ทางตะวันออกของออสเตรเลียเป็นหนึ่งในภูมิภาคที่เกิดเพลิงไหม้ได้ง่ายที่สุดในโลก แม้ว่าไฟป่าจะเกิดขึ้นเป็นประจำในออสเตรเลีย แต่วิกฤตไฟป่าในปี 2019–2020 ได้จุดไฟเผาพื้นที่กว่า 17 ล้านเฮกตาร์ (ใหญ่กว่าขนาดของอังกฤษ) ซึ่งทำให้เศรษฐกิจของออสเตรเลียต้องเสียค่าทรัพย์สิน โครงสร้างพื้นฐาน สังคม และสิ่งแวดล้อมมากกว่า 100 พันล้านดอลลาร์ .
ด้วยเหตุการณ์สภาพอากาศที่รุนแรงขึ้นเรื่อยๆ ความเสี่ยงจากไฟป่าในออสเตรเลียยังไม่หมดไปในเร็วๆ นี้ ซึ่งหมายความว่าความรับผิดชอบของผู้ให้บริการเครือข่ายพลังงานของออสเตรเลียในการดูแลรักษาแหล่งจ่ายที่ปลอดภัยและเชื่อถือได้ไม่เคยมีอะไรมากไปกว่านี้
เครือข่ายพลังงานของออสเตรเลียประกอบด้วยสายส่งและสายส่งกว่า 880,000 กิโลเมตร (เดินทางประมาณ 22 รอบรอบเส้นรอบวงของโลก) และเสาไฟฟ้า 7 ล้านต้น สภาพภูมิอากาศที่รุนแรงและการเจริญเติบโตของพืชใกล้กับสายไฟจะต้องได้รับการจัดการอย่างระมัดระวังเพื่อลดความเสี่ยงจากไฟป่า
ในโพสต์นี้ เราจะพูดถึงวิธีที่ AusNet ใช้แมชชีนเลิร์นนิง (ML) และ อเมซอน SageMaker เพื่อช่วยบรรเทาไฟป่า
นวัตกรรม AusNet ด้วย LiDAR
AusNet จัดการสายไฟ 54,000 กิโลเมตร และนำพลังงานมาสู่บ้านและธุรกิจสไตล์วิกตอเรียมากกว่า 1.5 ล้านหลัง 62% ของเครือข่ายนี้อยู่ในพื้นที่เสี่ยงไฟป่าสูง AusNet ได้พัฒนาโซลูชันที่เป็นนวัตกรรมเพื่อรักษาเครือข่ายพลังงานอย่างปลอดภัยและลดความเสี่ยงที่พืชจะเกิดความเสียหายต่อเครือข่าย
ตั้งแต่ปี 2009 AusNet ได้รวบรวมข้อมูล LiDAR คุณภาพสูงทั่วทั้งเครือข่ายโดยใช้ระบบการทำแผนที่ทั้งทางอากาศและบนถนน LiDAR เป็นวิธีการรับรู้ระยะไกลที่ใช้แสงในรูปแบบของเลเซอร์พัลซิ่งเพื่อวัดระยะทางและทิศทาง จุดตรวจจับของวัตถุมีข้อมูลพิกัด 3 มิติ (x, y, z) รวมถึงคุณลักษณะเพิ่มเติม เช่น ความหนาแน่น จำนวนการส่งคืน หมายเลขส่งคืน เวลาประทับ GPS และอื่นๆ จุดเหล่านั้นจะแสดงเป็นคลาวด์จุด 3 มิติ ซึ่งเป็นชุดของข้อมูลจุดทั้งหมด เมื่อประมวลผล LiDAR จะกลายเป็นโมเดล 3 มิติของสินทรัพย์เครือข่ายของ AusNet เพื่อระบุการเติบโตของพืชที่ต้องตัดแต่งเพื่อความปลอดภัยจากไฟป่า
กระบวนการก่อนหน้านี้สำหรับการจัดประเภท LiDAR ใช้การอนุมานที่ขับเคลื่อนด้วยกฎธุรกิจ โดยอาศัยตำแหน่งสินทรัพย์ระบบข้อมูลทางภูมิศาสตร์ (GIS) ที่แม่นยำอย่างมากเพื่อขับเคลื่อนการทำงานอัตโนมัติ ต้องใช้แรงงานคนโดยใช้เครื่องมือการติดฉลากแบบกำหนดเองเพื่อติดฉลากจุด LiDAR อย่างถูกต้องซึ่งตำแหน่งของสินทรัพย์ไม่ถูกต้องหรือไม่มีอยู่จริง การแก้ไขด้วยตนเองและการจัดประเภทคะแนน LiDAR ช่วยเพิ่มเวลาในการประมวลผลและทำให้ปรับขนาดได้ยาก
AusNet และ Amazon Machine Learning
ทีม Geospatial ของ AusNet ร่วมมือกับผู้เชี่ยวชาญของ Amazon ML รวมถึง Amazon Machine Learning Solutions Lab และบริการระดับมืออาชีพ เพื่อตรวจสอบวิธีที่ ML สามารถทำให้การจัดประเภทจุด LiDAR เป็นอัตโนมัติและเร่งกระบวนการที่ยุ่งยากในการแก้ไขข้อมูลตำแหน่ง GIS ที่ไม่ถูกต้องด้วยตนเอง
ค่าใช้จ่ายประจำปีในการจำแนกคะแนน LiDAR ที่จับได้อย่างแม่นยำจำนวนหลายล้านล้านจุดซึ่งแสดงถึงการกำหนดค่าเครือข่ายต่างๆ ทั่วออสเตรเลียนั้นเกิน 700,000 ดอลลาร์ต่อปี และขัดขวางความสามารถของ AusNet ในการขยายสิ่งนี้ไปยังพื้นที่ขนาดใหญ่ของเครือข่าย
AusNet และ AWS ร่วมมือกันใช้งาน อเมซอน SageMaker เพื่อทดลองและสร้างแบบจำลองการเรียนรู้เชิงลึกเพื่อทำการจำแนกประเภทข้อมูล LiDAR จำนวนมากตามจุดโดยอัตโนมัติ Amazon SageMaker เป็นบริการที่มีการจัดการเต็มรูปแบบซึ่งช่วยให้นักวิทยาศาสตร์ด้านข้อมูลและนักพัฒนาสามารถจัดเตรียม สร้าง ฝึกอบรม และปรับใช้โมเดลแมชชีนเลิร์นนิงคุณภาพสูงได้อย่างรวดเร็ว ทีมงาน AusNet และ AWS ประสบความสำเร็จในการสร้างแบบจำลองการแบ่งส่วนเชิงความหมายซึ่งจัดประเภทข้อมูล 3D point cloud อย่างแม่นยำในหมวดหมู่ต่อไปนี้: ตัวนำ สิ่งปลูกสร้าง เสา พืช และอื่นๆ
ผลลัพธ์สำหรับ AusNet และการลดไฟป่า
การทำงานร่วมกันระหว่าง AWS และ AusNet ประสบความสำเร็จอย่างมาก โดยให้ผลลัพธ์ต่อไปนี้สำหรับทั้งธุรกิจและการลดความเสี่ยงจากไฟป่า:
- เพิ่มความปลอดภัยของพนักงานโดยใช้ข้อมูล LiDAR และลดความจำเป็นที่วิศวกร นักสำรวจ และนักออกแบบต้องเดินทางไปยังไซต์งาน
- ส่งผลให้มีความแม่นยำถึง 80.53% ในการแบ่งกลุ่มทั้งห้าหมวด ทำให้ AusNet ประหยัดได้ประมาณ 500,000 ดอลลาร์ออสเตรเลียต่อปีผ่านการจำแนกประเภทอัตโนมัติ
- ให้ความแม่นยำ 91.66% และ 92% ในการตรวจจับตัวนำและพืชพรรณ ตามลำดับ ปรับปรุงการจำแนกประเภทอัตโนมัติของสองกลุ่มที่สำคัญที่สุด
- ให้ความยืดหยุ่นในการใช้ข้อมูล LiDAR ที่ได้รับจากโดรน เฮลิคอปเตอร์ เครื่องบิน และยานพาหนะภาคพื้นดิน ในขณะที่พิจารณาความแปรปรวนเฉพาะของแหล่งข้อมูลแต่ละแหล่ง
- ช่วยให้ธุรกิจสามารถสร้างสรรค์นวัตกรรมได้เร็วขึ้นและปรับขนาดการวิเคราะห์ทั่วทั้งเครือข่ายโดยลดการพึ่งพาข้อมูลอ้างอิง GIS และกระบวนการแก้ไขด้วยตนเอง
- ให้ความสามารถในการปรับขนาดการวิเคราะห์ในเครือข่ายพลังงานทั้งหมดด้วยระบบอัตโนมัติ ML ที่เพิ่มขึ้นและลดการพึ่งพากระบวนการแก้ไข GIS ด้วยตนเอง
ตารางต่อไปนี้แสดงประสิทธิภาพของแบบจำลองการแบ่งส่วนความหมายของข้อมูลที่มองไม่เห็น (วัดโดยใช้เมตริก "ความแม่นยำ" และ "การเรียกคืน" โดยที่สูงกว่าจะดีกว่า) ในห้าหมวดหมู่
โมเดล ML จำแนกคะแนนจากการยึดเฮลิคอปเตอร์:
ภาพรวมโซลูชัน
ทีม ML Solutions Lab ได้นำทีมนักวิทยาศาสตร์และสถาปนิก ML ที่มีประสบการณ์สูงมาช่วยขับเคลื่อนนวัตกรรมและการทดลอง ด้วยประสบการณ์ ML ที่ล้ำสมัยในอุตสาหกรรมต่างๆ ทีมงานได้ร่วมมือกับทีม Geospatial ของ AusNet เพื่อแก้ปัญหาด้านเทคโนโลยีที่ท้าทายที่สุดสำหรับธุรกิจ จากความสามารถ ML เชิงลึกของ SageMaker ทำให้ AusNet และ AWS สามารถดำเนินการนำร่องให้เสร็จสิ้นภายในเวลาเพียง 8 สัปดาห์
ความกว้างและความลึกของ SageMaker มีบทบาทสำคัญในการอนุญาตให้นักพัฒนาและนักวิทยาศาสตร์ข้อมูลจากทั้ง AusNet และ AWS สามารถทำงานร่วมกันในโครงการได้ ทีมงานใช้โค้ดและคุณลักษณะการแชร์โน้ตบุ๊ก และเข้าถึงทรัพยากรการประมวลผล ML แบบออนดีมานด์สำหรับการฝึกอบรมได้อย่างง่ายดาย ความยืดหยุ่นของ SageMaker ช่วยให้ทีมสามารถทำซ้ำได้อย่างรวดเร็ว ทีมงานยังสามารถใช้ประโยชน์จากความพร้อมใช้งานของการกำหนดค่าฮาร์ดแวร์ต่างๆ เพื่อทดลองบน AWS โดยไม่ต้องลงทุนในเงินทุนล่วงหน้าเพื่อซื้อฮาร์ดแวร์ภายในองค์กร สิ่งนี้ทำให้ AusNet สามารถเลือกทรัพยากร ML ที่มีขนาดเหมาะสมและปรับขนาดการทดลองได้ตามต้องการ ความยืดหยุ่นและความพร้อมใช้งานของทรัพยากร GPU เป็นสิ่งสำคัญ โดยเฉพาะอย่างยิ่งเมื่องาน ML ต้องการการทดลองที่ล้ำสมัย
เราใช้อินสแตนซ์โน้ตบุ๊ก SageMaker เพื่อสำรวจข้อมูลและพัฒนาโค้ดประมวลผลล่วงหน้า และใช้การประมวลผลและฝึกอบรมของ SageMaker สำหรับปริมาณงานขนาดใหญ่ ทีมงานยังใช้การเพิ่มประสิทธิภาพไฮเปอร์พารามิเตอร์ (HPO) เพื่อทำซ้ำอย่างรวดเร็วในงานฝึกอบรมหลายงานด้วยการกำหนดค่าและเวอร์ชันชุดข้อมูลต่างๆ เพื่อปรับแต่งไฮเปอร์พารามิเตอร์และค้นหาโมเดลที่มีประสิทธิภาพดีที่สุด ตัวอย่างเช่น เราสร้างชุดข้อมูลเวอร์ชันต่างๆ โดยใช้วิธีการสุ่มตัวอย่างและการเพิ่มข้อมูลลงเพื่อเอาชนะปัญหาความไม่สมดุลของข้อมูล การรันงานการฝึกอบรมหลายงานด้วยชุดข้อมูลต่างๆ แบบคู่ขนานกัน ช่วยให้คุณค้นหาชุดข้อมูลที่ถูกต้องได้อย่างรวดเร็ว ด้วยชุดข้อมูล point cloud ที่มีขนาดใหญ่และไม่สมดุล SageMaker ให้ความสามารถในการทำซ้ำได้อย่างรวดเร็วโดยใช้การกำหนดค่าการทดลองและการแปลงข้อมูลจำนวนมาก
วิศวกร ML สามารถทำการสำรวจข้อมูลและอัลกอริธึมเบื้องต้นได้โดยใช้อินสแตนซ์โน้ตบุ๊กราคาประหยัด จากนั้นจึงโอนการดำเนินการข้อมูลจำนวนมากไปยังอินสแตนซ์การประมวลผลที่ทรงพลังกว่า การเรียกเก็บเงินต่อวินาทีและการจัดการวงจรชีวิตอัตโนมัติช่วยให้มั่นใจว่าอินสแตนซ์การฝึกอบรมที่มีราคาแพงกว่าจะเริ่มต้นและหยุดโดยอัตโนมัติ และยังคงใช้งานได้นานเท่าที่จำเป็น ซึ่งจะเพิ่มประสิทธิภาพการใช้งาน
ทีมงานสามารถฝึกโมเดลได้ในอัตรา 10.8 นาทีต่อยุคบน 17.2 GiB ของข้อมูลที่ไม่บีบอัดใน 1,571 ไฟล์รวมประมาณ 616 ล้านคะแนน สำหรับการอนุมาน ทีมงานสามารถประมวลผลข้อมูลที่ไม่มีการบีบอัดได้ 33.6 GiB ใน 15 ไฟล์รวม 1.2 พันล้านจุดใน 22.1 ชั่วโมง ซึ่งหมายถึงการอนุมานคะแนนเฉลี่ย 15,760 จุดต่อวินาที รวมทั้งเวลาเริ่มต้นที่ตัดจำหน่าย
การแก้ปัญหาการแบ่งส่วนความหมาย
โมเดล ML จำแนกจุดจากการดักจับปีกคงที่:
โมเดล ML จำแนกคะแนนจากการดักจับมือถือ:
ปัญหาในการกำหนดทุกจุดใน point cloud ให้กับหมวดหมู่จากชุดของหมวดหมู่เรียกว่า a การแบ่งส่วนความหมาย ปัญหา. 3D point clouds ของ AusNet จากชุดข้อมูล LiDAR ประกอบด้วยคะแนนนับล้าน การติดฉลากทุกจุดใน 3D point cloud อย่างถูกต้องและมีประสิทธิภาพเกี่ยวข้องกับการแก้ปัญหาสองประการ:
- ข้อมูลไม่สมดุล – ความไม่สมดุลของคลาสเป็นปัญหาทั่วไปใน point cloud ในโลกแห่งความเป็นจริง ดังที่เห็นในคลิปก่อนหน้านี้ จุดส่วนใหญ่ประกอบด้วยพืชพันธุ์ โดยมีจุดที่ประกอบด้วยสายไฟหรือตัวนำไฟฟ้าน้อยกว่า 1% ของคะแนนทั้งหมดน้อยกว่าอย่างเห็นได้ชัด โมเดลที่ได้รับการฝึกฝนโดยใช้ชุดข้อมูลที่ไม่สมดุลนั้นมีความเอนเอียงไปยังคลาสหลักได้ง่าย และทำงานได้ไม่ดีกับผู้เยาว์ ความไม่สมดุลของคลาสนี้เป็นปัญหาทั่วไปในข้อมูลระบบคลาวด์ LiDAR สำหรับสภาพแวดล้อมภายนอกอาคาร สำหรับงานนี้ การมีประสิทธิภาพที่ดีในการจำแนกคะแนนตัวนำเป็นสิ่งสำคัญ การฝึกอบรมแบบจำลองที่ทำงานได้ดีทั้งในชั้นเรียนหลักและรองคือความท้าทายที่ใหญ่ที่สุด
- จุดคลาวด์ขนาดใหญ่ – ปริมาณข้อมูล point cloud จากเซ็นเซอร์ LiDAR สามารถครอบคลุมพื้นที่เปิดขนาดใหญ่ได้ ในกรณีของ AusNet จำนวนจุดต่อจุดบนคลาวด์อาจมีตั้งแต่หลายแสนถึงหลายสิบล้าน โดยไฟล์คลาวด์แต่ละจุดจะแตกต่างกันไปตั้งแต่หลายร้อยเมกะไบต์จนถึงกิกะไบต์ อัลกอริธึม ML การแบ่งส่วนจุดบนคลาวด์ส่วนใหญ่ต้องการการสุ่มตัวอย่างเนื่องจากตัวดำเนินการไม่สามารถใช้จุดทั้งหมดเป็นอินพุตได้ น่าเสียดายที่วิธีการสุ่มตัวอย่างจำนวนมากนั้นใช้การคำนวณอย่างหนัก ซึ่งทำให้ทั้งการฝึกและการอนุมานช้า ในงานนี้ เราต้องเลือกอัลกอริธึม ML ที่มีประสิทธิภาพที่สุดซึ่งทำงานบนคลาวด์พอยต์ขนาดใหญ่
ทีม AWS และ AusNet ได้คิดค้นกลยุทธ์การสุ่มตัวอย่างแบบใหม่ผ่านจุดคลัสเตอร์เพื่อแก้ปัญหาคลาสที่ไม่สมดุลอย่างมาก กลยุทธ์การลดขนาดตัวอย่างนี้ร่วมกับการบรรเทาปัญหาที่มีอยู่ เช่น การถ่วงน้ำหนักของคลาส ช่วยแก้ปัญหาในการฝึกโมเดลที่แม่นยำด้วยชุดข้อมูลที่ไม่สมดุล และยังเพิ่มประสิทธิภาพการอนุมานอีกด้วย เรายังได้ทดลองกับกลยุทธ์การสุ่มตัวอย่างโดยการทำซ้ำคลาสรองและวางไว้ในตำแหน่งต่างๆ กระบวนการนี้สร้างขึ้นเป็นงานการประมวลผล SageMaker เพื่อให้สามารถนำไปใช้กับชุดข้อมูลใหม่ที่ได้รับสำหรับการฝึกโมเดลเพิ่มเติมภายในไปป์ไลน์ MLOps
ทีมวิจัยได้ศึกษาโมเดลการแบ่งกลุ่มพอยต์คลาวด์ต่างๆ โดยพิจารณาถึงความถูกต้อง ความสามารถในการขยายในแง่ของจำนวนจุด และประสิทธิภาพ ตลอดการทดลองหลายครั้ง เราเลือกอัลกอริธึม ML ที่ล้ำสมัยสำหรับการแบ่งกลุ่มความหมายของคลาวด์แบบจุด ซึ่งตรงตามข้อกำหนด นอกจากนี้เรายังใช้วิธีการเสริมเพื่อให้โมเดลสามารถเรียนรู้จากชุดข้อมูลต่างๆ
สถาปัตยกรรมการผลิต
ในการเปิดตัวโซลูชันการแบ่งส่วนระบบคลาวด์แบบจุด ทีมงานได้ออกแบบไปป์ไลน์ ML โดยใช้ SageMaker สำหรับการฝึกอบรมและการอนุมาน ไดอะแกรมต่อไปนี้แสดงสถาปัตยกรรมการผลิตโดยรวม
ไปป์ไลน์การฝึกอบรมมีคอนเทนเนอร์การประมวลผลแบบกำหนดเองใน SageMaker Processing เพื่อทำการแปลงรูปแบบคลาวด์พอยต์ การแมปหมวดหมู่ใหม่ การสุ่มตัวอย่าง การสุ่มตัวอย่าง และการแยกชุดข้อมูล งานฝึกอบรมใช้ประโยชน์จากอินสแตนซ์ GPU หลายตัวใน SageMaker ที่มีความจุหน่วยความจำสูงขึ้นเพื่อรองรับการฝึกโมเดลด้วยขนาดแบทช์ที่ใหญ่ขึ้น
เวิร์กโฟลว์การจำแนก LiDAR ของ AusNet เริ่มต้นด้วยการนำเข้าข้อมูล point cloud สูงถึงเทราไบต์จากยานพาหนะการเฝ้าระวังทางบกและทางอากาศเข้า บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon (อเมซอน เอส3). ข้อมูลจะได้รับการประมวลผลและส่งผ่านไปยังไปป์ไลน์การอนุมานสำหรับการจัดประเภทคลาวด์แบบจุด เพื่อรองรับสิ่งนี้ การแปลง SageMaker ใช้เพื่อเรียกใช้การอนุมานแบบแบตช์ในชุดข้อมูล โดยเอาต์พุตจะถูกจัดประเภทไฟล์ระบบคลาวด์ที่มีคะแนนความเชื่อมั่น ผลลัพธ์จะถูกประมวลผลโดยกลไกการจัดหมวดหมู่ของ AusNet ซึ่งวิเคราะห์คะแนนความเชื่อมั่นและสร้างรายงานการจัดการสินทรัพย์
ลักษณะสำคัญประการหนึ่งของสถาปัตยกรรมคือทำให้ AusNet มีวิธีการที่ปรับขนาดได้และเป็นโมดูลเพื่อทดลองกับชุดข้อมูลใหม่ เทคนิคการประมวลผลข้อมูล และโมเดล ด้วยวิธีการนี้ AusNet สามารถปรับโซลูชันของตนให้เข้ากับสภาวะแวดล้อมที่เปลี่ยนแปลงและนำอัลกอริธึมการแบ่งส่วนระบบคลาวด์แบบจุดในอนาคตมาใช้
บทสรุปและขั้นตอนต่อไปกับ AusNet
ในโพสต์นี้ เราได้พูดถึงวิธีที่ทีม Geospatial ของ AusNet ร่วมมือกับนักวิทยาศาสตร์ของ Amazon ML เพื่อทำให้การจัดประเภทจุด LiDAR เป็นแบบอัตโนมัติโดยลบการพึ่งพาข้อมูลตำแหน่ง GIS ออกจากงานการจัดหมวดหมู่โดยสิ้นเชิง ดังนั้น ความล่าช้าที่เกิดจากการแก้ไข GIS ด้วยตนเองจึงถูกลบออกเพื่อให้งานการจัดประเภทเร็วขึ้นและปรับขนาดได้
“ความสามารถในการติดฉลากข้อมูลการสำรวจทางอากาศของเราอย่างรวดเร็วและแม่นยำเป็นส่วนสำคัญในการลดความเสี่ยงของไฟป่า การทำงานร่วมกับ Amazon Machine Learning Solutions Lab ทำให้เราสามารถสร้างแบบจำลองที่มีความแม่นยำเฉลี่ย 80.53% ในการติดป้ายกำกับข้อมูล เราคาดหวังว่าจะสามารถลดความพยายามในการติดฉลากด้วยตนเองได้มากถึง 80% ด้วยโซลูชันใหม่” Daniel Pendlebury ผู้จัดการผลิตภัณฑ์ของ AusNet กล่าว
AusNet วาดภาพโมเดลการจัดประเภท ML ที่มีบทบาทสำคัญในการขับเคลื่อนประสิทธิภาพในการดำเนินงานเครือข่าย ด้วยการขยายไลบรารีการจำแนกประเภทอัตโนมัติด้วยโมเดลการแบ่งกลุ่มลูกค้าใหม่ AusNet สามารถใช้ชุดข้อมูลจำนวนมากได้อย่างมีประสิทธิผลมากขึ้น เพื่อให้แน่ใจว่ามีการจ่ายพลังงานที่ปลอดภัยและเชื่อถือได้ให้กับชุมชนทั่วรัฐวิกตอเรีย
กิตติกรรมประกาศ
ผู้เขียนขอขอบคุณ Sergiy Redko, Claire Burrows, William Manahan, Sahil Deshpande, Ross King และ Damian Bisignano แห่ง AusNet สำหรับการมีส่วนร่วมในโครงการและนำความเชี่ยวชาญด้านโดเมนมาใช้กับชุดข้อมูล LiDAR และการฝึกอบรม ML โดยใช้อัลกอริธึม ML ที่แตกต่างกัน
ห้องปฏิบัติการโซลูชัน Amazon ML
ห้องปฏิบัติการโซลูชัน Amazon ML จับคู่ทีมของคุณกับผู้เชี่ยวชาญ ML เพื่อช่วยคุณระบุและใช้โอกาส ML ที่มีมูลค่าสูงสุดขององค์กร หากคุณต้องการความช่วยเหลือในการเร่งการใช้ ML ในผลิตภัณฑ์และกระบวนการของคุณ โปรดติดต่อ ห้องปฏิบัติการโซลูชัน Amazon ML.
เกี่ยวกับผู้เขียน
แดเนียล เพนเดิลเบอรี เป็นผู้จัดการผลิตภัณฑ์ของ AusNet Services ที่เชี่ยวชาญในการจัดหาผลิตภัณฑ์ที่เป็นนวัตกรรมและปฏิบัติตามข้อกำหนดอัตโนมัติให้กับระบบสาธารณูปโภคในพื้นที่การจัดการพืชผักและการบำรุงรักษาสินทรัพย์
นาธานาเอล เวลดอน เป็นผู้พัฒนาซอฟต์แวร์เชิงพื้นที่ที่ Ausnet Services เขาเชี่ยวชาญในการสร้างและปรับแต่งระบบประมวลผลข้อมูลเชิงพื้นที่ขนาดใหญ่ ด้วยประสบการณ์ในด้านสาธารณูปโภค ทรัพยากร และสิ่งแวดล้อม
เดวิด โมทาเมด เป็นผู้จัดการบัญชีที่ Amazon Web Services เขาอยู่ในเมลเบิร์น ประเทศออสเตรเลีย เขาช่วยให้ลูกค้าองค์กรประสบความสำเร็จตามเส้นทางการเปลี่ยนแปลงทางดิจิทัล
ไซม่อน จอห์นสตัน เป็นผู้นำด้าน AI และรับผิดชอบธุรกิจ AI/ML ของ Amazon Web Services ทั่วทั้งออสเตรเลียและนิวซีแลนด์ โดยเชี่ยวชาญด้านกลยุทธ์ AI และเศรษฐศาสตร์ ประสบการณ์ด้านการวิจัย การจัดการและการให้คำปรึกษามากกว่า 20 ปี (สหรัฐอเมริกา สหภาพยุโรป เอเชียแปซิฟิก) ครอบคลุมหลากหลายด้านการวิจัยที่นำโดยอุตสาหกรรมและการลงทุนด้าน AI เชิงพาณิชย์ – มีส่วนร่วมในธุรกิจสตาร์ทอัพ / SMEs / องค์กรขนาดใหญ่ และระบบนิเวศที่กว้างขึ้น
ปั้นจั่น ชู เป็นสถาปนิกโซลูชันที่ Amazon Web Services เขาตั้งอยู่ในเมืองเมลเบิร์น ประเทศออสเตรเลีย และทำงานอย่างใกล้ชิดกับลูกค้าองค์กรเพื่อเร่งการเดินทางในระบบคลาวด์ เขาหลงใหลในการช่วยลูกค้าสร้างมูลค่าผ่านนวัตกรรมและการสร้างแอปพลิเคชันที่ปรับขนาดได้ และมีความสนใจเป็นพิเศษใน AI และ ML
มูฮยอน คิม เป็นนักวิทยาศาสตร์ข้อมูลที่ Amazon Machine Learning Solutions Lab เขาแก้ปัญหาทางธุรกิจต่างๆ ของลูกค้าด้วยการใช้แมชชีนเลิร์นนิงและการเรียนรู้เชิงลึก และยังช่วยให้พวกเขามีทักษะ
ซูจอย รอย เป็นนักวิทยาศาสตร์ของ Amazon Machine Learning Solutions Lab ที่มีประสบการณ์ด้านวิชาการและอุตสาหกรรมมากกว่า 20 ปีในการสร้างและปรับใช้โซลูชันที่ใช้ ML สำหรับปัญหาทางธุรกิจ เขาได้ใช้แมชชีนเลิร์นนิงเพื่อแก้ปัญหาของลูกค้าในอุตสาหกรรมต่างๆ เช่น โทรคมนาคม สื่อและความบันเทิง AdTech การสำรวจระยะไกล การค้าปลีกและการผลิต
จีหยางคัง เป็น Senior Deep Learning Architect ที่ Amazon ML Solutions Lab ซึ่งเขาช่วยลูกค้า AWS ในหลายอุตสาหกรรมด้วยการนำ AI และคลาวด์มาใช้ ก่อนเข้าร่วม Amazon ML Solutions Lab เขาทำงานเป็นสถาปนิกโซลูชันสำหรับลูกค้าองค์กรขั้นสูงรายหนึ่งของ AWS โดยออกแบบปริมาณงานระบบคลาวด์ระดับโลกต่างๆ บน AWS ก่อนหน้านี้เขาทำงานเป็นนักพัฒนาซอฟต์แวร์และสถาปนิกระบบให้กับบริษัทต่างๆ เช่น Samsung Electronics ในอุตสาหกรรมต่างๆ เช่น เซมิคอนดักเตอร์ ระบบเครือข่าย และโทรคมนาคม
อีเดน ดูธี เป็นหัวหน้าทีมบริการระดับมืออาชีพเสริมการเรียนรู้เสริมที่ AWS Eden มีความกระตือรือร้นในการพัฒนาโซลูชันการตัดสินใจสำหรับลูกค้า เขาสนใจเป็นพิเศษในการช่วยเหลือลูกค้าอุตสาหกรรมโดยมุ่งเน้นที่การเพิ่มประสิทธิภาพซัพพลายเชน
- '
- 000
- 100
- 3d
- 7
- ลงชื่อเข้าใช้
- การบัญชี
- คล่องแคล่ว
- เพิ่มเติม
- การนำมาใช้
- ความได้เปรียบ
- AI
- ขั้นตอนวิธี
- อัลกอริทึม
- ทั้งหมด
- การอนุญาต
- อเมซอน
- อเมซอน แมชชีนเลิร์นนิง
- อเมซอน SageMaker
- Amazon Web Services
- ในหมู่
- การวิเคราะห์
- การใช้งาน
- สถาปัตยกรรม
- AREA
- รอบ
- สินทรัพย์
- การจัดการสินทรัพย์
- สินทรัพย์
- ออสเตรเลีย
- ผู้เขียน
- อัตโนมัติ
- อัตโนมัติ
- ความพร้อมใช้งาน
- AWS
- ที่ดีที่สุด
- การเรียกเก็บเงิน
- พันล้าน
- สร้าง
- การก่อสร้าง
- ธุรกิจ
- ธุรกิจ
- ความจุ
- เมืองหลวง
- ท้าทาย
- การจัดหมวดหมู่
- เมฆ
- การยอมรับระบบคลาวด์
- รหัส
- การทำงานร่วมกัน
- ร่วมกัน
- ชุมชน
- บริษัท
- การปฏิบัติตาม
- คำนวณ
- ตัวนำ
- ความมั่นใจ
- การให้คำปรึกษา
- ภาชนะ
- การแปลง
- ค่าใช้จ่าย
- วิกฤติ
- ลูกค้า
- ข้อมูล
- การประมวลผล
- นักวิทยาศาสตร์ข้อมูล
- การตัดสินใจ
- การเรียนรู้ลึก ๆ
- ความล่าช้า
- ความต้องการ
- ผู้พัฒนา
- นักพัฒนา
- ดิจิตอล
- แปลงดิจิตอล
- การขับขี่
- โดรน
- เศรษฐศาสตร์
- เศรษฐกิจ
- ระบบนิเวศ
- อย่างมีประสิทธิภาพ
- อิเล็กทรอนิกส์
- พลังงาน
- วิศวกร
- ประเทศอังกฤษ
- Enterprise
- ลูกค้าองค์กร
- ความบันเทิง
- สิ่งแวดล้อม
- EU
- เหตุการณ์
- แสดง
- ที่ขยาย
- ประสบการณ์
- การทดลอง
- ผู้เชี่ยวชาญ
- คุณสมบัติ
- ความยืดหยุ่น
- โฟกัส
- ฟอร์ม
- รูป
- อนาคต
- เหตุการณ์ที่
- ดี
- จีพีเอส
- GPU
- การเจริญเติบโต
- ฮาร์ดแวร์
- เฮลิคอปเตอร์
- เฮลิคอปเตอร์
- จุดสูง
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- HTTPS
- ใหญ่
- ร้อย
- แยกแยะ
- รวมทั้ง
- อุตสาหกรรม
- อุตสาหกรรม
- อุตสาหกรรม
- ข้อมูล
- โครงสร้างพื้นฐาน
- นักวิเคราะห์ส่วนบุคคลที่หาโอกาสให้เป็นไปได้มากที่สุด
- นวัตกรรม
- อยากเรียนรู้
- สอบสวน
- ปัญหา
- IT
- การสัมภาษณ์
- งาน
- คีย์
- พระมหากษัตริย์
- การติดฉลาก
- แรงงาน
- ใหญ่
- เลเซอร์
- นำ
- เรียนรู้
- การเรียนรู้
- LIDAR
- เบา
- ที่ตั้ง
- นาน
- เรียนรู้เครื่อง
- สำคัญ
- ส่วนใหญ่
- การทำ
- การจัดการ
- การผลิต
- วัด
- ภาพบรรยากาศ
- เมลเบิร์น
- ตัวชี้วัด
- ล้าน
- ผู้เยาว์
- ML
- อัลกอริทึม ML
- ม.ป.ป
- ตอบสนอง
- แบบ
- โมดูลาร์
- เครือข่าย
- เครือข่าย
- นิวซีแลนด์
- เปิด
- การดำเนินการ
- โอกาส
- ผลิตภัณฑ์อื่นๆ
- ของเล่นกลางแจ้ง
- การปฏิบัติ
- นักบิน
- Planes
- อำนาจ
- ผลิตภัณฑ์
- การผลิต
- ผลิตภัณฑ์
- โครงการ
- คุณสมบัติ
- พิสัย
- ลด
- การเรียนรู้การเสริมแรง
- ความเชื่อมั่น
- รายงาน
- ความต้องการ
- การวิจัย
- แหล่งข้อมูล
- ค้าปลีก
- รับคืน
- ความเสี่ยง
- ม้วน
- วิ่ง
- วิ่ง
- ปลอดภัย
- ความปลอดภัย
- sagemaker
- ซัมซุง
- ประหยัด
- scalability
- ขนาด
- นักวิทยาศาสตร์
- ภาค
- อุปกรณ์กึ่งตัวนำ
- บริการ
- ชุด
- ง่าย
- ขนาด
- SMEs
- So
- สังคม
- ซอฟต์แวร์
- โซลูชัน
- แก้
- ความเชี่ยวชาญ
- ข้อความที่เริ่ม
- การเริ่มต้น
- การเก็บรักษา
- กลยุทธ์
- ความสำเร็จ
- จัดหาอุปกรณ์
- ห่วงโซ่อุปทาน
- สนับสนุน
- การเฝ้าระวัง
- การสำรวจ
- ระบบ
- ระบบ
- เทคนิค
- เทคโนโลยี
- Telco
- โทรคมนาคม
- โลก
- เวลา
- การฝึกอบรม
- การแปลง
- การเดินทาง
- ล้านล้าน
- us
- ยูทิลิตี้
- ความคุ้มค่า
- ยานพาหนะ
- กิจการ
- เว็บ
- บริการเว็บ
- ปีก
- ภายใน
- งาน
- ความปลอดภัยของผู้ปฏิบัติงาน
- เวิร์กโฟลว์
- โรงงาน
- โลก
- X
- ปี
- ปี