Xác định vị trí của các điểm bất thường bằng Amazon Lookout for Vision ở rìa mà không cần sử dụng GPU

Tự động phát hiện khuyết tật bằng cách sử dụng thị giác máy tính giúp cải thiện chất lượng và giảm chi phí kiểm tra. Phát hiện khuyết tật bao gồm việc xác định sự hiện diện của khuyết tật, phân loại các loại khuyết tật và xác định vị trí của các khuyết tật. Nhiều quy trình sản xuất yêu cầu phát hiện ở độ trễ thấp, với tài nguyên máy tính hạn chế và kết nối hạn chế.

Amazon Lookout cho Tầm nhìn là một dịch vụ máy học (ML) giúp phát hiện các lỗi của sản phẩm bằng cách sử dụng thị giác máy tính để tự động hóa quy trình kiểm tra chất lượng trong dây chuyền sản xuất của bạn mà không yêu cầu chuyên môn về ML. Lookout for Vision hiện bao gồm khả năng cung cấp vị trí và loại điểm bất thường bằng cách sử dụng các mô hình ML phân đoạn ngữ nghĩa. Các mô hình ML tùy chỉnh này có thể được triển khai cho Đám mây AWS bằng cách sử dụng API đám mây hoặc để tùy chỉnh phần cứng cạnh bằng cách sử dụng Cỏ xanh AWS IoT. Lookout for Vision hiện hỗ trợ suy luận trên nền tảng máy tính x86 chạy Linux có hoặc không có bộ tăng tốc GPU NVIDIA và trên bất kỳ thiết bị biên dựa trên NVIDIA Jetson nào. Tính linh hoạt này cho phép phát hiện các khiếm khuyết trên phần cứng hiện có hoặc mới.

Trong bài đăng này, chúng tôi chỉ cho bạn cách phát hiện các bộ phận bị lỗi bằng cách sử dụng Lookout cho các kiểu Vision ML chạy trên một thiết bị cạnh mà chúng tôi mô phỏng bằng cách sử dụng Đám mây điện toán đàn hồi Amazon (Amazon EC2) ví dụ. Chúng tôi hướng dẫn đào tạo các mô hình phân đoạn ngữ nghĩa mới, xuất chúng dưới dạng các thành phần AWS IoT Greengrass và chạy suy luận ở chế độ chỉ dành cho CPU với mã ví dụ Python.

Tổng quan về giải pháp

Trong bài đăng này, chúng tôi sử dụng một bộ ảnh của người ngoài hành tinh đồ chơi bao gồm các hình ảnh bình thường và khiếm khuyết như thiếu tứ chi, mắt hoặc các bộ phận khác. Chúng tôi đào tạo mô hình Lookout for Vision trên đám mây để xác định người ngoài hành tinh đồ chơi bị lỗi. Chúng tôi biên dịch mô hình thành một CPU X86 mục tiêu, đóng gói mô hình Lookout for Vision đã được đào tạo dưới dạng thành phần AWS IoT Greengrass và triển khai mô hình vào phiên bản EC2 không có GPU bằng bảng điều khiển AWS IoT Greengrass. Cuối cùng, chúng tôi chứng minh một ứng dụng mẫu dựa trên Python chạy trên phiên bản EC2 (C5a.2xl) lấy nguồn hình ảnh người ngoài hành tinh đồ chơi từ hệ thống tệp thiết bị cạnh, chạy suy luận trên mô hình Lookout for Vision bằng cách sử dụng gRPC và gửi dữ liệu suy luận đến một MQTT chủ đề trong Đám mây AWS. Các tập lệnh xuất ra một hình ảnh bao gồm màu sắc và vị trí của các khuyết tật trên hình ảnh bất thường.

Sơ đồ sau minh họa kiến ​​trúc giải pháp. Điều quan trọng cần lưu ý đối với mỗi loại lỗi bạn muốn phát hiện trong bản địa hóa, bạn phải có 10 hình ảnh bất thường được đánh dấu trong quá trình đào tạo và 10 hình ảnh trong dữ liệu thử nghiệm, trong tổng số 20 hình ảnh thuộc loại đó. Đối với bài đăng này, chúng tôi tìm kiếm các chi còn thiếu trên đồ chơi.

Giải pháp có quy trình làm việc sau:

1. Tải tập dữ liệu đào tạo và tập dữ liệu kiểm tra lên Dịch vụ lưu trữ đơn giản của Amazon (Amazon S3).
2. Sử dụng giao diện người dùng Lookout for Vision mới để thêm một loại bất thường và đánh dấu vị trí của những điểm bất thường đó trong hình ảnh đào tạo và kiểm tra.
3. Đào tạo mô hình Lookout for Vision trên đám mây.
4. Biên dịch mô hình sang kiến ​​trúc đích (X86) và triển khai mô hình tới phiên bản EC2 (C5a.2xl) bằng bảng điều khiển AWS IoT Greengrass.
5. Nguồn ảnh từ đĩa cục bộ.
6. Chạy các suy luận trên mô hình đã triển khai thông qua giao diện gRPC và truy xuất hình ảnh của các mặt nạ bất thường được phủ trên hình ảnh gốc.
7. Đăng kết quả suy luận lên máy khách MQTT đang chạy trên phiên bản cạnh.
8. Nhận tin nhắn MQTT về một chủ đề trong Lõi AWS IoT trong Đám mây AWS để theo dõi và hình dung thêm.

Các bước 5, 6 và 7 được phối hợp với ứng dụng Python mẫu.

Điều kiện tiên quyết

Trước khi bạn bắt đầu, hãy hoàn thành các điều kiện tiên quyết sau. Đối với bài đăng này, chúng tôi sử dụng phiên bản EC2 c5.2xl và cài đặt AWS IoT Greengrass V2 trên đó để thử các tính năng mới. Nếu bạn muốn chạy trên NVIDIA Jetson, hãy làm theo các bước trong bài đăng trước của chúng tôi, Amazon Lookout for Vision hiện hỗ trợ kiểm tra trực quan các lỗi sản phẩm ở rìa.

1. Tạo tài khoản AWS.
2. Khởi động phiên bản EC2 mà chúng tôi có thể cài đặt AWS IoT Greengrass và sử dụng chế độ suy luận mới chỉ dành cho CPU.Bạn cũng có thể sử dụng máy Intel X86 64 bit với 8 gigabyte ram trở lên (chúng tôi sử dụng c5a.2xl, nhưng bất kỳ thứ gì có lớn hơn 8 gigabyte trên nền tảng x86 sẽ hoạt động) chạy Ubuntu 20.04.
3. Cài đặt AWS IoT Greengrass V2:

   git clone https://github.com/aws-samples/amazon-lookout-for-vision.git
   cd edge
   # be sure to edit the installation script to match your region, also adjust any device names and groups!
   vi install_greengrass.sh

4. Cài đặt hệ thống cần thiết và các phụ thuộc Python 3 (Ubuntu 20.04):

   # install Ubuntu dependencies on the EC2 instance
   ./install-ec2-ubuntu-deps.sh
   pip3 install -r requirements.txt
   # Replace ENDPOINT variable in sample-client-file-mqtt.py with the value on the AWS console AWS IoT->Things->l4JetsonXavierNX->Interact.  
   # Under HTTPS. It will be of type <name>-ats.iot.<region>.amazon.com 

Tải lên tập dữ liệu và đào tạo mô hình

Chúng tôi sử dụng bộ dữ liệu đồ chơi người ngoài hành tinh để chứng minh giải pháp. Tập dữ liệu chứa các hình ảnh bình thường và bất thường. Dưới đây là một vài hình ảnh mẫu từ tập dữ liệu.

Hình ảnh sau đây cho thấy một người ngoài hành tinh đồ chơi bình thường.

Hình ảnh sau đây cho thấy một người ngoài hành tinh đồ chơi bị thiếu một chân.

Hình ảnh sau đây cho thấy một người ngoài hành tinh đồ chơi bị mất đầu.

Trong bài đăng này, chúng tôi tìm kiếm các chi bị thiếu. Chúng tôi sử dụng giao diện người dùng mới để vẽ mặt nạ xung quanh các khiếm khuyết trong dữ liệu đào tạo và kiểm tra của chúng tôi. Điều này sẽ cho các mô hình phân đoạn ngữ nghĩa biết cách xác định loại khiếm khuyết này.

1. Bắt đầu bằng cách tải lên tập dữ liệu của bạn, qua Amazon S3 hoặc từ máy tính của bạn.
2. Sắp xếp chúng vào các thư mục có tiêu đề normal và anomaly.
3. Khi tạo tập dữ liệu của bạn, hãy chọn Tự động đính kèm nhãn vào hình ảnh dựa trên tên thư mụcĐiều này cho phép chúng tôi sắp xếp các hình ảnh dị thường sau đó và vẽ vào các khu vực được gắn nhãn khiếm khuyết.
   
4. Cố gắng giữ lại một số hình ảnh để kiểm tra sau của cả hai normal và anomaly.
5. Sau khi tất cả các hình ảnh đã được thêm vào tập dữ liệu, hãy chọn Thêm nhãn bất thường.
6. Bắt đầu gắn nhãn dữ liệu bằng cách chọn Bắt đầu dán nhãn.
7. Để tăng tốc quá trình, bạn có thể chọn nhiều hình ảnh và phân loại chúng thành Normal or Anomaly.
   
   Nếu bạn muốn làm nổi bật các điểm bất thường ngoài việc phân loại chúng, bạn cần phải làm nổi bật vị trí của các điểm bất thường.
8. Chọn hình ảnh bạn muốn chú thích.
9. Sử dụng các công cụ vẽ để hiển thị khu vực thiếu một phần của đối tượng hoặc vẽ mặt nạ che khuyết điểm.
10. Chọn Gửi và đóng để giữ những thay đổi này.
    
11. Lặp lại quá trình này cho tất cả các hình ảnh của bạn.
12. Khi bạn hoàn thành, hãy chọn Lưu để duy trì các thay đổi của bạn. Bây giờ bạn đã sẵn sàng để đào tạo mô hình của mình.
    
13. Chọn Mô hình tàu hỏa.

Sau khi hoàn thành các bước này, bạn có thể điều hướng đến dự án và mô hình trang để kiểm tra hiệu suất của mô hình được đào tạo. Bạn có thể bắt đầu quá trình xuất mô hình sang thiết bị cạnh mục tiêu bất kỳ lúc nào sau khi mô hình được đào tạo.

Đào tạo lại mô hình với các hình ảnh đã chỉnh sửa

Đôi khi việc gắn thẻ bất thường có thể không hoàn toàn chính xác. Bạn có cơ hội giúp mô hình của mình tìm hiểu các điểm bất thường của bạn tốt hơn. Ví dụ: hình ảnh sau được xác định là bất thường, nhưng không hiển thị missing_limbs tag.

Hãy mở trình chỉnh sửa và sửa lỗi này.

Đi qua bất kỳ hình ảnh nào bạn tìm thấy như thế này. Nếu bạn thấy thẻ đó được gắn thẻ bất thường không chính xác, bạn có thể sử dụng công cụ tẩy để xóa thẻ không chính xác.

Bây giờ bạn có thể đào tạo lại mô hình của mình và đạt được độ chính xác tốt hơn.

Biên dịch và đóng gói mô hình dưới dạng thành phần AWS IoT Greengrass

Trong phần này, chúng tôi hướng dẫn các bước biên dịch mô hình người ngoài hành tinh đồ chơi sang thiết bị cạnh mục tiêu của chúng tôi và đóng gói mô hình dưới dạng thành phần AWS IoT Greengrass.

1. Trên bảng điều khiển Lookout for Vision, chọn dự án của bạn.
2. Trong ngăn dẫn hướng, chọn Gói mô hình cạnh.
3. Chọn Tạo công việc đóng gói mô hình.
4. Trong Tên công việc, nhập tên.
5. Trong Mô tả công việc, nhập một mô tả tùy chọn.
6. Chọn Duyệt qua các mô hình.
7. Chọn phiên bản mô hình (mô hình đồ chơi người ngoài hành tinh được xây dựng trong phần trước).
8. Chọn Chọn.
   
9. Nếu bạn đang chạy phần mềm này trên Amazon EC2 hoặc thiết bị X86-64, hãy chọn Nền tảng mục tiêu Và chọn Linux, X86và CPU.
   Nếu sử dụng CPU, bạn có thể để trống các tùy chọn trình biên dịch nếu bạn không chắc chắn và không có GPU NVIDIA. Nếu bạn có nền tảng dựa trên Intel hỗ trợ AVX512, bạn có thể thêm các tùy chọn trình biên dịch này để tối ưu hóa để có hiệu suất tốt hơn: {"mcpu": "skylake-avx512"}.
   Bạn có thể thấy tên công việc và trạng thái của mình hiển thị là In progress. Công việc đóng gói mô hình có thể mất vài phút để hoàn thành. Khi công việc đóng gói mô hình hoàn tất, trạng thái hiển thị là Success.
10. Chọn tên công việc của bạn (trong trường hợp của chúng tôi, đó là aliensblogcpux86) để xem chi tiết công việc.
    
11. Chọn Tạo công việc đóng gói mô hình.
    
12. Nhập các chi tiết cho Tên thành phần, Mô tả thành phần (không bắt buộc), Phiên bản thành phầnvà Vị trí thành phần.Lookout for Vision lưu trữ các công thức thành phần và hiện vật trong vị trí Amazon S3 này.
13. Chọn Tiếp tục triển khai trong Greengrass để triển khai thành phần tới thiết bị cạnh mục tiêu.
    

Cấu phần mô hình và thành phần AWS IoT Greengrass đã được tạo trong tài khoản AWS của bạn.

Triển khai mô hình

Đảm bảo bạn đã cài đặt AWS IoT Greengrass V2 trên thiết bị mục tiêu cho tài khoản của mình trước khi tiếp tục. Để được hướng dẫn, hãy tham khảo Cài đặt phần mềm AWS IoT Greengrass Core.

Trong phần này, chúng tôi hướng dẫn các bước triển khai mô hình người ngoài hành tinh đồ chơi cho thiết bị cạnh bằng bảng điều khiển AWS IoT Greengrass.

1. Trên bảng điều khiển AWS IoT Greengrass, điều hướng đến thiết bị cạnh của bạn.
2. Chọn Triển khai để bắt đầu các bước triển khai.
3. Chọn Thiết bị cốt lõi (vì việc triển khai dành cho một thiết bị duy nhất) và nhập tên cho Tên mục tiêu.Tên đích là tên mà bạn đã sử dụng để đặt tên cho thiết bị lõi trong quá trình cài đặt AWS IoT Greengrass V2.
4. Chọn thành phần của bạn. Trong trường hợp của chúng tôi, tên thành phần là aliensblogcpux86, trong đó có mô hình đồ chơi của người ngoài hành tinh.
5. Chọn Sau.
6. Định cấu hình thành phần (tùy chọn).
7. Chọn Sau.
8. Mở rộng Chính sách triển khai.
9. Trong Chính sách cập nhật thành phần, lựa chọn Thông báo cho các thành phầnĐiều này cho phép thành phần đã được triển khai (phiên bản trước của thành phần) trì hoãn cập nhật cho đến khi bạn sẵn sàng cập nhật.
10. Trong Chính sách xử lý lỗi, lựa chọn Đừng quay lạiTrong trường hợp không thành công, tùy chọn này cho phép chúng tôi điều tra các lỗi trong quá trình triển khai.
11. Chọn Sau.
12. Xem lại danh sách các thành phần sẽ được triển khai trên thiết bị mục tiêu (cạnh).
13. Chọn Sau.Bạn sẽ thấy tin nhắn Deployment successfully created.
14. Để xác thực việc triển khai mô hình đã thành công, hãy chạy lệnh sau trên thiết bị cạnh của bạn:

    sudo /greengrass/v2/bin/greengrass-cli component list

Bạn sẽ thấy một đầu ra tương tự chạy aliensblogcpux86 tập lệnh khởi động vòng đời:

Các thành phần hiện đang chạy trong Greengrass:

Components currently running in Greengrass:
 
Component Name: aws.iot.lookoutvision.EdgeAgent
    Version: 0.1.34
    State: RUNNING
    Configuration: {"Socket":"unix:///tmp/aws.iot.lookoutvision.EdgeAgent.sock"}
 Component Name: aliensblogcpux86
    Version: 1.0.0
    State: RUNNING
    Configuration: {"Autostart":false}

Chạy suy luận trên mô hình

Chú thích: Nếu bạn đang chạy Greengrass với tư cách là một người dùng khác ngoài những gì bạn đang đăng nhập, bạn sẽ cần phải thay đổi quyền của tệp /tmp/aws.iot.lookoutvision.EdgeAgent.sock:

chmod 666 /tmp/aws.iot.lookoutvision.EdgeAgent.sock

Bây giờ chúng tôi đã sẵn sàng để chạy các suy luận trên mô hình. Trên thiết bị cạnh của bạn, hãy chạy lệnh sau để tải mô hình (thay thế với tên mô hình được sử dụng trong thành phần của bạn):

# run command to load the model# This will load the model into running state pass
# the name of the model component as a parameter.
python3 warmup-model.py <modelName>

Để tạo ra các suy luận, hãy chạy lệnh sau với tên tệp nguồn (thay thế với đường dẫn và tên tệp của hình ảnh để kiểm tra và thay thế với tên mô hình được sử dụng cho thành phần của bạn):

python3 sample-client-file-mqtt.py </path/to/images> <modelName>

start client ['sample-client-file.py', 'aliens-dataset/anomaly/1.png', 'aliensblogcpux86']
channel set
shape=(380, 550, 3)
Image is anomalous, (90.05860090255737 % confidence) contains defects with total area over .1%: {'missing_limbs': '#FFFFFF'}

Mô hình dự đoán chính xác hình ảnh là bất thường (missing_limbs) với điểm tin cậy là 0.9996867775917053. Nó cho chúng ta biết mặt nạ của thẻ bất thường missing_limbs và phần trăm diện tích. Phản hồi cũng chứa dữ liệu bitmap mà bạn có thể giải mã những gì nó tìm thấy.

Tải xuống và mở tệp blended.png, trông giống như hình ảnh sau đây. Lưu ý khu vực được đánh dấu với khuyết điểm xung quanh chân.

Câu chuyện của khách hàng

Với AWS IoT Greengrass và Lookout for Vision, giờ đây bạn có thể tự động hóa việc kiểm tra trực quan bằng thị giác máy tính đối với các quy trình như kiểm soát chất lượng và đánh giá lỗi — tất cả đều diễn ra theo thời gian thực. Bạn có thể chủ động xác định các vấn đề như hư hỏng các bộ phận (như vết lõm, trầy xước hoặc hàn kém), thiếu thành phần sản phẩm hoặc lỗi với các mẫu lặp lại trên chính dây chuyền sản xuất — giúp bạn tiết kiệm thời gian và tiền bạc. Những khách hàng như Tyson và Baxter đang khám phá ra sức mạnh của Lookout for Vision trong việc tăng chất lượng và giảm chi phí vận hành bằng cách tự động hóa việc kiểm tra trực quan.

“Sự xuất sắc trong hoạt động là ưu tiên hàng đầu của Tyson Foods. Bảo trì dự đoán là một tài sản cần thiết để đạt được mục tiêu này bằng cách liên tục cải thiện hiệu quả tổng thể của thiết bị (OEE). Vào năm 2021, Tyson Foods đã khởi động một dự án thị giác máy tính dựa trên máy học để xác định các hãng vận chuyển sản phẩm bị lỗi trong quá trình sản xuất nhằm ngăn chặn chúng ảnh hưởng đến sự an toàn, hoạt động hoặc chất lượng sản phẩm của các thành viên trong nhóm. Các mô hình được đào tạo bằng cách sử dụng Amazon Lookout cho Vision hoạt động tốt. Mô hình phát hiện pin đạt độ chính xác 95% trên cả hai lớp. Mô hình Amazon Lookout for Vision đã được điều chỉnh để hoạt động với độ chính xác 99.1% đối với việc không phát hiện được pin. Cho đến nay, kết quả thú vị nhất của dự án này là sự tăng tốc trong thời gian phát triển. Mặc dù dự án này sử dụng hai mô hình và một mã ứng dụng phức tạp hơn, nhưng nhà phát triển phải mất ít hơn 12% thời gian để hoàn thành. Dự án giám sát tình trạng của các nhà vận chuyển sản phẩm tại Tyson Foods này đã được hoàn thành trong thời gian kỷ lục bằng cách sử dụng các dịch vụ được AWS quản lý như Amazon Lookout for Vision. ”

—Audrey Timmerman, Nhà phát triển ứng dụng Sr, Tyson Foods.

“Độ trễ và tốc độ truyền dữ liệu rất quan trọng đối với việc đánh giá thời gian thực và kiểm tra chất lượng quan trọng của các quy trình sản xuất của chúng tôi. Amazon Lookout for Vision edge trên thiết bị CPU cung cấp cho chúng tôi khả năng đạt được điều này trên thiết bị cấp sản xuất, cho phép chúng tôi cung cấp các giải pháp tầm nhìn AI hiệu quả về chi phí trên quy mô lớn. ”

—AK Karan, Giám đốc cấp cao toàn cầu - Chuyển đổi kỹ thuật số, Chuỗi cung ứng tích hợp, Baxter International Inc.

Dọn dẹp

Hoàn thành các bước sau để xóa nội dung bạn đã tạo khỏi tài khoản của mình và tránh bất kỳ thanh toán liên tục nào:

1. Trên bảng điều khiển Lookout for Vision, điều hướng đến dự án của bạn.
2. trên Hoạt động trình đơn, xóa tập dữ liệu của bạn.
   
3. Xóa mô hình của bạn.
   
4. Trên bảng điều khiển Amazon S3, làm trống các nhóm bạn đã tạo, sau đó xóa các nhóm.
5. Trên bảng điều khiển Amazon EC2, xóa phiên bản bạn đã bắt đầu chạy AWS IoT Greengrass.
6. Trên bảng điều khiển AWS IoT Greengrass, hãy chọn Triển khai trong khung điều hướng.
7. Xóa các phiên bản thành phần của bạn.
   
8. Trên bảng điều khiển AWS IoT Greengrass, hãy xóa các thứ, nhóm và thiết bị AWS IoT.

Kết luận

Trong bài đăng này, chúng tôi đã mô tả một kịch bản điển hình để phát hiện lỗi công nghiệp ở rìa bằng cách sử dụng bản địa hóa lỗi và triển khai cho thiết bị chỉ dùng CPU. Chúng tôi đã đi qua các thành phần chính của vòng đời đám mây và cạnh với một ví dụ từ đầu đến cuối bằng cách sử dụng Lookout for Vision và AWS IoT Greengrass. Với Lookout for Vision, chúng tôi đã đào tạo một mô hình phát hiện bất thường trong đám mây bằng cách sử dụng bộ dữ liệu đồ chơi người ngoài hành tinh, đã biên dịch mô hình thành kiến ​​trúc đích và đóng gói mô hình dưới dạng thành phần AWS IoT Greengrass. Với AWS IoT Greengrass, chúng tôi đã triển khai mô hình cho một thiết bị cạnh. Chúng tôi đã trình diễn một ứng dụng mẫu dựa trên Python lấy nguồn hình ảnh người ngoài hành tinh đồ chơi từ hệ thống tệp cục bộ của thiết bị cạnh, chạy các suy luận trên mô hình Lookout for Vision ở rìa bằng giao diện gRPC và gửi dữ liệu suy luận đến một chủ đề MQTT trong AWS Đám mây.

Trong một bài đăng trong tương lai, chúng tôi sẽ hướng dẫn cách chạy các suy luận trên luồng hình ảnh theo thời gian thực bằng cách sử dụng kênh truyền thông GStreamer.

Bắt đầu hành trình của bạn đối với việc phát hiện và xác định sự bất thường trong công nghiệp bằng cách truy cập vào Amazon Lookout cho Tầm nhìn và Cỏ xanh AWS IoT các trang tài nguyên.

Giới thiệu về tác giả

Manish Talreja là Giám đốc Thực hành ML Công nghiệp Cấp cao với Dịch vụ Chuyên nghiệp AWS. Anh ấy giúp khách hàng AWS đạt được mục tiêu kinh doanh của họ bằng cách kiến ​​trúc và xây dựng các giải pháp sáng tạo sử dụng các dịch vụ AWS ML và IoT trên Đám mây AWS.

Ryan Vanderwerf là một kiến ​​trúc sư giải pháp đối tác tại Amazon Web Services. Trước đây, ông đã cung cấp dịch vụ tư vấn tập trung vào máy ảo Java và phát triển dự án với tư cách là kỹ sư phần mềm tại OCI trong nhóm Grails và Micronaut. Ông là kiến ​​trúc sư trưởng / giám đốc sản phẩm tại ReachForce, tập trung vào phần mềm và kiến ​​trúc hệ thống cho các giải pháp AWS Cloud SaaS để quản lý dữ liệu tiếp thị. Ryan đã xây dựng một số giải pháp SaaS trong một số lĩnh vực như các công ty tài chính, truyền thông, viễn thông và học tập điện tử từ năm 1996.

Prakash Krishnan là Giám đốc phát triển phần mềm cấp cao tại Amazon Web Services. Ông lãnh đạo các nhóm kỹ sư đang xây dựng các hệ thống phân tán quy mô lớn để áp dụng các thuật toán nhanh, hiệu quả và có khả năng mở rộng cao cho các vấn đề nhận dạng hình ảnh và video dựa trên học sâu.