วิธีที่ Carrier คาดการณ์ข้อผิดพลาดของ HVAC โดยใช้ AWS Glue และ Amazon SageMaker | อเมซอนเว็บเซอร์วิส

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%

รูปที่ 3: การสูญเสียการฝึกอบรมในยุคต่างๆ

รูปที่ 4: ROC-AUC สำหรับการล็อคเอาท์เป็นเวลา 60 วัน

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)

รูปที่ 5.1: กรณีเชิงลบที่แท้จริง	รูปที่ 5.2: กรณีผลบวกลวง
รูปที่ 5.3: กรณีผลลบลวง	รูปที่ 5.4: กรณีที่เป็นบวกจริง

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/