पूर्वी ऑस्ट्रेलिया दुनिया के सबसे अधिक आग वाले क्षेत्रों में से एक है। हालाँकि, ऑस्ट्रेलिया में झाड़ियों में आग लगना एक नियमित घटना है, 2019–2020 के बुशफायर संकट ने 17 मिलियन हेक्टेयर भूमि (इंग्लैंड के आकार से भी बड़ी) को आग के हवाले कर दिया, जिससे ऑस्ट्रेलियाई अर्थव्यवस्था को संपत्ति, बुनियादी ढांचे, सामाजिक और पर्यावरणीय लागतों के बीच $100 बिलियन से अधिक की लागत आई। .
तेजी से चरम मौसम की घटनाओं के साथ, ऑस्ट्रेलिया में बुशफायर का जोखिम जल्द ही कभी भी दूर नहीं होगा। इसका मतलब यह है कि सुरक्षित और विश्वसनीय आपूर्ति बनाए रखने के लिए ऑस्ट्रेलिया के ऊर्जा नेटवर्क ऑपरेटरों पर जिम्मेदारी कभी भी अधिक नहीं रही है।
ऑस्ट्रेलियाई ऊर्जा नेटवर्क में 880,000 किलोमीटर से अधिक वितरण और संचरण लाइनें (पृथ्वी की परिधि के लगभग 22 चक्कर) और 7 मिलियन बिजली के खंभे शामिल हैं। झाड़ी में आग लगने के जोखिम को कम करने के लिए अत्यधिक जलवायु परिस्थितियों और बिजली लाइनों के करीब वनस्पतियों के विकास को सावधानीपूर्वक प्रबंधित करना होगा।
इस पोस्ट में, हम चर्चा करते हैं कि AusNet मशीन लर्निंग (ML) का उपयोग कैसे करता है और अमेज़न SageMaker झाड़ियों को कम करने में मदद करने के लिए।
LiDAR के साथ AusNet नवाचार
AusNet 54,000 किलोमीटर की बिजली लाइनों का प्रबंधन करता है और 1.5 मिलियन से अधिक विक्टोरियन घरों और व्यवसायों में ऊर्जा लाता है। इस नेटवर्क का 62% उच्च बुशफायर जोखिम वाले क्षेत्रों में स्थित है। AusNet ने अपने ऊर्जा नेटवर्क को सुरक्षित रूप से बनाए रखने और वनस्पति के कारण नेटवर्क को नुकसान पहुंचाने के जोखिम को कम करने के लिए एक अभिनव समाधान विकसित किया है।
2009 से, AusNet पूरे नेटवर्क में हवाई और सड़क-आधारित मैपिंग सिस्टम दोनों का उपयोग करके उच्च-गुणवत्ता वाले LiDAR डेटा को कैप्चर कर रहा है। LiDAR एक रिमोट-सेंसिंग विधि है जो दूरी और दिशाओं को मापने के लिए स्पंदित लेजर के रूप में प्रकाश का उपयोग करती है। किसी वस्तु के संवेदी बिंदु में 3डी समन्वय जानकारी (x, y, z) के साथ-साथ अतिरिक्त विशेषताएँ जैसे घनत्व, रिटर्न की संख्या, रिटर्न नंबर, GPS टाइमस्टैम्प, और इसी तरह की अन्य विशेषताएँ होती हैं। उन बिंदुओं को 3D बिंदु क्लाउड के रूप में दर्शाया जाता है, जो सभी बिंदुओं की जानकारी का एक संग्रह है। प्रसंस्करण के बाद, LiDAR को AusNet की नेटवर्क संपत्तियों के 3D मॉडल में बदल दिया जाता है, जो वनस्पति विकास की पहचान करता है जिसे बुशफायर सुरक्षा के लिए ट्रिम करने की आवश्यकता होती है।
LiDAR वर्गीकरण के लिए पिछली प्रक्रिया ने ऑटोमेशन चलाने के लिए सटीक भौगोलिक सूचना प्रणाली (GIS) परिसंपत्ति स्थानों पर भारी निर्भरता के साथ व्यवसाय नियम-संचालित अनुमान का उपयोग किया। कस्टम-निर्मित लेबलिंग टूल का उपयोग करके मैन्युअल श्रम प्रयास के लिए LiDAR बिंदुओं को सही ढंग से लेबल करने की आवश्यकता थी जहां परिसंपत्ति स्थान गलत थे या बस मौजूद नहीं थे। LiDAR बिंदुओं के मैनुअल सुधार और वर्गीकरण ने प्रसंस्करण टर्नअराउंड समय में वृद्धि की और इसे मापना कठिन बना दिया।
AusNet और Amazon मशीन लर्निंग
AusNet की भू-स्थानिक टीम ने Amazon ML विशेषज्ञों के साथ भागीदारी की, जिसमें Amazon मशीन लर्निंग सॉल्यूशंस लैब और प्रोफेशनल सर्विसेज शामिल हैं, यह जांचने के लिए कि कैसे ML LiDAR बिंदु वर्गीकरण को स्वचालित कर सकता है और गलत GIS स्थान डेटा को मैन्युअल रूप से ठीक करने की कठिन प्रक्रिया को तेज कर सकता है।
ऑस्ट्रेलिया के चारों ओर विभिन्न नेटवर्क कॉन्फ़िगरेशन का प्रतिनिधित्व करने वाले कैप्चर किए गए LiDAR बिंदुओं के खरबों को सही ढंग से वर्गीकृत करने की वार्षिक लागत $ 700,000 प्रति वर्ष से अधिक हो गई और नेटवर्क के बड़े क्षेत्रों में इसका विस्तार करने की AusNet की क्षमता को बाधित कर दिया।
AusNet और AWS ने मिलकर उपयोग किया अमेज़न SageMaker LiDAR डेटा के इस बड़े संग्रह के बिंदु-वार वर्गीकरण को स्वचालित करने के लिए प्रयोग करने और गहन शिक्षण मॉडल बनाने के लिए। अमेज़ॅन सैजमेकर एक पूरी तरह से प्रबंधित सेवा है जो डेटा वैज्ञानिकों और डेवलपर्स को उच्च-गुणवत्ता वाले मशीन लर्निंग मॉडल को जल्दी से तैयार करने, बनाने, प्रशिक्षित करने और तैनात करने में मदद करती है। AusNet और AWS टीम ने सफलतापूर्वक सिमेंटिक सेगमेंटेशन मॉडल बनाया है जो 3D पॉइंट क्लाउड डेटा को निम्नलिखित श्रेणियों में सटीक रूप से वर्गीकृत करता है: कंडक्टर, बिल्डिंग, पोल, वनस्पति, और अन्य।
ऑसनेट और बुशफायर न्यूनीकरण के लिए परिणाम
AWS और AusNet के बीच सहयोग एक बड़ी सफलता थी, जिससे व्यवसाय और बुशफायर जोखिम में कमी दोनों के लिए निम्नलिखित परिणाम सामने आए:
- LiDAR डेटा का उपयोग करके और साइटों पर यात्रा करने के लिए इंजीनियरों, सर्वेक्षकों और डिजाइनरों की आवश्यकता को कम करके कार्यकर्ता सुरक्षा में वृद्धि
- सभी पांच सेगमेंटेशन श्रेणियों में 80.53% सटीकता के परिणामस्वरूप स्वचालित वर्गीकरण के माध्यम से AusNet को अनुमानित AUD $500,000 प्रति वर्ष की बचत हुई
- संवाहकों और वनस्पतियों का पता लगाने में क्रमशः 91.66% और 92% सटीकता प्रदान की, दो सबसे महत्वपूर्ण खंड वर्गों के स्वचालित वर्गीकरण में सुधार
- प्रत्येक डेटा स्रोत की अद्वितीय परिवर्तनशीलता के लिए लेखांकन करते समय, ड्रोन, हेलीकाप्टरों, विमानों और ग्राउंड-आधारित वाहनों से प्राप्त LiDAR डेटा का उपयोग करने के लिए लचीलापन प्रदान किया।
- जीआईएस संदर्भ डेटा और मैनुअल सुधार प्रक्रियाओं पर निर्भरता को कम करके अपने पूरे नेटवर्क में एनालिटिक्स को तेजी से और स्केल करने के लिए व्यवसाय को सक्षम किया
- बढ़े हुए एमएल ऑटोमेशन और मैनुअल जीआईएस सुधार प्रक्रियाओं पर कम निर्भरता के साथ अपने पूरे ऊर्जा नेटवर्क में एनालिटिक्स को स्केल करने की क्षमता प्रदान की
निम्न तालिका पांच श्रेणियों में अनदेखे डेटा ("परिशुद्धता" और "रिकॉल" मेट्रिक्स का उपयोग करके मापा जाता है) पर सिमेंटिक सेगमेंटेशन मॉडल के प्रदर्शन को दर्शाती है।
एमएल मॉडल वर्गीकृत एक हेलीकाप्टर कब्जा से अंक:
समाधान अवलोकन
एमएल सॉल्यूशंस लैब टीम अत्यधिक अनुभवी एमएल वैज्ञानिकों और वास्तुकारों की एक टीम को नवाचार और प्रयोग चलाने में मदद करने के लिए लाई। उद्योगों में अत्याधुनिक एमएल अनुभव के साथ, टीम ने व्यवसाय के लिए सबसे चुनौतीपूर्ण प्रौद्योगिकी समस्याओं में से कुछ को हल करने के लिए ऑसनेट की भू-स्थानिक टीम के साथ सहयोग किया। SageMaker की गहरी ML क्षमताओं के आधार पर, AusNet और AWS पायलट को केवल 8 सप्ताह में पूरा करने में सक्षम थे।
SageMaker की चौड़ाई और गहराई ने प्रोजेक्ट पर सहयोग करने के लिए AusNet और AWS दोनों के डेवलपर्स और डेटा वैज्ञानिकों को अनुमति देने में महत्वपूर्ण भूमिका निभाई। टीम ने प्रशिक्षण के लिए कोड और नोटबुक-साझाकरण सुविधाओं का उपयोग किया और ऑन-डिमांड एमएल कंप्यूट संसाधनों तक आसानी से पहुँचा। सेजमेकर की लोच ने टीम को तेजी से पुनरावृति करने में सक्षम बनाया। टीम ऑन-प्रिमाइसेस हार्डवेयर प्राप्त करने के लिए अग्रिम पूंजी में निवेश करने की आवश्यकता के बिना AWS पर प्रयोग करने के लिए विभिन्न हार्डवेयर कॉन्फ़िगरेशन की उपलब्धता का लाभ उठाने में भी सक्षम थी। इसने ऑसनेट को सही आकार के एमएल संसाधनों को आसानी से चुनने और मांग पर अपने प्रयोगों को स्केल करने की अनुमति दी। जीपीयू संसाधनों पर लचीलापन और उपलब्धता महत्वपूर्ण है, खासकर जब एमएल कार्य के लिए अत्याधुनिक प्रयोगों की आवश्यकता होती है।
हमने डेटा एक्सप्लोर करने और प्रीप्रोसेसिंग कोड विकसित करने के लिए सेजमेकर नोटबुक इंस्टेंसेस का इस्तेमाल किया, और बड़े पैमाने पर वर्कलोड के लिए सेजमेकर प्रोसेसिंग और ट्रेनिंग जॉब्स का इस्तेमाल किया। टीम ने हाइपरपैरामीटर ऑप्टिमाइज़ेशन (HPO) का उपयोग विभिन्न कॉन्फ़िगरेशन और डेटासेट संस्करणों के साथ कई प्रशिक्षण नौकरियों पर जल्दी से हाइपरपैरामीटर को ठीक करने और सबसे अच्छा प्रदर्शन करने वाले मॉडल को खोजने के लिए किया। उदाहरण के लिए, हमने डेटा असंतुलन के मुद्दों को दूर करने के लिए डाउन सैंपलिंग और ऑग्मेंटेशन विधियों का उपयोग करके डेटासेट के विभिन्न संस्करण बनाए। समानांतर में अलग-अलग डेटासेट के साथ कई प्रशिक्षण कार्य चलाने से आप सही डेटासेट को जल्दी से ढूंढ सकते हैं। बड़े और असंतुलित पॉइंट क्लाउड डेटासेट के साथ, SageMaker ने प्रयोगों और डेटा परिवर्तनों के कई कॉन्फ़िगरेशन का उपयोग करके तेज़ी से पुनरावृति करने की क्षमता प्रदान की।
एमएल इंजीनियर कम लागत वाले नोटबुक उदाहरणों का उपयोग करके डेटा और एल्गोरिदम के प्रारंभिक अन्वेषण कर सकते हैं, फिर अधिक शक्तिशाली प्रसंस्करण उदाहरणों के लिए भारी डेटा संचालन को ऑफ़लोड कर सकते हैं। प्रति-सेकंड बिलिंग और स्वचालित जीवनचक्र प्रबंधन यह सुनिश्चित करता है कि अधिक महंगे प्रशिक्षण उदाहरण स्वचालित रूप से प्रारंभ और बंद हो जाते हैं और केवल आवश्यक समय तक ही सक्रिय रहते हैं, जिससे उपयोगिता दक्षता बढ़ जाती है।
टीम लगभग 10.8 मिलियन अंकों की कुल 17.2 फाइलों में असम्पीडित डेटा के 1,571 GiB पर 616 मिनट प्रति युग की दर से एक मॉडल को प्रशिक्षित करने में सक्षम थी। अनुमान के लिए, टीम 33.6 घंटों में कुल 15 बिलियन बिंदुओं वाली 1.2 फाइलों में असम्पीडित डेटा के 22.1 GiB को संसाधित करने में सक्षम थी। यह परिशोधित स्टार्टअप समय सहित औसतन 15,760 अंक प्रति सेकंड का अनुमान लगाने का अनुवाद करता है।
सिमेंटिक सेगमेंटेशन समस्या का समाधान
फिक्स्ड विंग कैप्चर से एमएल मॉडल वर्गीकृत अंक:
मोबाइल कैप्चर से एमएल मॉडल वर्गीकृत अंक:
एक पॉइंट क्लाउड में हर पॉइंट को कैटेगरी के सेट से एक कैटेगरी में असाइन करने की समस्या कहलाती है शब्दार्थ विभाजन संकट। LiDAR डेटासेट से AusNet के 3D पॉइंट क्लाउड में लाखों पॉइंट होते हैं। 3डी पॉइंट क्लाउड में प्रत्येक बिंदु को सटीक और कुशलता से लेबल करने में दो चुनौतियों का सामना करना शामिल है:
- असंतुलित डेटा - वास्तविक दुनिया के बिंदु बादलों में वर्ग असंतुलन एक आम समस्या है। जैसा कि पिछली क्लिप में देखा गया है, अधिकांश बिंदुओं में वनस्पति होती है, जिसमें बिजली लाइनों या कंडक्टरों से बने काफी कम बिंदु कुल बिंदुओं में से 1% से कम होते हैं। असंतुलित डेटासेट का उपयोग करके प्रशिक्षित मॉडल आसानी से प्रमुख वर्गों के प्रति पक्षपाती होते हैं, और नाबालिगों पर खराब काम करते हैं। बाहरी वातावरण के लिए LiDAR पॉइंट क्लाउड डेटा में यह वर्ग असंतुलन एक सामान्य समस्या है। इस कार्य के लिए, कंडक्टर बिंदुओं को वर्गीकृत करने में अच्छा प्रदर्शन करना महत्वपूर्ण है। एक ऐसे मॉडल को प्रशिक्षित करना जो बड़े और छोटे वर्ग दोनों पर अच्छा काम करता है, सबसे बड़ी चुनौती है।
- बड़े पैमाने पर बिंदु बादल - LiDAR सेंसर से पॉइंट क्लाउड डेटा की मात्रा एक बड़े खुले क्षेत्र को कवर कर सकती है। AusNet के मामले में, पॉइंट प्रति पॉइंट क्लाउड की संख्या सैकड़ों हज़ारों से लेकर दसियों लाख तक हो सकती है, जिसमें प्रत्येक पॉइंट क्लाउड फ़ाइल सैकड़ों मेगाबाइट से लेकर गीगाबाइट तक भिन्न होती है। अधिकांश पॉइंट क्लाउड सेगमेंटेशन एमएल एल्गोरिदम को सैंपलिंग की आवश्यकता होती है क्योंकि ऑपरेटर सभी बिंदुओं को अपने इनपुट के रूप में नहीं ले सकते हैं। दुर्भाग्य से, नमूनाकरण के कई तरीके कम्प्यूटेशनल रूप से भारी हैं, जो प्रशिक्षण और अनुमान दोनों को धीमा कर देता है। इस काम में, हमें सबसे कुशल एमएल एल्गोरिदम चुनने की जरूरत है जो बड़े पैमाने पर पॉइंट क्लाउड पर काम करता है।
AWS और AusNet टीमों ने भारी असंतुलित वर्गों के मुद्दे को हल करने के लिए क्लस्टरिंग बिंदुओं के माध्यम से एक नई डाउनसैंपलिंग रणनीति का आविष्कार किया। यह डाउनसैंपलिंग रणनीति मौजूदा शमन के साथ मिलकर, जैसे कि वर्ग भार, एक असंतुलित डेटासेट के साथ एक सटीक मॉडल को प्रशिक्षित करने में चुनौतियों को हल करने में मदद करता है और अनुमान प्रदर्शन को भी बढ़ाता है। हमने छोटी कक्षाओं को डुप्लिकेट करके और उन्हें अलग-अलग स्थानों पर रखकर अपसैंपलिंग रणनीति का भी प्रयोग किया। इस प्रक्रिया को SageMaker प्रोसेसिंग जॉब के रूप में बनाया गया था ताकि MLOps पाइपलाइन के भीतर आगे के मॉडल प्रशिक्षण के लिए इसे नए अधिग्रहीत डेटासेट पर लागू किया जा सके।
टीमों ने बिंदुओं की संख्या और दक्षता की सटीकता, मापनीयता पर विचार करते हुए विभिन्न बिंदु क्लाउड सेगमेंटेशन मॉडल पर शोध किया। कई प्रयोगों के दौरान, हमने पॉइंट क्लाउड सिमेंटिक सेगमेंटेशन के लिए एक अत्याधुनिक एमएल एल्गोरिथम चुना, जो आवश्यकताओं को पूरा करता था। हमने वृद्धि के तरीके भी अपनाए ताकि मॉडल विभिन्न डेटासेट से सीख सके।
उत्पादन वास्तुकला
पॉइंट क्लाउड सेगमेंटेशन समाधान को रोल आउट करने के लिए, टीम ने प्रशिक्षण और अनुमान के लिए सैजमेकर का उपयोग करके एक एमएल पाइपलाइन तैयार की। निम्नलिखित आरेख समग्र उत्पादन वास्तुकला को दर्शाता है।
प्रशिक्षण पाइपलाइन में पॉइंट क्लाउड प्रारूप रूपांतरण, श्रेणी रीमैपिंग, अपसैंपलिंग, डाउनसैंपलिंग और डेटासेट का विभाजन करने के लिए सेजमेकर प्रोसेसिंग में एक कस्टम प्रोसेसिंग कंटेनर है। प्रशिक्षण कार्य बड़े बैच आकार वाले मॉडल के प्रशिक्षण का समर्थन करने के लिए उच्च मेमोरी क्षमता वाले सेजमेकर में बहु-जीपीयू उदाहरणों का लाभ उठाता है।
AusNet का LiDAR वर्गीकरण वर्कफ़्लो भूमि और हवाई निगरानी वाहनों से पॉइंट क्लाउड डेटा के टेराबाइट्स तक के अंतर्ग्रहण के साथ शुरू होता है। अमेज़न सरल भंडारण सेवा (अमेज़न एस 3)। डेटा को तब संसाधित किया जाता है और बिंदु क्लाउड वर्गीकरण के लिए एक अनुमान पाइपलाइन में पारित किया जाता है। इसका समर्थन करने के लिए, एक सेजमेकर ट्रांसफ़ॉर्म का उपयोग डेटासेट में बैच इंट्रेंस चलाने के लिए किया जाता है, जिसमें आउटपुट को विश्वास स्कोर के साथ पॉइंट क्लाउड फ़ाइलों में वर्गीकृत किया जाता है। इसके बाद आउटपुट को AusNet के वर्गीकरण इंजन द्वारा प्रोसेस किया जाता है, जो कॉन्फिडेंस स्कोर का विश्लेषण करता है और एक एसेट मैनेजमेंट रिपोर्ट तैयार करता है।
आर्किटेक्चर के प्रमुख पहलुओं में से एक यह है कि यह AusNet को नए डेटासेट, डेटा प्रोसेसिंग तकनीक और मॉडल के साथ प्रयोग करने के लिए एक स्केलेबल और मॉड्यूलर दृष्टिकोण प्रदान करता है। इस दृष्टिकोण के साथ, AusNet अपने समाधान को बदलती पर्यावरणीय परिस्थितियों के अनुकूल बना सकता है और भविष्य के बिंदु क्लाउड सेगमेंटेशन एल्गोरिदम को अपना सकता है।
AusNet के साथ निष्कर्ष और अगले चरण
इस पोस्ट में, हमने चर्चा की कि कैसे AusNet की भू-स्थानिक टीम ने वर्गीकरण कार्य से GIS स्थान डेटा पर निर्भरता को पूरी तरह से हटाकर LiDAR बिंदु वर्गीकरण को स्वचालित करने के लिए Amazon ML वैज्ञानिकों के साथ भागीदारी की। इसलिए, वर्गीकरण कार्य को तेज और स्केलेबल बनाने के लिए मैनुअल जीआईएस सुधार द्वारा हुई देरी को हटा दिया गया है।
"हमारे हवाई सर्वेक्षण डेटा को तेज़ी से और सटीक रूप से लेबल करने में सक्षम होना बुशफायर के जोखिम को कम करने का एक महत्वपूर्ण हिस्सा है। अमेज़ॅन मशीन लर्निंग सॉल्यूशंस लैब के साथ काम करते हुए, हम एक मॉडल बनाने में सक्षम थे, जिसने डेटा लेबलिंग में 80.53% औसत सटीकता हासिल की। हम नए समाधान के साथ अपने मैन्युअल लेबलिंग प्रयासों को 80% तक कम करने में सक्षम होने की उम्मीद करते हैं," ऑसनेट के उत्पाद प्रबंधक डैनियल पेंडलेबरी कहते हैं।
ऑसनेट एमएल वर्गीकरण मॉडल की कल्पना करता है जो उनके नेटवर्क संचालन में दक्षता बढ़ाने में महत्वपूर्ण भूमिका निभाते हैं। नए विभाजन मॉडल के साथ अपने स्वचालित वर्गीकरण पुस्तकालयों का विस्तार करके, AusNet पूरे विक्टोरिया में समुदायों को ऊर्जा की सुरक्षित, विश्वसनीय आपूर्ति सुनिश्चित करने के लिए विशाल डेटासेट का अधिक उत्पादक रूप से उपयोग कर सकता है।
Acknowledgments
लेखक Sergiy Redko, Claire Burrows, William Manahan, Sahil Deshpande, Ross King, और AusNet के डेमियन बिसिग्नानो को प्रोजेक्ट में शामिल होने और विभिन्न ML एल्गोरिदम का उपयोग करके LiDAR डेटासेट और ML प्रशिक्षण पर अपनी डोमेन विशेषज्ञता लाने के लिए धन्यवाद देना चाहते हैं।
अमेज़न एमएल सॉल्यूशंस लैब
अमेज़न एमएल सॉल्यूशंस लैब अपने संगठन के उच्चतम-मूल्य वाले एमएल अवसरों को पहचानने और कार्यान्वित करने में आपकी सहायता करने के लिए अपनी टीम को एमएल विशेषज्ञों के साथ जोड़े। यदि आप अपने उत्पादों और प्रक्रियाओं में एमएल के उपयोग में तेजी लाने में सहायता चाहते हैं, तो कृपया संपर्क करें अमेज़न एमएल सॉल्यूशंस लैब.
लेखक के बारे में
डेनियल पेंडलेबरी वनस्पति प्रबंधन और संपत्ति रखरखाव क्षेत्रों में उपयोगिताओं के लिए नवीन, स्वचालित अनुपालन उत्पादों के प्रावधान में विशेषज्ञता वाले ऑसनेट सेवाओं में एक उत्पाद प्रबंधक है।
नथनेल वेल्डन Ausnet Services में एक भू-स्थानिक सॉफ़्टवेयर डेवलपर है। वह उपयोगिताओं, संसाधनों और पर्यावरण क्षेत्रों में अनुभव के साथ बड़े पैमाने पर भू-स्थानिक डेटा प्रोसेसिंग सिस्टम के निर्माण और ट्यूनिंग में माहिर हैं।
डेविड मोटामेड Amazon Web Services में अकाउंट मैनेजर हैं। मेलबोर्न, ऑस्ट्रेलिया में स्थित, वह उद्यम ग्राहकों को उनकी डिजिटल परिवर्तन यात्रा में सफल होने में मदद करता है।
साइमन जॉनसन एक एआई नेता है और एआई रणनीति और अर्थशास्त्र में विशेषज्ञता के साथ ऑस्ट्रेलिया और न्यूजीलैंड में अमेज़ॅन वेब सर्विसेज एआई/एमएल व्यवसाय के लिए जिम्मेदार है। 20+ वर्षों का अनुसंधान, प्रबंधन और परामर्श अनुभव (यूएस, ईयू, एपीएसी) जिसमें नवीन, उद्योग-आधारित अनुसंधान और व्यावसायीकरण एआई उद्यम शामिल हैं - स्टार्ट-अप / एसएमई / बड़े कोर और व्यापक पारिस्थितिकी तंत्र में संलग्न हैं।
डेरिक चू Amazon Web Services में एक समाधान वास्तुकार है। वह मेलबोर्न, ऑस्ट्रेलिया में स्थित है और क्लाउड में अपनी यात्रा को गति देने के लिए उद्यम ग्राहकों के साथ मिलकर काम करता है। वह ग्राहकों को नवाचार और स्केलेबल एप्लिकेशन के निर्माण के माध्यम से मूल्य बनाने में मदद करने के लिए भावुक हैं और एआई और एमएल में उनकी विशेष रुचि है।
मुय्युन किम अमेज़न मशीन लर्निंग सॉल्यूशंस लैब में एक डेटा वैज्ञानिक है। वह मशीन लर्निंग और डीप लर्निंग लागू करके ग्राहक की विभिन्न व्यावसायिक समस्याओं को हल करता है, और उन्हें कुशल बनाने में भी मदद करता है।
सुजॉय राय अमेज़ॅन मशीन लर्निंग सॉल्यूशंस लैब के साथ एक वैज्ञानिक है जो 20+ वर्षों के शैक्षणिक और उद्योग के अनुभव के साथ व्यावसायिक समस्याओं के लिए एमएल आधारित समाधानों का निर्माण और तैनाती करता है। उन्होंने टेल्को, मीडिया और एंटरटेनमेंट, एडटेक, रिमोट सेंसिंग, रिटेल और मैन्युफैक्चरिंग जैसे उद्योगों में ग्राहकों की समस्याओं को हल करने के लिए मशीन लर्निंग को लागू किया है।
जियांग कांगो अमेज़ॅन एमएल सॉल्यूशंस लैब में एक वरिष्ठ डीप लर्निंग आर्किटेक्ट हैं, जहां वह एआई और क्लाउड एडॉप्शन के साथ कई उद्योगों में एडब्ल्यूएस ग्राहकों की मदद करते हैं। अमेज़ॅन एमएल सॉल्यूशंस लैब में शामिल होने से पहले, उन्होंने AWS के सबसे उन्नत उद्यम ग्राहकों में से एक के लिए एक समाधान वास्तुकार के रूप में काम किया, AWS पर विभिन्न वैश्विक स्तर के क्लाउड वर्कलोड को डिज़ाइन किया। उन्होंने पहले सेमीकंडक्टर्स, नेटवर्किंग और दूरसंचार जैसे उद्योगों में सैमसंग इलेक्ट्रॉनिक्स जैसी कंपनियों के लिए एक सॉफ्टवेयर डेवलपर और सिस्टम आर्किटेक्ट के रूप में काम किया।
ईडन डूथी AWS में रेनफोर्समेंट लर्निंग प्रोफेशनल सर्विसेज टीम का नेतृत्व है। ईडन ग्राहकों के लिए निर्णय लेने के समाधान विकसित करने के लिए जुनूनी है। वह विशेष रूप से आपूर्ति श्रृंखला अनुकूलन पर मजबूत ध्यान देने के साथ औद्योगिक ग्राहकों की मदद करने में रुचि रखते हैं।
- '
- 000
- 100
- 3d
- 7
- लेखा
- लेखांकन
- सक्रिय
- अतिरिक्त
- दत्तक ग्रहण
- लाभ
- AI
- कलन विधि
- एल्गोरिदम
- सब
- की अनुमति दे
- वीरांगना
- अमेज़ॅन मशीन लर्निंग
- अमेज़न SageMaker
- अमेज़ॅन वेब सेवा
- के बीच में
- विश्लेषिकी
- अनुप्रयोगों
- स्थापत्य
- क्षेत्र
- चारों ओर
- आस्ति
- परिसंपत्ति प्रबंधन
- संपत्ति
- ऑस्ट्रेलिया
- लेखकों
- स्वचालित
- स्वचालन
- उपलब्धता
- एडब्ल्यूएस
- BEST
- बिलिंग
- बिलियन
- निर्माण
- इमारत
- व्यापार
- व्यवसायों
- क्षमता
- राजधानी
- चुनौती
- वर्गीकरण
- बादल
- बादल को गोद लेना
- कोड
- सहयोग
- सामान्य
- समुदाय
- कंपनियों
- अनुपालन
- गणना करना
- कंडक्टर
- आत्मविश्वास
- परामर्श
- कंटेनर
- रूपांतरण
- लागत
- संकट
- ग्राहक
- तिथि
- डेटा संसाधन
- आँकड़े वाला वैज्ञानिक
- निर्णय
- ध्यान लगा के पढ़ना या सीखना
- देरी
- मांग
- डेवलपर
- डेवलपर्स
- डिजिटल
- डिजिटल परिवर्तन
- ड्राइविंग
- राजा
- अर्थशास्त्र (इकोनॉमिक्स)
- अर्थव्यवस्था
- पारिस्थितिकी तंत्र
- दक्षता
- इलेक्ट्रानिक्स
- ऊर्जा
- इंजीनियर्स
- इंगलैंड
- उद्यम
- उद्यम ग्राहकों
- मनोरंजन
- ambiental
- EU
- घटनाओं
- विस्तार
- का विस्तार
- अनुभव
- प्रयोग
- विशेषज्ञों
- विशेषताएं
- लचीलापन
- फोकस
- प्रपत्र
- प्रारूप
- भविष्य
- वैश्विक
- अच्छा
- जीपीएस
- GPU
- विकास
- हार्डवेयर
- हेलीकॉप्टर
- हेलीकाप्टरों
- हाई
- कैसे
- HTTPS
- विशाल
- सैकड़ों
- पहचान करना
- सहित
- औद्योगिक
- उद्योगों
- उद्योग
- करें-
- इंफ्रास्ट्रक्चर
- नवोन्मेष
- अभिनव
- ब्याज
- जांच
- मुद्दों
- IT
- काम
- नौकरियां
- कुंजी
- राजा
- लेबलिंग
- श्रम
- बड़ा
- लेज़र
- नेतृत्व
- जानें
- सीख रहा हूँ
- सौदा
- प्रकाश
- स्थान
- लंबा
- यंत्र अधिगम
- प्रमुख
- बहुमत
- निर्माण
- प्रबंध
- विनिर्माण
- माप
- मीडिया
- मेलबोर्न
- मेट्रिक्स
- दस लाख
- नाबालिगों
- ML
- एमएल एल्गोरिदम
- एमएलओपीएस
- मोबाइल
- आदर्श
- मॉड्यूलर
- नेटवर्क
- शुद्ध कार्यशील
- न्यूजीलैंड
- खुला
- संचालन
- अवसर
- अन्य
- घर के बाहर
- प्रदर्शन
- पायलट
- विमानों
- बिजली
- एस्ट्रो मॉल
- उत्पादन
- उत्पाद
- परियोजना
- संपत्ति
- रेंज
- को कम करने
- सुदृढीकरण सीखना
- रिलायंस
- रिपोर्ट
- आवश्यकताएँ
- अनुसंधान
- उपयुक्त संसाधन चुनें
- खुदरा
- रिटर्न
- जोखिम
- रोल
- रन
- दौड़ना
- सुरक्षित
- सुरक्षा
- sagemaker
- सैमसंग
- बचत
- अनुमापकता
- स्केल
- वैज्ञानिकों
- सेक्टर्स
- अर्धचालक
- सेवाएँ
- सेट
- सरल
- आकार
- एसएमई
- So
- सोशल मीडिया
- सॉफ्टवेयर
- समाधान ढूंढे
- हल
- माहिर
- शुरू
- स्टार्टअप
- भंडारण
- स्ट्रेटेजी
- सफलता
- आपूर्ति
- आपूर्ति श्रृंखला
- समर्थन
- निगरानी
- सर्वेक्षण
- प्रणाली
- सिस्टम
- तकनीक
- टेक्नोलॉजी
- टेल्को
- दूरसंचार
- दुनिया
- पहर
- प्रशिक्षण
- परिवर्तन
- यात्रा
- अरबों
- us
- उपयोगिताओं
- मूल्य
- वाहन
- वेंचर्स
- वेब
- वेब सेवाओं
- विंग
- अंदर
- काम
- कार्यकर्ता सुरक्षा
- वर्कफ़्लो
- कार्य
- विश्व
- X
- वर्ष
- साल