نظارت از راه دور زنجیره تامین مواد خام برای پایداری با قابلیت‌های جغرافیایی Amazon SageMaker

جنگل زدایی در بسیاری از مناطق استوایی که جنگل های بارانی محلی در معرض خطر شدید تخریب قرار دارند، نگرانی اصلی است. حدود 17 درصد از جنگل‌های بارانی آمازون در 50 سال گذشته نابود شده است و برخی از اکوسیستم‌های استوایی به نقطه اوج نزدیک می‌شوند که فراتر از آن احیاء بعید است.

یک کلید راننده برای جنگل زدایی استخراج و تولید مواد خام است، برای مثال تولید مواد غذایی و چوب یا عملیات معدن. کسب‌وکارهایی که این منابع را مصرف می‌کنند به طور فزاینده‌ای سهم مسئولیت خود را در مقابله با مسئله جنگل‌زدایی تشخیص می‌دهند. یکی از راه هایی که آنها می توانند این کار را انجام دهند این است که اطمینان حاصل کنند که مواد خام آنها به طور پایدار تولید و تامین می شود. به عنوان مثال، اگر یک کسب و کار از روغن نخل در محصولات خود استفاده می کند، آنها می خواهند مطمئن شوند که جنگل های طبیعی سوخته و پاکسازی نشده اند تا راه را برای یک مزرعه جدید روغن نخل باز کنند.

تجزیه و تحلیل جغرافیایی تصاویر ماهواره‌ای گرفته شده از مکان‌هایی که تامین‌کنندگان در آن فعالیت می‌کنند می‌تواند ابزار قدرتمندی برای شناسایی رویدادهای مشکل‌ساز جنگل‌زدایی باشد. با این حال، اجرای چنین تحلیل‌هایی دشوار، زمان‌بر و منابع فشرده است. قابلیت های جغرافیایی Amazon SageMaker- اکنون به طور کلی در منطقه AWS Oregon موجود است - یک راه حل جدید و بسیار ساده تر برای این مشکل ارائه می دهد. این ابزار دسترسی به منابع داده های مکانی، اجرای عملیات پردازش هدفمند، اعمال مدل های ML از پیش آموزش دیده و استفاده از ابزارهای تجسم داخلی را سریعتر و در مقیاس آسان تر می کند.

در این پست، نحوه استفاده از قابلیت های جغرافیایی SageMaker را برای تعیین پایه و نظارت بر نوع پوشش گیاهی و تراکم مناطقی که تامین کنندگان در آن فعالیت می کنند، یاد خواهید گرفت. متخصصان زنجیره تامین و پایداری می توانند از این راه حل برای ردیابی دینامیک زمانی و مکانی جنگل زدایی ناپایدار در زنجیره تامین خود استفاده کنند. به طور خاص، این راهنما بینش‌های مبتنی بر داده‌ها را در مورد سؤالات زیر ارائه می‌کند:

• جنگل زدایی چه زمانی و در چه دوره ای رخ داد - این راهنما به شما امکان می دهد زمان وقوع یک رویداد جنگل زدایی جدید را مشخص کنید و مدت، پیشرفت یا بهبود آن را نظارت کنید.
• کدام نوع پوشش زمین بیشتر تحت تأثیر قرار گرفت - این راهنما به شما امکان می دهد تا مشخص کنید کدام نوع پوشش گیاهی بیشتر تحت تأثیر رویداد تغییر پوشش زمین قرار گرفته است (به عنوان مثال، جنگل های استوایی یا درختچه ها)
• جایی که به طور خاص جنگل زدایی رخ داده است - مقایسه پیکسل به پیکسل بین تصاویر ماهواره ای پایه و فعلی (قبل از بعد) به شما امکان می دهد مکان های دقیقی را که جنگل زدایی در آن رخ داده است شناسایی کنید.
• چقدر جنگل پاک شد - تخمینی از ناحیه آسیب دیده (بر حسب کیلومتر مربع) با بهره گیری از وضوح ریز داده های ماهواره ای ارائه می شود (به عنوان مثال، سلول های شطرنجی 2mx10m برای Sentinel 10)

بررسی اجمالی راه حل

این راه حل از قابلیت های مکانی SageMaker برای بازیابی تصاویر ماهواره ای به روز برای هر منطقه مورد علاقه تنها با چند خط کد استفاده می کند و الگوریتم های از پیش ساخته شده مانند طبقه بندی کننده های کاربری زمین و عملیات ریاضی باندی را اعمال می کند. سپس می توانید نتایج را با استفاده از نقشه داخلی و ابزار تجسم تصویر شطرنجی تجسم کنید. برای به دست آوردن بینش بیشتر از داده های ماهواره ای، این راهنما از قابلیت صادرات استفاده می کند آمازون SageMaker برای ذخیره تصاویر ماهواره ای پردازش شده در سرویس ذخیره سازی ساده آمازون (Amazon S3)، که در آن داده‌ها برای پس پردازش و تجزیه و تحلیل سفارشی فهرست‌بندی و به اشتراک گذاشته می‌شوند Amazon SageMaker Studio نوت بوک با الف تصویر جغرافیایی SageMaker. نتایج این تحلیل‌های سفارشی متعاقباً منتشر شده و در آن قابل مشاهده است آمازون QuickSight به طوری که تیم های تدارکات و پایداری می توانند داده های پوشش گیاهی مکان تامین کننده را در یک مکان بررسی کنند. نمودار زیر این معماری را نشان می دهد.

نوت‌بوک‌ها و کد با پیاده‌سازی آماده‌ای از تحلیل‌های نشان‌داده‌شده در این پست در مخزن GitHub در دسترس هستند. راهنمایی برای بینش های جغرافیایی برای پایداری در AWS.

مثال استفاده

این پست از یک منطقه مورد علاقه (AOI) از برزیل استفاده می کند که در آن پاکسازی زمین برای تولید گاو، کشت دانه های روغنی (روغن سویا و نخل)، و برداشت الوار یک نگرانی عمده است. شما همچنین می توانید این راه حل را به هر AOI دلخواه دیگری تعمیم دهید.

تصویر زیر نشان می دهد AOI نمایش تصاویر ماهواره ای (باند مرئی) از آژانس فضایی اروپا نگهبان 2 صورت فلکی ماهواره ای بازیابی و در یک نوت بوک SageMaker تجسم شده است. مناطق کشاورزی در برابر جنگل های بارانی طبیعی سبز تیره به وضوح قابل مشاهده است. همچنین به دودی که از داخل AOI و همچنین یک منطقه بزرگتر به سمت شمال منشا می گیرد توجه کنید. دود اغلب نشانگر استفاده از آتش در پاکسازی زمین است.

NDVI به عنوان معیاری برای تراکم پوشش گیاهی

برای شناسایی و تعیین کمیت تغییرات پوشش جنگلی در طول زمان، این راه حل از شاخص گیاهی تفاوت عادی شده (NDVI). . NDVI از نور مرئی و مادون قرمز نزدیک منعکس شده توسط پوشش گیاهی محاسبه می شود. پوشش گیاهی سالم بیشتر نور مرئی را که به آن برخورد می کند جذب می کند و بخش بزرگی از نور مادون قرمز نزدیک را منعکس می کند. پوشش گیاهی ناسالم یا کم، نور مرئی بیشتر و نور مادون قرمز نزدیک را کمتر منعکس می کند. این شاخص با ترکیب باندهای قرمز (مرئی) و مادون قرمز نزدیک (NIR) یک تصویر ماهواره‌ای در یک شاخص واحد از 1- تا 1 محاسبه می‌شود.

مقادیر منفی NDVI (مقادیر نزدیک به -1) مربوط به آب است. مقادیر نزدیک به صفر (0.1- تا 0.1) نشان دهنده مناطق بایر سنگ، ماسه یا برف است. در نهایت، مقادیر کم و مثبت نشان دهنده بوته ها، علفزارها یا زمین های کشاورزی است (تقریباً 0.2 تا 0.4)، در حالی که مقادیر بالای NDVI نشان دهنده جنگل های بارانی معتدل و گرمسیری است (مقادیر نزدیک به 1). درباره محاسبات NDVI بیشتر بدانید اینجا کلیک نمایید). بنابراین مقادیر NDVI را می توان به راحتی به یک کلاس گیاهی مربوطه نگاشت:

NDVI_map={ (-1,0]: "no vegetation (water, rock, artificial structures)", (0,0.5]:"light vegetation (shrubs, grass, fields)", (0.5,0.7]:"dense vegetation (plantations)", (0.7,1]:"very dense vegetation (rainforest)"
}

با ردیابی تغییرات در NDVI در طول زمان با استفاده از مدل NDVI داخلی SageMaker، می‌توانیم اطلاعات کلیدی در مورد اینکه آیا تامین‌کنندگانی که در AOI فعال هستند این کار را مسئولانه انجام می‌دهند یا درگیر فعالیت‌های پاک‌سازی جنگلی ناپایدار هستند، استنباط کنیم.

بازیابی، پردازش و تجسم داده های NDVI با استفاده از قابلیت های مکانی SageMaker

یکی از عملکردهای اصلی SageMaker Geospatial API این است شغل رصد زمین (EOJ)، که به شما امکان می دهد داده های شطرنجی جمع آوری شده از سطح زمین را به دست آورید و تبدیل کنید. یک EOJ تصاویر ماهواره ای را از یک منبع داده مشخص (یعنی یک صورت فلکی ماهواره ای) برای یک منطقه مورد علاقه و دوره زمانی مشخص بازیابی می کند و یک یا چند مدل را برای تصاویر بازیابی شده اعمال می کند.

EOJ ها را می توان از طریق a ایجاد کرد دفترچه جغرافیایی. برای این پست از یک نمونه دفترچه یادداشت.

برای پیکربندی یک EOJ، پارامترهای زیر را تنظیم کنید:

• InputConfig - پیکربندی ورودی، منابع داده و معیارهای فیلتر را که در حین جمع آوری داده اعمال می شود، تعریف می کند:
  • RasterDataCollectionArn - تعیین می کند که از کدام ماهواره داده ها را جمع آوری کند.
  • منطقه مورد علاقه - AOI جغرافیایی؛ چند ضلعی را تعریف می کند که تصاویر باید برای آن جمع آوری شوند (در GeoJSON فرمت).
  • TimeRangeFilter - محدوده زمانی مورد علاقه: {StartTime: <string>, EndTime: <string> }.
  • PropertyFilters – فیلترهای دارایی اضافی، مانند حداکثر پوشش ابری قابل قبول.
• JobConfig - پیکربندی مدل، کار پردازشی را که باید روی داده های تصویر ماهواره ای بازیابی شده اعمال شود، تعریف می کند. یک مدل NDVI به عنوان بخشی از پیش ساخته موجود است BandMath عمل.

InputConfig را تنظیم کنید

قابلیت‌های جغرافیایی SageMaker از تصاویر ماهواره‌ای از دو منبع مختلف پشتیبانی می‌کنند که می‌توان از طریق نام‌های منابع آمازون (ARN) به آنها اشاره کرد:

• محصولات علمی سطح 2 مجموعه لندست 2که بازتاب سطح زمین (SR) و دمای سطح (ST) را با وضوح فضایی 30 متر اندازه گیری می کند.
• Sentinel 2 L2A COGs، که اندازه‌گیری‌های طیفی پیوسته بزرگ را در 13 باند جداگانه (آبی، سبز، نزدیک به مادون قرمز و غیره) با وضوح کمتر از 10 متر ارائه می‌کند.

شما می توانید این ARN ها را مستقیماً از طریق API با تماس گرفتن بازیابی کنید list_raster_data_collections().

این راه حل از داده های Sentinel 2 استفاده می کند. ماموریت Sentinel-2 بر اساس صورت فلکی از دو ماهواره است. به عنوان یک صورت فلکی، همان نقطه بر فراز استوا هر 5 روز یکبار بازبینی می شود و امکان مشاهدات مکرر و با وضوح بالا را فراهم می کند. برای تعیین Sentinel 2 به عنوان منبع داده برای EOJ، به سادگی به ARN مراجعه کنید:

#set raster data collection arn to sentinel 2
data_collection_arn = "arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8"

بعد، AreaOfInterest (AOI) برای EOJ باید تعریف شود. برای انجام این کار، باید یک GeoJSON از آن ارائه کنید جعبه مرزی که منطقه ای را که یک تامین کننده در آن فعالیت می کند را مشخص می کند. قطعه کد زیر مختصات جعبه مرزی را استخراج می کند و ورودی درخواست EOJ را تعریف می کند:

file_name = "../assets/aoi_samples/brazil_plantation_mato_grosso.geojson"
aoi_shape = gpd.read_file(geojson_file_name) #load geojson as shape file
aoi_shape = aoi_shape.set_crs(epsg=4326) #set projection, i.e. coordinate reference system (CRS)
aoi_coordinates = json.loads(aoi_shape.to_json())['features'][0]["geometry"]["coordinates"] #extract coordinates #set aoi query parameters
selected_aoi_feature = { "AreaOfInterestGeometry": { "PolygonGeometry": { "Coordinates": aoi_coordinates } }
}

محدوده زمانی با استفاده از دستور درخواست زیر تعریف می شود:

start="2022-10-01T00:00:00" #time in UTC
end="2022-12-20T00:00:00" #time in UTC
time_filter = { "StartTime": start, "EndTime": end
}

بسته به مجموعه داده های شطرنجی انتخاب شده، فیلترهای ویژگی اضافی مختلف پشتیبانی می شوند. می توانید با تماس گزینه های موجود را بررسی کنید get_raster_data_collection(Arn=data_collection_arn)["SupportedFilters"]. در مثال زیر، یک محدودیت محدود از پوشش ابری 5 درصد برای اطمینان از دید نسبتاً بدون مانع در AOI اعمال شده است:

property_filters={ "Properties":[ { "Property":{ "EoCloudCover":{ "LowerBound": 0, "UpperBound": 5 } } }, ], "LogicalOperator": "AND"
}

نتایج پرس و جو را مرور کنید

قبل از شروع EOJ، مطمئن شوید که پارامترهای پرس و جو در واقع منجر به بازگشت تصاویر ماهواره ای به عنوان پاسخ می شوند. در این مثال، ApproximateResultCount 3 است که کافی است. ممکن است لازم باشد از یک محدودیت کمتر استفاده کنید PropertyFilter اگر هیچ نتیجه ای برگردانده نشد

#consolidate query parameters
query_param = { "AreaOfInterest": selected_aoi_feature, "TimeRangeFilter": time_filter, "PropertyFilters": property_filters
}
#review query results
query_results = sm_geo_client.search_raster_data_collection( Arn = data_collection_arn, RasterDataCollectionQuery = query_param
)
#get result count
result_count = query_results["ApproximateResultCount"]

شما می توانید تصاویر کوچک تصاویر ورودی خام را با نمایه سازی بازبینی کنید query_results هدف - شی. به عنوان مثال URL تصویر کوچک تصویر خام آخرین موردی که توسط پرس و جو بازگردانده شده است به صورت زیر قابل دسترسی است: query_results['Items'][-1]["Assets"]["thumbnail"]["Href"] .

JobConfig را تنظیم کنید

اکنون که تمام پارامترهای مورد نیاز برای به دست آوردن داده های ماهواره سنتینل 2 خام را تنظیم کرده ایم، گام بعدی استنباط تراکم گیاهی است که بر حسب NDVI اندازه گیری شده است. این معمولاً شامل شناسایی کاشی های ماهواره ای است که AOI را قطع می کنند و تصاویر ماهواره ای را برای بازه زمانی در محدوده از یک ارائه دهنده داده دانلود می کند. سپس باید فرآیند همپوشانی، ادغام و برش فایل های به دست آمده، محاسبه NDVI در هر سلول شطرنجی تصویر ترکیبی را با انجام عملیات ریاضی روی باندهای مربوطه (مانند قرمز و مادون قرمز نزدیک) انجام دهید. در نهایت نتایج را در یک تصویر شطرنجی تک باند جدید ذخیره کنید. قابلیت‌های جغرافیایی SageMaker یک پیاده‌سازی سرتاسر این گردش کار، از جمله یک مدل NDVI داخلی که می‌تواند با تماس ساده API. تنها کاری که باید انجام دهید این است که پیکربندی کار را مشخص کرده و آن را به مدل از پیش تعریف شده NDVI تنظیم کنید:

job_config={ "BandMathConfig": { 'PredefinedIndices': [ 'NDVI', ] }
}

با تعریف تمام ورودی های مورد نیاز برای SageMaker برای به دست آوردن و تبدیل داده های مکانی مورد علاقه، اکنون می توانید EOJ را با یک فراخوانی ساده API شروع کنید:

#set job name
job_name = "EOJ-Brazil-MatoGrosso-2022-Q4" #set input config
input_config=query_param
input_config["RasterDataCollectionArn"] = data_collection_arn #add RasterDataCollectionArn to input_conf #invoke EOJ
eoj = sm_geo_client.start_earth_observation_job( Name=job_name, ExecutionRoleArn=sm_exec_role, InputConfig={"RasterDataCollectionQuery":input_config}, JobConfig=job_config
)

پس از اتمام EOJ، می توانید شروع به بررسی نتایج کنید. قابلیت‌های جغرافیایی SageMaker ابزار تجسم داخلی ارائه شده توسط استودیو Foursquare را ارائه می‌کند که به طور بومی از داخل یک نوت بوک SageMaker از طریق SageMaker نقشه جغرافیایی SDK. قطعه کد زیر یک نقشه را مقداردهی اولیه و رندر می کند و سپس چندین لایه به آن اضافه می کند:

#initialize and render map
geo_map = sagemaker_geospatial_map.create_map({"is_raster": True})
geo_map.set_sagemaker_geospatial_client(sm_geo_client)
geo_map.render() #add AOI layer
config = {"label": "EOJ AOI"}
aoi_layer = geo_map.visualize_eoj_aoi( Arn=eoj["Arn"], config=config
)
#add input layer
config = {"label": "EOJ Input"}
input_layer = geo_map.visualize_eoj_input( Arn=eoj["Arn"], config=config
)
#add output layer
config = { "label":"EOJ Output", "preset": "singleBand", "band_name": "ndvi"
}
output_layer = geo_map.visualize_eoj_output( Arn=eoj["Arn"], config=config
)

پس از رندر کردن، می‌توانید با پنهان کردن یا نشان دادن لایه‌ها، بزرگ‌نمایی و کوچک‌نمایی، یا اصلاح طرح‌های رنگی، در میان گزینه‌های دیگر، با نقشه تعامل داشته باشید. تصویر زیر لایه جعبه مرزی AOI را نشان می دهد که روی لایه خروجی قرار گرفته است (فایل رستر Sentinel 2 تبدیل شده با NDVI). لکه های زرد روشن نشان دهنده جنگل بارانی است که دست نخورده است (NDVI=1)، تکه های تیره تر نشان دهنده زمینه ها (0.5>NDVI>0) و تکه های آبی تیره نشان دهنده آب (NDVI=-1) هستند.

با مقایسه مقادیر دوره فعلی در مقابل یک دوره پایه تعریف شده، تغییرات و ناهنجاری ها در NDVI را می توان در طول زمان شناسایی و ردیابی کرد.

پس پردازش سفارشی و تجسم QuickSight برای بینش بیشتر

قابلیت‌های جغرافیایی SageMaker با یک جعبه ابزار تحلیل و نقشه‌برداری از پیش ساخته قدرتمند ارائه می‌شوند که عملکرد مورد نیاز برای بسیاری از وظایف تحلیل مکانی را ارائه می‌دهد. در برخی موارد، ممکن است به انعطاف بیشتری نیاز داشته باشید و بخواهید تجزیه و تحلیل های پس از سفارشی سازی شده را روی نتایج EOJ اجرا کنید. قابلیت‌های جغرافیایی SageMaker این انعطاف‌پذیری را از طریق یک تابع صادرات تسهیل می‌کند. صادرات خروجی EOJ دوباره یک فراخوان ساده API است:

export_job=sm_geo_client.export_earth_observation_job( Arn=eoj["Arn"], ExecutionRoleArn=sm_exec_role, OutputConfig={"S3Data": {"S3Uri":"s3://{}".format(main_bucket_name)+"/raw-eoj-output/"}}, ExportSourceImages=False
)

سپس می توانید فایل های شطرنجی خروجی را برای پردازش محلی بیشتر در a دانلود کنید نوت بوک جغرافیایی SageMaker استفاده از کتابخانه های رایج پایتون برای تجزیه و تحلیل مکانی مانند GDAL، Fiona، GeoPandas، Shapely و Rasterio، و همچنین کتابخانه های SageMaker خاص. با تجزیه و تحلیل های در حال اجرا در SageMaker، تمام ابزارهای تجزیه و تحلیل AWS که به طور بومی با SageMaker ادغام می شوند نیز در اختیار شما هستند. به عنوان مثال، راه حل مرتبط در راهنمایی برای بینش های جغرافیایی برای پایداری در AWS مخزن GitHub از Amazon S3 و آمازون آتنا برای جستجو در نتایج پس از پردازش و قابل مشاهده کردن آنها در داشبورد QuickSight. همه روال‌های پردازش به همراه کد استقرار و دستورالعمل‌های داشبورد QuickSight در این قسمت به تفصیل آمده است مخزن GitHub.

داشبورد سه جزء اصلی تجسم را ارائه می دهد:

• یک نمودار سری زمانی از مقادیر NDVI نرمال شده در برابر یک دوره پایه، که به شما امکان می دهد پویایی زمانی در تراکم پوشش گیاهی را ردیابی کنید.
• توزیع گسسته کامل مقادیر NDVI در دوره پایه و دوره جاری، ارائه شفافیت که در آن گونه‌های پوشش گیاهی بیشترین تغییر را داشته‌اند.
• تصاویر ماهواره ای تبدیل شده با NDVI برای دوره پایه، دوره فعلی، و تفاوت پیکسل به پیکسل بین هر دو دوره، که به شما امکان می دهد مناطق آسیب دیده را در داخل AOI شناسایی کنید.

همانطور که در مثال زیر نشان داده شده است، در طول دوره 5 ساله (2017-Q3 تا 2022-Q3)، میانگین NDVI AOI در مقایسه با دوره پایه (Q7.6 3) به میزان 2017 درصد کاهش یافته است که بر مساحت کل 250.21 کیلومتر مربع تأثیر می گذارد. این کاهش عمدتاً ناشی از تغییرات در مناطق با NDVI بالا (جنگل، جنگل بارانی) بود، که می‌توان آن را هنگام مقایسه توزیع‌های NDVI جریان در مقابل دوره پایه مشاهده کرد.

مقایسه فضایی پیکسل به پیکسل در برابر خط مبنا نشان می دهد که رویداد جنگل زدایی در منطقه ای درست در مرکز AOI رخ داده است که در آن جنگل طبیعی دست نخورده قبلی به زمین کشاورزی تبدیل شده است. متخصصان زنجیره تامین می توانند این نقاط داده را به عنوان مبنایی برای بررسی بیشتر و بررسی احتمالی روابط با تامین کننده مورد نظر قرار دهند.

نتیجه

قابلیت‌های جغرافیایی SageMaker می‌تواند با آسان‌تر کردن و در دسترس ساختن نظارت از راه دور زمین‌فضایی، بخشی جدایی‌ناپذیر در ردیابی برنامه‌های اقدام آب و هوایی شرکت‌ها باشد. این پست وبلاگ فقط بر یک مورد خاص - نظارت بر منشاء زنجیره تامین مواد خام متمرکز شده است. موارد استفاده دیگر به راحتی قابل تصور است. برای مثال، می‌توانید از معماری مشابهی برای ردیابی تلاش‌های احیای جنگل برای جبران انتشار، نظارت بر سلامت گیاه در جنگل‌کاری یا برنامه‌های کشاورزی استفاده کنید، یا شناسایی تأثیر خشکسالی بر روی آب‌ها، در میان بسیاری از برنامه های کاربردی دیگر.

درباره نویسنده

کارستن شروئر یک معمار راه حل در AWS است. او از مشتریان در استفاده از داده‌ها و فناوری برای ایجاد پایداری زیرساخت‌های فناوری اطلاعات و ایجاد راه‌حل‌های مبتنی بر داده‌های بومی ابری پشتیبانی می‌کند که عملیات پایدار را در عمودی مربوطه خود ممکن می‌سازد. کارستن پس از تحصیل در مقطع دکترا در زمینه یادگیری ماشین کاربردی و مدیریت عملیات به AWS پیوست. او واقعاً مشتاق راه‌حل‌های مبتنی بر فناوری برای چالش‌های اجتماعی است و دوست دارد در روش‌ها و معماری‌های کاربردی که زیربنای این راه‌حل‌ها هستند غوطه‌ور شود.

تامارا هربرت یک توسعه دهنده برنامه با خدمات حرفه ای AWS در انگلستان است. او در ساخت برنامه‌های کاربردی مدرن و مقیاس‌پذیر برای طیف گسترده‌ای از مشتریان تخصص دارد، که در حال حاضر بر آن‌هایی که در بخش دولتی هستند تمرکز دارد. او به طور فعال در ایجاد راه‌حل‌ها و ایجاد مکالمات که سازمان‌ها را قادر می‌سازد تا اهداف پایداری خود را هم در فضای ابری و هم از طریق ابر برآورده کنند، مشارکت دارد.

مارگارت اوتول در سال 2017 به AWS پیوست و وقت خود را صرف کمک به مشتریان در نقش های فنی مختلف کرده است. امروزه مارگارت رهبر فناوری WW برای پایداری است و جامعه ای از متخصصان فنی پایداری را رهبری می کند. این گروه با هم به مشتریان کمک می کند فناوری اطلاعات را برای پایداری بهینه کنند و از فناوری AWS برای حل برخی از دشوارترین چالش های پایداری در سراسر جهان استفاده کنند. مارگارت زیست‌شناسی و علوم کامپیوتر را در دانشگاه ویرجینیا و شرکت‌های پیشرو پایدار در مدرسه بازرگانی سعید آکسفورد تحصیل کرد.

• محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
• پلاتوبلاک چین. Web3 Metaverse Intelligence. دانش تقویت شده دسترسی به اینجا.
• منبع: https://aws.amazon.com/blogs/machine-learning/remote-monitoring-of-raw-material-supply-chains-for-sustainability-with-amazon-sagemaker-geospatial-capabilities/