ในคำพูดของพวกเขาเอง “ในปี 1902 Willis Carrier ได้แก้ไขปัญหาท้าทายที่ยากจะเข้าใจที่สุดประการหนึ่งของมนุษยชาติในการควบคุมสภาพแวดล้อมภายในอาคารผ่านเครื่องปรับอากาศที่ทันสมัย ปัจจุบัน ผลิตภัณฑ์ของ Carrier สร้างสภาพแวดล้อมที่สะดวกสบาย ปกป้องแหล่งอาหารทั่วโลก และช่วยให้สามารถขนส่งเวชภัณฑ์ที่สำคัญได้อย่างปลอดภัยภายใต้เงื่อนไขที่เข้มงวด”
At พาหะรากฐานของความสำเร็จของเราคือการทำให้ผลิตภัณฑ์ที่ลูกค้าของเราสามารถไว้วางใจได้เพื่อให้พวกเขาสะดวกสบายและปลอดภัยตลอดทั้งปี ความน่าเชื่อถือสูงและระยะเวลาหยุดทำงานของอุปกรณ์ต่ำมีความสำคัญมากขึ้น เนื่องจากอุณหภูมิที่สูงมากกลายเป็นเรื่องปกติมากขึ้นเนื่องจากการเปลี่ยนแปลงสภาพภูมิอากาศ ในอดีตเราอาศัยระบบตามเกณฑ์ที่แจ้งเตือนเราเกี่ยวกับพฤติกรรมที่ผิดปกติของอุปกรณ์ โดยใช้พารามิเตอร์ที่กำหนดโดยทีมวิศวกรของเรา แม้ว่าระบบดังกล่าวจะมีประสิทธิภาพ แต่ก็มีจุดมุ่งหมายเพื่อระบุและวินิจฉัยปัญหาของอุปกรณ์แทนที่จะคาดการณ์ การคาดการณ์ข้อผิดพลาดก่อนที่จะเกิดขึ้นช่วยให้ตัวแทนจำหน่าย HVAC ของเราแก้ไขปัญหาเชิงรุกและปรับปรุงประสบการณ์ของลูกค้าได้
เพื่อปรับปรุงความน่าเชื่อถือของอุปกรณ์ของเรา เราได้ร่วมมือกับ ห้องปฏิบัติการโซลูชันแมชชีนเลิร์นนิงของ Amazon เพื่อพัฒนาโมเดลการเรียนรู้ของเครื่อง (ML) แบบกำหนดเองที่สามารถคาดการณ์ปัญหาอุปกรณ์ก่อนที่จะเกิดความล้มเหลว ทีมของเราพัฒนาเฟรมเวิร์กสำหรับการประมวลผลข้อมูลเซ็นเซอร์ในอดีตมากกว่า 50 TB และคาดการณ์ข้อผิดพลาดด้วยความแม่นยำ 91% ขณะนี้เราสามารถแจ้งตัวแทนจำหน่ายเกี่ยวกับความล้มเหลวของอุปกรณ์ที่กำลังจะเกิดขึ้น เพื่อให้พวกเขาสามารถกำหนดเวลาการตรวจสอบและลดเวลาหยุดทำงานของเครื่องให้เหลือน้อยที่สุด กรอบงานโซลูชันสามารถปรับขนาดได้เมื่อมีการติดตั้งอุปกรณ์มากขึ้นและสามารถนำกลับมาใช้ใหม่สำหรับงานการสร้างแบบจำลองดาวน์สตรีมที่หลากหลาย
ในโพสต์นี้ เราจะแสดงให้เห็นว่าทีม Carrier และ AWS ใช้ ML เพื่อคาดการณ์ข้อผิดพลาดในกลุ่มอุปกรณ์ขนาดใหญ่โดยใช้รุ่นเดียวได้อย่างไร ก่อนอื่นเราจะเน้นวิธีที่เราใช้ AWS กาว สำหรับการประมวลผลข้อมูลแบบขนานสูง จากนั้นเราจะหารือเกี่ยวกับวิธีการ อเมซอน SageMaker ช่วยเราในด้านวิศวกรรมฟีเจอร์และการสร้างแบบจำลองการเรียนรู้เชิงลึกที่มีการควบคุมดูแลและปรับขนาดได้
ภาพรวมของกรณีการใช้งาน เป้าหมาย และความเสี่ยง
เป้าหมายหลักของโครงการนี้คือการลดเวลาหยุดทำงานโดยคาดการณ์ความล้มเหลวของอุปกรณ์ที่กำลังจะเกิดขึ้นและแจ้งตัวแทนจำหน่าย ช่วยให้ตัวแทนจำหน่ายสามารถกำหนดเวลาการบำรุงรักษาเชิงรุกและให้บริการลูกค้าได้อย่างยอดเยี่ยม เราเผชิญกับความท้าทายหลักสามประการเมื่อดำเนินการแก้ไขปัญหานี้:
- ความสามารถในการปรับขนาดข้อมูล – การประมวลผลข้อมูลและการดึงคุณสมบัติจำเป็นต้องขยายขนาดผ่านข้อมูลเซ็นเซอร์ประวัติที่มีการเติบโตขนาดใหญ่
- ความสามารถในการปรับขนาดโมเดล – วิธีการสร้างแบบจำลองจะต้องมีความสามารถในการขยายขนาดได้มากกว่า 10,000 หน่วย
- ความแม่นยำของโมเดล – จำเป็นต้องมีอัตราผลบวกลวงต่ำเพื่อหลีกเลี่ยงการตรวจสอบการบำรุงรักษาที่ไม่จำเป็น
ความสามารถในการปรับขนาดทั้งจากมุมมองข้อมูลและการสร้างแบบจำลองเป็นข้อกำหนดสำคัญสำหรับโซลูชันนี้ เรามีข้อมูลอุปกรณ์ในอดีตมากกว่า 50 TB และคาดว่าข้อมูลนี้จะเติบโตอย่างรวดเร็วเนื่องจากมีหน่วย HVAC เชื่อมต่อกับระบบคลาวด์เพิ่มมากขึ้น การประมวลผลข้อมูลและการอนุมานแบบจำลองจำเป็นต้องปรับขนาดเมื่อข้อมูลของเราเติบโตขึ้น เพื่อให้แนวทางการสร้างแบบจำลองของเราขยายขนาดได้มากกว่า 10,000 หน่วย เราจำเป็นต้องมีแบบจำลองที่สามารถเรียนรู้จากอุปกรณ์จำนวนมาก แทนที่จะอาศัยการอ่านที่ผิดปกติสำหรับหน่วยเดียว ซึ่งจะช่วยให้สามารถสรุปข้อมูลทั่วไปในหน่วยต่างๆ และลดต้นทุนการอนุมานด้วยการโฮสต์โมเดลเดียว
ข้อกังวลอีกประการสำหรับกรณีการใช้งานนี้คือการกระตุ้นให้เกิดการแจ้งเตือนที่ผิดพลาด ซึ่งหมายความว่าตัวแทนจำหน่ายหรือช่างเทคนิคจะไปที่สถานที่เพื่อตรวจสอบอุปกรณ์ของลูกค้าและค้นหาทุกอย่างให้ทำงานอย่างเหมาะสม โซลูชันนี้ต้องการโมเดลที่มีความแม่นยำสูงเพื่อให้แน่ใจว่าเมื่อตัวแทนจำหน่ายได้รับการแจ้งเตือน อุปกรณ์มีแนวโน้มที่จะทำงานล้มเหลว ซึ่งช่วยสร้างความไว้วางใจจากตัวแทนจำหน่าย ช่างเทคนิค และเจ้าของบ้าน และลดต้นทุนที่เกี่ยวข้องกับการตรวจสอบนอกสถานที่โดยไม่จำเป็น
เราร่วมมือกับผู้เชี่ยวชาญด้าน AI/ML ที่ Amazon ML Solutions Lab เพื่อความพยายามในการพัฒนาเป็นเวลา 14 สัปดาห์ ท้ายที่สุดแล้ว โซลูชันของเราประกอบด้วยองค์ประกอบหลักสองส่วน โมดูลแรกคือโมดูลการประมวลผลข้อมูลที่สร้างด้วย AWS Glue ซึ่งจะสรุปพฤติกรรมของอุปกรณ์และลดขนาดของข้อมูลการฝึกอบรมของเราเพื่อการประมวลผลดาวน์สตรีมที่มีประสิทธิภาพ ประการที่สองคืออินเทอร์เฟซการฝึกอบรมโมเดลที่จัดการผ่าน SageMaker ซึ่งช่วยให้เราสามารถฝึกอบรม ปรับแต่ง และประเมินโมเดลของเราก่อนที่จะนำไปใช้กับตำแหน่งข้อมูลการผลิต
การประมวลผลข้อมูล
หน่วย HVAC แต่ละหน่วยที่เราติดตั้งจะสร้างข้อมูลจากเซ็นเซอร์ที่แตกต่างกัน 90 ตัวพร้อมการอ่านค่า RPM อุณหภูมิ และความดันทั่วทั้งระบบ ซึ่งมีจำนวนจุดข้อมูลประมาณ 8 ล้านจุดที่สร้างขึ้นต่อหน่วยต่อวัน โดยมีการติดตั้งหน่วยนับหมื่นหน่วย เนื่องจากระบบ HVAC เชื่อมต่อกับระบบคลาวด์มากขึ้น เราคาดว่าปริมาณข้อมูลจะเติบโตอย่างรวดเร็ว ซึ่งทำให้การจัดการขนาดและความซับซ้อนเพื่อใช้ในงานดาวน์สตรีมเป็นเรื่องสำคัญสำหรับเรา ความยาวของประวัติข้อมูลเซ็นเซอร์ยังทำให้เกิดความท้าทายในการสร้างแบบจำลองอีกด้วย หน่วยอาจเริ่มแสดงสัญญาณของความล้มเหลวที่กำลังจะเกิดขึ้นหลายเดือนก่อนที่จะเกิดข้อผิดพลาดจริง สิ่งนี้ทำให้เกิดความล่าช้าอย่างมากระหว่างสัญญาณคาดการณ์และความล้มเหลวที่เกิดขึ้นจริง วิธีการบีบอัดความยาวของข้อมูลอินพุตกลายเป็นสิ่งสำคัญสำหรับการสร้างแบบจำลอง ML
ในการจัดการกับขนาดและความซับซ้อนของข้อมูลเซ็นเซอร์ เราจะบีบอัดข้อมูลออกเป็นคุณลักษณะวงจรดังแสดงในรูปที่ 1 ซึ่งจะช่วยลดขนาดของข้อมูลได้อย่างมากในขณะที่บันทึกคุณลักษณะที่แสดงถึงลักษณะการทำงานของอุปกรณ์
AWS Glue เป็นบริการผสานรวมข้อมูลแบบไร้เซิร์ฟเวอร์สำหรับการประมวลผลข้อมูลปริมาณมากในวงกว้าง AWS Glue ช่วยให้เราสามารถเรียกใช้การประมวลผลข้อมูลล่วงหน้าแบบขนานและการดึงคุณสมบัติได้อย่างง่ายดาย เราใช้ AWS Glue เพื่อตรวจจับรอบและสรุปพฤติกรรมของหน่วยโดยใช้คุณสมบัติหลักที่ระบุโดยทีมวิศวกรของเรา สิ่งนี้ช่วยลดขนาดชุดข้อมูลของเราลงอย่างมากจากจุดข้อมูลมากกว่า 8 ล้านจุดต่อวันต่อหน่วยเหลือประมาณ 1,200 จุด แนวทางนี้จะรักษาข้อมูลเชิงคาดการณ์เกี่ยวกับพฤติกรรมของหน่วยด้วยปริมาณข้อมูลที่น้อยกว่ามาก
ผลลัพธ์ของงาน AWS Glue เป็นการสรุปพฤติกรรมของหน่วยสำหรับแต่ละรอบ จากนั้นเราก็ใช้อัน การประมวลผล Amazon SageMaker งานในการคำนวณคุณสมบัติข้ามรอบและติดป้ายกำกับข้อมูลของเรา เรากำหนดปัญหา ML ให้เป็นงานการจำแนกประเภทไบนารีโดยมีเป้าหมายในการทำนายข้อบกพร่องของอุปกรณ์ในอีก 60 วันข้างหน้า ซึ่งช่วยให้เครือข่ายตัวแทนจำหน่ายของเราสามารถจัดการกับความล้มเหลวของอุปกรณ์ที่อาจเกิดขึ้นได้ทันเวลา สิ่งสำคัญคือต้องทราบว่าไม่ใช่ทุกหน่วยจะล้มเหลวภายใน 60 วัน หน่วยที่ประสบปัญหาประสิทธิภาพการทำงานลดลงช้าอาจต้องใช้เวลานานกว่าจึงจะล้มเหลว เราจัดการเรื่องนี้ในระหว่างขั้นตอนการประเมินแบบจำลอง เรามุ่งเน้นการสร้างแบบจำลองของเราไปที่ช่วงฤดูร้อน เนื่องจากเดือนเหล่านั้นเป็นช่วงที่ระบบ HVAC ส่วนใหญ่ในสหรัฐอเมริกามีการทำงานที่สม่ำเสมอและอยู่ภายใต้สภาวะที่รุนแรงมากขึ้น
การสร้างแบบจำลอง
สถาปัตยกรรมหม้อแปลงไฟฟ้าได้กลายเป็นแนวทางที่ล้ำสมัยในการจัดการข้อมูลชั่วคราว พวกเขาสามารถใช้ลำดับข้อมูลในอดีตที่ยาวในแต่ละขั้นตอนโดยไม่ต้องทนทุกข์ทรมานจากการไล่ระดับสีที่หายไป ข้อมูลนำเข้าสำหรับแบบจำลองของเรา ณ เวลาที่กำหนดประกอบด้วยคุณลักษณะสำหรับรอบอุปกรณ์ 128 รอบก่อนหน้า ซึ่งก็คือประมาณหนึ่งสัปดาห์ของการทำงานของหน่วย สิ่งนี้ได้รับการประมวลผลโดยตัวเข้ารหัสสามชั้นซึ่งมีเอาท์พุตเป็นค่าเฉลี่ยและป้อนเข้าไปในตัวแยกประเภท Perceptron (MLP) หลายชั้น ตัวแยกประเภท MLP ประกอบด้วยเลเยอร์เชิงเส้นสามชั้นพร้อมฟังก์ชันการเปิดใช้งาน ReLU และเลเยอร์สุดท้ายพร้อมการเปิดใช้งาน LogSoftMax เราใช้การสูญเสียความน่าจะเป็นของบันทึกเชิงลบแบบถ่วงน้ำหนักด้วยน้ำหนักที่แตกต่างกันในระดับที่เป็นบวกสำหรับฟังก์ชันการสูญเสียของเรา สิ่งนี้ทำให้แบบจำลองของเรามีความแม่นยำสูงและหลีกเลี่ยงการแจ้งเตือนที่ผิดพลาดซึ่งมีค่าใช้จ่ายสูง นอกจากนี้ยังรวมวัตถุประสงค์ทางธุรกิจของเราเข้ากับกระบวนการฝึกอบรมโมเดลโดยตรงด้วย รูปที่ 2 แสดงสถาปัตยกรรมหม้อแปลงไฟฟ้า
การฝึกอบรม
ความท้าทายอย่างหนึ่งในการฝึกโมเดลการเรียนรู้ชั่วคราวนี้คือความไม่สมดุลของข้อมูล บางหน่วยมีประวัติการดำเนินงานที่ยาวนานกว่าหน่วยอื่นๆ ดังนั้นจึงมีรอบในชุดข้อมูลของเรามากกว่า เนื่องจากมีการแสดงมากเกินไปในชุดข้อมูล หน่วยเหล่านี้จะมีอิทธิพลต่อแบบจำลองของเรามากขึ้น เราแก้ไขปัญหานี้โดยการสุ่มตัวอย่าง 100 รอบในประวัติของหน่วย โดยเราจะประเมินความน่าจะเป็นของความล้มเหลวในขณะนั้น เพื่อให้แน่ใจว่าแต่ละหน่วยมีการนำเสนออย่างเท่าเทียมกันในระหว่างกระบวนการฝึกอบรม ในขณะที่ขจัดปัญหาข้อมูลที่ไม่สมดุล วิธีการนี้มีประโยชน์เพิ่มเติมในการจำลองวิธีการประมวลผลชุดงานที่จะใช้ในการผลิต วิธีการสุ่มตัวอย่างนี้ถูกนำไปใช้กับชุดการฝึกอบรม การตรวจสอบ และการทดสอบ
การฝึกอบรมดำเนินการโดยใช้อินสแตนซ์ที่เร่งด้วย GPU บน SageMaker การติดตามการสูญเสียแสดงให้เห็นว่าได้รับผลลัพธ์ที่ดีที่สุดหลังจาก 180 ยุคการฝึกอบรม ดังแสดงในรูปที่ 3 รูปที่ 4 แสดงให้เห็นว่าพื้นที่ใต้เส้นโค้ง ROC สำหรับแบบจำลองการจำแนกประเภทชั่วคราวที่ได้คือ 81%
การประเมินผล
ในขณะที่แบบจำลองของเราได้รับการฝึกฝนในระดับวงจร การประเมินจำเป็นต้องเกิดขึ้นในระดับหน่วย ด้วยวิธีนี้ หนึ่งหน่วยที่มีการตรวจพบผลบวกจริงหลายรายการจะยังคงนับเป็นผลบวกจริงเพียงรายการเดียวในระดับหน่วย ในการดำเนินการนี้ เราจะวิเคราะห์ความทับซ้อนกันระหว่างผลลัพธ์ที่คาดการณ์ไว้กับกรอบเวลา 60 วันก่อนเกิดข้อผิดพลาด ดังแสดงไว้ในรูปต่อไปนี้ ซึ่งแสดงกรณีการทำนายผลลัพธ์สี่กรณี:
- ลบจริง – ผลการทำนายทั้งหมดเป็นลบ (สีม่วง) (ภาพที่ 5)
- บวกเท็จ – การทำนายเชิงบวกเป็นสัญญาณเตือนที่ผิดพลาด (รูปที่ 6)
- ลบเชิงลบ – แม้ว่าการทำนายจะเป็นลบทั้งหมด แต่ฉลากจริงอาจเป็นบวก (สีเขียว) (ภาพที่ 7)
- บวกจริง – การทำนายบางส่วนอาจเป็นลบ (สีเขียว) และการทำนายอย่างน้อยหนึ่งรายการอาจเป็นเชิงบวก (สีเหลือง) (รูปที่ 8)
หลังการฝึกอบรม เราใช้ชุดการประเมินเพื่อปรับแต่งเกณฑ์สำหรับการส่งการแจ้งเตือน การตั้งค่าเกณฑ์ความเชื่อมั่นของแบบจำลองที่ 0.99 จะให้ความแม่นยำประมาณ 81% ซึ่งไม่อยู่ในเกณฑ์เริ่มต้น 90% สู่ความสำเร็จ อย่างไรก็ตาม เราพบว่าหน่วยส่วนใหญ่ล้มเหลวนอกกรอบการประเมิน 60 วัน ซึ่งสมเหตุสมผล เนื่องจากหน่วยอาจแสดงพฤติกรรมที่ผิดพลาดอยู่แต่อาจใช้เวลานานกว่า 60 วันจึงจะล้มเหลว เพื่อจัดการกับสิ่งนี้ เราได้กำหนดหน่วยเมตริกที่เรียกว่า ความแม่นยำที่มีประสิทธิภาพซึ่งเป็นการผสมผสานระหว่างความแม่นยำเชิงบวกที่แท้จริง (81%) เข้ากับความแม่นยำที่เพิ่มขึ้นของการล็อกที่เกิดขึ้นในช่วง 30 วันที่เกินกว่ากรอบเวลา 60 วันเป้าหมายของเรา
สำหรับตัวแทนจำหน่าย HVAC สิ่งที่สำคัญที่สุดคือการตรวจสอบนอกสถานที่จะช่วยป้องกันปัญหา HVAC ในอนาคตให้กับลูกค้า เมื่อใช้แบบจำลองนี้ เราประมาณว่า 81.2% ของเวลาที่การตรวจสอบจะป้องกันการล็อกไม่ให้เกิดขึ้นใน 60 วันข้างหน้า นอกจากนี้ 10.4% ของเวลาที่ล็อคจะเกิดขึ้นภายใน 90 วันนับจากการตรวจสอบ ส่วนที่เหลืออีก 8.4% จะเป็นสัญญาณเตือนที่ผิดพลาด ความแม่นยำที่มีประสิทธิภาพของแบบจำลองที่ผ่านการฝึกอบรมคือ 91.6%
สรุป
ในโพสต์นี้ เราได้แสดงให้เห็นว่าทีมของเราใช้ AWS Glue และ SageMaker เพื่อสร้างโซลูชันการเรียนรู้ภายใต้การดูแลที่ปรับขนาดได้สำหรับการบำรุงรักษาเชิงคาดการณ์ได้อย่างไร แบบจำลองของเราสามารถจับแนวโน้มจากประวัติข้อมูลเซ็นเซอร์ในระยะยาว และตรวจจับความล้มเหลวของอุปกรณ์หลายร้อยครั้งล่วงหน้าได้อย่างแม่นยำ การคาดการณ์ข้อผิดพลาดล่วงหน้าจะช่วยลดเวลาระหว่างขอบถนน ทำให้ตัวแทนจำหน่ายของเราสามารถให้ความช่วยเหลือด้านเทคนิคได้ทันเวลามากขึ้น และปรับปรุงประสบการณ์โดยรวมของลูกค้า ผลกระทบของแนวทางนี้จะเพิ่มมากขึ้นเมื่อเวลาผ่านไป เนื่องจากมีการติดตั้งหน่วย HVAC ที่เชื่อมต่อกับระบบคลาวด์มากขึ้นทุกปี
ขั้นตอนต่อไปของเราคือการรวมข้อมูลเชิงลึกเหล่านี้เข้ากับพอร์ทัลตัวแทนจำหน่ายที่เชื่อมต่อของ Carrier ที่กำลังจะเปิดตัวเร็วๆ นี้ พอร์ทัลรวมการแจ้งเตือนเชิงคาดการณ์เหล่านี้เข้ากับข้อมูลเชิงลึกอื่นๆ ที่เราได้รับจาก Data Lake บน AWS ของเรา เพื่อให้ตัวแทนจำหน่ายของเรามีความชัดเจนมากขึ้นเกี่ยวกับสภาพอุปกรณ์ทั่วทั้งฐานลูกค้าของพวกเขา เราจะปรับปรุงแบบจำลองของเราต่อไปโดยการรวมข้อมูลจากแหล่งเพิ่มเติมและแยกคุณสมบัติขั้นสูงเพิ่มเติมจากข้อมูลเซ็นเซอร์ของเรา วิธีการที่ใช้ในโครงการนี้เป็นรากฐานที่แข็งแกร่งสำหรับทีมของเราในการเริ่มตอบคำถามสำคัญอื่นๆ ที่สามารถช่วยให้เราลดการเรียกร้องการรับประกันและปรับปรุงประสิทธิภาพของอุปกรณ์ในภาคสนาม
หากคุณต้องการความช่วยเหลือในการเร่งการใช้ ML ในผลิตภัณฑ์และบริการของคุณ โปรดติดต่อ ห้องปฏิบัติการโซลูชัน Amazon ML. หากต้องการเรียนรู้เพิ่มเติมเกี่ยวกับบริการที่ใช้ในโปรเจ็กต์นี้ โปรดดูที่ คู่มือนักพัฒนา AWS Glue และ คู่มือนักพัฒนา Amazon SageMaker.
เกี่ยวกับผู้เขียน
ราวี ปาตันการ์ เป็นผู้นำด้านเทคนิคสำหรับการวิเคราะห์ที่เกี่ยวข้องกับ IoT ที่หน่วย HVAC ที่อยู่อาศัยของ Carrier เขากำหนดปัญหาการวิเคราะห์ที่เกี่ยวข้องกับการวินิจฉัยและการพยากรณ์โรค และให้คำแนะนำสำหรับโซลูชันและสถาปัตยกรรมการวิเคราะห์ที่ใช้ ML/การเรียนรู้เชิงลึก
แดน โฟล์ค เป็นนักวิทยาศาสตร์ข้อมูลที่ AWS Generative AI Innovation Center เขามีประสบการณ์สิบปีในด้านแมชชีนเลิร์นนิง การเรียนรู้เชิงลึก และการวิเคราะห์อนุกรมเวลา และสำเร็จการศึกษาระดับปริญญาโทสาขาวิทยาศาสตร์ข้อมูลจาก UC Berkeley เขาหลงใหลในการเปลี่ยนแปลงความท้าทายทางธุรกิจที่ซับซ้อนให้เป็นโอกาสโดยใช้ประโยชน์จากเทคโนโลยี AI ที่ล้ำสมัย
หยิงเว่ย หยู เป็นนักวิทยาศาสตร์ประยุกต์ที่ AWS Generative AI Innovation Center เขามีประสบการณ์ทำงานร่วมกับองค์กรต่างๆ ในอุตสาหกรรมต่างๆ ในการพิสูจน์แนวคิดต่างๆ ในแมชชีนเลิร์นนิง รวมถึง NLP การวิเคราะห์อนุกรมเวลา และเทคโนโลยี generative AI Yingwei สำเร็จการศึกษาระดับปริญญาเอกสาขาวิทยาการคอมพิวเตอร์จาก Texas A&M University
หยานเซียง หยู เป็นนักวิทยาศาสตร์ประยุกต์ที่ Amazon Web Services ซึ่งทำงานในศูนย์นวัตกรรม Generative AI ด้วยประสบการณ์กว่า 8 ปีในการสร้างโมเดล AI และแมชชีนเลิร์นนิงสำหรับการใช้งานในอุตสาหกรรม เขาเชี่ยวชาญด้าน AI แบบสร้างสรรค์ คอมพิวเตอร์วิทัศน์ และการสร้างแบบจำลองอนุกรมเวลา งานของเขามุ่งเน้นไปที่การค้นหาวิธีการใหม่ๆ เพื่อประยุกต์เทคนิคการสร้างขั้นสูงกับปัญหาในโลกแห่งความเป็นจริง
ดิเอโก โซโคลินสกี้ เป็นผู้จัดการวิทยาศาสตร์ประยุกต์อาวุโสของ AWS Generative AI Innovation Center ซึ่งเขาเป็นผู้นำทีมจัดส่งสำหรับภูมิภาคอเมริกาตะวันออกและละตินอเมริกา เขามีประสบการณ์มากกว่ายี่สิบปีในด้านการเรียนรู้ของเครื่องและคอมพิวเตอร์วิทัศน์ และสำเร็จการศึกษาระดับปริญญาเอกสาขาคณิตศาสตร์จากมหาวิทยาลัย Johns Hopkins
เค็กซินติง เป็นปริญญาเอกปีที่ห้า ผู้สมัครสาขาวิทยาการคอมพิวเตอร์ที่ UNC-Charlotte งานวิจัยของเธอมุ่งเน้นไปที่การใช้วิธีการเรียนรู้เชิงลึกเพื่อวิเคราะห์ข้อมูลหลายรูปแบบ รวมถึงภาพทางการแพทย์และข้อมูลลำดับจีโนม
- 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.
- เพลโตสุขภาพ เทคโนโลยีชีวภาพและข่าวกรองการทดลองทางคลินิก เข้าถึงได้ที่นี่.
- ChartPrime. ยกระดับเกมการซื้อขายของคุณด้วย ChartPrime เข้าถึงได้ที่นี่.
- BlockOffsets การปรับปรุงการเป็นเจ้าของออฟเซ็ตด้านสิ่งแวดล้อมให้ทันสมัย เข้าถึงได้ที่นี่.
- ที่มา: https://aws.amazon.com/blogs/machine-learning/how-carrier-predicts-hvac-faults-using-aws-glue-and-amazon-sagemaker/
- :มี
- :เป็น
- :ไม่
- :ที่ไหน
- 000
- 1
- 10
- 100
- 180
- 2%
- 200
- 30
- 32
- 50
- 60
- 7
- 8
- 91
- a
- เกี่ยวกับเรา
- เร่ง
- แม่นยำ
- ประสบความสำเร็จ
- ข้าม
- การกระตุ้น
- อย่างกระตือรือร้น
- ที่เกิดขึ้นจริง
- จริง
- ที่เพิ่ม
- เพิ่มเติม
- นอกจากนี้
- ที่อยู่
- ความก้าวหน้า
- สูง
- หลังจาก
- AI
- AI / ML
- AIR
- ปลุก
- เตือนภัย
- การแจ้งเตือน
- เหมือนกัน
- ทั้งหมด
- อนุญาต
- อนุญาตให้
- การอนุญาต
- ช่วยให้
- ด้วย
- แม้ว่า
- อเมซอน
- ห้องปฏิบัติการโซลูชัน Amazon ML
- อเมซอน SageMaker
- Amazon Web Services
- สหรัฐอเมริกา
- จำนวน
- an
- การวิเคราะห์
- การวิเคราะห์
- วิเคราะห์
- วิเคราะห์
- และ
- คาดหวัง
- การใช้งาน
- ประยุกต์
- ใช้
- การประยุกต์ใช้
- เข้าใกล้
- อย่างเหมาะสม
- สถาปัตยกรรม
- เป็น
- AREA
- AS
- ประเมินผล
- ความช่วยเหลือ
- ที่เกี่ยวข้อง
- At
- หลีกเลี่ยง
- AWS
- AWS กาว
- ฐาน
- BE
- เพราะ
- กลายเป็น
- จะกลายเป็น
- ก่อน
- พฤติกรรม
- ประโยชน์
- เบิร์กลีย์
- ที่ดีที่สุด
- ระหว่าง
- เกิน
- อคติ
- ทั้งสอง
- การก่อสร้าง
- สร้าง
- ธุรกิจ
- แต่
- by
- คำนวณ
- ที่เรียกว่า
- CAN
- ผู้สมัคร
- สามารถ
- จับ
- กรณี
- กรณี
- ศูนย์
- ท้าทาย
- ความท้าทาย
- เปลี่ยนแปลง
- สมบัติ
- การเรียกร้อง
- ความชัดเจน
- ชั้น
- การจัดหมวดหมู่
- ไคลเอนต์
- ภูมิอากาศ
- อากาศเปลี่ยนแปลง
- เมฆ
- การผสมผสาน
- รวม
- สบาย
- ร่วมกัน
- ซับซ้อน
- ความซับซ้อน
- ส่วนประกอบ
- สงบ
- คอมพิวเตอร์
- วิทยาการคอมพิวเตอร์
- วิสัยทัศน์คอมพิวเตอร์
- กังวล
- เงื่อนไข
- ความมั่นใจ
- งานที่เชื่อมต่อ
- คงเส้นคงวา
- ติดต่อเรา
- ต่อ
- การควบคุม
- ราคา
- แพง
- ค่าใช้จ่าย
- ได้
- สร้าง
- สร้าง
- วิกฤติ
- ขับเคลื่อน
- เส้นโค้ง
- ประเพณี
- ลูกค้า
- ประสบการณ์ของลูกค้า
- บริการลูกค้า
- ลูกค้า
- ตัดขอบ
- วงจร
- รอบ
- ข้อมูล
- ดาต้าเลค
- จุดข้อมูล
- การประมวลผล
- วิทยาศาสตร์ข้อมูล
- นักวิทยาศาสตร์ข้อมูล
- วัน
- วัน
- เจ้ามือ
- ลึก
- การเรียนรู้ลึก ๆ
- กำหนด
- องศา
- การจัดส่ง
- นำไปใช้
- ตรวจจับ
- พัฒนา
- พัฒนา
- ผู้พัฒนา
- พัฒนาการ
- ต่าง
- ทิศทาง
- โดยตรง
- สนทนา
- แสดง
- แสดง
- do
- ลง
- หยุดทำงาน
- เป็นคุ้งเป็นแคว
- สอง
- ในระหว่าง
- แต่ละ
- ได้รับ
- อย่างง่ายดาย
- ทางตะวันออก
- มีประสิทธิภาพ
- อย่างมีประสิทธิภาพ
- ที่มีประสิทธิภาพ
- ความพยายาม
- การจ้างงาน
- ทำให้สามารถ
- ปลาย
- ปลายทาง
- ชั้นเยี่ยม
- ทำให้มั่นใจ
- เพื่อให้แน่ใจ
- ทั้งหมด
- สิ่งแวดล้อม
- สภาพแวดล้อม
- ยุค
- พอ ๆ กัน
- อุปกรณ์
- ประมาณการ
- ประเมินค่า
- การประเมินผล
- ทุกๆ
- ทุกอย่าง
- เข้มงวด
- เป็นพิเศษ
- คาดหวัง
- ประสบการณ์
- ประสบ
- ผู้เชี่ยวชาญ
- การสกัด
- สุดโต่ง
- ต้องเผชิญกับ
- ล้มเหลว
- ล้มเหลว
- ความล้มเหลว
- ฟอลส์
- เท็จ
- ความผิดพลาด
- ความผิดพลาด
- ลักษณะ
- คุณสมบัติ
- เฟด
- สนาม
- รูป
- สุดท้าย
- หา
- หา
- ชื่อจริง
- FLEET
- มุ่งเน้น
- มุ่งเน้นไปที่
- ดังต่อไปนี้
- อาหาร
- รอยพระบาท
- สำหรับ
- พบ
- รากฐาน
- สี่
- กรอบ
- ราคาเริ่มต้นที่
- ฟังก์ชัน
- ฟังก์ชั่น
- อนาคต
- สร้าง
- สร้าง
- กำเนิด
- กำเนิด AI
- ฟังก์ชั่น
- ให้
- กำหนด
- เหตุการณ์ที่
- Go
- เป้าหมาย
- เป้าหมาย
- ดี
- การไล่ระดับสี
- สีเขียว
- ขึ้น
- การเจริญเติบโต
- เติบโต
- จัดการ
- การจัดการ
- มี
- he
- สุขภาพ
- ช่วย
- จะช่วยให้
- เธอ
- จุดสูง
- เน้น
- อย่างสูง
- ของเขา
- ทางประวัติศาสตร์
- อดีต
- ประวัติ
- ถือ
- ฮอปกินส์
- โฮสติ้ง
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- อย่างไรก็ตาม
- HTML
- HTTPS
- ร้อย
- ระบุ
- แยกแยะ
- แสดงให้เห็นถึง
- ภาพ
- ความไม่สมดุล
- ผลกระทบ
- ที่ใกล้เข้ามา
- สำคัญ
- ปรับปรุง
- การปรับปรุง
- in
- รวมถึง
- รวมทั้ง
- ขึ้น
- ในร่ม
- อุตสาหกรรม
- อุตสาหกรรม
- มีอิทธิพล
- ข้อมูล
- แรกเริ่ม
- นักวิเคราะห์ส่วนบุคคลที่หาโอกาสให้เป็นไปได้มากที่สุด
- นวัตกรรม
- อินพุต
- ข้อมูลเชิงลึก
- ติดตั้ง
- การติดตั้ง
- ตัวอย่าง
- รวบรวม
- การบูรณาการ
- บูรณาการ
- ตั้งใจว่า
- อินเตอร์เฟซ
- เข้าไป
- IOT
- ปัญหา
- IT
- ITS
- การสัมภาษณ์
- กางเกงใน
- มหาวิทยาลัย Johns Hopkins
- เพียงแค่
- เก็บ
- คีย์
- ห้องปฏิบัติการ
- ฉลาก
- ป้ายกำกับ
- ทะเลสาบ
- ใหญ่
- ละติน
- ละตินอเมริกา
- ชั้น
- ชั้น
- ผู้นำ
- นำไปสู่
- เรียนรู้
- การเรียนรู้
- น้อยที่สุด
- ความยาว
- ชั้น
- การใช้ประโยชน์
- กดไลก์
- น่าจะ
- กิจ
- นาน
- ระยะยาว
- อีกต่อไป
- ปิด
- ต่ำ
- เครื่อง
- เรียนรู้เครื่อง
- หลัก
- การบำรุงรักษา
- ทำให้
- การทำ
- จัดการ
- การจัดการ
- ผู้จัดการ
- ลักษณะ
- ปริญญาโท
- คณิตศาสตร์
- อาจ..
- วิธี
- ทางการแพทย์
- วิธี
- วิธีการ
- เมตริก
- ล้าน
- ML
- แบบ
- การสร้างแบบจำลอง
- โมเดล
- ทันสมัย
- โมดูล
- การตรวจสอบ
- เดือน
- ข้อมูลเพิ่มเติม
- มากที่สุด
- มาก
- หลายชั้น
- หลาย
- จำเป็นต้อง
- จำเป็น
- ความต้องการ
- เชิงลบ
- เครือข่าย
- ถัดไป
- NLP
- แจ้ง
- ตอนนี้
- วัตถุประสงค์
- ที่เกิดขึ้น
- ที่เกิดขึ้น
- of
- on
- ONE
- เพียง
- การดำเนินงาน
- การดำเนินการ
- การดำเนินงาน
- โอกาส
- or
- ใบสั่ง
- องค์กร
- อื่นๆ
- ผลิตภัณฑ์อื่นๆ
- ของเรา
- ผลลัพธ์
- เอาท์พุต
- ด้านนอก
- เกิน
- ทั้งหมด
- ของตนเอง
- Parallel
- พารามิเตอร์
- ร่วมมือ
- หลงใหล
- ต่อ
- การปฏิบัติ
- ดำเนินการ
- มุมมอง
- phd
- สถานที่
- เพลโต
- เพลโตดาต้าอินเทลลิเจนซ์
- เพลโตดาต้า
- กรุณา
- จุด
- จุด
- พอร์ทัล
- ส่วน
- บวก
- โพสต์
- ที่มีศักยภาพ
- ความแม่นยำ
- คาดการณ์
- ที่คาดการณ์
- ทำนาย
- คำทำนาย
- การคาดการณ์
- คาดการณ์
- นำเสนอ
- แรงกดดัน
- ป้องกัน
- ก่อน
- ประถม
- ก่อน
- ปัญหา
- ปัญหาที่เกิดขึ้น
- กระบวนการ
- แปรรูปแล้ว
- การประมวลผล
- การผลิต
- ผลิตภัณฑ์
- โครงการ
- ให้
- ให้
- คำถาม
- อย่างรวดเร็ว
- ราคา
- ค่อนข้าง
- โลกแห่งความจริง
- ที่ได้รับ
- ลด
- ลดลง
- ลด
- ภูมิภาค
- ที่เกี่ยวข้อง
- ปล่อย
- ความเชื่อถือได้
- อาศัย
- ที่เหลืออยู่
- ลบ
- เป็นตัวแทนของ
- ความต้องการ
- ต้อง
- การวิจัย
- สำหรับอยู่อาศัย
- ส่งผลให้
- ผลสอบ
- ลวก
- วิ่ง
- ปลอดภัย
- sagemaker
- ที่ปรับขนาดได้
- ขนาด
- ปรับ
- กำหนด
- วิทยาศาสตร์
- นักวิทยาศาสตร์
- ที่สอง
- การส่ง
- ระดับอาวุโส
- ความรู้สึก
- เซ็นเซอร์
- ลำดับ
- ชุด
- serverless
- บริการ
- บริการ
- ชุด
- ชุดอุปกรณ์
- การตั้งค่า
- หลาย
- สั้น
- โชว์
- แสดงให้เห็นว่า
- แสดง
- แสดงให้เห็นว่า
- สัญญาณ
- สำคัญ
- สัญญาณ
- เดียว
- ขนาด
- ช้า
- มีขนาดเล็กกว่า
- So
- ทางออก
- โซลูชัน
- แก้
- บาง
- แหล่งที่มา
- ความเชี่ยวชาญ
- เริ่มต้น
- รัฐของศิลปะ
- ขั้นตอน
- ยังคง
- แข็งแรง
- ความสำเร็จ
- อย่างเช่น
- ทุกข์ทรมาน
- สรุป
- สรุป
- จัดหาอุปกรณ์
- ระบบ
- ระบบ
- เอา
- เป้า
- งาน
- งาน
- ทีม
- ทีม
- วิชาการ
- เทคนิค
- เทคโนโลยี
- สิบ
- เมตริกซ์
- ทดสอบ
- เท็กซัส
- กว่า
- ที่
- พื้นที่
- พื้นที่
- ของพวกเขา
- พวกเขา
- แล้วก็
- ดังนั้น
- ล้อยางขัดเหล่านี้ติดตั้งบนแกน XNUMX (มม.) ผลิตภัณฑ์นี้ถูกผลิตในหลายรูปทรง และหลากหลายเบอร์ความแน่นหนาของปริมาณอนุภาคขัดของมัน จะทำให้ท่านได้รับประสิทธิภาพสูงในการขัดและการใช้งานที่ยาวนาน
- พวกเขา
- นี้
- เหล่านั้น
- พัน
- สาม
- ธรณีประตู
- ตลอด
- ตลอด
- เวลา
- อนุกรมเวลา
- ไปยัง
- ในวันนี้
- ไปทาง
- รถไฟ
- ผ่านการฝึกอบรม
- การฝึกอบรม
- หม้อแปลงไฟฟ้า
- การเปลี่ยนแปลง
- การขนส่ง
- แนวโน้ม
- ทริกเกอร์
- วิกฤติ
- จริง
- วางใจ
- สอง
- ภายใต้
- หน่วย
- หน่วย
- มหาวิทยาลัย
- ไม่จำเป็น
- ที่กำลังมา
- us
- ใช้
- ใช้กรณี
- มือสอง
- การใช้
- การตรวจสอบ
- ความหลากหลาย
- ต่างๆ
- วิสัยทัศน์
- จำเป็น
- ปริมาณ
- คือ
- ทาง..
- วิธี
- we
- เว็บ
- บริการเว็บ
- สัปดาห์
- สัปดาห์ที่ผ่านมา
- น้ำหนัก
- อะไร
- ความหมายของ
- เมื่อ
- ที่
- ในขณะที่
- ใคร
- จะ
- วิลลิส
- หน้าต่าง
- กับ
- ภายใน
- ไม่มี
- คำ
- งาน
- การทำงาน
- จะ
- ปี
- ปี
- อัตราผลตอบแทน
- ของคุณ
- ลมทะเล