Amazon Lookout สำหรับวิสัยทัศน์ เป็นบริการแมชชีนเลิร์นนิง (ML) ที่ช่วยระบุข้อบกพร่องและความผิดปกติในการแสดงภาพโดยใช้คอมพิวเตอร์วิทัศน์ (CV) ด้วย Amazon Lookout for Vision บริษัทผู้ผลิตสามารถเพิ่มคุณภาพและลดต้นทุนการดำเนินงานโดยระบุความแตกต่างในภาพของวัตถุตามขนาดได้อย่างรวดเร็ว
ลูกค้าองค์กรจำนวนมากต้องการระบุส่วนประกอบที่หายไปในผลิตภัณฑ์ ความเสียหายต่อยานพาหนะหรือโครงสร้าง ความผิดปกติในสายการผลิต ข้อบกพร่องเล็กๆ น้อยๆ ในเวเฟอร์ซิลิคอน และปัญหาอื่นๆ ที่คล้ายคลึงกัน Amazon Lookout for Vision ใช้ ML เพื่อดูและทำความเข้าใจภาพจากกล้องใดๆ ก็ได้เหมือนกับที่บุคคลทั่วไปทำ แต่มีระดับความแม่นยำที่สูงกว่าและในขนาดที่ใหญ่กว่ามาก Amazon Lookout for Vision ขจัดความจำเป็นในการตรวจสอบด้วยตนเองซึ่งมีค่าใช้จ่ายสูงและไม่สม่ำเสมอ ในขณะเดียวกันก็ปรับปรุงการควบคุมคุณภาพ การประเมินข้อบกพร่องและความเสียหาย และการปฏิบัติตามข้อกำหนด ภายในไม่กี่นาที คุณสามารถเริ่มใช้ Amazon Lookout for Vision เพื่อตรวจสอบรูปภาพและวัตถุได้โดยอัตโนมัติ โดยไม่ต้องมีความเชี่ยวชาญด้าน ML
ในโพสต์นี้ เราจะมาดูวิธีที่เราสามารถตรวจจับความผิดปกติในเวเฟอร์ซิลิคอนได้โดยอัตโนมัติและแจ้งเตือนผู้ปฏิบัติงานแบบเรียลไทม์
ภาพรวมโซลูชัน
การติดตามคุณภาพของผลิตภัณฑ์ในสายการผลิตถือเป็นงานที่ท้าทาย ขั้นตอนกระบวนการบางขั้นตอนจะถ่ายภาพผลิตภัณฑ์ที่มนุษย์ตรวจสอบเพื่อให้มั่นใจในคุณภาพที่ดี ด้วยปัญญาประดิษฐ์ คุณสามารถทำงานตรวจจับความผิดปกติเหล่านี้ได้โดยอัตโนมัติ แต่อาจจำเป็นต้องมีการแทรกแซงของมนุษย์หลังจากตรวจพบความผิดปกติแล้ว แนวทางมาตรฐานคือการส่งอีเมลเมื่อตรวจพบผลิตภัณฑ์ที่มีปัญหา อีเมลเหล่านี้อาจถูกมองข้าม ซึ่งอาจทำให้คุณภาพในโรงงานผลิตลดลง
ในโพสต์นี้ เราทำให้กระบวนการตรวจจับความผิดปกติในเวเฟอร์ซิลิคอนเป็นไปโดยอัตโนมัติ และแจ้งให้ผู้ปฏิบัติงานทราบแบบเรียลไทม์โดยใช้การโทรอัตโนมัติ แผนภาพต่อไปนี้แสดงให้เห็นถึงสถาปัตยกรรมของเรา เราปรับใช้เว็บไซต์แบบคงที่โดยใช้ AWS ขยายซึ่งทำหน้าที่เป็นจุดเริ่มต้นสำหรับการสมัครของเรา เมื่อใดก็ตามที่รูปภาพใหม่ถูกอัปโหลดผ่าน UI (1) และ AWS แลมบ์ดา ฟังก์ชันเรียกใช้โมเดล Amazon Lookout for Vision (2) และคาดการณ์ว่าเวเฟอร์นี้มีความผิดปกติหรือไม่ ฟังก์ชั่นจัดเก็บภาพที่อัพโหลดแต่ละภาพไปที่ บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon (อเมซอน S3) (3). หากเวเฟอร์มีความผิดปกติ ฟังก์ชันจะส่งความเชื่อมั่นของการทำนายไปที่ อเมซอน คอนเนค และโทรหาโอเปอเรเตอร์ (4) ซึ่งสามารถดำเนินการต่อไปได้ (5)
การตั้งค่า Amazon Connect และขั้นตอนการติดต่อที่เกี่ยวข้อง
หากต้องการกำหนดค่า Amazon Connect และโฟลว์การติดต่อ คุณต้องทำตามขั้นตอนระดับสูงต่อไปนี้:
- สร้างอินสแตนซ์ Amazon Connect
- ตั้งค่าโฟลว์การติดต่อ
- อ้างสิทธิ์หมายเลขโทรศัพท์ของคุณ
สร้างอินสแตนซ์ Amazon Connect
ขั้นตอนแรกคือ สร้างอินสแตนซ์ Amazon Connect. สำหรับการตั้งค่าที่เหลือ เราใช้ค่าเริ่มต้น แต่อย่าลืมสร้างการเข้าสู่ระบบของผู้ดูแลระบบ
การสร้างอินสแตนซ์อาจใช้เวลาสักครู่ หลังจากนั้นเราสามารถเข้าสู่ระบบอินสแตนซ์ Amazon Connect โดยใช้บัญชีผู้ดูแลระบบที่เราสร้างขึ้น
การตั้งค่าโฟลว์การติดต่อ
ในโพสต์นี้ เรามีขั้นตอนการติดต่อที่กำหนดไว้ล่วงหน้าซึ่งเราสามารถนำเข้าได้ สำหรับข้อมูลเพิ่มเติมเกี่ยวกับการนำเข้าโฟลว์ผู้ติดต่อที่มีอยู่ ดู นำเข้า/ส่งออกกระแสการติดต่อ.
- เลือกไฟล์
contact-flow/wafer-anomaly-detection
จาก repo GitHub. - Choose นำเข้า.
ขั้นตอนการติดต่อที่นำเข้ามีลักษณะคล้ายกับภาพหน้าจอต่อไปนี้
- ในหน้ารายละเอียดโฟลว์ ให้ขยาย แสดงข้อมูลการไหลเพิ่มเติม.
คุณจะพบ ARN ของโฟลว์การติดต่อได้ที่นี่
- บันทึก ID โฟลว์การติดต่อและ ID ของศูนย์ติดต่อ ซึ่งคุณต้องการในภายหลัง
อ้างสิทธิ์หมายเลขโทรศัพท์ของคุณ
อ้างสิทธิ์หมายเลข เป็นเรื่องง่ายและใช้เวลาเพียงไม่กี่คลิก ตรวจสอบให้แน่ใจว่าได้เลือกโฟลว์การติดต่อที่นำเข้าไว้ก่อนหน้านี้ในขณะที่อ้างสิทธิ์หมายเลข
หากไม่มีหมายเลขในประเทศที่คุณเลือก ให้เพิ่มตั๋วสนับสนุน
ภาพรวมโฟลว์การติดต่อ
ภาพหน้าจอต่อไปนี้แสดงขั้นตอนการติดต่อของเรา
โฟลว์การติดต่อทำหน้าที่ดังต่อไปนี้:
- เปิดใช้งานการบันทึก
- ตั้งค่าเอาต์พุต Amazon Polly เสียง (สำหรับโพสต์นี้เราใช้เสียง Kendra)
- รับอินพุตจากลูกค้าโดยใช้ DTMF (ใช้ได้เฉพาะคีย์ 1 และ 2 เท่านั้น)
- ขึ้นอยู่กับอินพุตของผู้ใช้ โฟลว์จะดำเนินการอย่างใดอย่างหนึ่งต่อไปนี้:
- พร้อมท์ข้อความบอกลาโดยระบุว่าจะไม่มีการดำเนินการใด ๆ และออก
- พร้อมท์ข้อความลาที่ระบุว่าจะดำเนินการและออก
- ล้มเหลวและส่งบล็อกทางเลือกที่ระบุว่าเครื่องจะปิดและออก
ทางเลือก คุณสามารถปรับปรุงระบบของคุณด้วย อเมซอน เล็กซ์ บอท
ปรับใช้โซลูชัน
ตอนนี้คุณได้ตั้งค่า Amazon Connect, ปรับใช้โฟลว์การติดต่อของคุณ และบันทึกข้อมูลที่คุณต้องการสำหรับการปรับใช้ส่วนที่เหลือแล้ว เราก็สามารถนำส่วนประกอบที่เหลือไปใช้จริงได้ ในพื้นที่เก็บข้อมูล GitHub ที่โคลน ให้แก้ไขไฟล์ build.sh
script และรันจากบรรทัดคำสั่ง:
ให้ข้อมูลต่อไปนี้:
- ภูมิภาคของคุณ
- ชื่อบัคเก็ต S3 ที่คุณต้องการใช้ (ตรวจสอบให้แน่ใจว่าชื่อมีคำอยู่ด้วย
sagemaker
). - ชื่อของโปรเจ็กต์ Amazon Lookout for Vision ที่คุณต้องการใช้
- ID ของโฟลว์การติดต่อของคุณ
- รหัสอินสแตนซ์ Amazon Connect ของคุณ
- หมายเลขที่คุณอ้างสิทธิ์ใน Amazon Connect ในรูปแบบ E.164 (เช่น +132398765)
- ชื่อสำหรับ การก่อตัวของ AWS Cloud สแต็กที่คุณสร้างโดยการรันสคริปต์นี้
สคริปต์นี้จะดำเนินการดังต่อไปนี้:
- สร้างบัคเก็ต S3 ให้กับคุณ
- สร้างไฟล์ .zip สำหรับฟังก์ชัน Lambda ของคุณ
- อัปโหลดเทมเพลต CloudFormation และฟังก์ชัน Lambda ไปยังบัคเก็ต S3 ใหม่ของคุณ
- สร้าง CloudFormation stack
หลังจากปรับใช้สแต็กแล้ว คุณจะพบทรัพยากรต่อไปนี้ที่สร้างขึ้นบนคอนโซล AWS CloudFormation
คุณจะเห็นได้ว่า อเมซอน SageMaker โน๊ตบุ๊คที่เรียกว่า amazon-lookout-vision-create-project
ถูกสร้างขึ้นด้วย
สร้าง ฝึกอบรม และปรับใช้โมเดล Amazon Lookout for Vision
ในส่วนนี้ เราจะดูวิธีสร้าง ฝึกอบรม และปรับใช้โมเดล Amazon Lookout for Vision โดยใช้ Python SDK แบบโอเพ่นซอร์ส สำหรับข้อมูลเพิ่มเติมเกี่ยวกับ Amazon Lookout สำหรับ Vision Python SDK โปรดดู โพสต์บล็อกนี้.
คุณสามารถสร้างโมเดลได้ผ่านทาง คอนโซลการจัดการ AWS. สำหรับการปรับใช้ทางโปรแกรม ให้ทำตามขั้นตอนต่อไปนี้:
- บนคอนโซล SageMaker บน อินสแตนซ์โน้ตบุ๊ก ให้เข้าถึงอินสแตนซ์สมุดบันทึก SageMaker ที่สร้างขึ้นก่อนหน้านี้โดยเลือก เปิดดาวพฤหัสบดี
ในกรณีนี้ คุณสามารถค้นหา พื้นที่เก็บข้อมูล GitHub ของ Amazon Lookout สำหรับ Vision Python SDK จะถูกโคลนโดยอัตโนมัติ
- นำทางเข้าไปที่
amazon-lookout-for-vision-python-sdk/example
โฟลเดอร์
โฟลเดอร์นี้ประกอบด้วยสมุดบันทึกตัวอย่างที่จะแนะนำคุณเกี่ยวกับการสร้าง การฝึกอบรม และการปรับใช้โมเดล ก่อนที่คุณจะเริ่มต้น คุณต้องอัปโหลดรูปภาพเพื่อใช้ฝึกโมเดลลงในอินสแตนซ์โน้ตบุ๊กของคุณ
- ตัว Vortex Indicator ได้ถูกนำเสนอลงในนิตยสาร
example/
โฟลเดอร์ ให้สร้างโฟลเดอร์ใหม่สองโฟลเดอร์ชื่อgood
และbad
. - นำทางไปยังทั้งสองโฟลเดอร์และอัปโหลดภาพของคุณตามลำดับ
รูปภาพตัวอย่างอยู่ในพื้นที่เก็บข้อมูล GitHub ที่ดาวน์โหลด
- หลังจากที่คุณอัปโหลดภาพแล้ว ให้เปิดไฟล์
lookout_for_vision_example.ipynb
สมุดบันทึก.
สมุดบันทึกจะแนะนำคุณตลอดขั้นตอนการสร้างแบบจำลองของคุณ ขั้นตอนสำคัญประการหนึ่งที่คุณควรทำก่อนคือให้ข้อมูลต่อไปนี้:
คุณสามารถเพิกเฉยต่อส่วนการอนุมานได้ แต่อย่าลังเลที่จะลองใช้ส่วนนี้ของสมุดบันทึก เนื่องจากคุณเพิ่งเริ่มต้น คุณจึงออกไปได้ model_version
ตั้งค่าให้ "1
"
สำหรับ input_bucket
และ project_name
ให้ใช้บัคเก็ต S3 และชื่อโปรเจ็กต์ Amazon Lookout for Vision ที่ให้ไว้เป็นส่วนหนึ่งของ build.sh
สคริปต์ จากนั้น คุณสามารถเรียกใช้แต่ละเซลล์ในสมุดบันทึก ซึ่งปรับใช้โมเดลได้สำเร็จ
คุณสามารถดูเมตริกการฝึกอบรมได้โดยใช้ SDK แต่คุณสามารถค้นหาเมตริกเหล่านั้นบนคอนโซลได้เช่นกัน ในการทำเช่นนั้น ให้เปิดโปรเจ็กต์ของคุณ นำทางไปยังโมเดล และเลือกโมเดลที่คุณฝึกฝน ตัวชี้วัดมีอยู่ใน การวัดประสิทธิภาพ แถบ
ตอนนี้คุณพร้อมที่จะปรับใช้เว็บไซต์แบบคงที่ซึ่งสามารถเรียกใช้โมเดลของคุณได้ตามต้องการ
ปรับใช้เว็บไซต์แบบคงที่
ขั้นตอนแรกของคุณคือการเพิ่มจุดสิ้นสุดของคุณ Amazon API Gateway Amazon ไปยังซอร์สโค้ดของเว็บไซต์แบบคงที่ของคุณ
- บนคอนโซล API Gateway ให้ค้นหา REST API ที่เรียกว่า
LookoutVisionAPI
. - เปิด API แล้วเลือก การฝึกงาน.
- บนเมนูแบบเลื่อนลงของเวที (สำหรับโพสต์นี้ dev), เลือก POST
- คัดลอกค่าสำหรับ เรียกใช้ URL.
เราเพิ่ม URL ลงในซอร์สโค้ด HTML
- เปิดไฟล์
html/index.html
.
ที่ท้ายไฟล์ คุณจะพบส่วนที่ใช้ jQuery เพื่อทริกเกอร์คำขอ AJAX คีย์หนึ่งเรียกว่า url
ซึ่งมีสตริงว่างเป็นค่า
- ป้อน URL ที่คุณคัดลอกไว้เป็น URL ใหม่
url
ค่าและบันทึกไฟล์
รหัสควรมีลักษณะคล้ายกับต่อไปนี้:
- แปลง
index.html
เป็นไฟล์ .zip - บนคอนโซล AWS Amplify ให้เลือกแอป
ObjectTracking
.
หน้าสภาพแวดล้อมส่วนหน้าของแอปของคุณจะเปิดขึ้นโดยอัตโนมัติ
- เลือก ปรับใช้โดยไม่มีผู้ให้บริการ Git.
คุณสามารถปรับปรุงส่วนนี้เพื่อเชื่อมต่อ AWS Amplify กับ Git และทำให้การปรับใช้ทั้งหมดของคุณเป็นแบบอัตโนมัติ
- Choose เชื่อมต่อสาขา.
- สำหรับ ชื่อสิ่งแวดล้อมธ กรอกชื่อ (สำหรับโพสนี้เราเข้า
dev
). - สำหรับ วิธีให้เลือก การลากและวาง.
- Choose เลือกไฟล์ เพื่ออัปโหลด
index.html.zip
ไฟล์ที่คุณสร้างขึ้น - Choose บันทึกและปรับใช้.
หลังจากการปรับใช้สำเร็จ คุณสามารถใช้เว็บแอปพลิเคชันของคุณโดยเลือกโดเมนที่แสดงใน AWS Amplify
ตรวจจับความผิดปกติ
ยินดีด้วย! คุณเพิ่งสร้างโซลูชันเพื่อทำให้การตรวจจับความผิดปกติในเวเฟอร์ซิลิคอนเป็นอัตโนมัติ และแจ้งเตือนผู้ปฏิบัติงานให้ดำเนินการที่เหมาะสม ข้อมูลที่เราใช้สำหรับ Amazon Lookout for Vision เป็นแผนที่เวเฟอร์ที่นำมาจาก Wikipedia มีการเพิ่มจุด "แย่" สองสามจุดเพื่อเลียนแบบสถานการณ์จริงในการผลิตเซมิคอนดักเตอร์
หลังจากปรับใช้โซลูชันแล้ว คุณสามารถรันการทดสอบเพื่อดูว่าโซลูชันทำงานอย่างไร เมื่อคุณเปิดโดเมน AWS Amplify คุณจะเห็นเว็บไซต์ที่ให้คุณอัปโหลดภาพได้ สำหรับโพสต์นี้ เราจะนำเสนอผลลัพธ์ของการตรวจจับเวเฟอร์ที่ไม่ดีที่เรียกว่ารูปแบบโดนัท หลังจากที่คุณอัปโหลดภาพ รูปภาพนั้นจะปรากฏบนเว็บไซต์ของคุณ
หากตรวจพบภาพว่ามีความผิดปกติ Amazon Connect จะโทรไปยังหมายเลขโทรศัพท์ของคุณ และคุณสามารถโต้ตอบกับบริการได้
สรุป
ในโพสต์นี้ เราใช้ Amazon Lookout for Vision เพื่อตรวจจับความผิดปกติในเวเฟอร์ซิลิคอนโดยอัตโนมัติ และแจ้งเตือนผู้ปฏิบัติงานแบบเรียลไทม์โดยใช้ Amazon Connect เพื่อให้พวกเขาสามารถดำเนินการได้ตามต้องการ
โซลูชันนี้ไม่ได้ผูกไว้กับเวเฟอร์เท่านั้น คุณสามารถขยายขอบเขตไปสู่การติดตามวัตถุในการขนส่ง ผลิตภัณฑ์ในการผลิต และความเป็นไปได้อื่นๆ ที่ไม่มีที่สิ้นสุด
เกี่ยวกับผู้เขียน
ทอลลา เชอร์เวนกา เป็น AWS Global Solutions Architect ที่ได้รับการรับรองในด้านข้อมูลและการวิเคราะห์ เธอใช้ศิลปะแห่งแนวทางที่เป็นไปได้ในการทำงานย้อนกลับจากเป้าหมายทางธุรกิจเพื่อพัฒนาสถาปัตยกรรมข้อมูลที่ขับเคลื่อนด้วยเหตุการณ์ที่ทำให้เกิดการเปลี่ยนแปลง ซึ่งช่วยให้สามารถตัดสินใจโดยอาศัยข้อมูลได้ นอกจากนี้ เธอมีความหลงใหลในการสร้างโซลูชันที่กำหนดไว้สำหรับการปรับโครงสร้างใหม่ให้กับปริมาณงานเสาหินที่สำคัญต่อภารกิจไปยังไมโครเซอร์วิส ห่วงโซ่อุปทาน และโรงงานที่เชื่อมต่อกัน ซึ่งใช้ประโยชน์จาก IOT การเรียนรู้ของเครื่องจักร ข้อมูลขนาดใหญ่ และบริการการวิเคราะห์
ไมเคิล วอลล์เนอร์ เป็นนักวิทยาศาสตร์ข้อมูลระดับโลกที่มี AWS Professional Services และมีความมุ่งมั่นที่จะช่วยให้ลูกค้าบนเส้นทาง AI/ML ในระบบคลาวด์กลายเป็น AWSome นอกจากจะมีความสนใจใน Amazon Connect อย่างลึกซึ้งแล้ว เขายังชอบกีฬาและชอบทำอาหารอีกด้วย
Kฤทธิวาสัน พละสุบรามานิยัน เป็นที่ปรึกษาหลักที่ Amazon Web Services เขาช่วยให้ลูกค้าองค์กรทั่วโลกเดินทางสู่การเปลี่ยนแปลงทางดิจิทัลและช่วยออกแบบโซลูชันเนทีฟบนคลาวด์
- เข้า
- ลงชื่อเข้าใช้
- การกระทำ
- เพิ่มเติม
- ผู้ดูแลระบบ
- อเมซอน
- Amazon Web Services
- การวิเคราะห์
- การตรวจจับความผิดปกติ
- API
- app
- การใช้งาน
- สถาปัตยกรรม
- รอบ
- ศิลปะ
- ปัญญาประดิษฐ์
- อัตโนมัติ
- AWS
- บล็อก
- ธ ปท
- สร้าง
- การก่อสร้าง
- ธุรกิจ
- โทรศัพท์
- ก่อให้เกิด
- เมฆ
- เมฆพื้นเมือง
- รหัส
- บริษัท
- การปฏิบัติตาม
- วิสัยทัศน์คอมพิวเตอร์
- ความมั่นใจ
- ผู้ให้คำปรึกษา
- การปรุงอาหาร
- ค่าใช้จ่าย
- การสร้าง
- ลูกค้า
- ข้อมูล
- นักวิทยาศาสตร์ข้อมูล
- ความต้องการ
- การตรวจพบ
- พัฒนา
- ดิจิตอล
- แปลงดิจิตอล
- ปลายทาง
- Enterprise
- ลูกค้าองค์กร
- สิ่งแวดล้อม
- แสดง
- ชื่อจริง
- ไหล
- รูป
- ฟรี
- ฟังก์ชัน
- ไป
- GitHub
- เหตุการณ์ที่
- ดี
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- ทำอย่างไร
- HTTPS
- มนุษย์
- แยกแยะ
- ภาพ
- การนำเข้า
- เพิ่ม
- ข้อมูล
- Intelligence
- อยากเรียนรู้
- IOT
- IT
- คีย์
- กุญแจ
- การเรียนรู้
- เลฟเวอเรจ
- Line
- เรียนรู้เครื่อง
- การจัดการ
- การผลิต
- แผนที่
- ตัวชี้วัด
- ภารกิจ
- ML
- แบบ
- ตัวเลข
- เปิด
- เปิด
- ใบสั่ง
- อื่นๆ
- แบบแผน
- คำทำนาย
- นำเสนอ
- ผลิตภัณฑ์
- การผลิต
- ผลิตภัณฑ์
- โครงการ
- หลาม
- คุณภาพ
- ยก
- ผู้อ่าน
- ลด
- แหล่งข้อมูล
- REST
- ทบทวน
- วิ่ง
- วิ่ง
- sagemaker
- ขนาด
- SDK
- สารกึ่งตัวนำ
- บริการ
- ชุด
- ง่าย
- So
- โซลูชัน
- กีฬา
- เริ่มต้น
- ข้อความที่เริ่ม
- การเก็บรักษา
- ร้านค้า
- ความสำเร็จ
- ที่ประสบความสำเร็จ
- จัดหาอุปกรณ์
- ห่วงโซ่อุปทาน
- สนับสนุน
- ระบบ
- ทดสอบ
- เวลา
- ลู่
- การติดตาม
- การฝึกอบรม
- การแปลง
- การขนส่ง
- ui
- ความคุ้มค่า
- ยานพาหนะ
- รายละเอียด
- วิสัยทัศน์
- เสียงพูด
- เว็บ
- บริการเว็บ
- Website
- WHO
- วิกิพีเดีย
- งาน
- โรงงาน