Cải thiện tình trạng tài sản và khả năng phục hồi lưới điện bằng cách sử dụng máy học | Dịch vụ web của Amazon

Bài đăng này được đồng viết với Travis Bronson và Brian L Wilkerson từ Duke Energy

Học máy (ML) đang biến đổi mọi ngành, quy trình và hoạt động kinh doanh, nhưng con đường dẫn đến thành công không phải lúc nào cũng đơn giản. Trong bài viết blog này, chúng tôi chứng minh làm thế nào Năng lượng Duke, một công ty Fortune 150 có trụ sở tại Charlotte, NC., hợp tác với Phòng thí nghiệm Giải pháp Máy học AWS (MLSL) sử dụng thị giác máy tính để tự động hóa việc kiểm tra các cột điện bằng gỗ và giúp ngăn ngừa tình trạng mất điện, hư hỏng tài sản và thậm chí là thương tích.

Lưới điện được tạo thành từ các cột, đường dây và nhà máy điện để tạo ra và cung cấp điện cho hàng triệu gia đình và doanh nghiệp. Các cột điện này là thành phần cơ sở hạ tầng quan trọng và chịu tác động của nhiều yếu tố môi trường khác nhau như gió, mưa và tuyết, có thể gây hao mòn tài sản. Điều quan trọng là các cột điện phải được kiểm tra và bảo trì thường xuyên để ngăn ngừa những sự cố có thể dẫn đến mất điện, hư hỏng tài sản và thậm chí là thương tích. Hầu hết các công ty điện lực, bao gồm Duke Energy, sử dụng phương pháp kiểm tra trực quan thủ công các cột điện để xác định những điểm bất thường liên quan đến mạng lưới truyền tải và phân phối của họ. Nhưng phương pháp này có thể tốn kém và mất thời gian, đồng thời đòi hỏi các công nhân đường dây truyền tải điện phải tuân theo các quy trình an toàn nghiêm ngặt.

Duke Energy trước đây đã sử dụng trí tuệ nhân tạo để tạo ra hiệu quả trong hoạt động hàng ngày và đạt được thành công lớn. Công ty đã sử dụng AI để kiểm tra các nguồn điện và cơ sở hạ tầng quan trọng, đồng thời đang khám phá các cơ hội áp dụng AI vào việc kiểm tra các cột điện. Trong quá trình hợp tác giữa Phòng thí nghiệm giải pháp máy học AWS với Duke Energy, tiện ích này đã tiến hành công việc của mình để tự động phát hiện các điểm bất thường ở cột gỗ bằng kỹ thuật thị giác máy tính tiên tiến.

Mục tiêu và trường hợp sử dụng

Mục tiêu của sự hợp tác này giữa Duke Energy và Phòng thí nghiệm giải pháp học máy là thúc đẩy học máy để kiểm tra hàng trăm nghìn hình ảnh chụp từ trên không có độ phân giải cao nhằm tự động hóa quá trình xác định và xem xét tất cả các vấn đề liên quan đến cột gỗ trên 33,000 dặm đường dây truyền tải . Mục tiêu này sẽ tiếp tục giúp Duke Energy cải thiện khả năng phục hồi của lưới điện và tuân thủ các quy định của chính phủ bằng cách xác định kịp thời các khiếm khuyết. Nó cũng sẽ giảm chi phí nhiên liệu và nhân công, cũng như giảm lượng khí thải carbon bằng cách giảm thiểu những chuyến xe tải lăn bánh không cần thiết. Cuối cùng, nó cũng sẽ cải thiện sự an toàn bằng cách giảm thiểu số dặm lái xe, leo cột và rủi ro kiểm tra thực tế liên quan đến việc ảnh hưởng đến điều kiện địa hình và thời tiết.

Trong các phần sau, chúng tôi trình bày những thách thức chính liên quan đến việc phát triển các mô hình mạnh mẽ và hiệu quả để phát hiện sự bất thường liên quan đến cột điện bằng gỗ. Chúng tôi cũng mô tả những thách thức và giả định chính liên quan đến các kỹ thuật tiền xử lý dữ liệu khác nhau được sử dụng để đạt được hiệu suất mô hình mong muốn. Tiếp theo, chúng tôi trình bày các số liệu chính được sử dụng để đánh giá hiệu suất của mô hình cùng với việc đánh giá các mô hình cuối cùng của chúng tôi. Và cuối cùng, chúng tôi so sánh các kỹ thuật lập mô hình được giám sát và không giám sát hiện đại khác nhau.

Những thách thức

Một trong những thách thức chính liên quan đến việc đào tạo mô hình phát hiện điểm bất thường bằng hình ảnh trên không là kích thước hình ảnh không đồng nhất. Hình sau đây cho thấy sự phân bố chiều cao và chiều rộng hình ảnh của tập dữ liệu mẫu từ Duke Energy. Có thể thấy rằng các hình ảnh có rất nhiều biến thể về kích thước. Tương tự, kích thước của hình ảnh cũng đặt ra những thách thức đáng kể. Kích thước của hình ảnh đầu vào rộng hàng nghìn pixel và dài hàng nghìn pixel. Điều này cũng không lý tưởng cho việc đào tạo mô hình xác định các vùng dị thường nhỏ trong ảnh.

Ngoài ra, hình ảnh đầu vào chứa một lượng lớn thông tin cơ bản không liên quan như thảm thực vật, ô tô, động vật trang trại, v.v. Thông tin cơ bản có thể dẫn đến hiệu suất mô hình dưới mức tối ưu. Dựa trên đánh giá của chúng tôi, chỉ có 5% hình ảnh chứa các cột gỗ và các điểm dị thường thậm chí còn nhỏ hơn. Đây là một thách thức lớn trong việc xác định và khoanh vùng các điểm bất thường trong hình ảnh có độ phân giải cao. Số lượng điểm bất thường nhỏ hơn đáng kể so với toàn bộ tập dữ liệu. Chỉ có 0.12% hình ảnh bất thường trong toàn bộ tập dữ liệu (tức là 1.2 điểm bất thường trong số 1000 hình ảnh). Cuối cùng, không có sẵn dữ liệu được dán nhãn để đào tạo mô hình học máy có giám sát. Tiếp theo, chúng tôi mô tả cách chúng tôi giải quyết những thách thức này và giải thích phương pháp được đề xuất.

Tổng quan về giải pháp

kỹ thuật mô hình hóa

Hình dưới đây minh họa quy trình xử lý hình ảnh và phát hiện bất thường của chúng tôi. Đầu tiên chúng tôi nhập dữ liệu vào Dịch vụ lưu trữ đơn giản của Amazon (Amazon S3) sử dụng Xưởng sản xuất Amazon SageMaker. Chúng tôi tiếp tục sử dụng các kỹ thuật xử lý dữ liệu khác nhau để giải quyết một số thách thức được nêu ở trên nhằm cải thiện hiệu suất của mô hình. Sau khi xử lý trước dữ liệu, chúng tôi đã sử dụng Amazon Nhãn tùy chỉnh Rekognition để ghi nhãn dữ liệu. Dữ liệu được gắn nhãn tiếp tục được sử dụng để đào tạo các mô hình ML được giám sát như Vision Transformer, Amazon Lookout cho Tầm nhìnvà AutoGloun để phát hiện bất thường.

Hình dưới đây thể hiện tổng quan chi tiết về phương pháp được đề xuất của chúng tôi bao gồm quy trình xử lý dữ liệu và các thuật toán ML khác nhau được sử dụng để phát hiện sự bất thường. Đầu tiên, chúng tôi sẽ mô tả các bước liên quan đến quy trình xử lý dữ liệu. Tiếp theo, chúng tôi sẽ giải thích các chi tiết và trực giác liên quan đến các kỹ thuật lập mô hình khác nhau được sử dụng trong quá trình tham gia này để đạt được các mục tiêu hiệu suất mong muốn.

Tiền xử lý dữ liệu

Quy trình tiền xử lý dữ liệu được đề xuất bao gồm tiêu chuẩn hóa dữ liệu, xác định khu vực quan tâm (ROI), tăng cường dữ liệu, phân đoạn dữ liệu và cuối cùng ghi nhãn dữ liệu. Mục đích của từng bước được mô tả dưới đây:

Chuẩn hóa dữ liệu

Bước đầu tiên trong quy trình xử lý dữ liệu của chúng tôi bao gồm tiêu chuẩn hóa dữ liệu. Ở bước này, mỗi hình ảnh sẽ được cắt và chia thành các mảng không chồng lên nhau có kích thước 224 X 224 pixel. Mục tiêu của bước này là tạo ra các bản vá có kích thước đồng nhất có thể được sử dụng thêm để huấn luyện mô hình ML và bản địa hóa các điểm bất thường trong hình ảnh có độ phân giải cao.

Xác định vùng quan tâm (ROI)

Dữ liệu đầu vào bao gồm các hình ảnh có độ phân giải cao chứa lượng lớn thông tin cơ bản không liên quan (ví dụ: thảm thực vật, nhà cửa, ô tô, ngựa, bò, v.v.). Mục tiêu của chúng tôi là xác định những điểm bất thường liên quan đến cột gỗ. Để xác định ROI (tức là các miếng vá có cột gỗ), chúng tôi đã sử dụng nhãn tùy chỉnh Amazon Rekognition. Chúng tôi đã đào tạo mô hình nhãn tùy chỉnh Amazon Rekognition bằng cách sử dụng hình ảnh có nhãn 3k chứa cả ROI và hình nền. Mục tiêu của mô hình là thực hiện phân loại nhị phân giữa ROI và hình nền. Các bản vá được xác định là thông tin cơ bản sẽ bị loại bỏ trong khi phần cắt được dự đoán là ROI sẽ được sử dụng trong bước tiếp theo. Hình dưới đây minh họa quy trình xác định ROI. Chúng tôi đã tạo ra một mẫu các vùng cắt không chồng chéo gồm 1,110 hình ảnh bằng gỗ tạo ra 244,673 vùng cắt. Chúng tôi tiếp tục sử dụng những hình ảnh này làm đầu vào cho mô hình tùy chỉnh Amazon Rekognition đã xác định 11,356 vụ cắt là ROI. Cuối cùng, chúng tôi đã xác minh thủ công từng bản vá trong số 11,356 bản vá này. Trong quá trình kiểm tra thủ công, chúng tôi xác định mô hình có thể dự đoán chính xác 10,969 mảng gỗ trong số 11,356 dưới dạng ROI. Nói cách khác, mô hình đạt độ chính xác 96%.

Ghi nhãn dữ liệu

Trong quá trình kiểm tra hình ảnh theo cách thủ công, chúng tôi cũng gắn nhãn cho từng hình ảnh bằng các nhãn liên quan. Các nhãn liên quan của hình ảnh bao gồm miếng vá gỗ, miếng vá phi gỗ, miếng vá phi cấu trúc, miếng vá phi gỗ và cuối cùng là miếng vá gỗ có dị thường. Hình dưới đây minh họa danh pháp của hình ảnh bằng cách sử dụng nhãn tùy chỉnh Amazon Rekognition.

Tăng dữ liệu

Với số lượng dữ liệu được gắn nhãn có sẵn để huấn luyện có hạn, chúng tôi đã tăng cường tập dữ liệu huấn luyện bằng cách thực hiện lật ngang tất cả các bản vá. Điều này có tác động hiệu quả trong việc tăng gấp đôi kích thước tập dữ liệu của chúng tôi.

PHÂN LOẠI

Chúng tôi gắn nhãn các đối tượng trong 600 hình ảnh (cột, dây điện và lan can kim loại) bằng cách sử dụng công cụ gắn nhãn phát hiện đối tượng hộp giới hạn trong Nhãn tùy chỉnh Amazon Rekognition và huấn luyện một mô hình để phát hiện ba đối tượng quan tâm chính. Chúng tôi đã sử dụng mô hình đã được đào tạo để xóa nền khỏi tất cả các hình ảnh, bằng cách xác định và trích xuất các cực trong mỗi hình ảnh, đồng thời xóa tất cả các đối tượng khác cũng như nền. Tập dữ liệu thu được có ít hình ảnh hơn tập dữ liệu gốc do đã xóa tất cả các hình ảnh không chứa cột gỗ. Ngoài ra, còn có một hình ảnh dương tính giả đã bị xóa khỏi tập dữ liệu.

Phát hiện bất thường

Tiếp theo, chúng tôi sử dụng dữ liệu được xử lý trước để huấn luyện mô hình học máy nhằm phát hiện điểm bất thường. Chúng tôi đã sử dụng ba phương pháp khác nhau để phát hiện sự bất thường, bao gồm Dịch vụ học máy được quản lý AWS (Amazon Lookout for Vision [L4V], Amazon Rekognition), AutoGluon và phương pháp tự chưng cất dựa trên Vision Transformer.

AWS Services

Amazon Lookout cho Tầm nhìn (L4V)

Amazon Lookout for Vision là dịch vụ AWS được quản lý cho phép đào tạo và triển khai nhanh chóng các mô hình ML, đồng thời cung cấp khả năng phát hiện điểm bất thường. Nó yêu cầu dữ liệu được dán nhãn đầy đủ mà chúng tôi đã cung cấp bằng cách trỏ tới đường dẫn hình ảnh trong Amazon S3. Việc đào tạo mô hình chỉ đơn giản bằng một lệnh gọi API (Giao diện lập trình ứng dụng) hoặc nhấp vào nút bảng điều khiển và L4V sẽ đảm nhiệm việc lựa chọn mô hình và điều chỉnh siêu tham số một cách chuyên sâu.

Nhận thức lại Amazon

Amazon Rekognition là dịch vụ AI/ML được quản lý tương tự như L4V, giúp ẩn các chi tiết lập mô hình và cung cấp nhiều khả năng như phân loại hình ảnh, phát hiện đối tượng, gắn nhãn tùy chỉnh, v.v. Nó cung cấp khả năng sử dụng các mô hình tích hợp sẵn để áp dụng cho các thực thể đã biết trước đó trong hình ảnh (ví dụ: từ ImageNet hoặc các bộ dữ liệu mở lớn khác). Tuy nhiên, chúng tôi đã sử dụng chức năng Nhãn tùy chỉnh của Amazon Rekognition để huấn luyện trình phát hiện ROI cũng như trình phát hiện điểm bất thường trên các hình ảnh cụ thể mà Duke Energy có. Chúng tôi cũng sử dụng Nhãn tùy chỉnh của Amazon Rekognition để đào tạo mô hình cách đặt các hộp giới hạn xung quanh các cột gỗ trong mỗi hình ảnh.

AutoGloun

AutoGluon là một kỹ thuật học máy mã nguồn mở được phát triển bởi Amazon. AutoGluon bao gồm một thành phần đa phương thức cho phép đào tạo dễ dàng về dữ liệu hình ảnh. Chúng tôi đã sử dụng AutoGluon Multi-modal để huấn luyện các mô hình trên các mảng hình ảnh được gắn nhãn nhằm thiết lập đường cơ sở nhằm xác định các điểm bất thường.

Máy biến áp tầm nhìn

Nhiều đột phá AI mới thú vị nhất đến từ hai cải tiến gần đây: học tự giám sát, cho phép máy học từ các ví dụ ngẫu nhiên, không nhãn; và Transformers, cho phép các mô hình AI tập trung có chọn lọc vào một số phần đầu vào nhất định và do đó suy luận hiệu quả hơn. Cả hai phương pháp đều là trọng tâm bền vững của cộng đồng Machine learning và chúng tôi vui mừng chia sẻ rằng chúng tôi đã sử dụng chúng trong hoạt động tương tác này.

Đặc biệt, khi cộng tác với các nhà nghiên cứu tại Duke Energy, chúng tôi đã sử dụng các mô hình ViT (Vision Transformer) tự chưng cất được đào tạo trước làm công cụ trích xuất tính năng cho ứng dụng phát hiện bất thường ở hạ lưu bằng Amazon Sagemaker. Các mô hình biến áp thị giác tự chưng cất được huấn luyện trước được huấn luyện dựa trên lượng lớn dữ liệu huấn luyện được lưu trữ trên Amazon S3 theo cách tự giám sát bằng Amazon SageMaker. Chúng tôi tận dụng khả năng học chuyển giao của các mô hình ViT được đào tạo trước trên các bộ dữ liệu quy mô lớn (ví dụ: ImageNet). Điều này đã giúp chúng tôi đạt được mức thu hồi 83% trên một tập hợp đánh giá chỉ sử dụng vài nghìn hình ảnh được gắn nhãn để đào tạo.

Các chỉ số đánh giá

Hình dưới đây cho thấy các số liệu chính được sử dụng để đánh giá hiệu suất của mô hình và tác động của nó. Mục tiêu chính của mô hình là tối đa hóa khả năng phát hiện sự bất thường (tức là kết quả dương tính thực sự) và giảm thiểu số lượng kết quả âm tính giả hoặc số lần mà sự bất thường có thể dẫn đến mất điện đang bị phân loại sai.

Sau khi xác định được các điểm bất thường, các kỹ thuật viên có thể giải quyết chúng, ngăn chặn tình trạng ngừng hoạt động trong tương lai và đảm bảo tuân thủ các quy định của chính phủ. Có một lợi ích khác khi giảm thiểu kết quả dương tính giả: bạn tránh được nỗ lực không cần thiết khi xem lại hình ảnh.

Hãy ghi nhớ các số liệu này, chúng tôi theo dõi hiệu suất của mô hình theo các số liệu sau, bao gồm tất cả bốn số liệu được xác định ở trên.

Độ chính xác

Phần trăm các điểm bất thường được phát hiện là những điểm bất thường thực sự đối với các đối tượng quan tâm. Độ chính xác đo lường mức độ hiệu quả của thuật toán của chúng tôi chỉ xác định các điểm bất thường. Đối với trường hợp sử dụng này, độ chính xác cao có nghĩa là ít cảnh báo sai (tức là thuật toán xác định sai một lỗ chim gõ kiến ​​trong khi không có lỗ nào trong hình ảnh).

Nhớ lại

Phần trăm của tất cả các điểm bất thường được phục hồi cho từng đối tượng quan tâm. Việc thu hồi đo lường mức độ chúng ta xác định mọi điểm bất thường. Bộ này ghi lại một số phần trăm của toàn bộ các điểm bất thường và phần trăm đó là phần thu hồi. Đối với trường hợp sử dụng này, khả năng thu hồi cao có nghĩa là chúng ta giỏi bắt các lỗ chim gõ kiến ​​khi chúng xuất hiện. Do đó, việc thu hồi là thước đo phù hợp để tập trung vào POC này vì cảnh báo sai tốt nhất là gây khó chịu trong khi những điểm bất thường bị bỏ sót có thể dẫn đến hậu quả nghiêm trọng nếu không được giám sát.

Việc thu hồi thấp hơn có thể dẫn đến ngừng hoạt động và vi phạm quy định của chính phủ. Trong khi độ chính xác thấp hơn dẫn đến lãng phí công sức của con người. Mục tiêu chính của hoạt động tham gia này là xác định tất cả các điểm bất thường để tuân thủ quy định của chính phủ và tránh mọi sự cố ngừng hoạt động, do đó chúng tôi ưu tiên cải thiện việc thu hồi hơn là độ chính xác.

Đánh giá và so sánh mô hình

Trong phần sau, chúng tôi trình bày sự so sánh các kỹ thuật lập mô hình khác nhau được sử dụng trong quá trình tham gia này. Chúng tôi đã đánh giá hiệu suất của hai dịch vụ AWS Amazon Rekognition và Amazon Lookout for Vision. Chúng tôi cũng đã đánh giá các kỹ thuật lập mô hình khác nhau bằng AutoGluon. Cuối cùng, chúng tôi so sánh hiệu suất với phương pháp tự chưng cất dựa trên ViT tiên tiến nhất.

Hình dưới đây cho thấy sự cải tiến của mô hình cho AutoGluon bằng cách sử dụng các kỹ thuật xử lý dữ liệu khác nhau trong khoảng thời gian tham gia này. Quan sát quan trọng là khi chúng tôi cải thiện chất lượng và số lượng dữ liệu, hiệu suất của mô hình về khả năng thu hồi được cải thiện từ dưới 30% lên 78%.

Tiếp theo, chúng tôi so sánh hiệu suất của AutoGluon với các dịch vụ AWS. Chúng tôi cũng sử dụng nhiều kỹ thuật xử lý dữ liệu khác nhau để giúp cải thiện hiệu suất. Tuy nhiên, sự cải thiện lớn nhất đến từ việc tăng số lượng và chất lượng dữ liệu. Chúng tôi tăng kích thước tập dữ liệu từ tổng số 11 K hình ảnh lên 60 K hình ảnh.

Tiếp theo, chúng tôi so sánh hiệu suất của các dịch vụ AutoGluon và AWS với phương pháp dựa trên ViT. Hình dưới đây minh họa rằng phương pháp dựa trên ViT, các dịch vụ AutoGluon và AWS hoạt động ngang bằng về khả năng thu hồi. Một quan sát quan trọng là, vượt quá một điểm nhất định, việc tăng chất lượng và số lượng dữ liệu không giúp tăng hiệu suất về mặt thu hồi. Tuy nhiên, chúng tôi quan sát thấy sự cải thiện về mặt độ chính xác.

So sánh độ chính xác và thu hồi

Amazon AutoGluon	Dự đoán bất thường	Dự đoán bình thường
Bất thường	15600	4400
bình thường	3659	38341

Tiếp theo, chúng tôi trình bày ma trận nhầm lẫn cho phương pháp dựa trên AutoGluon và Amazon Rekognition và ViT bằng cách sử dụng tập dữ liệu chứa 62 K mẫu của chúng tôi. Trong số 62K mẫu, 20 K mẫu là bất thường trong khi 42 K hình ảnh còn lại là bình thường. Có thể thấy rằng các phương pháp dựa trên ViT ghi lại số lượng điểm bất thường lớn nhất (16,600), tiếp theo là Amazon Rekognition (16,000) và Amazon AutoGluon (15600). Tương tự, Amazon AutoGluon có số lượng kết quả dương tính giả ít nhất (3659 hình ảnh), tiếp theo là Amazon Rekognition (5918) và ViT (15323). Những kết quả này chứng minh rằng Amazon Rekognition đạt được AUC (diện tích dưới đường cong) cao nhất.

Nhận thức lại Amazon	Dự đoán bất thường	Dự đoán bình thường
Bất thường	16,000	4000
bình thường	5918	36082

ViT	Dự đoán bất thường	Dự đoán bình thường
Bất thường	16,600	3400
bình thường	15,323	26,677

Kết luận

Trong bài đăng này, chúng tôi đã cho bạn thấy cách nhóm MLSL và Duke Energy làm việc cùng nhau để phát triển giải pháp dựa trên thị giác máy tính nhằm tự động phát hiện điểm bất thường ở các cột gỗ bằng cách sử dụng hình ảnh có độ phân giải cao được thu thập qua các chuyến bay trực thăng. Giải pháp đề xuất sử dụng quy trình xử lý dữ liệu để cắt hình ảnh có độ phân giải cao nhằm chuẩn hóa kích thước. Các hình ảnh đã cắt sẽ được xử lý thêm bằng cách sử dụng Nhãn tùy chỉnh Amazon Rekognition để xác định vùng quan tâm (tức là các vùng cắt có chứa các mảng có cực). Amazon Rekognition đạt được độ chính xác 96% về mặt xác định chính xác các bản vá bằng cực. Phần cắt ROI được tiếp tục sử dụng để phát hiện điểm bất thường bằng cách sử dụng các dịch vụ mdoel AutoGluon và AWS tự chưng cất dựa trên ViT để phát hiện điểm bất thường. Chúng tôi đã sử dụng bộ dữ liệu tiêu chuẩn để đánh giá hiệu suất của cả ba phương pháp. Mô hình dựa trên ViT đạt được tỷ lệ thu hồi 83% và độ chính xác 52%. AutoGluon đạt được tỷ lệ thu hồi 78% và độ chính xác 81%. Cuối cùng, Amazon Rekognition đạt được khả năng thu hồi 80% và độ chính xác 73%. Mục tiêu của việc sử dụng ba phương pháp khác nhau là so sánh hiệu suất của từng phương pháp với số lượng mẫu đào tạo, thời gian đào tạo và thời gian triển khai khác nhau. Tất cả các phương pháp này chỉ mất chưa đầy 2 giờ để đào tạo và triển khai bằng cách sử dụng một phiên bản GPU A100 hoặc các dịch vụ được quản lý trên Amazon AWS. Tiếp theo, các bước để cải thiện hơn nữa hiệu suất của mô hình bao gồm thêm nhiều dữ liệu huấn luyện hơn để cải thiện độ chính xác của mô hình.

Nhìn chung, quy trình từ đầu đến cuối được đề xuất trong bài viết này giúp đạt được những cải tiến đáng kể trong việc phát hiện sự bất thường đồng thời giảm thiểu chi phí vận hành, sự cố an toàn, rủi ro pháp lý, lượng khí thải carbon và khả năng mất điện.

Giải pháp được phát triển có thể được sử dụng cho các trường hợp sử dụng liên quan đến tình trạng tài sản và phát hiện sự bất thường khác trên mạng truyền tải và phân phối, bao gồm các khiếm khuyết trong chất cách điện và thiết bị khác. Để được hỗ trợ thêm trong việc phát triển và tùy chỉnh giải pháp này, vui lòng liên hệ với nhóm MLSL.

---

Về các tác giả

Travis Bronson là Chuyên gia Trí tuệ Nhân tạo Trưởng nhóm với 15 năm kinh nghiệm trong lĩnh vực công nghệ và 8 năm đặc biệt dành riêng cho trí tuệ nhân tạo. Trong nhiệm kỳ 5 năm của mình tại Duke Energy, Travis đã nâng cao ứng dụng AI cho chuyển đổi kỹ thuật số bằng cách mang lại những hiểu biết độc đáo và khả năng lãnh đạo tư duy sáng tạo cho đội ngũ lãnh đạo công ty của anh ấy. Travis hiện lãnh đạo Nhóm cốt lõi AI, một cộng đồng gồm những người thực hành AI, những người đam mê và đối tác kinh doanh tập trung vào việc nâng cao kết quả và quản trị AI. Travis đã học hỏi và hoàn thiện các kỹ năng của mình trong nhiều lĩnh vực công nghệ, bắt đầu từ Hải quân Hoa Kỳ và Chính phủ Hoa Kỳ, sau đó chuyển sang khu vực tư nhân sau hơn một thập kỷ phục vụ.

 Brian Wilkerson là một chuyên gia thành đạt với hai mươi năm kinh nghiệm tại Duke Energy. Với tấm bằng về khoa học máy tính, anh đã có 7 năm xuất sắc trong lĩnh vực Trí tuệ nhân tạo. Brian là người đồng sáng lập MADlab của Duke Energy (nhóm Machine Learning, AI và Deep learning). Ông hiện giữ vị trí Giám đốc Trí tuệ nhân tạo & Chuyển đổi tại Duke Energy, nơi ông đam mê mang lại giá trị kinh doanh thông qua việc triển khai AI.

Asan Ali là Nhà khoa học ứng dụng tại Trung tâm đổi mới AI sáng tạo của Amazon, nơi ông làm việc với khách hàng từ các lĩnh vực khác nhau để giải quyết các vấn đề cấp bách và tốn kém của họ bằng cách sử dụng AI sáng tạo.

Tahin Syed là Nhà khoa học ứng dụng tại Trung tâm đổi mới AI sáng tạo của Amazon, nơi ông làm việc với khách hàng để giúp hiện thực hóa kết quả kinh doanh bằng các giải pháp AI sáng tạo. Ngoài công việc, anh thích thử những món ăn mới, đi du lịch và dạy taekwondo.

Tiến sĩ Nkechinyere N. Agu là Nhà khoa học ứng dụng tại Trung tâm đổi mới AI sáng tạo tại AWS. Chuyên môn của cô là về các phương pháp AI/ML Thị giác Máy tính, Ứng dụng AI/ML vào chăm sóc sức khỏe, cũng như tích hợp các công nghệ ngữ nghĩa (Sơ đồ tri thức) trong các giải pháp ML. Cô có bằng Thạc sĩ và Tiến sĩ về Khoa học Máy tính.

Aldo Arizmendi là Nhà chiến lược AI sáng tạo tại Trung tâm đổi mới AI sáng tạo AWS có trụ sở tại Austin, Texas. Sau khi nhận được B.S. Tốt nghiệp ngành Kỹ thuật Máy tính tại Đại học Nebraska-Lincoln, trong 12 năm qua, ông Arizmendi đã giúp hàng trăm công ty và công ty khởi nghiệp trong Fortune 500 chuyển đổi hoạt động kinh doanh của họ bằng cách sử dụng phân tích nâng cao, học máy và AI tổng hợp.

Stacey Jenks là Chuyên gia bán hàng phân tích chính tại AWS, với hơn hai thập kỷ kinh nghiệm về Phân tích và AI/ML. Stacey đam mê tìm hiểu sâu về các sáng kiến ​​của khách hàng và thúc đẩy kết quả kinh doanh mang tính chuyển đổi, có thể đo lường được bằng dữ liệu. Cô đặc biệt hào hứng với dấu ấn mà các tiện ích sẽ tạo ra cho xã hội, thông qua con đường hướng tới một hành tinh xanh hơn với năng lượng sạch, đáng tin cậy, giá cả phải chăng.

Mehdi Noor là Giám đốc Khoa học Ứng dụng tại Trung tâm Đổi mới Generative Ai. Với niềm đam mê kết nối công nghệ và đổi mới, anh hỗ trợ khách hàng AWS khai thác tiềm năng của Generative AI, biến những thách thức tiềm tàng thành cơ hội để thử nghiệm và đổi mới nhanh chóng bằng cách tập trung vào việc sử dụng có hiệu quả, có thể đo lường và mở rộng được các công nghệ AI tiên tiến, đồng thời hợp lý hóa lộ trình đến sản xuất.

• Phân phối nội dung và PR được hỗ trợ bởi SEO. Được khuếch đại ngay hôm nay.
• PlatoData.Network Vertical Generative Ai. Trao quyền cho chính mình. Truy cập Tại đây.
• PlatoAiStream. Thông minh Web3. Kiến thức khuếch đại. Truy cập Tại đây.
• Trung tâmESG. Ô tô / Xe điện, Than đá, công nghệ sạch, Năng lượng, Môi trường Hệ mặt trời, Quản lý chất thải. Truy cập Tại đây.
• PlatoSức khỏe. Tình báo thử nghiệm lâm sàng và công nghệ sinh học. Truy cập Tại đây.
• ChartPrime. Nâng cao trò chơi giao dịch của bạn với ChartPrime. Truy cập Tại đây.
• BlockOffsets. Hiện đại hóa quyền sở hữu bù đắp môi trường. Truy cập Tại đây.
• nguồn: https://aws.amazon.com/blogs/machine-learning/improving-asset-health-and-grid-resilience-using-machine-learning/