기계 학습을 사용하여 자산 상태 및 그리드 탄력성 개선 | 아마존 웹 서비스

이 게시물은 Duke Energy의 Travis Bronson 및 Brian L Wilkerson과 공동으로 작성되었습니다.

기계 학습(ML)은 모든 산업, 프로세스 및 비즈니스를 변화시키고 있지만 성공으로 가는 길이 항상 간단하지는 않습니다. 이 블로그 게시물에서는 방법을 보여줍니다. 듀크 에너지노스캐롤라이나주 샬럿에 본사를 둔 Fortune 150대 기업인 은 AWS 기계 학습 솔루션 랩 (MLSL)은 컴퓨터 비전을 사용하여 목재 전신주 검사를 자동화하고 정전, 재산 피해, 심지어 부상까지 예방하는 데 도움을 줍니다.

전력망은 전주, 선로, 발전소로 구성되어 수백만 가구와 기업에 전기를 생산하고 공급합니다. 이러한 전신주는 중요한 인프라 구성 요소이며 바람, 비, 눈과 같은 다양한 환경 요인의 영향을 받아 자산이 마모될 수 있습니다. 정전, 재산 피해, 심지어 부상까지 초래할 수 있는 고장을 방지하려면 전신주를 정기적으로 검사하고 유지 관리하는 것이 중요합니다. Duke Energy를 포함한 대부분의 전력회사는 송전 및 배전 네트워크와 관련된 이상 현상을 식별하기 위해 전신주의 수동 육안 검사를 사용합니다. 그러나 이 방법은 비용과 시간이 많이 소요될 수 있으며 송전선 작업자가 엄격한 안전 프로토콜을 따라야 합니다.

Duke Energy는 과거에 인공 지능을 사용하여 일상적인 운영의 효율성을 높여 큰 성공을 거두었습니다. 이 회사는 AI를 사용해 발전 자산과 중요 인프라를 검사해 왔으며, 전신주 검사에도 AI를 적용할 수 있는 기회를 모색해 왔습니다. AWS Machine Learning Solutions Lab과 Duke Energy의 협력 과정에서 이 유틸리티는 고급 컴퓨터 비전 기술을 사용하여 나무 기둥의 이상 징후 감지를 자동화하는 작업을 진행했습니다.

목표 및 사용 사례

Duke Energy와 Machine Learning Solutions Lab 간의 이번 협력의 목표는 기계 학습을 활용하여 수십만 개의 고해상도 항공 이미지를 검사하여 33,000마일의 송전선에서 모든 나무 기둥 관련 문제의 식별 및 검토 프로세스를 자동화하는 것입니다. . 이 목표는 Duke Energy가 적시에 결함을 식별함으로써 그리드 탄력성을 개선하고 정부 규정을 준수하는 데 더욱 도움이 될 것입니다. 또한 연료비와 인건비를 절감할 뿐만 아니라 불필요한 트럭 운행을 최소화하여 탄소 배출도 줄입니다. 마지막으로, 주행 거리, 기둥 오르기, 지형 및 기상 조건 저하와 관련된 물리적 검사 위험을 최소화하여 안전성도 향상시킵니다.

다음 섹션에서는 목재 전신주와 관련된 이상 탐지를 위한 강력하고 효율적인 모델 개발과 관련된 주요 과제를 제시합니다. 또한 원하는 모델 성능을 달성하기 위해 사용되는 다양한 데이터 전처리 기술과 관련된 주요 과제와 가정에 대해서도 설명합니다. 다음으로, 최종 모델 평가와 함께 모델 성능을 평가하는 데 사용되는 주요 측정항목을 제시합니다. 마지막으로 다양한 최첨단 지도 및 비지도 모델링 기술을 비교합니다.

도전

항공 이미지를 사용하여 이상 현상을 탐지하기 위한 모델을 훈련하는 것과 관련된 주요 과제 중 하나는 균일하지 않은 이미지 크기입니다. 다음 그림은 Duke Energy의 샘플 데이터 세트의 이미지 높이와 너비 분포를 보여줍니다. 이미지의 크기에 따른 편차가 크다는 것을 알 수 있습니다. 마찬가지로 이미지 크기도 중요한 문제를 야기합니다. 입력 이미지의 크기는 가로가 수천 픽셀, 세로가 수천 픽셀입니다. 이는 또한 이미지의 작은 변칙 영역을 식별하기 위한 모델을 교육하는 데 적합하지 않습니다.

또한 입력 이미지에는 식물, 자동차, 농장 동물 등과 같은 관련 없는 배경 정보가 많이 포함되어 있습니다. 배경 정보로 인해 모델 성능이 최적화되지 않을 수 있습니다. 우리의 평가에 따르면 이미지의 5%만이 나무 기둥을 포함하고 있으며 이상 현상은 훨씬 더 작습니다. 이는 고해상도 이미지에서 이상 현상을 식별하고 위치를 파악하는 데 있어 중요한 과제입니다. 전체 데이터 세트에 비해 이상치의 수가 상당히 적습니다. 전체 데이터 세트에서 변칙 이미지는 0.12%에 불과합니다(즉, 1.2개의 이미지 중 1000개의 변칙). 마지막으로 지도 머신러닝 모델을 훈련하는 데 사용할 수 있는 레이블이 지정된 데이터가 없습니다. 다음으로 이러한 문제를 해결하는 방법과 제안된 방법을 설명합니다.

솔루션 개요

모델링 기법

다음 그림은 이미지 처리 및 이상 탐지 파이프라인을 보여줍니다. 우리는 먼저 데이터를 다음으로 가져왔습니다. Amazon Simple Storage Service(Amazon S3) 사용 아마존 세이지 메이커 스튜디오. 우리는 모델 성능을 향상시키기 위해 위에서 강조한 몇 가지 과제를 해결하기 위해 다양한 데이터 처리 기술을 추가로 사용했습니다. 데이터 전처리 후 Amazon을 채용했습니다. Rekognition 사용자 정의 레이블 데이터 라벨링을 위해. 레이블이 지정된 데이터는 Vision Transformer와 같은 지도 ML 모델을 훈련하는 데 추가로 사용됩니다. 비전을위한 Amazon Lookout및 오토글룬 이상 감지를 위해.

다음 그림은 이상 탐지에 사용되는 데이터 처리 파이프라인과 다양한 ML 알고리즘을 포함하여 제안된 접근 방식의 자세한 개요를 보여줍니다. 먼저 데이터 처리 파이프라인과 관련된 단계를 설명합니다. 다음으로, 원하는 성능 목표를 달성하기 위해 이 계약 기간 동안 사용된 다양한 모델링 기술과 관련된 세부 사항과 직관에 대해 설명하겠습니다.

데이터 전처리

제안된 데이터 전처리 파이프라인에는 다음이 포함됩니다. 데이터 표준화, 관심 영역(ROI) 식별, 데이터 증강, 데이터 세분화 및 최종적으로 데이터 라벨링. 각 단계의 목적은 다음과 같습니다.

데이터 표준화

데이터 처리 파이프라인의 첫 번째 단계에는 데이터 표준화가 포함됩니다. 이 단계에서는 각 이미지를 자르고 224 X 224 픽셀 크기의 겹치지 않는 패치로 나눕니다. 이 단계의 목표는 ML 모델을 훈련하고 고해상도 이미지에서 이상 현상을 파악하는 데 추가로 활용할 수 있는 균일한 크기의 패치를 생성하는 것입니다.

관심 영역(ROI) 식별

입력 데이터는 관련 없는 배경 정보(예: 식물, 집, 자동차, 말, 소 등)가 다량 포함된 고해상도 이미지로 구성됩니다. 우리의 목표는 나무 기둥과 관련된 이상 현상을 식별하는 것입니다. ROI(예: 나무 기둥이 포함된 패치)를 식별하기 위해 Amazon Rekognition 사용자 지정 라벨링을 사용했습니다. ROI와 배경 이미지가 모두 포함된 3개의 레이블이 지정된 이미지를 사용하여 Amazon Rekognition 사용자 지정 레이블 모델을 교육했습니다. 모델의 목표는 ROI와 배경 이미지 간의 이진 분류를 수행하는 것입니다. 배경 정보로 식별된 패치는 폐기되고 ROI로 예측된 ​​작물은 다음 단계에서 사용됩니다. 다음 그림은 ROI를 식별하는 파이프라인을 보여줍니다. 우리는 1,110개의 작물을 생성하는 244,673개의 나무 이미지로 구성된 겹치지 않는 작물 샘플을 생성했습니다. 또한 이러한 이미지를 11,356개의 작물을 ROI로 식별한 Amazon Rekognition 사용자 지정 모델에 대한 입력으로 사용했습니다. 마지막으로 우리는 11,356개의 패치를 각각 수동으로 확인했습니다. 수동 검사 중에 모델이 10,969개 나무 조각 중 11,356개 나무 조각을 ROI로 정확하게 예측할 수 있음을 확인했습니다. 즉, 모델의 정밀도는 96%를 달성했습니다.

데이터 라벨링

이미지를 수동으로 검사하는 동안 우리는 각 이미지에 관련 라벨을 붙였습니다. 이미지의 관련 레이블에는 나무 패치, 비목재 패치, 비구조, 비목재 패치 및 마지막으로 이상이 있는 나무 패치가 포함됩니다. 다음 그림은 Amazon Rekognition 사용자 지정 레이블 지정을 사용하는 이미지의 명명법을 보여줍니다.

데이터 확대

훈련에 사용할 수 있는 레이블이 지정된 데이터의 양이 제한되어 있으므로 모든 패치를 수평으로 뒤집어 훈련 데이터 세트를 늘렸습니다. 이는 데이터 세트의 크기를 두 배로 늘리는 데 효과적인 영향을 미쳤습니다.

분할

Amazon Rekognition Custom Labels의 경계 상자 개체 감지 레이블 지정 도구를 사용하여 600개 이미지(기둥, 전선 및 금속 난간)의 개체에 레이블을 지정하고 관심 있는 세 가지 주요 개체를 감지하도록 모델을 교육했습니다. 훈련된 모델을 사용하여 각 이미지의 극점을 식별하고 추출하는 동시에 다른 모든 객체와 배경을 제거하여 모든 이미지에서 배경을 제거했습니다. 결과 데이터세트에는 나무 기둥이 포함되지 않은 모든 이미지를 제거한 결과 원래 데이터 세트보다 적은 수의 이미지가 포함되었습니다. 또한 데이터 세트에서 제거된 오탐지 이미지도 있었습니다.

이상 감지

다음으로, 이상 탐지를 위한 기계 학습 모델을 훈련하기 위해 전처리된 데이터를 사용합니다. 우리는 이상 탐지를 위해 AWS Managed Machine Learning Services(Amazon Lookout for Vision [L4V], Amazon Rekognition), AutoGluon 및 Vision Transformer 기반 자가 증류 방법을 포함하는 세 가지 방법을 사용했습니다.

AWS 서비스

Amazon Lookout for Vision(L4V)

Amazon Lookout for Vision은 ML 모델의 신속한 교육 및 배포를 지원하고 이상 탐지 기능을 제공하는 관리형 AWS 서비스입니다. 이를 위해서는 Amazon S3의 이미지 경로를 가리켜 제공한 완전히 레이블이 지정된 데이터가 필요합니다. 모델 훈련은 단일 API(애플리케이션 프로그래밍 인터페이스) 호출이나 콘솔 버튼 클릭만큼 간단하며, L4V는 내부적으로 모델 선택과 하이퍼파라미터 튜닝을 처리합니다.

아마존 인식

Amazon Rekognition은 L4V와 유사한 관리형 AI/ML 서비스로, 모델링 세부 정보를 숨기고 이미지 분류, 객체 감지, 사용자 지정 라벨링 등과 같은 다양한 기능을 제공합니다. 내장된 모델을 사용하여 이미지의 이전에 알려진 엔터티(예: ImageNet 또는 기타 대규모 공개 데이터 세트)에 적용할 수 있는 기능을 제공합니다. 그러나 우리는 Amazon Rekognition의 Custom Labels 기능을 사용하여 ROI 감지기와 Duke Energy가 보유한 특정 이미지에 대한 이상 감지기를 교육했습니다. 또한 Amazon Rekognition의 사용자 정의 레이블을 사용하여 각 이미지의 나무 기둥 주위에 경계 상자를 배치하도록 모델을 교육했습니다.

오토글룬

AutoGluon은 Amazon이 개발한 오픈 소스 기계 학습 기술입니다. AutoGluon에는 이미지 데이터를 쉽게 훈련할 수 있는 다중 모드 구성 요소가 포함되어 있습니다. 우리는 AutoGluon Multi-modal을 사용하여 레이블이 지정된 이미지 패치에 대한 모델을 교육하여 이상 현상을 식별하기 위한 기준을 설정했습니다.

비전 변압기

가장 흥미롭고 새로운 AI 혁신 중 다수는 최근 두 가지 혁신에서 비롯되었습니다. 하나는 기계가 레이블이 지정되지 않은 무작위 사례에서 학습할 수 있는 자기 지도 학습입니다. AI 모델이 입력의 특정 부분에 선택적으로 집중하여 보다 효과적으로 추론할 수 있게 해주는 Transformers도 있습니다. 두 가지 방법 모두 기계 학습 커뮤니티의 지속적인 초점이었으며 이번 참여에서 두 가지 방법을 사용했다는 사실을 공유하게 되어 기쁘게 생각합니다.

특히 Duke Energy의 연구원들과 협력하여 Amazon Sagemaker를 사용하는 다운스트림 이상 탐지 애플리케이션을 위한 기능 추출기로 사전 훈련된 자가 증류 ViT(Vision Transformer) 모델을 사용했습니다. 사전 훈련된 자가 증류 비전 변환기 모델은 Amazon SageMaker를 사용하여 자가 감독 방식으로 Amazon S3에 저장된 대량의 훈련 데이터에 대해 훈련됩니다. 우리는 대규모 데이터 세트(예: ImageNet)에 대해 사전 훈련된 ViT 모델의 전이 학습 기능을 활용합니다. 이를 통해 훈련에 레이블이 지정된 수천 개의 이미지만 사용하는 평가 세트에서 83%의 재현율을 달성하는 데 도움이 되었습니다.

평가 지표

다음 그림은 모델 성능과 그 영향을 평가하는 데 사용되는 주요 지표를 보여줍니다. 모델의 주요 목표는 이상 탐지(예: 참 긍정)를 최대화하고 거짓 부정(false negative) 수 또는 가동 중단으로 이어질 수 있는 이상이 잘못 분류되는 횟수를 최소화하는 것입니다.

이상이 식별되면 기술자는 이를 해결하여 향후 정전을 방지하고 정부 규정을 준수할 수 있습니다. 오탐을 최소화하면 또 다른 이점이 있습니다. 즉, 이미지를 다시 살펴보는 불필요한 노력을 피할 수 있습니다.

이러한 측정항목을 염두에 두고 위에 정의된 XNUMX가지 측정항목을 모두 요약하는 다음 측정항목 측면에서 모델 성능을 추적합니다.

Precision

관심 개체에 대한 실제 변칙으로 감지된 변칙의 비율입니다. 정밀도는 알고리즘이 변칙 사항만 얼마나 잘 식별하는지를 측정합니다. 이 사용 사례에서 정밀도가 높다는 것은 허위 경보가 낮다는 것을 의미합니다(즉, 이미지에 구멍이 없는데 알고리즘이 딱따구리 구멍을 잘못 식별함).

소환

각 관심 개체에 대해 복구된 모든 이상 현상의 비율입니다. 리콜은 모든 이상 현상을 얼마나 잘 식별하는지를 측정합니다. 이 세트는 전체 변칙 세트 중 일부 비율을 캡처하며 해당 비율이 재현율입니다. 이 사용 사례에서 재현율이 높다는 것은 딱따구리 구멍이 발생할 때 이를 포착하는 데 능숙하다는 것을 의미합니다. 따라서 리콜은 이 POC에서 초점을 맞추는 올바른 측정 기준입니다. 왜냐하면 허위 경보는 기껏해야 짜증나는 일이고 놓친 변칙은 방치할 경우 심각한 결과를 초래할 수 있기 때문입니다.

리콜 수준이 낮을수록 가동 중단 및 정부 규정 위반이 발생할 수 있습니다. 정밀도가 낮으면 인간의 노력이 낭비됩니다. 이 참여의 주요 목표는 정부 규정을 준수하고 가동 중단을 방지하기 위해 모든 이상 현상을 식별하는 것입니다. 따라서 우리는 정확성보다 리콜 개선을 우선시합니다.

평가 및 모델 비교

다음 섹션에서는 이 작업 중에 사용된 다양한 모델링 기술을 비교합니다. 우리는 두 가지 AWS 서비스인 Amazon Rekognition과 Amazon Lookout for Vision의 성능을 평가했습니다. 또한 AutoGluon을 사용하여 다양한 모델링 기법을 평가했습니다. 마지막으로, 최첨단 ViT 기반 자가증류법과 성능을 비교합니다.

다음 그림은 이 계약 기간 동안 다양한 데이터 처리 기술을 사용하여 AutoGluon의 모델 개선을 보여줍니다. 주요 관찰은 데이터 품질과 양을 개선함에 따라 재현율 측면에서 모델 성능이 30% 미만에서 78%로 향상되었다는 것입니다.

다음으로 AutoGluon의 성능을 AWS 서비스와 비교합니다. 또한 성능 향상에 도움이 되는 다양한 데이터 처리 기술을 사용했습니다. 하지만 가장 큰 개선은 데이터의 양과 질이 높아진 데서 비롯됐다. 데이터 세트 크기를 총 11K 이미지에서 60K 이미지로 늘립니다.

다음으로 AutoGluon과 AWS 서비스의 성능을 ViT 기반 방법과 비교합니다. 다음 그림은 ViT 기반 방법인 AutoGluon 및 AWS 서비스가 리콜 측면에서 동등한 성능을 발휘함을 보여줍니다. 한 가지 주요 관찰은 특정 지점을 넘어서면 데이터 품질과 양의 증가가 재현율 측면에서 성능 향상에 도움이 되지 않는다는 것입니다. 그러나 정밀도 측면에서는 개선이 관찰되었습니다.

정밀도 대 재현율 비교

아마존 오토글루온	예측된 이상 현상	정상으로 예측됨
예외	15600	4400
표준	3659	38341

다음으로, 62개의 샘플이 포함된 데이터 세트를 사용하여 AutoGluon과 Amazon Rekognition 및 ViT 기반 방법에 대한 혼동 행렬을 제시합니다. 62K 샘플 중 20K 샘플은 비정상이고 나머지 42K 이미지는 정상입니다. ViT 기반 방법은 가장 많은 수의 이상 현상(16,600)을 캡처하고 Amazon Rekognition(16,000)과 Amazon AutoGluon(15600)이 그 뒤를 잇는다는 것을 알 수 있습니다. 마찬가지로 Amazon AutoGluon은 오탐(3659개 이미지) 수가 가장 적고 Amazon Rekognition(5918)과 ViT(15323)가 그 뒤를 따릅니다. 이러한 결과는 Amazon Rekognition이 가장 높은 AUC(곡선 아래 영역)를 달성했음을 보여줍니다.

아마존 인식	예측된 이상 현상	정상으로 예측됨
예외	16,000	4000
표준	5918	36082

비트	예측된 이상 현상	정상으로 예측됨
예외	16,600	3400
표준	15,323	26,677

결론

이 게시물에서는 MLSL과 Duke Energy 팀이 헬리콥터 비행을 통해 수집한 고해상도 이미지를 사용하여 나무 기둥의 이상 감지를 자동화하는 컴퓨터 비전 기반 솔루션을 개발하기 위해 어떻게 협력했는지 보여주었습니다. 제안된 솔루션은 크기 표준화를 위해 고해상도 이미지를 자르는 데이터 처리 파이프라인을 사용했습니다. 잘린 이미지는 Amazon Rekognition Custom Labels를 사용하여 추가 처리되어 관심 영역(즉, 기둥이 있는 패치가 포함된 작물)을 식별합니다. Amazon Rekognition은 기둥이 있는 패치를 정확하게 식별하는 측면에서 96%의 정밀도를 달성했습니다. ROI 작물은 ViT 기반 자가 증류 방식 AutoGluon 및 이상 탐지를 위한 AWS 서비스를 사용하여 이상 탐지에 추가로 사용됩니다. 우리는 세 가지 방법 모두의 성능을 평가하기 위해 표준 데이터 세트를 사용했습니다. ViT 기반 모델은 83%의 재현율과 52%의 정밀도를 달성했습니다. AutoGluon은 78%의 재현율과 81%의 정밀도를 달성했습니다. 마지막으로 Amazon Rekognition은 80%의 재현율과 73%의 정밀도를 달성합니다. 세 가지 다른 방법을 사용하는 목적은 다양한 훈련 샘플 수, 훈련 시간 및 배포 시간을 통해 각 방법의 성능을 비교하는 것입니다. 이러한 모든 방법은 단일 A2 GPU 인스턴스 또는 Amazon AWS의 관리형 서비스를 사용하여 교육하고 배포하는 데 100시간 미만이 소요됩니다. 다음으로, 모델 성능을 더욱 향상시키기 위한 단계에는 모델 정밀도를 높이기 위해 더 많은 훈련 데이터를 추가하는 것이 포함됩니다.

전반적으로, 이 게시물에서 제안된 엔드투엔드 파이프라인은 운영 비용, 안전 사고, 규제 위험, 탄소 배출 및 잠재적인 정전을 최소화하는 동시에 이상 탐지의 상당한 개선을 달성하는 데 도움이 됩니다.

개발된 솔루션은 절연체 및 기타 장비의 결함을 포함하여 전송 및 배전 네트워크 전반에 걸쳐 기타 이상 감지 및 자산 상태 관련 사용 사례에 사용될 수 있습니다. 이 솔루션을 개발하고 사용자 정의하는 데 추가 지원이 필요한 경우 언제든지 MLSL 팀에 문의하세요.

---

저자에 관하여

트래비스 브론슨 기술 분야에서 15년의 경력과 특히 인공 지능 분야에서 8년의 경력을 보유한 수석 인공 지능 전문가입니다. Travis는 Duke Energy에서 5년 동안 재직하면서 회사의 최첨단 기술에 고유한 통찰력과 창의적인 사고 리더십을 제공함으로써 디지털 혁신을 위한 AI 적용을 발전시켰습니다. Travis는 현재 AI 결과 및 거버넌스 발전에 초점을 맞춘 AI 실무자, 열광자, 비즈니스 파트너로 구성된 커뮤니티인 AI Core Team을 이끌고 있습니다. Travis는 미 해군과 미국 정부에서 시작하여 XNUMX년 이상 복무한 후 민간 부문으로 전환하는 등 다양한 기술 분야에서 기술을 습득하고 다듬었습니다.

 브라이언 윌커슨 Duke Energy에서 7년의 경험을 쌓은 숙련된 전문가입니다. 컴퓨터 과학 학위를 취득한 그는 지난 XNUMX년 동안 인공 지능 분야에서 탁월한 성과를 거두었습니다. Brian은 Duke Energy의 MADlab(기계 학습, AI 및 딥 러닝 팀)의 공동 창립자입니다. 그는 현재 Duke Energy에서 인공 지능 및 혁신 부문 이사직을 맡고 있으며 AI 구현을 통해 비즈니스 가치를 제공하는 데 열정을 쏟고 있습니다.

아산 알리 그는 Amazon Generative AI 혁신 센터의 응용 과학자로서 다양한 분야의 고객과 협력하여 Generative AI를 사용하여 긴급하고 비용이 많이 드는 문제를 해결하고 있습니다.

타힌 시에드 그는 Amazon Generative AI 혁신 센터의 응용 과학자로서 고객과 협력하여 생성 AI 솔루션으로 비즈니스 성과를 실현하도록 돕습니다. 업무 외에는 새로운 음식 맛보기, 여행, 태권도 가르치는 것을 즐깁니다.

Nkechinyere N. Agu 박사 AWS Generative AI Innovation Center의 응용 과학자입니다. 그녀의 전문 분야는 컴퓨터 비전 AI/ML 방법, 의료에 AI/ML 적용, ML 솔루션에 의미론적 기술(지식 그래프) 통합에 있습니다. 그녀는 컴퓨터 공학 석사와 박사 학위를 가지고 있습니다.

알도 아리즈멘디 그는 텍사스 오스틴에 위치한 AWS Generative AI 혁신 센터의 Generative AI 전략가입니다. University of Nebraska-Lincoln에서 컴퓨터 공학 학사 학위를 취득한 Arizmendi는 지난 12년 동안 수백 개의 Fortune 500대 기업과 스타트업이 고급 분석, 머신 러닝, 생성 AI를 사용하여 비즈니스를 혁신하도록 도왔습니다.

스테이시 젠크스 분석 및 AI/ML 분야에서 XNUMX년 이상의 경험을 보유한 AWS의 수석 분석 영업 전문가입니다. Stacey는 고객 이니셔티브에 대해 깊이 연구하고 데이터를 통해 혁신적이고 측정 가능한 비즈니스 결과를 도출하는 데 열정을 쏟고 있습니다. 그녀는 특히 저렴하고 신뢰할 수 있으며 청정 에너지를 사용하여 보다 친환경적인 지구를 향한 공익사업이 사회에 이룩할 성과에 대해 열정을 갖고 있습니다.

메디 누르 Generative Ai Innovation Center의 응용 과학 관리자입니다. 기술과 혁신을 연결하는 데 대한 열정으로 그는 AWS 고객이 Generative AI의 잠재력을 발휘하고 고급 AI 기술의 확장 가능하고 측정 가능하며 영향력 있는 사용에 중점을 두고 잠재적인 과제를 신속한 실험과 혁신의 기회로 전환하고 경로를 간소화하도록 지원합니다. 생산에.

• SEO 기반 콘텐츠 및 PR 배포. 오늘 증폭하십시오.
• PlatoData.Network 수직 생성 Ai. 자신에게 권한을 부여하십시오. 여기에서 액세스하십시오.
• PlatoAiStream. 웹3 인텔리전스. 지식 증폭. 여기에서 액세스하십시오.
• 플라톤ESG. 자동차 / EV, 탄소, 클린테크, 에너지, 환경, 태양광, 폐기물 관리. 여기에서 액세스하십시오.
• PlatoHealth. 생명 공학 및 임상 시험 인텔리전스. 여기에서 액세스하십시오.
• 차트프라임. ChartPrime으로 트레이딩 게임을 향상시키십시오. 여기에서 액세스하십시오.
• BlockOffsets. 환경 오프셋 소유권 현대화. 여기에서 액세스하십시오.
• 출처: https://aws.amazon.com/blogs/machine-learning/improving-asset-health-and-grid-resilience-using-machine-learning/