สร้าง ฝึกฝน และปรับใช้ Amazon Lookout สำหรับรุ่นอุปกรณ์โดยใช้ Python Toolbox

การบำรุงรักษาเชิงคาดการณ์อาจเป็นวิธีที่มีประสิทธิภาพในการป้องกันความล้มเหลวของเครื่องจักรในอุตสาหกรรมและการหยุดทำงานที่มีราคาแพง โดยการตรวจสอบสภาพอุปกรณ์ของคุณในเชิงรุก เพื่อให้คุณได้รับการแจ้งเตือนถึงความผิดปกติใดๆ ก่อนที่อุปกรณ์จะขัดข้อง การติดตั้งเซ็นเซอร์และโครงสร้างพื้นฐานที่จำเป็นสำหรับการเชื่อมต่อข้อมูล การจัดเก็บ การวิเคราะห์ และการแจ้งเตือนเป็นองค์ประกอบพื้นฐานสำหรับการเปิดใช้งานโซลูชันการบำรุงรักษาเชิงคาดการณ์ อย่างไรก็ตาม แม้หลังจากติดตั้งโครงสร้างพื้นฐานเฉพาะกิจแล้ว หลายบริษัทก็ใช้การวิเคราะห์ข้อมูลพื้นฐานและแนวทางการสร้างแบบจำลองอย่างง่ายซึ่งมักจะไม่มีประสิทธิภาพในการตรวจจับปัญหาตั้งแต่เนิ่นๆ เพื่อหลีกเลี่ยงการหยุดทำงาน นอกจากนี้ การใช้โซลูชันการเรียนรู้ของเครื่อง (ML) สำหรับอุปกรณ์ของคุณอาจเป็นเรื่องยากและใช้เวลานาน

กับ Amazon Lookout สำหรับอุปกรณ์คุณสามารถวิเคราะห์ข้อมูลเซ็นเซอร์สำหรับอุปกรณ์อุตสาหกรรมของคุณโดยอัตโนมัติเพื่อตรวจจับพฤติกรรมผิดปกติของเครื่องจักร โดยไม่ต้องมีประสบการณ์ ML ซึ่งหมายความว่าคุณสามารถตรวจจับความผิดปกติของอุปกรณ์ด้วยความเร็วและความแม่นยำ วินิจฉัยปัญหาอย่างรวดเร็ว และดำเนินการเพื่อลดเวลาหยุดทำงานที่มีราคาแพง

Lookout for Equipment จะวิเคราะห์ข้อมูลจากเซ็นเซอร์และระบบของคุณ เช่น ความดัน อัตราการไหล RPM อุณหภูมิ และกำลัง เพื่อฝึกโมเดลเฉพาะสำหรับอุปกรณ์ของคุณโดยอัตโนมัติตามข้อมูลของคุณ ใช้โมเดล ML เฉพาะของคุณเพื่อวิเคราะห์ข้อมูลเซ็นเซอร์ขาเข้าแบบเรียลไทม์ และระบุสัญญาณเตือนล่วงหน้าที่อาจนำไปสู่ความล้มเหลวของเครื่องจักร สำหรับการแจ้งเตือนแต่ละรายการที่ตรวจพบ Lookout for Equipment จะระบุว่าเซ็นเซอร์ใดระบุปัญหา และขนาดของผลกระทบต่อเหตุการณ์ที่ตรวจพบ

ด้วยพันธกิจที่จะนำ ML ไปไว้ในมือของนักพัฒนาทุกราย เราต้องการนำเสนอส่วนเสริมอื่นใน Lookout for Equipment: กล่องเครื่องมือ Python โอเพ่นซอร์ส ที่ช่วยให้นักพัฒนาและนักวิทยาศาสตร์ข้อมูลสามารถสร้าง ฝึกอบรม และปรับใช้โมเดล Lookout for Equipment ได้เหมือนกับที่คุณคุ้นเคย อเมซอน SageMaker. ไลบรารีนี้เป็นส่วนเสริมของ Lookout for Equipment boto3 python API และจัดทำขึ้นเพื่อเริ่มต้นการเดินทางของคุณด้วยบริการนี้ หากคุณมีข้อเสนอแนะในการปรับปรุงหรือข้อบกพร่องในการรายงาน โปรดยื่นปัญหาต่อกล่องเครื่องมือ พื้นที่เก็บข้อมูล GitHub.

ในโพสต์นี้ เรามีคำแนะนำทีละขั้นตอนสำหรับการใช้กล่องเครื่องมือ Python แบบโอเพนซอร์ส Lookout for Equipment จากภายในโน้ตบุ๊ก SageMaker

การตั้งค่าสภาพแวดล้อม

ในการใช้กล่องเครื่องมือ Lookout for Equipment แบบโอเพนซอร์สจากโน้ตบุ๊ก SageMaker เราจำเป็นต้องให้สิทธิ์ที่จำเป็นสำหรับการเรียกใช้ Lookout for Equipment API แก่โน้ตบุ๊ก SageMaker สำหรับโพสต์นี้ เราถือว่าคุณได้สร้างอินสแตนซ์โน้ตบุ๊ก SageMaker แล้ว สำหรับคำแนะนำ โปรดดูที่ เริ่มต้นใช้งานอินสแตนซ์โน้ตบุ๊ก Amazon SageMaker. อินสแตนซ์สมุดบันทึกจะเชื่อมโยงกับบทบาทการดำเนินการโดยอัตโนมัติ

1. หากต้องการค้นหาบทบาทที่แนบกับอินสแตนซ์ ให้เลือกอินสแตนซ์บนคอนโซล SageMaker
   
2. ในหน้าจอถัดไป ให้เลื่อนลงเพื่อค้นหา AWS Identity และการจัดการการเข้าถึง บทบาท (IAM) ที่แนบมากับอินสแตนซ์ใน สิทธิ์และการเข้ารหัส มาตรา.
3. เลือกบทบาทเพื่อเปิดคอนโซล IAM
   

ต่อไป เราจะแนบนโยบายอินไลน์กับบทบาท SageMaker IAM ของเรา

4. เกี่ยวกับ สิทธิ์ แท็บของบทบาทที่คุณเปิด เลือก เพิ่มนโยบายอินไลน์.
   
5. เกี่ยวกับ JSON แท็บ ป้อนรหัสต่อไปนี้ เราใช้การดำเนินการไวด์การ์ด (lookoutequipment:*) สำหรับบริการเพื่อการสาธิต สำหรับกรณีการใช้งานจริง ให้เฉพาะสิทธิ์ที่จำเป็นเพื่อเรียกใช้การเรียก SDK API ที่เหมาะสม

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

6. Choose นโยบายการตรวจทาน.
7. ระบุชื่อสำหรับนโยบายและสร้างนโยบาย

นอกเหนือจากนโยบายอินไลน์ก่อนหน้านี้ ในบทบาท IAM เดียวกัน เราจำเป็นต้องตั้งค่าความสัมพันธ์ที่เชื่อถือได้เพื่อให้ Lookout for Equipment รับบทบาทนี้ บทบาท SageMaker มีสิทธิ์เข้าถึงข้อมูลที่เหมาะสมแล้ว บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon (อเมซอน S3); อนุญาตให้ Lookout for Equipment รับบทบาทนี้ เพื่อให้แน่ใจว่าสามารถเข้าถึงข้อมูลได้เหมือนกับโน้ตบุ๊กของคุณ ในสภาพแวดล้อมของคุณ คุณอาจมีบทบาทเฉพาะอยู่แล้วเพื่อให้แน่ใจว่า Lookout for Equipment สามารถเข้าถึงข้อมูลของคุณได้ ซึ่งในกรณีนี้คุณไม่จำเป็นต้องปรับความสัมพันธ์ที่เชื่อถือได้ของบทบาททั่วไปนี้

8. ภายในบทบาท SageMaker IAM ของเราใน เชื่อในความสัมพันธ์ เลือกแท็บ แก้ไขความสัมพันธ์ความไว้วางใจ.
9. ภายใต้เอกสารนโยบาย แทนที่นโยบายทั้งหมดด้วยรหัสต่อไปนี้:

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

10. Choose อัปเดตนโยบายความน่าเชื่อถือ.

ตอนนี้เราพร้อมแล้วที่จะใช้กล่องเครื่องมือ Lookout for Equipment ในสภาพแวดล้อมโน้ตบุ๊ก SageMaker ของเรา กล่องเครื่องมือ Lookout for Equipment เป็นแพ็คเกจ Python แบบโอเพนซอร์สที่ช่วยให้นักวิทยาศาสตร์ข้อมูลและนักพัฒนาซอฟต์แวร์สามารถสร้างและปรับใช้โมเดลการตรวจจับความผิดปกติของอนุกรมเวลาได้อย่างง่ายดายโดยใช้ Lookout for Equipment มาดูกันว่าคุณจะทำอะไรให้สำเร็จได้ง่ายขึ้นด้วยกล่องเครื่องมือกัน!

การอ้างอิง

ในขณะที่เขียน กล่องเครื่องมือจำเป็นต้องติดตั้งสิ่งต่อไปนี้:

• หลาม(>=3.6)
• โบโต3 (>= 1.17.48)
• markdown
• มึน
• หมีแพนด้า
• เปียร์โรว์
• s3fs

หลังจากที่คุณตอบสนองการพึ่งพาเหล่านี้ คุณสามารถติดตั้งและเปิดใช้กล่องเครื่องมือ Lookout for Equipment ด้วยคำสั่งต่อไปนี้จากเทอร์มินัล Jupyter:

pip install lookoutequipment

กล่องเครื่องมือพร้อมใช้งานแล้ว ในโพสต์นี้ เราสาธิตวิธีใช้กล่องเครื่องมือโดยการฝึกอบรมและปรับใช้แบบจำลองการตรวจจับสิ่งผิดปกติ วัฏจักรการพัฒนา ML โดยทั่วไปประกอบด้วยการสร้างชุดข้อมูลสำหรับการฝึกอบรม การฝึกโมเดล การปรับใช้โมเดล และการอนุมานบนโมเดล กล่องเครื่องมือค่อนข้างครอบคลุมในแง่ของฟังก์ชันที่มีให้ แต่ในโพสต์นี้ เราเน้นที่ความสามารถดังต่อไปนี้:

• เตรียมชุดข้อมูล
• ฝึกแบบจำลองการตรวจจับสิ่งผิดปกติโดยใช้ Lookout for Equipment
• สร้างภาพสำหรับการประเมินแบบจำลองของคุณ
• กำหนดค่าและเริ่มตัวกำหนดตารางเวลาการอนุมาน
• เห็นภาพผลลัพธ์การอนุมานตัวจัดกำหนดการ

มาทำความเข้าใจว่าเราจะใช้กล่องเครื่องมือสำหรับความสามารถเหล่านี้ได้อย่างไร

เตรียมชุดข้อมูล

Lookout for Equipment ต้องใช้ชุดข้อมูลเพื่อสร้างและนำเข้า ในการเตรียมชุดข้อมูล ให้ทำตามขั้นตอนต่อไปนี้:

1. ก่อนสร้างชุดข้อมูล เราต้องโหลดชุดข้อมูลตัวอย่างและอัปโหลดไปยัง an บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon (Amazon S3) ถัง ในโพสต์นี้เราใช้ expander ชุดข้อมูล:

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

ที่กลับมา data วัตถุแสดงถึงพจนานุกรมที่ประกอบด้วยสิ่งต่อไปนี้:

• • ข้อมูลการฝึกอบรม DataFrame
  • ป้ายกำกับ DataFrame
  • วันที่เริ่มและสิ้นสุดการฝึกอบรม
  • วันที่เริ่มต้นและสิ้นสุดการประเมิน
  • คำอธิบายแท็ก DataFrame

ข้อมูลการฝึกอบรมและป้ายกำกับถูกอัปโหลดจากไดเรกทอรีเป้าหมายไปยัง Amazon S3 ที่ตำแหน่งบัคเก็ต/คำนำหน้า

2. หลังจากอัปโหลดชุดข้อมูลใน S3 เราจะสร้างวัตถุของ LookoutEquipmentDataset คลาสที่จัดการชุดข้อมูล:

   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()

พื้นที่ access_role_arn ที่ให้มาต้องมีสิทธิ์เข้าถึงบัคเก็ต S3 ที่มีข้อมูลอยู่ คุณสามารถดึงบทบาท ARN ของอินสแตนซ์โน้ตบุ๊ก SageMaker ได้จาก theก่อนหน้านี้ การตั้งค่าสภาพแวดล้อม และเพิ่มนโยบาย IAM เพื่อให้สิทธิ์เข้าถึงบัคเก็ต S3 ของคุณ ดูข้อมูลเพิ่มเติมได้ที่ การเขียนนโยบาย IAM: วิธีให้สิทธิ์เข้าถึง Amazon S3 Bucket.

พื้นที่ component_root_dir พารามิเตอร์ควรระบุตำแหน่งใน Amazon S3 ที่จัดเก็บข้อมูลการฝึกอบรม

หลังจากที่เราเปิดตัว API ก่อนหน้านี้ ชุดข้อมูลของเราก็ถูกสร้างขึ้น

3. นำเข้าข้อมูลลงในชุดข้อมูล:

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

เมื่อข้อมูลของคุณพร้อมใช้งานบน Amazon S3 แล้ว การสร้างชุดข้อมูลและการนำเข้าข้อมูลในนั้นก็เป็นเพียงเรื่องของโค้ดสามบรรทัด คุณไม่จำเป็นต้องสร้างสคีมา JSON แบบยาวด้วยตนเอง กล่องเครื่องมือจะตรวจจับโครงสร้างไฟล์ของคุณและสร้างขึ้นมาเพื่อคุณ หลังจากที่รับข้อมูลของคุณแล้ว ก็ถึงเวลาย้ายไปฝึก!

ฝึกแบบจำลองการตรวจจับสิ่งผิดปกติ

หลังจากที่นำเข้าข้อมูลในชุดข้อมูลแล้ว เราสามารถเริ่มกระบวนการฝึกอบรมแบบจำลองได้ ดูรหัสต่อไปนี้:

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)

ก่อนที่เราจะเริ่มการฝึกอบรม เราจำเป็นต้องระบุระยะเวลาการฝึกอบรมและการประเมินภายในชุดข้อมูล เรายังตั้งค่าตำแหน่งใน Amazon S3 ที่จัดเก็บข้อมูลที่มีป้ายกำกับและตั้งค่าอัตราการสุ่มตัวอย่างเป็น 5 นาที หลังจากที่เราเปิดการฝึกอบรม poll_model_training โพลสถานะงานฝึกอบรมทุก ๆ 5 นาทีจนกว่าการฝึกอบรมจะสำเร็จ

โมดูลการฝึกอบรมของกล่องเครื่องมือ Lookout for Equipment ช่วยให้คุณฝึกโมเดลที่มีโค้ดน้อยกว่า 10 บรรทัดได้ มันสร้างสตริงคำขอสร้างความยาวทั้งหมดที่จำเป็นสำหรับ API ระดับต่ำในนามของคุณ ทำให้คุณไม่ต้องสร้างเอกสาร JSON ที่มีความยาวและเกิดข้อผิดพลาดได้ง่าย

หลังจากฝึกโมเดลแล้ว เราสามารถตรวจสอบผลลัพธ์ในช่วงการประเมินหรือกำหนดค่าตัวกำหนดตารางเวลาการอนุมานได้โดยใช้กล่องเครื่องมือ

ประเมินแบบจำลองที่ได้รับการฝึกอบรม

หลังจากฝึกโมเดลแล้ว อธิบายรุ่น API จาก Lookout for Equipment จะบันทึกเมตริกที่เกี่ยวข้องกับการฝึกอบรม API นี้ส่งคืนเอกสาร JSON ที่มีสองฟิลด์ที่น่าสนใจเพื่อลงจุดผลการประเมิน: labeled_ranges และ predicted_rangesซึ่งประกอบด้วยความผิดปกติที่ทราบและคาดการณ์ไว้ในช่วงการประเมินตามลำดับ กล่องเครื่องมือจัดเตรียมยูทิลิตี้เพื่อโหลดสิ่งเหล่านี้ใน Pandas DataFrame แทน:

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)

ข้อดีของการโหลดช่วงใน DataFrame คือเราสามารถสร้างภาพที่สวยงามโดยการวางแผนสัญญาณอนุกรมเวลาดั้งเดิมตัวใดตัวหนึ่งและเพิ่มการซ้อนทับของเหตุการณ์ผิดปกติที่ติดป้ายกำกับและคาดการณ์ไว้โดยใช้ TimeSeriesVisualization คลาสของกล่องเครื่องมือ:

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()

โค้ดสองสามบรรทัดเหล่านี้สร้างพล็อตที่มีคุณสมบัติดังต่อไปนี้:

• พล็อตเส้นสำหรับสัญญาณที่เลือก ส่วนที่ใช้ฝึกโมเดลจะเป็นสีน้ำเงิน ส่วนการประเมินจะเป็นสีเทา
• ค่าเฉลี่ยกลิ้งจะปรากฏเป็นเส้นสีแดงบางๆ ที่ซ้อนทับอนุกรมเวลา
• ป้ายกำกับจะแสดงเป็นริบบิ้นสีเขียวที่ระบุว่า "ความผิดปกติที่ทราบ" (โดยค่าเริ่มต้น)
• เหตุการณ์ที่คาดคะเนจะแสดงในริบบิ้นสีแดงที่มีข้อความว่า “เหตุการณ์ที่ตรวจพบ”

กล่องเครื่องมือจะทำหน้าที่จัดการตำแหน่ง การโหลด และการแยกวิเคราะห์ไฟล์ JSON อย่างหนัก ในขณะที่ให้การแสดงภาพที่พร้อมใช้งานซึ่งช่วยลดเวลาในการรับข้อมูลเชิงลึกจากแบบจำลองการตรวจจับความผิดปกติของคุณ ในขั้นตอนนี้ กล่องเครื่องมือช่วยให้คุณมุ่งเน้นไปที่การตีความผลลัพธ์และดำเนินการเพื่อส่งมอบมูลค่าทางธุรกิจโดยตรงไปยังผู้ใช้ปลายทางของคุณ นอกจากการแสดงภาพอนุกรมเวลาเหล่านี้แล้ว SDK ยังนำเสนอพล็อตอื่นๆ เช่น การเปรียบเทียบฮิสโตแกรมของค่าสัญญาณของคุณระหว่างเวลาปกติและผิดปกติ หากต้องการเรียนรู้เพิ่มเติมเกี่ยวกับความสามารถในการแสดงภาพอื่นๆ ที่คุณสามารถใช้ได้ทันที ให้ดูที่ มองหาเอกสารกล่องเครื่องมืออุปกรณ์.

กำหนดการอนุมาน

มาดูกันว่าเราสามารถกำหนดเวลาการอนุมานโดยใช้กล่องเครื่องมือได้อย่างไร:

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()

รหัสนี้สร้างตัวกำหนดเวลาที่ประมวลผลหนึ่งไฟล์ทุกๆ 5 นาที (ตรงกับความถี่ในการอัปโหลดที่ตั้งไว้เมื่อกำหนดค่าตัวกำหนดเวลา) หลังจากผ่านไป 15 นาที เราน่าจะได้ผลลัพธ์บางอย่าง เพื่อให้ได้ผลลัพธ์เหล่านี้จากตัวจัดกำหนดการใน Pandas DataFrame เราเพียงแค่รันคำสั่งต่อไปนี้:

results_df = lookout_scheduler.get_predictions()

จากที่นี่ เราสามารถพล็อตความสำคัญของฟีเจอร์สำหรับการคาดคะเนโดยใช้ Visualization API ของกล่องเครื่องมือ:

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

จะสร้างการแสดงภาพความสำคัญของคุณลักษณะต่อไปนี้ในข้อมูลตัวอย่าง

กล่องเครื่องมือยังมี API เพื่อหยุดตัวกำหนดตารางเวลา ดูข้อมูลโค้ดต่อไปนี้:

scheduler.stop()

ทำความสะอาด

หากต้องการลบสิ่งประดิษฐ์ทั้งหมดที่สร้างขึ้นก่อนหน้านี้ เราสามารถเรียก delete_dataset API ด้วยชื่อชุดข้อมูลของเรา:

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

สรุป

เมื่อพูดกับลูกค้าในอุตสาหกรรมและการผลิต ความท้าทายทั่วไปที่เราได้ยินเกี่ยวกับการใช้ประโยชน์จาก AI และ ML คือจำนวนการปรับแต่งและการพัฒนาเฉพาะและงานวิทยาศาสตร์ข้อมูลที่จำเป็นเพื่อให้ได้ผลลัพธ์ที่เชื่อถือได้และนำไปปฏิบัติได้ การฝึกอบรมแบบจำลองการตรวจจับสิ่งผิดปกติและการได้รับการเตือนล่วงหน้าที่นำไปดำเนินการได้สำหรับเครื่องจักรอุตสาหกรรมต่างๆ เป็นข้อกำหนดเบื้องต้นในการลดความพยายามในการบำรุงรักษา ลดการทำงานซ้ำหรือของเสีย เพิ่มคุณภาพผลิตภัณฑ์ และปรับปรุงประสิทธิภาพของอุปกรณ์โดยรวม (OEE) หรือสายผลิตภัณฑ์ จนถึงปัจจุบัน การดำเนินการนี้ต้องใช้งานพัฒนาจำนวนมหาศาล ซึ่งยากต่อการปรับขนาดและบำรุงรักษาเมื่อเวลาผ่านไป

บริการ Amazon Applied AI เช่น Lookout for Equipment ช่วยให้ผู้ผลิตสามารถสร้างแบบจำลอง AI ได้โดยไม่ต้องเข้าถึงทีมนักวิทยาศาสตร์ข้อมูล วิศวกรข้อมูล และวิศวกรกระบวนการที่ใช้งานได้หลากหลาย ด้วยกล่องเครื่องมือ Lookout for Equipment นักพัฒนาของคุณสามารถลดเวลาที่จำเป็นในการสำรวจข้อมูลเชิงลึกในข้อมูลอนุกรมเวลาของคุณและดำเนินการได้ กล่องเครื่องมือนี้มีอินเทอร์เฟซที่ใช้งานง่ายและเป็นมิตรกับนักพัฒนา เพื่อสร้างแบบจำลองการตรวจจับสิ่งผิดปกติอย่างรวดเร็วโดยใช้ Lookout for Equipment กล่องเครื่องมือเป็นโอเพ่นซอร์สและรหัส SDK ทั้งหมดสามารถพบได้บน amazon-lookout-สำหรับอุปกรณ์-python-sdk ที่เก็บ GitHub นอกจากนี้ยังมีเป็น แพ็คเกจ PyPi.

โพสต์นี้ครอบคลุมเฉพาะ API ที่สำคัญที่สุดเพียงไม่กี่รายการ ผู้อ่านที่สนใจสามารถตรวจสอบ เอกสารกล่องเครื่องมือ เพื่อดูความสามารถขั้นสูงของกล่องเครื่องมือ ให้มันลองและแจ้งให้เราทราบว่าคุณคิดอย่างไรในความคิดเห็น!

เกี่ยวกับผู้เขียน

วิเกศ ปันดี เป็นสถาปนิกผู้เชี่ยวชาญด้าน Machine Learning Specialist Solutions Architect ที่ AWS ซึ่งช่วยเหลือลูกค้าในสหราชอาณาจักรและภูมิภาค EMEA ที่กว้างขึ้นในการออกแบบและสร้างโซลูชัน ML นอกเวลางาน Vikesh สนุกกับการลองชิมอาหารหลากหลายประเภทและเล่นกีฬากลางแจ้ง

ไอโออัน คาทาน่า เป็นสถาปนิกโซลูชันด้านปัญญาประดิษฐ์และการเรียนรู้ของเครื่องที่ AWS เขาช่วยลูกค้าพัฒนาและปรับขนาดโซลูชัน ML ของตนใน AWS Cloud Ioan มีประสบการณ์มากกว่า 20 ปี ส่วนใหญ่ในด้านการออกแบบสถาปัตยกรรมซอฟต์แวร์และวิศวกรรมระบบคลาวด์

มิคาเอล โฮเรา เป็นสถาปนิก AI/ML Specialist Solutions Architect ที่ AWS ซึ่งสลับไปมาระหว่างนักวิทยาศาสตร์ข้อมูลและสถาปนิกการเรียนรู้ของเครื่อง ขึ้นอยู่กับช่วงเวลา เขาหลงใหลในการนำพลังของ AI/ML มาสู่พื้นที่ร้านค้าของลูกค้าอุตสาหกรรมของเขา และได้ทำงานกับกรณีการใช้งาน ML ที่หลากหลาย ตั้งแต่การตรวจจับสิ่งผิดปกติไปจนถึงคุณภาพผลิตภัณฑ์ที่คาดการณ์ได้ หรือการเพิ่มประสิทธิภาพการผลิต เมื่อไม่ได้ช่วยลูกค้าพัฒนาประสบการณ์แมชชีนเลิร์นนิงที่ดีที่สุด เขาชอบดูดาว เดินทาง หรือเล่นเปียโน

• คอยน์สมาร์ท การแลกเปลี่ยน Bitcoin และ Crypto ที่ดีที่สุดในยุโรป
• เพลโตบล็อคเชน Web3 Metaverse ข่าวกรอง ขยายความรู้. เข้าฟรี
• คริปโตฮอว์ก เรดาร์ Altcoin ทดลองฟรี.
• ที่มา: https://aws.amazon.com/blogs/machine-learning/build-train-and-deploy-amazon-lookout-for-equipment-models-using-the-python-toolbox/