Đông Australia là một trong những khu vực dễ xảy ra hỏa hoạn nhất trên thế giới. Mặc dù cháy rừng thường xuyên xảy ra ở Úc, nhưng cuộc khủng hoảng cháy rừng năm 2019–2020 đã thiêu rụi hơn 17 triệu ha đất (lớn hơn diện tích của nước Anh), gây thiệt hại cho nền kinh tế Úc hơn 100 tỷ đô la giữa chi phí tài sản, cơ sở hạ tầng, xã hội và môi trường .
Với các hiện tượng thời tiết cực đoan ngày càng gia tăng, nguy cơ cháy rừng ở Úc sẽ không sớm biến mất. Điều này có nghĩa là trách nhiệm đối với các nhà điều hành mạng lưới năng lượng của Úc trong việc duy trì nguồn cung cấp an toàn và đáng tin cậy chưa bao giờ lớn hơn thế.
Mạng lưới năng lượng của Úc bao gồm hơn 880,000 km đường dây phân phối và truyền tải (xấp xỉ 22 vòng quanh chu vi Trái đất) và 7 triệu cột điện. Điều kiện khí hậu khắc nghiệt và thảm thực vật phát triển gần đường dây điện phải được quản lý cẩn thận để giảm thiểu rủi ro cháy rừng.
Trong bài đăng này, chúng tôi thảo luận về cách AusNet sử dụng máy học (ML) và Amazon SageMaker để giúp giảm thiểu cháy rừng.
Đổi mới AusNet với LiDAR
AusNet quản lý 54,000 km đường dây điện và cung cấp năng lượng cho hơn 1.5 triệu hộ gia đình và doanh nghiệp ở Victoria. 62% mạng lưới này nằm ở các khu vực có nguy cơ cháy rừng cao. AusNet đã phát triển một giải pháp sáng tạo để duy trì mạng lưới năng lượng của mình một cách an toàn và giảm thiểu nguy cơ thảm thực vật gây hư hại cho mạng lưới.
Kể từ năm 2009, AusNet đã thu thập dữ liệu LiDAR chất lượng cao trên toàn mạng bằng cách sử dụng cả hệ thống lập bản đồ trên không và trên đường. LiDAR là một phương pháp viễn thám sử dụng ánh sáng dưới dạng xung laser để đo khoảng cách và hướng. Một điểm được cảm nhận của một đối tượng có thông tin tọa độ 3D (x, y, z) cũng như các thuộc tính bổ sung như mật độ, số lần quay lại, số lần quay lại, dấu thời gian GPS, v.v. Những điểm đó được biểu diễn dưới dạng đám mây điểm 3D, là tập hợp tất cả thông tin về điểm. Sau khi xử lý, LiDAR được chuyển thành mô hình 3D của tài sản mạng của AusNet, xác định sự phát triển của thảm thực vật cần được cắt tỉa để đảm bảo an toàn cho cháy rừng.
Quy trình phân loại LiDAR trước đây đã sử dụng suy luận dựa trên quy tắc kinh doanh, với sự phụ thuộc nhiều vào các vị trí tài sản Hệ thống thông tin địa lý (GIS) chính xác để thúc đẩy tự động hóa. Cần có nỗ lực lao động thủ công bằng cách sử dụng các công cụ ghi nhãn tùy chỉnh để gắn nhãn chính xác các điểm LiDAR nơi vị trí tài sản không chính xác hoặc đơn giản là không tồn tại. Việc hiệu chỉnh thủ công và phân loại các điểm LiDAR đã làm tăng thời gian quay vòng xử lý và gây khó khăn cho việc mở rộng quy mô.
AusNet và Amazon Machine Learning
Nhóm Địa không gian của AusNet đã hợp tác với các chuyên gia Amazon ML, bao gồm Phòng thí nghiệm giải pháp học máy của Amazon và Dịch vụ chuyên nghiệp, để điều tra cách ML có thể tự động hóa phân loại điểm LiDAR và đẩy nhanh quá trình khó sửa dữ liệu vị trí GIS không chính xác theo cách thủ công.
Chi phí hàng năm để phân loại chính xác hàng nghìn tỷ điểm LiDAR đã chụp đại diện cho các cấu hình mạng khác nhau trên khắp nước Úc đã vượt quá 700,000 USD mỗi năm và cản trở khả năng của AusNet trong việc mở rộng điều này sang các khu vực mạng lớn hơn.
AusNet và AWS hợp tác để sử dụng Amazon SageMaker để thử nghiệm và xây dựng các mô hình học sâu để tự động hóa việc phân loại theo điểm của bộ sưu tập dữ liệu LiDAR lớn này. Amazon SageMaker là một dịch vụ được quản lý hoàn toàn giúp các nhà khoa học và nhà phát triển dữ liệu chuẩn bị, xây dựng, đào tạo và triển khai các mô hình máy học chất lượng cao một cách nhanh chóng. Nhóm AusNet và AWS đã xây dựng thành công mô hình phân đoạn ngữ nghĩa phân loại chính xác dữ liệu đám mây điểm 3D thành các danh mục sau: dây dẫn, tòa nhà, cột, thảm thực vật và các loại khác.
Kết quả cho AusNet và giảm thiểu cháy rừng
Sự hợp tác giữa AWS và AusNet đã thành công rực rỡ, mang lại những kết quả sau cho cả hoạt động kinh doanh và giảm thiểu rủi ro cháy rừng:
- Tăng cường an toàn cho công nhân bằng cách sử dụng dữ liệu LiDAR và giảm nhu cầu cho các kỹ sư, nhà khảo sát và nhà thiết kế đi đến các địa điểm
- Dẫn đến độ chính xác 80.53% trên tất cả năm danh mục phân khúc, tiết kiệm cho AusNet khoảng 500,000 đô la Úc ước tính mỗi năm thông qua phân loại tự động
- Cung cấp độ chính xác lần lượt là 91.66% và 92% trong việc phát hiện dây dẫn và thảm thực vật, cải thiện khả năng phân loại tự động của hai loại phân khúc quan trọng nhất
- Cung cấp sự linh hoạt để sử dụng dữ liệu LiDAR thu được từ máy bay không người lái, máy bay trực thăng, máy bay và phương tiện trên mặt đất, đồng thời tính đến sự biến đổi duy nhất của từng nguồn dữ liệu
- Cho phép doanh nghiệp đổi mới phân tích nhanh hơn và mở rộng quy mô trên toàn bộ mạng của họ bằng cách giảm sự phụ thuộc vào dữ liệu tham chiếu GIS và quy trình chỉnh sửa thủ công
- Cung cấp khả năng mở rộng quy mô phân tích trên toàn bộ mạng lưới năng lượng của họ với khả năng tự động hóa ML tăng lên và giảm sự phụ thuộc vào các quy trình chỉnh sửa GIS thủ công
Bảng sau đây mô tả hiệu suất của mô hình phân đoạn ngữ nghĩa trên dữ liệu không nhìn thấy (được đo bằng cách sử dụng chỉ số "độ chính xác" và "thu hồi", càng cao càng tốt), trên năm danh mục.
Mô hình ML đã phân loại các điểm từ một vụ bắt máy bay trực thăng:
Tổng quan về giải pháp
Nhóm Phòng thí nghiệm giải pháp ML đã mời một nhóm gồm các nhà khoa học và kiến trúc sư ML có kinh nghiệm cao để giúp thúc đẩy đổi mới và thử nghiệm. Với kinh nghiệm ML tiên tiến trong các ngành, nhóm đã hợp tác với nhóm Không gian địa lý của AusNet để giải quyết một số vấn đề công nghệ thách thức nhất cho doanh nghiệp. Dựa trên khả năng ML chuyên sâu của SageMaker, AusNet và AWS đã có thể hoàn thành thử nghiệm chỉ trong 8 tuần.
Bề rộng và chiều sâu của SageMaker đóng vai trò quan trọng trong việc cho phép các nhà phát triển và nhà khoa học dữ liệu từ cả AusNet và AWS cộng tác trong dự án. Nhóm đã sử dụng các tính năng chia sẻ mã và sổ ghi chép, đồng thời dễ dàng truy cập các tài nguyên điện toán ML theo yêu cầu để đào tạo. Tính linh hoạt của SageMaker cho phép nhóm lặp lại nhanh chóng. Nhóm cũng có thể tận dụng tính sẵn có của các cấu hình phần cứng khác nhau để thử nghiệm trên AWS mà không cần đầu tư vốn trả trước để mua phần cứng tại chỗ. Điều này cho phép AusNet dễ dàng chọn các tài nguyên ML có kích thước phù hợp và mở rộng các thử nghiệm của họ theo yêu cầu. Tính linh hoạt và tính khả dụng của tài nguyên GPU là rất quan trọng, đặc biệt khi tác vụ ML yêu cầu các thử nghiệm tiên tiến.
Chúng tôi đã sử dụng các phiên bản sổ ghi chép SageMaker để khám phá dữ liệu và phát triển mã tiền xử lý, đồng thời sử dụng các công việc đào tạo và xử lý SageMaker cho khối lượng công việc quy mô lớn. Nhóm cũng đã sử dụng phương pháp tối ưu hóa siêu tham số (HPO) để nhanh chóng lặp lại nhiều công việc đào tạo với nhiều cấu hình và phiên bản tập dữ liệu khác nhau nhằm tinh chỉnh các siêu tham số và tìm ra mô hình hoạt động tốt nhất. Ví dụ: chúng tôi đã tạo các phiên bản khác nhau của tập dữ liệu bằng cách sử dụng các phương pháp lấy mẫu xuống và tăng cường để khắc phục sự cố mất cân bằng dữ liệu. Chạy song song nhiều công việc đào tạo với các tập dữ liệu khác nhau cho phép bạn nhanh chóng tìm được tập dữ liệu phù hợp. Với bộ dữ liệu đám mây điểm lớn và không cân bằng, SageMaker cung cấp khả năng lặp lại nhanh chóng bằng cách sử dụng nhiều cấu hình thử nghiệm và chuyển đổi dữ liệu.
Các kỹ sư ML có thể tiến hành khám phá dữ liệu và thuật toán ban đầu bằng cách sử dụng các phiên bản máy tính xách tay giá rẻ, sau đó giảm tải các hoạt động dữ liệu nặng sang các phiên bản xử lý mạnh mẽ hơn. Thanh toán theo giây và quản lý vòng đời tự động đảm bảo rằng các phiên bản đào tạo đắt tiền hơn được bắt đầu và dừng tự động và chỉ duy trì hoạt động trong khoảng thời gian cần thiết, giúp tăng hiệu quả sử dụng.
Nhóm đã có thể đào tạo một mô hình với tốc độ 10.8 phút mỗi kỷ nguyên trên 17.2 GiB dữ liệu không nén trên 1,571 tệp với tổng số khoảng 616 triệu điểm. Để suy luận, nhóm có thể xử lý 33.6 GiB dữ liệu không nén trên 15 tệp với tổng số 1.2 tỷ điểm trong 22.1 giờ. Điều này có nghĩa là suy luận trung bình 15,760 điểm mỗi giây bao gồm cả thời gian khởi động được khấu hao.
Giải quyết vấn đề phân đoạn ngữ nghĩa
Mô hình ML đã phân loại các điểm từ chụp cánh cố định:
Mô hình ML đã phân loại các điểm từ ảnh chụp trên thiết bị di động:
Vấn đề gán mọi điểm trong đám mây điểm cho một danh mục từ một tập hợp các danh mục được gọi là phân đoạn ngữ nghĩa vấn đề. Đám mây điểm 3D của AusNet từ bộ dữ liệu LiDAR bao gồm hàng triệu điểm. Việc gắn nhãn chính xác và hiệu quả cho mọi điểm trong đám mây điểm 3D liên quan đến việc giải quyết hai thách thức:
- Dữ liệu không cân bằng – Mất cân bằng lớp là một vấn đề phổ biến trong các đám mây điểm trong thế giới thực. Như đã thấy trong các clip trước, phần lớn các điểm bao gồm thảm thực vật, với ít điểm hơn đáng kể bao gồm các đường dây điện hoặc dây dẫn chiếm ít hơn 1% trong tổng số điểm. Các mô hình được đào tạo bằng cách sử dụng tập dữ liệu không cân bằng dễ bị sai lệch đối với các lớp chính và hoạt động kém trên các lớp phụ. Sự mất cân bằng lớp này là một vấn đề phổ biến trong dữ liệu đám mây điểm LiDAR cho môi trường ngoài trời. Đối với nhiệm vụ này, điều quan trọng là phải có hiệu suất tốt trong việc phân loại các điểm dây dẫn. Đào tạo một mô hình hoạt động tốt trên cả lớp chính và phụ là thách thức lớn nhất.
- Đám mây điểm quy mô lớn – Lượng dữ liệu đám mây điểm từ cảm biến LiDAR có thể bao phủ một khu vực rộng mở. Trong trường hợp của AusNet, số điểm trên mỗi đám mây điểm có thể từ hàng trăm nghìn đến hàng chục triệu, với mỗi tệp đám mây điểm thay đổi từ hàng trăm megabyte đến hàng gigabyte. Hầu hết các thuật toán ML phân đoạn đám mây điểm đều yêu cầu lấy mẫu vì người vận hành không thể lấy tất cả các điểm làm đầu vào. Thật không may, nhiều phương pháp lấy mẫu nặng tính toán, khiến cho cả đào tạo và suy luận đều chậm. Trong công việc này, chúng ta cần chọn thuật toán ML hiệu quả nhất hoạt động trên các đám mây điểm quy mô lớn.
Các nhóm AWS và AusNet đã phát minh ra một chiến lược lấy mẫu xuống mới thông qua các điểm phân cụm để giải quyết vấn đề lớp mất cân bằng nghiêm trọng. Chiến lược lấy mẫu xuống này cùng với các biện pháp giảm thiểu hiện có, chẳng hạn như trọng số lớp, đã giúp giải quyết các thách thức trong việc đào tạo một mô hình chính xác với tập dữ liệu không cân bằng, đồng thời nâng cao hiệu suất suy luận. Chúng tôi cũng đã thử nghiệm chiến lược lấy mẫu bằng cách sao chép các lớp phụ và đặt chúng ở các vị trí khác nhau. Quy trình này được xây dựng dưới dạng công việc Xử lý SageMaker để có thể áp dụng quy trình này cho tập dữ liệu mới thu được để đào tạo thêm mô hình trong quy trình MLOps.
Các nhóm đã nghiên cứu các mô hình phân đoạn đám mây điểm khác nhau có tính đến độ chính xác, khả năng mở rộng về số lượng điểm và hiệu quả. Trong suốt nhiều thử nghiệm, chúng tôi đã chọn thuật toán ML tiên tiến nhất cho phân đoạn ngữ nghĩa đám mây điểm, đáp ứng các yêu cầu. Chúng tôi cũng đã áp dụng các phương pháp tăng cường để mô hình có thể học hỏi từ nhiều bộ dữ liệu khác nhau.
kiến trúc sản xuất
Để triển khai giải pháp phân đoạn đám mây điểm, nhóm đã thiết kế một quy trình ML bằng cách sử dụng SageMaker để đào tạo và suy luận. Sơ đồ sau đây minh họa kiến trúc sản xuất tổng thể.
Quy trình đào tạo có vùng chứa xử lý tùy chỉnh trong Xử lý SageMaker để thực hiện chuyển đổi định dạng đám mây điểm, ánh xạ lại danh mục, lấy mẫu lên, lấy mẫu xuống và chia nhỏ tập dữ liệu. Công việc đào tạo tận dụng các phiên bản đa GPU trong SageMaker với dung lượng bộ nhớ cao hơn để hỗ trợ đào tạo mô hình với kích thước lô lớn hơn.
Quy trình phân loại LiDAR của AusNet bắt đầu bằng việc nhập tới terabyte dữ liệu đám mây điểm từ các phương tiện giám sát trên không và trên mặt đất vào Dịch vụ lưu trữ đơn giản của Amazon (Amazon S3). Sau đó, dữ liệu được xử lý và chuyển vào một quy trình suy luận để phân loại đám mây điểm. Để hỗ trợ điều này, SageMaker Transform được sử dụng để chạy suy luận hàng loạt trên tập dữ liệu, với đầu ra là các tệp đám mây điểm được phân loại có điểm tin cậy. Đầu ra sau đó được xử lý bởi công cụ phân loại của AusNet, công cụ này sẽ phân tích điểm tin cậy và tạo báo cáo quản lý tài sản.
Một trong những khía cạnh quan trọng của kiến trúc là nó cung cấp cho AusNet một cách tiếp cận mô-đun và có thể mở rộng để thử nghiệm các bộ dữ liệu, kỹ thuật xử lý dữ liệu và mô hình mới. Với cách tiếp cận này, AusNet có thể điều chỉnh giải pháp của họ để thay đổi điều kiện môi trường và áp dụng các thuật toán phân đoạn đám mây điểm trong tương lai.
Kết luận và các bước tiếp theo với AusNet
Trong bài đăng này, chúng tôi đã thảo luận về cách nhóm Không gian địa lý của AusNet hợp tác với các nhà khoa học Amazon ML để tự động hóa phân loại điểm LiDAR bằng cách loại bỏ hoàn toàn sự phụ thuộc vào dữ liệu vị trí GIS khỏi tác vụ phân loại. Do đó, sự chậm trễ xảy ra do hiệu chỉnh GIS thủ công được loại bỏ để thực hiện nhiệm vụ phân loại nhanh hơn và có thể mở rộng.
“Việc có thể dán nhãn dữ liệu khảo sát trên không của chúng tôi một cách nhanh chóng và chính xác là một phần quan trọng trong việc giảm thiểu rủi ro cháy rừng. Làm việc với Phòng thí nghiệm giải pháp máy học của Amazon, chúng tôi đã có thể tạo một mô hình đạt được độ chính xác trung bình 80.53% trong việc ghi nhãn dữ liệu. Daniel Pendlebury, Giám đốc sản phẩm của AusNet cho biết: “Chúng tôi hy vọng có thể giảm tới 80% nỗ lực ghi nhãn thủ công bằng giải pháp mới”.
AusNet hình dung các mô hình phân loại ML đóng một vai trò quan trọng trong việc thúc đẩy hiệu quả trong các hoạt động mạng của họ. Bằng cách mở rộng các thư viện phân loại tự động của họ với các mô hình phân khúc mới, AusNet có thể sử dụng các bộ dữ liệu khổng lồ một cách hiệu quả hơn để đảm bảo cung cấp năng lượng an toàn, đáng tin cậy cho các cộng đồng trên khắp Victoria.
Lời cảm ơn
Các tác giả xin cảm ơn Sergiy Redko, Claire Burrows, William Manahan, Sahil Deshpande, Ross King và Damian Bisignano của AusNet vì đã tham gia vào dự án và mang kiến thức chuyên môn về miền của họ về bộ dữ liệu LiDAR và đào tạo ML bằng các thuật toán ML khác nhau.
Phòng thí nghiệm giải pháp Amazon ML
Phòng thí nghiệm giải pháp Amazon ML kết hợp nhóm của bạn với các chuyên gia ML để giúp bạn xác định và triển khai các cơ hội ML có giá trị cao nhất của tổ chức. Nếu bạn muốn được trợ giúp trong việc đẩy nhanh việc sử dụng ML trong các sản phẩm và quy trình của mình, vui lòng liên hệ với Phòng thí nghiệm giải pháp Amazon ML.
Về các tác giả
Daniel Pendlebury là Giám đốc sản phẩm tại Dịch vụ AusNet chuyên cung cấp các sản phẩm tuân thủ tự động, sáng tạo cho các tiện ích trong lĩnh vực Quản lý thực vật và Bảo trì tài sản.
Nathanael Weldon là nhà phát triển phần mềm địa không gian tại Ausnet Services. Ông chuyên xây dựng và điều chỉnh các hệ thống xử lý dữ liệu không gian địa lý quy mô lớn, với kinh nghiệm trong các lĩnh vực tiện ích, tài nguyên và môi trường.
David Motamed là Người quản lý tài khoản tại Amazon Web Services. Có trụ sở tại Melbourne, Australia, anh giúp các khách hàng doanh nghiệp thành công trong hành trình chuyển đổi kỹ thuật số của họ.
Simon Johnston là một nhà lãnh đạo AI và chịu trách nhiệm về hoạt động kinh doanh AI/ML của Amazon Web Services trên khắp Australia và New Zealand, chuyên về kinh tế và chiến lược AI. Hơn 20 năm kinh nghiệm nghiên cứu, quản lý và tư vấn (Hoa Kỳ, Châu Âu, Châu Á Thái Bình Dương) bao gồm một loạt các dự án AI thương mại hóa và nghiên cứu sáng tạo, dẫn đầu ngành – thu hút sự tham gia của các công ty khởi nghiệp / doanh nghiệp vừa và nhỏ / tập đoàn lớn và hệ sinh thái rộng lớn hơn.
Derrick Choo là Kiến trúc sư giải pháp tại Amazon Web Services. Anh làm việc tại Melbourne, Australia và hợp tác chặt chẽ với các khách hàng doanh nghiệp để đẩy nhanh hành trình của họ trên đám mây. Anh ấy đam mê giúp khách hàng tạo ra giá trị thông qua đổi mới và xây dựng các ứng dụng có thể mở rộng, đồng thời đặc biệt quan tâm đến AI và ML.
Muhyun kim là một nhà khoa học dữ liệu tại Phòng thí nghiệm Giải pháp Máy học của Amazon. Anh ấy giải quyết các vấn đề kinh doanh khác nhau của khách hàng bằng cách áp dụng học máy và học sâu, đồng thời giúp họ có kỹ năng.
Sujoy Roy là một nhà khoa học của Phòng thí nghiệm giải pháp máy học Amazon với hơn 20 năm kinh nghiệm trong ngành và học thuật trong việc xây dựng và triển khai các giải pháp dựa trên ML cho các vấn đề kinh doanh. Ông đã áp dụng học máy để giải quyết các vấn đề của khách hàng trong các ngành như viễn thông, truyền thông và giải trí, AdTech, viễn thám, bán lẻ và sản xuất.
Tế Dương Khang là Kiến trúc sư học sâu cấp cao tại Phòng thí nghiệm giải pháp máy học của Amazon, nơi anh ấy giúp các khách hàng của AWS trong nhiều ngành bằng việc áp dụng AI và đám mây. Trước khi gia nhập Phòng thí nghiệm giải pháp máy học của Amazon, anh ấy đã làm việc với tư cách là Kiến trúc sư giải pháp cho một trong những khách hàng doanh nghiệp cao cấp nhất của AWS, thiết kế nhiều khối lượng công việc trên đám mây quy mô toàn cầu trên AWS. Trước đây, ông từng là nhà phát triển phần mềm và kiến trúc hệ thống cho các công ty như Samsung Electronics trong các ngành như chất bán dẫn, mạng và viễn thông.
Eden Duthie là lãnh đạo của nhóm Dịch vụ học tập chuyên nghiệp tăng cường tại AWS. Eden đam mê phát triển các giải pháp ra quyết định cho khách hàng. Ông đặc biệt quan tâm đến việc giúp các khách hàng công nghiệp tập trung mạnh vào việc tối ưu hóa chuỗi cung ứng.
- '
- 000
- 100
- 3d
- 7
- Tài khoản
- Kế toán
- hoạt động
- thêm vào
- Nhận con nuôi
- Lợi thế
- AI
- thuật toán
- thuật toán
- Tất cả
- Cho phép
- đàn bà gan dạ
- Học máy Amazon
- Amazon SageMaker
- Amazon Web Services
- trong số
- phân tích
- các ứng dụng
- kiến trúc
- KHU VỰC
- xung quanh
- tài sản
- quản lý tài sản
- Tài sản
- Châu Úc
- tác giả
- Tự động
- Tự động hóa
- sẵn có
- AWS
- BEST
- thanh toán
- Tỷ
- xây dựng
- Xây dựng
- kinh doanh
- các doanh nghiệp
- Sức chứa
- vốn
- thách thức
- phân loại
- đám mây
- áp dụng đám mây
- mã
- hợp tác
- Chung
- Cộng đồng
- Các công ty
- tuân thủ
- Tính
- dẫn
- sự tự tin
- tư vấn
- Container
- Chuyển đổi
- Chi phí
- cuộc khủng hoảng
- khách hàng
- dữ liệu
- xử lý dữ liệu
- nhà khoa học dữ liệu
- Ra quyết định
- học kĩ càng
- chậm trễ
- Nhu cầu
- Nhà phát triển
- phát triển
- kỹ thuật số
- chuyển đổi kỹ thuật số
- lái xe
- Các phương tiện bay không người lái
- Kinh tế
- nền kinh tế
- hệ sinh thái
- hiệu quả
- Thiết bị điện tử
- năng lượng
- Kỹ sư
- Nước Anh
- Doanh nghiệp
- khách hàng doanh nghiệp
- Giải trí
- môi trường
- EU
- sự kiện
- Mở rộng
- mở rộng
- kinh nghiệm
- thử nghiệm
- các chuyên gia
- Tính năng
- Linh hoạt
- Tập trung
- hình thức
- định dạng
- tương lai
- Toàn cầu
- tốt
- gps
- GPU
- Tăng trưởng
- phần cứng
- máy bay trực thăng
- máy bay trực thăng
- Cao
- Độ đáng tin của
- HTTPS
- lớn
- Hàng trăm
- xác định
- Bao gồm
- công nghiệp
- các ngành công nghiệp
- ngành công nghiệp
- thông tin
- Cơ sở hạ tầng
- sự đổi mới
- sáng tạo
- quan tâm
- điều tra
- các vấn đề
- IT
- Việc làm
- việc làm
- Key
- Vua
- ghi nhãn
- nhân công
- lớn
- tia laser
- dẫn
- LEARN
- học tập
- LIDAR
- ánh sáng
- địa điểm thư viện nào
- dài
- học máy
- chính
- Đa số
- Làm
- quản lý
- sản xuất
- đo
- Phương tiện truyền thông
- Melbourne
- Metrics
- triệu
- trẻ vị thành niên
- ML
- Thuật toán ML
- MLOps
- di động
- kiểu mẫu
- mô-đun
- mạng
- mạng lưới
- New Zealand
- mở
- Hoạt động
- Cơ hội
- Khác
- Ngoài trời
- hiệu suất
- phi công
- Máy bay
- quyền lực
- Sản phẩm
- Sản lượng
- Sản phẩm
- dự án
- tài sản
- phạm vi
- giảm
- học tăng cường
- sự phụ thuộc
- báo cáo
- Yêu cầu
- nghiên cứu
- Thông tin
- bán lẻ
- Trả về
- Nguy cơ
- Lăn
- chạy
- chạy
- an toàn
- Sự An Toàn
- nhà làm hiền triết
- Samsung
- tiết kiệm
- khả năng mở rộng
- Quy mô
- các nhà khoa học
- Ngành
- Chất bán dẫn
- DỊCH VỤ
- định
- Đơn giản
- Kích thước máy
- Doanh nghiệp vừa và nhỏ
- So
- Mạng xã hội
- Phần mềm
- Giải pháp
- động SOLVE
- chuyên
- bắt đầu
- khởi động
- là gắn
- Chiến lược
- thành công
- cung cấp
- chuỗi cung ứng
- hỗ trợ
- giám sát
- Khảo sát
- hệ thống
- hệ thống
- kỹ thuật
- Công nghệ
- Công ty viễn thông
- viễn thông
- thế giới
- thời gian
- Hội thảo
- Chuyển đổi
- đi du lịch
- trillions
- us
- tiện ích
- giá trị
- Xe cộ
- Ventures
- web
- các dịch vụ web
- Canh
- ở trong
- Công việc
- an toàn lao động
- quy trình làm việc
- công trinh
- thế giới
- X
- năm
- năm