Αυτή η ανάρτηση γράφτηκε από τους Ian Avilez και Tim Pavlick από το HawkEye 360.
Το HawkEye 360 είναι ένας εμπορικός πάροχος αναλυτικών δεδομένων δορυφορικών ραδιοσυχνοτήτων (RF). Τα σήματα ενδιαφέροντος μας περιλαμβάνουν ραδιόφωνα push-to-talk πολύ υψηλής συχνότητας (VHF), συστήματα θαλάσσιων ραντάρ, φάρους AIS, δορυφορικά mobile comms και πολλά άλλα. Η προσφορά του Space Space, που κυκλοφόρησε τον Φεβρουάριο του 2021, επιτρέπει στους αναλυτές αποστολών να οπτικοποιούν διαισθητικά τα σήματα RF και τα αναλυτικά στοιχεία, γεγονός που τους επιτρέπει να εντοπίζουν τη δραστηριότητα και να κατανοούν τις τάσεις. Αυτή η ικανότητα βελτιώνει τη θαλάσσια επίγνωση της κατάστασης για τους αναλυτές αποστολών, επιτρέποντάς τους να εντοπίσουν και να χαρακτηρίσουν κακόβουλη συμπεριφορά όπως παράνομη αλιεία ή μεταφορά παράνομων αγαθών από πλοίο σε πλοίο.
Το παρακάτω στιγμιότυπο οθόνης δείχνει την εμπειρία του Space Space του HawkEye 360.
Τα δεδομένα RF μπορεί να είναι συντριπτικά με γυμνό μάτι χωρίς φιλτράρισμα και προηγμένους αλγόριθμους για ανάλυση και χαρακτηρισμό του τεράστιου όγκου των ανεπεξέργαστων δεδομένων. Το HawkEye 360 συνεργάστηκε με το Εργαστήριο Amazon ML Solutions να δημιουργήσουμε δυνατότητες μηχανικής μάθησης (ML) στα αναλυτικά μας στοιχεία. Με την καθοδήγηση του Amazon ML Solutions Lab, χρησιμοποιήσαμε Αυτόματος πιλότος Amazon SageMaker να δημιουργήσει γρήγορα μοντέλα AI υψηλής ποιότητας για αξιολόγηση κινδύνου θαλάσσιων σκαφών, να διατηρήσει την πλήρη ορατότητα και τον έλεγχο της δημιουργίας μοντέλων και να παρέχει τη δυνατότητα εύκολης ανάπτυξης και παρακολούθησης ενός μοντέλου σε περιβάλλον παραγωγής.
Κρυμμένα μοτίβα και σχέσεις μεταξύ των χαρακτηριστικών του σκάφους
Τα θαλάσσια σκάφη διακρίνονται από πολλά χαρακτηριστικά που σχετίζονται με το ίδιο το σκάφος, τη λειτουργία και τη διαχείριση του, και την ιστορική του συμπεριφορά. Το να γνωρίζετε ποια χαρακτηριστικά είναι ενδεικτικά ενός ύποπτου αγγείου δεν είναι άμεσα σαφές. Μία από τις αποστολές του HawkEye 360 είναι να ανακαλύψει κρυμμένα μοτίβα και να ειδοποιεί αυτόματα τους αναλυτές για ανώμαλη θαλάσσια δραστηριότητα. Το Hawkeye 360 επιτυγχάνει αυτές τις περιοχές προειδοποίησης χρησιμοποιώντας ένα διαφορετικό σύνολο μεταβλητών, σε συνδυασμό με ιδιόκτητα γεωγραφικά στοιχεία RF. Βασικό επίκεντρο αυτών των προσπαθειών είναι να εντοπιστεί ποια σκάφη είναι πιο πιθανό να ασκήσουν ύποπτες θαλάσσιες δραστηριότητες, όπως παράνομη αλιεία ή μεταφορά παράνομων εμπορευμάτων από πλοίο σε πλοίο. Οι αλγόριθμοι ML αποκαλύπτουν κρυμμένα μοτίβα, όπου υπάρχουν, διαφορετικά θα χάνονταν στην απέραντη θάλασσα της πολυπλοκότητας.
Η ακόλουθη εικόνα δείχνει κάποια από την υπάρχουσα συμπεριφορά εύρεσης μοτίβων που έχει ενσωματωθεί στο Mission Space. Το Mission Space αναγνωρίζει αυτόματα άλλες περιπτώσεις ύποπτου σκάφους. Η αναγνώριση των βασικών χαρακτηριστικών, που είναι πιο προγνωστικά για ύποπτη συμπεριφορά, επιτρέπει την εύκολη εμφάνιση αυτών των λειτουργιών στο Mission Space. Αυτό επιτρέπει στους χρήστες να κατανοήσουν συνδέσμους μεταξύ κακών ηθοποιών που διαφορετικά δεν θα είχαν δει ποτέ. Το Mission Space σχεδιάστηκε σκόπιμα για να επισημάνει αυτές τις συνδέσεις με αναλυτές αποστολών.
Προκλήσεις ανίχνευσης ανώμαλης συμπεριφοράς με θαλάσσια σκάφη
Η λίμνη δεδομένων του HawkEye 360 περιλαμβάνει μεγάλο όγκο πληροφοριών πλοίων, ιστορικού και μεταβλητών ανάλυσης. Με ένα τόσο ευρύ φάσμα δεδομένων RF και αναλυτικών στοιχείων, πρέπει να αντιμετωπιστούν ορισμένα φυσικά ζητήματα χειρισμού δεδομένων. Οι σποραδικές αναφορές από σκάφη οδηγούν σε ελλιπείς τιμές μεταξύ συνόλων δεδομένων. Πρέπει να ληφθούν υπόψη οι διαφορές μεταξύ των τύπων δεδομένων. Προηγουμένως, συνήθως θα χρειαζόταν εξερεύνηση δεδομένων και μοντελοποίηση βάσηςs ένα μεγάλο κομμάτι της εποχής των αναλυτών. Μετά την προετοιμασία των δεδομένων, μια σειρά αυτόματων πειραμάτων εκτελείται για να περιοριστεί σε ένα σύνολο από τα πιο πολλά υποσχόμενα μοντέλα AI, και με σταδιακό τρόπο από εκεί, για να επιλέξετε αυτό που είναι το πιο κατάλληλο για τα δεδομένα και τις ερευνητικές ερωτήσεις. Για το HawkEye 360, αυτή η αυτοματοποιημένη εξερεύνηση είναι το κλειδί για τον προσδιορισμό των δυνατοτήτων και των συνδυασμών χαρακτηριστικών, είναι κρίσιμα για την πρόβλεψη της πιθανότητας ενός σκάφους να έχει ύποπτη συμπεριφορά.
Χρησιμοποιήσαμε το Autopilot για να επισπεύσουμε αυτήν τη διαδικασία προσδιορίζοντας γρήγορα ποιες δυνατότητες των δεδομένων είναι χρήσιμες για την πρόβλεψη ύποπτης συμπεριφοράς. Η αυτοματοποίηση της εξερεύνησης και της ανάλυσης δεδομένων επιτρέπει στους επιστήμονες δεδομένων μας να ξοδεύουν λιγότερο χρόνο για τη διαχείριση δεδομένων και μηχανολογικών χαρακτηριστικών και επιταχύνει τη δυνατότητα εντοπισμού των χαρακτηριστικών του σκάφους που είναι πιο προγνωστικά για ύποπτη συμπεριφορά πλοίου.
Πώς χρησιμοποιήσαμε το Autopilot για να δημιουργήσουμε γρήγορα μοντέλα ML υψηλής ποιότητας
Ως μέρος μιας εργασίας Autopilot, πολλά υποψήφια μοντέλα δημιουργούνται γρήγορα για αξιολόγηση με μία μόνο κλήση API. Το Autopilot επιθεώρησε τα δεδομένα και αξιολόγησε διάφορα μοντέλα για να προσδιορίσει τον βέλτιστο συνδυασμό μεθόδων προεπεξεργασίας, αλγορίθμων ML και υπερπαραμέτρων. Αυτό μείωσε σημαντικά το χρονικό πλαίσιο εξερεύνησης του μοντέλου και μας επέτρεψε να δοκιμάσουμε γρήγορα την καταλληλότητα του ML με τις μοναδικές υποθέσεις μας.
Ο παρακάτω κώδικας δείχνει τη ρύθμιση και την κλήση API:
Διαδικασία εργασίας αυτόματου πιλότου
Μια εργασία Autopilot αποτελείται από τις ακόλουθες ενέργειες:
- Διαίρεση των δεδομένων σε σύνολα τρένων και επικύρωσης
- Αναλύοντας τα δεδομένα για να προτείνουμε τη διαμόρφωση των υποψηφίων
- Εκτέλεση μηχανικής χαρακτηριστικών για τη δημιουργία βέλτιστων μετασχηματισμένων δυνατοτήτων κατάλληλων για τον αλγόριθμο
- Συντονισμός υπερπαραμέτρων για τη δημιουργία βαθμολογικού πίνακα μοντέλων
- Επιφάνεια του καλύτερου υποψηφίου μοντέλου βάσει της δεδομένης μέτρησης αξιολόγησης
Αφού εκπαιδεύσαμε διάφορα μοντέλα, το Autopilot τοποθετεί σε ράφι και στοιβάζει τους εκπαιδευμένους υποψήφιους με βάση μια δεδομένη μέτρηση (δείτε τον παρακάτω κώδικα). Για αυτήν την εφαρμογή, χρησιμοποιήσαμε ένα σκορ F1, το οποίο δίνει ομοιόμορφο βάρος τόσο στην ακρίβεια όσο και στην ανάκληση. Αυτό είναι ένα σημαντικό ζήτημα όταν τα μαθήματα είναι ανισορροπημένα, που είναι σε αυτό το σύνολο δεδομένων.
Ο παρακάτω κώδικας δείχνει την έξοδο μας:
Τώρα μπορούμε να δημιουργήσουμε ένα μοντέλο από τον καλύτερο υποψήφιο, το οποίο μπορεί να αναπτυχθεί γρήγορα στην παραγωγή:
Ο παρακάτω κώδικας δείχνει την έξοδο μας:
Διατήρηση πλήρους ορατότητας και ελέγχου
Η διαδικασία δημιουργίας ενός μοντέλου είναι εντελώς διαφανής. Δημιουργούνται δύο φορητοί υπολογιστές για οποιοδήποτε μοντέλο δημιουργεί το Autopilot:
- Σημειωματάριο εξερεύνησης δεδομένων - Περιγράφει το σύνολο δεδομένων σας και τι έμαθε το Autopilot για το σύνολο δεδομένων σας
- Πρότυπο σημειωματάριο - Παραθέτει μετασχηματισμούς δεδομένων που χρησιμοποιούνται καθώς και υποψήφιους αγωγούς κατασκευής μοντέλων που αποτελούνται από μετασχηματιστές χαρακτηριστικών σε συνδυασμό με κύριους εκτιμητές
Συμπέρασμα
Χρησιμοποιήσαμε το Autopilot για να δημιουργήσουμε γρήγορα πολλά υποψήφια μοντέλα για να προσδιορίσουμε τη δυνατότητα ML και να βασίσουμε την απόδοση ML στα δεδομένα του σκάφους. Η αυτοματοποίηση του Autopilot επέτρεψε στους επιστήμονες δεδομένων μας να ξοδέψουν 50% λιγότερο χρόνο αναπτύσσοντας δυνατότητες ML, αυτοματοποιώντας τις μη αυτόματες εργασίες, όπως ανάλυση δεδομένων, μηχανική λειτουργίας, ανάπτυξη μοντέλων και ανάπτυξη μοντέλου.
Με τη νέα εφαρμογή ανάλυσης δεδομένων RF του HawkEye 360, το Mission Space, προσδιορίζοντας ποια σκάφη έχουν τη δυνατότητα να συμμετάσχουν σε ύποπτη δραστηριότητα, επιτρέπει στους χρήστες να γνωρίζουν εύκολα πού να επικεντρώσουν τη σπάνια προσοχή τους και να διερευνήσουν περαιτέρω. Η επιτάχυνση της κατανόησης δεδομένων και της δημιουργίας μοντέλου επιτρέπει την εξομοίωση των γνώσεων αιχμής στο Mission Space, γεγονός που επιταχύνει την εξέλιξη των δυνατοτήτων του Mission Space όπως φαίνεται στον παρακάτω χάρτη. Μπορούμε να δούμε ότι ένας Αναλυτής αποστολής αναγνώρισε ένα συγκεκριμένο ραντεβού (επισημαίνεται σε ματζέντα) και το Mission Space αναγνώρισε αυτόματα άλλους σχετικούς ραντεβού (σε μωβ).
Για περισσότερες πληροφορίες σχετικά με την προσφορά του Space Space του HawkEye 360, δείτε Misson Space.
Εάν θέλετε βοήθεια για την επιτάχυνση της χρήσης ML στα προϊόντα και τις υπηρεσίες σας, επικοινωνήστε με το Εργαστήριο Amazon ML Solutions.
Σχετικά με τους Συγγραφείς
Τιμ Πάβικ, PhD, είναι VP του Προϊόντος στο HawkEye 360. Είναι υπεύθυνος για τη σύλληψη, τη δημιουργία και την παραγωγή όλων των διαστημικών καινοτομιών HawkEye. Το Mission Space είναι το κορυφαίο προϊόν του HawkEye 360, που ενσωματώνει όλα τα δεδομένα και τα αναλυτικά στοιχεία από το χαρτοφυλάκιο HawkEye σε μια διαισθητική εμπειρία RF. Οι συνεισφορές του Dr. Pavlick στις προηγούμενες εφευρέσεις περιλαμβάνουν το Myca, το IB Career Coach της IBM, την οθόνη Grit PTSD για τους βετεράνους, την IBM Defense Operations Platform, το Smarter Planet Intelligent Operations Center, την ανίχνευση επικίνδυνων λόγων μίσους στο Διαδίκτυο και το ηλεκτρονικό σύστημα παραγγελιών τροφίμων STORES για το Στρατός των ΗΠΑ. Ο Δρ Pavlick έλαβε το διδακτορικό του στη Γνωστική Ψυχολογία από το Πανεπιστήμιο του Maryland College Park.
Iαν Αβίλεζ είναι Επιστήμονας δεδομένων με το HawkEye 360. Συνεργάζεται με πελάτες για να επισημάνει τις πληροφορίες που μπορούν να αποκτηθούν συνδυάζοντας διαφορετικά σύνολα δεδομένων και εξετάζοντας αυτά τα δεδομένα με διάφορους τρόπους.
Νταν Φορντ είναι Επιστήμονας Δεδομένων στο Amazon ML Solution Lab, όπου βοηθά τους πελάτες της Εθνικής Ασφάλειας της AWS να δημιουργήσουν υπερσύγχρονες λύσεις ML.
Γκαουράβ Ρελέ είναι Επιστήμονας δεδομένων στο Amazon ML Solution Lab, όπου συνεργάζεται με πελάτες AWS σε διαφορετικούς κλάδους για να επιταχύνει τη χρήση της μηχανικής μάθησης και των υπηρεσιών AWS Cloud για την επίλυση των επιχειρηματικών τους προκλήσεων.
- Λογαριασμός
- AI
- αλγόριθμοι
- Amazon
- Amazon Sage Maker
- μεταξύ των
- ανάλυση
- αναλυτής
- analytics
- api
- Εφαρμογή
- Αυτοματοποιημένη
- Αυτοματοποίηση
- αυτόματο πιλότο
- AWS
- Baseline
- ΚΑΛΎΤΕΡΟΣ
- χτίζω
- Κτίριο
- επιχείρηση
- κλήση
- Σταδιοδρομία
- Backup
- υπηρεσίες cloud
- κωδικός
- γνωστική
- Κολλέγιο
- εμπορικός
- Διασυνδέσεις
- Πελάτες
- ημερομηνία
- ανάλυση δεδομένων
- Δεδομένα Analytics
- Λίμνη δεδομένων
- επιστήμονας δεδομένων
- Άμυνα
- Ανίχνευση
- Ανάπτυξη
- Μηχανική
- Περιβάλλον
- εξέλιξη
- εξερεύνηση
- μάτι
- Μόδα
- Χαρακτηριστικό
- Χαρακτηριστικά
- Συγκέντρωση
- τροφή
- πλήρη
- εμπορεύματα
- Χειρισμός
- μίσους
- Ψηλά
- Επισημάνετε
- Τόνισε
- ιστορία
- Πως
- HTTPS
- IBM
- προσδιορίσει
- παράνομος
- εικόνα
- ευρετήριο
- πληροφορίες
- ιδέες
- τόκος
- Internet
- διερευνήσει
- θέματα
- Δουλειά
- Κλειδί
- large
- μάθει
- μάθηση
- Λίστα
- Λίστες
- μάθηση μηχανής
- διαχείριση
- χάρτη
- Maritime
- Μέριλαντ
- Στρατιωτικός
- Αποστολή
- ML
- Αλγόριθμοι ML
- Κινητό
- μοντέλο
- μοντελοποίηση
- Εθνική ασφάλεια
- φορητούς υπολογιστές
- προσφορά
- λειτουργίες
- ΑΛΛΑ
- πρότυπο
- επίδοση
- πλανήτης
- πλατφόρμες
- χαρτοφυλάκιο
- Ακρίβεια
- Προϊόν
- παραγωγή
- Προϊόντα
- Ψυχολογία
- ραντάρ
- Ραδιόφωνο
- Ακατέργαστος
- ακατέργαστα δεδομένα
- Σχέσεις
- έρευνα
- Αποτελέσματα
- Κίνδυνος
- εκτίμηση του κινδύνου
- τρέξιμο
- σοφός
- δορυφόρος
- δορυφορικό αστερισμό
- επιστήμονες
- ΘΆΛΑΣΣΑ
- ασφάλεια
- Σειρές
- Υπηρεσίες
- σειρά
- ύπνος
- Λύσεις
- SOLVE
- Χώρος
- δαπανήσει
- καταστήματα
- σύστημα
- συστήματα
- δοκιμή
- ώρα
- Τάσεις
- πανεπιστήμιο
- Πανεπιστήμιο του Maryland
- us
- Χρήστες
- αξία
- βετεράνοι
- ορατότητα
- τόμος
- λειτουργεί