पायथन टूलबॉक्स का उपयोग करके अमेज़ॅन लुकआउट फॉर इक्विपमेंट मॉडल का निर्माण, प्रशिक्षण और तैनाती करें

अपने उपकरणों की स्थिति की लगातार निगरानी करके औद्योगिक मशीनरी की विफलताओं और महंगे डाउनटाइम को रोकने के लिए भविष्य कहनेवाला रखरखाव एक प्रभावी तरीका हो सकता है, ताकि उपकरण विफलता होने से पहले आपको किसी भी विसंगति के लिए सतर्क किया जा सके। डेटा कनेक्टिविटी, स्टोरेज, एनालिटिक्स और अलर्टिंग के लिए सेंसर और आवश्यक बुनियादी ढांचे को स्थापित करना भविष्य कहनेवाला रखरखाव समाधान को सक्षम करने के लिए मूलभूत तत्व हैं। हालांकि, तदर्थ बुनियादी ढांचे को स्थापित करने के बाद भी, कई कंपनियां बुनियादी डेटा विश्लेषण और सरल मॉडलिंग दृष्टिकोण का उपयोग करती हैं जो अक्सर डाउनटाइम से बचने के लिए मुद्दों का जल्दी पता लगाने में अप्रभावी होते हैं। साथ ही, आपके उपकरण के लिए मशीन लर्निंग (एमएल) समाधान लागू करना कठिन और समय लेने वाला हो सकता है।

- उपकरण के लिए अमेज़न लुकआउट, आप असामान्य मशीन व्यवहार का पता लगाने के लिए अपने औद्योगिक उपकरणों के लिए सेंसर डेटा का स्वचालित रूप से विश्लेषण कर सकते हैं - बिना किसी एमएल अनुभव के। इसका मतलब है कि आप गति और सटीकता के साथ उपकरण असामान्यताओं का पता लगा सकते हैं, समस्याओं का शीघ्र निदान कर सकते हैं और महंगे डाउनटाइम को कम करने के लिए कार्रवाई कर सकते हैं।

लुकआउट फॉर इक्विपमेंट आपके डेटा के आधार पर आपके उपकरण के लिए विशिष्ट मॉडल को स्वचालित रूप से प्रशिक्षित करने के लिए दबाव, प्रवाह दर, आरपीएम, तापमान और शक्ति जैसे आपके सेंसर और सिस्टम से डेटा का विश्लेषण करता है। यह वास्तविक समय में आने वाले सेंसर डेटा का विश्लेषण करने के लिए आपके अद्वितीय एमएल मॉडल का उपयोग करता है और प्रारंभिक चेतावनी संकेतों की पहचान करता है जो मशीन की विफलता का कारण बन सकते हैं। प्रत्येक अलर्ट के लिए, लुकआउट फॉर इक्विपमेंट पिनपॉइंट करता है कि कौन से विशिष्ट सेंसर समस्या का संकेत दे रहे हैं, और पता की गई घटना पर प्रभाव की भयावहता।

प्रत्येक डेवलपर के हाथों में एमएल रखने के मिशन के साथ, हम लुकआउट फॉर इक्विपमेंट में एक और ऐड-ऑन पेश करना चाहते हैं: ए ओपन-सोर्स पायथन टूलबॉक्स जो डेवलपर्स और डेटा वैज्ञानिकों को लुकआउट फॉर इक्विपमेंट मॉडल को उसी तरह बनाने, प्रशिक्षित करने और तैनात करने की अनुमति देता है, जिसका आप उपयोग करते हैं अमेज़न SageMaker. यह लाइब्रेरी लुकआउट फॉर इक्विपमेंट boto3 पायथन एपीआई के शीर्ष पर एक आवरण है और इस सेवा के साथ आपकी यात्रा शुरू करने के लिए प्रदान की जाती है। यदि आपके पास रिपोर्ट करने के लिए कोई सुधार सुझाव या बग हैं, तो कृपया टूलबॉक्स के विरुद्ध कोई समस्या दर्ज करें गिटहब भंडार.

इस पोस्ट में, हम सेजमेकर नोटबुक के भीतर से लुकआउट फॉर इक्विपमेंट ओपन-सोर्स पायथन टूलबॉक्स का उपयोग करने के लिए एक चरण-दर-चरण मार्गदर्शिका प्रदान करते हैं।

पर्यावरण सेटअप

सेजमेकर नोटबुक से ओपन-सोर्स लुकआउट फॉर इक्विपमेंट टूलबॉक्स का उपयोग करने के लिए, हमें सेजमेकर नोटबुक को लुकआउट फॉर इक्विपमेंट एपीआई को कॉल करने के लिए आवश्यक अनुमतियां देनी होंगी। इस पोस्ट के लिए, हम मानते हैं कि आपने पहले ही सेजमेकर नोटबुक इंस्टेंस बना लिया है। निर्देशों के लिए, देखें अमेज़न सेजमेकर नोटबुक इंस्टेंस के साथ शुरुआत करें. नोटबुक इंस्टेंस स्वचालित रूप से निष्पादन भूमिका से संबद्ध होता है।

1. इंस्टेंस से जुड़ी भूमिका को खोजने के लिए, सेजमेकर कंसोल पर इंस्टेंस का चयन करें।
   
2. अगली स्क्रीन पर, खोजने के लिए नीचे स्क्रॉल करें AWS पहचान और अभिगम प्रबंधन (IAM) में उदाहरण से जुड़ी भूमिका अनुमतियां और एन्क्रिप्शन अनुभाग।
3. IAM कंसोल खोलने के लिए भूमिका चुनें।
   

इसके बाद, हम अपनी SageMaker IAM भूमिका के लिए एक इनलाइन नीति संलग्न करते हैं।

4. पर अनुमतियाँ आपके द्वारा खोली गई भूमिका का टैब, चुनें इनलाइन नीति जोड़ें.
   
5. पर JSON टैब, निम्न कोड दर्ज करें। हम वाइल्ड कार्ड क्रिया का उपयोग करते हैं (lookoutequipment:*) डेमो उद्देश्यों के लिए सेवा के लिए। वास्तविक उपयोग के मामलों के लिए, उपयुक्त SDK API कॉल चलाने के लिए केवल आवश्यक अनुमतियाँ प्रदान करें।

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

6. चुनें समीक्षा नीति.
7. पॉलिसी के लिए एक नाम प्रदान करें और पॉलिसी बनाएं।

पिछली इनलाइन नीति के अलावा, उसी IAM भूमिका पर, हमें लुकआउट फॉर इक्विपमेंट को इस भूमिका को ग्रहण करने की अनुमति देने के लिए एक विश्वास संबंध स्थापित करने की आवश्यकता है। सेजमेकर की भूमिका के पास पहले से ही उपयुक्त डेटा एक्सेस है अमेज़न सरल भंडारण सेवा (अमेज़ॅन एस 3); लुकआउट फॉर इक्विपमेंट को यह भूमिका निभाने की अनुमति देना सुनिश्चित करता है कि आपकी नोटबुक की तुलना में डेटा तक उसकी समान पहुंच है। आपके परिवेश में, आपके पास पहले से ही एक विशिष्ट भूमिका हो सकती है, यह सुनिश्चित करने के लिए कि लुकआउट फॉर इक्विपमेंट की आपके डेटा तक पहुंच है, इस स्थिति में आपको इस सामान्य भूमिका के विश्वास संबंध को समायोजित करने की आवश्यकता नहीं है।

8. हमारी सेजमेकर IAM भूमिका के अंदर रिश्तों पर भरोसा रखें टैब चुनें विश्वास संबंध संपादित करें.
9. पॉलिसी दस्तावेज़ के तहत, पूरी पॉलिसी को निम्नलिखित कोड से बदलें:

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

10. चुनें विश्वास नीति अपडेट करें.

अब हम अपने सेजमेकर नोटबुक वातावरण में लुकआउट फॉर इक्विपमेंट टूलबॉक्स का उपयोग करने के लिए पूरी तरह तैयार हैं। लुकआउट फॉर इक्विपमेंट टूलबॉक्स एक ओपन-सोर्स पायथन पैकेज है जो डेटा वैज्ञानिकों और सॉफ्टवेयर डेवलपर्स को लुकआउट फॉर इक्विपमेंट का उपयोग करके समय श्रृंखला विसंगति का पता लगाने वाले मॉडल को आसानी से बनाने और तैनात करने की अनुमति देता है। आइए देखें कि आप टूलबॉक्स के लिए और अधिक आसानी से क्या हासिल कर सकते हैं!

निर्भरता

लेखन के समय, टूलबॉक्स को निम्नलिखित स्थापित करने की आवश्यकता है:

• अजगर(>=3.6)
• boto3 (>= 1.17.48)
• markdown
• numpy
• पांडा
• पायरो
• s3fs

इन निर्भरताओं को पूरा करने के बाद, आप जुपिटर टर्मिनल से निम्नलिखित कमांड के साथ लुकआउट फॉर इक्विपमेंट टूलबॉक्स को स्थापित और लॉन्च कर सकते हैं:

pip install lookoutequipment

टूलबॉक्स अब उपयोग के लिए तैयार है। इस पोस्ट में, हम प्रदर्शित करते हैं कि एक विसंगति का पता लगाने वाले मॉडल को प्रशिक्षण और तैनात करके टूलबॉक्स का उपयोग कैसे करें। एक विशिष्ट एमएल विकास जीवनचक्र में प्रशिक्षण के लिए डेटासेट का निर्माण, मॉडल का प्रशिक्षण, मॉडल को परिनियोजित करना और मॉडल पर निष्कर्ष निकालना शामिल है। टूलबॉक्स इसके द्वारा प्रदान की जाने वाली कार्यक्षमता के संदर्भ में काफी व्यापक है, लेकिन इस पोस्ट में, हम निम्नलिखित क्षमताओं पर ध्यान केंद्रित करते हैं:

• डेटासेट तैयार करें
• लुकआउट फॉर इक्विपमेंट का उपयोग करके एक विसंगति का पता लगाने वाले मॉडल को प्रशिक्षित करें
• अपने मॉडल मूल्यांकन के लिए विज़ुअलाइज़ेशन बनाएं
• एक अनुमान अनुसूचक को कॉन्फ़िगर करें और शुरू करें
• अनुसूचक अनुमान परिणामों की कल्पना करें

आइए समझते हैं कि हम इनमें से प्रत्येक क्षमता के लिए टूलबॉक्स का उपयोग कैसे कर सकते हैं।

डेटासेट तैयार करें

लुकआउट फॉर इक्विपमेंट के लिए डेटासेट बनाने और अंतर्ग्रहण करने की आवश्यकता होती है। डेटासेट तैयार करने के लिए, निम्नलिखित चरणों को पूरा करें:

1. डेटासेट बनाने से पहले, हमें एक नमूना डेटासेट लोड करना होगा और उसे एक पर अपलोड करना होगा अमेज़न सरल भंडारण सेवा (अमेज़ॅन S3) बाल्टी। इस पोस्ट में, हम उपयोग करते हैं expander डाटासेट:

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

जो लौट आया data ऑब्जेक्ट निम्नलिखित युक्त एक शब्दकोश का प्रतिनिधित्व करता है:

• • एक प्रशिक्षण डेटा DataFrame
  • एक लेबल DataFrame
  • प्रशिक्षण प्रारंभ और समाप्ति datetimes
  • मूल्यांकन प्रारंभ और समाप्ति datetimes
  • एक टैग विवरण DataFrame

प्रशिक्षण और लेबल डेटा को लक्ष्य निर्देशिका से अमेज़ॅन S3 पर बाल्टी/उपसर्ग स्थान पर अपलोड किया जाता है।

2. S3 में डेटासेट अपलोड करने के बाद, हम एक ऑब्जेक्ट बनाते हैं LookoutEquipmentDataset वह वर्ग जो डेटासेट का प्रबंधन करता है:

   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()

RSI access_role_arn आपूर्ति की गई S3 बाल्टी तक पहुंच होनी चाहिए जहां डेटा मौजूद है। आप पिछले से सेजमेकर नोटबुक इंस्टेंस की भूमिका एआरएन को पुनः प्राप्त कर सकते हैं पर्यावरण सेटअप अनुभाग और अपनी S3 बकेट तक पहुँच प्रदान करने के लिए IAM नीति जोड़ें। अधिक जानकारी के लिए देखें लेखन IAM नीतियां: कैसे एक अमेज़न S3 बाल्टी के लिए पहुँच प्रदान करने के लिए.

RSI component_root_dir पैरामीटर को Amazon S3 में उस स्थान को इंगित करना चाहिए जहां प्रशिक्षण डेटा संग्रहीत है।

पिछले एपीआई लॉन्च करने के बाद, हमारा डेटासेट बनाया गया है।

3. डेटासेट में डेटा डालें:

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

अब जबकि आपका डेटा Amazon S3 पर उपलब्ध है, एक डेटासेट बनाना और उसमें डेटा डालना कोड की केवल तीन पंक्तियों की बात है। आपको मैन्युअल रूप से एक लंबी JSON स्कीमा बनाने की आवश्यकता नहीं है; टूलबॉक्स आपकी फ़ाइल संरचना का पता लगाता है और इसे आपके लिए बनाता है। आपके डेटा के अंतर्ग्रहण के बाद, प्रशिक्षण में जाने का समय आ गया है!

एक विसंगति का पता लगाने वाले मॉडल को प्रशिक्षित करें

डेटासेट में डेटा डालने के बाद, हम मॉडल प्रशिक्षण प्रक्रिया शुरू कर सकते हैं। निम्नलिखित कोड देखें:

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)

प्रशिक्षण शुरू करने से पहले, हमें डेटासेट के भीतर प्रशिक्षण और मूल्यांकन अवधि निर्दिष्ट करनी होगी। हम Amazon S3 में स्थान भी निर्धारित करते हैं जहां लेबल किया गया डेटा संग्रहीत होता है और नमूना दर को 5 मिनट पर सेट करता है। प्रशिक्षण शुरू करने के बाद, poll_model_training प्रशिक्षण सफल होने तक हर 5 मिनट में प्रशिक्षण कार्य की स्थिति का सर्वेक्षण करें।

लुकआउट फॉर इक्विपमेंट टूलबॉक्स का प्रशिक्षण मॉड्यूल आपको 10 से कम लाइन कोड वाले मॉडल को प्रशिक्षित करने की अनुमति देता है। यह आपकी ओर से निम्न-स्तरीय एपीआई द्वारा आवश्यक सभी लंबाई निर्माण अनुरोध स्ट्रिंग बनाता है, जिससे आपको लंबे, त्रुटि-प्रवण JSON दस्तावेज़ बनाने की आवश्यकता को हटा दिया जाता है।

मॉडल को प्रशिक्षित करने के बाद, हम या तो मूल्यांकन अवधि के दौरान परिणामों की जांच कर सकते हैं या टूलबॉक्स का उपयोग करके एक अनुमान अनुसूचक को कॉन्फ़िगर कर सकते हैं।

एक प्रशिक्षित मॉडल का मूल्यांकन करें

एक मॉडल के प्रशिक्षित होने के बाद, मॉडल का वर्णन करें लुकआउट फॉर इक्विपमेंट का एपीआई प्रशिक्षण से जुड़े मेट्रिक्स को रिकॉर्ड करता है। यह एपीआई मूल्यांकन परिणामों को प्लॉट करने के लिए रुचि के दो क्षेत्रों के साथ एक JSON दस्तावेज़ लौटाता है: labeled_ranges और predicted_ranges, जिसमें मूल्यांकन रेंज में क्रमशः ज्ञात और अनुमानित विसंगतियां शामिल हैं। टूलबॉक्स इन्हें इसके बजाय पंडों डेटाफ़्रेम में लोड करने के लिए उपयोगिताएँ प्रदान करता है:

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)

डेटाफ़्रेम में श्रेणियों को लोड करने का लाभ यह है कि हम मूल समय श्रृंखला संकेतों में से किसी एक को प्लॉट करके अच्छे विज़ुअलाइज़ेशन बना सकते हैं और लेबल और अनुमानित विषम घटनाओं का एक ओवरले जोड़ सकते हैं। TimeSeriesVisualization टूलबॉक्स का वर्ग:

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()

कोड की ये कुछ पंक्तियाँ निम्नलिखित विशेषताओं के साथ एक प्लॉट उत्पन्न करती हैं:

• चयनित सिग्नल के लिए एक लाइन प्लॉट; मॉडल के प्रशिक्षण के लिए उपयोग किया जाने वाला भाग नीले रंग में दिखाई देता है जबकि मूल्यांकन भाग ग्रे में होता है
• रोलिंग औसत समय श्रृंखला के ऊपर एक पतली लाल रेखा के रूप में दिखाई देता है
• लेबल "ज्ञात विसंगतियों" (डिफ़ॉल्ट रूप से) लेबल वाले हरे रिबन में दिखाए जाते हैं
• पूर्वानुमानित ईवेंट "पता लगाए गए ईवेंट" लेबल वाले लाल रिबन में दिखाए जाते हैं

टूलबॉक्स उपयोग के लिए तैयार विज़ुअलाइज़ेशन प्रदान करते हुए JSON फ़ाइलों का पता लगाने, लोड करने और पार्स करने के सभी भारी भारोत्तोलन करता है जो आपके विसंगति का पता लगाने वाले मॉडल से अंतर्दृष्टि प्राप्त करने के लिए समय को और कम करता है। इस स्तर पर, टूलबॉक्स आपको परिणामों की व्याख्या करने और अपने अंतिम-उपयोगकर्ताओं को प्रत्यक्ष व्यावसायिक मूल्य प्रदान करने के लिए कार्रवाई करने पर ध्यान केंद्रित करने देता है। इन टाइम सीरीज़ विज़ुअलाइज़ेशन के अलावा, एसडीके अन्य प्लॉट प्रदान करता है जैसे सामान्य और असामान्य समय के बीच आपके सिग्नल के मूल्यों की हिस्टोग्राम तुलना। अन्य विज़ुअलाइज़ेशन क्षमताओं के बारे में अधिक जानने के लिए जिनका आप बिल्कुल सही उपयोग कर सकते हैं, देखें उपकरण टूलबॉक्स दस्तावेज़ीकरण की तलाश करें.

अनुसूची अनुमान

आइए देखें कि हम टूलबॉक्स का उपयोग करके अनुमानों को कैसे शेड्यूल कर सकते हैं:

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()

यह कोड एक शेड्यूलर बनाता है जो हर 5 मिनट में एक फ़ाइल को प्रोसेस करता है (शेड्यूलर को कॉन्फ़िगर करते समय अपलोड फ़्रीक्वेंसी सेट से मेल खाता है)। लगभग 15 मिनट के बाद, हमारे पास कुछ परिणाम उपलब्ध होने चाहिए। इन परिणामों को पांडस डेटाफ़्रेम में अनुसूचक से प्राप्त करने के लिए, हमें बस निम्नलिखित कमांड चलाना होगा:

results_df = lookout_scheduler.get_predictions()

यहां से, हम टूलबॉक्स के विज़ुअलाइज़ेशन एपीआई का उपयोग करके भविष्यवाणी के लिए फीचर महत्व को भी प्लॉट कर सकते हैं:

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

यह नमूना डेटा पर निम्नलिखित विशेषता महत्व विज़ुअलाइज़ेशन उत्पन्न करता है।

टूलबॉक्स अनुसूचक को रोकने के लिए एक एपीआई भी प्रदान करता है। निम्नलिखित कोड स्निपेट देखें:

scheduler.stop()

क्लीन अप

पहले बनाई गई सभी कलाकृतियों को हटाने के लिए, हम कॉल कर सकते हैं delete_dataset हमारे डेटासेट के नाम के साथ एपीआई:

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

निष्कर्ष

औद्योगिक और विनिर्माण ग्राहकों से बात करते समय, एआई और एमएल का लाभ उठाने के संबंध में हम सुनते हैं कि एक आम चुनौती विश्वसनीय और कार्रवाई योग्य परिणाम प्राप्त करने के लिए आवश्यक अनुकूलन और विशिष्ट विकास और डेटा विज्ञान कार्य की भारी मात्रा है। विसंगति का पता लगाने वाले मॉडल का प्रशिक्षण और कई अलग-अलग औद्योगिक मशीनरी के लिए कार्रवाई योग्य पूर्वाभास प्राप्त करना रखरखाव के प्रयास को कम करने, पुनर्विक्रय या अपशिष्ट को कम करने, उत्पाद की गुणवत्ता बढ़ाने और समग्र उपकरण दक्षता (ओईई) या उत्पाद लाइनों में सुधार करने के लिए एक पूर्वापेक्षा है। अब तक, इसके लिए बड़े पैमाने पर विशिष्ट विकास कार्य की आवश्यकता थी, जिसे समय के साथ मापना और बनाए रखना कठिन है।

अमेज़ॅन एप्लाइड एआई सेवाएं जैसे लुकआउट फॉर इक्विपमेंट निर्माताओं को डेटा वैज्ञानिकों, डेटा इंजीनियरों और प्रक्रिया इंजीनियरों की एक बहुमुखी टीम तक पहुंच के बिना एआई मॉडल बनाने में सक्षम बनाता है। अब, लुकआउट फॉर इक्विपमेंट टूलबॉक्स के साथ, आपके डेवलपर आपके समय श्रृंखला डेटा में अंतर्दृष्टि का पता लगाने और कार्रवाई करने के लिए आवश्यक समय को और कम कर सकते हैं। यह टूलबॉक्स लुकआउट फॉर इक्विपमेंट का उपयोग करके जल्दी से विसंगति का पता लगाने वाले मॉडल बनाने के लिए उपयोग में आसान, डेवलपर के अनुकूल इंटरफेस प्रदान करता है। टूलबॉक्स खुला स्रोत है और सभी एसडीके कोड पर पाया जा सकता है अमेज़ॅन-लुकआउट-टू-उपकरण-पायथन-एसडीके गिटहब रेपो। यह a . के रूप में भी उपलब्ध है पीपीपीआई पैकेज.

इस पोस्ट में केवल कुछ सबसे महत्वपूर्ण API शामिल हैं। इच्छुक पाठक इसे देख सकते हैं टूलबॉक्स प्रलेखन टूलबॉक्स की अधिक उन्नत क्षमताओं को देखने के लिए। इसे आज़माएं, और हमें बताएं कि आप टिप्पणियों में क्या सोचते हैं!

लेखक के बारे में

विकेश पांडेय एडब्ल्यूएस में एक मशीन लर्निंग स्पेशलिस्ट सॉल्यूशंस आर्किटेक्ट है, जो यूके में ग्राहकों की मदद करता है और व्यापक ईएमईए क्षेत्र डिजाइन और एमएल समाधान बनाता है। काम के अलावा, विकेश को अलग-अलग व्यंजन आज़माने और आउटडोर खेल खेलने में मज़ा आता है।

इओन कटाना AWS में आर्टिफिशियल इंटेलिजेंस और मशीन लर्निंग स्पेशलिस्ट सॉल्यूशंस आर्किटेक्ट हैं। वह ग्राहकों को एडब्ल्यूएस क्लाउड में अपने एमएल समाधान विकसित करने और स्केल करने में मदद करता है। Ioan के पास 20 से अधिक वर्षों का अनुभव है, ज्यादातर सॉफ्टवेयर आर्किटेक्चर डिजाइन और क्लाउड इंजीनियरिंग में।

मिशैल होराउ एडब्ल्यूएस में एक एआई/एमएल विशेषज्ञ समाधान आर्किटेक्ट है जो पल के आधार पर डेटा वैज्ञानिक और मशीन लर्निंग आर्किटेक्ट के बीच वैकल्पिक है। वह अपने औद्योगिक ग्राहकों के स्टोर फ्लोर पर एआई/एमएल की शक्ति लाने के बारे में भावुक है और उसने एमएल उपयोग के मामलों की एक विस्तृत श्रृंखला पर काम किया है, जिसमें विसंगति का पता लगाने से लेकर भविष्य कहनेवाला उत्पाद गुणवत्ता या विनिर्माण अनुकूलन शामिल है। जब ग्राहकों को अगले सर्वश्रेष्ठ मशीन सीखने के अनुभव विकसित करने में मदद नहीं करते हैं, तो उन्हें सितारों को देखने, यात्रा करने या पियानो बजाने का आनंद मिलता है।

• कॉइनस्मार्ट। यूरोप का सर्वश्रेष्ठ बिटकॉइन और क्रिप्टो एक्सचेंज।
• प्लेटोब्लॉकचैन। Web3 मेटावर्स इंटेलिजेंस। ज्ञान प्रवर्धित। नि: शुल्क प्रवेश।
• क्रिप्टोहॉक। Altcoin रडार। मुफ्त परीक्षण।
• स्रोत: https://aws.amazon.com/blogs/machine-learning/build-train-and-deploy-amazon-lookout-for-equipment-models-using-the-python-toolbox/