Python ٹول باکس کا استعمال کرتے ہوئے آلات کے ماڈلز کے لیے Amazon Lookout کی تعمیر، تربیت اور تعیناتی کریں

پیشن گوئی کی دیکھ بھال صنعتی مشینری کی ناکامی اور مہنگے ڈاؤن ٹائم کو روکنے کا ایک مؤثر طریقہ ہو سکتا ہے تاکہ آپ کے آلات کی حالت پر مستعدی سے نگرانی کی جا سکے، تاکہ آلات کی خرابی ہونے سے پہلے آپ کو کسی بھی بے ضابطگی سے آگاہ کیا جا سکے۔ ڈیٹا کنیکٹیویٹی، سٹوریج، اینالیٹکس، اور الرٹنگ کے لیے سینسر اور ضروری انفراسٹرکچر کی تنصیب پیش گوئی کرنے والے دیکھ بھال کے حل کو فعال کرنے کے لیے بنیادی عناصر ہیں۔ تاہم، ایڈہاک انفراسٹرکچر کو انسٹال کرنے کے بعد بھی، بہت سی کمپنیاں بنیادی ڈیٹا اینالیٹکس اور سادہ ماڈلنگ اپروچ استعمال کرتی ہیں جو کہ مسائل کا جلد پتہ لگانے میں اکثر غیر موثر ہوتے ہیں تاکہ ٹائم ٹائم سے بچ سکیں۔ اس کے علاوہ، آپ کے آلات کے لیے مشین لرننگ (ML) حل کو نافذ کرنا مشکل اور وقت طلب ہو سکتا ہے۔

ساتھ سامان کے لئے ایمیزون کی تلاش، آپ مشین کے غیر معمولی رویے کا پتہ لگانے کے لیے اپنے صنعتی آلات کے لیے خودکار طور پر سینسر ڈیٹا کا تجزیہ کر سکتے ہیں — بغیر کسی ML تجربے کی ضرورت ہے۔ اس کا مطلب ہے کہ آپ رفتار اور درستگی کے ساتھ آلات کی اسامانیتاوں کا پتہ لگا سکتے ہیں، مسائل کی فوری تشخیص کر سکتے ہیں، اور مہنگے ڈاؤن ٹائم کو کم کرنے کے لیے کارروائی کر سکتے ہیں۔

Lookout for Equipment آپ کے سینسرز اور سسٹمز سے ڈیٹا کا تجزیہ کرتا ہے، جیسے کہ دباؤ، بہاؤ کی شرح، RPMs، درجہ حرارت، اور پاور، آپ کے ڈیٹا کی بنیاد پر آپ کے آلات کے لیے مخصوص ماڈل کو خود بخود تربیت دینے کے لیے۔ یہ آنے والے سینسر ڈیٹا کا حقیقی وقت میں تجزیہ کرنے کے لیے آپ کے منفرد ML ماڈل کا استعمال کرتا ہے اور ابتدائی انتباہی علامات کی نشاندہی کرتا ہے جو مشین کی ناکامی کا باعث بن سکتے ہیں۔ پائے جانے والے ہر انتباہ کے لیے، آلات کی تلاش سے پتہ چلتا ہے کہ کون سے مخصوص سینسر مسئلے کی نشاندہی کر رہے ہیں، اور پتہ چلا واقعہ پر اثر کی شدت۔

ہر ڈویلپر کے ہاتھ میں ML ڈالنے کے مشن کے ساتھ، ہم لو آؤٹ فار ایکویپمنٹ میں ایک اور اضافہ پیش کرنا چاہتے ہیں: اوپن سورس ازگر ٹول باکس جو ڈویلپرز اور ڈیٹا سائنس دانوں کو لوک آؤٹ فار ایکویپمنٹ ماڈل بنانے، تربیت دینے اور تعینات کرنے کی اجازت دیتا ہے جس طرح آپ استعمال کرتے ہیں۔ ایمیزون سیج میکر. یہ لائبریری Lookout for Equipment boto3 python API کے اوپر ایک ریپر ہے اور اس سروس کے ساتھ آپ کے سفر کو شروع کرنے کے لیے فراہم کی گئی ہے۔ اگر آپ کے پاس کوئی بہتری کی تجاویز یا کیڑے ہیں تو، براہ کرم ٹول باکس کے خلاف ایک مسئلہ درج کریں۔ GitHub ذخیرہ.

اس پوسٹ میں، ہم SageMaker نوٹ بک کے اندر سے Lookout for Equipment اوپن سورس Python ٹول باکس استعمال کرنے کے لیے مرحلہ وار گائیڈ فراہم کرتے ہیں۔

ماحولیاتی سیٹ اپ

SageMaker نوٹ بک سے اوپن سورس Lookout for Equipment ٹول باکس استعمال کرنے کے لیے، ہمیں SageMaker نوٹ بک کو Lookout for Equipment APIs کو کال کرنے کے لیے ضروری اجازتیں دینے کی ضرورت ہے۔ اس پوسٹ کے لیے، ہم فرض کرتے ہیں کہ آپ نے پہلے ہی SageMaker نوٹ بک مثال بنا لی ہے۔ ہدایات کے لیے، رجوع کریں۔ ایمیزون سیج میکر نوٹ بک مثالوں کے ساتھ شروع کریں۔. نوٹ بک کی مثال خود بخود ایک ایگزیکیوشن رول سے منسلک ہو جاتی ہے۔

1. مثال کے ساتھ منسلک کردار کو تلاش کرنے کے لیے، SageMaker کنسول پر مثال کو منتخب کریں۔
   
2. اگلی اسکرین پر، تلاش کرنے کے لیے نیچے سکرول کریں۔ AWS شناخت اور رسائی کا انتظام (IAM) کا کردار مثال کے ساتھ منسلک ہے۔ اجازتیں اور خفیہ کاری سیکشن پر ایک اقتصادی کینڈر سکین کر لیں۔
3. IAM کنسول کھولنے کے لیے کردار کا انتخاب کریں۔
   

اگلا، ہم اپنے SageMaker IAM کردار کے ساتھ ایک ان لائن پالیسی منسلک کرتے ہیں۔

4. پر اجازت آپ نے جو کردار کھولا ہے اس کا ٹیب منتخب کریں۔ ان لائن پالیسی شامل کریں۔.
   
5. پر JSON ٹیب، درج ذیل کوڈ درج کریں۔ ہم وائلڈ کارڈ ایکشن استعمال کرتے ہیں (lookoutequipment:*) ڈیمو مقاصد کے لیے سروس کے لیے۔ حقیقی استعمال کے معاملات کے لیے، مناسب SDK API کالز چلانے کے لیے صرف مطلوبہ اجازتیں فراہم کریں۔

    { "Version": "2012-10-17", "Statement": [ { "Effect": "Allow", "Action": [ "lookoutequipment:*" ], "Resource": "*" } ] }

6. میں سے انتخاب کریں پالیسی کا جائزہ لیں۔.
7. پالیسی کے لیے ایک نام فراہم کریں اور پالیسی بنائیں۔

سابقہ ​​ان لائن پالیسی کے علاوہ، IAM کے اسی کردار پر، ہمیں Lookout for Equipment کو یہ کردار ادا کرنے کی اجازت دینے کے لیے اعتماد کا رشتہ قائم کرنے کی ضرورت ہے۔ SageMaker کردار کے پاس پہلے سے ہی مناسب ڈیٹا تک رسائی ہے۔ ایمیزون سادہ اسٹوریج سروس (ایمیزون S3)؛ Lookout for Equipment کو یہ کردار ادا کرنے کی اجازت دینا اس بات کو یقینی بناتا ہے کہ اسے آپ کی نوٹ بک کے ڈیٹا تک یکساں رسائی حاصل ہے۔ آپ کے ماحول میں، آپ کے پاس پہلے سے ہی ایک مخصوص کردار ہو سکتا ہے اس بات کو یقینی بنانے کے لیے کہ Lookout for Equipment کو آپ کے ڈیٹا تک رسائی حاصل ہے، ایسی صورت میں آپ کو اس مشترکہ کردار کے اعتماد کے رشتے کو ایڈجسٹ کرنے کی ضرورت نہیں ہے۔

8. پر ہمارے SageMaker IAM کردار کے اندر رشتوں پر اعتماد کریں۔ ٹیب، منتخب کریں اعتماد کے رشتے میں ترمیم کریں۔.
9. پالیسی دستاویز کے تحت، پوری پالیسی کو درج ذیل کوڈ سے تبدیل کریں:

    { "Version": "2012-10-17", "Statement": [ { "Effect": "Allow", "Principal": { "Service": "lookoutequipment.amazonaws.com" }, "Action": "sts:AssumeRole" } ] }

10. میں سے انتخاب کریں اعتماد کی پالیسی کو اپ ڈیٹ کریں۔.

اب ہم اپنے SageMaker نوٹ بک ماحول میں آلات کے ٹول باکس کے لیے تلاش کرنے کے لیے بالکل تیار ہیں۔ Lookout for Equipment ٹول باکس ایک اوپن سورس Python پیکج ہے جو ڈیٹا سائنسدانوں اور سافٹ ویئر ڈویلپرز کو آسانی سے آلات کے لیے Lookout کا استعمال کرتے ہوئے ٹائم سیریز کی بے ضابطگی کا پتہ لگانے والے ماڈل بنانے اور تعینات کرنے کی اجازت دیتا ہے۔ آئیے دیکھتے ہیں کہ ٹول باکس کی بدولت آپ آسانی سے کیا حاصل کر سکتے ہیں!

انحصار

لکھنے کے وقت، ٹول باکس کو مندرجہ ذیل انسٹال کرنے کی ضرورت ہے:

• ازگر(>=3.6)
• boto3 (>= 1.17.48)
• نشان لگانا
• عجیب
• pandas
• پیرو
• s3fs

ان انحصاروں کو پورا کرنے کے بعد، آپ Jupyter ٹرمینل سے درج ذیل کمانڈ کے ساتھ Lookout for Equipment ٹول باکس کو انسٹال اور لانچ کر سکتے ہیں۔

pip install lookoutequipment

ٹول باکس اب استعمال کے لیے تیار ہے۔ اس پوسٹ میں، ہم اس بات کا مظاہرہ کرتے ہیں کہ کس طرح ٹول باکس کو تربیت دے کر اور ایک بے ضابطگی کا پتہ لگانے والے ماڈل کو تعینات کیا جائے۔ ایک عام ایم ایل ڈیولپمنٹ لائف سائیکل تربیت کے لیے ڈیٹاسیٹ کی تعمیر، ماڈل کی تربیت، ماڈل کی تعیناتی، اور ماڈل پر تخمینہ لگانے پر مشتمل ہوتا ہے۔ ٹول باکس اس کی فراہم کردہ خصوصیات کے لحاظ سے کافی جامع ہے، لیکن اس پوسٹ میں، ہم درج ذیل صلاحیتوں پر توجہ مرکوز کرتے ہیں:

• ڈیٹاسیٹ تیار کریں۔
• Lookout for Equipment کا استعمال کرتے ہوئے بے ضابطگی کا پتہ لگانے والے ماڈل کو تربیت دیں۔
• اپنے ماڈل کی تشخیص کے لیے تصورات بنائیں
• ایک تخمینہ شیڈولر کو ترتیب دیں اور شروع کریں۔
• شیڈولر انفرنسز کے نتائج کا تصور کریں۔

آئیے سمجھتے ہیں کہ ہم ان میں سے ہر ایک صلاحیت کے لیے ٹول باکس کا استعمال کیسے کر سکتے ہیں۔

ڈیٹاسیٹ تیار کریں۔

سامان کی تلاش کے لیے ڈیٹاسیٹ کو تخلیق اور استعمال کرنے کی ضرورت ہوتی ہے۔ ڈیٹا سیٹ تیار کرنے کے لیے، درج ذیل مراحل کو مکمل کریں:

1. ڈیٹاسیٹ بنانے سے پہلے، ہمیں ایک نمونہ ڈیٹاسیٹ لوڈ کرنے اور اسے ایک پر اپ لوڈ کرنے کی ضرورت ہے۔ ایمیزون سادہ اسٹوریج سروس (ایمیزون S3) بالٹی۔ اس پوسٹ میں، ہم استعمال کرتے ہیں expander ڈیٹا سیٹ:

   from lookoutequipment import dataset data = dataset.load_dataset(dataset_name='expander', target_dir='expander-data')
   dataset.upload_dataset('expander-data', bucket, prefix)

واپس آگیا data آبجیکٹ ایک لغت کی نمائندگی کرتا ہے جس میں درج ذیل ہیں:

• • ایک تربیتی ڈیٹا ڈیٹا فریم
  • ڈیٹا فریم کا لیبل
  • ٹریننگ شروع ہونے اور ختم ہونے کے اوقات
  • تشخیص کے آغاز اور اختتامی تاریخ کے اوقات
  • ٹیگز کی تفصیل ڈیٹا فریم

تربیت اور لیبل کا ڈیٹا ٹارگٹ ڈائرکٹری سے Amazon S3 پر بالٹی/پریفکس مقام پر اپ لوڈ کیا جاتا ہے۔

2. S3 میں ڈیٹا سیٹ اپ لوڈ کرنے کے بعد، ہم ایک آبجیکٹ بناتے ہیں۔ LookoutEquipmentDataset کلاس جو ڈیٹاسیٹ کا انتظام کرتی ہے:

   lookout_dataset = dataset.LookoutEquipmentDataset( dataset_name='my_dataset', access_role_arn=role_arn, component_root_dir=f's3://{bucket}/{prefix}training-data'
   ) # creates the dataset
   lookout_dataset.create()

۔ access_role_arn فراہم کردہ کو S3 بالٹی تک رسائی ہونی چاہیے جہاں ڈیٹا موجود ہے۔ آپ پچھلے سے SageMaker نوٹ بک مثال کے رول ARN کو بازیافت کرسکتے ہیں۔ ماحولیاتی سیٹ اپ سیکشن اور اپنی S3 بالٹی تک رسائی دینے کے لیے IAM پالیسی شامل کریں۔ مزید معلومات کے لیے دیکھیں IAM پالیسیاں لکھنا: Amazon S3 بالٹی تک رسائی کیسے دی جائے۔.

۔ component_root_dir پیرامیٹر کو ایمیزون S3 میں اس مقام کی نشاندہی کرنی چاہیے جہاں تربیتی ڈیٹا محفوظ ہے۔

پچھلے APIs کو لانچ کرنے کے بعد، ہمارا ڈیٹا سیٹ بنا دیا گیا ہے۔

3. ڈیٹاسیٹ میں ڈیٹا داخل کریں:

   response = lookout_dataset.ingest_data(bucket, prefix + 'training-data/')

اب جبکہ آپ کا ڈیٹا Amazon S3 پر دستیاب ہے، ایک ڈیٹاسیٹ بنانا اور اس میں ڈیٹا کو ہضم کرنا صرف کوڈ کی تین لائنوں کا معاملہ ہے۔ آپ کو لمبا JSON اسکیما دستی طور پر بنانے کی ضرورت نہیں ہے۔ ٹول باکس آپ کی فائل کی ساخت کا پتہ لگاتا ہے اور اسے آپ کے لیے بناتا ہے۔ آپ کے ڈیٹا کو ہضم کرنے کے بعد، یہ تربیت پر جانے کا وقت ہے!

بے ضابطگی کا پتہ لگانے والے ماڈل کو تربیت دیں۔

ڈیٹا سیٹ میں ڈیٹا داخل ہونے کے بعد، ہم ماڈل ٹریننگ کا عمل شروع کر سکتے ہیں۔ درج ذیل کوڈ دیکھیں:

from lookoutequipment import model lookout_model = model.LookoutEquipmentModel(model_name='my_model', dataset_name='my_dataset') lookout_model.set_time_periods(data['evaluation_start'],data['evaluation_end'],data['training_start'],data['training_end'])
lookout_model.set_label_data(bucket=bucket,prefix=prefix + 'label-data/',access_role_arn=role_arn)
lookout_model.set_target_sampling_rate(sampling_rate='PT5M') #trigger training job
response = lookout_model.train() #poll every 5 minutes to check the status of the training job
lookout_model.poll_model_training(sleep_time=300)

اس سے پہلے کہ ہم ٹریننگ شروع کریں، ہمیں ڈیٹاسیٹ کے اندر تربیت اور تشخیص کی مدت بتانے کی ضرورت ہے۔ ہم نے Amazon S3 میں وہ مقام بھی متعین کیا جہاں لیبل لگا ڈیٹا محفوظ کیا جاتا ہے اور نمونے لینے کی شرح 5 منٹ پر سیٹ کی جاتی ہے۔ تربیت شروع کرنے کے بعد، poll_model_training تربیت کے کامیاب ہونے تک ہر 5 منٹ میں تربیتی ملازمت کی حیثیت کا سروے کرتا ہے۔

لوک آؤٹ فار ایکویپمنٹ ٹول باکس کا تربیتی ماڈیول آپ کو 10 لائنوں سے کم کوڈ والے ماڈل کو تربیت دینے کی اجازت دیتا ہے۔ یہ آپ کی جانب سے نچلے درجے کے API کے لیے درکار تمام طوالت کی تخلیق کی درخواست کے تار بناتا ہے، جس سے آپ کو طویل، خامی کا شکار JSON دستاویزات بنانے کی ضرورت ختم ہو جاتی ہے۔

ماڈل کے تربیت یافتہ ہونے کے بعد، ہم یا تو تشخیص کی مدت کے دوران نتائج کی جانچ کر سکتے ہیں یا ٹول باکس کا استعمال کرتے ہوئے ایک انفرنس شیڈیولر تشکیل دے سکتے ہیں۔

تربیت یافتہ ماڈل کا اندازہ لگائیں۔

ماڈل کی تربیت کے بعد، ماڈل کی وضاحت کریں۔ Lookout for Equipment سے API ٹریننگ سے وابستہ میٹرکس کو ریکارڈ کرتا ہے۔ یہ API تشخیص کے نتائج کو پلاٹ کرنے کے لیے دلچسپی کے دو شعبوں کے ساتھ JSON دستاویز واپس کرتا ہے: labeled_ranges اور predicted_ranges، جس میں بالترتیب تشخیص کی حد میں معلوم اور پیش گوئی کی گئی بے ضابطگیوں پر مشتمل ہے۔ ٹول باکس ان کو پانڈاس ڈیٹا فریم میں لوڈ کرنے کی بجائے یوٹیلیٹیز فراہم کرتا ہے:

from lookoutequipment import evaluation LookoutDiagnostics = evaluation.LookoutEquipmentAnalysis(model_name='my_model', tags_df=data['data']) predicted_ranges = LookoutDiagnostics.get_predictions()
labels_fname = os.path.join('expander-data', 'labels.csv')
labeled_range = LookoutDiagnostics.get_labels(labels_fname)

ڈیٹا فریم میں رینجز کو لوڈ کرنے کا فائدہ یہ ہے کہ ہم اصل ٹائم سیریز سگنلز میں سے کسی ایک کو پلاٹ کر کے اچھے تصورات تخلیق کر سکتے ہیں اور اس کا استعمال کرتے ہوئے لیبل شدہ اور پیشین گوئی شدہ غیر معمولی واقعات کا اوورلے شامل کر سکتے ہیں۔ TimeSeriesVisualization ٹول باکس کی کلاس:

from lookoutequipment import plot TSViz = plot.TimeSeriesVisualization(timeseries_df=data['data'], data_format='tabular')
TSViz.add_signal(['signal-001'])
TSViz.add_labels(labeled_range)
TSViz.add_predictions([predicted_ranges])
TSViz.add_train_test_split(data['evaluation_start'])
TSViz.add_rolling_average(60*24)
TSViz.legend_format = {'loc': 'upper left', 'framealpha': 0.4, 'ncol': 3}
fig, axis = TSViz.plot()

کوڈ کی یہ چند سطریں درج ذیل خصوصیات کے ساتھ ایک پلاٹ تیار کرتی ہیں:

• منتخب کردہ سگنل کے لیے ایک لائن پلاٹ؛ ماڈل کی تربیت کے لیے استعمال ہونے والا حصہ نیلے رنگ میں ظاہر ہوتا ہے جبکہ تشخیصی حصہ بھوری رنگ میں ہوتا ہے۔
• رولنگ ایوریج ٹائم سیریز کے اوپر ایک پتلی سرخ لکیر کے طور پر ظاہر ہوتی ہے۔
• لیبلز کو سبز ربن میں دکھایا گیا ہے جس کا لیبل "معروف بے ضابطگی" (بطور ڈیفالٹ)
• پیشین گوئی شدہ واقعات ایک سرخ ربن میں دکھائے جاتے ہیں جس کا لیبل لگا ہوا ہے "پتہ چلا واقعات"

ٹول باکس JSON فائلوں کو تلاش کرنے، لوڈ کرنے اور پارس کرنے کے تمام بھاری کام انجام دیتا ہے جبکہ استعمال کے لیے تیار تصورات فراہم کرتا ہے جو آپ کے بے ضابطگی کا پتہ لگانے والے ماڈلز سے بصیرت حاصل کرنے کے لیے وقت کو مزید کم کرتا ہے۔ اس مرحلے پر، ٹول باکس آپ کو نتائج کی تشریح کرنے اور اپنے اختتامی صارفین تک براہ راست کاروباری قدر فراہم کرنے کے لیے اقدامات کرنے پر توجہ دینے دیتا ہے۔ ان ٹائم سیریز ویژولائزیشنز کے علاوہ، SDK دوسرے پلاٹ فراہم کرتا ہے جیسے کہ آپ کے سگنلز کی قدروں کا عام اور غیر معمولی اوقات کے درمیان ہسٹوگرام موازنہ۔ دیگر بصری صلاحیتوں کے بارے میں مزید جاننے کے لیے جنہیں آپ باکس کے باہر استعمال کر سکتے ہیں، دیکھیں آلات کے ٹول باکس دستاویزات کی تلاش کریں۔.

شیڈول کا اندازہ

آئیے دیکھتے ہیں کہ ہم ٹول باکس کا استعمال کرتے ہوئے انفرنسز کو کیسے شیڈول کر سکتے ہیں:

from lookout import scheduler #prepare dummy inference data
dataset.prepare_inference_data( root_dir='expander-data', sample_data_dict=data, bucket=bucket, prefix=prefix
) #setup the scheduler
lookout_scheduler = scheduler.LookoutEquipmentScheduler(scheduler_name='my_scheduler',model_name='my_model')
scheduler_params = { 'input_bucket': bucket, 'input_prefix': prefix + 'inference-data/input/', 'output_bucket': bucket, 'output_prefix': prefix + 'inference-data/output/', 'role_arn': role_arn, 'upload_frequency': 'PT5M', 'delay_offset': None, 'timezone_offset': '+00:00', 'component_delimiter': '_', 'timestamp_format': 'yyyyMMddHHmmss' } lookout_scheduler.set_parameters(**scheduler_params)
response = lookout_scheduler.create()

یہ کوڈ ایک شیڈیولر بناتا ہے جو ہر 5 منٹ میں ایک فائل پر کارروائی کرتا ہے (شیڈیولر کو ترتیب دیتے وقت اپ لوڈ فریکوئنسی سیٹ سے ملتا ہے)۔ 15 منٹ یا اس کے بعد، ہمیں کچھ نتائج دستیاب ہونے چاہئیں۔ پانڈاس ڈیٹا فریم میں شیڈولر سے یہ نتائج حاصل کرنے کے لیے، ہمیں صرف درج ذیل کمانڈ کو چلانا ہوگا:

results_df = lookout_scheduler.get_predictions()

یہاں سے، ہم ٹول باکس کے ویژولائزیشن APIs کا استعمال کرتے ہوئے پیشین گوئی کے لیے خصوصیت کی اہمیت کو بھی پلاٹ کر سکتے ہیں:

event_details = pd.DataFrame(results_df.iloc[0, 1:]).reset_index()
fig, ax = plot.plot_event_barh(event_details)

یہ نمونے کے اعداد و شمار پر درج ذیل خصوصیت کی اہمیت کا تصور پیدا کرتا ہے۔

ٹول باکس شیڈیولر کو روکنے کے لیے ایک API بھی فراہم کرتا ہے۔ درج ذیل کوڈ کا ٹکڑا دیکھیں:

scheduler.stop()

صاف کرو

پہلے بنائے گئے تمام نمونے کو حذف کرنے کے لیے، ہم کال کر سکتے ہیں۔ delete_dataset ہمارے ڈیٹاسیٹ کے نام کے ساتھ API:

dataset.delete_dataset(dataset_name='my_dataset', delete_children=True, verbose=True)

نتیجہ

صنعتی اور مینوفیکچرنگ صارفین سے بات کرتے وقت، AI اور ML کا فائدہ اٹھانے کے سلسلے میں ایک مشترکہ چیلنج جو ہم سنتے ہیں وہ ہے حسب ضرورت کی سراسر مقدار اور قابل اعتماد اور قابل عمل نتائج حاصل کرنے کے لیے مخصوص ترقی اور ڈیٹا سائنس کے کام کی ضرورت ہے۔ دیکھ بھال کی کوششوں کو کم کرنے، دوبارہ کام یا فضلہ کو کم کرنے، مصنوعات کے معیار کو بڑھانے، اور سامان کی مجموعی کارکردگی (OEE) یا پروڈکٹ لائنز کو بہتر بنانے کے لیے بے ضابطگیوں کا پتہ لگانے والے ماڈلز کی تربیت اور متعدد مختلف صنعتی مشینری کے لیے قابل عمل پیشگی وارننگ حاصل کرنا ایک شرط ہے۔ اب تک، اس کے لیے بڑے پیمانے پر مخصوص ترقیاتی کاموں کی ضرورت تھی، جسے وقت کے ساتھ ساتھ پیمانہ اور برقرار رکھنا مشکل ہے۔

Amazon Applied AI سروسز جیسے Lookout for Equipment مینوفیکچررز کو ڈیٹا سائنسدانوں، ڈیٹا انجینئرز، اور پروسیس انجینئرز کی ورسٹائل ٹیم تک رسائی کے بغیر AI ماڈلز بنانے کے قابل بناتی ہے۔ اب، Lookout for Equipment ٹول باکس کے ساتھ، آپ کے ڈیولپرز آپ کے ٹائم سیریز کے ڈیٹا میں بصیرتیں دریافت کرنے اور کارروائی کرنے کے لیے درکار وقت کو مزید کم کر سکتے ہیں۔ یہ ٹول باکس استعمال میں آسان، ڈویلپر کے موافق انٹرفیس فراہم کرتا ہے تاکہ لوک آؤٹ فار ایکویپمنٹ کا استعمال کرتے ہوئے بے ضابطگی کا پتہ لگانے والے ماڈلز کو تیزی سے بنایا جا سکے۔ ٹول باکس اوپن سورس ہے اور تمام SDK کوڈ پر پایا جا سکتا ہے۔ amazon-lookout-for-equipment-python-sdk گٹ ہب ریپو۔ یہ ایک کے طور پر بھی دستیاب ہے۔ پی پی آئی پیکج.

یہ پوسٹ صرف چند اہم ترین APIs کا احاطہ کرتی ہے۔ دلچسپی رکھنے والے قارئین دیکھ سکتے ہیں۔ ٹول باکس دستاویزات ٹول باکس کی مزید جدید صلاحیتوں کو دیکھنے کے لیے۔ اسے آزمائیں، اور ہمیں بتائیں کہ آپ تبصروں میں کیا سوچتے ہیں!

مصنفین کے بارے میں

وکیش پانڈے AWS میں مشین لرننگ اسپیشلسٹ اسپیشلسٹ سلوشنز آرکیٹیکٹ ہے، جو UK اور وسیع EMEA ریجن میں ML سلوشنز کو ڈیزائن اور بنانے میں صارفین کی مدد کرتا ہے۔ کام سے باہر، وکیش کو مختلف کھانے آزمانے اور آؤٹ ڈور کھیل کھیلنے کا لطف آتا ہے۔

Ioan Catana AWS میں مصنوعی ذہانت اور مشین لرننگ کے ماہر حل آرکیٹیکٹ ہیں۔ وہ صارفین کو AWS کلاؤڈ میں اپنے ML سلوشنز تیار کرنے اور اسکیل کرنے میں مدد کرتا ہے۔ Ioan کے پاس 20 سال سے زیادہ کا تجربہ ہے، زیادہ تر سافٹ ویئر آرکیٹیکچر ڈیزائن اور کلاؤڈ انجینئرنگ میں۔

مائیکل ہواراؤ AWS میں ایک AI/ML سپیشلسٹ سولیوشنز آرکیٹیکٹ ہے جو اس لمحے کے لحاظ سے ڈیٹا سائنٹسٹ اور مشین لرننگ آرکیٹیکٹ کے درمیان متبادل کرتا ہے۔ وہ اپنے صنعتی صارفین کے شاپ فلورز پر AI/ML کی طاقت لانے کے بارے میں پرجوش ہے اور اس نے ML کے استعمال کے کیسز کی ایک وسیع رینج پر کام کیا ہے، جس میں بے ضابطگی کا پتہ لگانے سے لے کر پیش گوئی کرنے والے پروڈکٹ کے معیار یا مینوفیکچرنگ آپٹیمائزیشن تک شامل ہیں۔ جب گاہکوں کو مشین سیکھنے کے اگلے بہترین تجربات میں مدد نہیں کرتا ہے، تو وہ ستاروں کا مشاہدہ کرنے، سفر کرنے، یا پیانو بجانے سے لطف اندوز ہوتا ہے۔

• سکے سمارٹ۔ یورپ کا بہترین بٹ کوائن اور کرپٹو ایکسچینج۔
• پلیٹو بلاک چین۔ Web3 Metaverse انٹیلی جنس۔ علم میں اضافہ۔ مفت رسائی۔
• کرپٹو ہاک۔ Altcoin ریڈار. مفت جانچ.
• ماخذ: https://aws.amazon.com/blogs/machine-learning/build-train-and-deploy-amazon-lookout-for-equipment-models-using-the-python-toolbox/