ทำให้การตรวจจับข้อบกพร่องของการมองเห็นด้วยคอมพิวเตอร์เป็นประชาธิปไตยสำหรับคุณภาพการผลิตโดยใช้แมชชีนเลิร์นนิงแบบไม่ใช้โค้ดด้วย Amazon SageMaker Canvas | บริการเว็บอเมซอน

ต้นทุนที่มีคุณภาพไม่ดี เป็นสิ่งสำคัญที่สุดสำหรับผู้ผลิต ข้อบกพร่องด้านคุณภาพทำให้ต้นทุนของเสียและงานซ่อมแซมเพิ่มขึ้น ลดปริมาณงาน และอาจส่งผลกระทบต่อลูกค้าและชื่อเสียงของบริษัท การตรวจสอบคุณภาพในสายการผลิตถือเป็นสิ่งสำคัญในการรักษามาตรฐานคุณภาพ ในหลายกรณี การตรวจสอบด้วยสายตามนุษย์ใช้เพื่อประเมินคุณภาพและตรวจจับข้อบกพร่อง ซึ่งสามารถจำกัดปริมาณงานของสายการผลิตได้เนื่องจากข้อจำกัดของผู้ตรวจสอบที่เป็นมนุษย์

การถือกำเนิดของการเรียนรู้ของเครื่อง (ML) และปัญญาประดิษฐ์ (AI) นำมาซึ่งความสามารถในการตรวจสอบด้วยภาพเพิ่มเติมโดยใช้โมเดล ML ของคอมพิวเตอร์วิทัศน์ (CV) การเสริมการตรวจสอบโดยมนุษย์ด้วย ML แบบ CV สามารถลดข้อผิดพลาดในการตรวจจับ เร่งการผลิต ลดต้นทุนด้านคุณภาพ และส่งผลเชิงบวกต่อลูกค้า โดยทั่วไปแล้ว การสร้างโมเดล CV ML ต้องใช้ความเชี่ยวชาญในด้านวิทยาศาสตร์ข้อมูลและการเขียนโค้ด ซึ่งมักเป็นทรัพยากรที่หาได้ยากในองค์กรการผลิต ขณะนี้ วิศวกรที่มีคุณภาพและคนอื่นๆ ในโรงงานสามารถสร้างและประเมินโมเดลเหล่านี้ได้โดยใช้บริการ ML ที่ไม่มีโค้ด ซึ่งสามารถเร่งการสำรวจและการนำโมเดลเหล่านี้ไปใช้ในวงกว้างมากขึ้นในการดำเนินงานด้านการผลิต

ผืนผ้าใบ Amazon SageMaker เป็นอินเทอร์เฟซแบบภาพที่ช่วยให้วิศวกรด้านคุณภาพ กระบวนการ และการผลิตสามารถสร้างการคาดการณ์ ML ที่แม่นยำได้ด้วยตนเอง โดยไม่ต้องมีประสบการณ์ ML ใดๆ หรือต้องเขียนโค้ดแม้แต่บรรทัดเดียว คุณสามารถใช้ SageMaker Canvas เพื่อสร้างโมเดลการจัดหมวดหมู่รูปภาพป้ายเดียวสำหรับระบุข้อบกพร่องในการผลิตทั่วไปโดยใช้ชุดข้อมูลรูปภาพของคุณเอง

ในโพสต์นี้ คุณจะได้เรียนรู้วิธีใช้ SageMaker Canvas เพื่อสร้างแบบจำลองการจัดหมวดหมู่รูปภาพแบบป้ายเดียวเพื่อระบุข้อบกพร่องในแผ่นแม่เหล็กที่ผลิตขึ้นตามรูปภาพ

ภาพรวมโซลูชัน

โพสต์นี้สันนิษฐานว่าเป็นมุมมองของวิศวกรคุณภาพที่สำรวจการตรวจสอบ CV ML และคุณจะทำงานกับข้อมูลตัวอย่างของภาพแผ่นแม่เหล็กเพื่อสร้างแบบจำลอง ML การจำแนกประเภทภาพเพื่อคาดการณ์ข้อบกพร่องในแผ่นกระเบื้องสำหรับการตรวจสอบคุณภาพ ชุดข้อมูลประกอบด้วยภาพกระเบื้องแม่เหล็กมากกว่า 1,200 ภาพ ซึ่งมีข้อบกพร่อง เช่น รูเจาะ การแตกหัก รอยแตก การหลุดลุ่ย และพื้นผิวไม่เรียบ รูปภาพต่อไปนี้เป็นตัวอย่างของการจำแนกประเภทข้อบกพร่องที่มีป้ายกำกับเดียว โดยมีส่วนที่มีรอยแตกร้าวทางด้านซ้าย และชิ้นส่วนที่ไม่มีข้อบกพร่องทางด้านขวา

ในตัวอย่างจริง คุณสามารถรวบรวมภาพดังกล่าวจากผลิตภัณฑ์สำเร็จรูปในสายการผลิตได้ ในโพสต์นี้ คุณใช้ SageMaker Canvas เพื่อสร้างแบบจำลองการจัดหมวดหมู่รูปภาพแบบป้ายกำกับเดียวที่จะคาดการณ์และจัดประเภทข้อบกพร่องสำหรับรูปภาพแผ่นแม่เหล็กที่กำหนด

SageMaker Canvas สามารถนำเข้าข้อมูลรูปภาพจากไฟล์ดิสก์ในเครื่องหรือ บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon (อเมซอน S3). สำหรับโพสต์นี้ มีการสร้างโฟลเดอร์หลายโฟลเดอร์ (หนึ่งโฟลเดอร์ต่อประเภทข้อบกพร่อง เช่น ช่องลม รอยแตก หรือรอยแตก) ในบัคเก็ต S3 และรูปภาพไทล์แม่เหล็กจะถูกอัปโหลดไปยังโฟลเดอร์ที่เกี่ยวข้อง โฟลเดอร์ที่เรียกว่า Free มีภาพที่ปราศจากข้อบกพร่อง

มีสี่ขั้นตอนที่เกี่ยวข้องในการสร้างโมเดล ML โดยใช้ SageMaker Canvas:

1. นำเข้าชุดข้อมูลของรูปภาพ
2. สร้างและฝึกโมเดล
3. วิเคราะห์ข้อมูลเชิงลึกของโมเดล เช่น ความแม่นยำ
4. ทำนาย.

เบื้องต้น

ก่อนที่จะเริ่มต้น คุณต้องตั้งค่าและเปิดใช้งาน SageMaker Canvas ก่อน การตั้งค่านี้ดำเนินการโดยผู้ดูแลระบบไอทีและเกี่ยวข้องกับสามขั้นตอน:

1. ตั้งค่าไฟล์ อเมซอน SageMaker โดเมน.
2. ตั้งค่าผู้ใช้.
3. ตั้งค่าสิทธิ์เพื่อใช้คุณสมบัติเฉพาะใน SageMaker Canvas

เอ่ยถึง เริ่มต้นใช้งาน Amazon SageMaker Canvas และ การตั้งค่าและการจัดการ Amazon SageMaker Canvas (สำหรับผู้ดูแลระบบไอที) เพื่อกำหนดค่า SageMaker Canvas สำหรับองค์กรของคุณ

เมื่อตั้งค่า SageMaker Canvas แล้ว ผู้ใช้สามารถนำทางไปยังคอนโซล SageMaker ได้ จากนั้นเลือก ผ้าใบ ในบานหน้าต่างนำทาง แล้วเลือก เปิดผ้าใบ เพื่อเปิดตัว SageMaker Canvas

แอปพลิเคชัน SageMaker Canvas เปิดตัวในหน้าต่างเบราว์เซอร์ใหม่

หลังจากเปิดตัวแอปพลิเคชัน SageMaker Canvas คุณจะเริ่มขั้นตอนในการสร้างโมเดล ML

นำเข้าชุดข้อมูล

การนำเข้าชุดข้อมูลเป็นขั้นตอนแรกเมื่อสร้างโมเดล ML ด้วย SageMaker Canvas

1. ในแอปพลิเคชัน SageMaker Canvas ให้เลือก ชุดข้อมูล ในบานหน้าต่างนำทาง
2. เกี่ยวกับ สร้างบัญชีตัวแทน เมนูให้เลือก ภาพ.
   
3. สำหรับ ชื่อชุดข้อมูล, ป้อนชื่อ เช่น Magnetic-Tiles-Dataset.
4. Choose สร้างบัญชีตัวแทน เพื่อสร้างชุดข้อมูล
   

หลังจากสร้างชุดข้อมูลแล้ว คุณจะต้องนำเข้ารูปภาพในชุดข้อมูล

5. เกี่ยวกับ นำเข้า หน้าให้เลือก Amazon S3 (ภาพแผ่นแม่เหล็กอยู่ในที่เก็บข้อมูล S3)

คุณมีทางเลือกในการอัปโหลดภาพจากเครื่องคอมพิวเตอร์ของคุณเช่นกัน

6. เลือกโฟลเดอร์ในบัคเก็ต S3 ที่เก็บและเลือกภาพไทล์แม่เหล็ก นำเข้าข้อมูล.
   

SageMaker Canvas เริ่มนำเข้ารูปภาพไปยังชุดข้อมูล เมื่อการนำเข้าเสร็จสมบูรณ์ คุณจะเห็นชุดข้อมูลรูปภาพที่สร้างขึ้นด้วยรูปภาพ 1,266 รูป

คุณสามารถเลือกชุดข้อมูลเพื่อตรวจสอบรายละเอียด เช่น การแสดงตัวอย่างรูปภาพและป้ายกำกับสำหรับประเภทข้อบกพร่อง เนื่องจากรูปภาพถูกจัดระเบียบเป็นโฟลเดอร์และแต่ละโฟลเดอร์ได้รับการตั้งชื่อตามประเภทข้อบกพร่อง SageMaker Canvas จึงทำการติดป้ายกำกับรูปภาพตามชื่อโฟลเดอร์โดยอัตโนมัติ อีกทางเลือกหนึ่ง คุณสามารถนำเข้ารูปภาพที่ไม่มีป้ายกำกับ เพิ่มป้ายกำกับ และดำเนินการติดป้ายกำกับรูปภาพแต่ละรูปในภายหลังได้ คุณยังสามารถแก้ไขป้ายกำกับของรูปภาพที่มีป้ายกำกับที่มีอยู่ได้

การนำเข้ารูปภาพเสร็จสมบูรณ์ และตอนนี้คุณมีชุดข้อมูลรูปภาพที่สร้างใน SageMaker Canvas แล้ว คุณสามารถย้ายไปยังขั้นตอนถัดไปเพื่อสร้างแบบจำลอง ML เพื่อคาดการณ์ข้อบกพร่องในแผ่นแม่เหล็ก

สร้างและฝึกโมเดล

คุณฝึกโมเดลโดยใช้ชุดข้อมูลที่นำเข้า

1. เลือกชุดข้อมูล (Magnetic-tiles-Dataset) และเลือก สร้างแบบจำลอง.
2. สำหรับ ชื่อรุ่น, ป้อนชื่อ เช่น Magnetic-Tiles-Defect-Model.
3. เลือก การวิเคราะห์ภาพ สำหรับประเภทปัญหาและเลือก สร้างบัญชีตัวแทน เพื่อกำหนดค่าการสร้างโมเดล
   

บนตัวแบบ สร้าง คุณสามารถดูรายละเอียดต่างๆ เกี่ยวกับชุดข้อมูลได้ เช่น การกระจายป้ายกำกับ จำนวนรูปภาพที่มีป้ายกำกับและที่ไม่มีป้ายกำกับ และประเภทโมเดล ซึ่งเป็นการทำนายรูปภาพที่มีป้ายกำกับเดียวในกรณีนี้ หากคุณนำเข้ารูปภาพที่ไม่มีป้ายกำกับหรือต้องการแก้ไขหรือแก้ไขป้ายกำกับของรูปภาพบางรูป คุณสามารถเลือกได้ แก้ไขชุดข้อมูล เพื่อแก้ไขฉลาก

คุณสามารถสร้างโมเดลได้สองวิธี: การสร้างด่วนและการสร้างมาตรฐาน ตัวเลือก Quick build ให้ความสำคัญกับความเร็วมากกว่าความแม่นยำ ฝึกโมเดลภายใน 15–30 นาที สามารถใช้แบบจำลองสำหรับการทำนายได้ แต่ไม่สามารถแชร์ได้ เป็นตัวเลือกที่ดีในการตรวจสอบความเป็นไปได้และความแม่นยำของการฝึกโมเดลด้วยชุดข้อมูลที่กำหนดอย่างรวดเร็ว โครงสร้างมาตรฐานเลือกความแม่นยำมากกว่าความเร็ว และการฝึกโมเดลอาจใช้เวลาประมาณ 2–4 ชั่วโมง

สำหรับโพสต์นี้ คุณจะฝึกโมเดลโดยใช้ตัวเลือกการสร้างมาตรฐาน

4. Choose โครงสร้างมาตรฐาน บน สร้าง แท็บเพื่อเริ่มการฝึกโมเดล

การฝึกโมเดลจะเริ่มต้นทันที คุณสามารถดูเวลาในการสร้างและความคืบหน้าในการฝึกอบรมได้ที่ วิเคราะห์ แถบ

รอจนกว่าการฝึกโมเดลจะเสร็จสิ้น จากนั้นคุณจึงสามารถวิเคราะห์ประสิทธิภาพของโมเดลเพื่อความแม่นยำได้

วิเคราะห์แบบจำลอง

ในกรณีนี้ ใช้เวลาไม่ถึงหนึ่งชั่วโมงในการฝึกโมเดลให้เสร็จสิ้น เมื่อการฝึกโมเดลเสร็จสมบูรณ์ คุณสามารถตรวจสอบความแม่นยำของโมเดลได้ที่ วิเคราะห์ แท็บเพื่อตรวจสอบว่าแบบจำลองสามารถทำนายข้อบกพร่องได้อย่างแม่นยำหรือไม่ คุณเห็นว่าความแม่นยำของโมเดลโดยรวมคือ 97.7% ในกรณีนี้ คุณยังสามารถตรวจสอบความแม่นยำของแบบจำลองสำหรับแต่ละฉลากหรือประเภทข้อบกพร่อง เช่น 100% สำหรับ Fray และ Uneven แต่ประมาณ 95% สำหรับ Blowhole. ความแม่นยำระดับนี้น่าสนับสนุน ดังนั้นเราจึงสามารถประเมินต่อไปได้

เพื่อให้เข้าใจและเชื่อถือโมเดลได้ดียิ่งขึ้น ให้เปิดใช้งาน Heatmap เพื่อดูพื้นที่ที่น่าสนใจในรูปภาพที่โมเดลใช้เพื่อแยกป้ายกำกับ มันขึ้นอยู่กับเทคนิคแผนที่การเปิดใช้งานคลาส (CAM) คุณสามารถใช้แผนที่ความร้อนเพื่อระบุรูปแบบจากภาพที่คาดการณ์ไม่ถูกต้อง ซึ่งสามารถช่วยปรับปรุงคุณภาพของแบบจำลองของคุณได้

เกี่ยวกับ เกณฑ์การให้คะแนน แท็บ คุณสามารถตรวจสอบความแม่นยำและการเรียกคืนแบบจำลองสำหรับป้ายกำกับแต่ละอัน (หรือประเภทหรือประเภทข้อบกพร่อง) ความแม่นยำและการเรียกคืนเป็นตัวชี้วัดการประเมินที่ใช้ในการวัดประสิทธิภาพของแบบจำลองการจำแนกประเภทไบนารีและหลายคลาส ความแม่นยำบอกว่าแบบจำลองสามารถทำนายคลาสเฉพาะได้ดีเพียงใด (ประเภทข้อบกพร่องในตัวอย่างนี้) การเรียกคืนจะบอกจำนวนครั้งที่โมเดลสามารถตรวจจับคลาสที่ระบุได้

การวิเคราะห์แบบจำลองช่วยให้คุณเข้าใจความถูกต้องของแบบจำลองก่อนที่จะใช้ในการคาดการณ์

ทำการคาดการณ์

หลังจากการวิเคราะห์แบบจำลอง ตอนนี้คุณสามารถคาดการณ์โดยใช้แบบจำลองนี้เพื่อระบุข้อบกพร่องในแผ่นแม่เหล็กได้

เกี่ยวกับ ทำนาย แท็บ คุณสามารถเลือกได้ คำทำนายเดียว และ การทำนายแบทช์. ในการคาดคะเนครั้งเดียว คุณจะนำเข้ารูปภาพเดียวจากคอมพิวเตอร์ในระบบของคุณหรือบัคเก็ต S3 เพื่อทำการคาดการณ์เกี่ยวกับข้อบกพร่อง ในการทำนายแบบกลุ่ม คุณสามารถคาดการณ์ภาพหลายภาพที่เก็บอยู่ในชุดข้อมูล SageMaker Canvas ได้ คุณสามารถสร้างชุดข้อมูลแยกต่างหากใน SageMaker Canvas ด้วยรูปภาพทดสอบหรือการอนุมานสำหรับการคาดการณ์แบบกลุ่ม สำหรับโพสต์นี้ เราใช้การทำนายทั้งแบบเดี่ยวและแบบกลุ่ม

สำหรับการทำนายเดี่ยวบน ทำนาย เลือกแท็บ คำทำนายเดียวแล้วเลือก นำเข้ารูปภาพ เพื่ออัปโหลดภาพทดสอบหรือการอนุมานจากเครื่องคอมพิวเตอร์ของคุณ

หลังจากนำเข้ารูปภาพแล้ว แบบจำลองจะคาดการณ์เกี่ยวกับข้อบกพร่อง สำหรับการอนุมานครั้งแรก อาจใช้เวลาสักครู่เนื่องจากโมเดลกำลังโหลดเป็นครั้งแรก แต่หลังจากโหลดแบบจำลองแล้ว ก็จะคาดการณ์เกี่ยวกับรูปภาพได้ทันที คุณสามารถดูรูปภาพและระดับความเชื่อมั่นของการทำนายสำหรับป้ายกำกับแต่ละประเภท ตัวอย่างเช่น ในกรณีนี้ ภาพกระเบื้องแม่เหล็กถูกคาดการณ์ว่าจะมีข้อบกพร่องที่พื้นผิวไม่เรียบ (the Uneven label) และนางแบบมีความมั่นใจถึง 94%

ในทำนองเดียวกัน คุณสามารถใช้รูปภาพอื่นหรือชุดข้อมูลของรูปภาพเพื่อคาดการณ์ข้อบกพร่องได้

สำหรับการทำนายเป็นชุด เราใช้ชุดข้อมูลของรูปภาพที่ไม่มีป้ายกำกับที่เรียกว่า Magnetic-Tiles-Test-Dataset โดยการอัปโหลดภาพทดสอบ 12 ภาพจากเครื่องคอมพิวเตอร์ของคุณไปยังชุดข้อมูล

เกี่ยวกับ ทำนาย เลือกแท็บ การทำนายแบทช์ และเลือก เลือกชุดข้อมูล.

เลือก Magnetic-Tiles-Test-Dataset ชุดข้อมูลและเลือก สร้างคำทำนาย.

จะใช้เวลาสักระยะหนึ่งในการสร้างการคาดการณ์สำหรับภาพทั้งหมด เมื่อสถานะเป็น พร้อมให้เลือกลิงก์ชุดข้อมูลเพื่อดูการคาดการณ์

คุณสามารถดูการคาดการณ์ของภาพทั้งหมดด้วยระดับความมั่นใจ คุณสามารถเลือกภาพใดก็ได้เพื่อดูรายละเอียดการคาดการณ์ระดับภาพ

คุณสามารถดาวน์โหลดการทำนายในรูปแบบไฟล์ CSV หรือ .zip เพื่อทำงานแบบออฟไลน์ได้ คุณยังสามารถตรวจสอบป้ายกำกับที่คาดการณ์และเพิ่มลงในชุดข้อมูลการฝึกของคุณได้ หากต้องการตรวจสอบป้ายกำกับที่คาดการณ์ ให้เลือก ตรวจสอบคำทำนาย.

ในชุดข้อมูลการทำนาย คุณสามารถอัปเดตป้ายกำกับของรูปภาพแต่ละรูปได้ หากคุณพบว่าป้ายกำกับที่คาดการณ์ไม่ถูกต้อง เมื่อคุณได้อัปเดตป้ายกำกับตามที่ต้องการแล้ว ให้เลือก เพิ่มไปยังชุดข้อมูลที่ได้รับการฝึก เพื่อรวมรูปภาพเข้ากับชุดข้อมูลการฝึกอบรมของคุณ (ในตัวอย่างนี้ Magnetic-Tiles-Dataset).

ซึ่งจะอัปเดตชุดข้อมูลการฝึก ซึ่งมีทั้งอิมเมจการฝึกที่มีอยู่และอิมเมจใหม่ที่มีป้ายกำกับที่คาดการณ์ไว้ คุณสามารถฝึกโมเดลรุ่นใหม่ด้วยชุดข้อมูลที่อัปเดตและอาจปรับปรุงประสิทธิภาพของโมเดลได้ เวอร์ชันโมเดลใหม่จะไม่ใช่การฝึกแบบเพิ่มหน่วย แต่เป็นการฝึกใหม่ตั้งแต่ต้นด้วยชุดข้อมูลที่อัปเดต ซึ่งจะช่วยให้โมเดลรีเฟรชด้วยแหล่งข้อมูลใหม่ๆ

ทำความสะอาด

หลังจากที่คุณทำงานกับ SageMaker Canvas เสร็จแล้ว ให้เลือก ออกจากระบบ เพื่อปิดเซสชันและหลีกเลี่ยงค่าใช้จ่ายเพิ่มเติม

เมื่อคุณออกจากระบบ งานของคุณ เช่น ชุดข้อมูลและโมเดลจะยังคงบันทึกไว้ และคุณสามารถเปิดเซสชัน SageMaker Canvas อีกครั้งเพื่อทำงานต่อในภายหลังได้

SageMaker Canvas สร้างตำแหน่งข้อมูล SageMaker แบบอะซิงโครนัสสำหรับสร้างการคาดการณ์ หากต้องการลบตำแหน่งข้อมูล การกำหนดค่าตำแหน่งข้อมูล และโมเดลที่สร้างโดย SageMaker Canvas โปรดดูที่ ลบปลายทางและทรัพยากร.

สรุป

ในโพสต์นี้ คุณได้เรียนรู้วิธีใช้ SageMaker Canvas เพื่อสร้างแบบจำลองการจัดหมวดหมู่รูปภาพเพื่อคาดการณ์ข้อบกพร่องในผลิตภัณฑ์ที่ผลิต เพื่อชมเชยและปรับปรุงกระบวนการคุณภาพการตรวจสอบด้วยภาพ คุณสามารถใช้ SageMaker Canvas กับชุดข้อมูลรูปภาพที่แตกต่างจากสภาพแวดล้อมการผลิตของคุณ เพื่อสร้างแบบจำลองสำหรับกรณีการใช้งาน เช่น การบำรุงรักษาเชิงคาดการณ์ การตรวจสอบบรรจุภัณฑ์ ความปลอดภัยของพนักงาน การติดตามสินค้า และอื่นๆ SageMaker Canvas ช่วยให้คุณสามารถใช้ ML เพื่อสร้างการคาดการณ์โดยไม่จำเป็นต้องเขียนโค้ดใดๆ ช่วยเร่งการประเมินและการนำความสามารถ CV ML ไปใช้

หากต้องการเริ่มต้นและเรียนรู้เพิ่มเติมเกี่ยวกับ SageMaker Canvas โปรดดูแหล่งข้อมูลต่อไปนี้:

---

เกี่ยวกับผู้แต่ง

บราเจนดรา ซิงห์ เป็นสถาปนิกโซลูชันใน Amazon Web Services ที่ทำงานร่วมกับลูกค้าระดับองค์กร เขามีพื้นฐานด้านนักพัฒนาซอฟต์แวร์ที่แข็งแกร่งและเป็นคนที่กระตือรือร้นในด้านข้อมูลและโซลูชันการเรียนรู้ของเครื่อง

แดนนี่สมิ ธ เป็นอาจารย์ใหญ่ ML Strategist สำหรับอุตสาหกรรมยานยนต์และการผลิต โดยทำหน้าที่เป็นที่ปรึกษาเชิงกลยุทธ์ให้กับลูกค้า ความมุ่งมั่นในอาชีพของเขาคือการช่วยให้ผู้มีอำนาจตัดสินใจคนสำคัญใช้ประโยชน์จากข้อมูล เทคโนโลยี และคณิตศาสตร์ เพื่อการตัดสินใจที่ดีขึ้น ตั้งแต่ห้องประชุมคณะกรรมการไปจนถึงพื้นที่ปฏิบัติงาน บทสนทนาส่วนใหญ่ของเขาเมื่อเร็วๆ นี้เกี่ยวกับการทำให้การเรียนรู้ของเครื่องเป็นประชาธิปไตยและ AI เชิงสร้างสรรค์

ดาวิเด้ กัลลิเตลลี่ เป็น Specialist Solutions Architect สำหรับ AI/ML ในภูมิภาค EMEA เขาอยู่ในบรัสเซลส์และทำงานอย่างใกล้ชิดกับลูกค้าทั่วเบเนลักซ์ เขาเป็นนักพัฒนาตั้งแต่ยังเด็ก เริ่มเขียนโค้ดเมื่ออายุ 7 ขวบ เขาเริ่มเรียน AI/ML ที่มหาวิทยาลัย และตกหลุมรักมันตั้งแต่นั้นเป็นต้นมา

• เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
• PlatoData.Network Vertical Generative Ai เพิ่มพลังให้กับตัวเอง เข้าถึงได้ที่นี่.
• เพลโตไอสตรีม. Web3 อัจฉริยะ ขยายความรู้ เข้าถึงได้ที่นี่.
• เพลโตESG. ยานยนต์ / EVs, คาร์บอน, คลีนเทค, พลังงาน, สิ่งแวดล้อม แสงอาทิตย์, การจัดการของเสีย. เข้าถึงได้ที่นี่.
• BlockOffsets การปรับปรุงการเป็นเจ้าของออฟเซ็ตด้านสิ่งแวดล้อมให้ทันสมัย เข้าถึงได้ที่นี่.
• ที่มา: https://aws.amazon.com/blogs/machine-learning/democratize-computer-vision-defect-detection-for-manufacturing-quality-using-no-code-machine-learning-with-amazon-sagemaker-canvas/