कंप्यूटर विज़न, AWS पैनोरमा और अमेज़न सेजमेकर के साथ टायसन में औद्योगिक स्वचालन

टायसन फूड्स, इंक, कैसे आर्टिफिशियल इंटेलिजेंस अनुप्रयोगों के लाभों को किनारे पर लाकर अपने मांस पैकिंग संयंत्रों में औद्योगिक प्रक्रियाओं को स्वचालित करने के लिए टायसन फूड्स, इंक, अमेज़ॅन सैजमेकर और एडब्ल्यूएस पैनोरमा का उपयोग कर रहा है, इस पर दो-भाग की ब्लॉग श्रृंखला में यह पहला है। भाग एक में, हम पैकेजिंग लाइनों के लिए एक इन्वेंट्री काउंटिंग एप्लिकेशन पर चर्चा करते हैं। भाग दो में, हम औद्योगिक उपकरणों के भविष्य कहनेवाला रखरखाव के लिए किनारे पर एक दृष्टि-आधारित विसंगति का पता लगाने के समाधान पर चर्चा करते हैं।

दुनिया में चिकन, बीफ और पोर्क के सबसे बड़े प्रोसेसर और मार्केटर्स में से एक के रूप में, टायसन फूड्स, इंक।, अपने उत्पादन और पैकिंग संयंत्रों के लिए अभिनव समाधान लाने के लिए जाने जाते हैं। फरवरी 2020 में, टायसन की घोषणा अपने चिकन संयंत्रों में कंप्यूटर विजन (सीवी) लाने की इसकी योजना और इन्वेंट्री प्रबंधन पर अग्रणी प्रयासों के लिए एडब्ल्यूएस के साथ एक पायलट लॉन्च किया। टायसन ने सहयोग किया अमेज़न एमएल सॉल्यूशंस लैब अत्याधुनिक चिकन ट्रे काउंटिंग सीवी समाधान बनाने के लिए जो पैक किए गए इन्वेंट्री स्तरों में वास्तविक समय की अंतर्दृष्टि प्रदान करता है। इस पोस्ट में, हम टायसन के प्लांट में स्थापित ट्रे काउंटिंग पाइपलाइन में प्रमुख घटकों को प्रदर्शित करने के लिए एडब्ल्यूएस आर्किटेक्चर का अवलोकन और समाधान का पूरा पूर्वाभ्यास प्रदान करते हैं। हम डेटा संग्रह और लेबलिंग, प्रशिक्षण और किनारे पर सीवी मॉडल की तैनाती पर ध्यान केंद्रित करेंगे अमेज़न SageMaker, अपाचे एमएक्सनेट ग्लोन, तथा AWS पैनोरमा.

टायसन फूड्स में परिचालन उत्कृष्टता एक प्रमुख प्राथमिकता है। टायसन अपनी पैकेजिंग लाइनों में सख्त गुणवत्ता आश्वासन (क्यूए) उपायों को नियोजित करता है, यह सुनिश्चित करता है कि केवल वे पैक किए गए उत्पाद जो उनके गुणवत्ता नियंत्रण प्रोटोकॉल को पारित करते हैं, उसके ग्राहकों को भेज दिए जाते हैं। ग्राहकों की मांग को पूरा करने और किसी भी उत्पादन मुद्दे से आगे रहने के लिए, टायसन पैक किए गए चिकन ट्रे की संख्या पर बारीकी से नज़र रखता है। हालांकि, क्यूए पास करने वाली चिकन ट्रे को गिनने की मौजूदा मैनुअल तकनीक सटीक नहीं है और अधिक/कम उत्पादन स्तरों की स्पष्ट तस्वीर पेश नहीं करती है। वैकल्पिक कार्यनीतियां जैसे प्रति रैक उत्पादन के प्रति घंटा कुल वजन की निगरानी करना संयंत्र के कर्मचारियों को तत्काल प्रतिक्रिया प्रदान नहीं करता है। प्रति सप्ताह 45,000,000 सिर की चिकन प्रसंस्करण क्षमता के साथ, टायसन के व्यवसाय के लिए उत्पादन सटीकता और दक्षता महत्वपूर्ण हैं। वास्तविक समय में संसाधित चिकन की मात्रा का सटीक अनुमान लगाने के लिए ऐसे परिदृश्यों में सीवी का प्रभावी ढंग से उपयोग किया जा सकता है, कर्मचारियों को पैकेजिंग और उत्पादन लाइनों में संभावित बाधाओं की पहचान करने के लिए सशक्त बनाया जा सकता है। यह सुधारात्मक उपायों के कार्यान्वयन को सक्षम बनाता है और उत्पादन क्षमता में सुधार करता है।

सीवी अनुप्रयोगों के लिए क्लाउड पर ऑन-प्रिमाइसेस वीडियो स्ट्रीम को स्ट्रीम करने और संसाधित करने के लिए उच्च नेटवर्क बैंडविड्थ और संबंधित बुनियादी ढांचे के प्रावधान की आवश्यकता होती है। यह एक लागत निषेधात्मक कार्य हो सकता है। AWS पैनोरमा इन आवश्यकताओं को हटा देता है और टायसन को AWS पैनोरमा उपकरण पर किनारे पर वीडियो स्ट्रीम संसाधित करने में सक्षम बनाता है। किनारे पर उपकरणों और अनुप्रयोगों के प्रबंधन के लिए उपयोग में आसान इंटरफ़ेस प्रदान करते हुए, यह क्लाउड और बैंडविड्थ लागत के लिए / से विलंबता को कम करता है।

ऑब्जेक्ट डिटेक्शन सबसे अधिक उपयोग किए जाने वाले सीवी एल्गोरिदम में से एक है जो छवियों और वीडियो में वस्तुओं की स्थिति को स्थानीयकृत कर सकता है। इस तकनीक का वर्तमान में विभिन्न वास्तविक जीवन के अनुप्रयोगों में उपयोग किया जा रहा है जैसे कि स्वायत्त वाहनों में पैदल यात्री का पता लगाना, मेडिकल स्कैन में ट्यूमर का पता लगाना, खुदरा स्थानों में फुटफॉल की निगरानी के लिए लोग गिनती प्रणाली, आदि। यह इन्वेंट्री प्रबंधन के उपयोग के मामलों के लिए भी महत्वपूर्ण है, जैसे टायसन के लिए मीट ट्रे काउंटिंग, उत्पादन प्रक्रियाओं, लागत बचत और समय पर ग्राहक शिपमेंट की डिलीवरी के साथ फीडबैक लूप बनाकर कचरे को कम करना।

इस ब्लॉग पोस्ट के निम्न अनुभाग यह बताते हैं कि कैसे हम Amazon SageMaker का उपयोग करके ऑब्जेक्ट डिटेक्शन मॉडल को प्रशिक्षित करने के लिए टायसन फूड्स संयंत्रों में से एक से लाइव-स्ट्रीम वीडियो का उपयोग करते हैं। फिर हम इसे AWS पैनोरमा डिवाइस के साथ किनारे पर तैनात करते हैं।

AWS पैनोरमा

एडब्ल्यूएस पैनोरमा एक मशीन लर्निंग (एमएल) उपकरण है जो संगठनों को उच्च सटीकता और कम विलंबता के साथ स्थानीय रूप से भविष्यवाणियां करने के लिए सीवी को ऑन-प्रिमाइसेस कैमरों में लाने की अनुमति देता है। एडब्ल्यूएस पैनोरमा उपकरण एक हार्डवेयर डिवाइस है जो आपको ऐसे एप्लिकेशन चलाने की अनुमति देता है जो वीडियो स्ट्रीम से डेटा एकत्र करने के लिए एमएल का उपयोग करते हैं, टेक्स्ट और ग्राफिकल ओवरले के साथ वीडियो आउटपुट करते हैं, और अन्य एडब्ल्यूएस सेवाओं के साथ बातचीत करते हैं। उपकरण समानांतर में कई वीडियो स्ट्रीम के खिलाफ कई सीवी मॉडल चला सकता है और वास्तविक समय में परिणाम आउटपुट कर सकता है। इसे वाणिज्यिक और औद्योगिक सेटिंग्स में उपयोग के लिए डिज़ाइन किया गया है।

एडब्ल्यूएस पैनोरमा उपकरण आपको एडब्ल्यूएस क्लाउड पर छवियों को भेजे बिना किनारे पर स्वयं निहित सीवी अनुप्रयोगों को चलाने में सक्षम बनाता है। आप अन्य AWS सेवाओं के साथ एकीकृत करने के लिए AWS पैनोरमा उपकरण पर AWS SDK का उपयोग कर सकते हैं और समय के साथ एप्लिकेशन से डेटा ट्रैक करने के लिए उनका उपयोग कर सकते हैं। एप्लिकेशन बनाने और परिनियोजित करने के लिए, आप AWS पैनोरमा एप्लिकेशन CLI का उपयोग करते हैं। सीएलआई एक कमांड लाइन टूल है जो डिफॉल्ट एप्लिकेशन फोल्डर और कॉन्फ़िगरेशन फाइल बनाता है, डॉकर के साथ कंटेनर बनाता है और एसेट्स अपलोड करता है।

एडब्ल्यूएस पैनोरमा के साथ निर्मित मॉडल का समर्थन करता है अपाचे एमएक्सनेट, डार्कनेट, ग्लूऑनसीवी, Keras, ओएनएनएक्स, पायटॉर्च, TensorFlow, तथा TensorFlow Lite। को देखें इसका AWS पैनोरमा पर एप्लिकेशन बनाने के बारे में अधिक जानने के लिए ब्लॉग पोस्ट। परिनियोजन प्रक्रिया के दौरान AWS पैनोरमा एज प्लेटफ़ॉर्म के लिए विशिष्ट मॉडल को संकलित करने का ध्यान रखता है अमेज़न सैजमेकर नियो संकलन. निष्कर्ष के परिणाम AWS सेवाओं जैसे कि Amazon S3, Amazon CloudWatch या ऑन-प्रिमाइसेस लाइन-ऑफ-बिजनेस एप्लिकेशन के साथ एकीकृत किए जा सकते हैं। परिनियोजन लॉग Amazon CloudWatch में संग्रहीत हैं।

इंट्रेंस स्क्रिप्ट लॉजिक या प्रशिक्षित मॉडल में किसी भी बदलाव को ट्रैक करने के लिए, एप्लिकेशन का एक नया संस्करण बनाया जा सकता है। एप्लिकेशन संस्करण किसी एप्लिकेशन के कॉन्फ़िगरेशन के अपरिवर्तनीय स्नैपशॉट हैं। AWS पैनोरमा आपके एप्लिकेशन के पिछले संस्करणों को सहेजता है ताकि आप उन अपडेट को वापस ले सकें जो सफल नहीं हैं, या विभिन्न उपकरणों पर अलग-अलग संस्करण चला सकते हैं।

अधिक जानकारी के लिए, देखें एडब्ल्यूएस पैनोरमा पेज. नमूना अनुप्रयोगों के निर्माण के बारे में अधिक जानने के लिए देखें एडब्ल्यूएस पैनोरमा नमूने.

दृष्टिकोण

एक प्लांट कर्मचारी लगातार पैक किए गए चिकन ट्रे को प्लास्टिक के डिब्बे में भरता है और समय के साथ उन्हें ढेर कर देता है, जैसा कि पिछले आंकड़े में दिखाया गया है। हम लंबवत ढेर किए गए सभी डिब्बे में ट्रे की कुल संख्या का पता लगाने और गिनने में सक्षम होना चाहते हैं।

एक प्रशिक्षित ऑब्जेक्ट डिटेक्शन मॉडल प्रत्येक वीडियो फ्रेम में बिन में रखे सभी ट्रे के बाउंडिंग बॉक्स की भविष्यवाणी कर सकता है। इसका उपयोग किसी दिए गए उदाहरण पर बिन में ट्रे की संख्या को मापने के लिए किया जा सकता है। हम यह भी जानते हैं कि किसी भी समय, पैक्ड ट्रे से केवल एक बिन भरा जा रहा है; ट्रे लगातार उच्च (भरने के दौरान) से कम (जब एक नया बिन भरे हुए बिन के दृश्य को बाधित करता है) से दोलन करता है।

इस ज्ञान के साथ, हम चिकन ट्रे की कुल संख्या की गणना करने के लिए निम्नलिखित रणनीति अपनाते हैं:

1. दो अलग-अलग काउंटर बनाए रखें - स्थानीय और वैश्विक। ग्लोबल काउंटर बिन किए गए कुल ट्रे को बनाए रखता है और स्थानीय काउंटर एक नए बिन में रखे गए ट्रे की अधिकतम संख्या को स्टोर करता है।
2. बिन में नई ट्रे रखे जाने पर स्थानीय काउंटर को अपडेट करें।
3. निम्नलिखित तरीकों से एक नए बिन इवेंट का पता लगाएं:
   1. किसी दिए गए फ़्रेम में ट्रे की संख्या शून्य हो जाती है। (या)
   2. आखिरी में ट्रे नंबरों की धारा n फ्रेम लगातार गिरता है।
4. एक बार नई बिन घटना का पता चलने के बाद, स्थानीय काउंटर वैल्यू को ग्लोबल काउंटर में जोड़ें।
5. स्थानीय काउंटर को शून्य पर रीसेट करें।

हमने कई घंटों के वीडियो पर इस एल्गोरिथम का परीक्षण किया और लगातार परिणाम प्राप्त किए।

Amazon SageMaker के साथ ऑब्जेक्ट डिटेक्शन मॉडल का प्रशिक्षण

डेटासेट निर्माण:

हमने AWS पैनोरमा उपकरण का उपयोग करके पैकेजिंग लाइन से छवि के नमूने एकत्र किए। छवियों को संसाधित करने और उन्हें सहेजने के लिए स्क्रिप्ट को एक एप्लिकेशन के रूप में पैक किया गया और AWS पैनोरमा पर तैनात किया गया। एप्लिकेशन पैकेजिंग ज़ोन के पास स्थापित ऑन-प्रिमाइसेस कैमरा से वीडियो फ़्रेम एकत्र करता है और उन्हें 60 सेकंड के अंतराल पर सहेजता है अमेज़न S3 बाल्टी; यह वीडियो अनुक्रम में समान छवियों को कैप्चर करने से रोकता है जो कुछ सेकंड अलग हैं। हम इमेज में उन आस-पास के क्षेत्रों को भी मास्क कर देते हैं जो यूज-केस के लिए प्रासंगिक नहीं हैं।

हमने चिकन ट्रे को बाउंडिंग बॉक्स के साथ लेबल किया अमेज़न सैजमेकर ग्राउंड ट्रूथ स्ट्रीमिंग लेबलिंग कार्य। हम एक Amazon S3 इवेंट नोटिफिकेशन भी सेट करते हैं जो प्रकाशित करता है वस्तु-निर्मित घटनाएँ एक को अमेज़न सरल अधिसूचना सेवा (एसएनएस) विषय, जो लेबलिंग कार्य के लिए इनपुट स्रोत के रूप में कार्य करता है। जब AWS पैनोरमा एप्लिकेशन स्क्रिप्ट किसी छवि को S3 बकेट में सहेजती है, तो SNS विषय पर एक ईवेंट सूचना प्रकाशित होती है, जो तब इस छवि को लेबलिंग कार्य में भेजती है। जैसा कि एनोटेटर्स हर आने वाली छवि को लेबल करते हैं, ग्राउंड ट्रूथ लेबल को एक मेनिफेस्ट फ़ाइल में सहेजता है, जिसमें छवि के S3 पथ के साथ-साथ चिकन ट्रे बाउंडिंग बॉक्स के निर्देशांक होते हैं।

हम मॉडल को वास्तविक जीवन में विविधताओं के लिए मजबूत बनाने के लिए लेबल की गई छवियों पर कई डेटा वृद्धि (उदाहरण के लिए: यादृच्छिक शोर, यादृच्छिक कंट्रास्ट और चमक, चैनल फेरबदल) करते हैं। एक एकीकृत डेटासेट बनाने के लिए मूल और संवर्धित छवियों को जोड़ा गया था।

मॉडल प्रशिक्षण:

एक बार लेबलिंग का काम पूरा हो जाने के बाद, हम मैन्युअल रूप से ट्रिगर करते हैं AWS लाम्बा समारोह। यह लैम्ब्डा फ़ंक्शन छवियों और उनके संबंधित लेबल को आउटपुट मेनिफेस्ट से एक में बंडल करता है एलएसटी फ़ाइल. मूल्यांकन में किसी भी डेटा रिसाव को रोकने के लिए हमारी प्रशिक्षण और परीक्षण फाइलों में विभिन्न पैकेजिंग लाइनों से एकत्रित छवियां थीं। लैम्ब्डा फ़ंक्शन तब अमेज़ॅन सैजमेकर प्रशिक्षण कार्य को ट्रिगर करता है।

हम का उपयोग करें सेजमेकर स्क्रिप्ट मोड, जो आपको Amazon SageMaker के उपयोगकर्ता-अनुकूल दायरे में रहते हुए अपने स्वयं के प्रशिक्षण एल्गोरिदम लाने और मॉडल को सीधे प्रशिक्षित करने की अनुमति देता है। हम SSD, Yolo-v3 (वास्तविक समय अनुमान विलंबता के लिए) जैसे विभिन्न बैकबोन नेटवर्क संयोजनों के साथ मॉडल को प्रशिक्षित करते हैं ऑब्जेक्ट डिटेक्शन के लिए GluonCV मॉडल ज़ू स्क्रिप्ट-मोड में। तंत्रिका नेटवर्क में प्रशिक्षण डेटा को ओवरफिट करने की प्रवृत्ति होती है, जिससे खराब आउट-ऑफ-सैंपल परिणाम सामने आते हैं। GluonCV प्रशिक्षण के दौरान ओवरफिटिंग को कम करने में मदद करने के लिए छवि सामान्यीकरण और छवि संवर्द्धन प्रदान करता है, जैसे यादृच्छिक छवि फ़्लिपिंग और क्रॉपिंग। मॉडल प्रशिक्षण कोड कंटेनरीकृत है और हमारे एडब्ल्यूएस लोचदार कंटेनर रजिस्ट्री में डॉकर छवि का उपयोग करता है। प्रशिक्षण कार्य S3 छवि फ़ोल्डर और LST फ़ाइल पथ को इनपुट के रूप में लेता है और सर्वोत्तम मॉडल विरूपण साक्ष्य को सहेजता है (.परम्स और .json) पूरा होने पर S3 तक।

हमारे टेस्ट सेट पर आधारित टॉप-2 मॉडल थे एसएसडी-रेसनेट50 और योलोव3-डार्केटनेट53, 0.91 प्रत्येक के एमएपी स्कोर के साथ। हमने प्रशिक्षित मॉडल के साथ एडब्ल्यूएस पैनोरमा डिवाइस पर एक अनुमान एप्लिकेशन को तैनात करके वास्तविक दुनिया का परीक्षण भी किया। अनुमान स्क्रिप्ट भविष्यवाणियों और वीडियो फ्रेम को अमेज़ॅन एस 3 बाल्टी में सहेजती है। हमने जमीनी सच्चाई की व्याख्या करने के लिए एक और सैजमेकर ग्राउंड ट्रूथ जॉब बनाया और फिर अतिरिक्त मात्रात्मक मॉडल मूल्यांकन किया। गुणात्मक मूल्यांकन के लिए जमीनी सच्चाई और छवियों पर अनुमानित बाउंडिंग बॉक्स लेबल S3 में सहेजे गए थे। मॉडल वास्तविक दुनिया के डेटा पर सामान्यीकरण करने में सक्षम थे और हमारे परीक्षण-सेट पर समान प्रदर्शन प्राप्त करते थे।

आप कस्टम ट्रेनिंग जॉब बनाने, अत्याधुनिक ऑब्जेक्ट डिटेक्शन मॉडल का प्रशिक्षण, हाइपरपैरामीटर ऑप्टिमाइज़ेशन (HPO) को लागू करने और Amazon SageMaker पर मॉडल परिनियोजन के पूर्ण, एंड-टू-एंड उदाहरण पा सकते हैं। AWS लैब्स GitHub रेपो.

मांस-ट्रे गिनती आवेदन की तैनाती

परिनियोजन से पहले, हम अपनी सभी संपत्तियों - मॉडल, इंट्रेंस स्क्रिप्ट, कैमरा और ग्लोबल वैरिएबल कॉन्फ़िगरेशन को एक ही कंटेनर में पैकेज करते हैं, जैसा कि ऊपर बताया गया है इस ब्लॉग पोस्ट. हमारा निरंतर एकीकरण और निरंतर परिनियोजन (CI/CD) पाइपलाइन एक नए एप्लिकेशन संस्करण के रूप में अनुमान स्क्रिप्ट में किसी भी बदलाव को अपडेट करता है। एक बार नया एप्लिकेशन संस्करण प्रकाशित हो जाने के बाद, हम इसे पायथन में boto3 SDK का उपयोग करके प्रोग्रामेटिक रूप से तैनात करते हैं।

एप्लिकेशन परिनियोजन पर, AWS पैनोरमा पहले AWS पैनोरमा डिवाइस के लिए मॉडल को संकलित करने के लिए AWS SageMaker Neo संकलन कार्य बनाता है। इंट्रेंस एप्लिकेशन स्क्रिप्ट डिवाइस पर संकलित-मॉडल को आयात करती है और हर फ्रेम पर चिकन-ट्रे डिटेक्शन करती है। SageMaker Neo-संकलन के अलावा, हमने a जोड़कर प्रशिक्षण के बाद के परिमाणीकरण को सक्षम किया os.environ['TVM_TENSORRT_USE_FP16'] = '1' स्क्रिप्ट में झंडा। यह फ्लोट 32 से फ्लोट 16 तक मॉडल वेट के आकार को कम करता है, मॉडल के आकार को आधा घटाता है और प्रदर्शन में गिरावट के बिना विलंबता में सुधार करता है। निष्कर्ष के परिणाम में कब्जा कर लिया जाता है एडब्ल्यूएस साइटवाइज मॉनिटर AWS पैनोरमा डिवाइस से MQTT संदेशों के माध्यम से एडब्ल्यूएस आईओटी कोर. इसके बाद परिणाम Amazon S3 पर धकेले जाते हैं और इसमें देखे जाते हैं अमेज़न क्विकसाइट डैशबोर्ड। संयंत्र प्रबंधक और कर्मचारी वास्तविक समय में हर पैकेजिंग लाइन के थ्रूपुट को समझने के लिए इन डैशबोर्ड को सीधे देख सकते हैं।

निष्कर्ष

Amazon SageMaker, Amazon S3 जैसी AWS क्लाउड सेवा और AWS पैनोरमा, टायसन फूड्स इंक जैसी बढ़त सेवा को मिलाकर, अपने विनिर्माण संयंत्रों में इन्वेंट्री काउंटिंग जैसी मानव-गहन औद्योगिक प्रक्रियाओं को स्वचालित करने के लिए कृत्रिम बुद्धिमत्ता का संचार कर रहा है। रीयल-टाइम बढ़त अनुमान क्षमताएं टायसन को उत्पादन से अधिक/कम उत्पादन की पहचान करने और दक्षता को अधिकतम करने के लिए गतिशील रूप से उनके उत्पादन प्रवाह को समायोजित करने में सक्षम बनाती हैं। इसके अलावा, किनारे पर AWS पैनोरमा डिवाइस के मालिक होने से, टायसन वीडियो फ़ाइलों को क्लाउड में स्थानांतरित करने के लिए महंगे नेटवर्क बैंडविड्थ से जुड़ी लागतों को बचाने में भी सक्षम है और अब अपने नेटवर्क में स्थानीय रूप से अपने सभी वीडियो/छवि संपत्तियों को संसाधित कर सकता है।

यह ब्लॉग पोस्ट आपको एडब्ल्यूएस पैनोरमा के साथ सीवी एप्लिकेशन विकसित करने के लिए एंड-एंड एज एप्लिकेशन अवलोकन और संदर्भ आर्किटेक्चर प्रदान करता है। हमने एज सीवी एप्लिकेशन बनाने के 3 अलग-अलग पहलुओं पर चर्चा की।

1. जानकारी: एडब्ल्यूएस पैनोरमा और अमेज़ॅन सैजमेकर ग्राउंड ट्रूथ का उपयोग करके डेटा संग्रह, प्रसंस्करण और लेबलिंग।
2. आदर्श: Amazon SageMaker और AWS लैम्ब्डा का उपयोग करके मॉडल प्रशिक्षण और मूल्यांकन
3. अनुप्रयोग पैकेज: AWS पैनोरमा के लिए प्रशिक्षित मॉडल, स्क्रिप्ट और कॉन्फ़िगरेशन फ़ाइलों को बंडल करना।

इस श्रृंखला के भाग दो के लिए बने रहें कि टायसन सीवी आधारित औद्योगिक मशीनों के पूर्वानुमानित रखरखाव के लिए एडब्ल्यूएस पैनोरमा का उपयोग कैसे कर रहा है।

क्लिक करें यहाँ उत्पन्न करें एडब्ल्यूएस पैनोरमा के साथ अपनी यात्रा शुरू करने के लिए। एमएल समाधान लैब के साथ सहयोग करने के बारे में अधिक जानने के लिए देखें अमेज़न मशीन लर्निंग सॉल्यूशंस लैब.

---

लेखक के बारे में

दिव्या भार्गवी में एक डेटा वैज्ञानिक है is अमेज़न एमएल सॉल्यूशंस लैब जहां वह विभिन्न कार्यक्षेत्रों में ग्राहकों के साथ काम करती हैं और अत्याधुनिक एमएल/एआई समाधानों के साथ ग्राहकों के लिए मूल्य उत्पन्न करने के लिए रचनात्मक समस्या समाधान लागू करती हैं।

दिलीप सुब्रमण्यम टायसन फूड्स में इमर्जिंग टेक्नोलॉजीज टीम के साथ एक वरिष्ठ डेवलपर हैं। वह सॉफ्टवेयर डेवलपमेंट, मशीन लर्निंग और बिग डेटा में अपने ज्ञान का उपयोग करके व्यावसायिक समस्याओं को हल करने और प्रक्रियाओं को सरल बनाने के लिए बड़े पैमाने पर वितरित अनुप्रयोगों के निर्माण के बारे में भावुक हैं।

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