Omaisuuden kunnon ja verkon kestävyyden parantaminen koneoppimisen avulla | Amazon Web Services

Tämä viesti on kirjoitettu yhdessä Travis Bronsonin ja Brian L Wilkersonin kanssa Duke Energystä

Koneoppiminen (ML) muuttaa jokaisen toimialan, prosessin ja liiketoiminnan, mutta tie menestykseen ei ole aina suoraviivainen. Tässä blogikirjoituksessa näytämme kuinka Duke Energy, Fortune 150 -yritys, jonka pääkonttori on Charlottessa, NC., teki yhteistyötä AWS Machine Learning Solutions Lab (MLSL) tietokonenäön avulla automatisoimaan puisten pylväiden tarkastukset ja estämään sähkökatkoja, omaisuusvahinkoja ja jopa loukkaantumisia.

Sähköverkko koostuu pylväistä, linjoista ja voimalaitoksista, jotka tuottavat ja toimittavat sähköä miljooniin koteihin ja yrityksiin. Nämä pylväät ovat tärkeitä infrastruktuurin osia, ja ne ovat alttiina erilaisille ympäristötekijöille, kuten tuulelle, sateelle ja lumelle, jotka voivat aiheuttaa omaisuuden kulumista. On erittäin tärkeää, että sähköpylväät tarkastetaan ja huolletaan säännöllisesti, jotta vältetään viat, jotka voivat johtaa sähkökatkoihin, omaisuusvahinkoihin ja jopa loukkaantumisiin. Useimmat sähköyhtiöt, mukaan lukien Duke Energy, käyttävät sähköpylväiden manuaalista silmämääräistä tarkastusta siirto- ja jakeluverkkoonsa liittyvien poikkeamien tunnistamiseksi. Mutta tämä menetelmä voi olla kallis ja aikaa vievä, ja se edellyttää, että voimansiirtolinjatyöntekijät noudattavat tiukkoja turvallisuusprotokollia.

Duke Energy on käyttänyt tekoälyä aiemmin tehostaakseen päivittäistä toimintaa suurella menestyksellä. Yritys on käyttänyt tekoälyä tuotantoresurssien ja kriittisen infrastruktuurin tarkastamiseen ja on tutkinut mahdollisuuksia soveltaa tekoälyä myös voimalaitospylväiden tarkasteluun. AWS Machine Learning Solutions Lab -yhteistyön aikana Duke Energyn kanssa apuohjelma edistyi työssään automatisoidakseen puupylväiden poikkeavuuksien havaitsemisen edistyneillä tietokonenäkötekniikoilla.

Tavoitteet ja käyttötapaus

Tämän Duke Energyn ja Machine Learning Solutions Labin välisen yhteistyön tavoitteena on hyödyntää koneoppimista tarkastaakseen satoja tuhansia korkearesoluutioisia ilmakuvia, jotta voidaan automatisoida kaikkien puupylväisiin liittyvien ongelmien tunnistaminen ja tarkastelu 33,000 XNUMX mailin siirtolinjoilla. . Tämä tavoite auttaa edelleen Duke Energyä parantamaan verkon joustavuutta ja noudattamaan hallituksen määräyksiä tunnistamalla viat ajoissa. Se alentaa myös polttoaine- ja työvoimakustannuksia sekä vähentää hiilidioksidipäästöjä minimoimalla tarpeettomat kuorma-autojen rullat. Lopuksi se parantaa myös turvallisuutta minimoimalla ajetut kilometrit, kiivetyt pylväät ja fyysiset tarkastukset, jotka liittyvät vaarantaviin maasto- ja sääolosuhteisiin.

Seuraavissa osioissa esittelemme tärkeimmät haasteet, jotka liittyvät voimakkaiden ja tehokkaiden mallien kehittämiseen pylväisiin liittyvien poikkeamien havaitsemiseen. Kuvaamme myös tärkeimmät haasteet ja oletukset, jotka liittyvät erilaisiin tietojen esikäsittelytekniikoihin, joita käytetään halutun mallin suorituskyvyn saavuttamiseksi. Seuraavaksi esittelemme mallin suorituskyvyn arvioinnissa käytetyt keskeiset mittarit sekä lopullisten malliemme arvioinnin. Ja lopuksi vertaamme eri huippuluokan ohjattuja ja valvomattomia mallinnustekniikoita.

Haasteet

Yksi keskeisistä haasteista, jotka liittyvät mallin kouluttamiseen poikkeavuuksien havaitsemiseen ilmakuvien avulla, ovat epäyhtenäiset kuvakoot. Seuraava kuva näyttää Duke Energyn näytetietojoukon kuvan korkeuden ja leveyden jakauman. Voidaan havaita, että kuvissa on paljon vaihtelua koon suhteen. Samoin kuvien koko asettaa merkittäviä haasteita. Syötekuvien koko on tuhansia pikseleitä leveä ja tuhansia pikseleitä pitkiä. Tämä ei myöskään ole ihanteellinen mallin kouluttamiseen kuvan pienten poikkeavien alueiden tunnistamiseksi.

Syötekuvat sisältävät myös suuren määrän epäolennaista taustatietoa, kuten kasvillisuutta, autoja, kotieläimiä jne. Taustatiedot voivat johtaa epäoptimaaliseen mallin suorituskykyyn. Arviomme mukaan vain 5 % kuvasta sisältää puupylväitä ja poikkeamat ovat vielä pienempiä. Tämä on suuri haaste korkearesoluutioisten kuvien poikkeavuuksien tunnistamisessa ja paikallistamisessa. Poikkeamien määrä on huomattavasti pienempi kuin koko tietojoukko. Koko tietojoukossa on vain 0.12 % poikkeavia kuvia (eli 1.2 poikkeavaa 1000 kuvasta). Lopuksi, valvotun koneoppimismallin kouluttamiseen ei ole saatavilla merkittyjä tietoja. Seuraavaksi kuvailemme, kuinka vastaamme näihin haasteisiin, ja selitämme ehdottamamme menetelmämme.

Ratkaisun yleiskatsaus

Mallinnustekniikat

Seuraava kuva havainnollistaa kuvankäsittely- ja poikkeamien havaitsemisputkistoamme. Toimme tiedot ensin sisään Amazonin yksinkertainen tallennuspalvelu (Amazon S3) käyttämällä Amazon SageMaker Studio. Käytimme edelleen erilaisia ​​​​tietojenkäsittelytekniikoita vastataksemme joihinkin yllä mainittuihin haasteisiin parantaaksemme mallin suorituskykyä. Tietojen esikäsittelyn jälkeen otimme Amazonin palvelukseen Tunnustuksen mukautetut tarrat tietojen merkitsemistä varten. Merkittyjä tietoja käytetään edelleen koulutettaessa valvottuja ML-malleja, kuten Vision Transformer, Amazon Lookout for Visionja AutoGloun poikkeamien havaitsemiseen.

Seuraava kuva esittää yksityiskohtaisen yleiskatsauksen ehdottamastamme lähestymistavasta, joka sisältää tietojenkäsittelyprosessin ja erilaiset poikkeamien havaitsemiseen käytetyt ML-algoritmit. Ensin kuvataan tietojenkäsittelyn vaiheet. Seuraavaksi selitämme yksityiskohdat ja intuition, jotka liittyvät erilaisiin mallinnustekniikoihin, joita käytettiin tämän toimeksiannon aikana haluttujen suoritustavoitteiden saavuttamiseksi.

Tietojen esikäsittely

Ehdotettu tietojen esikäsittelyputki sisältää tietojen standardointi, kiinnostavan alueen tunnistaminen (ROI), tiedon lisäys, tietojen segmentointi ja vihdoin tietojen merkitseminen. Kunkin vaiheen tarkoitus on kuvattu alla:

Tietojen standardointi

Ensimmäinen vaihe tietojenkäsittelyssämme sisältää tietojen standardoinnin. Tässä vaiheessa jokainen kuva rajataan ja jaetaan ei-päällekkäisiksi alueiksi, joiden koko on 224 x 224 pikseliä. Tämän vaiheen tavoitteena on tuottaa yhtenäisen kokoisia laastareita, joita voitaisiin edelleen hyödyntää ML-mallin koulutuksessa ja poikkeavuuksien paikallistamisessa korkearesoluutioisissa kuvissa.

Kiinnostavan alueen tunnistus (ROI)

Syöttötieto koostuu korkearesoluutioisista kuvista, jotka sisältävät suuren määrän epäolennaista taustatietoa (esim. kasvillisuus, talot, autot, hevoset, lehmät jne.). Tavoitteenamme on tunnistaa puupylväisiin liittyviä poikkeavuuksia. ROI:n (eli puutangon sisältävien paikkojen) tunnistamiseksi käytimme Amazon Rekognitionin mukautettua merkintää. Koulutimme mukautetun Amazon Rekognition -tarramallin käyttämällä 3k-merkittyjä kuvia, jotka sisältävät sekä ROI- että taustakuvia. Mallin tavoitteena on tehdä binääriluokittelu ROI:n ja taustakuvien välillä. Taustatiedoiksi tunnistetut paikat hylätään, kun taas ROI:ksi ennustettuja satoja käytetään seuraavassa vaiheessa. Seuraavassa kuvassa on esitetty putkilinja, joka identifioi ROI:n. Loimme näytteen ei-päällekkäisistä sadoista 1,110 244,673 puisesta kuvasta, jotka tuottivat 11,356 11,356 rajausta. Lisäksi käytimme näitä kuvia syötteenä Amazon Rekognition -muokattuun malliin, joka tunnisti 10,969 11,356 satoa ROI:ksi. Lopuksi tarkistimme manuaalisesti jokainen näistä 96 XNUMX korjaustiedostosta. Manuaalisen tarkastuksen aikana havaitsimme, että malli pystyi ennustamaan oikein XNUMX XNUMX puukohtaa XNUMX XNUMX:sta ROI:ksi. Toisin sanoen malli saavutti XNUMX % tarkkuuden.

Tietojen merkinnät

Kuvien manuaalisen tarkastuksen aikana merkitsimme jokaiseen kuvaan myös niihin liittyvät tarrat. Kuvien liitännäismerkintöjä ovat puupaikka, ei-puulappu, ei-rakenne, ei-puupaikka ja lopuksi puupinnat, joissa on poikkeavuuksia. Seuraava kuva havainnollistaa kuvien nimikkeistöä käyttämällä mukautettua Amazon Rekognition -merkintää.

Tietojen lisääminen

Koska koulutusta varten oli saatavilla rajoitettu määrä merkittyjä tietoja, täydensimme harjoitustietojoukkoa tekemällä vaakasuorat käännökset kaikista korjauksista. Tällä oli tehokas vaikutus tietojoukkomme koon kaksinkertaistumiseen.

jakautuminen

Merkitsimme kohteet 600 kuvaan (pylväät, johdot ja metallikaiteet) käyttämällä Amazon Rekognition Custom Labelsin rajauslaatikon objektintunnistustyökalua ja koulutimme mallin havaitsemaan kolme tärkeintä kiinnostavaa kohdetta. Käytämme koulutettua mallia taustan poistamiseen kaikista kuvista tunnistamalla ja poimimalla kunkin kuvan navat, samalla kun poistimme kaikki muut objektit sekä taustan. Tuloksena olevassa tietojoukossa oli vähemmän kuvia kuin alkuperäisessä tietojoukossa, koska kaikki kuvat, jotka eivät sisällä puupylväitä, poistettiin. Lisäksi tietojoukosta poistettiin väärä positiivinen kuva.

Poikkeamien havaitseminen

Seuraavaksi käytämme esikäsiteltyä dataa koneoppimismallin kouluttamiseen poikkeamien havaitsemiseen. Käytimme kolmea eri menetelmää poikkeamien havaitsemiseen, joihin kuuluvat AWS Managed Machine Learning Services (Amazon Lookout for Vision [L4V], Amazon Rekognition), AutoGluon ja Vision Transformer -pohjainen itsetislausmenetelmä.

AWS-palvelut

Amazon Lookout for Vision (L4V)

Amazon Lookout for Vision on hallittu AWS-palvelu, joka mahdollistaa ML-mallien nopean koulutuksen ja käyttöönoton ja tarjoaa poikkeamien havaitsemisominaisuudet. Se vaatii täysin merkittyjä tietoja, jotka toimitimme osoittamalla kuvapolkuja Amazon S3:ssa. Mallin kouluttaminen on yhtä helppoa kuin yksi API (Application programming interface) kutsu tai konsolin painikkeen painallus, ja L4V huolehtii mallin valinnasta ja hyperparametrien virittämisestä konepellin alla.

Amazonin tunnistus

Amazon Rekognition on L4V:n kaltainen hallittu AI/ML-palvelu, joka piilottaa mallinnuksen yksityiskohdat ja tarjoaa monia ominaisuuksia, kuten kuvien luokittelun, objektien tunnistuksen, mukautetun merkinnän ja paljon muuta. Se tarjoaa mahdollisuuden käyttää sisäänrakennettuja malleja soveltaakseen aiemmin tunnettuja entiteettejä kuvissa (esim. ImageNetistä tai muista suurista avoimista tietojoukoista). Käytimme kuitenkin Amazon Rekognitionin Custom Labels -toimintoa ROI-ilmaisimen harjoittamiseen sekä poikkeamien ilmaisinta Duke Energyn kuviin. Käytimme myös Amazon Rekognitionin mukautettuja tarroja mallin kouluttamiseen sijoittamaan rajoituslaatikoita puupylväiden ympärille jokaisessa kuvassa.

AutoGloun

AutoGluon on Amazonin kehittämä avoimen lähdekoodin koneoppimistekniikka. AutoGluon sisältää multimodaalisen komponentin, joka mahdollistaa helpon kuvatietojen harjoittamisen. Käytimme AutoGluon Multi-modaalia kouluttaaksemme malleja merkittyihin kuvapaikkoihin perustaaksemme poikkeavuuksien tunnistamisen.

Visuaalinen muuntaja

Monet jännittävimmistä uusista tekoälyn läpimurroista ovat peräisin kahdesta viimeaikaisesta innovaatiosta: itseohjattu oppiminen, jonka avulla koneet voivat oppia satunnaisista, merkitsemättömistä esimerkeistä; ja Transformers, joiden avulla tekoälymallit voivat keskittyä valikoivasti tiettyihin osiin syötteensä ja siten järkeillä tehokkaammin. Molemmat menetelmät ovat olleet koneoppimisyhteisön jatkuvassa painopisteessä, ja meillä on ilo kertoa, että käytimme niitä tässä toimeksiannossa.

Erityisesti yhteistyössä Duke Energyn tutkijoiden kanssa käytimme esikoulutettuja itsetislaavia ViT-malleja (Vision Transformer) ominaisuuspoimijana Amazon Sagemakerin avulla tapahtuvaan loppupään poikkeamien havaitsemissovellukseen. Esiopetetut itsetislautuvat näkömuuntajamallit on koulutettu suureen määrään koulutusdataa, joka on tallennettu Amazon S3:lle itsevalvotulla tavalla Amazon SageMakerin avulla. Hyödynnämme ViT-mallien siirto-oppimiskykyä, jotka on esikoulutettu suuren mittakaavan tietojoukoissa (esim. ImageNet). Tämä auttoi meitä saavuttamaan 83 %:n palautusoikeuden arviointisarjassa, jossa käytettiin vain muutamia tuhansia merkittyjä kuvia koulutukseen.

Arviointitiedot

Seuraavassa kuvassa on esitetty tärkeimmät mittarit, joilla mallin suorituskykyä ja sen vaikutuksia arvioidaan. Mallin päätavoite on maksimoida poikkeamien havaitseminen (eli todelliset positiiviset) ja minimoida väärien negatiivisten tulosten määrä tai aikoja, jolloin poikkeamat, jotka voivat johtaa katkoihin, luokitellaan väärin.

Kun poikkeamat on tunnistettu, teknikot voivat puuttua niihin, estääkseen tulevat käyttökatkot ja varmistaakseen viranomaisten säännösten noudattamisen. Väärien positiivisten tulosten minimoimisessa on toinenkin etu: vältyt tarpeettomilta ponnisteluilta kuvien läpikäymiseltä uudelleen.

Pitämällä nämä mittarit mielessä, seuraamme mallin suorituskykyä seuraavien mittareiden avulla, jotka kiteyttää kaikki neljä edellä määriteltyä mittaria.

Tarkkuus

Niiden havaittujen poikkeavuuksien prosenttiosuus, jotka ovat kiinnostavien kohteiden todellisia poikkeavuuksia. Tarkkuus mittaa, kuinka hyvin algoritmimme tunnistaa vain poikkeavuuksia. Tässä käyttötapauksessa suuri tarkkuus tarkoittaa alhaisia ​​vääriä hälytyksiä (eli algoritmi tunnistaa virheellisesti tikan reiän, vaikka sitä ei ole kuvassa).

Palauttaa mieleen

Prosenttiosuus kaikista poikkeavuuksista, jotka palautetaan kunkin kiinnostavan kohteen osalta. Muista mittaa, kuinka hyvin tunnistamme kaikki poikkeamat. Tämä joukko kaappaa osan kaikista poikkeavuuksista, ja tämä prosenttiosuus on palautus. Tässä käyttötapauksessa korkea palautus tarkoittaa, että pystymme nappaamaan tikan reikiä, kun niitä esiintyy. Palauttaminen on siksi oikea mittari keskittyä tässä POC:ssa, koska väärät hälytykset ovat parhaimmillaan ärsyttäviä, kun taas huomaamatta jääneet poikkeamat voivat johtaa vakaviin seurauksiin, jos ne jätetään ilman valvontaa.

Alhaisempi takaisinveto voi johtaa katkoksiin ja viranomaisten määräysten rikkomiseen. Vaikka pienempi tarkkuus johtaa hukkaan inhimillisiin ponnistuksiin. Tämän toimeksiannon ensisijainen tavoite on tunnistaa kaikki poikkeamat, jotta voidaan noudattaa valtion säädöksiä ja välttää katkoksia, joten pidämme muistamisen parantamisesta tarkkuuden edelle.

Arviointi ja mallivertailu

Seuraavassa osiossa esittelemme tämän toimeksiannon aikana käytettyjen eri mallinnustekniikoiden vertailua. Arvioimme kahden AWS-palvelun Amazon Rekognitionin ja Amazon Lookout for Visionin suorituskyvyn. Arvioimme myös erilaisia ​​mallinnustekniikoita AutoGluonin avulla. Lopuksi vertaamme suorituskykyä huippuluokan ViT-pohjaiseen itsetislausmenetelmään.

Seuraavassa kuvassa näkyy AutoGluonin mallin parannus käyttämällä erilaisia ​​tietojenkäsittelytekniikoita tämän toimeksiannon aikana. Keskeinen havainto on, että kun parannamme tietojen laatua ja määrää, mallin suorituskyky palautumisen suhteen parani alle 30 prosentista 78 prosenttiin.

Seuraavaksi vertaamme AutoGluonin suorituskykyä AWS-palveluihin. Käytimme myös erilaisia ​​tietojenkäsittelytekniikoita, jotka auttoivat parantamaan suorituskykyä. Suurin parannus tuli kuitenkin tiedon määrän ja laadun lisäämisestä. Kasvatamme tietojoukon koon yhteensä 11 60 kuvasta XNUMX XNUMX kuvaan.

Seuraavaksi vertaamme AutoGluon- ja AWS-palveluiden suorituskykyä ViT-pohjaiseen menetelmään. Seuraava kuva osoittaa, että ViT-pohjainen menetelmä, AutoGluon- ja AWS-palvelut toimivat takaisinkutsun suhteen samalla tasolla. Yksi keskeinen havainto on, että tietyn pisteen jälkeen tietojen laadun ja määrän lisääntyminen ei auta parantamaan suorituskykyä muistamisen suhteen. Havaitsemme kuitenkin parannuksia tarkkuuden suhteen.

Tarkkuus vs. muistaminen vertailu

Amazon AutoGluon	Ennustetut poikkeavuudet	Ennustettu normaali
poikkeavuuksia	15600	4400
normaali	3659	38341

Seuraavaksi esittelemme sekavuusmatriisin AutoGluonille ja Amazon Rekognitionille sekä ViT-pohjaiselle menetelmälle käyttämällä tietojoukkoamme, joka sisältää 62 62 näytettä. 20 42 näytteestä 16,600 16,000 näytettä ovat poikkeavia, kun taas loput 15600 3659 kuvaa ovat normaaleja. Voidaan havaita, että ViT-pohjaiset menetelmät havaitsevat suurimman määrän poikkeavuuksia (5918 15323), jota seuraa Amazon Rekognition (XNUMX XNUMX) ja Amazon AutoGluon (XNUMX XNUMX). Samoin Amazon AutoGluonilla on vähiten vääriä positiivisia tuloksia (XNUMX kuvaa), jota seuraa Amazon Rekognition (XNUMX) ja ViT (XNUMX). Nämä tulokset osoittavat, että Amazon Rekognition saavuttaa korkeimman AUC-alueen (käyrän alla).

Amazonin tunnistus	Ennustetut poikkeavuudet	Ennustettu normaali
poikkeavuuksia	16,000	4000
normaali	5918	36082

ViT	Ennustetut poikkeavuudet	Ennustettu normaali
poikkeavuuksia	16,600	3400
normaali	15,323	26,677

Yhteenveto

Tässä viestissä näytimme sinulle, kuinka MLSL- ja Duke Energy -tiimit työskentelivät yhdessä kehittääkseen tietokonenäköpohjaisen ratkaisun, joka automatisoi poikkeamien havaitsemisen puupylväissä käyttämällä korkearesoluutioisia kuvia, jotka on kerätty helikopterilennoilla. Ehdotettu ratkaisu käytti tietojenkäsittelyputkea korkearesoluutioisen kuvan rajaamiseen koon standardointia varten. Rajattuja kuvia käsitellään edelleen käyttämällä Amazon Rekognition Custom Labels -tunnisteita kiinnostavan alueen tunnistamiseksi (eli rajaukset, joissa on napalaput). Amazon Rekognition saavutti 96 prosentin tarkkuuden tunnistaessaan oikein napojen paikat. ROI-satoja käytetään edelleen poikkeamien havaitsemiseen käyttämällä ViT-pohjaista itsetislausta mdoel AutoGluon ja AWS-palveluita poikkeamien havaitsemiseen. Käytimme vakiotietojoukkoa arvioidaksemme kaikkien kolmen menetelmän suorituskykyä. ViT-pohjaisella mallilla saavutettiin 83 %:n palautus ja 52 %:n tarkkuus. AutoGluon saavutti 78 %:n palautuksen ja 81 %:n tarkkuuden. Lopuksi Amazon Rekognition saavuttaa 80 % muistamisen ja 73 % tarkkuuden. Kolmen eri menetelmän käytön tavoitteena on verrata kunkin menetelmän suorituskykyä erilaisiin koulutusnäytteiden määrään, koulutusaikaan ja käyttöönottoaikaan. Kaikki nämä menetelmät kestävät alle 2 tuntia kouluttaa ja ottaa käyttöön käyttämällä yhtä A100 GPU-esiintymää tai hallinnoituja palveluja Amazon AWS:ssä. Seuraavaksi vaiheet mallin suorituskyvyn parantamiseksi sisältävät lisää harjoitustietoja mallin tarkkuuden parantamiseksi.

Kaiken kaikkiaan tässä viestissä ehdotettu päästä päähän -putki auttaa saavuttamaan merkittäviä parannuksia poikkeamien havaitsemisessa ja minimoiden samalla käyttökustannukset, turvallisuushäiriöt, sääntelyriskit, hiilidioksidipäästöt ja mahdolliset sähkökatkot.

Kehitettyä ratkaisua voidaan käyttää muihin poikkeamien havaitsemiseen ja omaisuuden terveyteen liittyviin käyttötapauksiin siirto- ja jakeluverkoissa, mukaan lukien eristeiden ja muiden laitteiden viat. Jos tarvitset lisäapua tämän ratkaisun kehittämiseen ja mukauttamiseen, ota rohkeasti yhteyttä MLSL-tiimiin.

---

Tietoja Tekijät

Travis Bronson on johtava tekoälyasiantuntija, jolla on 15 vuoden kokemus tekniikasta ja 8 vuoden kokemus erityisesti tekoälylle. Viiden vuoden Duke Energyn palveluksessa Travis on edistänyt tekoälyn soveltamista digitaaliseen transformaatioon tuomalla ainutlaatuisia oivalluksia ja luovan ajattelun johtajuuden yrityksensä kärkeen. Travis johtaa tällä hetkellä tekoälyn ydintiimiä, tekoälyn harjoittajien, harrastajien ja liikekumppaneiden yhteisöä, joka keskittyy tekoälyn tulosten ja hallinnon edistämiseen. Travis hankki ja jalosti taitojaan useilla teknologisilla aloilla alkaen Yhdysvaltain laivastosta ja Yhdysvaltain hallituksessa, sitten siirtyessään yksityiselle sektorille yli vuosikymmenen palveluksessa.

 Brian Wilkerson on taitava ammattilainen, jolla on kahden vuosikymmenen kokemus Duke Energystä. Tietojenkäsittelytieteen tutkinnon suorittaneena hän on viettänyt viimeiset 7 vuotta erinomaisesti tekoälyn alalla. Brian on yksi Duke Energyn MADlabin (Machine Learning, AI and Deep learning team) perustajista. Hän toimii tällä hetkellä Duke Energyn tekoälyn ja muuntamisen johtajana, jossa hän on intohimoinen liikearvon tuottamiseen tekoälyn käyttöönoton avulla.

Ahsan Ali on sovellustutkija Amazon Generative AI Innovation Centerissä, jossa hän työskentelee eri aloilta tulevien asiakkaiden kanssa ratkaistakseen heidän kiireellisiä ja kalliita ongelmiaan Generatiivisen AI:n avulla.

Tahin Syed on soveltuva tutkija Amazon Generative AI Innovation Centerissä, jossa hän työskentelee asiakkaiden kanssa auttaakseen saavuttamaan liiketoimintatuloksia generatiivisilla tekoälyratkaisuilla. Työn ulkopuolella hän nauttii uuden ruoan kokeilemisesta, matkustamisesta ja taekwondon opettamisesta.

Dr. Nkechinyere N. Agu on soveltuva tutkija AWS:n generatiivisen tekoälyn innovaatiokeskuksessa. Hänen asiantuntemuksensa ovat Computer Vision AI/ML -menetelmät, AI/ML:n sovellukset terveydenhuoltoon sekä semanttisten teknologioiden (Knowledge Graphs) integrointi ML-ratkaisuihin. Hän on koulutukseltaan tietojenkäsittelytieteen maisteri ja tohtori.

Aldo Arizmendi on generatiivisen tekoälyn strategi AWS:n generatiivisen tekoälyn innovaatiokeskuksessa Austinissa, Texasissa. Nebraska-Lincolnin yliopistosta tietokonetekniikan kandidaatin tutkinnon suorittanut Arizmendi on viimeisten 12 vuoden aikana auttanut satoja Fortune 500 -listalla olevia yrityksiä ja startup-yrityksiä muuttamaan liiketoimintaansa edistyneen analytiikan, koneoppimisen ja luovan tekoälyn avulla.

Stacey Jenks on AWS:n johtava analytiikkamyyntiasiantuntija, jolla on yli kahden vuosikymmenen kokemus Analyticsista ja AI/ML:stä. Stacey on intohimoinen sukeltamaan syvälle asiakasaloitteisiin ja ajamaan muuttavia, mitattavia liiketoimintatuloksia datan avulla. Hän on erityisen innostunut siitä jäljestä, jonka sähkölaitokset tekevät yhteiskunnassa matkalla kohti vihreämpää planeettaa edullisella, luotettavalla ja puhtaalla energialla.

Mehdi Noor on soveltavan tieteen johtaja Generative Ai Innovation Centerissä. Intohimona teknologian ja innovaatioiden yhdistämiseen hän auttaa AWS-asiakkaita vapauttamaan generatiivisen tekoälyn potentiaalia ja muuttamaan mahdolliset haasteet mahdollisuuksiksi nopeaan kokeiluun ja innovointiin keskittymällä kehittyneiden tekoälyteknologioiden skaalautuviin, mitattaviin ja vaikuttaviin käyttötarkoituksiin ja virtaviivaistamalla polkua. tuotantoon.

• SEO-pohjainen sisällön ja PR-jakelu. Vahvista jo tänään.
• PlatoData.Network Vertical Generatiivinen Ai. Vahvista itseäsi. Pääsy tästä.
• PlatoAiStream. Web3 Intelligence. Tietoa laajennettu. Pääsy tästä.
• PlatoESG. Autot / sähköautot, hiili, CleanTech, energia, ympäristö, Aurinko, Jätehuolto. Pääsy tästä.
• PlatonHealth. Biotekniikan ja kliinisten kokeiden älykkyys. Pääsy tästä.
• ChartPrime. Nosta kaupankäyntipeliäsi ChartPrimen avulla. Pääsy tästä.
• BlockOffsets. Ympäristövastuun omistuksen nykyaikaistaminen. Pääsy tästä.
• Lähde: https://aws.amazon.com/blogs/machine-learning/improving-asset-health-and-grid-resilience-using-machine-learning/