بهبود سلامت دارایی و انعطاف پذیری شبکه با استفاده از یادگیری ماشین | خدمات وب آمازون

این پست با تراویس برانسون و برایان ال ویلکرسون از دوک انرژی نوشته شده است

یادگیری ماشینی (ML) هر صنعت، فرآیند و تجارت را متحول می کند، اما مسیر موفقیت همیشه ساده نیست. در این پست وبلاگ، ما نشان می دهیم که چگونه دوک انرژی، یک شرکت Fortune 150 که دفتر مرکزی آن در شارلوت، NC. است، با آزمایشگاه راه حل های یادگیری ماشین AWS (MLSL) برای استفاده از بینایی کامپیوتری برای بازرسی خودکار از تیرهای برق چوبی و کمک به جلوگیری از قطع برق، آسیب اموال و حتی جراحات.

شبکه برق از قطب ها، خطوط و نیروگاه ها برای تولید و رساندن برق به میلیون ها خانه و کسب و کار تشکیل شده است. این قطب‌های شهری اجزای زیرساختی حیاتی هستند و در معرض عوامل محیطی مختلف مانند باد، باران و برف هستند که می‌توانند باعث فرسودگی و فرسودگی دارایی‌ها شوند. بسیار مهم است که تیرهای برق به طور منظم بازرسی و نگهداری شوند تا از خرابی هایی که می تواند منجر به قطع برق، آسیب اموال و حتی جراحات شود، جلوگیری شود. اکثر شرکت های برق، از جمله دوک انرژی، از بازرسی دستی بصری قطب های برق برای شناسایی ناهنجاری های مربوط به شبکه انتقال و توزیع خود استفاده می کنند. اما این روش می تواند پرهزینه و وقت گیر باشد و مستلزم آن است که کارگران خطوط انتقال نیرو از پروتکل های ایمنی دقیق پیروی کنند.

دوک انرژی در گذشته از هوش مصنوعی برای ایجاد کارایی در عملیات روزانه استفاده کرده و به موفقیت بزرگی دست یافته است. این شرکت از هوش مصنوعی برای بازرسی دارایی‌های تولید و زیرساخت‌های حیاتی استفاده کرده است و در حال بررسی فرصت‌هایی برای اعمال هوش مصنوعی در بازرسی قطب‌های برق نیز بوده است. در طول همکاری آزمایشگاه راه‌حل‌های یادگیری ماشین AWS با Duke Energy، این ابزار کار خود را برای خودکارسازی تشخیص ناهنجاری‌ها در قطب‌های چوب با استفاده از تکنیک‌های پیشرفته بینایی کامپیوتری پیش برد.

اهداف و مورد استفاده

هدف از این تعامل بین دوک انرژی و آزمایشگاه راه‌حل‌های یادگیری ماشین، استفاده از یادگیری ماشینی برای بازرسی صدها هزار تصویر هوایی با وضوح بالا برای خودکار کردن شناسایی و بررسی فرآیند تمام مسائل مربوط به قطب‌های چوب در طول 33,000 مایل خطوط انتقال است. . این هدف به دوک انرژی کمک می کند تا با شناسایی به موقع عیوب، انعطاف پذیری شبکه را بهبود بخشد و با مقررات دولتی مطابقت کند. همچنین باعث کاهش هزینه های سوخت و نیروی کار و همچنین کاهش انتشار کربن با به حداقل رساندن غلتک های غیر ضروری کامیون می شود. در نهایت، ایمنی را با به حداقل رساندن مایل های رانده شده، صعود به قطب و خطرات بازرسی فیزیکی مرتبط با به خطر انداختن زمین و شرایط آب و هوایی بهبود می بخشد.

در بخش‌های بعدی، چالش‌های کلیدی مرتبط با توسعه مدل‌های قوی و کارآمد برای تشخیص ناهنجاری مربوط به قطب‌های ابزار چوب را ارائه می‌کنیم. ما همچنین چالش‌ها و مفروضات کلیدی مرتبط با تکنیک‌های مختلف پیش‌پردازش داده‌ها را که برای دستیابی به عملکرد مدل مورد نظر استفاده می‌شوند، توصیف می‌کنیم. در مرحله بعد، معیارهای کلیدی مورد استفاده برای ارزیابی عملکرد مدل را همراه با ارزیابی مدل‌های نهایی خود ارائه می‌کنیم. و در نهایت، ما انواع تکنیک های مدل سازی تحت نظارت و بدون نظارت را با هم مقایسه می کنیم.

چالش ها

یکی از چالش‌های کلیدی مرتبط با آموزش مدلی برای تشخیص ناهنجاری‌ها با استفاده از تصاویر هوایی، اندازه‌های غیریکنواخت تصاویر است. شکل زیر توزیع ارتفاع و عرض تصویر یک مجموعه داده نمونه از انرژی دوک را نشان می دهد. می توان مشاهده کرد که تصاویر از نظر اندازه دارای تنوع زیادی هستند. به طور مشابه، اندازه تصاویر نیز چالش های مهمی را ایجاد می کند. اندازه تصاویر ورودی هزاران پیکسل عرض و هزاران پیکسل طول دارد. این همچنین برای آموزش مدلی برای شناسایی نواحی ناهنجار کوچک در تصویر ایده آل نیست.

همچنین، تصاویر ورودی حاوی مقدار زیادی اطلاعات پس‌زمینه نامربوط مانند پوشش گیاهی، اتومبیل‌ها، حیوانات مزرعه و غیره است. اطلاعات پس‌زمینه می‌تواند منجر به عملکرد غیربهینه مدل شود. بر اساس ارزیابی ما، تنها 5 درصد از تصویر شامل قطب های چوبی است و ناهنجاری ها حتی کوچکتر هستند. این یک چالش بزرگ برای شناسایی و بومی سازی ناهنجاری ها در تصاویر با وضوح بالا است. تعداد ناهنجاری ها در مقایسه با کل مجموعه داده ها به طور قابل توجهی کمتر است. تنها 0.12 درصد از تصاویر غیرعادی در کل مجموعه داده وجود دارد (یعنی 1.2 ناهنجاری از 1000 تصویر). در نهایت، هیچ داده برچسب‌گذاری شده‌ای برای آموزش یک مدل یادگیری ماشینی تحت نظارت وجود ندارد. در مرحله بعد، نحوه رسیدگی به این چالش ها را شرح می دهیم و روش پیشنهادی خود را توضیح می دهیم.

بررسی اجمالی راه حل

تکنیک های مدل سازی

شکل زیر خط لوله پردازش تصویر و تشخیص ناهنجاری ما را نشان می دهد. ابتدا داده ها را وارد کردیم سرویس ذخیره سازی ساده آمازون (Amazon S3) با استفاده از Amazon SageMaker Studio. ما بیشتر از تکنیک‌های مختلف پردازش داده‌ها برای رفع برخی از چالش‌های برجسته‌شده در بالا برای بهبود عملکرد مدل استفاده کردیم. پس از پیش پردازش داده ها، ما از آمازون استفاده کردیم برچسب های سفارشی شناسایی برای برچسب گذاری داده ها داده های برچسب گذاری شده بیشتر برای آموزش مدل های ML نظارت شده مانند Vision Transformer استفاده می شود. Amazon Lookout for Visionو AutoGloun برای تشخیص ناهنجاری

شکل زیر نمای کلی دقیق رویکرد پیشنهادی ما را نشان می‌دهد که شامل خط لوله پردازش داده و الگوریتم‌های مختلف ML مورد استفاده برای تشخیص ناهنجاری است. ابتدا، مراحل مربوط به خط لوله پردازش داده را شرح خواهیم داد. در ادامه، جزئیات و شهود مربوط به تکنیک‌های مدل‌سازی مختلف را که در طول این تعامل برای دستیابی به اهداف عملکرد مورد نظر به کار می‌روند، توضیح خواهیم داد.

پردازش داده ها

خط لوله پیش پردازش داده پیشنهادی شامل استاندارد سازی داده ها, شناسایی منطقه مورد علاقه (ROI), افزایش داده ها، تقسیم بندی داده ها و سرانجام برچسب گذاری داده ها. هدف هر مرحله در زیر توضیح داده شده است:

استاندارد سازی داده ها

اولین مرحله در خط لوله پردازش داده ما شامل استانداردسازی داده ها است. در این مرحله، هر تصویر برش داده می‌شود و به تکه‌های غیر همپوشانی با اندازه ۲۲۴ در ۲۲۴ پیکسل تقسیم می‌شود. هدف از این مرحله تولید تکه هایی با اندازه های یکنواخت است که می تواند بیشتر برای آموزش یک مدل ML و بومی سازی ناهنجاری ها در تصاویر با وضوح بالا مورد استفاده قرار گیرد.

شناسایی منطقه مورد علاقه (ROI)

داده های ورودی شامل تصاویر با وضوح بالا است که حاوی مقدار زیادی اطلاعات پس زمینه نامربوط (به عنوان مثال، پوشش گیاهی، خانه ها، اتومبیل ها، اسب ها، گاوها و غیره) است. هدف ما شناسایی ناهنجاری های مربوط به تیرهای چوب است. به منظور شناسایی ROI (یعنی تکه‌های حاوی قطب چوب)، ما از برچسب‌گذاری سفارشی Amazon Rekognition استفاده کردیم. ما یک مدل برچسب سفارشی آمازون Rekognition را با استفاده از تصاویر دارای برچسب 3k که حاوی تصاویر پس‌زمینه و ROI هستند آموزش دادیم. هدف این مدل انجام یک طبقه بندی باینری بین ROI و تصاویر پس زمینه است. تکه های شناسایی شده به عنوان اطلاعات پس زمینه دور انداخته می شوند در حالی که محصولات پیش بینی شده به عنوان ROI در مرحله بعدی استفاده می شوند. شکل زیر خط لوله ای را نشان می دهد که ROI را مشخص می کند. ما نمونه‌ای از محصولات غیرهمپوشانی از 1,110 تصویر چوبی تولید کردیم که 244,673 محصول تولید کرد. ما همچنین از این تصاویر به عنوان ورودی یک مدل سفارشی آمازون Rekognition استفاده کردیم که ۱۱۳۵۶ محصول را به عنوان ROI شناسایی کرد. در نهایت، ما به صورت دستی هر یک از این 11,356 وصله را تأیید کردیم. در طول بازرسی دستی، ما تشخیص دادیم که مدل قادر است 11,356 تکه چوب از 10,969 را به عنوان ROI به درستی پیش‌بینی کند. به عبارت دیگر، مدل به دقت 11,356 درصد دست یافت.

برچسب گذاری داده ها

در حین بازرسی دستی تصاویر، هر تصویر را با برچسب های مرتبط با آنها نیز برچسب گذاری کردیم. برچسب های مرتبط با تصاویر شامل وصله چوبی، وصله غیر چوبی، غیر ساختاری، وصله غیر چوبی و در نهایت تکه های چوبی با ناهنجاری است. شکل زیر نامگذاری تصاویر را با استفاده از برچسب گذاری سفارشی آمازون Rekognition نشان می دهد.

افزایش داده ها

با توجه به مقدار محدودی از داده‌های برچسب‌گذاری شده که برای آموزش در دسترس بود، مجموعه داده‌های آموزشی را با ایجاد چرخش افقی در همه وصله‌ها افزایش دادیم. این تأثیر مؤثری بر دو برابر شدن اندازه مجموعه داده های ما داشت.

تقسیم بندی

ما اشیاء را در 600 تصویر (قطب‌ها، سیم‌ها و نرده‌های فلزی) با استفاده از ابزار برچسب‌گذاری تشخیص شی جعبه محدود در Amazon Rekognition Custom Labels برچسب‌گذاری کردیم و مدلی را برای تشخیص سه شی اصلی مورد علاقه آموزش دادیم. ما از مدل آموزش‌دیده برای حذف پس‌زمینه از تمام تصاویر، با شناسایی و استخراج قطب‌های هر تصویر و در عین حال حذف تمام اشیاء دیگر و همچنین پس‌زمینه استفاده کردیم. مجموعه داده به دست آمده دارای تصاویر کمتری نسبت به مجموعه داده های اصلی بود که در نتیجه حذف همه تصاویری که حاوی قطب های چوبی نبودند. علاوه بر این، یک تصویر مثبت کاذب نیز وجود داشت که از مجموعه داده حذف شد.

تشخیص ناهنجاری

در مرحله بعد، از داده های پیش پردازش شده برای آموزش مدل یادگیری ماشین برای تشخیص ناهنجاری استفاده می کنیم. ما از سه روش مختلف برای تشخیص ناهنجاری استفاده کردیم که شامل خدمات یادگیری ماشین مدیریت‌شده AWS (Amazon Lookout for Vision [L4V]، Amazon Rekognition)، AutoGluon و Vision Transformer مبتنی بر روش تقطیر خودکار است.

خدمات AWS

Amazon Lookout for Vision (L4V)

Amazon Lookout for Vision یک سرویس AWS مدیریت شده است که آموزش و استقرار سریع مدل های ML را امکان پذیر می کند و قابلیت های تشخیص ناهنجاری را ارائه می دهد. به داده‌های کاملاً برچسب‌گذاری شده نیاز دارد که با اشاره به مسیرهای تصویر در Amazon S3 ارائه کردیم. آموزش مدل به سادگی یک تماس API (واسط برنامه نویسی برنامه) یا کلیک روی دکمه کنسول است و L4V از انتخاب مدل و تنظیم هایپرپارامتر در زیر هود مراقبت می کند.

شناسایی آمازون

Amazon Rekognition یک سرویس AI/ML مدیریت شده مشابه L4V است که جزئیات مدل سازی را پنهان می کند و قابلیت های زیادی مانند طبقه بندی تصویر، تشخیص اشیا، برچسب گذاری سفارشی و غیره را ارائه می دهد. این توانایی استفاده از مدل‌های داخلی را برای اعمال به موجودیت‌های شناخته شده قبلی در تصاویر (مثلاً از ImageNet یا سایر مجموعه‌های داده باز بزرگ) فراهم می‌کند. با این حال، ما از قابلیت برچسب‌های سفارشی Amazon Rekognition برای آموزش آشکارساز ROI و همچنین یک آشکارساز ناهنجاری روی تصاویر خاصی که Duke Energy دارد استفاده کردیم. ما همچنین از برچسب‌های سفارشی آمازون Rekognition برای آموزش مدلی برای قرار دادن جعبه‌های مرزبندی در اطراف تیرهای چوبی در هر تصویر استفاده کردیم.

AutoGloun

AutoGluon یک تکنیک یادگیری ماشین منبع باز است که توسط آمازون توسعه یافته است. AutoGluon شامل یک جزء چند وجهی است که امکان آموزش آسان روی داده های تصویر را فراهم می کند. ما از AutoGluon Multi-modal برای آموزش مدل‌ها بر روی وصله‌های تصویر برچسب‌گذاری شده برای ایجاد یک خط پایه برای شناسایی ناهنجاری‌ها استفاده کردیم.

ویژن ترانسفورماتور

بسیاری از هیجان‌انگیزترین پیشرفت‌های جدید هوش مصنوعی از دو نوآوری اخیر ناشی شده‌اند: یادگیری خود نظارتی، که به ماشین‌ها اجازه می‌دهد از نمونه‌های تصادفی و بدون برچسب یاد بگیرند. و ترانسفورماتورها، که مدل‌های هوش مصنوعی را قادر می‌سازند تا به طور انتخابی روی بخش‌های خاصی از ورودی خود تمرکز کنند و بنابراین به طور مؤثرتری استدلال کنند. هر دو روش تمرکز پایداری برای جامعه یادگیری ماشین بوده است، و ما خوشحالیم که از آنها در این تعامل استفاده کردیم.

به طور خاص، با همکاری محققان در Duke Energy، از مدل‌های ViT (Vision Transformer) خود تقطیر از قبل آموزش‌دیده به عنوان استخراج‌کننده ویژگی برای برنامه تشخیص ناهنجاری پایین دستی با استفاده از Amazon Sagemaker استفاده کردیم. مدل‌های ترانسفورماتور بینایی خود تقطیر از قبل آموزش‌دیده شده بر روی حجم زیادی از داده‌های آموزشی ذخیره‌شده در Amazon S3 به شیوه‌ای تحت نظارت خود با استفاده از Amazon SageMaker آموزش داده می‌شوند. ما از قابلیت‌های یادگیری انتقال مدل‌های ViT که از قبل در مجموعه داده‌های مقیاس بزرگ (مانند ImageNet) آموزش دیده‌اند، استفاده می‌کنیم. این به ما کمک کرد تا در یک مجموعه ارزیابی تنها با استفاده از چند هزار تصویر برچسب‌گذاری شده برای آموزش، به یادآوری 83 درصدی برسیم.

معیارهای ارزیابی

شکل زیر معیارهای کلیدی مورد استفاده برای ارزیابی عملکرد مدل و تاثیرات آن را نشان می دهد. هدف اصلی این مدل، به حداکثر رساندن تشخیص ناهنجاری (یعنی موارد مثبت واقعی) و به حداقل رساندن تعداد منفی های کاذب، یا زمان هایی است که ناهنجاری هایی که می توانند منجر به قطع شوند، به اشتباه طبقه بندی می شوند.

پس از شناسایی ناهنجاری‌ها، تکنسین‌ها می‌توانند آن‌ها را برطرف کنند و از قطعی‌های آینده جلوگیری کنند و از رعایت مقررات دولتی اطمینان حاصل کنند. یک مزیت دیگر برای به حداقل رساندن مثبت های کاذب وجود دارد: از تلاش های غیرضروری برای مرور مجدد تصاویر اجتناب می کنید.

با در نظر گرفتن این معیارها، عملکرد مدل را از نظر معیارهای زیر دنبال می کنیم، که هر چهار معیار تعریف شده در بالا را در بر می گیرد.

دقت

درصد ناهنجاری های شناسایی شده که ناهنجاری های واقعی برای اشیاء مورد علاقه هستند. دقت اندازه گیری می کند که چگونه الگوریتم ما فقط ناهنجاری ها را شناسایی می کند. برای این مورد، دقت بالا به معنای هشدارهای نادرست کم است (یعنی الگوریتم به اشتباه یک سوراخ دارکوب را شناسایی می کند در حالی که در تصویر وجود ندارد).

به یاد بیاورید

درصد تمام ناهنجاری‌هایی که برای هر شی مورد علاقه بازیابی می‌شوند. به یاد بیاورید که چقدر خوب همه ناهنجاری ها را شناسایی می کنیم. این مجموعه درصدی از مجموعه کامل ناهنجاری ها را در بر می گیرد و این درصد همان فراخوانی است. برای این مورد استفاده، یادآوری بالا به این معنی است که ما در شکار سوراخ های دارکوب در هنگام وقوع آنها خوب هستیم. بنابراین یادآوری معیار مناسبی برای تمرکز بر روی این POC است زیرا هشدارهای کاذب در بهترین حالت آزاردهنده هستند در حالی که ناهنجاری های از دست رفته در صورت عدم توجه می توانند منجر به عواقب جدی شوند.

یادآوری کمتر می‌تواند منجر به خاموشی و نقض مقررات دولتی شود. در حالی که دقت کمتر منجر به هدر رفتن تلاش انسان می شود. هدف اصلی این تعامل شناسایی همه ناهنجاری‌ها برای مطابقت با مقررات دولتی و جلوگیری از هرگونه قطعی است، از این رو ما بهبود یادآوری را بر دقت اولویت داریم.

ارزیابی و مقایسه مدل

در بخش بعدی، مقایسه تکنیک‌های مدل‌سازی مختلف به کار رفته در این تعامل را نشان می‌دهیم. ما عملکرد دو سرویس AWS Amazon Rekognition و Amazon Lookout for Vision را ارزیابی کردیم. ما همچنین تکنیک‌های مدل‌سازی مختلف را با استفاده از AutoGluon ارزیابی کردیم. در نهایت، ما عملکرد را با روش تقطیر خود مبتنی بر ViT مقایسه می‌کنیم.

شکل زیر بهبود مدل AutoGluon را با استفاده از تکنیک های مختلف پردازش داده در طول دوره این تعامل نشان می دهد. مشاهدات کلیدی این است که با بهبود کیفیت و کمیت داده‌ها، عملکرد مدل از نظر فراخوان از زیر 30% به 78% بهبود یافته است.

در مرحله بعد، عملکرد AutoGluon را با خدمات AWS مقایسه می کنیم. ما همچنین از تکنیک های مختلف پردازش داده استفاده کردیم که به بهبود عملکرد کمک کرد. با این حال، بهبود عمده ناشی از افزایش کمیت و کیفیت داده ها بود. ما اندازه مجموعه داده را از 11 K تصویر در کل به 60 K تصویر افزایش می دهیم.

در مرحله بعد، عملکرد خدمات AutoGluon و AWS را با روش مبتنی بر ViT مقایسه می کنیم. شکل زیر نشان می‌دهد که روش مبتنی بر ViT، سرویس‌های AutoGluon و AWS از نظر فراخوانی یکسان عمل می‌کنند. یکی از مشاهدات کلیدی این است که فراتر از یک نقطه خاص، افزایش کیفیت و کمیت داده ها به افزایش عملکرد از نظر یادآوری کمک نمی کند. با این حال، ما پیشرفت هایی را از نظر دقت مشاهده می کنیم.

مقایسه دقت در مقابل یادآوری

Amazon AutoGluon	ناهنجاری های پیش بینی شده	عادی پیش بینی کرد
ناهنجاری ها	15600	4400
معمولی	3659	38341

در مرحله بعد، ماتریس سردرگمی را برای AutoGluon و آمازون Rekognition و روش مبتنی بر ViT با استفاده از مجموعه داده ما که شامل 62 K نمونه است، ارائه می کنیم. از 62 هزار نمونه، 20 K نمونه غیرعادی هستند در حالی که 42 K نمونه باقیمانده طبیعی هستند. مشاهده می‌شود که روش‌های مبتنی بر ViT بیشترین تعداد ناهنجاری‌ها (16,600) را ثبت می‌کنند و به دنبال آن Amazon Rekognition (16,000) و Amazon AutoGluon (15600) قرار دارند. به طور مشابه، Amazon AutoGluon دارای کمترین تعداد مثبت کاذب (3659 تصویر) است و به دنبال آن Amazon Rekognition (5918) و ViT (15323) قرار دارند. این نتایج نشان می دهد که آمازون Rekognition به بالاترین AUC (منطقه زیر منحنی) دست می یابد.

شناسایی آمازون	ناهنجاری های پیش بینی شده	عادی پیش بینی کرد
ناهنجاری ها	16,000	4000
معمولی	5918	36082

ViT	ناهنجاری های پیش بینی شده	عادی پیش بینی کرد
ناهنجاری ها	16,600	3400
معمولی	15,323	26,677

نتیجه

در این پست، ما به شما نشان دادیم که چگونه تیم‌های MLSL و Duke Energy با یکدیگر همکاری کردند تا یک راه‌حل مبتنی بر بینایی رایانه‌ای را برای خودکارسازی تشخیص ناهنجاری در قطب‌های چوبی با استفاده از تصاویر با وضوح بالا جمع‌آوری‌شده از طریق پرواز هلیکوپتر ایجاد کنند. راه حل پیشنهادی از یک خط لوله پردازش داده برای برش تصویر با وضوح بالا برای استانداردسازی اندازه استفاده می کند. تصاویر برش خورده با استفاده از برچسب‌های سفارشی شناسایی آمازون برای شناسایی منطقه مورد نظر (یعنی محصولات حاوی تکه‌های با قطب) پردازش می‌شوند. آمازون Rekognition از نظر شناسایی صحیح وصله ها با قطب ها به دقت 96 درصد دست یافت. محصولات ROI بیشتر برای تشخیص ناهنجاری با استفاده از خدمات تقطیر خودکار mdoel AutoGluon و AWS مبتنی بر ViT برای تشخیص ناهنجاری استفاده می شوند. ما از یک مجموعه داده استاندارد برای ارزیابی عملکرد هر سه روش استفاده کردیم. مدل مبتنی بر ViT به 83 درصد فراخوان و 52 درصد دقت دست یافت. AutoGluon به 78% فراخوان و 81% دقت دست یافت. در نهایت آمازون Rekognition به 80% فراخوانی و 73% دقت دست می یابد. هدف از استفاده از سه روش مختلف، مقایسه عملکرد هر روش با تعداد نمونه های آموزشی متفاوت، زمان آموزش و زمان استقرار است. همه این روش‌ها کمتر از 2 ساعت طول می‌کشد تا یک نمونه آموزش داده شود و با استفاده از یک نمونه واحد پردازش گرافیکی A100 یا سرویس‌های مدیریت‌شده در Amazon AWS اجرا شود. در مرحله بعد، مراحل بهبود بیشتر در عملکرد مدل شامل افزودن داده های آموزشی بیشتر برای بهبود دقت مدل است.

به طور کلی، خط لوله انتها به انتها پیشنهاد شده در این پست به دستیابی به بهبودهای قابل توجهی در تشخیص ناهنجاری ها کمک می کند و در عین حال هزینه عملیات، حوادث ایمنی، خطرات نظارتی، انتشار کربن و قطع برق احتمالی را به حداقل می رساند.

راه حل توسعه‌یافته می‌تواند برای سایر موارد تشخیص ناهنجاری و موارد استفاده مرتبط با سلامت دارایی در سراسر شبکه‌های انتقال و توزیع، از جمله نقص در عایق‌ها و سایر تجهیزات استفاده شود. برای کمک بیشتر در توسعه و سفارشی کردن این راه حل، لطفاً با تیم MLSL تماس بگیرید.

---

درباره نویسنده

تراویس برونسون یک متخصص برجسته هوش مصنوعی با 15 سال تجربه در فناوری و 8 سال به طور خاص به هوش مصنوعی اختصاص دارد. تراویس در طول 5 سال تصدی خود در دوک انرژی، با آوردن بینش های منحصر به فرد و رهبری تفکر خلاق به لبه برتر شرکت خود، کاربرد هوش مصنوعی برای تحول دیجیتال را ارتقا داده است. تراویس در حال حاضر تیم اصلی هوش مصنوعی را رهبری می‌کند، جامعه‌ای متشکل از متخصصان هوش مصنوعی، علاقه‌مندان و شرکای تجاری که بر پیشبرد نتایج هوش مصنوعی و حکومت تمرکز دارند. تراویس مهارت‌های خود را در زمینه‌های مختلف فناوری به دست آورد و اصلاح کرد، از نیروی دریایی ایالات متحده و دولت ایالات متحده شروع کرد، سپس پس از بیش از یک دهه خدمت به بخش خصوصی انتقال یافت.

 برایان ویلکرسون یک حرفه ای ماهر با دو دهه تجربه در Duke Energy است. او با مدرک علوم کامپیوتر، 7 سال گذشته را در زمینه هوش مصنوعی گذرانده است. برایان یکی از بنیانگذاران MADlab دوک انرژی (تیم یادگیری ماشین، هوش مصنوعی و یادگیری عمیق) است. در حال حاضر سمت مدیر هوش مصنوعی و تحول در دوک انرژی را بر عهده دارد، جایی که او علاقه زیادی به ارائه ارزش تجاری از طریق اجرای هوش مصنوعی دارد.

احسان علی یک دانشمند کاربردی در مرکز نوآوری هوش مصنوعی آمازون است، جایی که با مشتریانی از حوزه های مختلف کار می کند تا مشکلات فوری و گران قیمت آنها را با استفاده از هوش مصنوعی مولد حل کند.

تهین سید یک دانشمند کاربردی در مرکز نوآوری هوش مصنوعی آمازون است، جایی که با مشتریان برای کمک به تحقق نتایج کسب و کار با راه حل های هوش مصنوعی مولد کار می کند. در خارج از محل کار، او از امتحان غذاهای جدید، مسافرت و آموزش تکواندو لذت می برد.

دکتر Nkechinyere N. Agu یک دانشمند کاربردی در مرکز نوآوری هوش مصنوعی در AWS است. تخصص او در روش‌های Computer Vision AI/ML، کاربردهای AI/ML در مراقبت‌های بهداشتی، و همچنین ادغام فناوری‌های معنایی (نمودارهای دانش) در راه‌حل‌های ML است. او دارای مدرک کارشناسی ارشد و دکتری در رشته علوم کامپیوتر است.

آلدو آریزمندی یک استراتژیست هوش مصنوعی مولد در مرکز نوآوری هوش مصنوعی AWS مستقر در آستین، تگزاس است. آقای آریزمندی پس از دریافت مدرک کارشناسی خود در رشته مهندسی کامپیوتر از دانشگاه نبراسکا-لینکلن، طی 12 سال گذشته، به صدها شرکت و استارت آپ در فهرست Fortune کمک کرده است تا تجارت خود را با استفاده از تجزیه و تحلیل پیشرفته، یادگیری ماشین و هوش مصنوعی مولد تغییر دهند.

استیسی جنکس یک متخصص اصلی فروش تجزیه و تحلیل در AWS، با بیش از دو دهه تجربه در تجزیه و تحلیل و AI/ML است. استیسی به غواصی عمیق در ابتکارات مشتری و هدایت نتایج تجاری قابل اندازه گیری و تحول آفرین با داده ها علاقه دارد. او به ویژه در مورد تأثیری که شرکت‌های آب و برق از طریق مسیرشان به سیاره‌ای سبزتر با انرژی مقرون به صرفه، قابل اعتماد و پاک بر جامعه خواهند گذاشت، مشتاق است.

مهدی نور مدیر علوم کاربردی در Generative Ai Innovation Center است. او با اشتیاق به پل زدن فناوری و نوآوری، به مشتریان AWS در بازگشایی پتانسیل هوش مصنوعی مولد کمک می‌کند، چالش‌های بالقوه را به فرصت‌هایی برای آزمایش و نوآوری سریع با تمرکز بر استفاده‌های مقیاس‌پذیر، قابل اندازه‌گیری و تأثیرگذار از فناوری‌های هوش مصنوعی پیشرفته تبدیل می‌کند و مسیر را ساده‌سازی می‌کند. به تولید.

• محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
• PlatoData.Network Vertical Generative Ai. به خودت قدرت بده دسترسی به اینجا.
• PlatoAiStream. هوش وب 3 دانش تقویت شده دسترسی به اینجا.
• PlatoESG. خودرو / خودروهای الکتریکی، کربن ، CleanTech، انرژی، محیط، خورشیدی، مدیریت پسماند دسترسی به اینجا.
• PlatoHealth. هوش بیوتکنولوژی و آزمایشات بالینی. دسترسی به اینجا.
• ChartPrime. بازی معاملاتی خود را با ChartPrime ارتقا دهید. دسترسی به اینجا.
• BlockOffsets. نوسازی مالکیت افست زیست محیطی. دسترسی به اینجا.
• منبع: https://aws.amazon.com/blogs/machine-learning/improving-asset-health-and-grid-resilience-using-machine-learning/