Migliorare lo stato delle risorse e la resilienza della rete utilizzando il machine learning | Servizi Web di Amazon

Questo post è stato scritto in collaborazione con Travis Bronson e Brian L Wilkerson di Duke Energy

Il machine learning (ML) sta trasformando ogni settore, processo e azienda, ma il percorso verso il successo non è sempre semplice. In questo post del blog, mostriamo come Duke Energy, una società Fortune 150 con sede a Charlotte, Carolina del Nord, ha collaborato con Laboratorio di soluzioni di apprendimento automatico AWS (MLSL) per utilizzare la visione artificiale per automatizzare l'ispezione dei pali in legno e aiutare a prevenire interruzioni di corrente, danni alla proprietà e persino infortuni.

La rete elettrica è costituita da pali, linee e centrali elettriche per generare e fornire elettricità a milioni di case e aziende. Questi pali della luce sono componenti infrastrutturali critici e soggetti a vari fattori ambientali come vento, pioggia e neve, che possono causare usura e deterioramento delle risorse. È fondamentale che i pali delle utenze siano regolarmente ispezionati e sottoposti a manutenzione per prevenire guasti che possono portare a interruzioni di corrente, danni alla proprietà e persino lesioni. La maggior parte delle società di servizi energetici, inclusa Duke Energy, utilizza l'ispezione visiva manuale dei pali delle utenze per identificare anomalie relative alla propria rete di trasmissione e distribuzione. Ma questo metodo può essere costoso e dispendioso in termini di tempo e richiede che gli operatori delle linee di trasmissione di energia seguano rigorosi protocolli di sicurezza.

Duke Energy ha utilizzato l'intelligenza artificiale in passato per creare efficienza nelle operazioni quotidiane con grande successo. L’azienda ha utilizzato l’intelligenza artificiale per ispezionare le risorse di produzione e le infrastrutture critiche e ha esplorato le opportunità per applicare l’intelligenza artificiale anche all’ispezione dei pali dei servizi pubblici. Nel corso dell'impegno dell'AWS Machine Learning Solutions Lab con Duke Energy, l'azienda ha portato avanti il ​​proprio lavoro per automatizzare il rilevamento di anomalie nei pali di legno utilizzando tecniche avanzate di visione artificiale.

Obiettivi e caso d'uso

L'obiettivo di questo impegno tra Duke Energy e il Machine Learning Solutions Lab è sfruttare l'apprendimento automatico per ispezionare centinaia di migliaia di immagini aeree ad alta risoluzione per automatizzare il processo di identificazione e revisione di tutti i problemi relativi ai pali di legno su 33,000 miglia di linee di trasmissione . Questo obiettivo aiuterà ulteriormente Duke Energy a migliorare la resilienza della rete e a conformarsi alle normative governative identificando tempestivamente i difetti. Ridurrà inoltre i costi di carburante e manodopera, nonché le emissioni di carbonio riducendo al minimo i viaggi inutili dei camion. Infine, migliorerà anche la sicurezza riducendo al minimo i chilometri percorsi, i pali scalati e i rischi di ispezione fisica associati alla compromissione del terreno e delle condizioni meteorologiche.

Nelle sezioni seguenti, presentiamo le principali sfide associate allo sviluppo di modelli robusti ed efficienti per il rilevamento di anomalie relative ai pali in legno. Descriviamo inoltre le principali sfide e supposizioni associate alle varie tecniche di preelaborazione dei dati impiegate per ottenere le prestazioni del modello desiderate. Successivamente, presentiamo le metriche chiave utilizzate per valutare le prestazioni del modello insieme alla valutazione dei nostri modelli finali. Infine, confrontiamo varie tecniche di modellazione supervisionate e non supervisionate all'avanguardia.

Le sfide

Una delle sfide principali associate all'addestramento di un modello per il rilevamento di anomalie utilizzando immagini aeree sono le dimensioni non uniformi delle immagini. La figura seguente mostra la distribuzione dell'altezza e della larghezza dell'immagine di un set di dati campione di Duke Energy. Si può osservare che le immagini presentano una grande quantità di variazioni in termini di dimensioni. Allo stesso modo, anche la dimensione delle immagini pone sfide significative. Le dimensioni delle immagini in input sono migliaia di pixel di larghezza e migliaia di pixel di lunghezza. Inoltre, questo non è l'ideale per addestrare un modello per l'identificazione delle piccole regioni anomale nell'immagine.

Inoltre, le immagini di input contengono una grande quantità di informazioni di background irrilevanti come vegetazione, automobili, animali da fattoria, ecc. Le informazioni di background potrebbero comportare prestazioni del modello non ottimali. Secondo la nostra valutazione, solo il 5% dell'immagine contiene i pali di legno e le anomalie sono ancora minori. Questa è una sfida importante per identificare e localizzare le anomalie nelle immagini ad alta risoluzione. Il numero di anomalie è significativamente inferiore rispetto all’intero set di dati. Nell'intero set di dati è presente solo lo 0.12% di immagini anomale (ovvero 1.2 anomalie su 1000 immagini). Infine, non sono disponibili dati etichettati per l’addestramento di un modello di machine learning supervisionato. Successivamente, descriviamo come affrontiamo queste sfide e spieghiamo il metodo proposto.

Panoramica della soluzione

Tecniche di modellazione

La figura seguente mostra la nostra pipeline di elaborazione delle immagini e rilevamento di anomalie. Per prima cosa abbiamo importato i dati in Servizio di archiviazione semplice Amazon (Amazon S3) utilizzando Amazon Sage Maker Studio. Abbiamo inoltre utilizzato varie tecniche di elaborazione dei dati per affrontare alcune delle sfide evidenziate sopra per migliorare le prestazioni del modello. Dopo la preelaborazione dei dati, abbiamo utilizzato Amazon Riconoscimento etichette personalizzate per l'etichettatura dei dati. I dati etichettati vengono ulteriormente utilizzati per addestrare modelli ML supervisionati come Vision Transformer, Amazon Lookout per la visionee AutoGloun per il rilevamento delle anomalie.

La figura seguente mostra la panoramica dettagliata dell'approccio proposto che include la pipeline di elaborazione dei dati e vari algoritmi ML utilizzati per il rilevamento delle anomalie. Innanzitutto, descriveremo le fasi coinvolte nella pipeline di elaborazione dei dati. Successivamente, spiegheremo i dettagli e le intuizioni relative alle varie tecniche di modellazione impiegate durante questo impegno per raggiungere gli obiettivi prestazionali desiderati.

Preelaborazione dei dati

La pipeline di preelaborazione dei dati proposta include standardizzazione dei dati, identificazione della regione di interesse (ROI), aumento dei dati, segmentazione dei dati e infine etichettatura dei dati. Lo scopo di ogni passaggio è descritto di seguito:

Standardizzazione dei dati

Il primo passo nella nostra pipeline di elaborazione dei dati include la standardizzazione dei dati. In questa fase, ciascuna immagine viene ritagliata e divisa in porzioni non sovrapposte di dimensioni 224 X 224 pixel. L'obiettivo di questo passaggio è generare patch di dimensioni uniformi che potrebbero essere ulteriormente utilizzate per addestrare un modello ML e localizzare le anomalie in immagini ad alta risoluzione.

Identificazione della regione di interesse (ROI)

I dati di input sono costituiti da immagini ad alta risoluzione contenenti una grande quantità di informazioni di fondo irrilevanti (ad esempio vegetazione, case, automobili, cavalli, mucche, ecc.). Il nostro obiettivo è identificare anomalie legate ai pali in legno. Per identificare il ROI (ovvero i pezzetti contenenti il ​​palo di legno), abbiamo utilizzato l'etichettatura personalizzata di Amazon Rekognition. Abbiamo addestrato un modello di etichetta personalizzata Amazon Rekognition utilizzando immagini etichettate da 3k contenenti sia ROI che immagini di sfondo. L'obiettivo del modello è eseguire una classificazione binaria tra la ROI e le immagini di sfondo. Le patch identificate come informazioni di base vengono scartate mentre le colture previste come ROI vengono utilizzate nella fase successiva. La figura seguente mostra la pipeline che identifica il ROI. Abbiamo generato un campione di ritagli non sovrapposti di 1,110 immagini in legno che hanno generato 244,673 ritagli. Abbiamo inoltre utilizzato queste immagini come input per un modello personalizzato di Amazon Rekognition che ha identificato 11,356 colture come ROI. Infine, abbiamo verificato manualmente ciascuna di queste 11,356 patch. Durante l'ispezione manuale, abbiamo identificato che il modello era in grado di prevedere correttamente 10,969 patch di legno su 11,356 come ROI. In altre parole, il modello ha raggiunto una precisione del 96%.

Etichettatura dei dati

Durante l'ispezione manuale delle immagini, abbiamo anche etichettato ciascuna immagine con le etichette associate. Le etichette associate alle immagini includono patch in legno, patch non in legno, patch non struttura, patch non in legno e infine patch in legno con anomalie. La figura seguente mostra la nomenclatura delle immagini utilizzando l'etichettatura personalizzata di Amazon Rekognition.

Aumento dei dati

Data la quantità limitata di dati etichettati disponibili per l'addestramento, abbiamo aumentato il set di dati di addestramento eseguendo inversioni orizzontali di tutte le patch. Ciò ha avuto l’effetto effettivo di raddoppiare la dimensione del nostro set di dati.

Segmentazione

Abbiamo etichettato gli oggetti in 600 immagini (pali, cavi e ringhiere metalliche) utilizzando lo strumento di etichettatura per il rilevamento degli oggetti del riquadro di delimitazione in Amazon Rekognition Custom Labels e addestrato un modello per rilevare i tre principali oggetti di interesse. Abbiamo utilizzato il modello addestrato per rimuovere lo sfondo da tutte le immagini, identificando ed estraendo i poli in ciascuna immagine, rimuovendo allo stesso tempo tutti gli altri oggetti e lo sfondo. Il set di dati risultante conteneva meno immagini rispetto al set di dati originale, come risultato della rimozione di tutte le immagini che non contengono pali di legno. Inoltre, è stata rimossa dal set di dati anche un'immagine falsa positiva.

Rilevazione di anomalie

Successivamente, utilizziamo i dati preelaborati per addestrare il modello di machine learning per il rilevamento delle anomalie. Abbiamo utilizzato tre diversi metodi per il rilevamento delle anomalie, tra cui AWS Managed Machine Learning Services (Amazon Lookout for Vision [L4V], Amazon Rekognition), AutoGluon e il metodo di autodistillazione basato su Vision Transformer.

Servizi AWS

Amazon Lookout for Vision (L4V)

Amazon Lookout for Vision è un servizio AWS gestito che consente formazione e distribuzione rapide di modelli ML e fornisce funzionalità di rilevamento di anomalie. Richiede dati completamente etichettati, che abbiamo fornito indicando i percorsi delle immagini in Amazon S3. L'addestramento del modello è semplice come una singola chiamata API (interfaccia di programmazione dell'applicazione) o un clic sul pulsante della console e L4V si occupa della selezione del modello e dell'ottimizzazione degli iperparametri dietro le quinte.

Rekognition di Amazon

Amazon Rekognition è un servizio AI/ML gestito simile a L4V, che nasconde i dettagli di modellazione e fornisce molte funzionalità come la classificazione delle immagini, il rilevamento degli oggetti, l'etichettatura personalizzata e altro ancora. Fornisce la possibilità di utilizzare i modelli integrati da applicare a entità precedentemente note nelle immagini (ad esempio, da ImageNet o altri grandi set di dati aperti). Tuttavia, abbiamo utilizzato la funzionalità Etichette personalizzate di Amazon Rekognition per addestrare il rilevatore ROI, nonché un rilevatore di anomalie sulle immagini specifiche di Duke Energy. Abbiamo anche utilizzato le etichette personalizzate di Amazon Rekognition per addestrare un modello a posizionare riquadri di delimitazione attorno ai pali di legno in ciascuna immagine.

AutoGloun

AutoGluon è una tecnica di machine learning open source sviluppata da Amazon. AutoGluon include un componente multimodale che consente un facile addestramento sui dati dell'immagine. Abbiamo utilizzato AutoGluon Multi-modal per addestrare i modelli sulle patch di immagini etichettate per stabilire una linea di base per identificare le anomalie.

Trasformatore di visione

Molte delle scoperte più entusiasmanti legate all’intelligenza artificiale provengono da due recenti innovazioni: l’apprendimento auto-supervisionato, che consente alle macchine di apprendere da esempi casuali e senza etichetta; e Transformers, che consentono ai modelli di intelligenza artificiale di concentrarsi selettivamente su alcune parti del loro input e quindi ragionare in modo più efficace. Entrambi i metodi sono stati al centro dell'attenzione della comunità del machine learning e siamo lieti di condividere che li abbiamo utilizzati in questo impegno.

In particolare, lavorando in collaborazione con i ricercatori della Duke Energy, abbiamo utilizzato modelli ViT (Vision Transformer) di autodistillazione pre-addestrati come estrattori di funzionalità per l'applicazione di rilevamento di anomalie downstream utilizzando Amazon Sagemaker. I modelli di trasformatore di visione con autodistillazione preaddestrati vengono addestrati su una grande quantità di dati di addestramento archiviati su Amazon S3 in modo auto-supervisionato utilizzando Amazon SageMaker. Sfruttiamo le capacità di trasferimento di apprendimento dei modelli ViT pre-addestrati su set di dati su larga scala (ad esempio, ImageNet). Ciò ci ha aiutato a ottenere un ricordo dell'83% su un set di valutazione utilizzando solo poche migliaia di immagini etichettate per l'addestramento.

Metriche di valutazione

La figura seguente mostra le metriche chiave utilizzate per valutare le prestazioni del modello e i suoi impatti. L'obiettivo principale del modello è massimizzare il rilevamento delle anomalie (ovvero i veri positivi) e ridurre al minimo il numero di falsi negativi o i momenti in cui le anomalie che potrebbero portare a interruzioni vengono classificate erroneamente.

Una volta identificate le anomalie, i tecnici possono risolverle, prevenendo future interruzioni e garantendo il rispetto delle normative governative. C'è un altro vantaggio nel ridurre al minimo i falsi positivi: si evita lo sforzo inutile di rivedere le immagini.

Tenendo presenti questi parametri, monitoriamo le prestazioni del modello in termini di parametri successivi, che incapsulano tutti e quattro i parametri definiti sopra.

Precisione

La percentuale di anomalie rilevate che sono anomalie effettive per gli oggetti di interesse. La precisione misura quanto bene il nostro algoritmo identifica solo le anomalie. Per questo caso d'uso, alta precisione significa bassi falsi allarmi (ovvero, l'algoritmo identifica erroneamente la tana di un picchio mentre non ce n'è nessuna nell'immagine).

Richiamo

La percentuale di tutte le anomalie recuperate per ciascun oggetto di interesse. Il richiamo misura quanto bene identifichiamo tutte le anomalie. Questo insieme cattura una certa percentuale dell'intero insieme di anomalie e quella percentuale costituisce il richiamo. Per questo caso d'uso, un richiamo elevato significa che siamo bravi a individuare i buchi dei picchi quando si verificano. Il richiamo è quindi la metrica giusta su cui concentrarsi in questo POC perché i falsi allarmi sono nella migliore delle ipotesi fastidiosi, mentre le anomalie non rilevate potrebbero portare a gravi conseguenze se lasciate incustodite.

Un ritiro inferiore può portare a interruzioni e violazioni delle normative governative. Mentre una precisione inferiore porta a uno spreco di sforzi umani. L'obiettivo principale di questo impegno è identificare tutte le anomalie per conformarsi alle normative governative ed evitare eventuali interruzioni, quindi diamo priorità al miglioramento del richiamo rispetto alla precisione.

Valutazione e confronto dei modelli

Nella sezione seguente, dimostriamo il confronto di varie tecniche di modellazione impiegate durante questo impegno. Abbiamo valutato le prestazioni di due servizi AWS Amazon Rekognition e Amazon Lookout for Vision. Abbiamo anche valutato varie tecniche di modellazione utilizzando AutoGluon. Infine, confrontiamo le prestazioni con il metodo di autodistillazione all'avanguardia basato su ViT.

La figura seguente mostra il miglioramento del modello per AutoGluon utilizzando diverse tecniche di elaborazione dei dati nel periodo di questo incarico. L'osservazione chiave è che migliorando la qualità e la quantità dei dati, le prestazioni del modello in termini di ricordo sono migliorate da meno del 30% al 78%.

Successivamente, confrontiamo le prestazioni di AutoGluon con i servizi AWS. Abbiamo anche utilizzato varie tecniche di elaborazione dei dati che hanno contribuito a migliorare le prestazioni. Tuttavia, il miglioramento principale è derivato dall’aumento della quantità e della qualità dei dati. Aumentiamo la dimensione del set di dati da 11 immagini in totale a 60 immagini.

Successivamente, confrontiamo le prestazioni dei servizi AutoGluon e AWS con il metodo basato su ViT. La figura seguente dimostra che il metodo basato su ViT, AutoGluon e i servizi AWS hanno funzionato alla pari in termini di richiamo. Un'osservazione chiave è che, oltre un certo punto, l'aumento della qualità e della quantità dei dati non aiuta ad aumentare le prestazioni in termini di ricordo. Tuttavia, osserviamo miglioramenti in termini di precisione.

Confronto tra precisione e richiamo

Amazon AutoGluon	Anomalie previste	Previsto normale
anomalie	15600	4400
Normale	3659	38341

Successivamente, presentiamo la matrice di confusione per AutoGluon e Amazon Rekognition e il metodo basato su ViT utilizzando il nostro set di dati che contiene 62 campioni. Su 62 campioni, 20 campioni sono anomali, mentre le rimanenti 42 immagini sono normali. Si può osservare che i metodi basati su ViT catturano il maggior numero di anomalie (16,600) seguiti da Amazon Rekognition (16,000) e Amazon AutoGluon (15600). Allo stesso modo, Amazon AutoGluon ha il minor numero di falsi positivi (3659 immagini) seguito da Amazon Rekognition (5918) e ViT (15323). Questi risultati dimostrano che Amazon Rekognition raggiunge l'AUC (area sotto la curva) più alta.

Rekognition di Amazon	Anomalie previste	Previsto normale
anomalie	16,000	4000
Normale	5918	36082

Vit	Anomalie previste	Previsto normale
anomalie	16,600	3400
Normale	15,323	26,677

Conclusione

In questo post, ti abbiamo mostrato come i team MLSL e Duke Energy hanno lavorato insieme per sviluppare una soluzione basata sulla visione artificiale per automatizzare il rilevamento di anomalie nei pali di legno utilizzando immagini ad alta risoluzione raccolte tramite voli in elicottero. La soluzione proposta utilizzava una pipeline di elaborazione dati per ritagliare l'immagine ad alta risoluzione per la standardizzazione delle dimensioni. Le immagini ritagliate vengono ulteriormente elaborate utilizzando le etichette personalizzate di Amazon Rekognition per identificare la regione di interesse (ovvero, le colture contenenti le macchie con i pali). Amazon Rekognition ha raggiunto una precisione del 96% in termini di identificazione corretta dei cerotti con poli. Le colture ROI vengono ulteriormente utilizzate per il rilevamento di anomalie utilizzando l'autodistillazione mdoel AutoGluon basata su ViT e i servizi AWS per il rilevamento di anomalie. Abbiamo utilizzato un set di dati standard per valutare le prestazioni di tutti e tre i metodi. Il modello basato su ViT ha raggiunto l'83% di richiamo e il 52% di precisione. AutoGluon ha raggiunto il 78% di richiamo e l'81% di precisione. Infine, Amazon Rekognition raggiunge l'80% di ricordo e il 73% di precisione. L'obiettivo dell'utilizzo di tre metodi diversi è confrontare le prestazioni di ciascun metodo con un numero diverso di campioni di addestramento, tempo di addestramento e tempo di distribuzione. Tutti questi metodi richiedono meno di 2 ore per l'addestramento e la distribuzione utilizzando una singola istanza GPU A100 o servizi gestiti su Amazon AWS. Successivamente, i passaggi per un ulteriore miglioramento delle prestazioni del modello includono l'aggiunta di ulteriori dati di addestramento per migliorare la precisione del modello.

Nel complesso, la pipeline end-to-end proposta in questo post aiuta a ottenere miglioramenti significativi nel rilevamento delle anomalie riducendo al minimo i costi operativi, gli incidenti di sicurezza, i rischi normativi, le emissioni di carbonio e potenziali interruzioni di corrente.

La soluzione sviluppata può essere utilizzata per altri casi di rilevamento di anomalie e casi d’uso legati alla salute delle risorse attraverso le reti di trasmissione e distribuzione, compresi i difetti negli isolanti e in altre apparecchiature. Per ulteriore assistenza nello sviluppo e nella personalizzazione di questa soluzione, non esitate a contattare il team MLSL.

---

Informazioni sugli autori

Travis Bronson è un Lead Artificial Intelligence Specialist con 15 anni di esperienza nella tecnologia e 8 anni specificatamente dedicati all'intelligenza artificiale. Nel corso dei suoi 5 anni di mandato presso Duke Energy, Travis ha migliorato l'applicazione dell'intelligenza artificiale per la trasformazione digitale portando intuizioni uniche e leadership di pensiero creativo all'avanguardia della sua azienda. Travis attualmente guida l'AI Core Team, una comunità di professionisti, appassionati e partner commerciali dell'IA focalizzati sul miglioramento dei risultati e della governance dell'IA. Travis ha acquisito e affinato le sue competenze in molteplici campi tecnologici, iniziando nella Marina e nel governo degli Stati Uniti, per poi passare al settore privato dopo oltre un decennio di servizio.

 Brian Wilkerson è un professionista affermato con due decenni di esperienza presso Duke Energy. Laureato in informatica, ha trascorso gli ultimi 7 anni eccellendo nel campo dell'intelligenza artificiale. Brian è co-fondatore del MADlab di Duke Energy (team di machine learning, intelligenza artificiale e deep learning). Attualmente ricopre la posizione di Direttore dell'intelligenza artificiale e della trasformazione presso Duke Energy, dove è appassionato di fornire valore aziendale attraverso l'implementazione dell'intelligenza artificiale.

Ahsan Alì è uno scienziato applicato presso l'Amazon Generative AI Innovation Center, dove lavora con clienti di diversi settori per risolvere i loro problemi urgenti e costosi utilizzando l'intelligenza artificiale generativa.

Tahin Syed è uno scienziato applicato presso l'Amazon Generative AI Innovation Center, dove lavora con i clienti per aiutarli a realizzare risultati aziendali con soluzioni di intelligenza artificiale generativa. Al di fuori del lavoro, gli piace provare nuovi cibi, viaggiare e insegnare taekwondo.

Dott. Nkechinyere N. Agu è uno scienziato applicato presso il Generative AI Innovation Center di AWS. La sua esperienza riguarda i metodi di Computer Vision AI/ML, le applicazioni di AI/ML all'assistenza sanitaria, nonché l'integrazione di tecnologie semantiche (Knowledge Graphs) nelle soluzioni ML. Ha un Master e un Dottorato in Informatica.

Aldo Arizmendi è uno stratega dell'intelligenza artificiale generativa presso l'AWS Generative AI Innovation Center con sede ad Austin, in Texas. Dopo aver conseguito la laurea in ingegneria informatica presso l'Università del Nebraska-Lincoln, negli ultimi 12 anni, Arizmendi ha aiutato centinaia di aziende e start-up Fortune 500 a trasformare il proprio business utilizzando analisi avanzate, apprendimento automatico e intelligenza artificiale generativa.

Stacy Jenks è uno specialista delle vendite di analisi principali presso AWS, con oltre vent'anni di esperienza in analisi e AI/ML. Stacey ha la passione di approfondire le iniziative dei clienti e di ottenere risultati aziendali trasformativi e misurabili con i dati. È particolarmente entusiasta del segno che i servizi di pubblica utilità lasceranno nella società, attraverso il loro percorso verso un pianeta più verde con energia accessibile, affidabile e pulita.

Mehdi Noor è un Applied Science Manager presso il Generative Ai Innovation Center. Con una passione per il collegamento tra tecnologia e innovazione, assiste i clienti AWS nello sblocco del potenziale dell'intelligenza artificiale generativa, trasformando le potenziali sfide in opportunità per una rapida sperimentazione e innovazione concentrandosi su usi scalabili, misurabili e di grande impatto delle tecnologie AI avanzate e ottimizzando il percorso alla produzione.

• Distribuzione di contenuti basati su SEO e PR. Ricevi amplificazione oggi.
• PlatoData.Network Generativo verticale Ai. Potenzia te stesso. Accedi qui.
• PlatoAiStream. Intelligenza Web3. Conoscenza amplificata. Accedi qui.
• PlatoneESG. Automobilistico/VE, Carbonio, Tecnologia pulita, Energia, Ambiente, Solare, Gestione dei rifiuti. Accedi qui.
• Platone Salute. Intelligence sulle biotecnologie e sulle sperimentazioni cliniche. Accedi qui.
• Grafico Prime. Migliora il tuo gioco di trading con ChartPrime. Accedi qui.
• BlockOffset. Modernizzare la proprietà della compensazione ambientale. Accedi qui.
• Fonte: https://aws.amazon.com/blogs/machine-learning/improving-asset-health-and-grid-resilience-using-machine-learning/