การคาดการณ์ประเภทความล้มเหลวของเครื่องจักรทั่วไปเป็นสิ่งสำคัญในอุตสาหกรรมการผลิต ด้วยชุดคุณลักษณะของผลิตภัณฑ์ที่เชื่อมโยงกับความล้มเหลวประเภทหนึ่ง คุณสามารถพัฒนาแบบจำลองที่สามารถคาดการณ์ประเภทความล้มเหลวได้เมื่อคุณป้อนแอตทริบิวต์เหล่านั้นไปยังแบบจำลองการเรียนรู้ของเครื่อง (ML) ML สามารถช่วยในเรื่องข้อมูลเชิงลึกได้ แต่จนถึงขณะนี้ คุณต้องการผู้เชี่ยวชาญ ML เพื่อสร้างแบบจำลองเพื่อคาดการณ์ประเภทความล้มเหลวของเครื่องจักร ซึ่งอาจทำให้การดำเนินการแก้ไขล่าช้าซึ่งธุรกิจต้องการเพื่อประสิทธิภาพหรือการปรับปรุง
ในโพสต์นี้ เราแสดงให้คุณเห็นว่านักวิเคราะห์ธุรกิจสามารถสร้างแบบจำลอง ML การทำนายประเภทความล้มเหลวของเครื่องด้วย ผืนผ้าใบ Amazon SageMaker. Canvas มอบอินเทอร์เฟซแบบชี้แล้วคลิกแบบเห็นภาพ ที่ช่วยให้คุณสร้างแบบจำลองและสร้างการคาดการณ์ ML ที่แม่นยำได้ด้วยตัวคุณเอง โดยไม่ต้องมีประสบการณ์ ML ใดๆ หรือต้องเขียนโค้ดแม้แต่บรรทัดเดียว
ภาพรวมโซลูชัน
สมมติว่าคุณเป็นนักวิเคราะห์ธุรกิจที่ได้รับมอบหมายให้ดูแลทีมบำรุงรักษาขององค์กรการผลิตขนาดใหญ่ ทีมบำรุงรักษาของคุณได้ขอให้คุณช่วยคาดการณ์ความล้มเหลวทั่วไป พวกเขาได้จัดเตรียมชุดข้อมูลในอดีตที่มีคุณลักษณะที่เกี่ยวข้องกับความล้มเหลวประเภทหนึ่งๆ และต้องการให้คุณคาดการณ์ว่าความล้มเหลวใดจะเกิดขึ้นในอนาคต ประเภทความล้มเหลว ได้แก่ No Failure, Overstrain และ Power Failures สคีมาข้อมูลแสดงอยู่ในตารางต่อไปนี้
ชื่อคอลัมน์ | ประเภทข้อมูล | รายละเอียด |
โพสต์ | INT | ตัวระบุที่ไม่ซ้ำตั้งแต่ 1–10,000 |
รหัสผลิตภัณฑ์ | STRING | ประกอบด้วยตัวอักษร—L, M หรือ H สำหรับต่ำ กลาง หรือสูง—เป็นรายละเอียดปลีกย่อยคุณภาพของผลิตภัณฑ์และหมายเลขซีเรียลเฉพาะตัวเลือกสินค้า |
ชนิด | STRING | ตัวอักษรเริ่มต้นที่เกี่ยวข้องกับรหัสผลิตภัณฑ์ประกอบด้วย L, M หรือ H เท่านั้น |
อุณหภูมิอากาศ [K] | ทศนิยม | อุณหภูมิอากาศที่ระบุเป็นเคลวิน |
อุณหภูมิกระบวนการ [K] | ทศนิยม | อุณหภูมิที่ควบคุมได้อย่างแม่นยำเพื่อให้มั่นใจในคุณภาพของผลิตภัณฑ์ตามประเภทที่ระบุในเคลวิน |
ความเร็วในการหมุน [รอบต่อนาที] | ทศนิยม | ความเร็วในการหมุนของวัตถุที่หมุนรอบแกนคือจำนวนรอบของวัตถุหารด้วยเวลาที่กำหนดเป็นรอบต่อนาที |
แรงบิด [Nm] | ทศนิยม | แรงหมุนของเครื่องจักรในรัศมี แสดงเป็นนิวตันเมตร |
การสึกหรอของเครื่องมือ [นาที] | INT | การสึกหรอของเครื่องมือแสดงเป็นนาที |
ประเภทความล้มเหลว (เป้าหมาย) | STRING | ไม่มีความล้มเหลว ไฟฟ้าขัดข้อง หรือความล้มเหลวเกินกำลัง |
หลังจากระบุประเภทความล้มเหลวแล้ว ธุรกิจสามารถดำเนินการแก้ไขใดๆ ได้ ในการดำเนินการนี้ คุณใช้ข้อมูลที่คุณมีในไฟล์ CSV ซึ่งมีลักษณะเฉพาะของผลิตภัณฑ์ตามที่ระบุไว้ในตาราง คุณใช้ Canvas เพื่อทำตามขั้นตอนต่อไปนี้:
- นำเข้าชุดข้อมูลการบำรุงรักษา
- ฝึกอบรมและสร้างแบบจำลองการบำรุงรักษาเครื่องคาดการณ์
- วิเคราะห์ผลลัพธ์ของแบบจำลอง
- ทดสอบการคาดการณ์กับแบบจำลอง
เบื้องต้น
ผู้ดูแลระบบคลาวด์ที่มี an บัญชี AWS ต้องมีสิทธิ์ที่เหมาะสมเพื่อดำเนินการข้อกำหนดเบื้องต้นต่อไปนี้ให้สมบูรณ์:
- ปรับใช้และ อเมซอน SageMaker โดเมน ดูคำแนะนำได้ที่ ออนบอร์ดไปยังโดเมน Amazon SageMaker.
- เปิดตัวผ้าใบ ดูคำแนะนำได้ที่ การตั้งค่าและจัดการ Amazon SageMaker Canvas (สำหรับผู้ดูแลระบบไอที).
- กำหนดค่านโยบายการแชร์ทรัพยากรข้ามต้นทาง (CORS) สำหรับ Canvas ดูคำแนะนำได้ที่ ให้ผู้ใช้ของคุณสามารถอัปโหลดไฟล์ในเครื่องได้.
นำเข้าชุดข้อมูล
ก่อนอื่นให้ดาวน์โหลด ชุดข้อมูลการบำรุงรักษา และตรวจสอบไฟล์เพื่อให้แน่ใจว่ามีข้อมูลทั้งหมดอยู่ที่นั่น
Canvas มีชุดข้อมูลตัวอย่างหลายชุดในแอปพลิเคชันของคุณเพื่อช่วยคุณในการเริ่มต้น หากต้องการเรียนรู้เพิ่มเติมเกี่ยวกับชุดข้อมูลตัวอย่างที่ SageMaker ให้มาซึ่งคุณสามารถทดลองดู ใช้ชุดข้อมูลตัวอย่าง. หากคุณใช้ชุดข้อมูลตัวอย่าง (canvas-sample-maintenance.csv
) พร้อมใช้งานภายใน Canvas คุณไม่จำเป็นต้องนำเข้าชุดข้อมูลการบำรุงรักษา
คุณสามารถนำเข้าข้อมูลจากแหล่งข้อมูลต่างๆ ลงใน Canvas ได้ หากคุณวางแผนที่จะใช้ชุดข้อมูลของคุณเอง ให้ทำตามขั้นตอนใน การนำเข้าข้อมูลใน Amazon SageMaker Canvas.
สำหรับโพสต์นี้ เราใช้ชุดข้อมูลการบำรุงรักษาแบบเต็มที่เราดาวน์โหลด
- เข้าสู่ระบบเพื่อ คอนโซลการจัดการ AWSโดยใช้บัญชีที่มีสิทธิ์เข้าถึง Canvas
- ลงชื่อเข้าใช้คอนโซล Canvas
- Choose นำเข้า.
- Choose อัพโหลด และเลือก
maintenance_dataset.csv
ไฟล์ - Choose นำเข้าข้อมูล เพื่ออัปโหลดไปยัง Canvas
กระบวนการนำเข้าใช้เวลาประมาณ 10 วินาที (อาจแตกต่างกันไปตามขนาดชุดข้อมูล) เมื่อเสร็จแล้ว คุณจะเห็นชุดข้อมูลอยู่ใน Ready
สถานะ
หลังจากที่คุณยืนยันว่าชุดข้อมูลที่นำเข้าคือ ready
คุณสามารถสร้างแบบจำลองของคุณได้
สร้างและฝึกโมเดล
ในการสร้างและฝึกโมเดลของคุณ ให้ทำตามขั้นตอนต่อไปนี้:
- Choose รุ่นใหม่และระบุชื่อรุ่นของคุณ
- Choose สร้างบัญชีตัวแทน.
- เลือก
maintenance_dataset.csv
ชุดข้อมูลและเลือก เลือกชุดข้อมูล.
ในมุมมองแบบจำลอง คุณสามารถดูสี่แท็บ ซึ่งสอดคล้องกับสี่ขั้นตอนในการสร้างแบบจำลองและใช้เพื่อสร้างการคาดการณ์: เลือก, สร้าง, วิเคราะห์และ ทำนาย. - เกี่ยวกับ เลือก แท็บเลือก
maintenance_dataset.csv
ชุดข้อมูลที่คุณอัปโหลดก่อนหน้านี้และเลือก เลือกชุดข้อมูล.
ชุดข้อมูลนี้ประกอบด้วย 9 คอลัมน์และ 10,000 แถว Canvas จะย้ายไปยังเฟส Build โดยอัตโนมัติ - บนแท็บนี้ เลือกคอลัมน์เป้าหมาย ในกรณีของเรา ประเภทความล้มเหลว. ทีมบำรุงรักษาแจ้งให้คุณทราบว่าคอลัมน์นี้ระบุประเภทของความล้มเหลวที่มักจะเห็นโดยอิงจากข้อมูลในอดีตจากเครื่องที่มีอยู่ นี่คือสิ่งที่คุณต้องการฝึกโมเดลของคุณเพื่อทำนาย Canvas ตรวจพบโดยอัตโนมัติว่านี่คือa 3 หมวดหมู่ ปัญหา (เรียกอีกอย่างว่า การจำแนกหลายชั้น). หากตรวจพบประเภทรุ่นที่ไม่ถูกต้อง คุณสามารถเปลี่ยนได้ด้วยตนเองโดยใช้ปุ่ม เปลี่ยนประเภท ตัวเลือก
ควรสังเกตว่าชุดข้อมูลนี้มีความไม่สมดุลอย่างมากต่อคลาส No Failure ซึ่งสามารถดูได้จากการดูคอลัมน์ที่ชื่อ ประเภทความล้มเหลว. แม้ว่าความสามารถของ Canvas และ AutoML พื้นฐานสามารถจัดการความไม่สมดุลของชุดข้อมูลได้บางส่วน ซึ่งอาจส่งผลให้ประสิทธิภาพการทำงานที่เบ้ ขั้นตอนต่อไป ให้ดูที่ ทำให้ข้อมูลของคุณสมดุลสำหรับการเรียนรู้ของเครื่องด้วย Amazon SageMaker Data Wrangler. ทำตามขั้นตอนในลิงก์ที่แชร์ คุณสามารถเปิด an สตูดิโอ Amazon SageMaker แอปจากคอนโซล SageMaker และนำเข้าชุดข้อมูลนี้ภายใน Amazon SageMaker ข้อมูล Wrangler และใช้การแปลงข้อมูล Balance จากนั้นนำชุดข้อมูลที่สมดุลกลับไปที่ Canvas แล้วทำตามขั้นตอนต่อไปนี้ เรากำลังดำเนินการกับชุดข้อมูลที่ไม่สมดุลในโพสต์นี้เพื่อแสดงว่า Canvas สามารถจัดการกับชุดข้อมูลที่ไม่สมดุลได้เช่นกัน
ในครึ่งล่างของหน้า คุณสามารถดูสถิติบางส่วนของชุดข้อมูล ซึ่งรวมถึงค่าที่หายไปและไม่ตรงกัน ค่าที่ไม่ซ้ำ ค่าเฉลี่ยและค่ามัธยฐาน คุณยังสามารถวางคอลัมน์บางคอลัมน์ได้ หากคุณไม่ต้องการใช้สำหรับการคาดการณ์โดยเพียงแค่ยกเลิกการเลือกคอลัมน์เหล่านั้น
หลังจากสำรวจส่วนนี้แล้ว ก็ถึงเวลาฝึกโมเดล! ก่อนที่จะสร้างแบบจำลองที่สมบูรณ์ ควรมีแนวคิดทั่วไปเกี่ยวกับประสิทธิภาพของแบบจำลองโดยการฝึกแบบจำลองด่วน โมเดลด่วนจะฝึกโมเดลและไฮเปอร์พารามิเตอร์จำนวนน้อยลงเพื่อจัดลำดับความสำคัญของความเร็วมากกว่าความแม่นยำ โดยเฉพาะอย่างยิ่งในกรณีที่คุณต้องการพิสูจน์คุณค่าของการฝึกโมเดล ML สำหรับกรณีการใช้งานของคุณ โปรดทราบว่าตัวเลือกการสร้างด่วนไม่พร้อมใช้งานสำหรับรุ่นที่ใหญ่กว่า 50,000 แถว - Choose สร้างด่วน.
ตอนนี้คุณรอที่ใดก็ได้ตั้งแต่ 2–15 นาที เมื่อเสร็จแล้ว Canvas จะย้ายไปที่ . โดยอัตโนมัติ วิเคราะห์ แท็บเพื่อแสดงผลลัพธ์ของการฝึกอบรมอย่างรวดเร็ว การวิเคราะห์ดำเนินการโดยใช้การประมาณการสร้างอย่างรวดเร็วซึ่งโมเดลของคุณสามารถคาดการณ์ประเภทความล้มเหลว (ผลลัพธ์) ที่ถูกต้องได้ 99.2% ของเวลาทั้งหมด คุณอาจพบคุณค่าที่แตกต่างกันเล็กน้อย นี้คาดว่า.
มาเน้นที่แท็บแรกกัน ขององค์กร. นี่คือแท็บที่แสดงให้คุณเห็น ผลกระทบของคอลัมน์หรือความสำคัญโดยประมาณของแต่ละคอลัมน์ในการทำนายคอลัมน์เป้าหมาย ในตัวอย่างนี้ คอลัมน์ Torque [Nm] และ Rotational speed [rpm] มีผลกระทบที่สำคัญที่สุดในการทำนายประเภทของความล้มเหลวที่จะเกิดขึ้น
ประเมินประสิทธิภาพของแบบจำลอง
เมื่อคุณย้ายไปที่ เกณฑ์การให้คะแนน ส่วนหนึ่งของการวิเคราะห์ของคุณ คุณสามารถดูพล็อตที่แสดงถึงการกระจายของค่าที่เราคาดการณ์ไว้โดยเทียบกับค่าจริง ขอให้สังเกตว่าความล้มเหลวส่วนใหญ่จะอยู่ในหมวดไม่มีความล้มเหลว หากต้องการเรียนรู้เพิ่มเติมเกี่ยวกับวิธีที่ Canvas ใช้พื้นฐาน SHAP เพื่อนำความสามารถในการอธิบายมาสู่ ML โปรดดูที่ การประเมินประสิทธิภาพของโมเดลของคุณใน Amazon SageMaker Canvasเช่นเดียวกับ พื้นฐาน SHAP สำหรับการอธิบายได้.
Canvas แยกชุดข้อมูลดั้งเดิมออกเป็นชุดฝึกอบรมและชุดตรวจสอบความถูกต้องก่อนการฝึก การให้คะแนนเป็นผลมาจาก Canvas ที่เรียกใช้ชุดการตรวจสอบความถูกต้องกับแบบจำลอง นี่คืออินเทอร์เฟซแบบโต้ตอบที่คุณสามารถเลือกประเภทความล้มเหลวได้ ถ้าคุณเลือก การทำงานเกินกำลังล้มเหลว ในกราฟิก คุณจะเห็นว่าโมเดลนั้นระบุเวลาได้ 84% การดำเนินการนี้ดีพอที่จะดำเนินการได้ อาจให้ผู้ปฏิบัติงานหรือวิศวกรตรวจสอบเพิ่มเติม คุณสามารถเลือก ไฟฟ้าขัดข้อง ในกราฟิกเพื่อดูการให้คะแนนสำหรับการตีความและการดำเนินการเพิ่มเติม
คุณอาจสนใจประเภทความล้มเหลวและแบบจำลองคาดการณ์ประเภทความล้มเหลวตามชุดของอินพุตได้ดีเพียงใด หากต้องการดูผลลัพธ์ให้ละเอียดยิ่งขึ้น ให้เลือก ตัวชี้วัดขั้นสูง. ซึ่งจะแสดงเมทริกซ์ที่ช่วยให้คุณสามารถตรวจสอบผลลัพธ์ได้อย่างใกล้ชิดยิ่งขึ้น ใน ML นี่เรียกว่า a เมทริกซ์ความสับสน.
เมทริกซ์นี้มีค่าเริ่มต้นเป็นคลาสที่ครอบงำ ไม่มีความล้มเหลว บน ชั้น เมนู คุณสามารถเลือกดูเมตริกขั้นสูงของความล้มเหลวอีกสองประเภทคือ Overstrain Failure และ Power Failure
ใน ML ความแม่นยำของแบบจำลองถูกกำหนดให้เป็นจำนวนการคาดคะเนที่ถูกต้องหารด้วยจำนวนการคาดคะเนทั้งหมด กล่องสีน้ำเงินแสดงถึงการคาดการณ์ที่ถูกต้องของแบบจำลองที่ทำกับชุดย่อยของข้อมูลการทดสอบซึ่งมีผลที่ทราบ ที่นี่เราสนใจเปอร์เซ็นต์ของเวลาที่แบบจำลองคาดการณ์ประเภทความล้มเหลวของเครื่องจักรโดยเฉพาะ (สมมติว่า ไม่มีความล้มเหลว) เมื่อเป็นประเภทความล้มเหลวจริง ๆ (ไม่มีความล้มเหลว). ใน ML อัตราส่วนที่ใช้ในการวัดนี้คือ TP / (TP + FN) นี้เรียกว่า จำ. ในกรณีเริ่มต้น No Failure มีการคาดคะเนที่ถูกต้อง 1,923 รายการ จากบันทึกทั้งหมด 1,926 รายการ ส่งผลให้ 99% จำ. อีกทางหนึ่งในกลุ่ม Overstrain Failure มี 32 จาก 38 ซึ่งส่งผลให้ 84% จำ. สุดท้ายในกลุ่ม Power Failure มี 16 คนจาก 19 คน คิดเป็น 84% จำ.
ตอนนี้ คุณมีสองตัวเลือก:
- คุณสามารถใช้โมเดลนี้เพื่อเรียกใช้การคาดคะเนโดยเลือก ทำนาย.
- คุณสามารถสร้างเวอร์ชันใหม่ของโมเดลนี้เพื่อฝึกกับ โครงสร้างมาตรฐาน ตัวเลือก. การดำเนินการนี้จะใช้เวลานานกว่ามาก—ประมาณ 1–2 ชั่วโมง—แต่ให้โมเดลที่มีประสิทธิภาพมากกว่า เนื่องจากต้องผ่านการตรวจสอบข้อมูล อัลกอริทึม และการทำซ้ำของ AutoML อย่างเต็มรูปแบบ
เนื่องจากคุณกำลังพยายามคาดการณ์ความล้มเหลว และแบบจำลองคาดการณ์ความล้มเหลวได้อย่างถูกต้อง 84% ของเวลา คุณจึงสามารถใช้แบบจำลองเพื่อระบุความล้มเหลวที่อาจเกิดขึ้นได้อย่างมั่นใจ ดังนั้น คุณสามารถดำเนินการตามตัวเลือกที่ 1 ได้ ถ้าคุณไม่มั่นใจ คุณอาจให้นักวิทยาศาสตร์ข้อมูลตรวจสอบการสร้างแบบจำลองของ Canvas และเสนอการปรับปรุงที่เป็นไปได้ผ่านตัวเลือกที่ 2
สร้างคำทำนาย
เมื่อโมเดลได้รับการฝึกอบรมแล้ว คุณสามารถเริ่มสร้างการคาดการณ์ได้
- Choose ทำนาย ที่ด้านล่างของ วิเคราะห์ หน้าหรือเลือก ทำนาย แถบ
- Choose เลือกชุดข้อมูลและเลือกไฟล์
maintenance_dataset.csv
ไฟล์ - Choose สร้างคำทำนาย.
Canvas ใช้ชุดข้อมูลนี้เพื่อสร้างการคาดคะเนของเรา แม้ว่าโดยทั่วไปจะเป็นความคิดที่ดีที่จะไม่ใช้ชุดข้อมูลเดียวกันสำหรับทั้งการฝึกอบรมและการทดสอบ แต่คุณสามารถใช้ชุดข้อมูลเดียวกันเพื่อความง่ายในกรณีนี้ อีกวิธีหนึ่ง คุณสามารถลบบันทึกบางรายการออกจากชุดข้อมูลเดิมที่คุณใช้สำหรับการฝึกอบรม และใช้บันทึกเหล่านั้นในไฟล์ CSV และป้อนลงในการคาดการณ์แบบกลุ่มที่นี่ คุณจะได้ไม่ใช้ชุดข้อมูลเดียวกันสำหรับการทดสอบหลังการฝึก
หลังจากนั้นไม่กี่วินาที การคาดการณ์จะเสร็จสมบูรณ์ Canvas ส่งคืนการคาดการณ์สำหรับข้อมูลแต่ละแถวและความน่าจะเป็นที่การคาดการณ์จะถูกต้อง คุณสามารถเลือก ดูตัวอย่าง เพื่อดูคำทำนายหรือเลือก ดาวน์โหลด เพื่อดาวน์โหลดไฟล์ CSV ที่มีเอาต์พุตแบบเต็ม
คุณยังสามารถเลือกที่จะทำนายค่าทีละค่าโดยเลือก คำทำนายเดียว แทน การทำนายแบทช์. Canvas จะแสดงมุมมองที่คุณสามารถระบุค่าสำหรับแต่ละคุณสมบัติได้ด้วยตนเองและสร้างการคาดคะเน เหมาะอย่างยิ่งสำหรับสถานการณ์เช่นสถานการณ์สมมติ what-if เช่น: การสึกหรอของเครื่องมือส่งผลต่อประเภทความล้มเหลวอย่างไร เกิดอะไรขึ้นถ้าอุณหภูมิกระบวนการเพิ่มขึ้นหรือลดลง? เกิดอะไรขึ้นถ้าความเร็วในการหมุนเปลี่ยนไป?
โครงสร้างมาตรฐาน
พื้นที่ โครงสร้างมาตรฐาน ตัวเลือกเลือกความแม่นยำมากกว่าความเร็ว หากคุณต้องการแบ่งปันสิ่งประดิษฐ์ของแบบจำลองกับนักวิทยาศาสตร์ข้อมูลและวิศวกร ML ของคุณ คุณสามารถสร้างรุ่นมาตรฐานต่อไปได้
- Choose เพิ่มเวอร์ชัน
- เลือกเวอร์ชันใหม่แล้วเลือก โครงสร้างมาตรฐาน.
- หลังจากที่คุณสร้างบิลด์มาตรฐานแล้ว คุณสามารถแชร์โมเดลกับนักวิทยาศาสตร์ข้อมูลและวิศวกร ML เพื่อการประเมินและทำซ้ำต่อไปได้
ทำความสะอาด
เพื่อไม่ให้เกิดอนาคต ค่าเซสชั่น, ออกจากระบบ Canvas
สรุป
ในโพสต์นี้ เราแสดงให้เห็นว่านักวิเคราะห์ธุรกิจสามารถสร้างแบบจำลองการทำนายประเภทความล้มเหลวของเครื่องด้วย Canvas โดยใช้ข้อมูลการบำรุงรักษาได้อย่างไร Canvas ช่วยให้นักวิเคราะห์ธุรกิจ เช่น วิศวกรด้านความน่าเชื่อถือ สร้างแบบจำลอง ML ที่แม่นยำ และสร้างการคาดคะเนโดยใช้อินเทอร์เฟซแบบไม่มีโค้ด ภาพ แบบชี้และคลิก นักวิเคราะห์สามารถนำสิ่งนี้ไปสู่อีกระดับได้ด้วยการแบ่งปันแบบจำลองของพวกเขากับเพื่อนร่วมงานนักวิทยาศาสตร์ข้อมูล นักวิทยาศาสตร์ข้อมูลสามารถดูโมเดล Canvas ใน Studio ซึ่งพวกเขาสามารถสำรวจตัวเลือกที่ Canvas สร้างขึ้น ตรวจสอบผลลัพธ์ของแบบจำลอง และแม้แต่นำแบบจำลองไปใช้ในการผลิตด้วยการคลิกเพียงไม่กี่ครั้ง สิ่งนี้สามารถเร่งการสร้างมูลค่าตาม ML และช่วยให้ขยายผลลัพธ์ที่ปรับปรุงได้รวดเร็วยิ่งขึ้น
หากต้องการเรียนรู้เพิ่มเติมเกี่ยวกับการใช้ Canvas โปรดดูที่ สร้าง แชร์ ปรับใช้: วิธีที่นักวิเคราะห์ธุรกิจและนักวิทยาศาสตร์ข้อมูลบรรลุเวลาสู่ตลาดได้เร็วขึ้นโดยใช้ ML แบบไม่มีโค้ดและ Amazon SageMaker Canvas. สำหรับข้อมูลเพิ่มเติมเกี่ยวกับการสร้างโมเดล ML ด้วยโซลูชันแบบไม่มีโค้ด โปรดดูที่ ประกาศเปิดตัว Amazon SageMaker Canvas – ภาพที่ไม่มีความสามารถในการเรียนรู้ด้วยเครื่องโค้ดสำหรับนักวิเคราะห์ธุรกิจ.
เกี่ยวกับผู้เขียน
ราชกุมาร สัมพัทกุมาร เป็นผู้จัดการบัญชีด้านเทคนิคหลักที่ AWS ซึ่งให้คำแนะนำแก่ลูกค้าเกี่ยวกับการวางแนวเทคโนโลยีทางธุรกิจและสนับสนุนการคิดค้นรูปแบบและกระบวนการดำเนินการบนระบบคลาวด์ขึ้นใหม่ เขาหลงใหลเกี่ยวกับการเรียนรู้ของระบบคลาวด์และแมชชีนเลิร์นนิง Raj ยังเป็นผู้เชี่ยวชาญด้านแมชชีนเลิร์นนิงและทำงานร่วมกับลูกค้า AWS เพื่อออกแบบ ปรับใช้ และจัดการปริมาณงานและสถาปัตยกรรม AWS
ทวาน แอตกินส์ เป็นสถาปนิกโซลูชันอาวุโสสำหรับ Amazon Web Services เขามีหน้าที่รับผิดชอบในการทำงานร่วมกับลูกค้าด้านเกษตรกรรม การขายปลีก และการผลิต เพื่อระบุปัญหาทางธุรกิจและทำงานย้อนหลังเพื่อระบุโซลูชันทางเทคนิคที่ทำงานได้และปรับขนาดได้ Twann ได้ช่วยเหลือลูกค้าในการวางแผนและโยกย้ายปริมาณงานที่สำคัญมากว่า 10 ปี โดยมุ่งเน้นไปที่การวิเคราะห์ที่เป็นประชาธิปไตย ปัญญาประดิษฐ์ และการเรียนรู้ของเครื่องสำหรับลูกค้าและผู้สร้างแห่งอนาคต
โอมการ์ มูกาดัม เป็นสถาปัตยกรรมโซลูชัน Edge Specialist ที่ Amazon Web Services ปัจจุบันเขามุ่งเน้นไปที่โซลูชันที่ช่วยให้ลูกค้าเชิงพาณิชย์สามารถออกแบบ สร้าง และปรับขนาดได้อย่างมีประสิทธิภาพด้วยข้อเสนอบริการ AWS Edge ซึ่งรวมถึงแต่ไม่จำกัดเพียง AWS Snow Family
- คอยน์สมาร์ท การแลกเปลี่ยน Bitcoin และ Crypto ที่ดีที่สุดในยุโรป
- เพลโตบล็อคเชน Web3 Metaverse ข่าวกรอง ขยายความรู้. เข้าฟรี
- คริปโตฮอว์ก เรดาร์ Altcoin ทดลองฟรี.
- ที่มา: https://aws.amazon.com/blogs/machine-learning/predict-types-of-machine-failures-with-no-code-machine-learning-using-amazon-sagemaker-canvas/
- "
- 000
- 10
- 100
- 9
- a
- ความสามารถ
- เกี่ยวกับเรา
- เร่งความเร็ว
- เข้า
- ลงชื่อเข้าใช้
- ถูกต้อง
- บรรลุ
- การกระทำ
- การปฏิบัติ
- เพิ่มเติม
- ผู้ดูแลระบบ
- ผู้ดูแลระบบ
- สูง
- กับ
- เกษตรกรรม
- อัลกอริทึม
- ทั้งหมด
- ช่วยให้
- แม้ว่า
- อเมซอน
- Amazon Web Services
- การวิเคราะห์
- การวิเคราะห์
- นักวิเคราะห์
- การวิเคราะห์
- ทุกแห่ง
- app
- การใช้งาน
- เหมาะสม
- ประมาณ
- สถาปัตยกรรม
- รอบ
- เทียม
- ปัญญาประดิษฐ์
- ปัญญาประดิษฐ์และการเรียนรู้ด้วยเครื่อง
- ที่ได้รับมอบหมาย
- ที่เกี่ยวข้อง
- แอตทริบิวต์
- อัตโนมัติ
- ใช้ได้
- AWS
- แกน
- เพราะ
- ก่อน
- กำลัง
- ที่ใหญ่กว่า
- ชายแดน
- นำมาซึ่ง
- สร้าง
- การก่อสร้าง
- ธุรกิจ
- ธุรกิจ
- ผ้าใบ
- ความสามารถในการ
- กรณี
- กรณี
- หมวดหมู่
- บาง
- เปลี่ยนแปลง
- ทางเลือก
- Choose
- ชั้น
- ใกล้ชิด
- เมฆ
- รหัส
- เพื่อนร่วมงาน
- คอลัมน์
- รวม
- เชิงพาณิชย์
- ร่วมกัน
- สมบูรณ์
- มั่นใจ
- ปลอบใจ
- มี
- ต่อ
- ได้
- สร้าง
- การสร้าง
- การสร้าง
- วิกฤติ
- ขณะนี้
- ลูกค้า
- ข้อมูล
- นักวิทยาศาสตร์ข้อมูล
- ความล่าช้า
- ทั้งนี้ขึ้นอยู่กับ
- ปรับใช้
- ออกแบบ
- ตรวจพบ
- พัฒนา
- DID
- ต่าง
- แสดง
- การกระจาย
- โดเมน
- ดาวน์โหลด
- หล่น
- แต่ละ
- ขอบ
- มีประสิทธิภาพ
- ช่วยให้
- วิศวกร
- วิศวกร
- โดยเฉพาะอย่างยิ่ง
- ประมาณ
- ประมาณการ
- ประเมินค่า
- การประเมินผล
- ตัวอย่าง
- ที่มีอยู่
- ที่คาดหวัง
- ประสบการณ์
- การทดลอง
- ผู้เชี่ยวชาญ
- สำรวจ
- แสดง
- ความล้มเหลว
- ครอบครัว
- เร็วขึ้น
- ลักษณะ
- ชื่อจริง
- โฟกัส
- มุ่งเน้นไปที่
- ปฏิบัติตาม
- ดังต่อไปนี้
- ราคาเริ่มต้นที่
- เต็ม
- ต่อไป
- อนาคต
- General
- โดยทั่วไป
- สร้าง
- การสร้าง
- ดี
- จัดการ
- มี
- ช่วย
- การช่วยเหลือ
- โปรดคลิกที่นี่เพื่ออ่านรายละเอียดเพิ่มเติม
- อย่างสูง
- ทางประวัติศาสตร์
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- HTTPS
- ความคิด
- ในอุดมคติ
- แยกแยะ
- ส่งผลกระทบ
- ความสำคัญ
- การปรับปรุง
- การปรับปรุง
- ประกอบด้วย
- รวมถึง
- รวมทั้ง
- อุตสาหกรรม
- ข้อมูล
- แจ้ง
- ข้อมูลเชิงลึก
- Intelligence
- การโต้ตอบ
- สนใจ
- อินเตอร์เฟซ
- การตีความ
- IT
- ที่รู้จักกัน
- ใหญ่
- เปิดตัว
- เรียนรู้
- การเรียนรู้
- ชั้น
- ถูก จำกัด
- Line
- LINK
- จดทะเบียน
- ในประเทศ
- ดู
- เครื่อง
- เรียนรู้เครื่อง
- เครื่อง
- ทำ
- การบำรุงรักษา
- ทำ
- จัดการ
- การจัดการ
- ผู้จัดการ
- การจัดการ
- ด้วยมือ
- การผลิต
- มดลูก
- วัด
- กลาง
- ตัวชี้วัด
- ML
- แบบ
- โมเดล
- ข้อมูลเพิ่มเติม
- มากที่สุด
- ย้าย
- ถัดไป
- เด่น
- จำนวน
- เสนอ
- การเสนอขาย
- การดำเนินการ
- ผู้ประกอบการ
- ตัวเลือกเสริม (Option)
- Options
- ใบสั่ง
- organizacja
- เป็นต้นฉบับ
- อื่นๆ
- ทั้งหมด
- ของตนเอง
- ในสิ่งที่สนใจ
- หลงใหล
- เปอร์เซ็นต์
- การปฏิบัติ
- การแสดง
- ระยะ
- นโยบาย
- เป็นไปได้
- ที่มีศักยภาพ
- อำนาจ
- การปฏิบัติ
- คาดการณ์
- คำทำนาย
- การคาดการณ์
- หลัก
- ปัญหา
- ปัญหาที่เกิดขึ้น
- กระบวนการ
- กระบวนการ
- ผลิตภัณฑ์
- คุณภาพของผลิตภัณฑ์
- การผลิต
- ให้
- ให้
- ให้
- การให้
- คุณภาพ
- รวดเร็ว
- ตั้งแต่
- เมื่อเร็ว ๆ นี้
- บันทึก
- แสดง
- เป็นตัวแทนของ
- จำเป็นต้องใช้
- ทรัพยากร
- รับผิดชอบ
- ผลสอบ
- ค้าปลีก
- รับคืน
- ทบทวน
- วิ่ง
- วิ่ง
- เดียวกัน
- ที่ปรับขนาดได้
- ขนาด
- นักวิทยาศาสตร์
- นักวิทยาศาสตร์
- คะแนน
- วินาที
- อนุกรม
- ชุด
- บริการ
- บริการ
- ชุด
- หลาย
- Share
- ที่ใช้ร่วมกัน
- ใช้งานร่วมกัน
- โชว์
- สำคัญ
- เดียว
- ขนาด
- หิมะ
- So
- ของแข็ง
- ทางออก
- โซลูชัน
- บาง
- ผู้เชี่ยวชาญ
- ความเร็ว
- แยก
- มาตรฐาน
- เริ่มต้น
- ข้อความที่เริ่ม
- สถิติ
- Status
- สตูดิโอ
- ที่สนับสนุน
- เป้า
- ทีม
- วิชาการ
- ทดสอบ
- การทดสอบ
- พื้นที่
- ตลอด
- ผูก
- เวลา
- วันพรุ่งนี้
- เครื่องมือ
- ไปทาง
- การฝึกอบรม
- รถไฟ
- การแปลง
- ชนิด
- เป็นปกติ
- เป็นเอกลักษณ์
- ใช้
- ผู้ใช้
- การตรวจสอบ
- ความคุ้มค่า
- รุ่น
- รายละเอียด
- รอ
- เว็บ
- บริการเว็บ
- อะไร
- ภายใน
- การทำงาน
- โรงงาน
- จะ
- ปี
- ของคุณ