การปรับปรุงความสมบูรณ์ของสินทรัพย์และความยืดหยุ่นของกริดโดยใช้การเรียนรู้ของเครื่อง | อเมซอนเว็บเซอร์วิส

โพสต์นี้เขียนร่วมกับ Travis Bronson และ Brian L Wilkerson จาก Duke Energy

การเรียนรู้ของเครื่อง (ML) กำลังเปลี่ยนแปลงทุกอุตสาหกรรม กระบวนการ และธุรกิจ แต่เส้นทางสู่ความสำเร็จไม่ได้ตรงไปตรงมาเสมอไป ในบล็อกโพสต์นี้ เราจะสาธิตวิธีการ พลังงานดยุคซึ่งเป็นบริษัทที่ติดอันดับ Fortune 150 ซึ่งมีสำนักงานใหญ่ในเมืองชาร์ลอตต์ รัฐนอร์ทแคโรไลนา ร่วมมือกับ ห้องทดลองโซลูชันการเรียนรู้ของเครื่อง AWS (MLSL) ใช้คอมพิวเตอร์วิทัศน์เพื่อตรวจสอบเสาไฟฟ้าที่เป็นไม้โดยอัตโนมัติ และช่วยป้องกันไฟฟ้าดับ ทรัพย์สินเสียหาย และแม้แต่การบาดเจ็บ

โครงข่ายไฟฟ้าประกอบด้วยเสา สายไฟ และโรงไฟฟ้าเพื่อผลิตและจ่ายไฟฟ้าให้กับบ้านและธุรกิจหลายล้านแห่ง เสาไฟฟ้าเหล่านี้เป็นส่วนประกอบโครงสร้างพื้นฐานที่สำคัญและขึ้นอยู่กับปัจจัยด้านสิ่งแวดล้อมต่างๆ เช่น ลม ฝน และหิมะ ซึ่งอาจทำให้ทรัพย์สินสึกหรอได้ จำเป็นอย่างยิ่งที่เสาไฟฟ้าจะต้องได้รับการตรวจสอบและบำรุงรักษาอย่างสม่ำเสมอ เพื่อป้องกันความล้มเหลวที่อาจนำไปสู่ไฟฟ้าดับ ทรัพย์สินเสียหาย และแม้แต่การบาดเจ็บ บริษัทสาธารณูปโภคด้านพลังงานส่วนใหญ่ รวมถึง Duke Energy ใช้การตรวจสอบเสาไฟฟ้าด้วยสายตาด้วยตนเอง เพื่อระบุความผิดปกติที่เกี่ยวข้องกับเครือข่ายการส่งและการกระจายสินค้า แต่วิธีการนี้อาจมีค่าใช้จ่ายสูงและใช้เวลานาน และกำหนดให้ผู้ปฏิบัติงานสายส่งไฟฟ้าปฏิบัติตามระเบียบการด้านความปลอดภัยที่เข้มงวด

Duke Energy เคยใช้ปัญญาประดิษฐ์ในอดีตเพื่อสร้างประสิทธิภาพในการดำเนินงานในแต่ละวันให้ประสบความสำเร็จอย่างมาก บริษัทได้ใช้ AI เพื่อตรวจสอบสินทรัพย์การผลิตและโครงสร้างพื้นฐานที่สำคัญ และได้สำรวจโอกาสในการนำ AI ไปใช้กับการตรวจสอบเสาไฟฟ้าด้วยเช่นกัน ตลอดระยะเวลาการมีส่วนร่วมของ AWS Machine Learning Solutions Lab กับ Duke Energy ยูทิลิตี้นี้ได้พัฒนางานของตนเพื่อตรวจจับความผิดปกติในเสาไม้โดยอัตโนมัติโดยใช้เทคนิคการมองเห็นของคอมพิวเตอร์ขั้นสูง

เป้าหมายและกรณีการใช้งาน

เป้าหมายของการมีส่วนร่วมระหว่าง Duke Energy และ Machine Learning Solutions Lab คือการใช้ประโยชน์จากการเรียนรู้ของเครื่องในการตรวจสอบภาพถ่ายทางอากาศที่มีความละเอียดสูงหลายแสนภาพ เพื่อทำให้กระบวนการระบุและตรวจสอบปัญหาที่เกี่ยวข้องกับเสาไม้ทั้งหมดทั่วทั้งสายส่งความยาว 33,000 ไมล์เป็นไปโดยอัตโนมัติ . เป้าหมายนี้จะช่วย Duke Energy ปรับปรุงความยืดหยุ่นของโครงข่ายไฟฟ้าและปฏิบัติตามกฎระเบียบของรัฐบาลด้วยการระบุข้อบกพร่องอย่างทันท่วงที นอกจากนี้ยังช่วยลดต้นทุนเชื้อเพลิงและค่าแรง ตลอดจนลดการปล่อยก๊าซคาร์บอนโดยการลดจำนวนม้วนรถบรรทุกที่ไม่จำเป็น สุดท้ายนี้ ยังปรับปรุงความปลอดภัยด้วยการลดระยะทางในการวิ่ง การปีนเสา และความเสี่ยงในการตรวจสอบทางกายภาพที่เกี่ยวข้องกับภูมิประเทศและสภาพอากาศที่เอื้ออำนวย

ในส่วนต่อไปนี้ เราจะนำเสนอความท้าทายที่สำคัญที่เกี่ยวข้องกับการพัฒนาแบบจำลองที่แข็งแกร่งและมีประสิทธิภาพสำหรับการตรวจจับความผิดปกติที่เกี่ยวข้องกับเสาไฟฟ้าที่เป็นไม้ นอกจากนี้เรายังอธิบายถึงความท้าทายและการคาดเดาที่สำคัญที่เกี่ยวข้องกับเทคนิคการประมวลผลข้อมูลล่วงหน้าต่างๆ ที่ใช้เพื่อให้บรรลุประสิทธิภาพของแบบจำลองที่ต้องการ ต่อไป เราจะนำเสนอหน่วยวัดหลักที่ใช้ในการประเมินประสิทธิภาพของโมเดลควบคู่ไปกับการประเมินโมเดลขั้นสุดท้ายของเรา และสุดท้าย เราจะเปรียบเทียบเทคนิคการสร้างแบบจำลองแบบมีผู้ดูแลและไม่ได้รับการดูแลที่ล้ำสมัยต่างๆ

ความท้าทาย

ความท้าทายหลักประการหนึ่งที่เกี่ยวข้องกับการฝึกอบรมแบบจำลองเพื่อตรวจจับความผิดปกติโดยใช้ภาพถ่ายทางอากาศคือขนาดภาพที่ไม่สม่ำเสมอ รูปต่อไปนี้แสดงการกระจายความสูงและความกว้างของภาพชุดข้อมูลตัวอย่างจาก Duke Energy สังเกตได้ว่ารูปภาพมีขนาดแตกต่างกันมาก ในทำนองเดียวกัน ขนาดของรูปภาพก็ก่อให้เกิดความท้าทายที่สำคัญเช่นกัน ขนาดของภาพที่ป้อนคือกว้างหลายพันพิกเซลและยาวหลายพันพิกเซล สิ่งนี้ไม่เหมาะอย่างยิ่งสำหรับการฝึกโมเดลเพื่อระบุบริเวณที่ผิดปกติเล็กๆ ในรูปภาพ

นอกจากนี้ รูปภาพที่ป้อนยังมีข้อมูลพื้นหลังที่ไม่เกี่ยวข้องจำนวนมาก เช่น พืชพรรณ รถยนต์ สัตว์เลี้ยงในฟาร์ม ฯลฯ ข้อมูลพื้นหลังอาจส่งผลให้ประสิทธิภาพของโมเดลทำงานได้ไม่ดีนัก จากการประเมินของเรา มีเพียง 5% ของภาพที่มีเสาไม้ และความผิดปกติก็ยิ่งเล็กลงอีก นี่เป็นความท้าทายที่สำคัญในการระบุและจำกัดตำแหน่งความผิดปกติในภาพความละเอียดสูง จำนวนความผิดปกตินั้นน้อยกว่ามากเมื่อเทียบกับชุดข้อมูลทั้งหมด มีรูปภาพที่ผิดปกติเพียง 0.12% ในชุดข้อมูลทั้งหมด (เช่น มีความผิดปกติ 1.2 รายการจาก 1000 รูปภาพ) สุดท้ายนี้ ไม่มีข้อมูลที่มีป้ายกำกับสำหรับการฝึกโมเดลแมชชีนเลิร์นนิงภายใต้การดูแล ต่อไป เราจะอธิบายวิธีที่เราจัดการกับความท้าทายเหล่านี้และอธิบายวิธีการที่เรานำเสนอ

ภาพรวมโซลูชัน

เทคนิคการสร้างแบบจำลอง

รูปต่อไปนี้แสดงให้เห็นถึงขั้นตอนการประมวลผลภาพและการตรวจจับความผิดปกติของเรา เรานำเข้าข้อมูลเข้ามาก่อน บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon (Amazon S3) การใช้ สตูดิโอ Amazon SageMaker. นอกจากนี้เรายังใช้เทคนิคการประมวลผลข้อมูลที่หลากหลายเพื่อจัดการกับความท้าทายบางประการที่เน้นไว้ข้างต้นเพื่อปรับปรุงประสิทธิภาพของโมเดล หลังจากประมวลผลข้อมูลล่วงหน้าแล้ว เราก็จ้าง Amazon การรับรู้ฉลากที่กำหนดเอง สำหรับการติดฉลากข้อมูล ข้อมูลที่ติดป้ายกำกับจะถูกนำไปใช้เพิ่มเติมในการฝึกโมเดล ML ที่ได้รับการดูแล เช่น Vision Transformer Amazon Lookout สำหรับวิสัยทัศน์และ ออโต้โกลว์ เพื่อตรวจจับสิ่งผิดปกติ

รูปต่อไปนี้แสดงภาพรวมโดยละเอียดของแนวทางที่เราเสนอ ซึ่งรวมถึงไปป์ไลน์การประมวลผลข้อมูลและอัลกอริทึม ML ต่างๆ ที่ใช้สำหรับการตรวจจับความผิดปกติ ขั้นแรก เราจะอธิบายขั้นตอนที่เกี่ยวข้องกับไปป์ไลน์การประมวลผลข้อมูล ต่อไป เราจะอธิบายรายละเอียดและสัญชาตญาณที่เกี่ยวข้องกับเทคนิคการสร้างแบบจำลองต่างๆ ที่ใช้ในระหว่างการมีส่วนร่วมนี้เพื่อให้บรรลุเป้าหมายประสิทธิภาพที่ต้องการ

การประมวลผลข้อมูลล่วงหน้า

ไปป์ไลน์การประมวลผลล่วงหน้าข้อมูลที่เสนอประกอบด้วย การกำหนดมาตรฐานข้อมูล, การระบุภูมิภาคที่น่าสนใจ (ROI), การเพิ่มข้อมูล การแบ่งส่วนข้อมูล และ ในที่สุด การติดฉลากข้อมูล. วัตถุประสงค์ของแต่ละขั้นตอนอธิบายไว้ด้านล่าง:

มาตรฐานข้อมูล

ขั้นตอนแรกในกระบวนการประมวลผลข้อมูลของเราประกอบด้วยการกำหนดมาตรฐานข้อมูล ในขั้นตอนนี้ แต่ละรูปภาพจะถูกครอบตัดและแบ่งออกเป็นแพตช์ที่ไม่ทับซ้อนกันขนาด 224 X 224 พิกเซล เป้าหมายของขั้นตอนนี้คือการสร้างแพตช์ที่มีขนาดสม่ำเสมอซึ่งสามารถนำไปใช้เพิ่มเติมสำหรับการฝึกโมเดล ML และระบุตำแหน่งความผิดปกติในรูปภาพความละเอียดสูง

การระบุภูมิภาคที่น่าสนใจ (ROI)

ข้อมูลอินพุตประกอบด้วยรูปภาพความละเอียดสูงที่มีข้อมูลพื้นหลังที่ไม่เกี่ยวข้องจำนวนมาก (เช่น พืชพรรณ บ้าน รถยนต์ ม้า วัว ฯลฯ) เป้าหมายของเราคือการระบุความผิดปกติที่เกี่ยวข้องกับเสาไม้ เพื่อระบุ ROI (เช่น แผ่นที่มีเสาไม้) เราใช้การติดป้ายกำกับแบบกำหนดเองของ Amazon Rekognition เราฝึกอบรมโมเดลป้ายกำกับแบบกำหนดเองของ Amazon Rekognition โดยใช้รูปภาพที่มีป้ายกำกับ 3k ที่มีทั้ง ROI และภาพพื้นหลัง เป้าหมายของแบบจำลองคือการจำแนกประเภทไบนารีระหว่าง ROI และภาพพื้นหลัง โปรแกรมแก้ไขที่ระบุว่าเป็นข้อมูลพื้นหลังจะถูกละทิ้ง ในขณะที่พืชผลที่คาดการณ์ว่าเป็น ROI จะถูกนำมาใช้ในขั้นตอนถัดไป รูปต่อไปนี้แสดงให้เห็นถึงไปป์ไลน์ที่ระบุ ROI เราสร้างตัวอย่างพืชผลที่ไม่ทับซ้อนกันจากรูปภาพไม้ 1,110 รูปที่สร้างพืชผล 244,673 ชิ้น นอกจากนี้เรายังใช้รูปภาพเหล่านี้เป็นอินพุตสำหรับโมเดลแบบกำหนดเองของ Amazon Rekognition ซึ่งระบุการครอบตัด 11,356 รายการเป็น ROI สุดท้าย เราได้ตรวจสอบแพตช์ทั้ง 11,356 รายการเหล่านี้ด้วยตนเอง ในระหว่างการตรวจสอบด้วยตนเอง เราพบว่าแบบจำลองสามารถทำนายแผ่นไม้ 10,969 แผ่นจาก 11,356 ชิ้นเป็น ROI ได้อย่างถูกต้อง กล่าวอีกนัยหนึ่ง โมเดลนี้มีความแม่นยำถึง 96%

การติดฉลากข้อมูล

ในระหว่างการตรวจสอบภาพด้วยตนเอง เรายังติดป้ายกำกับแต่ละภาพด้วยป้ายกำกับที่เกี่ยวข้องกันอีกด้วย ป้ายกำกับที่เกี่ยวข้องของรูปภาพ ได้แก่ แผ่นไม้ แผ่นที่ไม่ใช่ไม้ แผ่นที่ไม่ใช่โครงสร้าง แผ่นที่ไม่ใช่ไม้ และสุดท้ายคือแผ่นไม้ที่มีความผิดปกติ รูปภาพต่อไปนี้สาธิตระบบการตั้งชื่อรูปภาพโดยใช้การติดป้ายกำกับแบบกำหนดเองของ Amazon Rekognition

การเสริมข้อมูล

เนื่องจากข้อมูลที่มีป้ายกำกับสำหรับการฝึกอบรมมีจำนวนจำกัด เราจึงเพิ่มข้อมูลการฝึกอบรมที่กำหนดโดยการพลิกแนวนอนของแพตช์ทั้งหมด สิ่งนี้มีผลกระทบอย่างมีประสิทธิภาพในการเพิ่มขนาดชุดข้อมูลของเราเป็นสองเท่า

การแบ่งกลุ่ม

เราติดป้ายกำกับวัตถุในภาพ 600 ภาพ (เสา สายไฟ และราวโลหะ) โดยใช้เครื่องมือติดป้ายกำกับการตรวจจับวัตถุแบบ Bounding Box ใน Amazon Rekognition Custom Labels และฝึกโมเดลเพื่อตรวจจับวัตถุหลักสามรายการที่น่าสนใจ เราใช้โมเดลที่ผ่านการฝึกอบรมเพื่อลบพื้นหลังออกจากรูปภาพทั้งหมด โดยการระบุและแยกส่วนหลักในแต่ละภาพ ในขณะเดียวกันก็ลบวัตถุอื่นๆ ทั้งหมดรวมทั้งพื้นหลังด้วย ชุดข้อมูลที่ได้มีรูปภาพน้อยกว่าชุดข้อมูลดั้งเดิม ซึ่งเป็นผลมาจากการลบรูปภาพทั้งหมดที่ไม่มีเสาไม้ออก นอกจากนี้ยังมีภาพผลบวกลวงที่ถูกลบออกจากชุดข้อมูลด้วย

การตรวจจับความผิดปกติ

ต่อไป เราใช้ข้อมูลที่ประมวลผลล่วงหน้าเพื่อฝึกโมเดลการเรียนรู้ของเครื่องเพื่อการตรวจจับความผิดปกติ เราใช้วิธีการที่แตกต่างกันสามวิธีในการตรวจจับความผิดปกติ ซึ่งรวมถึง AWS Managed Machine Learning Services (Amazon Lookout for Vision [L4V], Amazon Rekognition), AutoGluon และ Vision Transformer วิธีการกลั่นตัวเองโดยใช้ Vision Transformer

บริการ AWS

Amazon Lookout สำหรับการมองเห็น (L4V)

Amazon Lookout for Vision เป็นบริการ AWS ที่มีการจัดการซึ่งช่วยให้สามารถฝึกอบรมและปรับใช้โมเดล ML ได้อย่างรวดเร็ว และมอบความสามารถในการตรวจจับความผิดปกติ จำเป็นต้องมีข้อมูลที่มีป้ายกำกับครบถ้วน ซึ่งเราจัดเตรียมไว้โดยการชี้ไปที่เส้นทางรูปภาพใน Amazon S3 การฝึกอบรมโมเดลนั้นง่ายดายเพียงแค่การเรียก API (Application Programming Interface) เดียวหรือการคลิกปุ่มคอนโซล จากนั้น L4V จะดูแลการเลือกโมเดลและการปรับแต่งไฮเปอร์พารามิเตอร์ภายใต้ประสิทธิภาพหลัก

ความหมายของ Amazon

Amazon Rekognition เป็นบริการ AI/ML ที่มีการจัดการซึ่งคล้ายกับ L4V ซึ่งซ่อนรายละเอียดการสร้างโมเดลและมีความสามารถมากมาย เช่น การจัดหมวดหมู่รูปภาพ การตรวจจับวัตถุ การติดป้ายกำกับแบบกำหนดเอง และอื่นๆ โดยให้ความสามารถในการใช้โมเดลในตัวเพื่อนำไปใช้กับเอนทิตีที่รู้จักก่อนหน้านี้ในรูปภาพ (เช่น จาก ImageNet หรือชุดข้อมูลเปิดขนาดใหญ่อื่นๆ) อย่างไรก็ตาม เราใช้ฟังก์ชันป้ายกำกับแบบกำหนดเองของ Amazon Rekognition เพื่อฝึกตัวตรวจจับ ROI รวมถึงตัวตรวจจับความผิดปกติในรูปภาพเฉพาะที่ Duke Energy มี นอกจากนี้เรายังใช้ป้ายกำกับแบบกำหนดเองของ Amazon Rekognition เพื่อฝึกโมเดลให้ใส่กล่องล้อมรอบรอบเสาไม้ในแต่ละภาพ

ออโต้โกลว์

AutoGluon เป็นเทคนิคการเรียนรู้ของเครื่องแบบโอเพ่นซอร์สที่พัฒนาโดย Amazon AutoGluon มีส่วนประกอบหลายรูปแบบซึ่งช่วยให้การฝึกอบรมข้อมูลรูปภาพทำได้ง่าย เราใช้ AutoGluon Multi-modal เพื่อฝึกโมเดลบนแพตช์รูปภาพที่มีป้ายกำกับ เพื่อสร้างพื้นฐานสำหรับการระบุความผิดปกติ

วิสัยทัศน์ Transformer

ความก้าวหน้าด้าน AI ใหม่ที่น่าตื่นเต้นที่สุดหลายอย่างมาจากนวัตกรรมล่าสุดสองประการ ได้แก่ การเรียนรู้แบบมีผู้ดูแลด้วยตนเอง ซึ่งช่วยให้เครื่องจักรเรียนรู้จากตัวอย่างแบบสุ่มและไม่มีป้ายกำกับ และ Transformers ซึ่งช่วยให้โมเดล AI สามารถเลือกโฟกัสไปที่บางส่วนของอินพุตและทำให้เหตุผลมีประสิทธิภาพมากขึ้น ทั้งสองวิธีได้รับการมุ่งเน้นอย่างยั่งยืนสำหรับชุมชน Machine Learning และเรายินดีที่จะแบ่งปันว่าเราใช้วิธีเหล่านี้ในการมีส่วนร่วมนี้

โดยเฉพาะอย่างยิ่ง ในการทำงานร่วมกับนักวิจัยที่ Duke Energy เราใช้โมเดล ViT (Vision Transformer) ที่ผ่านการฝึกอบรมล่วงหน้ามาเป็นตัวแยกคุณสมบัติสำหรับแอปพลิเคชันการตรวจจับความผิดปกติดาวน์สตรีมโดยใช้ Amazon Sagemaker โมเดลหม้อแปลงวิชันการกลั่นตัวเองที่ผ่านการฝึกอบรมล่วงหน้าได้รับการฝึกอบรมเกี่ยวกับข้อมูลการฝึกอบรมจำนวนมากที่จัดเก็บไว้ใน Amazon S3 ในลักษณะที่มีการควบคุมดูแลด้วยตนเองโดยใช้ Amazon SageMaker เราใช้ประโยชน์จากความสามารถในการถ่ายโอนการเรียนรู้ของโมเดล ViT ที่ได้รับการฝึกอบรมล่วงหน้าบนชุดข้อมูลขนาดใหญ่ (เช่น ImageNet) สิ่งนี้ช่วยให้เราสามารถเรียกคืนชุดการประเมินได้ถึง 83% โดยใช้รูปภาพที่มีป้ายกำกับเพียงไม่กี่พันภาพสำหรับการฝึกอบรม

ตัวชี้วัดการประเมิน

รูปต่อไปนี้แสดงหน่วยวัดหลักที่ใช้ในการประเมินประสิทธิภาพของโมเดลและผลกระทบ เป้าหมายหลักของแบบจำลองคือการเพิ่มการตรวจจับความผิดปกติให้สูงสุด (เช่น ผลบวกที่แท้จริง) และลดจำนวนผลลบลวงให้เหลือน้อยที่สุด หรือเวลาที่ความผิดปกติที่อาจนำไปสู่การหยุดทำงานถูกจัดประเภทอย่างไม่ถูกต้อง

เมื่อระบุความผิดปกติแล้ว ช่างเทคนิคสามารถจัดการปัญหาดังกล่าวได้ ป้องกันไฟฟ้าดับในอนาคต และรับประกันการปฏิบัติตามกฎระเบียบของรัฐบาล การลดผลบวกลวงให้เหลือน้อยที่สุดยังมีประโยชน์อีกประการหนึ่ง นั่นคือ คุณหลีกเลี่ยงความพยายามที่ไม่จำเป็นในการดูภาพอีกครั้ง

เมื่อคำนึงถึงหน่วยวัดเหล่านี้ เราจะติดตามประสิทธิภาพของโมเดลในแง่ของหน่วยวัดต่อไปนี้ ซึ่งจะสรุปหน่วยวัดทั้งสี่ที่กำหนดไว้ข้างต้น

ความแม่นยำ

เปอร์เซ็นต์ของความผิดปกติที่ตรวจพบว่าเป็นความผิดปกติจริงสำหรับออบเจ็กต์ที่น่าสนใจ ความแม่นยำจะวัดว่าอัลกอริทึมของเราระบุเฉพาะความผิดปกติได้ดีเพียงใด สำหรับกรณีการใช้งานนี้ ความแม่นยำสูงหมายถึงการแจ้งเตือนที่ผิดพลาดต่ำ (เช่น อัลกอริธึมระบุรูนกหัวขวานอย่างไม่ถูกต้องในขณะที่ไม่มีสิ่งใดอยู่ในรูปภาพ)

จำ

เปอร์เซ็นต์ของความผิดปกติทั้งหมดที่ได้รับการกู้คืนสำหรับออบเจ็กต์ที่สนใจแต่ละรายการ Recall เป็นการวัดว่าเราระบุความผิดปกติทั้งหมดได้ดีเพียงใด ชุดนี้จะรวบรวมเปอร์เซ็นต์ของความผิดปกติทั้งหมด และเปอร์เซ็นต์นั้นคือการเรียกคืน สำหรับกรณีการใช้งานนี้ การเรียกคืนได้สูงหมายความว่าเราสามารถจับหลุมนกหัวขวานได้ดีเมื่อเกิดขึ้น ดังนั้นการเรียกคืนจึงเป็นตัวชี้วัดที่เหมาะสมที่ควรมุ่งเน้นใน POC นี้ เนื่องจากการเตือนที่ผิดพลาดเป็นสิ่งที่น่ารำคาญที่สุด ในขณะที่ความผิดปกติที่พลาดไปอาจนำไปสู่ผลลัพธ์ร้ายแรงหากปล่อยทิ้งไว้โดยไม่มีใครดูแล

การเรียกคืนที่น้อยลงอาจนำไปสู่การหยุดทำงานและการละเมิดกฎระเบียบของรัฐบาล ในขณะที่ความแม่นยำต่ำทำให้ความพยายามของมนุษย์สูญเปล่า เป้าหมายหลักของการมีส่วนร่วมนี้คือการระบุความผิดปกติทั้งหมดเพื่อให้สอดคล้องกับกฎระเบียบของรัฐบาล และหลีกเลี่ยงการหยุดทำงานใดๆ ดังนั้นเราจึงให้ความสำคัญกับการปรับปรุงการเรียกคืนมากกว่าความแม่นยำ

การประเมินและการเปรียบเทียบแบบจำลอง

ในส่วนต่อไปนี้ เราจะสาธิตการเปรียบเทียบเทคนิคการสร้างแบบจำลองต่างๆ ที่ใช้ระหว่างการดำเนินการนี้ เราประเมินประสิทธิภาพของบริการ AWS สองบริการ Amazon Rekognition และ Amazon Lookout for Vision นอกจากนี้เรายังประเมินเทคนิคการสร้างแบบจำลองต่างๆ โดยใช้ AutoGluon สุดท้ายนี้ เราจะเปรียบเทียบประสิทธิภาพกับวิธีการกลั่นด้วยตัวเองโดยใช้ ViT ที่ล้ำสมัย

รูปต่อไปนี้แสดงการปรับปรุงโมเดลสำหรับ AutoGluon โดยใช้เทคนิคการประมวลผลข้อมูลที่แตกต่างกันในช่วงเวลาของการมีส่วนร่วมนี้ ข้อสังเกตที่สำคัญคือในขณะที่เราปรับปรุงคุณภาพข้อมูลและปริมาณประสิทธิภาพของแบบจำลองในแง่ของการเรียกคืนได้รับการปรับปรุงจากต่ำกว่า 30% เป็น 78%

ต่อไป เราจะเปรียบเทียบประสิทธิภาพของ AutoGluon กับบริการของ AWS นอกจากนี้เรายังใช้เทคนิคการประมวลผลข้อมูลต่างๆ ที่ช่วยปรับปรุงประสิทธิภาพอีกด้วย อย่างไรก็ตาม การปรับปรุงที่สำคัญมาจากการเพิ่มปริมาณและคุณภาพของข้อมูล เราเพิ่มขนาดชุดข้อมูลจากรูปภาพ 11 ภาพเป็น 60 รูปภาพ

ต่อไป เราจะเปรียบเทียบประสิทธิภาพของบริการ AutoGluon และ AWS กับวิธีการแบบ ViT รูปต่อไปนี้แสดงให้เห็นว่าวิธีการที่ใช้ ViT, บริการ AutoGluon และ AWS ดำเนินการได้เทียบเท่าในแง่ของการเรียกคืน ข้อสังเกตสำคัญประการหนึ่งคือ การเพิ่มคุณภาพและปริมาณของข้อมูลนอกเหนือจากจุดหนึ่งไม่ได้ช่วยเพิ่มประสิทธิภาพในแง่ของการเรียกคืน อย่างไรก็ตาม เราสังเกตเห็นการปรับปรุงในแง่ของความแม่นยำ

การเปรียบเทียบความแม่นยำกับการเรียกคืน

อเมซอน ออโต้กลูออน	ความผิดปกติที่คาดการณ์ไว้	คาดการณ์ได้ตามปกติ
ความผิดปกติ	15600	4400
ปกติ	3659	38341

ต่อไป เราจะนำเสนอเมทริกซ์ความสับสนสำหรับวิธีการที่ใช้ AutoGluon และ Amazon Rekognition และ ViT โดยใช้ชุดข้อมูลของเราที่มีตัวอย่าง 62 ตัวอย่าง จากตัวอย่าง 62 ตัวอย่าง มี 20 ตัวอย่างที่ผิดปกติ ในขณะที่รูปภาพที่เหลือ 42 ภาพเป็นเรื่องปกติ สังเกตได้ว่าวิธีการที่ใช้ ViT จับความผิดปกติได้มากที่สุด (16,600) ตามด้วย Amazon Rekognition (16,000) และ Amazon AutoGluon (15600) ในทำนองเดียวกัน Amazon AutoGluon มีจำนวนผลบวกลวงน้อยที่สุด (3659 อิมเมจ) ตามด้วย Amazon Rekognition (5918) และ ViT (15323) ผลลัพธ์เหล่านี้แสดงให้เห็นว่า Amazon Rekognition บรรลุ AUC สูงสุด (พื้นที่ใต้เส้นโค้ง)

ความหมายของ Amazon	ความผิดปกติที่คาดการณ์ไว้	คาดการณ์ได้ตามปกติ
ความผิดปกติ	16,000	4000
ปกติ	5918	36082

วท	ความผิดปกติที่คาดการณ์ไว้	คาดการณ์ได้ตามปกติ
ความผิดปกติ	16,600	3400
ปกติ	15,323	26,677

สรุป

ในโพสต์นี้ เราได้แสดงให้คุณเห็นว่าทีม MLSL และ Duke Energy ทำงานร่วมกันเพื่อพัฒนาโซลูชันที่ใช้คอมพิวเตอร์วิทัศน์เพื่อตรวจจับความผิดปกติในเสาไม้โดยอัตโนมัติโดยใช้ภาพความละเอียดสูงที่รวบรวมผ่านเที่ยวบินเฮลิคอปเตอร์ได้อย่างไร โซลูชันที่นำเสนอใช้ไปป์ไลน์การประมวลผลข้อมูลเพื่อครอบตัดภาพความละเอียดสูงเพื่อให้ได้ขนาดมาตรฐาน รูปภาพที่ครอบตัดจะได้รับการประมวลผลเพิ่มเติมโดยใช้ Amazon Rekognition Custom Labels เพื่อระบุภูมิภาคที่สนใจ (เช่น ครอบตัดที่มีแพตช์ที่มีเสา) Amazon Rekognition ได้รับความแม่นยำ 96% ในแง่ของการระบุแพตช์ด้วยโพลอย่างถูกต้อง การครอบตัด ROI จะถูกนำไปใช้เพิ่มเติมสำหรับการตรวจจับความผิดปกติโดยใช้ mdoel AutoGluon การกลั่นตัวเองด้วย ViT และบริการของ AWS สำหรับการตรวจจับความผิดปกติ เราใช้ชุดข้อมูลมาตรฐานเพื่อประเมินประสิทธิภาพของทั้งสามวิธี แบบจำลองที่ใช้ ViT ได้รับการเรียกคืน 83% และความแม่นยำ 52% AutoGluon ได้รับการเรียกคืน 78% และความแม่นยำ 81% ในที่สุด Amazon Rekognition ก็สามารถเรียกคืนได้ 80% และมีความแม่นยำ 73% เป้าหมายของการใช้วิธีการที่แตกต่างกันสามวิธีคือการเปรียบเทียบประสิทธิภาพของแต่ละวิธีกับจำนวนตัวอย่างการฝึกอบรม เวลาการฝึกอบรม และเวลาใช้งานที่แตกต่างกัน วิธีการทั้งหมดนี้ใช้เวลาไม่ถึง 2 ชั่วโมงในการฝึกอบรมและปรับใช้โดยใช้อินสแตนซ์ A100 GPU เดี่ยวหรือบริการที่ได้รับการจัดการบน Amazon AWS ถัดไป ขั้นตอนสำหรับการปรับปรุงประสิทธิภาพของโมเดลเพิ่มเติม ได้แก่ การเพิ่มข้อมูลการฝึกเพิ่มเติมเพื่อปรับปรุงความแม่นยำของโมเดล

โดยรวมแล้ว ไปป์ไลน์แบบ end-to-end ที่เสนอในโพสต์นี้ช่วยให้บรรลุการปรับปรุงที่สำคัญในการตรวจจับความผิดปกติ ในขณะเดียวกันก็ลดต้นทุนการดำเนินงาน เหตุการณ์ด้านความปลอดภัย ความเสี่ยงด้านกฎระเบียบ การปล่อยก๊าซคาร์บอน และปัญหาไฟฟ้าดับที่อาจเกิดขึ้น

โซลูชันที่พัฒนาขึ้นสามารถนำไปใช้กับการตรวจจับความผิดปกติอื่นๆ และกรณีการใช้งานที่เกี่ยวข้องกับสุขภาพของสินทรัพย์ทั่วทั้งเครือข่ายการส่งและการกระจายสินค้า รวมถึงข้อบกพร่องในฉนวนและอุปกรณ์อื่นๆ หากต้องการความช่วยเหลือเพิ่มเติมในการพัฒนาและปรับแต่งโซลูชันนี้ โปรดติดต่อทีม MLSL ได้เลย

---

เกี่ยวกับผู้เขียน

ทราวิส บรอนสัน เป็นหัวหน้าผู้เชี่ยวชาญด้านปัญญาประดิษฐ์ที่มีประสบการณ์ 15 ปีในด้านเทคโนโลยี และ 8 ปีที่ทุ่มเทโดยเฉพาะด้านปัญญาประดิษฐ์ ตลอดระยะเวลาดำรงตำแหน่ง 5 ปีที่ Duke Energy Travis ได้พัฒนาการประยุกต์ใช้ AI สำหรับการเปลี่ยนแปลงทางดิจิทัลโดยนำข้อมูลเชิงลึกที่เป็นเอกลักษณ์และความเป็นผู้นำทางความคิดเชิงสร้างสรรค์มาสู่ระดับแนวหน้าของบริษัท ปัจจุบัน Travis เป็นผู้นำทีม AI Core ซึ่งเป็นชุมชนของผู้ปฏิบัติงานด้าน AI ผู้สนใจ และพันธมิตรทางธุรกิจที่มุ่งเน้นการพัฒนาผลลัพธ์ AI และการกำกับดูแล Travis ได้รับและปรับปรุงทักษะของเขาในสาขาเทคโนโลยีต่างๆ โดยเริ่มจากกองทัพเรือสหรัฐฯ และรัฐบาลสหรัฐฯ จากนั้นจึงเปลี่ยนไปทำงานภาคเอกชนหลังจากรับราชการมานานกว่าทศวรรษ

 ไบรอัน วิลเกอร์สัน เป็นมืออาชีพที่ประสบความสำเร็จด้วยประสบการณ์กว่าสองทศวรรษที่ Duke Energy ด้วยปริญญาสาขาวิทยาการคอมพิวเตอร์ เขาใช้เวลา 7 ปีที่ผ่านมาเป็นเลิศในด้านปัญญาประดิษฐ์ Brian เป็นผู้ร่วมก่อตั้ง MADlab ของ Duke Energy (ทีม Machine Learning, AI และ Deep Learning) ปัจจุบันดำรงตำแหน่งผู้อำนวยการฝ่ายปัญญาประดิษฐ์และการเปลี่ยนแปลงที่ Duke Energy ซึ่งเขามีความหลงใหลในการส่งมอบมูลค่าทางธุรกิจผ่านการนำ AI ไปใช้

อาซัน อาลี เป็นนักวิทยาศาสตร์ประยุกต์ที่ศูนย์นวัตกรรม Amazon Generative AI ซึ่งเขาทำงานร่วมกับลูกค้าจากโดเมนต่างๆ เพื่อแก้ไขปัญหาเร่งด่วนและมีราคาแพงโดยใช้ Generative AI

ทาฮิน ซายิด เป็นนักวิทยาศาสตร์ประยุกต์ที่ศูนย์นวัตกรรม Amazon Generative AI ซึ่งเขาทำงานร่วมกับลูกค้าเพื่อช่วยให้บรรลุผลลัพธ์ทางธุรกิจด้วยโซลูชัน AI เชิงสร้างสรรค์ นอกเหนือจากงาน เขาชอบลองอาหารใหม่ๆ การเดินทาง และการสอนเทควันโด

นพ. เงชินเยเร่ เอ็น. อากู เป็นนักวิทยาศาสตร์ประยุกต์ในศูนย์นวัตกรรม Generative AI ที่ AWS ความเชี่ยวชาญของเธออยู่ในวิธีคอมพิวเตอร์วิทัศน์ AI/ML, การประยุกต์ใช้ AI/ML กับการดูแลสุขภาพ รวมถึงการบูรณาการเทคโนโลยีความหมาย (กราฟความรู้) ในโซลูชัน ML เธอสำเร็จการศึกษาระดับปริญญาโทและปริญญาเอกสาขาวิทยาการคอมพิวเตอร์

อัลโด อริซเมนดี เป็นนักยุทธศาสตร์ Generative AI ใน AWS Generative AI Innovation Center ในเมืองออสติน รัฐเท็กซัส หลังจากได้รับวิทยาศาสตรบัณฑิตสาขาวิศวกรรมคอมพิวเตอร์จากมหาวิทยาลัยเนแบรสกา-ลินคอล์นในช่วง 12 ปีที่ผ่านมา นาย Arizmendi ได้ช่วยเหลือบริษัทและสตาร์ทอัพหลายร้อยแห่งใน Fortune 500 เปลี่ยนแปลงธุรกิจโดยใช้การวิเคราะห์ขั้นสูง การเรียนรู้ของเครื่อง และ AI เชิงสร้างสรรค์

สเตซีย์ เจงค์ส เป็นผู้เชี่ยวชาญด้านการขายหลักของ Analytics ที่ AWS ซึ่งมีประสบการณ์มากกว่าสองทศวรรษในด้าน Analytics และ AI/ML Stacey มีความหลงใหลในการเจาะลึกความคิดริเริ่มของลูกค้า และขับเคลื่อนผลลัพธ์ทางธุรกิจที่เปลี่ยนแปลงและวัดผลได้ด้วยข้อมูล เธอมีความกระตือรือร้นเป็นพิเศษเกี่ยวกับเครื่องหมายที่ระบบสาธารณูปโภคจะสร้างต่อสังคม ผ่านเส้นทางสู่โลกที่เป็นมิตรต่อสิ่งแวดล้อมมากขึ้นด้วยพลังงานสะอาดที่ราคาไม่แพง เชื่อถือได้ และสะอาด

เมห์ดี นูร์ เป็นผู้จัดการวิทยาศาสตร์ประยุกต์ที่ Generative Ai Innovation Center ด้วยความหลงใหลในการเชื่อมโยงเทคโนโลยีและนวัตกรรม เขาช่วยเหลือลูกค้า AWS ในการปลดล็อกศักยภาพของ Generative AI เปลี่ยนความท้าทายที่อาจเกิดขึ้นให้เป็นโอกาสในการทดลองและนวัตกรรมอย่างรวดเร็วโดยมุ่งเน้นไปที่การใช้เทคโนโลยี AI ขั้นสูงที่ปรับขนาด วัดผลได้ และสร้างผลกระทบ และปรับปรุงเส้นทางให้คล่องตัว เพื่อการผลิต

• 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/improving-asset-health-and-grid-resilience-using-machine-learning/