ایمیزون سیج میکر کی نئی جغرافیائی صلاحیتوں کا استعمال کرتے ہوئے لیک میڈ کی خشک سالی کی نگرانی

زمین کی بدلتی ہوئی آب و ہوا گلوبل وارمنگ کی وجہ سے خشک سالی کا خطرہ بڑھا رہی ہے۔ 1880 کے بعد سے عالمی درجہ حرارت میں 1.01 ° C کا اضافہ ہوا ہے۔ 1993 کے بعد سے سمندر کی سطح میں 102.5 ملی میٹر اضافہ ہوا ہے۔ 2002 سے، انٹارکٹیکا میں زمینی برف کی چادریں 151.0 بلین میٹرک ٹن سالانہ کی شرح سے بڑے پیمانے پر کھو رہی ہیں۔ 2022 میں، زمین کی فضا میں فی ملین کاربن ڈائی آکسائیڈ کے 400 حصے ہیں، جو کہ 50 کے مقابلے میں 1750% زیادہ ہے۔ اگرچہ یہ تعداد ہماری روزمرہ کی زندگیوں سے ہٹائی جا سکتی ہے، لیکن زمین کی گرمی غیر معمولی شرح سے بڑھ رہی ہے۔ پچھلے 10,000 سال [1]۔

اس پوسٹ میں، ہم Amazon SageMaker میں نئی ​​جغرافیائی صلاحیتوں کا استعمال کرتے ہیں تاکہ Lake Mead میں موسمیاتی تبدیلیوں کی وجہ سے خشک سالی کی نگرانی کریں۔ جھیل میڈ امریکہ کا سب سے بڑا ذخیرہ ہے۔ یہ نیواڈا، ایریزونا اور کیلیفورنیا کی ریاستوں میں 25 ملین لوگوں کو پانی فراہم کرتا ہے [2]۔ تحقیق سے پتہ چلتا ہے کہ جھیل میڈ میں پانی کی سطح 1937 کے بعد اپنی کم ترین سطح پر ہے [3]۔ ہم سیٹلائٹ امیجری کا استعمال کرتے ہوئے لیک میڈ میں پانی کی سطح میں ہونے والی تبدیلیوں کی پیمائش کرنے کے لیے SageMaker میں جغرافیائی صلاحیتوں کا استعمال کرتے ہیں۔

ڈیٹا تک رسائی

سیج میکر میں نئی ​​جغرافیائی صلاحیتیں جغرافیائی اعداد و شمار جیسے سینٹینیل-2 اور لینڈ سیٹ 8 تک آسان رسائی فراہم کرتی ہیں۔ بلٹ ان جغرافیائی ڈیٹاسیٹ تک رسائی ہفتوں کی محنت بچاتی ہے بصورت دیگر ڈیٹا فراہم کرنے والوں اور دکانداروں سے ڈیٹا اکٹھا کرنے میں ضائع ہو جاتی ہے۔

سب سے پہلے، ہم سیج میکر جغرافیائی تصویر کے ساتھ ایمیزون سیج میکر اسٹوڈیو نوٹ بک استعمال کریں گے ایمیزون سیج میکر جغرافیائی صلاحیتوں کے ساتھ شروع کرنا۔ ہم اپنے تجزیہ کے لیے SageMaker جغرافیائی تصویر کے ساتھ SageMaker اسٹوڈیو نوٹ بک استعمال کرتے ہیں۔

اس پوسٹ میں استعمال ہونے والی نوٹ بک میں مل سکتی ہے۔ amazon-sagemaker-مثالیں۔ گٹ ہب ریپو۔ SageMaker geospatial ڈیٹا کے استفسار کو انتہائی آسان بنا دیتا ہے۔ ہم سیٹلائٹ ڈیٹا کے لیے مقام اور ٹائم فریم کی وضاحت کے لیے درج ذیل کوڈ کا استعمال کریں گے۔

درج ذیل کوڈ کے ٹکڑوں میں، ہم پہلے ایک کی وضاحت کرتے ہیں۔ AreaOfInterest (AOI) جھیل میڈ کے علاقے کے ارد گرد ایک باؤنڈنگ باکس کے ساتھ۔ ہم استعمال کرتے ہیں TimeRangeFilter جنوری 2021 سے جولائی 2022 تک کا ڈیٹا منتخب کرنے کے لیے۔ تاہم، ہم جس علاقے کا مطالعہ کر رہے ہیں وہ بادلوں کی وجہ سے دھندلا ہو سکتا ہے۔ زیادہ تر کلاؤڈ فری امیجری حاصل کرنے کے لیے، ہم کلاؤڈ کوریج کے لیے اوپری حد کو 1% پر سیٹ کر کے تصاویر کے ذیلی سیٹ کا انتخاب کرتے ہیں۔

import boto3
import sagemaker
import sagemaker_geospatial_map session = boto3.Session()
execution_role = sagemaker.get_execution_role()
sg_client = session.client(service_name="sagemaker-geospatial") search_rdc_args = { "Arn": "arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8", # sentinel-2 L2A COG "RasterDataCollectionQuery": { "AreaOfInterest": { "AreaOfInterestGeometry": { "PolygonGeometry": { "Coordinates": [ [ [-114.529, 36.142], [-114.373, 36.142], [-114.373, 36.411], [-114.529, 36.411], [-114.529, 36.142], ] ] } } # data location }, "TimeRangeFilter": { "StartTime": "2021-01-01T00:00:00Z", "EndTime": "2022-07-10T23:59:59Z", }, # timeframe "PropertyFilters": { "Properties": [{"Property": {"EoCloudCover": {"LowerBound": 0, "UpperBound": 1}}}], "LogicalOperator": "AND", }, "BandFilter": ["visual"], },
} tci_urls = []
data_manifests = []
while search_rdc_args.get("NextToken", True): search_result = sg_client.search_raster_data_collection(**search_rdc_args) if search_result.get("NextToken"): data_manifests.append(search_result) for item in search_result["Items"]: tci_url = item["Assets"]["visual"]["Href"] print(tci_url) tci_urls.append(tci_url) search_rdc_args["NextToken"] = search_result.get("NextToken")

ماڈل کا اندازہ

ڈیٹا کی شناخت کرنے کے بعد، اگلا مرحلہ سیٹلائٹ امیجز سے آبی ذخائر نکالنا ہے۔ عام طور پر، ہمیں زمین کی سطح پر مختلف قسم کے جسمانی مواد جیسے آبی ذخائر، نباتات، برف وغیرہ کی شناخت کرنے کے لیے شروع سے ہی زمینی احاطہ کرنے والے ماڈل کو تربیت دینے کی ضرورت ہوگی۔ شروع سے ماڈل کو تربیت دینا وقت طلب اور مہنگا ہے۔ اس میں ڈیٹا لیبلنگ، ماڈل ٹریننگ، اور تعیناتی شامل ہے۔ SageMaker جغرافیائی صلاحیتیں پہلے سے تربیت یافتہ لینڈ کور سیگمنٹیشن ماڈل فراہم کرتی ہیں۔ یہ لینڈ کور سیگمنٹیشن ماڈل ایک سادہ API کال کے ساتھ چلایا جا سکتا ہے۔

اعداد و شمار کو مقامی مشین میں ڈاون لوڈ کرنے کے بجائے، سیج میکر آپ کے لیے تمام بھاری بھرکم کام کرتا ہے۔ ہم صرف ارتھ آبزرویشن جاب (EOJ) میں ڈیٹا کنفیگریشن اور ماڈل کنفیگریشن کی وضاحت کرتے ہیں۔ SageMaker EOJ کے لیے سیٹلائٹ امیج ڈیٹا کو خود بخود ڈاؤن لوڈ اور پری پروسیس کرتا ہے، جس سے یہ اندازہ لگانے کے لیے تیار ہو جاتا ہے۔ اگلا، SageMaker خود بخود EOJ کے لیے ماڈل کا اندازہ چلاتا ہے۔ کام کے بوجھ پر منحصر ہے (ماڈل کے تخمینے کے ذریعے چلنے والی تصاویر کی تعداد)، EOJ کو ختم ہونے میں کئی منٹ سے چند گھنٹے لگ سکتے ہیں۔ آپ کا استعمال کرتے ہوئے ملازمت کی حیثیت کی نگرانی کر سکتے ہیں get_earth_observation_job تقریب.

# Perform land cover segmentation on images returned from the sentinel dataset.
eoj_input_config = { "RasterDataCollectionQuery": { "RasterDataCollectionArn": "arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8", "AreaOfInterest": { "AreaOfInterestGeometry": { "PolygonGeometry": { "Coordinates": [ [ [-114.529, 36.142], [-114.373, 36.142], [-114.373, 36.411], [-114.529, 36.411], [-114.529, 36.142], ] ] } } }, "TimeRangeFilter": { "StartTime": "2021-01-01T00:00:00Z", "EndTime": "2022-07-10T23:59:59Z", }, "PropertyFilters": { "Properties": [{"Property": {"EoCloudCover": {"LowerBound": 0, "UpperBound": 1}}}], "LogicalOperator": "AND", }, }
}
eoj_config = {"LandCoverSegmentationConfig": {}} response = sg_client.start_earth_observation_job( Name="lake-mead-landcover", InputConfig=eoj_input_config, JobConfig=eoj_config, ExecutionRoleArn=execution_role,
) # Monitor the EOJ status.
eoj_arn = response["Arn"]
job_details = sg_client.get_earth_observation_job(Arn=eoj_arn)
{k: v for k, v in job_details.items() if k in ["Arn", "Status", "DurationInSeconds"]}

نتائج کو تصور کریں

اب جب کہ ہم نے ماڈل کا اندازہ چلا لیا ہے، آئیے نتائج کا بصری طور پر معائنہ کرتے ہیں۔ ہم ان پٹ سیٹلائٹ امیجز پر ماڈل انفرنس کے نتائج کو اوورلے کرتے ہیں۔ ہم ان نتائج کو دیکھنے کے لیے Foursquare Studio ٹولز استعمال کرتے ہیں جو SageMaker کے ساتھ پہلے سے مربوط ہوتے ہیں۔ سب سے پہلے، ہم ان پٹ امیجز اور ماڈل کی پیشین گوئیوں کو دیکھنے کے لیے SageMaker جغرافیائی صلاحیتوں کا استعمال کرتے ہوئے نقشہ کی مثال بناتے ہیں:

# Creates an instance of the map to add EOJ input/ouput layer.
map = sagemaker_geospatial_map.create_map({"is_raster": True})
map.set_sagemaker_geospatial_client(sg_client) # Render the map.
map.render()

جب انٹرایکٹو نقشہ تیار ہوتا ہے، تو ہم ڈیٹا ڈاؤن لوڈ کرنے کی ضرورت کے بغیر ان پٹ امیجز اور ماڈل آؤٹ پٹ کو نقشہ کی تہوں کے طور پر پیش کر سکتے ہیں۔ مزید برآں، ہم ہر پرت کو ایک لیبل دے سکتے ہیں اور استعمال کرتے ہوئے کسی خاص تاریخ کے لیے ڈیٹا منتخب کر سکتے ہیں۔ TimeRangeFilter:

# Visualize AOI
config = {"label": "Lake Mead AOI"}
aoi_layer = map.visualize_eoj_aoi(Arn=eoj_arn, config=config) # Visualize input.
time_range_filter = { "start_date": "2022-07-01T00:00:00Z", "end_date": "2022-07-10T23:59:59Z",
}
config = {"label": "Input"}
input_layer = map.visualize_eoj_input( Arn=eoj_arn, config=config, time_range_filter=time_range_filter
) # Visualize output, EOJ needs to be in completed status.
time_range_filter = { "start_date": "2022-07-01T00:00:00Z", "end_date": "2022-07-10T23:59:59Z",
}
config = {"preset": "singleBand", "band_name": "mask"}
output_layer = map.visualize_eoj_output( Arn=eoj_arn, config=config, time_range_filter=time_range_filter
)

ہم اس بات کی تصدیق کر سکتے ہیں کہ پانی کے طور پر نشان زدہ علاقہ (مندرجہ ذیل نقشے میں چمکدار پیلا) آؤٹ پٹ پرت کی دھندلاپن کو تبدیل کرکے جھیل میڈ میں پانی کے جسم سے درست طریقے سے مطابقت رکھتا ہے۔

پوسٹ تجزیہ

اگلا، ہم استعمال کرتے ہیں export_earth_observation_job EOJ کے نتائج کو Amazon Simple Storage Service (Amazon S3) بالٹی میں ایکسپورٹ کرنے کا فنکشن۔ اس کے بعد ہم پانی کی سطح کے رقبے کا حساب لگانے کے لیے Amazon S3 میں ڈیٹا پر ایک بعد کا تجزیہ چلاتے ہیں۔ ایکسپورٹ فنکشن ٹیموں میں نتائج کا اشتراک کرنا آسان بناتا ہے۔ سیج میکر ڈیٹاسیٹ مینجمنٹ کو بھی آسان بناتا ہے۔ ہم S3 بالٹی میں ہزاروں فائلوں کو رینگنے کے بجائے جاب ARN کا استعمال کرتے ہوئے EOJ کے نتائج کو آسانی سے شیئر کر سکتے ہیں۔ ہر EOJ ڈیٹا کیٹلاگ میں ایک اثاثہ بن جاتا ہے، کیونکہ نتائج کو جاب ARN کے ذریعے گروپ کیا جا سکتا ہے۔

sagemaker_session = sagemaker.Session()
s3_bucket_name = sagemaker_session.default_bucket() # Replace with your own bucket if needed
s3_bucket = session.resource("s3").Bucket(s3_bucket_name)
prefix = "eoj_lakemead" # Replace with the S3 prefix desired
export_bucket_and_key = f"s3://{s3_bucket_name}/{prefix}/" eoj_output_config = {"S3Data": {"S3Uri": export_bucket_and_key}}
export_response = sg_client.export_earth_observation_job( Arn=eoj_arn, ExecutionRoleArn=execution_role, OutputConfig=eoj_output_config, ExportSourceImages=False,
)

اگلا، ہم جھیل میڈ میں پانی کی سطح میں ہونے والی تبدیلیوں کا تجزیہ کرتے ہیں۔ ہم اوپن سورس لائبریریوں کا استعمال کرتے ہوئے پانی کی سطح کے رقبے کا حساب لگانے کے لیے اپنے مقامی مثال میں لینڈ کور ماسک ڈاؤن لوڈ کرتے ہیں۔ سیج میکر ماڈل آؤٹ پٹس کو کلاؤڈ آپٹمائزڈ جیو ٹِف (COG) فارمیٹ میں محفوظ کرتا ہے۔ اس مثال میں، ہم Tifffile پیکیج کا استعمال کرتے ہوئے ان ماسک کو NumPy arrays کے طور پر لوڈ کرتے ہیں۔ سیج میکر Geospatial 1.0 کرنل میں دیگر وسیع پیمانے پر استعمال ہونے والی لائبریریاں بھی شامل ہیں جیسے GDAL اور Rasterio۔

لینڈ کور ماسک میں ہر پکسل کی قدر 0-11 کے درمیان ہوتی ہے۔ ہر قیمت زمین کے احاطہ کے ایک خاص طبقے سے مساوی ہے۔ پانی کا کلاس انڈیکس 6 ہے۔ ہم اس کلاس انڈیکس کو واٹر ماسک نکالنے کے لیے استعمال کر سکتے ہیں۔ سب سے پہلے، ہم ان پکسلز کی تعداد گنتے ہیں جو پانی کے طور پر نشان زد ہیں۔ اس کے بعد، ہم اس نمبر کو اس رقبے سے ضرب دیتے ہیں جو ہر پکسل پانی کی سطح کا رقبہ حاصل کرنے کے لیے احاطہ کرتا ہے۔ بینڈز پر منحصر ہے، سینٹینیل-2 L2A امیج کی مقامی ریزولوشن 10 ہے۔m، 20m، یا 60m. تمام بینڈز کو 60 میٹر کے مقامی ریزولیوشن کے لیے نیچے نمونہ دیا گیا ہے تاکہ لینڈ کور سیگمنٹیشن ماڈل کا اندازہ لگایا جا سکے۔ نتیجے کے طور پر، لینڈ کور ماسک میں ہر پکسل 3600 کے زمینی رقبے کی نمائندگی کرتا ہے۔ m²، یا 0.0036 km².

import os
from glob import glob
import cv2
import numpy as np
import tifffile
import matplotlib.pyplot as plt
from urllib.parse import urlparse
from botocore import UNSIGNED
from botocore.config import Config # Download land cover masks
mask_dir = "./masks/lake_mead"
os.makedirs(mask_dir, exist_ok=True)
image_paths = []
for s3_object in s3_bucket.objects.filter(Prefix=prefix).all(): path, filename = os.path.split(s3_object.key) if "output" in path: mask_name = mask_dir + "/" + filename s3_bucket.download_file(s3_object.key, mask_name) print("Downloaded mask: " + mask_name) # Download source images for visualization
for tci_url in tci_urls: url_parts = urlparse(tci_url) img_id = url_parts.path.split("/")[-2] tci_download_path = image_dir + "/" + img_id + "_TCI.tif" cogs_bucket = session.resource( "s3", config=Config(signature_version=UNSIGNED, region_name="us-west-2") ).Bucket(url_parts.hostname.split(".")[0]) cogs_bucket.download_file(url_parts.path[1:], tci_download_path) print("Downloaded image: " + img_id) print("Downloads complete.") image_files = glob("images/lake_mead/*.tif")
mask_files = glob("masks/lake_mead/*.tif")
image_files.sort(key=lambda x: x.split("SQA_")[1])
mask_files.sort(key=lambda x: x.split("SQA_")[1])
overlay_dir = "./masks/lake_mead_overlay"
os.makedirs(overlay_dir, exist_ok=True)
lake_areas = []
mask_dates = [] for image_file, mask_file in zip(image_files, mask_files): image_id = image_file.split("/")[-1].split("_TCI")[0] mask_id = mask_file.split("/")[-1].split(".tif")[0] mask_date = mask_id.split("_")[2] mask_dates.append(mask_date) assert image_id == mask_id image = tifffile.imread(image_file) image_ds = cv2.resize(image, (1830, 1830), interpolation=cv2.INTER_LINEAR) mask = tifffile.imread(mask_file) water_mask = np.isin(mask, [6]).astype(np.uint8) # water has a class index 6 lake_mask = water_mask[1000:, :1100] lake_area = lake_mask.sum() * 60 * 60 / (1000 * 1000) # calculate the surface area lake_areas.append(lake_area) contour, _ = cv2.findContours(water_mask, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE) combined = cv2.drawContours(image_ds, contour, -1, (255, 0, 0), 4) lake_crop = combined[1000:, :1100] cv2.putText(lake_crop, f"{mask_date}", (10,50), cv2.FONT_HERSHEY_SIMPLEX, 1.5, (0, 0, 0), 3, cv2.LINE_AA) cv2.putText(lake_crop, f"{lake_area} [sq km]", (10,100), cv2.FONT_HERSHEY_SIMPLEX, 1.5, (0, 0, 0), 3, cv2.LINE_AA) overlay_file = overlay_dir + '/' + mask_date + '.png' cv2.imwrite(overlay_file, cv2.cvtColor(lake_crop, cv2.COLOR_RGB2BGR)) # Plot water surface area vs. time.
plt.figure(figsize=(20,10))
plt.title('Lake Mead surface area for the 2021.02 - 2022.07 period.', fontsize=20)
plt.xticks(rotation=45)
plt.ylabel('Water surface area [sq km]', fontsize=14)
plt.plot(mask_dates, lake_areas, marker='o')
plt.grid('on')
plt.ylim(240, 320)
for i, v in enumerate(lake_areas): plt.text(i, v+2, "%d" %v, ha='center')
plt.show()

ہم مندرجہ ذیل تصویر میں پانی کی سطح کے رقبے کو وقت کے ساتھ پلاٹ کرتے ہیں۔ فروری 2021 اور جولائی 2022 کے درمیان پانی کی سطح کا رقبہ واضح طور پر کم ہوا۔ 2 سال سے بھی کم عرصے میں، جھیل میڈ کا رقبہ 300 سے کم ہو گیا۔ km² 250 سے کم km²18% رشتہ دار تبدیلی۔

import imageio.v2 as imageio
from IPython.display import HTML frames = []
filenames = glob('./masks/lake_mead_overlay/*.png')
filenames.sort()
for filename in filenames: frames.append(imageio.imread(filename))
imageio.mimsave('lake_mead.gif', frames, duration=1)
HTML('<img src="./lake_mead.gif">')

ہم جھیل کی حدود کو بھی نکال سکتے ہیں اور انہیں سیٹلائٹ امیجز پر سپرپوز کر سکتے ہیں تاکہ جھیل کے ساحل میں ہونے والی تبدیلیوں کو بہتر انداز میں دیکھا جا سکے۔ جیسا کہ درج ذیل حرکت پذیری میں دکھایا گیا ہے، پچھلے 2 سالوں میں شمال اور جنوب مشرقی ساحل سکڑ گیا ہے۔ کچھ مہینوں میں، سطح کا رقبہ سال بہ سال 20 فیصد سے زیادہ کم ہوا ہے۔

نتیجہ

ہم نے جھیل میڈ کے سکڑتے ساحل پر موسمیاتی تبدیلیوں کے اثرات کو دیکھا ہے۔ SageMaker اب geospatial مشین لرننگ (ML) کو سپورٹ کرتا ہے، جس سے ڈیٹا سائنسدانوں اور ML انجینئرز کے لیے جغرافیائی ڈیٹا کا استعمال کرتے ہوئے ماڈلز کی تعمیر، تربیت اور تعیناتی آسان ہو جاتی ہے۔ اس پوسٹ میں، ہم نے دکھایا کہ ڈیٹا کیسے حاصل کیا جائے، تجزیہ کیا جائے، اور SageMaker geospatial AI/ML سروسز کے ساتھ تبدیلیوں کو کیسے دیکھا جائے۔ آپ اس پوسٹ کا کوڈ اس میں تلاش کر سکتے ہیں۔ amazon-sagemaker-مثالیں۔ گٹ ہب ریپو۔ دیکھیں ایمیزون سیج میکر کی جغرافیائی صلاحیتیں۔ مزید جاننے کے لئے.

حوالہ جات

ہے [1] https://climate.nasa.gov/

ہے [2] https://www.nps.gov/lake/learn/nature/overview-of-lake-mead.htm

ہے [3] https://earthobservatory.nasa.gov/images/150111/lake-mead-keeps-dropping

مصنفین کے بارے میں

 Xiong Zhou AWS میں ایک سینئر اپلائیڈ سائنٹسٹ ہے۔ وہ Amazon SageMaker جغرافیائی صلاحیتوں کے لیے سائنس ٹیم کی قیادت کرتا ہے۔ ان کی تحقیق کے موجودہ شعبے میں کمپیوٹر ویژن اور موثر ماڈل ٹریننگ شامل ہے۔ اپنے فارغ وقت میں، وہ دوڑنا، باسکٹ بال کھیلنا اور اپنے خاندان کے ساتھ وقت گزارنا پسند کرتا ہے۔

انیرودھ وشواناتھن ایک Sr پروڈکٹ مینیجر ہے، SageMaker geospatial ML ٹیم کے ساتھ تکنیکی – بیرونی خدمات۔ اس نے کارنیگی میلن یونیورسٹی سے روبوٹکس میں ماسٹرز کیا ہے، وارٹن اسکول آف بزنس سے ایم بی اے کیا ہے، اور 40 سے زیادہ پیٹنٹ پر موجد کا نام دیا گیا ہے۔ وہ لمبی دوری کی دوڑ سے لطف اندوز ہوتا ہے، آرٹ گیلریوں اور براڈوے شوز کا دورہ کرتا ہے۔

ٹرینٹن لپ کامب ایک پرنسپل انجینئر اور اس ٹیم کا حصہ ہے جس نے سیج میکر میں جغرافیائی صلاحیتوں کا اضافہ کیا۔ وہ لوپ سلوشنز میں انسانوں میں شامل رہا ہے، SageMaker Ground Truth، Augmented AI اور Amazon Mechanical Turk کی خدمات پر کام کر رہا ہے۔

زنگجیان شی ایک سینئر اپلائیڈ سائنٹسٹ اور ٹیم کا حصہ ہے جس نے سیج میکر میں جغرافیائی صلاحیتوں کا اضافہ کیا۔ وہ ارتھ سائنس اور ملٹی موڈل آٹو ایم ایل کے لیے گہری تعلیم پر بھی کام کر رہا ہے۔

لی ایرن لی ہیومین ان دی لوپ سروسز، AWS AI، Amazon میں اپلائیڈ سائنس مینیجر ہے۔ اس کی تحقیقی دلچسپیاں 3D گہری تعلیم، اور وژن اور زبان کی نمائندگی کی تعلیم ہیں۔ اس سے پہلے وہ Alexa AI میں سینئر سائنسدان، Scale AI میں مشین لرننگ کے سربراہ اور Pony.ai کے چیف سائنٹسٹ تھے۔ اس سے پہلے، وہ Uber ATG میں پرسیپشن ٹیم اور Uber میں مشین لرننگ پلیٹ فارم ٹیم کے ساتھ تھا جو خود مختار ڈرائیونگ، مشین لرننگ سسٹمز اور AI کے اسٹریٹجک اقدامات کے لیے مشین لرننگ پر کام کر رہی تھی۔ انہوں نے اپنا کیریئر بیل لیبز سے شروع کیا اور کولمبیا یونیورسٹی میں منسلک پروفیسر رہے۔ اس نے ICML'17 اور ICCV'19 میں ٹیوٹوریلز کو مشترکہ طور پر پڑھایا، اور NeurIPS، ICML، CVPR، ICCV میں خود مختار ڈرائیونگ، 3D ویژن اور روبوٹکس، مشین لرننگ سسٹم اور ایڈورسریل مشین لرننگ کے لیے مشین لرننگ پر متعدد ورکشاپس کا مشترکہ اہتمام کیا۔ انہوں نے کارنیل یونیورسٹی میں کمپیوٹر سائنس میں پی ایچ ڈی کی ہے۔ وہ ACM فیلو اور IEEE فیلو ہے۔

• SEO سے چلنے والا مواد اور PR کی تقسیم۔ آج ہی بڑھا دیں۔
• پلیٹو بلاک چین۔ Web3 Metaverse Intelligence. علم میں اضافہ۔ یہاں تک رسائی حاصل کریں۔
• ماخذ: https://aws.amazon.com/blogs/machine-learning/monitoring-lake-mead-drought-using-the-new-amazon-sagemaker-geospatial-capabilities/