Bu, Enel'de Bilgisayar Görüntüsü Başkanı Mario Namtao Shianti Larcher'in konuk yazısıdır.
Enelİtalya'nın ulusal elektrik kuruluşu olarak başlayan , bugün 32 ülkede faaliyet gösteren çok uluslu bir şirket ve 74 milyon kullanıcısı ile dünyanın ilk özel şebeke operatörüdür. Ayrıca 55.4 GW kurulu güce sahip ilk yenilenebilir enerji oyuncusu olarak kabul edilmektedir. Son yıllarda şirket, 2.3 milyon kilometrelik dağıtım ağının otomatik olarak izlenmesi gibi çok iddialı projeleri gerçekleştirmelerini sağlayan güçlü şirket içi bilgi birikimi geliştirerek makine öğrenimi (ML) sektörüne büyük yatırımlar yaptı.
Enel her yıl elektrik dağıtım şebekesini helikopterler, arabalar veya diğer araçlarla denetler; milyonlarca fotoğraf çeker; olan ağının 3 boyutlu görüntüsünü yeniden yapılandırır. nokta bulutu LiDAR teknolojisi kullanılarak elde edilen ağın 3 boyutlu rekonstrüksiyonu.
Bu verilerin incelenmesi, elektrik şebekesinin durumunu izlemek, altyapı anormalliklerini belirlemek ve kurulu varlıkların veritabanlarını güncellemek için kritik öneme sahiptir ve belirli bir direğe takılı en küçük yalıtkanın malzemesine ve durumuna kadar altyapının ayrıntılı kontrolünü sağlar. Veri miktarı (yalnızca İtalya'da her yıl 40 milyondan fazla görüntü), tanımlanacak öğe sayısı ve bunların özgüllüğü göz önüne alındığında, tamamen manuel bir analiz hem zaman hem de para açısından çok maliyetli ve hataya açık. Neyse ki, bilgisayar görüşü ve derin öğrenme dünyasındaki muazzam ilerlemeler ve bu teknolojilerin olgunluğu ve demokratikleşmesi sayesinde, bu pahalı süreci kısmen veya tamamen otomatik hale getirmek mümkün.
Tabii ki, görev çok zorlu olmaya devam ediyor ve tüm modern yapay zeka uygulamaları gibi, bilgi işlem gücü ve büyük hacimli verileri verimli bir şekilde işleme yeteneği gerektiriyor.
Enel, kendi ML platformunu (dahili olarak ML fabrikası olarak adlandırılır) temel alarak oluşturdu. Amazon Adaçayı Yapıcıve platform, üzerinde geliştirilmekte olan onlarca makine öğrenimi projesiyle farklı dijital merkezlerde (iş birimleri) farklı kullanım durumları için Enel'de modeller oluşturmak ve eğitmek için standart çözüm olarak kuruldu. Amazon SageMaker Eğitimi, Amazon SageMaker İşlemeve diğer AWS hizmetleri gibi AWS Basamak İşlevleri.
Enel, iki farklı kaynaktan görüntü ve veri toplar:
- Hava ağı denetimleri:
- LiDAR nokta bulutları – Altyapının son derece hassas ve coğrafi olarak yerelleştirilmiş bir 3B rekonstrüksiyonu olma avantajına sahiptirler ve bu nedenle mesafeleri hesaplamak veya 2B görüntü analizinden elde edilemeyen bir doğrulukla ölçüm yapmak için çok faydalıdırlar.
- Yüksek çözünürlüklü görüntüler – Altyapının bu görüntüleri saniyeler içinde alınır. Bu, nokta bulutunda tanımlanamayacak kadar küçük olan öğeleri ve anormallikleri tespit etmeyi mümkün kılar.
- Uydu görüntüleri – Bunlar elektrik hattı denetiminden daha uygun fiyatlı olabilse de (bazıları ücretsiz veya ücretlidir), çözünürlükleri ve kaliteleri genellikle doğrudan Enel tarafından çekilen görüntülerle aynı değildir. Bu görüntülerin özellikleri, onları orman yoğunluğunu ve makro kategoriyi değerlendirmek veya binaları bulmak gibi belirli görevler için kullanışlı kılar.
Bu yazıda, Enel'in bu üç kaynağı nasıl kullandığının ayrıntılarını tartışıyor ve Enel'in SageMaker kullanarak büyük ölçekli elektrik şebekesi değerlendirme yönetimini ve anormallik algılama sürecini nasıl otomatikleştirdiğini paylaşıyoruz.
Varlıkları ve anormallikleri belirlemek için yüksek çözünürlüklü fotoğrafları analiz etme
Denetimler sırasında toplanan diğer yapılandırılmamış verilerde olduğu gibi, çekilen fotoğraflar bilgisayarda saklanır. Amazon Basit Depolama Hizmeti (Amazon S3). Bunlardan bazıları, farklı bilgisayarla görme görevleri için farklı derin öğrenme modellerini eğitmek amacıyla manuel olarak etiketlenmiştir.
Kavramsal olarak, işleme ve çıkarım ardışık düzeni, çok adımlı hiyerarşik bir yaklaşımı içerir: önce, görüntüdeki ilgili bölgeler tanımlanır, ardından bunlar kırpılır, içlerindeki varlıklar tanımlanır ve son olarak bunlar, malzemeye veya üzerlerindeki anormalliklerin varlığına göre sınıflandırılır. Aynı kutup genellikle birden fazla görüntüde göründüğünden, yinelemeleri önlemek için görüntülerini gruplandırabilmek de gereklidir, bu işlem adı verilen bir işlemdir. yeniden tanımlama.
Tüm bu görevler için Enel, PyTorch çerçevesini ve görüntü sınıflandırması ve nesne algılama için en son mimarileri kullanır. EfficientNet/EfficientDet veya transformatörlerdeki yağ sızıntıları gibi belirli anormalliklerin semantik segmentasyonu için diğerleri. Yeniden tanımlama görevi için, kamera parametreleri olmadığı için geometrik olarak yapamıyorlarsa, SimCLRtabanlı kendi kendini denetleyen yöntemler veya Transformer tabanlı mimariler kullanılır. Yüksek performanslı GPU'larla donatılmış çok sayıda örneğe erişim olmadan tüm bu modelleri eğitmek imkansız olurdu, bu nedenle tüm modeller aşağıdakiler kullanılarak paralel olarak eğitildi: Amazon SageMaker Eğitimi GPU hızlandırmalı makine öğrenimi örnekleriyle işler. Çıkarım aynı yapıya sahiptir ve ismine rağmen çıkarımda olduğu kadar eğitimde de kullanılabilen birkaç SageMaker işleme ve eğitim işini yöneten bir Step Functions durum makinesi tarafından yönetilir.
Aşağıda, ana adımları ile makine öğrenimi ardışık düzeninin üst düzey mimarisi yer almaktadır.
Bu diyagram, veri kümesi görüntülerinden ROI'leri (elektrik direkleri gibi) çıkaran ve analiz eden ODIN görüntü çıkarım hattının basitleştirilmiş mimarisini gösterir. Boru hattı, elektrik elemanlarını (trafolar, yalıtkanlar, vb.) ayıklayarak ve analiz ederek ROI'leri daha ayrıntılı olarak inceler. Bileşenler (ROI'ler ve öğeler) sonlandırıldıktan sonra, yeniden tanımlama süreci başlar: ağ haritasındaki görüntüler ve kutuplar, 3B meta verilere göre eşleştirilir. Bu, aynı kutba atıfta bulunan ROI'lerin kümelenmesini sağlar. Ardından anomaliler sonlandırılır ve raporlar oluşturulur.
LiDAR nokta bulutlarını kullanarak hassas ölçümler elde etme
Yüksek çözünürlüklü fotoğraflar çok kullanışlıdır, ancak 2B oldukları için onlardan kesin ölçüler çıkarmak imkansızdır. LiDAR nokta bulutları burada imdada yetişir, çünkü bunlar 3 boyutludur ve buluttaki her bir nokta, bir avuç santimetreden daha az ilgili hatayla ilişkili bir konuma sahiptir.
Bununla birlikte, çoğu durumda ham nokta bulutu yararlı değildir, çünkü bir dizi noktanın bir ağacı mı, elektrik hattını mı yoksa evi mi temsil ettiğini bilmiyorsanız, onunla fazla bir şey yapamazsınız. Bu nedenle Enel, KPConv, her noktaya bir sınıf atamak için bir semantik nokta bulutu segmentasyon algoritması. Bulut sınıflandırıldıktan sonra, kutupların eğimini ölçmek yerine bitki örtüsünün elektrik hattına çok yakın olup olmadığını anlamak mümkündür. SageMaker hizmetlerinin esnekliği nedeniyle, bu çözümün ardışık düzeni, daha önce açıklanandan çok farklı değildir, tek fark, bu durumda çıkarım için GPU örneklerini de kullanmanın gerekli olmasıdır.
Aşağıda, nokta bulutu görüntülerinin bazı örnekleri verilmiştir.
Elektrik şebekesine uzaydan bakış: Hizmet kesintilerini önlemek için bitki örtüsünün haritalanması
Elektrik şebekesini helikopterler ve diğer araçlarla denetlemek genellikle çok pahalıdır ve çok sık yapılamaz. Öte yandan, bitki örtüsü eğilimlerini kısa zaman aralıklarında izleyen bir sisteme sahip olmak, bir enerji dağıtıcısının en pahalı işlemlerinden birini optimize etmek için son derece yararlıdır: ağaç budama. Bu nedenle Enel, çözümüne, çoklu görev yaklaşımıyla bitki örtüsünün bulunduğu yeri, yoğunluğunu ve makro sınıflara bölünmüş bitki türlerini belirleyen uydu görüntülerinin analizini de dahil etti.
Bu kullanım durumu için, farklı çözünürlüklerle deneyler yaptıktan sonra Enel, ücretsiz Sentinel 2 görselleri Copernicus programı tarafından sağlanan en iyi maliyet-fayda oranına sahipti. Enel, bitki örtüsüne ek olarak, binaları tanımlamak için uydu görüntülerini de kullanır; bu, bunların varlığı ile Enel'in güç sağladığı yerler arasında tutarsızlıklar olup olmadığını ve dolayısıyla veritabanlarında herhangi bir düzensiz bağlantı veya sorun olup olmadığını anlamak için yararlı bilgilerdir. İkinci kullanım durumu için, bir pikselin 2 metrekarelik bir alanı temsil ettiği Sentinel 10'nin çözünürlüğü yeterli değildir ve bu nedenle 50 santimetre karelik çözünürlüğe sahip ücretli görüntüler satın alınır. Bu çözüm de kullanılan servisler ve akış açısından öncekilerden çok farklı değil.
Aşağıda, varlıkların (direk ve yalıtkanlar) tanımlandığı bir hava resmi bulunmaktadır.
ENEL Grid Veri Bilimi Direktörü Angela Italiano şöyle diyor:
"Enel'de, on milyonlarca yüksek kaliteli görüntü ve LiDAR nokta bulutları kullanarak ağımızın 3D görüntülerini yeniden oluşturarak elektrik dağıtım ağımızı denetlemek için bilgisayarla görme modellerini kullanıyoruz. Bu makine öğrenimi modellerinin eğitimi, yüksek performanslı GPU'larla donatılmış çok sayıda örneğe erişim ve büyük hacimli verileri verimli bir şekilde işleme becerisi gerektirir. Amazon SageMaker eğitimi, bilgi işlem kaynaklarını gerektiği gibi yukarı ve aşağı ölçeklendirdiğinden, Amazon SageMaker ile altyapıyı yönetmeye gerek kalmadan tüm modellerimizi paralel olarak hızlı bir şekilde eğitebiliriz. Amazon SageMaker'ı kullanarak sistemlerimizin 3B görüntülerini oluşturabiliyor, anormallikleri izleyebiliyor ve 60 milyondan fazla müşteriye verimli bir şekilde hizmet verebiliyoruz."
Sonuç
Bu gönderide, Enel gibi enerji dünyasının en iyi oyuncusunun, bu devasa boyuttaki bir altyapıyı yönetmek, kurulu varlıkları takip etmek ve bitki örtüsü gibi çok yakın bir elektrik hattı için anormallikleri ve tehlike kaynaklarını belirlemek zorunda olanların temel sorunlarından birini çözmek için bilgisayarla görme modellerini ve SageMaker eğitim ve işleme işlerini nasıl kullandığını gördük.
ilgili özellikleri hakkında daha fazla bilgi edinin. SageMaker.
Yazarlar Hakkında
Mario Namtao Shianti Larcher Enel'de Görüntü İşleme Başkanıdır. Matematik, istatistik geçmişi ve makine öğrenimi ve bilgisayarla görme konularında derin bir uzmanlığı var ve ondan fazla profesyonelden oluşan bir ekibe liderlik ediyor. Mario'nun rolü, Enel'in kapsamlı veri kaynaklarından yararlanmak için AI ve bilgisayar görüşünün gücünden etkin bir şekilde yararlanan gelişmiş çözümler uygulamayı gerektirir. Profesyonel çabalarına ek olarak, hem geleneksel hem de yapay zeka tarafından üretilen sanat için kişisel bir tutku besliyor.
Cristian Gavazzeni Amazon Web Services'ta Kıdemli Çözüm Mimarıdır. Veri Yönetimi, Altyapı ve Güvenlik konularına odaklanan satış öncesi danışmanı olarak 20 yılı aşkın deneyime sahiptir. Boş zamanlarında arkadaşlarıyla golf oynamayı ve sadece uçuş ve araba rezervasyonları ile yurtdışına seyahat etmeyi seviyor.
Giuseppe Angelo Porcelli Amazon Web Servisleri için Baş Makine Öğrenimi Uzmanı Çözüm Mimarıdır. Birkaç yıllık yazılım mühendisliği ve makine öğrenimi geçmişiyle, her büyüklükteki müşteriyle iş ve teknik ihtiyaçlarını derinlemesine anlamak ve AWS Cloud ve Amazon Machine Learning yığınından en iyi şekilde yararlanan Yapay Zeka ve Makine Öğrenimi çözümleri tasarlamak için çalışır. MLOps, Computer Vision, NLP dahil olmak üzere farklı alanlarda ve çok çeşitli AWS hizmetlerini içeren projelerde çalıştı. Giuseppe boş zamanlarında futbol oynamayı sever.
- SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
- PlatoData.Network Dikey Üretken Yapay Zeka. Kendine güç ver. Buradan Erişin.
- PlatoAiStream. Web3 Zekası. Bilgi Genişletildi. Buradan Erişin.
- PlatoESG. Otomotiv / EV'ler, karbon, temiz teknoloji, Enerji, Çevre, Güneş, Atık Yönetimi. Buradan Erişin.
- Blok Ofsetleri. Çevre Dengeleme Sahipliğini Modernleştirme. Buradan Erişin.
- Kaynak: https://aws.amazon.com/blogs/machine-learning/enel-automates-large-scale-power-grid-asset-management-and-anomaly-detection-using-amazon-sagemaker/
- :vardır
- :dır-dir
- :olumsuzluk
- :Neresi
- $UP
- 1
- 10
- 100
- 13
- 20
- 20 yıl
- 2D
- 32
- 3d
- 40
- 50
- 60
- 7
- a
- kabiliyet
- Yapabilmek
- Hakkımızda
- hızlandırılmış
- erişim
- Göre
- doğruluk
- doğru
- karşısında
- ilave
- ileri
- gelişmeler
- avantaj
- uygun
- Sonra
- AI
- algoritma
- Türkiye
- veriyor
- zaten
- Ayrıca
- Rağmen
- Amazon
- Amazon Makine Öğrenimi
- Amazon Adaçayı Yapıcı
- Amazon Web Servisleri
- hırslı
- miktar
- an
- analiz
- analizler
- analiz
- ve
- anomali tespiti
- herhangi
- belirir
- uygulamaları
- yaklaşım
- mimari
- mimari
- ARE
- ALAN
- Sanat
- AS
- değerlendirme
- varlık
- varlık yönetimi
- Varlıklar
- ilişkili
- At
- otomatikleştirmek
- otomata
- Otomatik
- mevcut
- önlemek
- AWS
- arka fon
- merkezli
- BE
- Çünkü
- olmak
- İYİ
- arasında
- rezervasyon
- her ikisi de
- geniş
- inşa etmek
- yapılı
- iş
- fakat
- by
- hesaplanması
- denilen
- kamera
- CAN
- Kapasite
- arabalar
- dava
- durumlarda
- belli
- zor
- özellikleri
- sınıf
- sınıflar
- sınıflandırma
- sınıflandırılmış
- Kapanış
- bulut
- kümeleme
- nasıl
- şirket
- tamamen
- bileşenler
- hesaplamak
- bilgisayar
- Bilgisayar görüşü
- bilgisayar
- işlem gücü
- sonucuna
- Bağlantılar
- danışman
- kontrol
- pahalı
- ülkeler
- Kurs
- kritik
- Müşteriler
- TEHLİKE
- veri
- veri yönetimi
- veri bilimi
- veritabanları
- derin
- derin öğrenme
- sağlıyor
- demokratikleşme
- tarif edilen
- Dizayn
- Rağmen
- ayrıntılar
- belirlemek
- Bulma
- gelişmiş
- gelişen
- farklılık
- fark
- farklı
- dijital
- direkt olarak
- yönetmen
- tartışmak
- dağıtım
- bölünmüş
- do
- Değil
- etki
- yapılmış
- Dont
- aşağı
- sürücü
- gereken
- çiftleri
- sırasında
- her
- etkili bir şekilde
- verimli biçimde
- elektrik
- elemanları
- etkin
- çabaları
- enerji
- Mühendislik
- muazzam
- varlık
- donanımlı
- hata
- kurulmuş
- değerlendirilmesi
- Hatta
- örnekler
- pahalı
- deneyim
- Uzmanlık
- kapsamlı, geniş
- çıkarmak
- Hulasa
- son derece
- fabrika
- Özellikler
- ücret
- şekil
- kesinleşmiş
- Nihayet
- bulma
- Ad
- Esneklik
- akış
- odaklanma
- takip etme
- futbol
- İçin
- orman
- iyi ki
- iskelet
- Ücretsiz
- sık sık
- arkadaşlar
- itibaren
- fonksiyonlar
- daha fazla
- genellikle
- oluşturulan
- almak
- verilmiş
- gol
- golf
- idare eder
- GPU
- GPU'lar
- Grid
- grup
- Konuk
- Misafir Mesaj
- vardı
- el
- avuç
- sap
- Var
- sahip olan
- he
- baş
- ağır şekilde
- okuyun
- üst düzey
- yüksek performans
- Yüksek kaliteli
- yüksek çözünürlük
- onun
- ev
- Ne kadar
- HTML
- http
- HTTPS
- Kimlik
- tespit
- belirlemek
- belirlenmesi
- if
- görüntü
- Görüntü sınıflandırması
- görüntüleri
- uygulanması
- imkânsız
- in
- dahil
- Dahil olmak üzere
- bilgi
- Altyapı
- yüklü
- faiz
- içten
- içine
- yatırım
- içeren
- IT
- İtalya
- ürün
- ONUN
- Mesleki Öğretiler
- jpg
- sadece
- tutmak
- Bilmek
- Eksiklik
- büyük
- büyük ölçekli
- son
- İlanlar
- Kaçaklar
- öğrenme
- az
- Kaldıraç
- sevmek
- seviyor
- çizgi
- makine
- makine öğrenme
- Makro
- Ana
- yapmak
- YAPAR
- yönetmek
- yönetim
- Manuel
- el ile
- çok
- harita
- haritalama
- mario
- eşleşti
- malzeme
- matematik
- olgunluk
- anlamına geliyor
- ölçümler
- ölçme
- Metadata
- yöntemleri
- milyon
- milyonlarca
- ML
- MLO'lar
- modelleri
- Modern
- para
- izlemek
- izleme
- Daha
- çoğu
- çok
- çok uluslu
- çoklu
- isim
- ulusal
- gerekli
- gerekli
- gerek
- ihtiyaçlar
- ağ
- nlp
- numara
- nesne
- Nesne algılama
- elde
- of
- sık sık
- Sıvı yağ
- on
- ONE
- olanlar
- bir tek
- operasyon
- Şebeke
- optimize
- or
- orkestra
- Diğer
- Diğer
- bizim
- dışarı
- tekrar
- kendi
- Paralel
- parametreler
- tutku
- kişisel
- fotoğraflar
- resim
- boru hattı
- piksel
- bitkiler
- platform
- Platon
- Plato Veri Zekası
- PlatoVeri
- oyuncu
- oynama
- Nokta
- noktaları
- pozisyon
- mümkün
- Çivi
- Mesajlar
- güç kelimesini seçerim
- Güç ızgarası
- gerek
- varlık
- mevcut
- önlemek
- önceki
- Anapara
- özel
- sorunlar
- süreç
- Süreçler
- işleme
- profesyonel
- profesyoneller
- derin
- Programı
- Projeler
- sağlanan
- satın alındı
- pytorch
- kalite
- hızla
- daha doğrusu
- oran
- Çiğ
- gerçekleştirmek
- neden
- son
- tanınan
- bölgeler
- ilgili
- kalıntılar
- Yenilenebilir
- Raporlar
- temsil
- gerektirir
- kurtarmak
- çözüm
- Kaynaklar
- Rol
- sagemaker
- aynı
- uydu
- testere
- diyor
- terazi
- Bilim
- saniye
- sektör
- güvenlik
- bölünme
- kıdemli
- hizmet vermek
- hizmet
- Hizmetler
- set
- birkaç
- paylaş
- kısa
- Gösteriler
- Basit
- basitleştirilmiş
- beden
- küçük
- So
- Yazılım
- yazılım Mühendisliği
- çözüm
- Çözümler
- ÇÖZMEK
- biraz
- kaynaklar
- uzay
- uzman
- özgüllük
- kare
- yığın
- standart
- başladı
- Eyalet
- istatistik
- Durum
- adım
- Basamaklar
- hafızası
- saklı
- güçlü
- yapı
- böyle
- yeterli
- sistem
- Sistemler
- alınan
- alır
- alma
- Görev
- görevleri
- takım
- Teknik
- Teknolojileri
- Teknoloji
- on
- onlarca
- şartlar
- göre
- Teşekkür
- o
- The
- Devlet
- Dünya
- ve bazı Asya
- Onları
- sonra
- Orada.
- bu nedenle
- Bunlar
- onlar
- Re-Tweet
- Bu
- üç
- zaman
- için
- bugün
- çok
- üst
- iz
- geleneksel
- Tren
- eğitilmiş
- Eğitim
- transformatörler
- ağaç
- Trendler
- iki
- tip
- anlamak
- birimleri
- güncellenmesi
- kullanılabilir
- kullanım
- kullanım durumu
- Kullanılmış
- kullanıcılar
- kullanım
- kullanma
- kullanmak
- çok
- vizyonumuz
- hacimleri
- we
- ağ
- web hizmetleri
- İYİ
- vardı
- olup olmadığını
- hangi
- DSÖ
- neden
- Vikipedi
- ile
- içinde
- olmadan
- işlenmiş
- çalışır
- Dünya
- olur
- yıl
- yıl
- Sen
- zefirnet