Βιομηχανικός αυτοματισμός στην Tyson με όραση υπολογιστή, AWS Panorama και Amazon SageMaker

Αυτό είναι το πρώτο σε μια σειρά ιστολογίου δύο μερών για το πώς η Tyson Foods, Inc., χρησιμοποιεί το Amazon SageMaker και το AWS Panorama για να αυτοματοποιήσει τις βιομηχανικές διαδικασίες στα εργοστάσια συσκευασίας κρέατος, φέρνοντας τα πλεονεκτήματα των εφαρμογών τεχνητής νοημοσύνης στην άκρη. Στο πρώτο μέρος, συζητάμε μια εφαρμογή καταμέτρησης αποθεμάτων για γραμμές συσκευασίας. Στο δεύτερο μέρος, συζητάμε μια λύση ανίχνευσης ανωμαλιών που βασίζεται στην όραση στην άκρη για την προγνωστική συντήρηση του βιομηχανικού εξοπλισμού.

Ως ένας από τους μεγαλύτερους μεταποιητές και πωλητές κοτόπουλου, βοείου κρέατος και χοιρινού κρέατος στον κόσμο, Η Tyson Foods, Inc., είναι γνωστό ότι φέρνει καινοτόμες λύσεις στα εργοστάσια παραγωγής και συσκευασίας τους. Τον Φεβρουάριο του 2020, ο Tyson ανακοίνωσε Το σχέδιό της να φέρει το Computer Vision (CV) στα εργοστάσια κοτόπουλου και ξεκίνησε ένα πιλοτικό πρόγραμμα με το AWS για να πρωτοπορήσει στις προσπάθειες διαχείρισης αποθεμάτων. Ο Tyson συνεργάστηκε με Εργαστήριο Amazon ML Solutions για να δημιουργήσετε μια τελευταίας τεχνολογίας λύση μέτρησης βιογραφικών δίσκων κοτόπουλου που παρέχει πληροφορίες σε πραγματικό χρόνο για τα συσκευασμένα επίπεδα αποθέματος. Σε αυτήν την ανάρτηση, παρέχουμε μια επισκόπηση της αρχιτεκτονικής AWS και μια πλήρη περιγραφή της λύσης για να δείξουμε τα βασικά στοιχεία στον αγωγό μέτρησης δίσκων που έχει δημιουργηθεί στο εργοστάσιο του Tyson. Θα επικεντρωθούμε στη συλλογή δεδομένων και την επισήμανση, την εκπαίδευση και την ανάπτυξη μοντέλων βιογραφικών στην άκρη χρησιμοποιώντας Amazon Sage Maker, Apache MXNet Gluon, να Πανόραμα AWS.

Η λειτουργική αριστεία αποτελεί βασική προτεραιότητα στην Tyson Foods. Η Tyson εφαρμόζει αυστηρά μέτρα διασφάλισης ποιότητας (QA) στις γραμμές συσκευασίας της, διασφαλίζοντας ότι μόνο εκείνα τα συσκευασμένα προϊόντα που περνούν τα πρωτόκολλα ποιοτικού ελέγχου τους αποστέλλονται στους πελάτες της. Προκειμένου να ανταποκριθεί στη ζήτηση των πελατών και να παραμείνει μπροστά σε οποιοδήποτε ζήτημα παραγωγής, η Tyson παρακολουθεί στενά τον αριθμό των συσκευασμένων δίσκων κοτόπουλου. Ωστόσο, οι τρέχουσες χειροκίνητες τεχνικές για την καταμέτρηση των δίσκων κοτόπουλου που περνούν QA δεν είναι ακριβείς και δεν παρουσιάζουν σαφή εικόνα των επιπέδων υπερβολικής/κάτω παραγωγής. Εναλλακτικές στρατηγικές όπως η παρακολούθηση ωριαίου συνολικού βάρους παραγωγής ανά ράφι δεν παρέχουν άμεση ανατροφοδότηση στους υπαλλήλους του εργοστασίου. Με ικανότητα επεξεργασίας κοτόπουλου 45,000,000 κεφαλών την εβδομάδα, η ακρίβεια και η αποτελεσματικότητα παραγωγής είναι κρίσιμες για την επιχείρηση του Tyson. Το βιογραφικό μπορεί να χρησιμοποιηθεί αποτελεσματικά σε τέτοια σενάρια για την ακριβή εκτίμηση της ποσότητας κοτόπουλου που υποβάλλεται σε επεξεργασία σε πραγματικό χρόνο, δίνοντας τη δυνατότητα στους εργαζόμενους να εντοπίζουν πιθανά σημεία συμφόρησης στις γραμμές συσκευασίας και παραγωγής καθώς εμφανίζονται. Αυτό επιτρέπει την εφαρμογή διορθωτικών μέτρων και βελτιώνει την αποδοτικότητα της παραγωγής.

Η ροή και η επεξεργασία ροών βίντεο εσωτερικής εγκατάστασης στο cloud για εφαρμογές βιογραφικών απαιτεί υψηλό εύρος ζώνης δικτύου και παροχή σχετικής υποδομής. Αυτό μπορεί να είναι μια απαγορευτική εργασία. Το AWS Panorama καταργεί αυτές τις απαιτήσεις και επιτρέπει στον Tyson να επεξεργάζεται ροές βίντεο στο άκρο της συσκευής AWS Panorama. Μειώνει την καθυστέρηση προς/από το κόστος του νέφους και του εύρους ζώνης, ενώ παρέχει μια εύχρηστη διεπαφή για τη διαχείριση συσκευών και εφαρμογών στην άκρη.

Η ανίχνευση αντικειμένων είναι ένας από τους πιο συχνά χρησιμοποιούμενους αλγόριθμους βιογραφικού σημειώματος που μπορεί να εντοπίσει τη θέση των αντικειμένων σε εικόνες και βίντεο. Αυτή η τεχνολογία χρησιμοποιείται επί του παρόντος σε διάφορες εφαρμογές της πραγματικής ζωής, όπως ο εντοπισμός πεζών σε αυτόνομα οχήματα, η ανίχνευση όγκων σε ιατρικές σαρώσεις, τα συστήματα καταμέτρησης ατόμων για την παρακολούθηση του πεζού σε χώρους λιανικής, μεταξύ άλλων. Είναι επίσης σημαντικό για περιπτώσεις χρήσης διαχείρισης αποθέματος, όπως η καταμέτρηση δίσκων κρέατος για τον Tyson, να μειωθούν τα απόβλητα δημιουργώντας έναν βρόχο ανατροφοδότησης με διαδικασίες παραγωγής, εξοικονόμηση κόστους και έγκαιρη παράδοση των αποστολών πελατών.

Οι ακόλουθες ενότητες αυτής της ανάρτησης ιστολογίου περιγράφουν πώς χρησιμοποιούμε βίντεο ζωντανής ροής από ένα από τα εργοστάσια της Tyson Foods για να εκπαιδεύσουμε ένα μοντέλο ανίχνευσης αντικειμένων χρησιμοποιώντας το Amazon SageMaker. Στη συνέχεια, το αναπτύσσουμε στην άκρη με τη συσκευή AWS Panorama.

Πανόραμα AWS

Το AWS Panorama είναι μια συσκευή μηχανικής εκμάθησης (ML) που επιτρέπει στους οργανισμούς να μεταφέρουν το βιογραφικό τους σε κάμερες εσωτερικής εγκατάστασης για να κάνουν προβλέψεις τοπικά με υψηλή ακρίβεια και χαμηλό λανθάνοντα χρόνο. Το AWS Panorama Appliance είναι μια συσκευή υλικού που σας επιτρέπει να εκτελείτε εφαρμογές που χρησιμοποιούν ML για τη συλλογή δεδομένων από ροές βίντεο, την έξοδο βίντεο με κείμενο και γραφικές επικαλύψεις και την αλληλεπίδραση με άλλες υπηρεσίες AWS. Η συσκευή μπορεί να εκτελέσει πολλαπλά μοντέλα βιογραφικών σε πολλαπλές ροές βίντεο παράλληλα και να παράγει τα αποτελέσματα σε πραγματικό χρόνο. Έχει σχεδιαστεί για χρήση σε εμπορικούς και βιομηχανικούς χώρους.

Το AWS Panorama Appliance σάς δίνει τη δυνατότητα να εκτελείτε αυτόνομες εφαρμογές βιογραφικού σημειώματος στην άκρη, χωρίς να στέλνετε εικόνες στο AWS Cloud. Μπορείτε επίσης να χρησιμοποιήσετε το AWS SDK στο AWS Panorama Appliance για να ενσωματωθεί με άλλες υπηρεσίες AWS και να τις χρησιμοποιήσετε για την παρακολούθηση δεδομένων από την εφαρμογή με την πάροδο του χρόνου. Για τη δημιουργία και την ανάπτυξη εφαρμογών, χρησιμοποιείτε το AWS Panorama Application CLI. Το CLI είναι ένα εργαλείο γραμμής εντολών που δημιουργεί προεπιλεγμένους φακέλους εφαρμογών και αρχεία διαμόρφωσης, δημιουργεί κοντέινερ με το Docker και ανεβάζει στοιχεία.

Το AWS Panorama υποστηρίζει μοντέλα που έχουν κατασκευαστεί με Apache MX Net, σκοτεινό δίχτυ, GluonCV, Keras, ONNX, PyTorch, TensorFlow, να TensorFlow Lite. Αναφέρομαι σε αυτό ανάρτηση ιστολογίου για να μάθετε περισσότερα σχετικά με τη δημιουργία εφαρμογών στο AWS Panorama. Κατά τη διάρκεια της διαδικασίας ανάπτυξης, το AWS Panorama φροντίζει για τη μεταγλώττιση του συγκεκριμένου μοντέλου για την πλατφόρμα edge Συλλογή Amazon SageMaker Neo. Τα αποτελέσματα των συμπερασμάτων μπορούν να δρομολογηθούν σε υπηρεσίες AWS όπως το Amazon S3, το Amazon CloudWatch ή να ενσωματωθούν με εσωτερικές εφαρμογές γραμμής επιχειρήσεων. Τα αρχεία καταγραφής ανάπτυξης αποθηκεύονται στο Amazon CloudWatch.

Για να παρακολουθήσετε οποιαδήποτε αλλαγή στη λογική του σεναρίου συμπερασμάτων ή στο εκπαιδευμένο μοντέλο, μπορείτε να δημιουργήσετε μια νέα έκδοση της εφαρμογής. Εκδόσεις εφαρμογής είναι αμετάβλητα στιγμιότυπα της διαμόρφωσης μιας εφαρμογής. Το AWS Panorama αποθηκεύει προηγούμενες εκδόσεις των εφαρμογών σας, ώστε να μπορείτε να επαναφέρετε ενημερώσεις που δεν είναι επιτυχείς ή να εκτελείτε διαφορετικές εκδόσεις σε διαφορετικές συσκευές.

Για περισσότερες πληροφορίες, ανατρέξτε στο Σελίδα AWS Panorama. Για να μάθετε περισσότερα σχετικά με τη δημιουργία δειγμάτων εφαρμογών, ανατρέξτε στο Δείγματα Πανοράματος AWS.

Προσέγγιση

Ένας υπάλληλος του εργοστασίου γεμίζει συνεχώς συσκευασμένους δίσκους κοτόπουλου σε πλαστικούς κάδους και τους στοιβάζει με την πάροδο του χρόνου, όπως φαίνεται στο προηγούμενο σχήμα. Θέλουμε να μπορούμε να ανιχνεύουμε και να μετράμε τον συνολικό αριθμό δίσκων σε όλους τους κάδους που στοιβάζονται κάθετα.

Ένα εκπαιδευμένο μοντέλο ανίχνευσης αντικειμένων μπορεί να προβλέψει τα οριοθετημένα κουτιά όλων των δίσκων που βρίσκονται σε έναν κάδο σε κάθε καρέ βίντεο. Αυτό μπορεί να χρησιμοποιηθεί για τη μέτρηση του αριθμού των δίσκων σε έναν κάδο σε μια δεδομένη περίπτωση. Γνωρίζουμε επίσης ότι ανά πάσα στιγμή, μόνο ένας κάδος γεμίζει με συσκευασμένους δίσκους. οι μετρήσεις του δίσκου ταλαντώνονται συνεχώς από ψηλά (κατά το γέμισμα) σε χαμηλά (όταν ένας νέος κάδος εμποδίζει την προβολή του γεμάτου κάδου).

Με αυτή τη γνώση, υιοθετούμε την ακόλουθη στρατηγική για την καταμέτρηση του συνολικού αριθμού δίσκων κοτόπουλου:

1. Διατηρήστε δύο διαφορετικούς μετρητές - τοπικό και παγκόσμιο. Ο παγκόσμιος μετρητής διατηρεί τους συνολικούς δίσκους σε θήκες και ο τοπικός μετρητής αποθηκεύει τον μέγιστο αριθμό δίσκων που έχουν τοποθετηθεί σε έναν νέο κάδο.
2. Ενημερώστε τον τοπικό μετρητή καθώς νέοι δίσκοι τοποθετούνται στον κάδο.
3. Εντοπίστε ένα νέο συμβάν bin με τους εξής τρόπους:
   1. Ο αριθμός δίσκων σε ένα δεδομένο πλαίσιο μηδενίζεται. (ή)
   2. Η ροή των αριθμών δίσκου στο τελευταίο n τα καρέ πέφτουν συνεχώς.
4. Μόλις εντοπιστεί το νέο συμβάν bin, προσθέστε την τιμή του τοπικού μετρητή στον καθολικό μετρητή.
5. Μηδενίστε τον τοπικό μετρητή.

Δοκιμάσαμε αυτόν τον αλγόριθμο σε αρκετές ώρες βίντεο και πήραμε σταθερά αποτελέσματα.

Εκπαίδευση ενός μοντέλου ανίχνευσης αντικειμένων με το Amazon SageMaker

Δημιουργία συνόλου δεδομένων:

Συλλέξαμε δείγματα εικόνων από τη γραμμή συσκευασίας χρησιμοποιώντας τη συσκευή AWS Panorama. Το σενάριο για την επεξεργασία εικόνων και την αποθήκευση τους συσκευάστηκε ως εφαρμογή και αναπτύχθηκε στο AWS Panorama. Η εφαρμογή συλλέγει καρέ βίντεο από μια κάμερα εγκατεστημένη κοντά στη ζώνη συσκευασίας και τα αποθηκεύει ανά διαστήματα 60 δευτερολέπτων σε Amazon S3 κάδος; Αυτό αποτρέπει τη λήψη παρόμοιων εικόνων στη σειρά βίντεο που απέχουν λίγα δευτερόλεπτα μεταξύ τους. Αποκρύπτουμε επίσης γειτονικές περιοχές στην εικόνα που δεν είναι σχετικές με την περίπτωση χρήσης.

Χαρίσαμε ετικέτες στους δίσκους κοτόπουλου με δεσμευτικά κουτιά χρησιμοποιώντας Amazon SageMaker Ground Truth's εργασία τοποθέτησης ετικετών ροής. Ρυθμίσαμε επίσης μια ειδοποίηση εκδήλωσης Amazon S3 που δημοσιεύεται γεγονότα που δημιουργούνται από αντικείμενα σε ένα Υπηρεσία απλών ειδοποιήσεων Amazon θέμα (SNS), το οποίο λειτουργεί ως πηγή εισόδου για την εργασία επισήμανσης. Όταν το σενάριο εφαρμογής AWS Panorama αποθηκεύει μια εικόνα σε έναν κάδο S3, δημοσιεύεται μια ειδοποίηση συμβάντος στο θέμα SNS, το οποίο στη συνέχεια στέλνει αυτήν την εικόνα στην εργασία επισήμανσης. Καθώς οι σχολιαστές επισημαίνουν κάθε εισερχόμενη εικόνα, το Ground Truth αποθηκεύει τις ετικέτες σε ένα αρχείο δήλωσης, το οποίο περιέχει τη διαδρομή S3 της εικόνας καθώς και τις συντεταγμένες των πλαισίων οριοθέτησης του δίσκου κοτόπουλου.

Πραγματοποιούμε πολλές επαυξήσεις δεδομένων (για παράδειγμα: τυχαίος θόρυβος, τυχαία αντίθεση και φωτεινότητα, ανακάτεμα καναλιού) στις ετικέτες για να κάνουμε το μοντέλο ανθεκτικό στις παραλλαγές στην πραγματική ζωή. Η αρχική και η επαυξημένη εικόνα συνδυάστηκαν για να σχηματίσουν ένα ενοποιημένο σύνολο δεδομένων.

Εκπαίδευση μοντέλου:

Μόλις ολοκληρωθεί η εργασία επισήμανσης, ενεργοποιούμε χειροκίνητα ένα AWS Lambda λειτουργία. Αυτή η συνάρτηση Lambda ομαδοποιεί εικόνες και τις αντίστοιχες ετικέτες τους από το μανιφέστο εξόδου σε ένα αρχείο LST. Τα αρχεία εκπαίδευσης και δοκιμών μας είχαν συλλέξει εικόνες από διαφορετικές γραμμές συσκευασίας για να αποτραπεί οποιαδήποτε διαρροή δεδομένων στην αξιολόγηση. Στη συνέχεια, η συνάρτηση Lambda ενεργοποιεί μια εργασία εκπαίδευσης στο Amazon SageMaker.

Χρησιμοποιούμε Λειτουργία σεναρίου SageMaker, το οποίο σας επιτρέπει να φέρετε τους δικούς σας αλγόριθμους εκπαίδευσης και να εκπαιδεύσετε απευθείας μοντέλα ενώ παραμένετε μέσα στα φιλικά προς τον χρήστη όρια του Amazon SageMaker. Εκπαιδεύουμε μοντέλα όπως SSD, Yolo-v3 (για καθυστέρηση συμπερασμάτων σε πραγματικό χρόνο) με διάφορους συνδυασμούς δικτύου κορμού από GluonCV Model Zoo για ανίχνευση αντικειμένων σε λειτουργία σεναρίου. Τα νευρωνικά δίκτυα έχουν την τάση να υπερπροσαρμόζουν τα δεδομένα εκπαίδευσης, οδηγώντας σε κακά αποτελέσματα εκτός δείγματος. Το GluonCV παρέχει κανονικοποίηση εικόνας και επαυξήσεις εικόνας, όπως τυχαία αναστροφή και περικοπή εικόνας, για να βοηθήσει στη μείωση της υπερβολικής προσαρμογής κατά τη διάρκεια της προπόνησης. ο μοντέλο κώδικα εκπαίδευσης είναι κοντέινερ και χρησιμοποιεί την εικόνα Docker στο AWS Elastic Container Registry. Η εργασία εκπαίδευσης παίρνει τον φάκελο εικόνας S3 και τις διαδρομές αρχείου LST ως εισόδους και αποθηκεύει το καλύτερο μοντέλο τεχνουργήματος (.παραμ και . json) στο S3 μετά την ολοκλήρωση.

Τα κορυφαία 2 μοντέλα με βάση το δοκιμαστικό μας σετ ήταν SSD-resnet50 και Yolov3-darketnet53, με βαθμολογία mAP 0.91 το καθένα. Πραγματοποιήσαμε επίσης δοκιμές πραγματικού κόσμου, αναπτύσσοντας μια εφαρμογή συμπερασμάτων στη συσκευή AWS Panorama μαζί με το εκπαιδευμένο μοντέλο. Το σενάριο συμπερασμάτων αποθηκεύει τις προβλέψεις και τα καρέ βίντεο σε έναν κάδο Amazon S3. Δημιουργήσαμε μια άλλη εργασία του SageMaker Ground Truth για τον σχολιασμό της βασικής αλήθειας και στη συνέχεια πραγματοποιήσαμε πρόσθετη ποσοτική αξιολόγηση του μοντέλου. Η βασική αλήθεια και οι προβλεπόμενες ετικέτες πλαισίου οριοθέτησης στις εικόνες αποθηκεύτηκαν στο S3 για ποιοτική αξιολόγηση. Τα μοντέλα μπόρεσαν να γενικεύσουν τα δεδομένα του πραγματικού κόσμου και απέδωσαν σταθερή απόδοση παρόμοια με αυτή του δοκιμαστικού μας σετ.

Μπορείτε να βρείτε πλήρη, ολοκληρωμένα παραδείγματα δημιουργίας προσαρμοσμένων εργασιών εκπαίδευσης, εκπαίδευσης μοντέλων ανίχνευσης αντικειμένων αιχμής, εφαρμογής Hyperparameter Optimization (HPO) και ανάπτυξης μοντέλων στο Amazon SageMaker στο Αποθετήριο GitHub της AWS Labs.

Ανάπτυξη εφαρμογής μέτρησης δίσκων κρέατος

Πριν από την ανάπτυξη, συσκευάζουμε όλα τα στοιχεία μας - μοντέλο, σενάριο συμπερασμάτων, κάμερα και διαμόρφωση καθολικής μεταβλητής σε ένα μόνο κοντέινερ όπως αναφέρεται στο αυτό το post στο blog. Ο αγωγός συνεχούς ενοποίησης και συνεχούς ανάπτυξης (CI/CD) ενημερώνει οποιαδήποτε αλλαγή στο σενάριο συμπερασμάτων ως νέα έκδοση εφαρμογής. Μόλις δημοσιευτεί η νέα έκδοση της εφαρμογής, την αναπτύσσουμε προγραμματικά χρησιμοποιώντας το boto3 SDK στην Python.

Κατά την ανάπτυξη της εφαρμογής, το AWS Panorama δημιουργεί πρώτα μια εργασία AWS SageMaker Neo Compilation για να μεταγλωττίσει το μοντέλο για τη συσκευή AWS Panorama. Το σενάριο εφαρμογής συμπερασμάτων εισάγει το μεταγλωττισμένο μοντέλο στη συσκευή και εκτελεί ανίχνευση δίσκου κοτόπουλου σε κάθε πλαίσιο. Εκτός από το SageMaker Neo-Compilation, ενεργοποιήσαμε την κβαντοποίηση μετά την εκπαίδευση προσθέτοντας ένα os.environ['TVM_TENSORRT_USE_FP16'] = '1' σημαία στο σενάριο. Αυτό μειώνει το μέγεθος των βαρών του μοντέλου από το float 32 στο float 16, μειώνοντας το μέγεθος του μοντέλου στο μισό και βελτιώνοντας την καθυστέρηση χωρίς υποβάθμιση της απόδοσης. Τα αποτελέσματα συμπερασμάτων αποτυπώνονται στο Οθόνη AWS SiteWise μέσω μηνυμάτων MQTT από τη συσκευή AWS Panorama μέσω Πυρήνας AWS IoT. Στη συνέχεια, τα αποτελέσματα προωθούνται στο Amazon S3 και οπτικοποιούνται Amazon QuickSight Ταμπλό. Οι διευθυντές και οι υπάλληλοι του εργοστασίου μπορούν να δουν απευθείας αυτούς τους πίνακες εργαλείων για να κατανοήσουν την απόδοση κάθε γραμμής συσκευασίας σε πραγματικό χρόνο.

Συμπέρασμα

Συνδυάζοντας την υπηρεσία AWS Cloud όπως το Amazon SageMaker, το Amazon S3 και την υπηρεσία αιχμής όπως το AWS Panorama, η Tyson Foods Inc., εγχύει τεχνητή νοημοσύνη για να αυτοματοποιήσει βιομηχανικές διαδικασίες έντασης ανθρώπου, όπως η καταμέτρηση αποθεμάτων στα εργοστάσια παραγωγής της. Οι δυνατότητες συμπερασμάτων άκρων σε πραγματικό χρόνο επιτρέπουν στον Tyson να αναγνωρίζει την υπερ/υπό παραγωγή και να προσαρμόζει δυναμικά τη ροή παραγωγής τους για μεγιστοποίηση της απόδοσης. Επιπλέον, κατέχοντας τη συσκευή AWS Panorama στο edge, ο Tyson μπορεί επίσης να εξοικονομήσει κόστος που σχετίζεται με το ακριβό εύρος ζώνης δικτύου για τη μεταφορά αρχείων βίντεο στο cloud και μπορεί πλέον να επεξεργάζεται όλα τα στοιχεία βίντεο/εικόνων τοπικά στο δίκτυό του.

Αυτή η ανάρτηση ιστολογίου σάς παρέχει μια επισκόπηση εφαρμογών τελικού άκρου και αρχιτεκτονικές αναφοράς για την ανάπτυξη μιας εφαρμογής βιογραφικού με το AWS Panorama. Συζητήσαμε 3 διαφορετικές πτυχές της δημιουργίας μιας εφαρμογής βιογραφικού αιχμής.

1. ημερομηνία: Συλλογή δεδομένων, επεξεργασία και επισήμανση με χρήση AWS Panorama και Amazon SageMaker Ground Truth.
2. Μοντέλο: Εκπαίδευση και αξιολόγηση μοντέλων χρησιμοποιώντας το Amazon SageMaker και το AWS Lambda
3. Πακέτο εφαρμογής: Ομαδοποίηση εκπαιδευμένου μοντέλου, σεναρίων και αρχείων διαμόρφωσης για το AWS Panorama.

Μείνετε συντονισμένοι για το δεύτερο μέρος αυτής της σειράς σχετικά με το πώς ο Tyson χρησιμοποιεί το AWS Panorama για προγνωστική συντήρηση βιομηχανικών μηχανημάτων βάσει βιογραφικού.

Πατήστε εδώ για να ξεκινήσετε το ταξίδι σας με το AWS Panorama. Για να μάθετε περισσότερα σχετικά με τη συνεργασία με το ML Solutions Lab, βλ Εργαστήριο Amazon Machine Learning Solutions.

---

Σχετικά με τους Συγγραφείς

Ντίγια Μπαρχάρβι είναι επιστήμονας δεδομένων στο Εργαστήριο Amazon ML Solutions όπου εργάζεται με πελάτες σε διάφορους κλάδους και εφαρμόζει δημιουργική επίλυση προβλημάτων για να δημιουργήσει αξία για τους πελάτες με λύσεις ML/AI τελευταίας τεχνολογίας.

Dilip Subramaniam είναι Senior Developer με την ομάδα Emerging Technologies στην Tyson Foods. Είναι παθιασμένος με τη δημιουργία κατανεμημένων εφαρμογών μεγάλης κλίμακας για την επίλυση επιχειρηματικών προβλημάτων και την απλοποίηση των διαδικασιών χρησιμοποιώντας τις γνώσεις του στην Ανάπτυξη Λογισμικού, τη Μηχανική Μάθηση και τα Μεγάλα Δεδομένα.

Πηγή: https://aws.amazon.com/blogs/machine-learning/industrial-automation-at-tyson-with-computer-vision-aws-panorama-and-amazon-sagemaker/