ทุกวันนี้ มลพิษทางอากาศเป็นปัญหาสิ่งแวดล้อมที่คุ้นเคย ซึ่งสร้างสภาวะระบบทางเดินหายใจและหัวใจที่รุนแรง ซึ่งก่อให้เกิดภัยคุกคามต่อสุขภาพอย่างร้ายแรง ฝนกรด การพร่องของชั้นโอโซน และภาวะโลกร้อน ก็เป็นผลเสียของมลพิษทางอากาศเช่นกัน จำเป็นต้องมีการตรวจสอบอัจฉริยะและระบบอัตโนมัติ เพื่อป้องกันปัญหาสุขภาพที่รุนแรงและในกรณีที่ร้ายแรงถึงสถานการณ์ที่คุกคามชีวิต วัดคุณภาพอากาศโดยใช้ความเข้มข้นของสารมลพิษในอากาศ การระบุอาการตั้งแต่เนิ่นๆ และการควบคุมระดับมลพิษก่อนเกิดอันตรายเป็นสิ่งสำคัญ กระบวนการระบุคุณภาพอากาศและความผิดปกติในน้ำหนักของสารมลพิษ และการวินิจฉัยสาเหตุอย่างรวดเร็ว เป็นเรื่องยาก มีค่าใช้จ่ายสูง และเกิดข้อผิดพลาดได้ง่าย
กระบวนการของการใช้โซลูชันที่ใช้ AI และการเรียนรู้ของเครื่อง (ML) เพื่อค้นหาความผิดปกติของข้อมูลนั้นมีความซับซ้อนมากมายในการนำเข้า การดูแลจัดการ และการเตรียมข้อมูลในรูปแบบที่ถูกต้อง จากนั้นจึงเพิ่มประสิทธิภาพและรักษาประสิทธิภาพของแบบจำลอง ML เหล่านี้เป็นระยะเวลานาน เวลา. นี่เป็นหนึ่งในอุปสรรคในการปรับใช้และปรับขนาดการนำความสามารถของ ML ไปใช้อย่างรวดเร็ว
โพสต์นี้แสดงวิธีใช้โซลูชันแบบบูรณาการกับ Amazon Lookout สำหรับเมตริก และ สายไฟ Amazon Kinesis Data เพื่อทำลายอุปสรรคเหล่านี้โดยการนำเข้าข้อมูลสตรีมมิ่งอย่างรวดเร็วและง่ายดาย จากนั้นจึงตรวจหาความผิดปกติในตัวบ่งชี้ประสิทธิภาพหลักที่คุณสนใจ
Lookout for Metrics จะตรวจจับและวินิจฉัยความผิดปกติโดยอัตโนมัติ (ค่าผิดปกติจากบรรทัดฐาน) ในข้อมูลธุรกิจและการปฏิบัติงาน เป็นบริการ ML ที่มีการจัดการเต็มรูปแบบซึ่งใช้แบบจำลอง ML เฉพาะทางเพื่อตรวจหาความผิดปกติตามลักษณะของข้อมูลของคุณ ตัวอย่างเช่น แนวโน้มและฤดูกาลเป็นคุณลักษณะสองประการของเมตริกอนุกรมเวลาที่การตรวจจับความผิดปกติตามเกณฑ์ไม่ทำงาน เทรนด์คือการเปลี่ยนแปลงอย่างต่อเนื่อง (เพิ่มขึ้นหรือลดลง) ในมูลค่าของเมตริก ในทางกลับกัน ฤดูกาลคือรูปแบบเป็นระยะๆ ที่เกิดขึ้นในระบบ ซึ่งมักจะเพิ่มขึ้นเหนือเส้นพื้นฐานแล้วลดลงอีกครั้ง คุณไม่จำเป็นต้องมีประสบการณ์ ML เพื่อใช้ Lookout for Metrics
เราสาธิตสถานการณ์การตรวจสอบคุณภาพอากาศทั่วไป ซึ่งเราตรวจพบความผิดปกติในความเข้มข้นของสารก่อมลพิษในอากาศ ในตอนท้ายของโพสต์นี้ คุณจะได้เรียนรู้วิธีใช้บริการที่มีการจัดการเหล่านี้จาก AWS เพื่อช่วยป้องกันปัญหาด้านสุขภาพและภาวะโลกร้อน คุณสามารถใช้โซลูชันนี้กับกรณีการใช้งานอื่นๆ เพื่อการจัดการสิ่งแวดล้อมที่ดีขึ้น เช่น การตรวจจับความผิดปกติในคุณภาพน้ำ คุณภาพดิน และรูปแบบการใช้พลังงาน เป็นต้น
ภาพรวมโซลูชัน
สถาปัตยกรรมประกอบด้วยสามช่วงการทำงาน:
- เซ็นเซอร์ไร้สายถูกวางไว้ที่ตำแหน่งทางยุทธศาสตร์เพื่อตรวจจับระดับความเข้มข้นของคาร์บอนมอนอกไซด์ (CO) ซัลเฟอร์ไดออกไซด์ (SO2) และไนโตรเจนไดออกไซด์ (NO2) ในอากาศ
- การรับส่งข้อมูลและการจัดเก็บข้อมูล
- การตรวจจับและแจ้งเตือนความผิดปกติ
โซลูชันนี้ให้เส้นทางข้อมูลอัตโนมัติเต็มรูปแบบจากเซ็นเซอร์ไปจนถึงการแจ้งเตือนที่ส่งถึงผู้ใช้ คุณยังสามารถโต้ตอบกับโซลูชันโดยใช้ Lookout for Metrics UI เพื่อวิเคราะห์ความผิดปกติที่ระบุ
ไดอะแกรมต่อไปนี้แสดงสถาปัตยกรรมโซลูชันของเรา
เบื้องต้น
คุณต้องมีข้อกำหนดเบื้องต้นต่อไปนี้ก่อนจึงจะสามารถดำเนินการแก้ไขได้ สำหรับโพสต์นี้ เราใช้ภูมิภาค us-east-1
- ดาวน์โหลดสคริปต์ Python (เผยแพร่.py) และไฟล์ข้อมูลจาก the repo GitHub.
- เปิด
live_data.csv
ในโปรแกรมแก้ไขที่คุณต้องการและแทนที่วันที่เป็นวันที่ของวันนี้และวันพรุ่งนี้ ตัวอย่างเช่น หากวันนี้เป็นวันที่ 8 กรกฎาคม 2022 ให้แทนที่2022-03-25
กับ2022-07-08
. ให้รูปแบบเหมือนเดิม สิ่งนี้จำเป็นสำหรับการจำลองข้อมูลเซ็นเซอร์สำหรับวันที่ปัจจุบันโดยใช้สคริปต์ตัวจำลอง IoT - สร้าง บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon (Amazon S3) ที่ฝากข้อมูลและโฟลเดอร์ชื่อ
air-quality
. สร้างโฟลเดอร์ย่อยภายในair-quality
ชื่อhistorical
. ดูคำแนะนำได้ที่ การสร้างโฟลเดอร์. - อัปโหลดไฟล์
live_data.csv
ไฟล์ในที่ฝากข้อมูลรูท S3 และhistorical_data.json
ในแฟ้มประวัติ - สร้าง AWS Cloud9 สภาพแวดล้อมการพัฒนา ซึ่งเราใช้รันโปรแกรมจำลอง Python เพื่อสร้างข้อมูลเซ็นเซอร์สำหรับโซลูชันนี้
นำเข้าและแปลงข้อมูลโดยใช้ AWS IoT Core และ Kinesis Data Firehose
เราใช้สตรีมการส่ง Kinesis Data Firehose เพื่อนำเข้าข้อมูลการสตรีมจาก AWS IoT คอร์ และส่งไปที่ Amazon S3 ทำตามขั้นตอนต่อไปนี้:
- บนคอนโซล Kinesis Data Firehose ให้เลือก สร้างกระแสการจัดส่ง.
- สำหรับ แหล่งเลือก วางโดยตรง.
- สำหรับ ปลายทางเลือก Amazon S3.
- สำหรับ ชื่อสตรีมการจัดส่งป้อนชื่อสำหรับสตรีมการจัดส่งของคุณ
- สำหรับ ถัง S3ให้ป้อนที่เก็บข้อมูลที่คุณสร้างเป็นข้อกำหนดเบื้องต้น
- ป้อนค่าสำหรับ คำนำหน้าถัง S3 และ คำนำหน้าเอาต์พุตข้อผิดพลาดที่ฝากข้อมูล S3. ประเด็นสำคัญประการหนึ่งที่ควรทราบคือการกำหนดค่าส่วนนำหน้าแบบกำหนดเองที่กำหนดค่าไว้สำหรับปลายทาง Amazon S3 รูปแบบคำนำหน้านี้ทำให้แน่ใจว่าข้อมูลถูกสร้างขึ้นในบัคเก็ต S3 ตามลำดับชั้นคำนำหน้าที่คาดไว้โดย Lookout for Metrics (เพิ่มเติมเกี่ยวกับเรื่องนี้ในโพสต์นี้) สำหรับข้อมูลเพิ่มเติมเกี่ยวกับคำนำหน้าแบบกำหนดเอง โปรดดูที่ คำนำหน้าแบบกำหนดเองสำหรับอ็อบเจ็กต์ Amazon S3.
- สำหรับ ช่วงเวลาบัฟเฟอร์ป้อน
60
. - Choose สร้างหรืออัปเดตบทบาท IAM.
- Choose สร้างกระแสการจัดส่ง.
ตอนนี้เรากำหนดค่า AWS IoT Core และเรียกใช้โปรแกรมจำลองคุณภาพอากาศ - บนคอนโซล AWS IoT Core สร้างนโยบาย AWS IoT เรียกว่าผู้ดูแลระบบ
- ในบานหน้าต่างนำทางภายใต้ การกำหนดเส้นทางข้อความเลือก กฎระเบียบ.
- Choose สร้างกฎ.
- สร้างกฎด้วย Kinesis Data Firehose (ท่อดับเพลิง) การดำเนินการ.
ซึ่งจะส่งข้อมูลจากข้อความ MQTT ไปยังสตรีมการนำส่ง Kinesis Data Firehose - Choose สร้างบัญชีตัวแทน.
- สร้างสิ่ง AWS IoT ด้วยชื่อ
Test-Thing
และแนบนโยบายที่คุณสร้างขึ้น - ดาวน์โหลดใบรับรอง คีย์สาธารณะ คีย์ส่วนตัว ใบรับรองอุปกรณ์ และ root CA สำหรับ AWS IoT Core
- บันทึกแต่ละไฟล์ที่ดาวน์โหลดไปที่
certificates
ไดเรกทอรีย่อยที่คุณสร้างไว้ก่อนหน้านี้ - อัปโหลด publish.py ไปที่
iot-test-publish
โฟลเดอร์ - บนคอนโซล AWS IoT Core ในบานหน้าต่างนำทาง ให้เลือก การตั้งค่า.
- ภายใต้ ปลายทางที่กำหนดเองคัดลอกปลายทาง
URL ปลายทางแบบกำหนดเองของ AWS IoT Core นี้เป็นส่วนบุคคลสำหรับบัญชี AWS และภูมิภาคของคุณ - แทนที่
customEndpointUrl
ด้วย URL ปลายทางแบบกำหนดเองของ AWS IoT Core ใบรับรองที่มีชื่อใบรับรอง และYour_S3_Bucket_Name
ด้วยชื่อถัง S3 ของคุณ
ถัดไป คุณติดตั้ง pip และ AWS IoT SDK สำหรับ Python - เข้าสู่ระบบ AWS Cloud9 และสร้างไดเร็กทอรีการทำงานในสภาพแวดล้อมการพัฒนาของคุณ ตัวอย่างเช่น:
aq-iot-publish
. - สร้างไดเรกทอรีย่อยสำหรับใบรับรองในไดเรกทอรีการทำงานใหม่ของคุณ ตัวอย่างเช่น:
certificates
. - ติดตั้ง AWS IoT SDK สำหรับ Python v2 โดยเรียกใช้สิ่งต่อไปนี้จากบรรทัดคำสั่ง
- ในการทดสอบไปป์ไลน์ข้อมูล ให้รันคำสั่งต่อไปนี้:
คุณสามารถดูเพย์โหลดได้ในภาพหน้าจอต่อไปนี้
สุดท้าย ข้อมูลจะถูกส่งไปยังบัคเก็ต S3 ที่ระบุในโครงสร้างคำนำหน้า
ข้อมูลของไฟล์มีดังนี้:
{"TIMESTAMP":"2022-03-20 00:00","LOCATION_ID":"B-101","CO":2.6,"SO2":62,"NO2":57}
{"TIMESTAMP":"2022-03-20 00:05","LOCATION_ID":"B-101","CO":3.9,"SO2":60,"NO2":73}
การประทับเวลาแสดงว่าแต่ละไฟล์มีข้อมูลเป็นระยะเวลา 5 นาที
ด้วยโค้ดที่น้อยที่สุด ตอนนี้เราได้นำเข้าข้อมูลเซ็นเซอร์ สร้างสตรีมอินพุตจากข้อมูลที่นำเข้า และจัดเก็บข้อมูลในบัคเก็ต S3 ตามข้อกำหนดสำหรับ Lookout for Metrics
ในส่วนต่อไปนี้ เราจะเจาะลึกถึงโครงสร้างภายใน Lookout for Metrics และความง่ายในการกำหนดค่าแนวคิดเหล่านี้โดยใช้คอนโซล Lookout for Metrics
สร้างเครื่องตรวจจับ
ตัวตรวจจับคือทรัพยากร Lookout for Metrics ที่ตรวจสอบชุดข้อมูลและระบุความผิดปกติที่ความถี่ที่กำหนดไว้ล่วงหน้า ตัวตรวจจับใช้ ML เพื่อค้นหารูปแบบในข้อมูลและแยกแยะระหว่างความผันแปรที่คาดหวังในข้อมูลกับความผิดปกติที่ถูกต้องตามกฎหมาย เพื่อปรับปรุงประสิทธิภาพ ตัวตรวจจับจะเรียนรู้เพิ่มเติมเกี่ยวกับข้อมูลของคุณเมื่อเวลาผ่านไป
ในกรณีการใช้งานของเรา ตัวตรวจจับจะวิเคราะห์ข้อมูลจากเซ็นเซอร์ทุกๆ 5 นาที
ในการสร้างตัวตรวจจับ ให้ไปที่คอนโซล Lookout for Metrics แล้วเลือก สร้างตัวตรวจจับ. ระบุชื่อและคำอธิบาย (ไม่บังคับ) สำหรับตัวตรวจจับ พร้อมช่วงเวลา 5 นาที
ข้อมูลของคุณจะถูกเข้ารหัสโดยค่าเริ่มต้นด้วยคีย์ที่ AWS เป็นเจ้าของและจัดการให้คุณ คุณยังสามารถกำหนดค่าได้หากต้องการใช้คีย์การเข้ารหัสที่แตกต่างจากคีย์ที่ใช้โดยค่าเริ่มต้น
ตอนนี้ ให้ชี้ตัวตรวจจับนี้ไปที่ข้อมูลที่คุณต้องการให้เรียกใช้การตรวจจับสิ่งผิดปกติ
สร้างชุดข้อมูล
ชุดข้อมูลจะบอกตัวตรวจจับว่าจะหาข้อมูลของคุณได้ที่ไหน และตัววัดใดที่จะวิเคราะห์หาความผิดปกติ ในการสร้างชุดข้อมูล ให้ทำตามขั้นตอนต่อไปนี้:
- บนคอนโซล Amazon Lookout for Metrics ให้ไปที่ตัวตรวจจับของคุณ
- Choose เพิ่มชุดข้อมูล.
- สำหรับ Nameป้อนชื่อ (เช่น
air-quality-dataset
). - สำหรับ แหล่งข้อมูลเลือกแหล่งข้อมูลของคุณ (สำหรับโพสต์นี้ Amazon S3)
- สำหรับ โหมดตรวจจับ, เลือกโหมดของคุณ (สำหรับโพสต์นี้ อย่างต่อเนื่อง).
ด้วย Amazon S3 คุณสามารถสร้างตัวตรวจจับได้ในสองโหมด:
-
- backtest – โหมดนี้ใช้เพื่อค้นหาความผิดปกติในข้อมูลในอดีต จำเป็นต้องรวมระเบียนทั้งหมดไว้ในไฟล์เดียว
- อย่างต่อเนื่อง – โหมดนี้ใช้เพื่อตรวจจับความผิดปกติในข้อมูลสด เราใช้โหมดนี้กับกรณีการใช้งานของเรา เนื่องจากเราต้องการตรวจจับความผิดปกติในขณะที่เราได้รับข้อมูลมลพิษทางอากาศจากเซ็นเซอร์ตรวจสอบอากาศ
- ป้อนเส้นทาง S3 สำหรับโฟลเดอร์ S3 สดและรูปแบบเส้นทาง
- สำหรับ ช่วงแหล่งข้อมูลเลือก ช่วงเวลา 5 นาทีหากคุณมีข้อมูลประวัติซึ่งตัวตรวจจับสามารถเรียนรู้รูปแบบได้ คุณสามารถระบุข้อมูลดังกล่าวได้ในระหว่างการกำหนดค่านี้ ข้อมูลคาดว่าจะอยู่ในรูปแบบเดียวกับที่คุณใช้เพื่อทำการทดสอบย้อนกลับ การให้ข้อมูลประวัติช่วยเร่งกระบวนการฝึกอบรมโมเดล ML หากไม่มีสิ่งนี้ ตัวตรวจจับแบบต่อเนื่องจะรอให้มีข้อมูลเพียงพอก่อนที่จะทำการอนุมาน
- สำหรับโพสต์นี้ เรามีข้อมูลย้อนหลังแล้ว เลือก ใช้ข้อมูลย้อนหลัง.
- เข้าสู่เส้นทาง S3 ของ
historical_data.json
. - สำหรับ รูปแบบไฟล์ให้เลือก สาย JSON.
ณ จุดนี้ Lookout for Metrics จะเข้าถึงแหล่งข้อมูลและตรวจสอบว่าสามารถแยกวิเคราะห์ข้อมูลได้หรือไม่ หากการแยกวิเคราะห์สำเร็จ จะแสดงข้อความว่า "การตรวจสอบสำเร็จ" และนำคุณไปยังหน้าถัดไป ซึ่งคุณจะกำหนดค่าการวัด มิติข้อมูล และการประทับเวลา
กำหนดค่าการวัด มิติ และการประทับเวลา
มาตรการ กำหนด KPI ที่คุณต้องการติดตามความผิดปกติ คุณสามารถเพิ่มการวัดได้สูงสุดห้าตัวต่อเครื่องตรวจจับ ฟิลด์ที่ใช้ในการสร้าง KPI จากข้อมูลต้นฉบับของคุณต้องอยู่ในรูปแบบตัวเลข ปัจจุบัน KPI สามารถกำหนดได้โดยการรวมเรคคอร์ดภายในช่วงเวลาโดยทำ SUM หรือ AVERAGE
ขนาด ให้ความสามารถในการแบ่งและแบ่งข้อมูลของคุณโดยการกำหนดหมวดหมู่หรือกลุ่ม วิธีนี้ช่วยให้คุณติดตามความผิดปกติของชุดย่อยของข้อมูลทั้งชุดที่ใช้การวัดเฉพาะได้
ในกรณีการใช้งานของเรา เราเพิ่มการวัดสามอย่าง ซึ่งคำนวณ AVG ของวัตถุที่เห็นในช่วงเวลา 5 นาที และมีเพียงมิติเดียวซึ่งวัดความเข้มข้นของสารมลพิษ
ทุกระเบียนในชุดข้อมูลต้องมีการประทับเวลา การกำหนดค่าต่อไปนี้ช่วยให้คุณเลือกฟิลด์ที่แสดงค่าการประทับเวลาและรูปแบบของการประทับเวลา
หน้าถัดไปช่วยให้คุณตรวจสอบรายละเอียดทั้งหมดที่คุณเพิ่ม จากนั้นบันทึกและเปิดใช้งานตัวตรวจจับ
จากนั้นเครื่องตรวจจับจะเริ่มเรียนรู้การสตรีมข้อมูลไปยังแหล่งข้อมูล ในขั้นตอนนี้ สถานะของตัวตรวจจับจะเปลี่ยนเป็น Initializing
.
สิ่งสำคัญคือต้องสังเกตจำนวนข้อมูลขั้นต่ำที่ต้องใช้ก่อนที่ Lookout for Metrics จะสามารถตรวจพบความผิดปกติได้ สำหรับข้อมูลเพิ่มเติมเกี่ยวกับข้อกำหนดและขีดจำกัด โปรดดูที่ ระวังโควต้าเมตริก.
ด้วยการกำหนดค่าเพียงเล็กน้อย คุณได้สร้างตัวตรวจจับ ชี้ไปที่ชุดข้อมูล และกำหนดตัวชี้วัดที่คุณต้องการให้ Lookout for Metrics ค้นหาความผิดปกติ
เห็นภาพความผิดปกติ
Lookout for Metrics มอบประสบการณ์ UI ที่สมบูรณ์สำหรับผู้ใช้ที่ต้องการใช้ คอนโซลการจัดการ AWS เพื่อวิเคราะห์ความผิดปกติที่ตรวจพบ นอกจากนี้ยังมีความสามารถในการสืบค้นความผิดปกติผ่าน API
มาดูตัวอย่างความผิดปกติที่ตรวจพบจากกรณีการใช้ข้อมูลคุณภาพอากาศของเรา ภาพหน้าจอต่อไปนี้แสดงความผิดปกติที่ตรวจพบในความเข้มข้นของ CO ในอากาศ ณ เวลาและวันที่ที่กำหนดด้วยคะแนนความรุนแรง 93 นอกจากนี้ยังแสดงสัดส่วนเปอร์เซ็นต์ของมิติที่มีต่อความผิดปกติ ในกรณีนี้ การสนับสนุน 100% มาจากมิติข้อมูล ID ตำแหน่ง B-101
สร้างการแจ้งเตือน
Lookout for Metrics ให้คุณส่งการแจ้งเตือนโดยใช้ช่องทางที่หลากหลาย คุณสามารถกำหนดค่าเกณฑ์คะแนนความรุนแรงของความผิดปกติซึ่งต้องทริกเกอร์การแจ้งเตือน
ในกรณีการใช้งานของเรา เรากำหนดค่าการแจ้งเตือนให้ส่งไปยัง an บริการแจ้งเตือนแบบง่ายของ Amazon (Amazon SNS) ช่องทางที่จะส่ง SMS ภาพหน้าจอต่อไปนี้แสดงรายละเอียดการกำหนดค่า
คุณยังสามารถใช้การแจ้งเตือนเพื่อทริกเกอร์การทำงานอัตโนมัติโดยใช้ AWS แลมบ์ดา ทำหน้าที่ขับเคลื่อนการดำเนินการที่ขับเคลื่อนด้วย API บน AWS IoT Core
สรุป
ในโพสต์นี้ เราแสดงให้คุณเห็นว่า Lookout for Metrics และ Kinesis Data Firehose ใช้งานง่ายเพียงใดเพื่อขจัดการยกของหนักที่ไม่แตกต่างกันซึ่งเกี่ยวข้องกับการจัดการวงจรชีวิตแบบ end-to-end ของการสร้างแอปพลิเคชันการตรวจจับความผิดปกติที่ขับเคลื่อนด้วย ML โซลูชันนี้สามารถช่วยคุณเร่งความสามารถในการค้นหาความผิดปกติในตัวชี้วัดทางธุรกิจที่สำคัญ และช่วยให้คุณมุ่งเน้นความพยายามในการเติบโตและปรับปรุงธุรกิจของคุณ
เราขอแนะนำให้คุณเรียนรู้เพิ่มเติมโดยไปที่ คู่มือนักพัฒนา Amazon Lookout for Metrics และลองใช้โซลูชันแบบ end-to-end ที่เปิดใช้งานโดยบริการเหล่านี้ด้วยชุดข้อมูลที่เกี่ยวข้องกับ KPI ของธุรกิจของคุณ
เกี่ยวกับผู้เขียน
ธีรัช ฐกูร เป็นสถาปนิกโซลูชันกับ Amazon Web Services เขาทำงานร่วมกับลูกค้าและคู่ค้าของ AWS เพื่อให้คำแนะนำเกี่ยวกับการนำระบบคลาวด์ไปใช้ การย้ายข้อมูล และกลยุทธ์ เขาหลงใหลในเทคโนโลยีและสนุกกับการสร้างและทดลองในด้านการวิเคราะห์และ AI/ML
- AI
- ไอ อาร์ต
- เครื่องกำเนิดไออาร์ท
- หุ่นยนต์ไอ
- Amazon Lookout สำหรับเมตริก
- ปัญญาประดิษฐ์
- ใบรับรองปัญญาประดิษฐ์
- ปัญญาประดิษฐ์ในการธนาคาร
- หุ่นยนต์ปัญญาประดิษฐ์
- หุ่นยนต์ปัญญาประดิษฐ์
- ซอฟต์แวร์ปัญญาประดิษฐ์
- AWS Machine Learning AWS
- blockchain
- การประชุม blockchain ai
- เหรียญอัจฉริยะ
- ปัญญาประดิษฐ์สนทนา
- การประชุม crypto ai
- ดัล-อี
- การเรียนรู้ลึก ๆ
- google ai
- เรียนรู้เครื่อง
- เพลโต
- เพลโตไอ
- เพลโตดาต้าอินเทลลิเจนซ์
- เกมเพลโต
- เพลโตดาต้า
- เพลโตเกม
- ขนาดไอ
- วากยสัมพันธ์
- ลมทะเล