ใช้คอมพิวเตอร์วิทัศน์เพื่อวัดผลผลิตทางการเกษตรด้วย Amazon Rekognition Custom Labels

ในภาคเกษตรกรรม ปัญหาในการระบุและนับจำนวนผลไม้บนต้นไม้มีบทบาทสำคัญในการประมาณค่าพืชผล แนวความคิดในการเช่าและให้เช่าต้นไม้กำลังเป็นที่นิยม โดยเจ้าของต้นไม้จะเช่าต้นไม้ทุกปีก่อนการเก็บเกี่ยวโดยพิจารณาจากผลผลิตโดยประมาณ แนวทางปฏิบัติทั่วไปในการนับผลไม้ด้วยตนเองเป็นกระบวนการที่ใช้เวลานานและใช้แรงงานมาก เป็นหนึ่งในงานที่ยากที่สุดแต่สำคัญที่สุดเพื่อให้ได้ผลลัพธ์ที่ดีขึ้นในระบบการจัดการพืชผลของคุณ การประมาณปริมาณผลไม้และดอกไม้ช่วยให้เกษตรกรตัดสินใจได้ดีขึ้น ไม่เพียงแต่ราคาเช่าเท่านั้น แต่ยังรวมถึงแนวทางการเพาะปลูกและการป้องกันโรคพืชด้วย

นี่คือจุดที่โซลูชันการเรียนรู้ด้วยเครื่องอัตโนมัติ (ML) สำหรับคอมพิวเตอร์วิทัศน์ (CV) สามารถช่วยเหลือเกษตรกรได้ ป้ายกำกับที่กำหนดเองของ Amazon Rekognition เป็นบริการคอมพิวเตอร์วิทัศน์ที่มีการจัดการเต็มรูปแบบ ซึ่งช่วยให้นักพัฒนาสามารถสร้างแบบจำลองที่กำหนดเองเพื่อจัดประเภทและระบุวัตถุในภาพที่มีความเฉพาะเจาะจงและไม่ซ้ำกับธุรกิจของคุณ

Rekognition Custom Labels ไม่ต้องการให้คุณมีความเชี่ยวชาญด้านการมองเห็นคอมพิวเตอร์มาก่อน คุณสามารถเริ่มต้นได้ด้วยการอัปโหลดภาพหลายสิบภาพแทนที่จะเป็นภาพนับพัน หากรูปภาพติดป้ายกำกับแล้ว คุณสามารถเริ่มฝึกโมเดลได้ด้วยการคลิกเพียงไม่กี่ครั้ง ถ้าไม่ คุณสามารถติดป้ายกำกับได้โดยตรงภายในคอนโซล Rekognition Custom Labels หรือใช้ ความจริงของ Amazon SageMaker เพื่อติดฉลากพวกเขา Rekognition Custom Labels ใช้การเรียนรู้การถ่ายโอนเพื่อตรวจสอบข้อมูลการฝึกโดยอัตโนมัติ เลือกเฟรมเวิร์กโมเดลและอัลกอริธึมที่เหมาะสม เพิ่มประสิทธิภาพไฮเปอร์พารามิเตอร์ และฝึกโมเดล เมื่อคุณพอใจกับความถูกต้องของแบบจำลองแล้ว คุณสามารถเริ่มโฮสต์แบบจำลองที่ได้รับการฝึกอบรมได้ด้วยการคลิกเพียงครั้งเดียว

ในโพสต์นี้ เราแสดงวิธีที่คุณสามารถสร้างโซลูชันแบบ end-to-end โดยใช้ Rekognition Custom Labels เพื่อตรวจจับและนับผลไม้เพื่อวัดผลผลิตทางการเกษตร

ภาพรวมโซลูชัน

เราสร้างแบบจำลองที่กำหนดเองเพื่อตรวจจับผลไม้โดยใช้ขั้นตอนต่อไปนี้:

1. ติดป้ายชุดข้อมูลด้วยรูปภาพที่มีผลไม้โดยใช้ ความจริงของ Amazon SageMaker.
2. สร้างโครงการใน Rekognition Custom Labels
3. นำเข้าชุดข้อมูลที่มีป้ายกำกับของคุณ
4. ฝึกโมเดล.
5. ทดสอบโมเดลที่กำหนดเองใหม่โดยใช้ปลายทาง API ที่สร้างขึ้นโดยอัตโนมัติ

Rekognition Custom Labels ช่วยให้คุณจัดการกระบวนการฝึกอบรมโมเดล ML บนคอนโซล Amazon Rekognition ซึ่งทำให้การพัฒนาโมเดลและการอนุมานแบบ end-to-end ง่ายขึ้น

เบื้องต้น

ในการสร้างแบบจำลองการวัดผลผลิตทางการเกษตร ก่อนอื่นคุณต้องเตรียมชุดข้อมูลเพื่อฝึกแบบจำลองด้วย สำหรับโพสต์นี้ ชุดข้อมูลของเราประกอบด้วยภาพผลไม้ ภาพต่อไปนี้แสดงตัวอย่างบางส่วน

เรานำภาพของเรามาจากสวนของเราเอง คุณสามารถดาวน์โหลดไฟล์รูปภาพจาก repo GitHub.

สำหรับโพสต์นี้ เราใช้ภาพเพียงไม่กี่ภาพเพื่อแสดงกรณีการใช้ผลผลิตผลไม้ คุณสามารถทดลองเพิ่มเติมด้วยรูปภาพเพิ่มเติม

ในการเตรียมชุดข้อมูลของคุณ ให้ทำตามขั้นตอนต่อไปนี้:

1. สร้าง บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon (Amazon S3) ถัง
2. สร้างสองโฟลเดอร์ภายในที่เก็บข้อมูลนี้เรียกว่า raw_data และ test_dataเพื่อจัดเก็บภาพสำหรับการติดฉลากและการทดสอบแบบจำลอง
3. Choose อัพโหลด เพื่ออัปโหลดภาพไปยังโฟลเดอร์ที่เกี่ยวข้องจาก repo GitHub
   

รูปภาพที่อัปโหลดไม่มีป้ายกำกับ คุณติดป้ายกำกับรูปภาพในขั้นตอนต่อไปนี้

ติดป้ายกำกับชุดข้อมูลของคุณโดยใช้ Ground Truth

ในการฝึกโมเดล ML คุณต้องมีรูปภาพที่มีป้ายกำกับ Ground Truth มีขั้นตอนง่าย ๆ ในการติดป้ายกำกับรูปภาพ งานการติดฉลากดำเนินการโดยพนักงานที่เป็นมนุษย์ ในโพสต์นี้ คุณสร้างบุคลากรส่วนตัว คุณสามารถใช้ได้ อังคารเครื่องกลเติร์ก สำหรับการติดฉลากตามขนาด

สร้างพนักงานติดฉลาก

ขั้นแรก มาสร้างทีมงานด้านการติดฉลากของเรา ทำตามขั้นตอนต่อไปนี้:

1. บนคอนโซล SageMaker ภายใต้ ความจริงพื้นดิน ในบานหน้าต่างนำทาง ให้เลือก พนักงานติดฉลาก.
2. เกี่ยวกับ ส่วนตัว เลือกแท็บ สร้างทีมส่วนตัว.
   
3. สำหรับ ชื่อทีม, ป้อนชื่อพนักงานของคุณ (สำหรับโพสต์นี้ labeling-team).
4. Choose สร้างทีมส่วนตัว.
   
5. Choose เชิญคนงานใหม่
   
   
6. ตัว Vortex Indicator ได้ถูกนำเสนอลงในนิตยสาร เพิ่มคนงานด้วยที่อยู่อีเมล ป้อนที่อยู่อีเมลของผู้ปฏิบัติงานของคุณ สำหรับโพสต์นี้ ให้ป้อนที่อยู่อีเมลของคุณเอง
7. Choose เชิญคนงานใหม่.
   

คุณได้สร้างทีมงานการติดฉลาก ซึ่งคุณใช้ในขั้นตอนถัดไปในขณะที่สร้างงานการติดฉลาก

สร้างงานการติดฉลาก Ground Truth

เพื่อให้งานการติดฉลากของคุณดีขึ้น ให้ทำตามขั้นตอนต่อไปนี้:

1. บนคอนโซล SageMaker ภายใต้ ความจริงพื้นดินเลือก งานติดฉลาก.
2. Choose สร้างงานติดฉลาก.
   
3. สำหรับ ชื่องานป้อน fruits-detection.
4. เลือก ฉันต้องการระบุชื่อแอตทริบิวต์ป้ายชื่อที่แตกต่างจากชื่องานการติดฉลาก.
5. สำหรับ ป้ายชื่อแอตทริบิวต์เข้าสู่ Labels.
6. สำหรับ ตั้งค่าข้อมูลเข้าให้เลือก ตั้งค่าข้อมูลอัตโนมัติ.
7. สำหรับ ตำแหน่ง S3 สำหรับชุดข้อมูลอินพุตป้อนตำแหน่ง S3 ของรูปภาพโดยใช้ที่เก็บข้อมูลที่คุณสร้างไว้ก่อนหน้านี้ (s3://{your-bucket-name}/raw-data/images/).
8. สำหรับ ตำแหน่ง S3 สำหรับชุดข้อมูลเอาต์พุตให้เลือก ระบุสถานที่ใหม่ และป้อนตำแหน่งเอาต์พุตสำหรับข้อมูลที่มีคำอธิบายประกอบ (s3://{your-bucket-name}/annotated-data/).
9. สำหรับ ประเภทข้อมูลเลือก ภาพ.
10. Choose ตั้งค่าข้อมูลให้เสร็จสิ้น.
    สิ่งนี้จะสร้างไฟล์รายการรูปภาพและอัปเดตเส้นทางตำแหน่งอินพุต S3 รอข้อความ “การเชื่อมต่อข้อมูลเข้าสำเร็จ”
    
11. แสดง การกำหนดค่าเพิ่มเติม.
12. ยืนยันว่า ชุดข้อมูลแบบเต็ม จะถูกเลือก
    ใช้เพื่อระบุว่าคุณต้องการจัดเตรียมรูปภาพทั้งหมดให้กับงานการติดฉลากหรือชุดย่อยของรูปภาพตามตัวกรองหรือการสุ่มตัวอย่าง
    
13. สำหรับ หมวดหมู่งานเลือก ภาพ เพราะนี่คืองานสำหรับคำอธิบายประกอบภาพ
14. เนื่องจากเป็นกรณีการใช้งานการตรวจจับวัตถุ สำหรับ การเลือกงานให้เลือก กล่องกั้น.
15. ปล่อยให้ตัวเลือกอื่น ๆ เป็นค่าเริ่มต้นและเลือก ถัดไป.
    
16. Choose ถัดไป.
    
    ตอนนี้คุณระบุผู้ปฏิบัติงานและกำหนดค่าเครื่องมือการติดฉลาก
17. สำหรับ ประเภทคนงานให้เลือก ส่วนตัว. สำหรับโพสต์นี้ คุณใช้ทีมงานภายในเพื่อใส่คำอธิบายประกอบรูปภาพ คุณยังมีตัวเลือกในการเลือกพนักงานตามสัญญาสาธารณะ (อเมซอน เติร์กเครื่องกล) หรือหุ้นส่วนแรงงาน (ผู้ขายได้รับการจัดการ) ขึ้นอยู่กับกรณีการใช้งานของคุณ
18. สำหรับทีมส่วนตัว¸ เลือกทีมที่คุณสร้างไว้ก่อนหน้านี้
19. ปล่อยให้ตัวเลือกอื่น ๆ เป็นค่าเริ่มต้นและเลื่อนลงไปที่ เครื่องมือติดฉลากกล่องขอบจำเป็นต้องให้คำแนะนำที่ชัดเจนในเครื่องมือการติดฉลากสำหรับทีมการติดฉลากส่วนตัว คำแนะนำเหล่านี้ทำหน้าที่เป็นแนวทางสำหรับผู้ใส่คำอธิบายประกอบขณะติดป้ายกำกับ คำแนะนำที่ดีนั้นกระชับ ดังนั้นเราขอแนะนำให้จำกัดคำสั่งด้วยวาจาหรือข้อความให้เหลือเพียงสองประโยคและเน้นที่คำแนะนำด้วยภาพ ในกรณีของการจัดประเภทรูปภาพ เราแนะนำให้ระบุรูปภาพที่มีป้ายกำกับหนึ่งภาพในแต่ละคลาสเป็นส่วนหนึ่งของคำแนะนำ
20. เพิ่มสองป้ายกำกับ: fruit และ no_fruit.
21. ป้อนคำแนะนำโดยละเอียดใน ฟิลด์คำอธิบายที่จะให้ คำแนะนำแก่คนงาน ตัวอย่างเช่น: You need to label fruits in the provided image. Please ensure that you select label 'fruit' and draw the box around the fruit just to fit the fruit for better quality of label data. You also need to label other areas which look similar to fruit but are not fruit with label 'no_fruit'คุณยังสามารถเลือกให้ตัวอย่างรูปภาพการติดป้ายกำกับที่ดีและไม่ดีได้อีกด้วย คุณต้องตรวจสอบให้แน่ใจว่ารูปภาพเหล่านี้เข้าถึงได้แบบสาธารณะ
22. Choose สร้างบัญชีตัวแทน เพื่อสร้างงานการติดฉลาก
    

หลังจากสร้างงานสำเร็จแล้ว ขั้นตอนต่อไปคือการติดป้ายกำกับรูปภาพที่ป้อน

เริ่มงานติดฉลาก

เมื่อคุณสร้างงานสำเร็จแล้ว สถานะของงานคือ InProgress. ซึ่งหมายความว่างานถูกสร้างขึ้นและทีมงานส่วนตัวจะได้รับแจ้งทางอีเมลเกี่ยวกับงานที่ได้รับมอบหมาย เนื่องจากคุณได้มอบหมายงานให้กับตัวเอง คุณควรได้รับอีเมลพร้อมคำแนะนำในการเข้าสู่ระบบโครงการ Ground Truth Labeling

1. เปิดอีเมลและเลือกลิงก์ที่ให้ไว้
2. ป้อนชื่อผู้ใช้และรหัสผ่านที่ให้ไว้ในอีเมล
   คุณอาจต้องเปลี่ยนรหัสผ่านชั่วคราวที่ให้ไว้ในอีเมลเป็นรหัสผ่านใหม่หลังจากเข้าสู่ระบบ
3. หลังจากที่คุณเข้าสู่ระบบ เลือกงานของคุณแล้วเลือก เริ่มทำงาน.
   
   คุณสามารถใช้เครื่องมือที่มีให้เพื่อซูมเข้า ซูมออก ย้าย และวาดกรอบกรอบในภาพ
4. เลือกป้ายกำกับของคุณ (fruit or no_fruit) แล้ววาดกรอบในรูปภาพเพื่อใส่คำอธิบายประกอบ
5. เสร็จแล้วเลือก ส่ง.

ตอนนี้คุณได้ติดป้ายกำกับรูปภาพอย่างถูกต้องแล้วซึ่งโมเดล ML จะใช้สำหรับการฝึกอบรม

สร้างโครงการ Amazon Rekognition ของคุณ

ในการสร้างโครงการวัดผลผลิตทางการเกษตรของคุณ ให้ทำตามขั้นตอนต่อไปนี้:

1. บนคอนโซล Amazon Rekognition ให้เลือก ป้ายกำกับที่กำหนดเอง.
2. Choose เริ่มต้นเลย.
3. สำหรับ ชื่อโครงการป้อน fruits_yield.
4. Choose สร้างโครงการ.
   

คุณยังสามารถสร้างโครงการบน โครงการ หน้าหนังสือ. คุณสามารถเข้าถึง โครงการ หน้าผ่านบานหน้าต่างนำทาง ขั้นตอนต่อไปคือการจัดเตรียมภาพเป็นข้อมูลเข้า

นำเข้าชุดข้อมูลของคุณ

ในการสร้างแบบจำลองการวัดผลผลิตทางการเกษตรของคุณ ก่อนอื่นคุณต้องนำเข้าชุดข้อมูลเพื่อฝึกแบบจำลองด้วย สำหรับโพสต์นี้ ชุดข้อมูลของเราติดป้ายกำกับโดยใช้ Ground Truth แล้ว

1. สำหรับ นำเข้ารูปภาพให้เลือก นำเข้าภาพที่ติดป้ายกำกับโดย SageMaker Ground Truth.
   
2. สำหรับ ตำแหน่งไฟล์ Manifestป้อนตำแหน่งบัคเก็ต S3 ของไฟล์รายการของคุณ (s3://{your-bucket-name}/fruits_image/annotated_data/fruits-labels/manifests/output/output.manifest).
3. Choose สร้างชุดข้อมูล.
   

คุณสามารถดูชุดข้อมูลที่ติดป้ายกำกับได้

ตอนนี้คุณมีชุดข้อมูลอินพุตสำหรับโมเดล ML เพื่อเริ่มการฝึกกับโมเดลเหล่านี้

ฝึกโมเดลของคุณ

หลังจากที่คุณติดป้ายกำกับรูปภาพแล้ว คุณก็พร้อมที่จะฝึกโมเดลของคุณแล้ว

1. Choose โมเดลรถไฟ.
2. สำหรับ เลือกโครงการ, เลือกโครงการของคุณ fruits_yield.
3. Choose โมเดลรถไฟ.
   

รอให้การฝึกอบรมเสร็จสิ้น ตอนนี้คุณสามารถเริ่มทดสอบประสิทธิภาพสำหรับโมเดลที่ผ่านการฝึกอบรมนี้

ทดสอบโมเดลของคุณ

แบบจำลองการวัดผลผลิตทางการเกษตรของคุณพร้อมใช้งานแล้วและควรอยู่ใน Running สถานะ. ในการทดสอบโมเดล ให้ทำตามขั้นตอนต่อไปนี้:

ขั้นตอนที่ 1 : เริ่มโมเดล

บนหน้ารายละเอียดรุ่นของคุณ บน ใช้โมเดล เลือกแท็บ เริ่มต้น.

Rekognition Custom Labels ยังมีการเรียก API สำหรับการเริ่มต้น ใช้งาน และหยุดโมเดลของคุณ

ขั้นตอนที่ 2: ทดสอบโมเดล

เมื่อโมเดลอยู่ใน Running สถานะ คุณสามารถใช้สคริปต์ทดสอบตัวอย่าง analyzeImage.py เพื่อนับจำนวนผลไม้ในภาพ

1. ดาวน์โหลดสคริปต์นี้จาก repo GitHub.
2. แก้ไขไฟล์นี้เพื่อแทนที่พารามิเตอร์ bucket ด้วยชื่อถังของคุณและ model ด้วย ARN โมเดล Amazon Rekognition ของคุณ

เราใช้พารามิเตอร์ photo และ min_confidence เป็นอินพุตสำหรับสคริปต์ Python นี้

คุณสามารถเรียกใช้สคริปต์นี้ในเครื่องได้โดยใช้ปุ่ม อินเทอร์เฟซบรรทัดคำสั่ง AWS AWS (AWS CLI) หรือใช้ AWS CloudShell. ในตัวอย่างของเรา เรารันสคริปต์ผ่านคอนโซล CloudShell โปรดทราบว่า CloudShell คือ อิสระที่จะใช้.

ตรวจสอบให้แน่ใจว่าได้ติดตั้งการพึ่งพาที่จำเป็นโดยใช้คำสั่ง pip3 install boto3 PILLOW หากยังไม่ได้ติดตั้ง

3. อัพโหลดไฟล์ analyzeImage.py ไปยัง CloudShell โดยใช้ สถานะ เมนู
   

ภาพหน้าจอต่อไปนี้แสดงผลลัพธ์ ซึ่งตรวจพบผลไม้สองผลในภาพอินพุต เราให้ 15.jpeg เป็นอาร์กิวเมนต์ภาพถ่ายและ 85 เป็น min_confidence มูลค่า

ตัวอย่างต่อไปนี้แสดงรูปภาพ 15.jpeg ที่มีกรอบล้อมรอบสองกล่อง

คุณสามารถเรียกใช้สคริปต์เดียวกันกับรูปภาพอื่นๆ และทดลองโดยเปลี่ยนคะแนนความเชื่อมั่นเพิ่มเติม

ขั้นตอนที่ 3: หยุดโมเดล

เมื่อเสร็จแล้ว อย่าลืมหยุดโมเดลเพื่อหลีกเลี่ยงค่าใช้จ่ายที่ไม่จำเป็น บนหน้ารายละเอียดรุ่นของคุณ บนแท็บใช้แบบจำลอง เลือกหยุด

ทำความสะอาด

เพื่อหลีกเลี่ยงค่าใช้จ่ายที่ไม่จำเป็น ให้ลบทรัพยากรที่ใช้ในคำแนะนำนี้เมื่อไม่ได้ใช้งาน เราจำเป็นต้องลบโครงการ Amazon Rekognition และบัคเก็ต S3

ลบโครงการ Amazon Rekognition

หากต้องการลบโครงการ Amazon Rekognition ให้ทำตามขั้นตอนต่อไปนี้:

1. บนคอนโซล Amazon Rekognition ให้เลือก ใช้ป้ายกำกับที่กำหนดเอง.
2. Choose สมัครที่นี่.
3. ในบานหน้าต่างนำทาง เลือก โครงการ.
4. เกี่ยวกับ โครงการ หน้า เลือกโครงการที่คุณต้องการลบ
   1. Choose ลบ.
      พื้นที่ ลบโปรเจ็กต์ กล่องโต้ตอบปรากฏขึ้น
5. หากโปรเจ็กต์ไม่มีโมเดลที่เกี่ยวข้อง:
   1. เข้าสู่ ลบ เพื่อลบโครงการ
   2. Choose ลบ เพื่อลบโครงการ
6. หากโปรเจ็กต์มีโมเดลหรือชุดข้อมูลที่เกี่ยวข้อง:
   1. เข้าสู่ ลบ เพื่อยืนยันว่าคุณต้องการลบโมเดลและชุดข้อมูล
   2. เลือกอย่างใดอย่างหนึ่ง ลบโมเดลที่เกี่ยวข้อง, ลบชุดข้อมูลที่เกี่ยวข้อง,หรือ ลบชุดข้อมูลและโมเดลที่เกี่ยวข้องขึ้นอยู่กับว่าโมเดลนั้นมีชุดข้อมูล โมเดล หรือทั้งสองอย่าง

   การลบโมเดลอาจใช้เวลาสักครู่จึงจะเสร็จสมบูรณ์ โปรดทราบว่าคอนโซล Amazon Rekognition ไม่สามารถลบโมเดลที่อยู่ในการฝึกหรือใช้งานอยู่ ลองอีกครั้งหลังจากหยุดรุ่นที่กำลังวิ่งอยู่ในรายการ และรอจนกว่ารุ่นที่แสดงเป็นการฝึกจะเสร็จสิ้น หากคุณปิดกล่องโต้ตอบในระหว่างการลบแบบจำลอง โมเดลจะยังคงถูกลบ ภายหลัง คุณสามารถลบโปรเจ็กต์ได้โดยการทำซ้ำขั้นตอนนี้

7. เข้าสู่ ลบ เพื่อยืนยันว่าคุณต้องการลบโครงการ
8. Choose ลบ เพื่อลบโครงการ

ลบที่เก็บข้อมูล S3 ของคุณ

คุณต้องล้างที่เก็บข้อมูลก่อนแล้วจึงลบออก

1. เกี่ยวกับ Amazon S3 คอนโซล เลือก บุ้งกี๋.
2. เลือกถังที่ต้องการล้าง จากนั้นเลือก ว่างเปล่า.
3. ยืนยันว่าคุณต้องการล้างที่เก็บข้อมูลโดยป้อนชื่อที่เก็บข้อมูลลงในช่องข้อความ จากนั้นเลือก ว่างเปล่า.
4. Choose ลบ.
5. ยืนยันว่าคุณต้องการลบที่เก็บข้อมูลโดยป้อนชื่อที่เก็บข้อมูลลงในช่องข้อความ จากนั้นเลือก ลบที่เก็บข้อมูล.

สรุป

ในโพสต์นี้ เราแสดงให้คุณเห็นถึงวิธีสร้างโมเดลการตรวจจับวัตถุด้วย Rekognition Custom Labels คุณลักษณะนี้ทำให้ง่ายต่อการฝึกโมเดลแบบกำหนดเองที่สามารถตรวจจับคลาสอ็อบเจ็กต์โดยไม่ต้องระบุออบเจ็กต์อื่นหรือสูญเสียความแม่นยำในผลลัพธ์

สำหรับข้อมูลเพิ่มเติมเกี่ยวกับการใช้ป้ายกำกับที่กำหนดเอง โปรดดูที่ ป้ายกำกับที่กำหนดเองของ Amazon Rekognition คืออะไร

---

เกี่ยวกับผู้แต่ง

ธีรัช ฐกูร เป็นสถาปนิกโซลูชันกับ Amazon Web Services เขาทำงานร่วมกับลูกค้าและคู่ค้าของ AWS เพื่อให้คำแนะนำเกี่ยวกับการนำระบบคลาวด์ไปใช้ การย้ายข้อมูล และกลยุทธ์ เขาหลงใหลในเทคโนโลยีและสนุกกับการสร้างและทดลองในด้านการวิเคราะห์และ AI/ML

ซาเมียร์ โกเอล เป็น Sr. Solutions Architect ในเนเธอร์แลนด์ ซึ่งขับเคลื่อนความสำเร็จของลูกค้าด้วยการสร้างต้นแบบจากความคิดริเริ่มที่ล้ำสมัย ก่อนที่จะร่วมงานกับ AWS Sameer สำเร็จการศึกษาระดับปริญญาโทจากบอสตัน โดยมีสมาธิในด้านวิทยาศาสตร์ข้อมูล เขาสนุกกับการสร้างและทดลองโปรเจ็กต์ AI/ML บน Raspberry Pi พบกับเขาได้ที่ LinkedIn.