Kestirimci bakım, beklenmedik mekanik arızaları ve operasyonları kesintiye uğratan reaktif bakım faaliyetlerini önleyebildiği için otomotiv endüstrilerinde kritik öneme sahiptir. Araç arızalarını tahmin ederek ve bakım ve onarımları planlayarak arıza süresini azaltacak, güvenliği artıracak ve üretkenlik düzeylerini yükselteceksiniz.
Derin öğrenme tekniklerini araç arızalarına, plansız duruş sürelerine ve onarım maliyetlerine neden olan ortak alanlara uygulayabilseydik ne olurdu?
Bu yazıda, kullanarak araç filosu arıza olasılığını tahmin etmek için bir modeli nasıl eğiteceğinizi ve konuşlandıracağınızı gösteriyoruz. Amazon SageMaker Hızlı Başlangıç. SageMaker Jumpstart, SageMaker Jumpstart'ın makine öğrenimi (ML) merkezidir. Amazon Adaçayı Yapıcı, makine öğrenimine başlamanıza yardımcı olmak için çok çeşitli sorun türleri için önceden eğitilmiş, herkese açık modeller sağlar. Gönderide özetlenen çözüm şu adreste mevcuttur: GitHub.
SageMaker JumpStart çözüm şablonları
SageMaker JumpStart, birçok yaygın makine öğrenimi kullanım durumu için tek tıkla uçtan uca çözümler sunar. Kullanılabilir çözüm şablonları hakkında daha fazla bilgi için aşağıdaki kullanım durumlarını keşfedin:
SageMaker JumpStart çözüm şablonları, her birinin altında birkaç farklı çözüm şablonunun sunulduğu çeşitli kullanım durumlarını kapsar (bu gönderideki çözüm, Araç Filoları İçin Kestirimci Bakım, içinde Çözümler bölüm). SageMaker JumpStart açılış sayfasından kullanım durumunuza en uygun çözüm şablonunu seçin. Her bir kullanım durumuna özel çözümler ve bir SageMaker JumpStart çözümünün nasıl başlatılacağı hakkında daha fazla bilgi için, bkz. Çözüm Şablonları.
Çözüme genel bakış
Otomotiv filoları için AWS kestirimci bakım çözümü, araç arızalarını, plansız duruş sürelerini ve onarım maliyetlerini artıran ortak alanlara derin öğrenme teknikleri uygular. Kısa sürede bir kavram kanıtına ulaşmanız için bir ilk yapı taşı görevi görür. Bu çözüm, SageMaker içinde veri hazırlama ve görselleştirme işlevselliği içerir ve veri kümeniz için derin öğrenme modellerinin hiperparametrelerini eğitmenize ve optimize etmenize olanak tanır. Bu çözümün bir parçası olarak kendi verilerinizi kullanabilir veya sentetik bir veri kümesiyle çözümü deneyebilirsiniz. Bu sürüm, zaman içinde araç sensörü verilerini işler. Sonraki bir sürüm, bakım kaydı verilerini işleyecektir.
Aşağıdaki diyagram, bu çözümü SageMaker bileşenleriyle nasıl kullanabileceğinizi göstermektedir. Çözümün bir parçası olarak aşağıdaki hizmetler kullanılır:
- Amazon S3 - Kullanırız Amazon Basit Depolama Hizmeti (Amazon S3) veri kümelerini depolamak için
- SageMaker not defteri – Verileri önceden işlemek ve görselleştirmek ve derin öğrenme modelini eğitmek için bir not defteri kullanıyoruz
- SageMaker uç noktası – Eğitilmiş modeli dağıtmak için uç noktayı kullanıyoruz
İş akışı aşağıdaki adımları içerir:
- Araç verilerini ve sensör günlüklerini içeren Filo Yönetim Sisteminden geçmiş verilerin bir özeti oluşturulur.
- Makine öğrenimi modeli eğitildikten sonra, SageMaker model yapıtı konuşlandırılır.
- Bağlı araç, sensör günlüklerini şuraya gönderir: AWS IoT Çekirdeği (alternatif olarak, bir HTTP arabirimi aracılığıyla).
- Sensör günlükleri şu şekilde tutulur: Amazon Kinesis Veri İtfaiyesi.
- Sensör günlükleri şu adrese gönderilir: AWS Lambda tahminlerde bulunmak için modele karşı sorgulama yapmak için.
- Lambda, tahminler için sensör günlüklerini Sagemaker model çıkarımına gönderir.
- Tahminler devam ediyor Amazon Aurora'sı.
- Toplu sonuçlar bir ekranda görüntülenir Amazon QuickSight gösterge panosu.
- Tahmin edilen başarısızlık olasılığına ilişkin gerçek zamanlı bildirimler şu adrese gönderilir: Amazon Basit Bildirim Servisi (Amazon SNS'si).
- Amazon SNS, bildirimleri bağlı araca geri gönderir.
Çözüm altı not defterinden oluşur:
- 0_demo.ipynb – Çözümümüzün hızlı bir önizlemesi
- 1_giriş.ipynb – Giriş ve çözüme genel bakış
- 2_data_preparation.ipynb – Örnek bir veri seti hazırlayın
- 3_data_visualization.ipynb – Örnek veri kümemizi görselleştirin
- 4_model_training.ipynb – Hataları tespit etmek için örnek veri kümemizde bir model eğitin
- 5_results_analiz.ipynb – Eğittiğimiz modelin sonuçlarını analiz edin
Önkoşullar
Amazon SageMaker Stüdyosu SageMaker içinde, ihtiyacımız olan tüm makine öğrenimi özelliklerini tek bir ekranda sağlayan entegre geliştirme ortamıdır (IDE). SageMaker JumpStart'ı çalıştırmadan önce SageMaker Studio'yu kurmamız gerekiyor. Halihazırda kendi SageMaker Studio sürümünüz çalışıyorsa bu adımı atlayabilirsiniz.
Herhangi bir AWS hizmetini kullanmadan önce yapmamız gereken ilk şey, kaydolduğumuzdan ve bir AWS hesabı oluşturduğumuzdan emin olmaktır. Ardından bir yönetici kullanıcı ve bir grup oluşturuyoruz. Her iki adımla ilgili talimatlar için, bkz. Amazon SageMaker Ön Koşullarını Kurun.
Bir sonraki adım, bir SageMaker etki alanı oluşturmaktır. Bir etki alanı, tüm depolamayı kurar ve SageMaker'a erişmek için kullanıcılar eklemenize izin verir. Daha fazla bilgi için bkz. Amazon SageMaker Etki Alanında Yerleşik. Bu demo AWS Bölgesi us-east-1'de oluşturulmuştur.
Son olarak, SageMaker Studio'yu başlatırsınız. Bu gönderi için bir kullanıcı profili uygulaması başlatmanızı öneririz. Talimatlar için bkz. Amazon SageMaker Studio'yu Başlatın.
Bu SageMaker JumpStart çözümünü çalıştırmak ve altyapının AWS hesabınıza dağıtılmasını sağlamak için etkin bir SageMaker Studio örneği oluşturmanız gerekir (bkz. Amazon SageMaker Studio'da Yerleşik). Örneğiniz hazır olduğunda, içindeki talimatları kullanın. Adaçayı Yapıcı Hızlı Başlangıç Çözümü başlatmak için. Çözüm yapıları buna dahildir GitHub deposu referans için.
SageMaker Jumpstart çözümünü başlatın
Çözüme başlamak için aşağıdaki adımları tamamlayın:
- SageMaker Studio konsolunda seçin HızlıBaşlangıç.
- Üzerinde Çözümler sekmesini seçin Araç Filoları İçin Kestirimci Bakım.
- Klinik Başlatmak.
Çözümü dağıtmak birkaç dakika sürer. - Çözüm dağıtıldıktan sonra Not Defterini Aç'ı seçin.
Bir çekirdek seçmeniz istenirse, bu çözümdeki tüm not defterleri için PyTorch 1.8 Python 3.6'yı seçin.
Çözüm önizlemesi
İlk olarak üzerinde çalışıyoruz 0_demo.ipynb
not defteri. Bu not defterinde, bu çözüm için tam not defterini tamamladığınızda sonucun nasıl görüneceğine dair hızlı bir önizleme alabilirsiniz.
Klinik koşmak ve Tüm Hücreleri Çalıştır tüm hücreleri SageMaker Studio'da çalıştırmak için (veya Hücre ve Tümünü Çalıştır bir SageMaker not defteri örneğinde). Her not defterindeki tüm hücreleri arka arkaya çalıştırabilirsiniz. Bir sonraki not defterine geçmeden önce tüm hücrelerin işlemeyi tamamladığından emin olun.
Bu çözüm, sağlanan AWS kaynaklarını çalıştırmak için bir yapılandırma dosyasına dayanır. Dosyayı şu şekilde oluşturuyoruz:
Bir aracın akü voltajı ve zaman içindeki akü akımından oluşan bazı örnek zaman serisi giriş verilerimiz var. Ardından, örnek verileri yükleyip görselleştiriyoruz. Aşağıdaki ekran görüntülerinde gösterildiği gibi, voltaj ve akım değerleri Y ekseninde ve okumalar (kaydedilen 19 okuma) X eksenindedir.
Araç arızası olasılığını tahmin eden bu voltaj ve akım verileri üzerinde daha önce bir model eğitmiştik ve modeli SageMaker'da bir uç nokta olarak dağıtmıştık. Bir sonraki zaman diliminde başarısızlık olasılığını belirlemek için bu uç noktayı bazı örnek verilerle arayacağız.
Örnek giriş verileri göz önüne alındığında, tahmin edilen başarısızlık olasılığı 45.73%.
Bir sonraki aşamaya geçmek için seçin Devam etmek için buraya tıklayın.
Giriş ve çözüme genel bakış
The 1_introduction.ipynb
notebook, çözüme ve aşamalara genel bir bakış ve içerik tanımı, veri örnekleme dönemi, eğitim ve test örneği sayısı, parametreler, konum ve oluşturulan içerik için sütun adları içeren yapılandırma dosyasına bir bakış sağlar.
Bu not defterini inceledikten sonra bir sonraki aşamaya geçebilirsiniz.
Örnek bir veri kümesi hazırlayın
Örnek bir veri seti hazırlıyoruz. 2_data_preparation.ipynb
not defteri.
Öncelikle bu çözüm için yapılandırma dosyasını oluşturuyoruz:
Yapılandırma özellikleri aşağıdaki gibidir:
Örnek bir veri kümesi oluşturmak için kendi veri kümenizi tanımlayabilir veya betiklerimizi kullanabilirsiniz:
Sensör verilerini ve filo aracı verilerini birleştirebilirsiniz:
Artık veri görselleştirmeye geçebiliriz.
Örnek veri kümemizi görselleştirin
Örnek veri kümemizi şu şekilde görselleştiriyoruz: 3_data_vizualization.ipynb
. Bu çözüm, sağlanan AWS kaynaklarını çalıştırmak için bir yapılandırma dosyasına dayanır. Bir önceki not defterine benzer bir dosya oluşturalım.
Aşağıdaki ekran görüntüsü veri setimizi göstermektedir.
Ardından, veri kümesini oluşturalım:
Artık veri seti hazır olduğuna göre, veri istatistiklerini görselleştirelim. Aşağıdaki ekran görüntüsü, araç markası, motor tipi, araç sınıfı ve modeline göre veri dağılımını göstermektedir.
Günlük verilerini karşılaştırarak, Make E ve C (rastgele) için farklı yıllardaki ortalama voltaj örneğine bakalım.
Gerilim ve akımın ortalaması Y ekseninde ve okuma sayısı X eksenindedir.
- log_target için olası değerler: ['make', 'model', 'year', 'vehicle_class', 'engine_type']
- Rastgele atanan değer
log_target: make
- Rastgele atanan değer
- log_target_value1 için olası değerler: ['Make A', 'Make B', 'Make E', 'Make C', 'Make D']
- Rastgele atanan değer
log_target_value1: Make B
- Rastgele atanan değer
- log_target_value2 için olası değerler: ['Make A', 'Make B', 'Make E', 'Make C', 'Make D']
- Rastgele atanan değer
log_target_value2: Make D
- Rastgele atanan değer
Yukarıdakilere dayanarak, varsayıyoruz log_target: make
, log_target_value1: Make B
ve log_target_value2: Make D
Aşağıdaki grafikler, günlük verilerinin ortalamasını gösterir.
Aşağıdaki grafikler, voltaj ve akıma karşı farklı sensör günlük değerlerinin bir örneğini görselleştirir.
Hataları algılamak için örnek veri kümemizde bir model eğitin
içinde 4_model_training.ipynb
Not defteri, hataları algılamak için örnek veri kümemizde bir model eğitiyoruz.
Önceki not defterine benzer bir yapılandırma dosyası oluşturalım ve ardından eğitim yapılandırmasına geçelim:
Eğittiğimiz modelin sonuçlarını analiz edin
içinde 5_results_analysis.ipynb
dizüstü bilgisayarda, hiperparametre ayarlama işimizden veri alıyoruz, en iyi işi belirlemek için tüm işlerin metriklerini görselleştiriyoruz ve en iyi eğitim işi için bir uç nokta oluşturuyoruz.
Bir önceki not defterine benzer konfigürasyon dosyasını oluşturalım ve tüm işlerin metriklerini görselleştirelim. Aşağıdaki çizim, test doğruluğunu çağa karşı görselleştirir.
Aşağıdaki ekran görüntüsü, yürüttüğümüz hiperparametre ayarlama işlerini göstermektedir.
Artık test doğruluğuna (kırmızı) dayalı olarak en iyi eğitim işinden (dört eğitim işinden) verileri görselleştirebilirsiniz.
Aşağıdaki ekran görüntülerinde görebileceğimiz gibi, test kaybı azalır ve AUC ve doğruluk dönemlerle birlikte artar.
Görselleştirmelere dayanarak, artık en iyi eğitim işi için bir uç nokta oluşturabiliriz:
Bitiş noktasını oluşturduktan sonra, tahmin ediciyi örnek sensör günlüklerini ileterek test edebiliriz:
Örnek giriş verileri göz önüne alındığında, tahmin edilen başarısızlık olasılığı %34.60.
Temizlemek
Bu çözümü tamamladığınızda, tüm istenmeyen AWS kaynaklarını sildiğinizden emin olun. Üzerinde Araç Filoları İçin Kestirimci Bakım sayfanın altında Çözümü sil, seçmek Tüm kaynakları sil çözümle ilişkili tüm kaynakları silmek için.
Bu not defterinde oluşturmuş olabileceğiniz fazladan kaynakları el ile silmeniz gerekir. Bazı örnekler, ekstra S3 gruplarını (çözümün varsayılan grubuna) ve ekstra SageMaker uç noktalarını (özel bir ad kullanarak) içerir.
Çözümü özelleştirin
Çözümümüzün özelleştirilmesi kolaydır. Girdi verileri görselleştirmelerini değiştirmek için bkz. sagemaker/3_data_visualization.ipynb. Makine öğrenimini özelleştirmek için bkz. sagemaker/kaynak/train.py ve sagemaker/source/dl_utils/network.py. Veri kümesi işlemeyi özelleştirmek için bkz. sagemaker/1_introduction.ipynb yapılandırma dosyasının nasıl tanımlanacağı hakkında.
Ek olarak, yapılandırma dosyasındaki yapılandırmayı değiştirebilirsiniz. Varsayılan yapılandırma aşağıdaki gibidir:
Yapılandırma dosyası aşağıdaki parametrelere sahiptir:
fleet_info_fn
,fleet_sensor_logs_fn
,fleet_dataset_fn
,train_dataset_fn
, vetest_dataset_fn
veri kümesi dosyalarının konumunu tanımlayınvehicle_id_column
,timestamp_column
,target_column
, veperiod_column
sütunlar için başlıkları tanımlayındataset_size
,chunksize
,processing_chunksize
,period_ms
, vewindow_length
veri kümesinin özelliklerini tanımlayın
Sonuç
Bu gönderide, SageMaker JumpStart'ı kullanarak araç filosu arıza olasılığını tahmin etmek için bir modeli nasıl eğiteceğinizi ve konuşlandıracağınızı gösterdik. Çözüm, makine öğrenimi ve derin öğrenme modellerine dayalıdır ve zamanla değişen sensör verileri de dahil olmak üzere çok çeşitli girdi verilerine izin verir. Her araçta farklı telemetri olduğundan, sağlanan modelde sahip olduğunuz verilerin sıklığına ve türüne göre ince ayar yapabilirsiniz.
SageMaker JumpStart ile neler yapabileceğiniz hakkında daha fazla bilgi edinmek için aşağıdakilere bakın:
Kaynaklar
Yazarlar Hakkında
Rajakumar Sampathkumar AWS'de Baş Teknik Hesap Yöneticisidir, müşterilere iş-teknoloji uyumu konusunda rehberlik eder ve bulut operasyon modellerinin ve süreçlerinin yeniden icat edilmesini destekler. Bulut ve makine öğrenimi konusunda tutkulu. Raj aynı zamanda bir makine öğrenimi uzmanıdır ve AWS iş yüklerini ve mimarilerini tasarlamak, dağıtmak ve yönetmek için AWS müşterileriyle birlikte çalışır.
- 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/predict-vehicle-fleet-failure-probability-using-amazon-sagemaker-jumpstart/
- :vardır
- :dır-dir
- ][P
- $UP
- 1
- 10
- 100
- 11
- 12
- 13
- %15
- 16
- 19
- 20
- 50
- 67
- 7
- 8
- a
- Hakkımızda
- yukarıdaki
- erişim
- Göre
- Hesap
- doğruluk
- karşısında
- aktif
- faaliyetler
- eklemek
- idari
- Sonra
- karşı
- hiza
- Türkiye
- veriyor
- zaten
- Ayrıca
- Amazon
- Amazon Adaçayı Yapıcı
- Amazon SageMaker Hızlı Başlangıç
- Amazon Web Servisleri
- an
- çözümlemek
- ve
- herhangi
- uygulamayı yükleyeceğiz
- Tamam
- ARE
- alanlar
- AS
- atanmış
- ilişkili
- üstlenmek
- At
- otomotiv
- mevcut
- önlemek
- AWS
- eksen
- Arka
- merkezli
- pil
- Çünkü
- önce
- İYİ
- Engellemek
- vücut
- artırmak
- her ikisi de
- mola
- inşa etmek
- bina
- by
- çağrı
- CAN
- Alabilirsin
- dava
- durumlarda
- Hücreler
- değişiklik
- Klinik
- sınıf
- müşteri
- bulut
- Sütun
- ortak
- tamamlamak
- bileşenler
- kavram
- yapılandırma
- bağlı
- oluşan
- oluşur
- konsolos
- içeren
- içerik
- maliyetler
- olabilir
- kapak
- yaratmak
- çevrimiçi kurslar düzenliyorlar.
- kritik
- akım
- görenek
- Müşteriler
- özelleştirmek
- gösterge paneli
- veri
- Veri Hazırlama
- veri goruntuleme
- Reddedilmesi
- derin
- derin öğrenme
- Varsayılan
- tanım
- gösteri
- gösteriyor
- dağıtmak
- konuşlandırılmış
- Dizayn
- Belirlemek
- gelişme
- farklı
- görüntülenen
- Bozmak
- dağıtım
- do
- domain
- aşağı
- Kesinti
- sürücü
- e
- her
- başka
- son uca
- Son nokta
- Motor
- sağlamak
- çevre
- çağ
- devirler
- Her
- örnek
- örnekler
- keşfetmek
- ekstra
- çıkarmak
- Başarısızlık
- yanlış
- Özellikler
- az
- fileto
- bitiş
- Ad
- FİLO
- takip etme
- şu
- İçin
- dört
- Sıklık
- itibaren
- tam
- işlevsellik
- oluşturmak
- oluşturulan
- jeneratör
- almak
- verilmiş
- bardak
- GPU
- grafikler
- grup
- rehberlik
- Var
- he
- başlıkları
- yardım et
- okuyun
- tarihsel
- Ne kadar
- Nasıl Yapılır
- HTML
- http
- HTTPS
- merkez
- Hiperparametre optimizasyonu
- Hiperparametre Ayarı
- i
- belirlemek
- if
- ithalat
- iyileştirmek
- in
- dahil
- dahil
- içerir
- Dahil olmak üzere
- Artırmak
- Endüstri
- bilgi
- Altyapı
- ilk
- başlatmak
- giriş
- örnek
- talimatlar
- entegre
- arayüzey
- içine
- Giriş
- IOT
- IT
- İş
- Mesleki Öğretiler
- jpg
- json
- anahtarlar
- iniş
- başlatmak
- fırlatma
- ÖĞRENİN
- öğrenme
- seviyeleri
- sevmek
- yük
- yerel
- yer
- log
- Bakın
- gibi görünmek
- kayıp
- makine
- makine öğrenme
- bakım
- yapmak
- yönetmek
- yönetim
- müdür
- el ile
- çok
- Maksimuma çıkarmak
- Mayıs..
- ortalama
- mekanik
- gitmek
- Metrikleri
- dakika
- ML
- model
- modelleri
- değiştirmek
- Daha
- hareket
- hareketli
- isim
- isimleri
- gerek
- sonraki
- defter
- tebliğ
- bildirimleri
- şimdi
- numara
- of
- sunulan
- on
- ONE
- bir tek
- açık
- operasyon
- Operasyon
- optimizasyon
- optimize
- or
- OS
- Diğer
- bizim
- dışarı
- Sonuç
- özetlenen
- tekrar
- genel bakış
- kendi
- Kanal
- bölmesi
- parametreler
- Bölüm
- Geçen
- tutkulu
- yol
- dönem
- Platon
- Plato Veri Zekası
- PlatoVeri
- Lütfen
- Çivi
- tahmin
- tahmin
- tahmin
- Tahminler
- Predictor
- öngörür
- hazırlık
- Hazırlamak
- Önizleme
- önceki
- Önceden
- Anapara
- Sorun
- süreç
- Süreçler
- işleme
- verimlilik
- Profil
- kanıt
- kavramın ispatı
- özellikleri
- sağlanan
- sağlar
- sağlama
- alenen
- Python
- pytorch
- Hızlı
- rasgele
- menzil
- hazır
- tavsiye etmek
- kayıt
- kaydedilmiş
- Kırmızı
- azaltmak
- bölge
- onarım
- Kaynaklar
- yanıt
- Sonuçlar
- dönüş
- yorum
- Rol
- koşmak
- koşu
- Güvenlik
- sagemaker
- Örnek veri kümesi
- çizelgeleme
- ekran
- scriptler
- Bölüm
- görmek
- gönderir
- gönderdi
- Dizi
- vermektedir
- Hizmetler
- Oturum
- set
- Setleri
- birkaç
- kısa
- şov
- gösterdi
- gösterilen
- Gösteriler
- imzalı
- benzer
- Basit
- tek
- ALTINCI
- çözüm
- Çözümler
- biraz
- Kaynak
- uzman
- özel
- Aşama
- aşamaları
- başladı
- istatistik
- adım
- Basamaklar
- hafızası
- mağaza
- stüdyo
- sonraki
- Destek
- elbette
- sentetik
- sistem
- alır
- Teknik
- teknikleri
- şablon
- şablonları
- test
- o
- The
- ve bazı Asya
- sonra
- şey
- Re-Tweet
- zaman
- Zaman serisi
- zaman damgası
- için
- birlikte
- Tren
- eğitilmiş
- Eğitim
- denemek
- tip
- türleri
- altında
- istenmeyen
- us
- kullanım
- kullanım durumu
- Kullanılmış
- kullanıcı
- kullanıcılar
- kullanma
- değer
- Değerler
- çeşitlilik
- araç
- versiyon
- üzerinden
- görüntüleme
- Volt
- Gerilim
- vs
- W
- we
- ağ
- web hizmetleri
- Ne
- ne zaman
- hangi
- geniş
- Geniş ürün yelpazesi
- irade
- ile
- içinde
- İş
- iş akışı
- çalışır
- X
- tatlım
- yıl
- Sen
- zefirnet