masinõppemudeli koolitamiseks. Kasutasime anomaaliate tuvastamiseks kolme erinevat meetodit, mis hõlmavad AWS-i hallatavaid masinõppeteenuseid (Amazon Lookout for Vision [L4V], Amazon Rekognition), AutoGluoni ja Vision Transformeril põhinevat isedestilleerimismeetodit.

AWS-teenused

Amazon Lookout for Vision (L4V)

Amazon Lookout for Vision on hallatav AWS-teenus, mis võimaldab ML-mudelite kiiret väljaõpet ja juurutamist ning pakub anomaaliate tuvastamise võimalusi. See nõuab täielikult märgistatud andmeid, mille esitasime, osutades Amazon S3 pilditeedele. Mudeli koolitamine on sama lihtne kui üks API (Application programming interface) kõne või konsooli nupuklõps ning L4V hoolitseb mudeli valiku ja hüperparameetrite häälestamise eest kapoti all.

Amazon Rekognitsioon

Amazon Rekognition on L4V-ga sarnane hallatav AI/ML-teenus, mis peidab modelleerimise üksikasju ja pakub palju võimalusi, nagu kujutiste klassifitseerimine, objektide tuvastamine, kohandatud märgistamine ja palju muud. See annab võimaluse kasutada sisseehitatud mudeleid, et rakendada piltidel varem tuntud üksustele (nt ImageNetist või muudest suurtest avatud andmekogumitest). Siiski kasutasime ROI detektori koolitamiseks Amazon Rekognitioni kohandatud siltide funktsioone ja Duke Energy'i konkreetsete piltide anomaaliadetektorit. Samuti kasutasime Amazon Rekognitioni kohandatud silte, et koolitada mudel, et panna igal pildil puitpostide ümber piirdekarbid.

AutoGloun

AutoGluon on Amazoni välja töötatud avatud lähtekoodiga masinõppetehnika. AutoGluon sisaldab multimodaalset komponenti, mis võimaldab hõlpsat pildiandmete treenimist. Kasutasime AutoGluon Multi-modalit, et koolitada mudeleid märgistatud pildilaikudel, et luua anomaaliate tuvastamise alus.

Vision Transformer

Paljud põnevamad uued tehisintellekti läbimurded on tulnud kahest hiljutisest uuendusest: iseseisvalt juhendatud õppimine, mis võimaldab masinatel õppida juhuslikest, märgistamata näidetest; ja transformerid, mis võimaldavad AI-mudelitel keskenduda valikuliselt oma sisendi teatud osadele ja seeläbi tõhusamalt arutleda. Mõlemad meetodid on masinõppekogukonnas pidevalt keskendunud ja meil on hea meel jagada, et kasutasime neid selles kaasamises.

Eelkõige kasutasime koostöös Duke Energy teadlastega eelkoolitatud isedestilleerimise ViT (Vision Transformer) mudeleid Amazon Sagemakeri abil anomaaliate tuvastamise rakenduse funktsioonide ekstraktoritena. Eelkoolitatud isedestilleerimisega nägemistrafode mudelid on treenitud suure hulga Amazon S3-sse salvestatud treeningandmetega, kasutades Amazon SageMakeri enesejärelevalvet. Kasutame suuremahuliste andmekogumite (nt ImageNet) jaoks eelkoolitatud ViT-mudelite ülekande õppimisvõimalusi. See aitas meil saavutada 83% tagasikutsumise hindamiskomplektis, mis kasutas koolituseks vaid mõnda tuhandet märgistatud pilti.

Hindamismõõdikud

Järgmisel joonisel on näidatud peamised mõõdikud, mida kasutatakse mudeli toimivuse ja selle mõjude hindamiseks. Mudeli põhieesmärk on maksimeerida anomaaliate tuvastamist (st tõelisi positiivseid tulemusi) ja minimeerida valenegatiivsete analüüside arvu või aegu, mil katkestusi põhjustada võivaid kõrvalekaldeid klassifitseeritakse valesti.

Kui kõrvalekalded on tuvastatud, saavad tehnikud nendega tegeleda, vältides tulevasi katkestusi ja tagades vastavuse valitsuse määrustele. Valepositiivsete arvude minimeerimisel on veel üks eelis: väldite tarbetuid pingutusi piltide uuesti läbivaatamisel.

Neid mõõdikuid silmas pidades jälgime mudeli toimivust järgmiste mõõdikute kaudu, mis hõlmavad kõiki nelja ülalmääratletud mõõdikut.

Täpsus

Tuvastatud kõrvalekallete protsent, mis on huvipakkuvate objektide tegelikud anomaaliad. Täpsus mõõdab, kui hästi meie algoritm tuvastab ainult kõrvalekaldeid. Selle kasutusjuhtumi puhul tähendab suur täpsus madalaid valehäireid (st algoritm tuvastab ekslikult rähni augu, kuigi seda pildil pole).

Tagasikutsumine

Protsent kõigist kõrvalekalletest, mis iga huvipakkuva objekti puhul taastatakse. Meenutamine mõõdab, kui hästi me kõik kõrvalekalded tuvastame. See komplekt hõlmab teatud protsendi kogu kõrvalekallete komplektist ja see protsent on tagasikutsumine. Selle kasutusjuhtumi puhul tähendab kõrge tagasikutsumine, et suudame rähni auke tabada, kui need tekivad. Seetõttu on tagasikutsumine õige mõõdik, millele selles POC-is keskenduda, sest valehäired on parimal juhul tüütud, samas kui tähelepanuta jäetud kõrvalekalded võivad järelevalveta jätmisel kaasa tuua tõsiseid tagajärgi.

Väiksem tagasikutsumine võib põhjustada katkestusi ja valitsuse määruste rikkumisi. Kuigi väiksem täpsus toob kaasa raisatud inimtegevuse. Selle töövõtu esmane eesmärk on tuvastada kõik kõrvalekalded, et järgida valitsuse määrusi ja vältida katkestusi, seetõttu eelistame meeldetuletuse parandamist täpsuse asemel.

Hindamine ja mudelite võrdlus

Järgmises osas demonstreerime selle töövõtu käigus kasutatud erinevate modelleerimistehnikate võrdlust. Hindasime kahe AWS-teenuse Amazon Rekognition ja Amazon Lookout for Vision toimivust. Samuti hindasime AutoGluoni abil erinevaid modelleerimistehnikaid. Lõpuks võrdleme jõudlust tipptasemel ViT-põhise isedestilleerimismeetodiga.

Järgmisel joonisel on näidatud AutoGluoni mudeli täiustamine, kasutades erinevaid andmetöötlustehnikaid selle kaasamise perioodil. Peamine tähelepanek on see, et kuna me parandame andmete kvaliteeti ja kvantiteeti, paranes mudeli jõudlus tagasikutsumise osas alla 30%-lt 78%-le.

Järgmisena võrdleme AutoGluoni jõudlust AWS-i teenustega. Samuti kasutasime erinevaid andmetöötlustehnikaid, mis aitasid jõudlust parandada. Suurem edu saavutas aga andmete koguse ja kvaliteedi suurendamise. Suurendame andmekogumi suurust kokku 11 60 pildilt XNUMX XNUMX pildile.

Järgmisena võrdleme AutoGluoni ja AWS-i teenuste toimivust ViT-põhise meetodiga. Järgmine joonis näitab, et ViT-põhine meetod, AutoGluon ja AWS teenused toimisid tagasikutsumise osas võrdselt. Üks peamisi tähelepanekuid on see, et teatud punktist kaugemale ei aita andmete kvaliteedi ja kvantiteedi tõus parandada meeldetuletusvõimet. Siiski täheldame täpsuse paranemist.

Täpsuse ja meeldetuletuse võrdlus

Amazon AutoGluon	Ennustatud anomaaliad	Ennustatakse normaalne
Anomaaliad	15600	4400
normaalne	3659	38341

Järgmisena tutvustame segadusmaatriksit AutoGluoni ja Amazon Rekognitioni ja ViT-põhise meetodi jaoks, kasutades meie andmekogumit, mis sisaldab 62 K proovi. 62 20 proovist on 42 16,600 proovi anomaalsed, ülejäänud 16,000 15600 aga normaalsed. Võib täheldada, et ViT-põhised meetodid fikseerivad suurima arvu kõrvalekaldeid (3659 5918), millele järgneb Amazon Rekognition (15323 XNUMX) ja Amazon AutoGluon (XNUMX XNUMX). Samamoodi on Amazon AutoGluonil kõige vähem valepositiivseid tulemusi (XNUMX pilti), millele järgneb Amazon Rekognition (XNUMX) ja ViT (XNUMX). Need tulemused näitavad, et Amazon Rekognition saavutab kõrgeima AUC (kõveraaluse pindala).

Amazon Rekognitsioon	Ennustatud anomaaliad	Ennustatakse normaalne
Anomaaliad	16,000	4000
normaalne	5918	36082

ViT	Ennustatud anomaaliad	Ennustatakse normaalne
Anomaaliad	16,600	3400
normaalne	15,323	26,677

Järeldus

Selles postituses näitasime teile, kuidas MLSL-i ja Duke Energy meeskonnad töötasid koos välja arvutinägemispõhise lahenduse, mis automatiseeriks anomaaliate tuvastamist puitpostides, kasutades kopterilendude kaudu kogutud kõrge eraldusvõimega pilte. Pakutud lahendus kasutas kõrge eraldusvõimega kujutise kärpimiseks suuruse standardimiseks andmetöötluskonveieri. Kärbitud pilte töödeldakse edasi, kasutades Amazon Rekognitioni kohandatud silte, et tuvastada huvipakkuv piirkond (st postidega plaastreid sisaldavad põllukultuurid). Amazon Rekognition saavutas poolustega plaastrite õige tuvastamise osas 96% täpsuse. ROI põllukultuure kasutatakse täiendavalt anomaaliate tuvastamiseks, kasutades ViT-põhist isedestilleerimist mdoel AutoGluon ja AWS teenuseid anomaalia tuvastamiseks. Kõigi kolme meetodi toimivuse hindamiseks kasutasime standardset andmekogumit. ViT-põhine mudel saavutas 83% meeldetuletuse ja 52% täpsuse. AutoGluon saavutas 78% meeldetuletuse ja 81% täpsuse. Lõpuks saavutab Amazon Rekognition 80% meeldetuletuse ja 73% täpsuse. Kolme erineva meetodi kasutamise eesmärk on võrrelda iga meetodi toimivust erineva arvu koolitusnäidiste, koolitusaja ja juurutusajaga. Kõigi nende meetodite koolitamiseks ja juurutamiseks kulub vähem kui 2 tundi, kasutades ühte A100 GPU eksemplari või Amazon AWSi hallatavaid teenuseid. Järgmiseks sammud mudeli jõudluse edasiseks parandamiseks hõlmavad rohkemate koolitusandmete lisamist mudeli täpsuse parandamiseks.

Üldiselt aitab selles postituses välja pakutud otsast lõpuni torujuhe saavutada olulisi parandusi anomaaliate tuvastamisel, minimeerides samal ajal tegevuskulusid, ohutusjuhtumeid, regulatiivseid riske, süsinikdioksiidi heiteid ja võimalikke elektrikatkestusi.

Väljatöötatud lahendust saab kasutada muude anomaaliate tuvastamiseks ja varade tervisega seotud kasutusjuhtudeks ülekande- ja jaotusvõrkudes, sealhulgas isolaatorite ja muude seadmete defektide korral. Täiendava abi saamiseks selle lahenduse väljatöötamisel ja kohandamisel võtke julgelt ühendust MLSL-i meeskonnaga.

---

Autoritest

Travis Bronson on tehisintellekti juhtiv spetsialist, kellel on 15-aastane kogemus tehnoloogia vallas ja 8 aastat spetsiaalselt tehisintellektile. Oma 5-aastase Duke Energy's töötamise jooksul on Travis täiustanud tehisintellekti rakendamist digitaalse ümberkujundamise jaoks, tuues ainulaadse ülevaate ja loova mõtte juhtimise oma ettevõtte juhtserva. Travis juhib praegu AI põhimeeskonda, AI praktikute, entusiastide ja äripartnerite kogukonda, mis keskendub tehisintellekti tulemuste ja juhtimise edendamisele. Travis omandas ja täiustas oma oskusi mitmes tehnoloogiavaldkonnas, alustades USA mereväes ja USA valitsuses, seejärel siirdudes pärast enam kui kümneaastast teenistust erasektorisse.

 Brian Wilkerson on kogenud professionaal, kellel on Duke Energy kaks aastakümmet kogemust. Omandades arvutiteaduse kraadi, on ta viimased 7 aastat silma paistnud tehisintellekti alal. Brian on Duke Energy MADlabi (Machine Learning, AI and Deep learning team) kaasasutaja. Praegu töötab ta Duke Energy tehisintellekti ja transformatsiooni direktorina, kus ta on kirglik tehisintellekti juurutamise kaudu ärilise väärtuse pakkumise vastu.

Ahsan Ali on rakendusteadlane Amazoni generatiivse tehisintellekti innovatsioonikeskuses, kus ta töötab erinevate valdkondade klientidega, et lahendada nende kiireloomulisi ja kulukaid probleeme, kasutades generatiivset AI-d.

Tahin Syed on rakendusteadlane Amazoni generatiivse tehisintellekti innovatsioonikeskuses, kus ta töötab klientidega, et aidata generatiivsete AI-lahendustega äritulemusi realiseerida. Väljaspool tööd naudib ta uute toitude proovimist, reisimist ja taekwondo õpetamist.

Dr Nkechinyere N. Agu on AWS-i generatiivse tehisintellekti innovatsioonikeskuse rakendusteadlane. Tema teadmised on Computer Vision AI/ML meetodid, AI/ML rakendused tervishoius, samuti semantiliste tehnoloogiate (Knowledge Graphs) integreerimine ML-lahendustesse. Tal on arvutiteaduse magistri- ja doktorikraad.

Aldo Arizmendi on generatiivse tehisintellekti strateeg AWS-i generatiivse tehisintellekti innovatsioonikeskuses, mis asub Austinis, Texases. Saanud Nebraska-Lincolni ülikoolist arvutitehnika bakalaureusekraadi, on hr Arizmendi viimase 12 aasta jooksul aidanud sadadel Fortune 500 ettevõtetel ja idufirmadel täiustatud analüütika, masinõppe ja generatiivse AI abil oma äri muuta.

Stacey Jenks on AWS-i peamine Analyticsi müügispetsialist, kellel on enam kui kahe aastakümne pikkune kogemus Analyticsi ja AI/ML alal. Stacey on kirglik sukelduda sügavale klientide algatustesse ja juhtida andmete abil ümberkujundavaid, mõõdetavaid äritulemusi. Ta on eriti entusiastlik märgist, mille kommunaalteenused ühiskonda avaldavad, tehes oma teed rohelisema, taskukohase, usaldusväärse ja puhta energiaga planeedile.

Mehdi Noor on Generative Ai innovatsioonikeskuse rakendusteaduste juht. Kirega tehnoloogia ja innovatsiooni ühendamise vastu aitab ta AWS-i kliente generatiivse tehisintellekti potentsiaali vallandamiseks, muutes potentsiaalsed väljakutsed võimaluseks kiireks katsetamiseks ja innovatsiooniks, keskendudes arenenud AI tehnoloogiate skaleeritavatele, mõõdetavatele ja mõjukatele kasutustele ning ühtlustades teed. tootmisele.

• SEO-põhise sisu ja PR-levi. Võimenduge juba täna.
• PlatoData.Network Vertikaalne generatiivne Ai. Jõustage ennast. Juurdepääs siia.
• PlatoAiStream. Web3 luure. Täiustatud teadmised. Juurdepääs siia.
• PlatoESG. Autod/elektrisõidukid, Süsinik, CleanTech, Energia, Keskkond päikeseenergia, Jäätmekäitluse. Juurdepääs siia.
• PlatoTervis. Biotehnoloogia ja kliiniliste uuringute luureandmed. Juurdepääs siia.
• ChartPrime. Tõsta oma kauplemismängu ChartPrime'iga kõrgemale. Juurdepääs siia.
• BlockOffsets. Keskkonnakompensatsiooni omandi ajakohastamine. Juurdepääs siia.
• Allikas: https://aws.amazon.com/blogs/machine-learning/improving-asset-health-and-grid-resilience-using-machine-learning/