Poprawa stanu zasobów i odporności sieci dzięki uczeniu maszynowemu | Usługi internetowe Amazona

Ten post został napisany wspólnie z Travisem Bronsonem i Brianem L Wilkersonem z Duke Energy

Uczenie maszynowe (ML) zmienia każdą branżę, proces i firmę, ale droga do sukcesu nie zawsze jest prosta. W tym poście na blogu pokazujemy, jak to zrobić Książę Energii, firma z listy Fortune 150 z siedzibą w Charlotte w Karolinie Północnej, współpracowała z Laboratorium rozwiązań uczenia maszynowego AWS (MLSL) w celu wykorzystania wizji komputerowej do zautomatyzowania inspekcji drewnianych słupów energetycznych i zapobiegania przerwom w dostawie prądu, uszkodzeniom mienia, a nawet obrażeniom.

Sieć elektryczna składa się ze słupów, linii i elektrowni, które wytwarzają i dostarczają energię elektryczną do milionów domów i firm. Te słupy energetyczne są krytycznymi elementami infrastruktury i podlegają różnym czynnikom środowiskowym, takim jak wiatr, deszcz i śnieg, które mogą powodować zużycie aktywów. Regularne przeglądy i konserwacja słupów energetycznych mają kluczowe znaczenie, aby zapobiec awariom, które mogą prowadzić do przerw w dostawie prądu, szkód materialnych, a nawet obrażeń. Większość przedsiębiorstw energetycznych, w tym Duke Energy, stosuje ręczną kontrolę wzrokową słupów energetycznych w celu identyfikacji anomalii związanych z ich siecią przesyłową i dystrybucyjną. Metoda ta może być jednak kosztowna i czasochłonna oraz wymaga, aby pracownicy linii przesyłowych przestrzegali rygorystycznych protokołów bezpieczeństwa.

W przeszłości firma Duke Energy wykorzystywała sztuczną inteligencję do zwiększania wydajności w codziennych operacjach, co zakończyło się wielkim sukcesem. Firma wykorzystała sztuczną inteligencję do kontroli aktywów wytwórczych i infrastruktury krytycznej, a także badała możliwości zastosowania sztucznej inteligencji również do inspekcji słupów elektroenergetycznych. W trakcie współpracy laboratorium rozwiązań uczenia maszynowego AWS z Duke Energy narzędzie poczyniło postępy w pracach nad automatyzacją wykrywania anomalii w słupach drewnianych przy użyciu zaawansowanych technik widzenia komputerowego.

Cele i przypadek użycia

Celem współpracy pomiędzy Duke Energy a laboratorium rozwiązań uczenia maszynowego jest wykorzystanie uczenia maszynowego do sprawdzenia setek tysięcy zdjęć lotniczych o wysokiej rozdzielczości w celu zautomatyzowania procesu identyfikacji i przeglądu wszystkich problemów związanych ze słupami drewnianymi w liniach przesyłowych o długości 33,000 XNUMX mil . Cel ten dodatkowo pomoże firmie Duke Energy poprawić odporność sieci i zapewnić zgodność z przepisami rządowymi poprzez terminową identyfikację usterek. Zmniejszy także koszty paliwa i pracy, a także zmniejszy emisję dwutlenku węgla poprzez minimalizację niepotrzebnych przejazdów ciężarówek. Wreszcie, poprawi także bezpieczeństwo, minimalizując przebyte kilometry, wspinanie się na tyczki i ryzyko kontroli fizycznej związane z niekorzystnymi warunkami terenowymi i pogodowymi.

W poniższych sekcjach przedstawiamy kluczowe wyzwania związane z opracowaniem solidnych i wydajnych modeli wykrywania anomalii związanych z drewnianymi słupami energetycznymi. Opisujemy także kluczowe wyzwania i założenia związane z różnymi technikami wstępnego przetwarzania danych stosowanymi w celu osiągnięcia pożądanej wydajności modelu. Następnie przedstawiamy kluczowe metryki stosowane do oceny wydajności modelu wraz z oceną naszych ostatecznych modeli. Na koniec porównujemy różne najnowocześniejsze techniki modelowania nadzorowanego i bez nadzoru.

Wyzwania

Jednym z kluczowych wyzwań związanych z uczeniem modelu wykrywania anomalii na podstawie zdjęć lotniczych są niejednorodne rozmiary obrazów. Poniższy rysunek przedstawia rozkład wysokości i szerokości obrazu przykładowego zbioru danych z Duke Energy. Można zauważyć, że obrazy charakteryzują się dużą różnorodnością pod względem wielkości. Podobnie rozmiar obrazów również stwarza poważne wyzwania. Rozmiar obrazów wejściowych wynosi tysiące pikseli szerokości i tysiące pikseli długości. Nie jest to również idealne rozwiązanie do uczenia modelu identyfikacji małych anomalnych obszarów na obrazie.

Ponadto obrazy wejściowe zawierają dużą ilość nieistotnych informacji tła, takich jak roślinność, samochody, zwierzęta hodowlane itp. Informacje tła mogą skutkować nieoptymalną wydajnością modelu. Z naszej oceny wynika, że ​​tylko 5% obrazu zawiera drewniane słupy, a anomalie są jeszcze mniejsze. Stanowi to główne wyzwanie w zakresie identyfikacji i lokalizacji anomalii na obrazach o wysokiej rozdzielczości. Liczba anomalii jest znacznie mniejsza w porównaniu do całego zbioru danych. W całym zbiorze danych występuje jedynie 0.12% nieprawidłowych obrazów (tj. 1.2 anomalii na 1000 obrazów). Wreszcie nie ma dostępnych danych oznaczonych etykietami do szkolenia nadzorowanego modelu uczenia maszynowego. Następnie opisujemy, w jaki sposób radzimy sobie z tymi wyzwaniami i wyjaśniamy proponowaną przez nas metodę.

Omówienie rozwiązania

Techniki modelowania

Poniższy rysunek przedstawia nasz potok przetwarzania obrazu i wykrywania anomalii. Najpierw zaimportowaliśmy dane do Usługa Amazon Simple Storage (Amazon S3) za pomocą Studio Amazon SageMaker. Następnie zastosowaliśmy różne techniki przetwarzania danych, aby sprostać niektórym wyzwaniom podkreślonym powyżej i poprawić wydajność modelu. Po wstępnej obróbce danych zatrudniliśmy Amazon Rozpoznawanie etykiet niestandardowych do etykietowania danych. Oznaczone dane są dalej wykorzystywane do uczenia nadzorowanych modeli uczenia maszynowego, takich jak Vision Transformer, Amazon Lookout dla wizji, AutoGloun do wykrywania anomalii.

Poniższy rysunek przedstawia szczegółowy przegląd proponowanego przez nas podejścia, które obejmuje potok przetwarzania danych i różne algorytmy ML stosowane do wykrywania anomalii. Najpierw opiszemy etapy procesu przetwarzania danych. Następnie wyjaśnimy szczegóły i intuicję związaną z różnymi technikami modelowania stosowanymi podczas tego zaangażowania, aby osiągnąć pożądane cele w zakresie wydajności.

Wstępne przetwarzanie danych

Proponowany potok wstępnego przetwarzania danych obejmuje standaryzacja danych, identyfikacja obszaru zainteresowania (ROI), powiększanie danych, segmentacja danych i w końcu etykietowanie danych. Cel każdego kroku opisano poniżej:

Standaryzacja danych

Pierwszy krok w naszym procesie przetwarzania danych obejmuje standaryzację danych. Na tym etapie każdy obraz jest przycinany i dzielony na nienakładające się obszary o wymiarach 224 x 224 pikseli. Celem tego etapu jest wygenerowanie fragmentów o jednakowych rozmiarach, które można następnie wykorzystać do uczenia modelu ML i lokalizowania anomalii na obrazach o wysokiej rozdzielczości.

Identyfikacja obszaru zainteresowania (ROI)

Dane wejściowe składają się z obrazów o wysokiej rozdzielczości zawierających dużą ilość nieistotnych informacji tła (tj. roślinności, domów, samochodów, koni, krów itp.). Naszym celem jest identyfikacja anomalii związanych ze słupami drewnianymi. Aby zidentyfikować ROI (tj. łaty zawierające drewniany słup), zastosowaliśmy niestandardowe oznakowanie Amazon Rekognition. Przeszkoliliśmy model niestandardowej etykiety Amazon Rekognition przy użyciu obrazów z etykietami 3k zawierających zarówno ROI, jak i obrazy tła. Celem modelu jest dokonanie binarnej klasyfikacji pomiędzy ROI i obrazami tła. Plamy zidentyfikowane jako informacje podstawowe są odrzucane, a plony przewidywane jako ROI są wykorzystywane w następnym kroku. Poniższy rysunek przedstawia potok identyfikujący ROI. Wygenerowaliśmy próbkę nienakładających się na siebie wycinków składających się z 1,110 drewnianych obrazów, które wygenerowały 244,673 11,356 wycinki. Następnie wykorzystaliśmy te obrazy jako dane wejściowe do niestandardowego modelu Amazon Rekognition, który zidentyfikował 11,356 10,969 upraw jako ROI. Na koniec ręcznie zweryfikowaliśmy każdą z tych 11,356 96 poprawek. Podczas ręcznej kontroli stwierdziliśmy, że model był w stanie poprawnie przewidzieć XNUMX XNUMX kawałków drewna z XNUMX XNUMX jako ROI. Innymi słowy, model osiągnął XNUMX% precyzji.

Etykietowanie danych

Podczas ręcznej kontroli obrazów oznaczyliśmy także każdy obraz powiązanymi etykietami. Powiązane etykiety obrazów obejmują łatę drewna, łatę niedrewnianą, niestrukturalną, łatę niedrewnianą i wreszcie łatę drewna z anomaliami. Poniższy rysunek przedstawia nazewnictwo obrazów przy użyciu niestandardowych etykiet Amazon Rekognition.

Powiększanie danych

Biorąc pod uwagę ograniczoną ilość oznaczonych danych, które były dostępne do szkolenia, rozszerzyliśmy zestaw danych szkoleniowych, dokonując poziomych odwróceń wszystkich poprawek. Miało to skuteczny wpływ na podwojenie rozmiaru naszego zbioru danych.

Segmentacja

Oznaczyliśmy obiekty na 600 obrazach (słupy, przewody i metalowa balustrada) za pomocą narzędzia do etykietowania obiektów ograniczających w Amazon Rekognition Custom Labels i wyszkoliliśmy model do wykrywania trzech głównych obiektów będących przedmiotem zainteresowania. Wykorzystaliśmy wytrenowany model do usunięcia tła ze wszystkich obrazów, identyfikując i wyodrębniając bieguny na każdym obrazie, usuwając jednocześnie wszystkie inne obiekty oraz tło. Wynikowy zbiór danych zawierał mniej obrazów niż oryginalny zbiór danych, co wynikało z usunięcia wszystkich obrazów niezawierających drewnianych słupów. Ponadto ze zbioru danych usunięto również fałszywie pozytywny obraz.

Wykrywanie anomalii

Następnie wykorzystujemy wstępnie przetworzone dane do szkolenia modelu uczenia maszynowego pod kątem wykrywania anomalii. Zastosowaliśmy trzy różne metody wykrywania anomalii, które obejmują usługi uczenia maszynowego zarządzanego AWS (Amazon Lookout for Vision [L4V], Amazon Rekognition), AutoGluon i metodę samodestylacji opartą na Vision Transformer.

Usługi AWS-a

Amazon Lookout for Vision (L4V)

Amazon Lookout for Vision to zarządzana usługa AWS, która umożliwia szybkie szkolenie i wdrażanie modeli ML oraz zapewnia możliwości wykrywania anomalii. Wymaga w pełni oznaczonych danych, które udostępniliśmy, wskazując ścieżki obrazów w Amazon S3. Uczenie modelu jest tak proste, jak pojedyncze wywołanie interfejsu API (interfejs programowania aplikacji) lub kliknięcie przycisku konsoli, a L4V zajmuje się wyborem modelu i dostrojeniem hiperparametrów pod maską.

Amazon Rekognition

Amazon Rekognition to zarządzana usługa AI/ML podobna do L4V, która ukrywa szczegóły modelowania i zapewnia wiele możliwości, takich jak klasyfikacja obrazów, wykrywanie obiektów, niestandardowe etykietowanie i wiele innych. Zapewnia możliwość wykorzystania wbudowanych modeli do zastosowania do wcześniej znanych obiektów w obrazach (np. z ImageNet lub innych dużych, otwartych zbiorów danych). Wykorzystaliśmy jednak funkcję etykiet niestandardowych Amazon Rekognition do szkolenia detektora ROI, a także detektora anomalii na konkretnych obrazach, którymi dysponuje Duke Energy. Wykorzystaliśmy także niestandardowe etykiety Amazon Rekognition, aby wytrenować model, aby umieszczał ramki ograniczające wokół drewnianych słupów na każdym obrazie.

AutoGloun

AutoGluon to technika uczenia maszynowego typu open source opracowana przez firmę Amazon. AutoGluon zawiera komponent multimodalny, który umożliwia łatwe szkolenie na danych obrazu. Wykorzystaliśmy Multimodalny AutoGluon do trenowania modeli na oznaczonych fragmentach obrazu, aby ustalić punkt odniesienia dla identyfikacji anomalii.

Transformator wizji

Wiele z najbardziej ekscytujących nowych, przełomowych odkryć w zakresie sztucznej inteligencji wynika z dwóch najnowszych innowacji: samonadzorowanego uczenia się, które pozwala maszynom uczyć się na przypadkowych, nieoznaczonych przykładach; oraz Transformatory, które umożliwiają modelom sztucznej inteligencji selektywne skupianie się na określonych fragmentach danych wejściowych, a tym samym skuteczniejsze rozumowanie. Obie metody są przedmiotem stałego zainteresowania społeczności zajmującej się uczeniem maszynowym i z przyjemnością informujemy, że wykorzystaliśmy je w tym zaangażowaniu.

W szczególności, współpracując z badaczami z Duke Energy, wykorzystaliśmy wstępnie wytrenowane modele ViT (Vision Transformer) do samodestylacji jako ekstraktory cech dla dalszej aplikacji do wykrywania anomalii za pomocą Amazon Sagemaker. Wstępnie wytrenowane modele transformatorów wizyjnych z samodestylacją są szkolone na dużej ilości danych szkoleniowych przechowywanych na Amazon S3 w sposób samonadzorowany przy użyciu Amazon SageMaker. Wykorzystujemy możliwości transferu uczenia się modeli ViT wstępnie wyszkolonych na dużych zbiorach danych (np. ImageNet). Pomogło nam to osiągnąć zapamiętywanie na poziomie 83% w przypadku zestawu ewaluacyjnego, w którym wykorzystano jedynie kilka tysięcy oznaczonych obrazów do celów szkoleniowych.

Wskaźniki oceny

Poniższy rysunek przedstawia kluczowe metryki używane do oceny wydajności modelu i jego wpływu. Kluczowym celem modelu jest maksymalizacja wykrywania anomalii (tj. wyników prawdziwie pozytywnych) i minimalizacja liczby wyników fałszywie negatywnych, czyli sytuacji, w których anomalie mogące prowadzić do przestojów są błędnie klasyfikowane.

Po zidentyfikowaniu anomalii technicy mogą je naprawić, zapobiegając przyszłym przestojom i zapewniając zgodność z przepisami rządowymi. Minimalizacja fałszywych alarmów ma jeszcze jedną zaletę: pozwala uniknąć niepotrzebnego wysiłku związanego z ponownym przeglądaniem obrazów.

Mając na uwadze te metryki, śledzimy wydajność modelu pod względem następujących metryk, które obejmują wszystkie cztery metryki zdefiniowane powyżej.

Detaliczność

Procent wykrytych anomalii, które są rzeczywistymi anomaliami dla interesujących obiektów. Precyzja mierzy, jak dobrze nasz algorytm identyfikuje tylko anomalie. W tym przypadku wysoka precyzja oznacza niski poziom fałszywych alarmów (tzn. algorytm błędnie identyfikuje dziurę dzięcioła, podczas gdy na obrazie jej nie ma).

Odwołanie

Procent wszystkich anomalii odzyskanych dla każdego interesującego obiektu. Przypomnienie mierzy, jak dobrze identyfikujemy wszystkie anomalie. Ten zestaw obejmuje pewien procent pełnego zestawu anomalii i ten procent stanowi przypomnienie. W tym przypadku wysoka skuteczność przypominania oznacza, że ​​jesteśmy dobrzy w łapaniu dziur dzięciołów, gdy te się pojawią. Dlatego też wycofanie jest właściwym miernikiem, na którym należy się skupić w tym POC, ponieważ fałszywe alarmy są w najlepszym wypadku irytujące, a przeoczone anomalie mogą prowadzić do poważnych konsekwencji, jeśli zostaną pozostawione bez nadzoru.

Mniejsze wycofanie może prowadzić do przestojów i naruszeń przepisów rządowych. Natomiast mniejsza precyzja prowadzi do zmarnowania ludzkiego wysiłku. Głównym celem tego zadania jest identyfikacja wszystkich anomalii w celu zapewnienia zgodności z przepisami rządowymi i uniknięcia przestojów, dlatego priorytetem jest dla nas poprawa wycofywania produktów, a nie precyzja.

Ocena i porównanie modeli

W poniższej sekcji przedstawiamy porównanie różnych technik modelowania zastosowanych podczas tego zaangażowania. Oceniliśmy wydajność dwóch usług AWS: Amazon Rekognition i Amazon Lookout for Vision. Oceniliśmy także różne techniki modelowania przy użyciu AutoGluon. Na koniec porównujemy wydajność z najnowocześniejszą metodą samodestylacji opartą na ViT.

Poniższy rysunek przedstawia ulepszenia modelu AutoGluon przy użyciu różnych technik przetwarzania danych w okresie objętym tym zaangażowaniem. Kluczową obserwacją jest to, że w miarę poprawy jakości i ilości danych wydajność modelu pod względem przypominania wzrosła z poniżej 30% do 78%.

Następnie porównujemy wydajność AutoGluon z usługami AWS. Zastosowaliśmy także różne techniki przetwarzania danych, które pomogły poprawić wydajność. Jednak główna poprawa nastąpiła dzięki zwiększeniu ilości i jakości danych. Zwiększamy rozmiar zbioru danych z łącznie 11 tys. obrazów do 60 tys. obrazów.

Następnie porównujemy wydajność usług AutoGluon i AWS metodą opartą na ViT. Poniższy rysunek pokazuje, że metody oparte na ViT, usługi AutoGluon i AWS działają na równi pod względem wycofania. Jedną z kluczowych obserwacji jest to, że powyżej pewnego punktu wzrost jakości i ilości danych nie pomaga zwiększyć wydajności w zakresie przypominania. Obserwujemy jednak poprawę w zakresie precyzji.

Porównanie precyzji i przypominania

AutoGluon Amazona	Przewidywane anomalie	Przewidywano, że normalne
Anomalie	15600	4400
Normalna	3659	38341

Następnie przedstawiamy macierz zamieszania dla metody opartej na AutoGluon i Amazon Rekognition oraz ViT, korzystając z naszego zbioru danych zawierającego 62 tys. próbek. Spośród 62 tys. próbek 20 tys. próbek jest nieprawidłowych, a pozostałe 42 tys. obrazów jest normalnych. Można zaobserwować, że metody oparte na ViT wychwytują największą liczbę anomalii (16,600 16,000), a następnie Amazon Rekognition (15600 3659) i Amazon AutoGluon (5918 15323). Podobnie Amazon AutoGluon ma najmniejszą liczbę fałszywych alarmów (XNUMX obrazów), a za nim plasują się Amazon Rekognition (XNUMX) i ViT (XNUMX). Wyniki te pokazują, że Amazon Rekognition osiąga najwyższe AUC (obszar pod krzywą).

Amazon Rekognition	Przewidywane anomalie	Przewidywano, że normalne
Anomalie	16,000	4000
Normalna	5918	36082

ViT	Przewidywane anomalie	Przewidywano, że normalne
Anomalie	16,600	3400
Normalna	15,323	26,677

Wnioski

W tym poście pokazaliśmy, jak zespoły MLSL i Duke Energy współpracowały nad opracowaniem rozwiązania opartego na wizji komputerowej, umożliwiającego automatyzację wykrywania anomalii w słupach drewnianych przy użyciu obrazów o wysokiej rozdzielczości zebranych podczas lotów helikopterem. W proponowanym rozwiązaniu zastosowano potok przetwarzania danych w celu przycięcia obrazu o wysokiej rozdzielczości w celu standaryzacji rozmiaru. Przycięte obrazy są dalej przetwarzane przy użyciu niestandardowych etykiet Amazon Rekognition w celu identyfikacji obszaru zainteresowania (tj. upraw zawierających łaty z tyczkami). Amazon Rekognition osiągnął 96% precyzji w zakresie prawidłowego identyfikowania naszywek z tyczkami. Uprawy ROI są dalej wykorzystywane do wykrywania anomalii przy użyciu samodestylacji opartej na ViT mdoel AutoGluon i usług AWS do wykrywania anomalii. Do oceny skuteczności wszystkich trzech metod wykorzystaliśmy standardowy zestaw danych. Model oparty na ViT osiągnął 83% przypominania i 52% precyzji. AutoGluon osiągnął 78% przypominania i 81% precyzji. Wreszcie Amazon Rekognition osiąga 80% przypomnienia i 73% precyzji. Celem stosowania trzech różnych metod jest porównanie wydajności każdej metody przy różnej liczbie próbek szkoleniowych, czasie szkolenia i czasie wdrożenia. Wyszkolenie i wdrożenie wszystkich tych metod zajmuje mniej niż 2 godziny przy użyciu pojedynczej instancji procesora graficznego A100 lub usług zarządzanych w Amazon AWS. Następnie kroki prowadzące do dalszej poprawy wydajności modelu obejmują dodanie większej liczby danych szkoleniowych w celu poprawy precyzji modelu.

Ogólnie rzecz biorąc, kompleksowy rurociąg zaproponowany w tym poście pomaga osiągnąć znaczną poprawę w wykrywaniu anomalii, minimalizując jednocześnie koszty operacyjne, zdarzenia związane z bezpieczeństwem, ryzyko regulacyjne, emisję gazów cieplarnianych i potencjalne przerwy w dostawie prądu.

Opracowane rozwiązanie można zastosować do wykrywania innych anomalii i zastosowań związanych ze stanem majątku trwałego w sieciach przesyłowych i dystrybucyjnych, w tym defektów izolatorów i innego sprzętu. Aby uzyskać dalszą pomoc w opracowywaniu i dostosowywaniu tego rozwiązania, skontaktuj się z zespołem MLSL.

---

O autorach

Travisa Bronsona jest głównym specjalistą ds. sztucznej inteligencji z 15-letnim doświadczeniem w technologii i 8 lat poświęconym specjalnie sztucznej inteligencji. W ciągu swojej 5-letniej pracy w Duke Energy Travis rozwinął zastosowanie sztucznej inteligencji w transformacji cyfrowej, wnosząc unikalne spostrzeżenia i kreatywne przywództwo do liderów swojej firmy. Travis obecnie kieruje zespołem AI Core Team, społecznością praktyków, entuzjastów i partnerów biznesowych AI skupiających się na ulepszaniu wyników i zarządzaniu sztuczną inteligencją. Travis zdobywał i doskonalił swoje umiejętności w wielu dziedzinach technologicznych, zaczynając od amerykańskiej marynarki wojennej i rządu USA, a następnie po ponad dziesięciu latach służby przeszedł do sektora prywatnego.

 Briana Wilkersona jest znakomitym profesjonalistą z dwudziestoletnim doświadczeniem w Duke Energy. Mając dyplom z informatyki, przez ostatnie 7 lat doskonalił się w dziedzinie sztucznej inteligencji. Brian jest współzałożycielem MADlab w Duke Energy (zespół uczenia maszynowego, sztucznej inteligencji i głębokiego uczenia się). Obecnie zajmuje stanowisko dyrektora ds. sztucznej inteligencji i transformacji w Duke Energy, gdzie pasjonuje się dostarczaniem wartości biznesowej poprzez wdrażanie sztucznej inteligencji.

Ahsan Ali jest naukowcem stosowanym w Centrum Innowacji Amazon Generative AI, gdzie współpracuje z klientami z różnych dziedzin, aby rozwiązywać ich pilne i kosztowne problemy za pomocą Generative AI.

Tahina Syeda jest naukowcem stosowanym w Centrum Innowacji Amazon Generative AI, gdzie współpracuje z klientami, pomagając im osiągać wyniki biznesowe dzięki generatywnym rozwiązaniom AI. Poza pracą lubi próbować nowego jedzenia, podróżować i uczyć taekwondo.

Dr Nkechinyere N. Agu jest naukowcem stosowanym w Centrum Innowacji Generative AI w AWS. Specjalizuje się w metodach Computer Vision AI/ML, zastosowaniach AI/ML w opiece zdrowotnej, a także integracji technologii semantycznych (wykresy wiedzy) w rozwiązaniach ML. Posiada tytuł magistra i doktora informatyki.

Aldo Arizmendi jest specjalistą ds. strategii generatywnej sztucznej inteligencji w Centrum Innowacji Generative AI AWS z siedzibą w Austin w Teksasie. Po uzyskaniu tytułu licencjata z inżynierii komputerowej na Uniwersytecie Nebraska-Lincoln w ciągu ostatnich 12 lat pan Arizmendi pomógł setkom firm i start-upów z listy Fortune 500 w transformacji ich działalności przy użyciu zaawansowanej analityki, uczenia maszynowego i generatywnej sztucznej inteligencji.

Stacey Jenks jest głównym specjalistą ds. sprzedaży Analytics w AWS z ponad dwudziestoletnim doświadczeniem w Analytics i AI/ML. Stacey pasjonuje się dogłębnym analizowaniem inicjatyw klientów i zapewnianiem transformacyjnych, mierzalnych wyników biznesowych za pomocą danych. Jest szczególnie entuzjastycznie nastawiona do wpływu, jaki przedsiębiorstwa użyteczności publicznej wywrą na społeczeństwo, w drodze na bardziej ekologiczną planetę z niezawodną i czystą energią po przystępnej cenie.

Mahdiego Noora jest menedżerem ds. nauk stosowanych w Centrum Innowacji Generative Ai. Dzięki pasji do łączenia technologii i innowacji pomaga klientom AWS w uwalnianiu potencjału generatywnej sztucznej inteligencji, przekształcając potencjalne wyzwania w możliwości szybkiego eksperymentowania i innowacji, koncentrując się na skalowalnych, mierzalnych i wpływowych zastosowaniach zaawansowanych technologii sztucznej inteligencji oraz usprawniając ścieżkę do produkcji.

• Dystrybucja treści i PR oparta na SEO. Uzyskaj wzmocnienie już dziś.
• PlatoData.Network Pionowe generatywne AI. Wzmocnij się. Dostęp tutaj.
• PlatoAiStream. Inteligencja Web3. Wiedza wzmocniona. Dostęp tutaj.
• PlatonESG. Motoryzacja / pojazdy elektryczne, Węgiel Czysta technologia, Energia, Środowisko, Słoneczny, Gospodarowanie odpadami. Dostęp tutaj.
• Platon Zdrowie. Inteligencja w zakresie biotechnologii i badań klinicznych. Dostęp tutaj.
• ChartPrime. Podnieś poziom swojej gry handlowej dzięki ChartPrime. Dostęp tutaj.
• Przesunięcia bloków. Modernizacja własności offsetu środowiskowego. Dostęp tutaj.
• Źródło: https://aws.amazon.com/blogs/machine-learning/improving-asset-health-and-grid-resilience-using-machine-learning/